ANALISIS MODEL SEGITIGA (TRIMF) PADA FUNGSI KEANGGOTAAN FUZZY LOGIC DENGAN METODE MAMDANI TESIS PENIEL SAM PUTRA SITORUS

(1)

ANALISIS MODEL SEGITIGA (TRIMF) PADA FUNGSI KEANGGOTAAN FUZZY LOGIC DENGAN METODE MAMDANI

TESIS

PENIEL SAM PUTRA SITORUS 197038019

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN 2021

(2)

TESIS

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika

PENIEL SAM PUTRA SITORUS 197038019

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN 2021

(3)

PERSETUJUAN

Judul : ANALISIS MODEL SEGITIGA (TRIMF) PADA

FUNGSI KEANGGOTAAN FUZZY LOGIC DENGAN METODE MAMDANI

Nama : PENIEL SAM PUTRA SITORUS

Nomor Induk Mahasiswa : 197038019

Program Studi : MAGISTER (S2) TEKNIK INFORMATIKA

Fakultas : FAKULTAS ILMU KOMPUTER DAN

TEKNOLOGI INFORMASI Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Dr. Sawaluddin, M.IT. Dr. Poltak Sihombing, M.Kom.

NIP. 195912311998021001 NIP. 196203171991031001

Diketahui/disetujui oleh

Program Studi S2 Teknik Informatika Ketua,

Prof. Dr. Muhammad Zarlis.

NIP. 195707011986011003

(4)

PERNYATAAN

TESIS

Saya mengakui bahwa tesis ini adalah karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, 28 Juli 2021

Peniel Sam Putra Sitorus 197038019

(5)

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan di bawah ini:

Nama : Peniel Sam Putra Sitorus

NIM : 197038019

Program Studi : Magister Teknik Informatika Jenis Karya Ilmiah : Tesis

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non – Exclusive Royalti Free Right) atas tesis saya yang berjudul:

Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non - Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemilik hak cipta.

Demikian pernyataan ini dibuat dengan sebenarnya.

Medan, 28 Juli 2021

(6)

Telah diuji pada Tanggal: 28 Juli 2021

PANITIA PENGUJI TESIS

Ketua : Dr. Poltak Sihombing, M.Kom.

Anggota : 1. Dr. Sawaluddin, M.IT.

2. Dr. Syahril Efendi, S.Si., M.IT.

3. Dr. Sutarman, M.Sc.

(7)

RIWAYAT HIDUP

DATA PRIBADI:

Nama Lengkap : Peniel Sam Putra Sitorus Tempat dan Tanggal Lahir : Medan, 19 Maret 1995

Alamat Rumah : JL. Nilam 16 No 15 P.Simalingkar.

Telepon / HP : 0812-6233-7505

Email : peniel.sitorus1995@gmail.com

DATA PENDIDIKAN:

SD : SD Budi Murni 2 Medan (2001 s/d 2007) SMP : SMP Budi Murni 2 Medan (2007 s/d 2010) SMA : SMA Negeri 17 Medan (2010 s/d 2013)

D3 : Teknik Informatika, Universitas Sumatera Utara (2013 s/d 2016) S1 : Ilmu Komputer, Universitas Pembangunan Panca Budi (2016 s/d 2018) S2 : Teknik Informatika, Universitas Sumetera Utara (2019 s/d 2021)

(8)

UCAPAN TERIMAKASIH

Puji dan syukur penulis ucapkan kehadirat Tuhan yang Maha Esa, karena rahmat dan izin-Nya penulis dapat menyelesaikan penyusunan tesis yang berjudul: Analisis Model Segitiga (trimf) Pada Fungsi Keanggotaan Fuzzy Logic Dengan Metode Mamdani sebagai syarat untuk memperoleh gelar Magister Teknik Informatika pada Program Studi S2-Teknik Informatika Universitas Sumatera Utara. Banyak bantuan berupa uluran tangan, budi baik, buah pikiran dan kerjasama yang telah penulis terima selama menempuh studi sampai dengan penyelesaian studi (tesis) ini. Oleh karena itu, seyogianya penulis menyampaikan ucapan terimakasih kepada pihak-pihak yang telah membantu.

Ucapan terima kasih penulis sampaikan kepada:

1. Bapak Dr. Muryanto Amin, S Sos, M Si. selaku Rektor Universitas Sumatera Utara.

2. Ibu Dr. Maya Silvi Lydia, B.sc., M.Sc selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

3. Bapak Prof. Dr. Muhammad Zarlis, M.Sc dan Bapak Dr. Syahril Efendi, M.IT, selaku Ketua dan Sekretaris Program Studi S2-Teknik Infomatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

4. Bapak Dr. Poltak Sihombing, M.Kom. selaku dosen pembimbing I yang telah memberikan saran dan solusi dalam penyelesaian penelitian tesis ini.

5. Bapak Dr. Sawaluddin, M.IT. selaku dosen pembimbing II yang telah memberikan bimbingan, kritik, dan saran kepada penulis dalam menyelesaikan tesis ini.

6. Bapak Dr. Syahril Efendi, M.IT selaku dosen penguji I yang telah memberikan bimbingan, kritik, dan saran kepada penulis dalam menyelesaikan tesis ini.

7. Bapak Dr. Sutarman, M.Sc. selaku dosen penguji II yang telah memberikan kritik dan saran guna memperbaiki kesalahan yang ada pada tesis ini.

8. Seluruh tenaga pengajar dan pegawai di Fakultas Ilmu Komputer dan Teknologi Informasi USU dan program studi Magister Teknik Informatika yang telah membantu penulis dalam proses pembuatan tesis.

(9)

viii

9. Ayahanda Drs. Pontas Jamaluddin Sitorus, M.Pd dan Ibunda tercinta Mega Manurung, S.E yang selalu memberikan doa dan dukungan serta kasih sayang kepada penulis.

10. Kakak dan Adik yang selalu memberikan semangat dan doa kepada penulis.

11. Teman-teman S2 Teknik Informatika USU Angkatan 2019 terkhusus Keluarga Besar Kom-A MTI USU 2019. Terima kasih atas canda tawa dan suka duka dalam kebersamaan pada masa studi.

12. Para senior dan alumni MTI USU Angkatan 2018 yang juga bersama-sama diskusi dan membimbing penulis dalam pengerjaan tesis.

13. Semua pihak yang terlibat langsung atau tidak langsung yang penulis tidak dapat tuliskan satu per satu.

Semoga Tuhan yang Maha Esa melimpahkan berkah kepada semua pihak yang telah memberikan bantuan, semangat, perhatian, serta dukungan kepada penulis dalam menyelesaikan tesis ini. semoga tesis ini bermanfaat bagi pribadi, keluarga, masyarakat, organisasi dan negara.

Medan, 28 Juli 2021

(10)

ABSTRAK

Fungsi keanggotaan merupakan berinterval 0 dan 1 dalam grafik yang memiliki nilai keanggotan di inputan. Di dalam kaidah fuzzy himpunan, keanggotaan bernilai berkedudukan menjadi menentu beradanya elemen di himpunan. Saat himpunan fuzzy fungsi keanggotan atau derajat keanggotaan banyak macam-macam model grafik kurvanya, seperti naik, turun, segitiga, trapesium, sigmoid dan lain-lain. Metode mamdani adalah metode dari salah satu pada system inferensi fuzzy. Di penelitian ini akan menggunakan model grafik kurva segitiga dengan metode mamdani untuk mendapatkan hasil output dengan akurat. Setelah melakukan pengujian diperoleh hasil mean absolute percent error dari data pertama 1,9 %, data kedua 5,2%, data ketiga 0%, data keempat 0,38%, dan total mean absolute percent error dari data semua 2,9%.

Kata Kunci: Fungsi Keanggotan, Model Segitiga, Metode Mamdani,

(11)

ANALYSIS TRIANGULAR MODEL (TRIMF) ON FUZZY LOGIC MEMBERSHIP FUNCTION WITH MAMDANI METHOD

ABSTRACT

The membership functions is a pause of 0 and 1 in the chart that has a membership value in the output. In the fuzzy rules of the set, the membership is of value to beerratic in the elements in the determinant of the existence of elements in the set.

when the fuzzy set of membership functions or degrees of membership many kinds od graph models curves, such as up, down, triangle, trapezoid, sigmoid and others.

Mamdani method is a the method of one on fuzzy inference system. In this study will use a triangular curve chart model with mamdani method to get accurate output results. After testing obtained the results of mean absolute percent error from the first data 1,9%, the second data 5,2%, the third data 0%, fourth data 0,38%, and the total mean absolute percent error of the data all 2,9%.

Keyword : Membership Function, Triangular Model, Mamdani Method

(12)

DAFTAR ISI

HALAMAN JUDUL i

PERSETUJUAN ii

PERNYATAAN ORISINALITAS iii

PERNYATAAN PERSETUJUAN PUBLIKASI iv

PANITIA PENGUJI TESIS v

RIWAYAT HIDUP vi

UCAPAN TERIMAKASIH vii

ABSTRAK ix

ABSTRACT x

DAFTAR ISI xi

DAFTAR TABEL xiii

DAFTAR GAMBAR xv

BAB 1: PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 4

1.3 Batasan Masalah 4

1.4 Tujuan Masalah 4

1.5 Manfaat Masalah 4

BAB 2: TINJAUAN PUSTAKA 5

2.1 Logika Fuzzy 5

2.2 FIS (Fuzzy inference system) 5

2.3 Model Metode Mamdani 6

2.4 Alasan Menggunakan Fuzzy logic (logika fuzzy) 6

BAB 3: METODOLOGI PENELITIAN 7

(13)

xii

3.1 Tahapan Penelitian 7

3.2 Rancangan Penelitian 9

3.3 Perhitungan (Mean Absolute Percent Error) 12

BAB 4: HASIL DAN PEMBAHASAN 13

4.1 Pengujian Data 13

4.1.1 Pengujiannya Pertama 13

4.1.2 Pengujiannya Kedua 16

4.1.3 Pengujiannya Ketiga 19

4.1.2 Pengujiannya Keempat 22

4.3 Perhitungan MAPE (Mean Absolute Percent Error) 25

BAB 5: KESIMPULAN DAN SARAN 26

5.1 Kesimpulan 26

5.2 Saran 26

(14)

DAFTAR TABEL

Tabel 3.1 Variabel suhu dan kelembapan 8

Tabel 3.2 Himpunannya Fuzzy Suhu 9

Tabel 3.3 Himpunannya Fuzzy Kelembapan 10

Tabel 3.4 Himpunannya Fuzzy Durasi Waktu 10

Tabel 4.1 Derajat Keanggotaannya Suhu Input 32° 13

Tabel 4.2 Derajat Keanggotaannya Kelembapan Input 70 13

Tabel 4.3 Rule Terbentuk Pengujiannya 1 14

Tabel 4.4 MIN Rule Pengujiannya 1 14

Tabel 4.5 Hasil Nilai α1 Dengan Nilai α2 Pengujiannya 1 14

Tabel 4.6 Hasil Luas Daerah Pengujiannya 1 15

Tabel 4.7 Hasil Moment Pengujiannya 1 15

Tabel 4.8 Hasil Durasi Waktu Di Peroleh Pengujiannya 1 15

Tabel 4.9 Derajat Keanggotaannya Suhu Input 24° 16

Tabel 4.16 Hasil Durasi Waktu Di Peroleh Pengujiannya 2 18 Tabel 4.17 Derajat Keanggotaannya Suhu Input 24° 19 Tabel 4.18 Derajat Keanggotaannya Kelembapan Input 90 19

Tabel 4.24 Hasil Durasi Waktu Di Peroleh Pengujiannya 3 21 Tabel 4.25 Derajat Keanggotaannya Suhu Input 31° 22

(15)

xiv

Tabel 4.29 Hasil Nilai α1 Dengan Nilai α2 Pengujian 4 23

Tabel 4.31 Hasil Moment Pengujian 4 24

Tabel 4.32 Hasil Durasi Waktu Di Peroleh Pengujiannya 4 24

Tabel 4.33 Hasil Perhitungan MAPE 25

(16)

DAFTAR GAMBAR

Gambar 3.1 Tahapan Penelitian 7

Gambar 3.2 Grafik Bervariabel suhu 10

Gambar 3.3 Grafik Bervariabel kelembapan 11

Gambar 3.4 Grafik Bervariabel Durasi waktu 11

Gambar 4.1 Komposisi Aturan Metode Max Pengujiannya 1 14

Gambar 4.2 Hasil Program Python Pengujiannya 1 16

Gambar 4.5 Komposisi Aturan Metode Max Pengujian 3 20

(17)

1

BAB 1 PENDAHULUAN

1.1 Latar Belakang

Tatkala industry 4.0 generasi sekarang ini kebutuhan terhadap teknologi sangat berkembang. Dimasa sekarang manusia banyak sekali lebih manarik memanfaatkan atau menerapkan metode-metode di dalam bidang ilmu komputer bisa berguna untuk menyelesaikan berbagai aspek pekerjaan di aktivitas sebenatnya.

Di dalam tahapan-tahapan proses pembuatan keripik bayam pada pengeringan daun bayam hingga sampai kering di perlukan durasi waktu untuk mengeringkannya.

Biasanya dalam mengeringkan daun bayam dilakukan sampai satu harian dimana cuaca matahari tersebut terik dari pagi hari sampai sore hari, justru itu memperlambat produksi keripik bayam. Maka itu Tentunya diperlukan menggunakan teknik metode- metode di dalam bidang ilmu komputer yang disebut fuzzy logic.

Fuzzy logic yaitu elemen dari salah satu kelompok terbentuknya software computing. Logika fuzzy mula-mula di publikasi dengan Lothi di 1965 tahun lalu.

Jalan fuzzy logic ialah konsep fuzzy himpunan. Di konsep fuzzy himpunan, kedudukan derajat keangotaan sebagai menentu beradaannya suatu elemen di dalam pada himpunan. Nilai keanggotaan (membership function) selaku atribut pokok saat bernalar pada fuzzy logika ini (Nasution, 2020).

Fungsi keanggotaan yaitu berinterval 0 dengan 1 dalam grafik yang terwakili dengan skenario derajat keanggotaan masing-masing inputan variabel. Sebuah variabel x dilambangkan µ [x] pada derajat keanggotan dan dibaca (miu). Di dalam fungsi keanggotaan memiliki beberapa grafik seperti grafik keanggotaan kurva linier, yang terurai menjadi dua yaitu kurva turun dan kurva naik. Kurva himpunan fuzzy hanya berkisar antara 0 sampai 1. Sedangkan himpunan pasti tingkat kebenarannya

(18)

2

berkisar 0 dan 1. Grafik keanggotaan kuva segitiga adalah penggabungan dari kurva linier naik dan kuva linier turun. Grafik keanggotaan trapesium, ini awalnya kurva yang mempunyai model segitiga cuma memiliki nilai keanggotaannya 1 yang panjang.

Grafik keanggotaan bahu termasuk dari bahu kiri dan bahu kanan. Pada sebuah grafik, ini biasanya di gunakan untuk menutup sebuah fuzzy memiliki nilai keanggotaannya konstan biasanya 1. Kurva sigmoid (s) ada penyusutan, ada pertumbuhan dan kurva bentuk lonceng ada gauss, ada beta dan ada pi (Ali, 2015).

Dari penelitian (Febriliana, 2020) Dengan metode mamdani, data masukan dan keluaran variabel yang di teliti adalah data masukan terdiri dari konsumsi bbm, produksi minyak bumi, kurs valuta asing, dan cadangan devisa. Terdapat satu variabel keluaran dalam penelitian ini yaitu import minyak bumi. Di fuzzifikasi variabel dibagi dua himpunan fuzzy fungsi keanggotaan kurva trapesium variabel konsumsi bbm, produksi minyak bumi, kurs valuta asing, cadangan devisa, volume impot minyak bumi. fungsi keanggotaan kurva S variabel konsumsi bbm, variabel produksi minyak bumi, kurs valuta asing, cadangan devisa. Bahwa nilai MAPE (Mean Absolute Percentage Error) metode mamdani fungsi keanggotaan kuva trapesium 41,09 % dan fungsi keanggotaan kuva S 20,28 %.

Begitu juga pada penelitian (Nugroho, 2019), variabel masukkan kelembapan dan suhu yang output durasi mengunakan fungsi keanggotaan gausssian dan fungsi keanggotaan trapesium. Dari data tabel no urut 15 dengan kelembapan 58,2 dan suhu 27,6 bahwa nilai durasi tersebut masih tinggi dimana fungsi keanggotaan gausssian memperoleh 4,8 dan fungsi keanggotaan trapesium memperoleh 4,06.

Pada penelitian terkait dengan model fungsi keanggotaan menggunakan model fungsi keanggotaan segitiga yang diteliti oleh (Purwandani, 2019) dalam membandingan bertipe derajat keanggotaan ANFIS dalam menakar keakurasian berevaluasi kinerja seperti pengajar, menyatakan bahwa pegujian dengan menggunakan tipe fungsi keanggotaan yang berbeda menghasilkan akurasi yang berbeda. Dalam penelitian ini menunjukkan bahwa bertipe derajat keanggotaan bersegitiga (trimf) dan bertipe derajat keanggotaan bertrapesium (trapmf) menghasilkan nilai akurasi yang lebih tinggi sedangkan dengan tipe fungsi keanggotaan gaussian (gaussmf) dan lonceng (gbellmf) rendah. Dalam perbandingan

(19)

3

akurasian berdasarkan tipe fungsi keanggotaannya seperti segitiga memperoleh akurasi 96,5% dan tidak akurat 3,5%. Data yang digunakan dengan parameter nilai kehadiran mengajar, nilai hasil belajar mahasiswa, nalai kuesioner dan nilai kehadiran pertemuan.

Terdapat penelitian yang lain tetap terhadap mengenai model fungsi keanggotaan segitiga yang dilakukan oleh (Junaidi, 2020) dalam bentuk time series data mining akan memprediksi terprofitabilitas di PT, menyatakan bahwa implemntasi memprediksi terprofitabilitas PT bentuk ANFIS bagi derajat keanggotaan segitiga dan 3 karakter input menghasilkan sangat konsisten dengan sangat optimal. Dengan hitungan ideal baik derajat keanggotaan segitiga sangat konsisten, dan paling menyampari dan hitungannya ideal rasio terprofitabilitas sejumah 9,95 %. Sedangkan derajat keanggotaan sebagainya seperti, Trapesium, Gauss, dan G-bell di hasil prediksi belum optimal. Maka fungsi keanggotaan segitiga paling optimal dalam prediksi probalitas satu tahun kedepan.

Metode mamdani merupakan bagian dari metode dalam FIS. Fuzzy mamdani sering diartikan metode Min-Max, di metodenya memiliki karakter layaknya insting manusia yang berdasarkan ajaran linguistik dan mempunyai algoritma fuzzy yang meyediakan optimasi untuk di teliti. Dari hasil penelitian yang dilakukan (Nugroho, 2020) dinyatakan bahwa metode fuzzy mamdani memiliki target error yang paling sedikit dibandingkan dengan tsukamoto dan sugeno. Dinyatakan pada penilaiannya bahwa tingkat error metode mamdani yaitu sebesar 19,76% sedangkan tingkat error sebesar 39,03% tsukamoto dan sebesar 86,41% sugeno.

Adapun terdapat penelitian lainnya terkait dengan model Metode mamdani dengan judul penelitian tersebut adalah bayangan produksi telur menggunakan FIS metode mamdani menyatakan bahwa tingkat akurasi untuk metode mamdani sebesar 92,68 %.

Itu artinya metode mamdani memiliki tingkat akurasi yang bagus untuk melakukan estimasi produksi sehingga metode mamdani sejalan digunakan dalam mengatasi persoalan yang terjadi di perusahaan (Rosdiana, 2020).

Dalam menentukan ada Teknik fuzzy yang harus dijalani, berikut tahapan- tahapannya adalah fuzzification (pembentukan himpunan fuzzy), penentukan fungsi keangotaan, rule evaluation, dan penegasan.

(20)

4

Berdasarkan uraian diatas sudah jelas bahwa model fungsi keanggotaan segitiga mendekati akurasi optimal, maka pada penelitian ini penulis akan menganalisa model fungsi keanggotaan segitiga (trimf) yang diterapkan pada fuzzy logic dengan metode mamdani dalam menentukan durasi waktu mengeringan daun bayam pada tahapan proses pengeringan daun bayam.

1.2 Rumusan Masalah

Penulis menangkap perumusan permasalahan dari berlatar belakang yang sudah di uraikan, bahwa nilai model fungsi keanggotaan kurva trapesium, kurva s, kurva gaussian, kurva g-bell dalam menentukan hasil output keakurasian dari sebuah himpunan fuzzy belum optimal, maka itu di lakukan menggunakan model kurva segitiga untuk meningkatkan nilai keanggotaan dengan hasil akurasi yang optimal.

1.3 Batasan Masalah

Penelitian ini mempunyai batasan masalah yaitu:

1. Banyaknya model pembentukan himpunan fuzzy atau fungsi keanggotaan Penulis membatasi nilai keanggotaan dengan fungsi keanggotaan model segitiga (trimf).

2. Penerapan fungsi implikasi dan Komposisi atau penggabungan aturan-aturan mengunakan IF AND THEN.

3. Dalam penelitian ini penulis mengunakan metode centroid pada analisis Defuzzyfication (penegasan).

1.4 Tujuan Masalah

Penelitian ini mempunyai tujuan masalah yaitu mengharapkan mendapatkan hasil output dengan akurat dalam menentukan durasi waktu menggunakan fungsi keanggotaan model segitiga (trimf) pada mamdani.

1.5 Manfaat Masalah

Penelitian ini mempunyai manfaaat masalah yaitu mengetahui hasil output dengan akurat dalam menentukan durasi waktu dengan fungsi keanggotaan model segitiga (trimf) pada metode mamdani.

(21)

BAB 2

LANDASAN TEORI

2.1 Logika Fuzzy

Logika fuzzy atau fuzzy logic perdana sekali di temukan oleh Lotfi dalam seribu sembilan enam puluh lima tahun lalu. Saat bahasa, di fuzzy berisi samar. Fuzzy logika yaitu kepala multivalued saat demungkinkan dapat terdefinisikan sebagai nilai tengah berantara 2 logika berbeda, ibarat salah-benar, rendah-tinggi, dingin-panas, dan sebgainya (Yudi, 2018).

Logika klasik menyalurkan bahwa apapun bersifat biner, artinya yaitu semata-mata memiliki dua tren, tidak dengan setuju, salah dengan tepat, buruk dengan ketakziman, dan sebagainya. Karena oleh itu, ini semua bisa memiliki keanggotaan bernilai 0 dengan 1. Dengan tetapi, di dalam fuzzy logika dimungkinkan keanggotaan bernilai berantara 0 dengan 1. Maksudnya, dapat saat suatu berkeadaan terdapat 2 bernilai tidak dengan ia, salah dan tepat, buruk secara bersamaan dengan ketakziman, namun skala besar bernilai tergantung dengan bobot keanggotaannya pada termilikinya (Irawan dan Herviana, 2019).

Saat fuzzy logika, segaris terbilang merebut keanggotaan nilai berantara 0 1 untuk terukur saat suasana seumpama metinggian, tercantikan, berumur, berelemen, dan sebagainya yang susah memastikannya. Maka, fuzzy logika terdapat yang himpunan setiap beranggotanya memiliki membershif fuctions (Seno, 2021).

Pendapat Yulmaini (2015), dengan sifat yang benar dalam menggambarkan pada bagian masukkan ke dalam suatu bagian keluaran.

2.2 FIS (Fuzzy Infrence Sytem)

Pendapat Hapiz (2017), FIS yaitu bagian konteks komputasi berdasarkan dengan fuzzy himpunan, penalaran fuzzy, dan fuzzy aturan yang terbentuk “if dengan then”

(22)

6

2.3 Mamdani

Mamdani banyak mengenalkan selaku Max-Min metode. Ebrahim memperkenalkan Metodenya di 75-an tahun lalu (Abrori, 2016). Empat fuzzy sistem bertahap perlunya bentuk mamdani yaitu:

1. Membentuk fuzzy himpunan 2. Penggunaan fungsi fuzzy

3. Penarikan kesimpulan atau kompisisi aturan

Terdapat sebanyak tiga kaidah dapat saat digunakan ke dalam fuzzy inferensi sistem, yaitu, max, additive, dengan OR probabilistic.

4. Defuzzifikasi

Di defuzzifikasi dengan model mamdani mendapatkan terlakukan dengan di beberapa cara mendefuzzifikasi yaitu: MOM, Bisektor, Centroid.

2.4 Alasan menggunakan Fuzzy Logic (Logika Fuzzy)

Menurut pendapat Abrori (2016), terdapat beberapa alasan kenapa banyak manusia mengutamakan logika fuzzy, antara lain:

1. Mudah dimengerti kerangka logika fuzzy.

2. Fuzzy Logikanya terlampau fleksibel, maksudnya dapat diadaptasikan sama ketidakpastian dengan berubahnya yang bensertai masalah.

3. Mampu memodelkan logika fuzzynya berfungsi non-linear saat terus kompleks

(23)

BAB 3

METODOLOGI PENELITIAN

3.1 Tahapan Penelitian

Di bab tiga saat ini melakukan mengenai apa saja yang akan terlakukan dengan menyelesaikan penelitian saat ini meyertai jabaran-jabaran di setiap langkah-langkah mengerjakannya dengan penjadwalan kerjaan.

Di penelitian saat ini terdapat tujuh tahapan-tahapan akan terlalu, yaitu: identifikasi permasalahan, studi pustaka, observasi, pengumpulan data, pengerjaan data, analasis dengan hasil, laporan berupa pada gambar. Berikut saat ini yaitu uraian pada masing- masing pengerjaan tersebut:

Gambar 3.1 Tahapan Penelitian Identifikasi

Permaasalah Studi Pustaka

Observasi

Mengumpulkan Data

Pengerjaan Data

Analisis dengan Hasil

Laporan

(24)

8

1. Identifikasi Permasalahan

Pada dalam tahapan yang ini melakukan identifikasi masalah yang akan menjadikan suatu objek penelitian. Yang bermaksud dengan identifikasi permasalahan yaitu menentukan permasalahan apa yang akan diangkat di dalam penelitian, lalu melakukan rumusannya terhadap permasalah yang brehadapan untuk menentukan bertujuan, bermanfaat dan batasannya pada yang terlakukan penelitian.

2. Studi Pustaka

Selanjutnya di tahapan berikut yang ini melakukan mamahami mengenai semua perinformasian yang berhubungan pada permasalahan. Instrumen yang dapat digunakan yaitu serupa, paper ilmiah, buku, laporan hasil penelitian, jurnal dan sebagainya instrument yang lainnya ini mendapatkan kepercayaan. Studi pustaka diperlukan bertujuan untuk pemahaman awal teori berterkaitan objek berpenelitian.

3. Observasi

Pada tahapan ini penulis melakukan dengan meninjau langsung ke lapangan yang mau di teliti.

4. Mengumpulkan Data

Telah tahapan saat melakukan mengumpulan data maka diperlukan untuk di teliti dengan membentuk seperti data variabel. Selanjutnya data-data yang terbentuk supaya menggunakan dalam terlaksananya berpenelitian. Berikut ada empat data pada menggunakan untuk input penelitian yang ini dengan variabel suhu dan kelembapan.

Tabel 3.1 Variabel suhu dan kelembapan NO SUHU KELEMBAPAN

1 32° 70

2 24° 32

3 28° 90

4 31° 43

(25)

9

5. Pengerjaan Data

Selanjutnya di tahapan berikut yang ini data yang telah diperoleh diolahkan supaya untuk dianalisis. Hasil yang dianalisis datanya memperoleh pemahaman akan terhadap pada data pola. Pemahaman yang terhadap data pola berguna sebagai awal meemilihnya metode.

6. Analisis dengan Hasil

Pada tahapan ini dianalisis dan untuk mengetahui hasil dari data yang diperoleh.

7. Laporan

Di tahapan terakhir ini adalah membuat laporan sebagai bentuk atas terlaksananya kajian ini.

3.2 Rancangan Penelitian

Dalam penelitian ini yang dapat dilaksanakan adalah untuk mengetahui hasil output dengan akurat dalam menentukan durasi waktu dengan fungsi keanggotaan model segitiga (trimf) dalam metode mamdani. Pada penelitian ini penulis menetapkan tiga variabel (suhu, kelembapan, durasi waktu).

metode mamdani supaya memperoleh output, sebanyak empat langkah yang akan harus dilampau dengan:

1. Pembentukan himpunan fuzzy (fuzzification)

Pada penelitian ini dalam menentukan durasi waktu digunakan parameter, yaitu variabel suhu, dan variabel kelembapan. Beserta variabel output, yaitu durasi waktu. Di variabel terbentuk berdasarkan penelitian ke lapangan.

Adapun Tabelnya 3.2 fuzzy himpunan bervariabel suhu yaitu:

Tabel 3.2 Himpunannya Fuzzy Suhu Variabel Himpunan Semesta Domain Model MF

Suhu

Dingin

0-50

0-20 Segitiga Sama Sisi Normal 15-35 Sigitiga Sama Sisi Panas 30-50 Segitiga Siku-Siku

(26)

10

Adapun Tabelnya 3.3 fuzzy himpunan bervariabel kelembapan yaitu:

Tabel 3.3 Himpunannya Fuzzy Kelembapan Variabel Himpunan Semesta Domain Model MF

Kelembapan

Kering

0-100

0-40 Segitiga Sama Sisi Sedang 30-70 Sigitiga Sama Sisi Basah 60-100 Segitiga Sama Sisi

Adapun Tabelnya 3.4 fuzzy himpunan bervariabel kelembapan yaitu:

Tabel 3.4 Himpunannya Fuzzy Durasi Waktu Variabel Himpunan Semesta Domain Model MF

Durasi waktu

Cepat

0-24

0-8 Segitiga Sama Sisi

Sedang 8-16 Sigitiga Sama Sisi

Lama 16-24 Segitiga Sama Sisi

Di setiap saat variabel dalam fuzzy himpunan ditentukan derajat keanggotaannya dimana ketika derajat keanggotaanya tertera selaku nilai dasar saat fuzzy himpunan dan dengan bermacam-macam model bentuk yang digunakan pada fungsi keanggotaan. Adapun fungsi keanggotaan Gambar 3.2 Grafik bervariabel suhu yaitu:

Gambar 3.2 Grafik Bervariabel Suhu

(27)

11

Adapun fungsi keanggotaan Gambar3.3 Grafik variabel kelembapan yaitu:

Gambar 3.3 Grafik Bervariabel Kelembapan

Adapun fungsi keanggotaan Gambar3.4 Grafik variabel durasi waktu yaitu:

Gambar 3.4 Grafik Bervariabel Durasi Waktu

2. Penerapan fungsi implikasi

Pada penerapan fungsi implikasi ini mengunakan MIN-MAX.

3. Komposisi atau penggabungan aturan-aturan rule evaluation

Sesudah itu terbentuknya himpunan fuzzy, makanya berlakukan pembentukan sebuah aturan-aturan fuzzy. Di aturan-aturan ini terbentuk supaya menyatakan sebuah relasi antara masuk dan keluarnya. Setiap peraturan ialah suatu implikasi. Digunakan operator dalam menghubungkan antara yang dua input yaitu AND, dan dalam menata antara msaukan-keluar merupakan proposisi IF dan THEN. Itu IF disebut dengan anteseden dan THEN disebut konsekuen.

Berikut aturan-aturan rule evaluation terbentuk yang tersimbolkan pada peraturan if dan then:

[R1]: if suhu adalah panas AND kelembapan basah THEN durasi lama

(28)

12

[R2]: if suhu adalah panas AND kelembapan sedang THEN durasi sedang [R3]: if suhu adalah panas AND kelembapan kering THEN durasi cepat [R4]: if suhu adalah normal AND kelembapan basah THEN durasi lama [R5]: if suhu adalah normal AND kelembapan sedang THEN durasi sedang [R6]: if suhu adalah normal AND kelembapan kering THEN durasi cepat [R7]: if suhu adalah dingin AND kelembapan basah THEN durasi lama [R8]: if suhu adalah dingin AND kelembapan sedang THEN durasi sedang [R9]: if suhu adalah dingin AND kelembapan kering THEN durasi cepat Dalam komposisi atau penggabungan ini akan mengunakan MAX.

4. Defuzzyfication (penegasan)

Pada tahapan ini inputnya yaitu saat himpunan fuzzy dengan memperoleh komposisi fuzzy di aturan-aturannya. Pendekatan metode saat digunakan dalam defuzzyfication atau penegasan adalah pendekatan metode centroid.

Rumus:

Metode centroid = luas daerah / moment

3.3 Perhitungan (Mean Absolute Percent Error)

Rumus yang digunakan untuk menghitung mean absolute percent error yaitu:

MAPE = ((Data akutal - Data perhitungan) / data actual) x 100%

(29)

BAB 4

HASIL DAN PEMBAHASAN

4.1 Pegujian Data

4.1.1 Pengujiannya Pertama

Di pengujian data ini yaitu kasus pertama dengan suhu 32° kelembapan 70 dapat dihitung sebagai berikut:

a. Pembentukan himpunan fuzzy (Fuzzification).

Berikut ini tabel 4.1 adalah suhu yang diberikan dengan 32°.

Tabel 4.1 Derajat Keanggotaannya Suhu Terinput 32°

HIMPUNAN FUZZY SUHU

32°C DINGIN NORMAL PANAS

0 0,3 0,1

Dalam tabelnya 4.1 diatas bisa disimpulkan bahwa dengan suhu 32°

mendapatkan himpunan normal dengan nilai membership fuctionnya 0,3 dan himpunan panas dengan nilai membership fuctionnya 0.1.

Tabel 4.2 Derajat Keanggotaannya Kelembapan Terinput 70 HIMPUNAN FUZZY KELEMBAPAN

70 KERING SEDANG BASAH

0 0 0,5

Pada tabelnya 4.2 diatas bisa disimpulkan bahwasaja dengan kelembapan 70 mendapatkan himpunan basah dengan nilai derajat keanggotaan 0.5.

(30)

14

b. Penerapan fungsi implikasi MIN dan Komposisi (penggabungan) aturan mengunakan MAX.

Rule yang terbentuk dari nilai derajat keanggotaan diatas bisa terlihat di tabelnya 4.3 sebagai berikut.

Tabel 4.3 Rule Terbentuk Pengujiannya 1

RULE SUHU KELEMBAPAN

OUTPUT

[1] PANAS BASAH LAMA

[4] NORMAL BASAH LAMA

Fungsi implikasi MIN dari rule [1] sama [4] dapat terlihat dengan tabelnya 4.4 yang seperti dibawah ini:

Tabel 4.4 MIN Rule Pengujiannya 1 RULE MIN

[1] 0,1 [4] 0,3

lihat tabelnya 4.5 ini adalah nilai α1 dengan nilai α2 yang didapat pada rule tersebut sebagai berikut:

Tabel 4.5 Hasil Nilai α1 Dengan Nilai α2 Pengujiannya 1 RULE Nilai α1 Nilai α2

[1] 16,4 23,6

[4] 17,2 22,8

Mengkomposisi output antar aturan dengan ini mengunakan metode MAX maka bisa terlihat di gambarnya 4.1 seperti dibawah yang ini:

Gambar 4.1 Komposisi Aturan Metode Max Pengujiannya 1

(31)

15

Berdasarkan gambar 4.1 yang diatas dengan keterangan bahwa bentuk output rule ke 1 berwarna merah dan bentuk output rule ke 4 berwarna hijau.

c. Defuzzyfication (penegasan).

Pada tabelnya 4.6 ini adalah hasil luas daerah output yang di dapat seperti sebagai berikut:

Tabel 4.6 Hasil Luas Daerah Pengujiannya 1 LUAS

TOTAL

L1 L2 L3 L4 L5

0,02 0,16 1,68 0,16 0,02 2,04

Pada tabelnya 4.7 ini adalah hasil moment output yang mendapatkan sebagai berikut:

Tabel 4.7 Hasil Moment Pengujiannya 1 MOMENT

M1 M2 M3 M4 M5 TOTAL

0,648 2,698667 33,6 3,701333 0,952 41,6

Maka durasi waktu yang diperoleh pada pengujian pertama suhu 32°

kelembapan 70 adalah 20,39216 bisa terlihat di tabelnya 4.8 sebagai berikut:

Tabel 4.8 Hasil Durasi Waktu Di Peroleh Pengujiannya 1 DURASI WAKTU 20,39216

Dan berikut ini gambarnya 4.2 yang di hasilkan oleh melalui program python Maka durasi waktu yang diperoleh pada pengujian pertama suhu 32°

kelembapan 70 adalah 20.

(32)

16

Gambar 4.2 Hasil Program Python Pengujiannya 1

4.1.2 Pengujiannya kedua

Di pengujian data ini yaitu kasus kedua dengan suhu 24° kelembapan 32 dapat dihitung sebagai berikut:

a. Pembentukan himpunan fuzzy (Fuzzification)

Berikut ini tabelnya 4.9 adalah suhu yang diberikan dengan 24°.

HIMPUNAN FUZZY SUHU

0 0,9 0

mendapatkan himpunan normal dengan nilai membership fuctionnya 0,9.

Tabel 4.10 Derajat Keanggotaannya Kelembapan Terinput 32 HIMPUNAN FUZZY KELEMBAPAN

0,4 0,1 0

Pada tabelnya 4.10 diatas bisa disimpulkan bahwasaja dengan kelembapan 32 mendapatkan himpunan kering dengan nilai membership fuctionnya 0.4 juga himpunan sedang dengan nilai membership fuctionnya 0.1.

b. Penerapan fungsi implikasi MIN dan Komposisi (penggabungan) aturan mengunakan MAX

(33)

17

Tabel 4.11 Rule Terbentuk Pengujian 2

OUTPUT

[5] NORMAL SEDANG SEDANG

[6] NORMAL KERING CEPAT

Fungsi implikasi MIN dari rule [5] dan [6] dapat terlihat dengan tabelnya 4.12 yang seperti dibawah ini:

[5] 0,1 [6] 0,4

Lihat tabelnya 4.13 ini adalah nilai α1 dengan nilai α2 yang didapat pada rule tersebut sebagai berikut:

[5] 8,4 23,6

[6] 1,6 24

(34)

18

Berdasarkan gambarnya 4.3 yang diatas dengan keterangan bahwa bentuk output rule ke 6 berwarna merah dan bentuk output rule ke 5 berwarna hijau.

Pada tabelnya 4.14 ini adalah hasil luas daerah output yang di dapat seperti sebagai berikut:

TOTAL

L1 L2 L3 L4 L5 L6

0,32 1,92 0,32 0,02 0,72 0,04 3,34

Pada tabelnya 4.15 ini adalah hasil luas moment output yang mendapatkan sebagai berikut:

Tabel 4.15 Hasil Moment Pengujiannya 2

MOMENT

M1 M2 M3 M4 M5 M6 TOTAL

0,341333 7,68 2,218667 0,165333 8,64 0,314667 19,04533

Maka durasi waktu yang diperoleh pada pengujian kedua suhu 24° kelembapan 32 adalah 5,702196 bisa terlihat di tabelnya 4.16 sebagai berikut:

Dan berikut ini gambarnya 4.4 yang di hasilkan oleh melalui program python Maka durasi waktu yang diperoleh pada pengujian kedua suhu 32° kelembapan 70 adalah 6.

(35)

19

4.1.3 Pengujiannya ketiga

Di pengujian data ini yaitu kasus ketiga dengan suhu 28° kelembapan 90 dapat dihitung sebagai berikut:

0 0,7 0

mendapatkan himpunan normal dengan nilai membership fuctionnya 0,7.

Tabel 4.18 Derajat Keanggotaannya Kelembapan Terinput 90 HIMPUNAN FUZZY KELEMBAPAN

0 0 0,5

Pada tabelnya 4.18 diatas bisa disimpulkan bahwasaja dengan kelembapan 90 mendapatkan himpunan basah dengan nilai membership fuctionnya 0.5.

b. Penerapan fungsi implikasi MIN dan komposisi (penggabungan) aturan mengunakan MAX.

(36)

20

OUTPUT

[4] NORMAL SEDANG SEDANG

Fungsi implikasi MIN dari rule [4] dapat terlihat dengan tabelnya 4.20 yang seperti dibawah ini:

Tabel 4.20 MIN Rule Pengujian 3 RULE MIN

[4] 0,5

Lihat tabelnya 4.21 ini adalah nilai α1 dengan nilai α2 yang didapat pada rule tersebut sebagai berikut:

[5] 8,4 23,6

Berdasarkan gambarnya 4.5 yang diatas dengan keterangan bahwa bentuk output rule ke 5 berwarna merah.

(37)

21

Pada tabelnya 4.22 ini adalah hasil luas daerah output yang di dapat sebagai berikut:

TOTAL

L1 L2 L3

0,5 2 0,5 3

Pada tabelnya 4.23 ini adalah hasil luas moment output yang mendapatkan seperti sebagai berikut:

TOTAL

M1 M2 M3

8,666667 40 11,33333 60

Maka durasi waktu yang diperoleh pada pengujian ketiga suhu 28°

kelembapan 90 adalah 20 bisa terlihat di tabelnya 4.24 sebagai berikut:

Tabel 4.24 Hasil Durasi Waktu Di Peroleh Pengujiannya 3 DURASI WAKTU 20

Dan berikut ini gambarnya 4.6 yang di hasilkan oleh melalui program python Maka durasi waktu yang diperoleh pada pengujian ketiga suhu 32°

(38)

22

4.1.4 Pengujiannya keempat

Di pengujian data ini yaitu kasus keempat dengan suhu 31° kelembapan 43 dapat dihitung sebagai berikut.

0 0,4 0,05

mendapatkan himpunan normal dengan nilai membership fuctionnya 0,4 dan mendapatkan himpunan normal dengan nilai membership fuctionnya 0,05.

Tabel 4.26 Derajat Keanggotaannya Kelembapan Ternput 43 HIMPUNAN FUZZY KELEMBAPAN

0 0,65 0

Pada tabelnya 4.26 yang diatas bisa disimpulkan bahwasaja dengan kelembapan 43 mendapatkan himpunan sedang dengan nilai derajat keanggotaan 0.65.

b. Penerapan fungsi implikasi MIN dan Komposisi (penggabungan) aturan mengunakan MAX.

OUTPUT

[2] PANAS SEDANG SEDANG

[5] NORMAL NORMAL SEDANG

(39)

23

Fungsi implikasi MIN dari rule [2] sama [5] dapat terlihat di tabelnya 4.28 yang seperti dibawah ini:

[2] 0,05

[5] 0,4

lihat tabelnya 4.29 ini adalah nilai α1 dengan nilai α2 yang didapat pada rule tersebut sebagai berikut:

Tabel 4.29 Hasil Nilai α1 Dengan Nilai α2 Pengujiannya 4 RULE Nilai α1 α2

[2] 8,4 23,6 [5] 9,6 14,4

Mengkomposisi output antar aturan dengan ini mengunakan metode MAX maka bisa terlihat di gambarnya 4.7 seperti bawah yang ini:

Dari gambarnya 4.3 yang diatas dengan keterangan bahwa bentuk output rule ke 2 berwarna merah dan bentuk output rule ke 5 berwarna merah.

Pada tabelnya 4.30 ini adalah hasil luas daerah output yang di dapat sebagai berikut:

(40)

24

TOTAL

L1 L2 L3 L4 L5

0,005 0,315 1,92 0,315 0,005 2,56

Pada tabelnya 4.31 ini adalah hasil luas moment output yang mendapatkan sebagai berikut:

M1 M2 M3 M4 M5 TOTAL

0,081 2,860667 23,04 4,699333 0,159 30,84

Maka durasi waktu yang diperoleh pada pengujian keempat suhu 28°

kelembapan 90 adalah 12,04688 bisa terlihat di tabelnya 4.32 sebagai berikut:

Dan berikut ini gambarnya 4.8 yang di hasilkan oleh melalui program python Maka durasi waktu yang diperoleh pada pengujian keempat suhu 31°

(41)

25

4.2 Perhitungan MAPE (mean absolute percent error)

Tabel 4.33 Hasil Perhitungan MAPE

NO Data

Perhitungan Data Program MAPE

%

1 20,39216 20 1,92309

2 5,702196 6 5,2226

3 20 20 0

4 12,04688 12 0,38915

TOTAL 2,9104

Dari tabelnya 4.33 dari data pengujian pertama mendapatkan nilai mean absolute percent error adalah 1,92%. Dari data pengujian kedua nilai mean absolute percent error adalah 5,2%. Dari data pengujian ketiga nilai mean absolute percent error adalah 0%. Dari data pengujian keempat nilai mean absolute percent error adalah 0,91%. Total semua data mape yang di ujikan adalah 2,91%.

(42)

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Kesimpulan setelah melakukan penelitian dan pengujian adalah sebagai berikut:

1. Dari hasil inputan data yang diujikan yaitu variabel suhu, dan variabel kelembapan serta output durasi waktu maka total akurasi keempat data mean absolute percent error dalam metode mamdani 2,91%.

2. Penentuan nilai fungsi keanggotaan model segitiga sangat berpengaruh dengan fungsi implikasi dalam menentukan nilai MIN.

3. Dengan model segitiga (trimf) bisa meningkatkan nilai fungsi keanggotaan yang telah didapatkan.

4. Menggunakan pendekatan metode centroid mengetahui titik pusat dari hasil komposisi output yang di peroleh.

5.2 Saran

Adapun saran yang penulis berikan adalah sebagai berikut:

1. Perlu penelitian lebih lanjut bagaimana mendapatkan akurasi yang optimal yang diharapkan.

2. Penelitian ini bisa lebih lanjut di kembangkan dengan pendekatan-pendekatan metode yang lain.

(43)

27

DAFTAR PUSTAKA

ABRORI, Muchammad; PRIMAHAYU, Amrul Hinung. Aplikasi logika fuzzy metode mamdani dalam pengambilan keputusan penentuan jumlah produksi. Kaunia: Integration and Interconnection Islam and Science, 2016, 11.2: 91-99.

ALI, Omar Adil M.; ALI, Aous Y.; SUMAIT, Balasem Salem. Comparison between the effects of different types of membership functions on fuzzy logic controller performance. International Journal, 2015, 76: 76-83.

Febriliana, F. Y., & Jatipaningrum, M. T. (2020). SISTEM INFERENSI FUZZY MAMDANI DAN TSUKAMOTO DALAM SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN VOLUME IMPOR MINYAK BUMI DI INDONESIA. Jurnal Statistika Industri dan Komputasi, 5(01), 11- 21.

HAPIZ, Abdul. Penerapan logika fuzzy dengan metode tsukamoto untuk mengestimasi curah hujan. 2017. PhD Thesis. Universitas Islam Negeri Maulana Malik Ibrahim.

Irwan, M. D. dan Herviana, H. (2019) “Implementasi Logika Fuzzy Dalam Menentukan Jurusan Bagi Siswa Baru Sekolah Menengah Kejuruan (Smk) Negeri 1 Air Putih,” Jurnal Teknologi Informasi, 2(2), hal, 129, doi:

10.36294/jurti.v2i2,427.

Junaidi, M., & Widyassari, A. P. (2020). Model Data Mining Time Series Untuk Prediksi Profitabilitas Perusahaan. RESEARCH: Journal of Computer, Information System & Technology Management, 3(1), 8-15.

Nasution, V. M., & Prakarsa, G. (2020). Optimasi Produksi Barang Menggunakan Logika Fuzzy Metode Mamdani. Jurnal Media Informatika Budidarma, 4(1), 129-135.

Nugroho, A., & Maulana, D. (2020). Implementasi Fuzzy Mamdani pada Seleksi Penerimaan Mahasiswa Baru. Pelita Teknologi, 15(1), 13-18.

Nugroho, F., & Faisal, M. (2019, November). Studi komparasi fungsi keanggotaan berbeda pada fuzzy mamdani untuk kasus penyiraman air otomatis.

In Conference on Innovation and Application of Science and Technology (CIASTECH) (Vol. 2, No. 1, pp. 363-368).

PURWANDANI, Indah; WIBOWO, Romi Satria. PERBANDINGAN TIPE FUNGSI KEANGGOTAAN ANFIS UNTUK MENGUKUR AKURASI EVALUASI KINERJA DOSEN. SNIT 2012, 2019, 1.1: 143-149.

(44)

28

Rosdiana, M. (2020). ESTIMASI PRODUKSI TELUR MENGGUNAKAN FUZZY INFERENCE SYSTEM METODE MAMDANI (STUDI KASUS: PT.

SUPER UNGGAS JAYA). KOLANO: Journal of Multi-Disciplinary Sciences, 1(1), 44-54.

Seno, M., Virdaus,S. dan Ihsanto, E. (2021) “Rancangan Bangun Monitoring Dan Kontrol Kualitas Udara Dengan Metode Fuzzy logic Berbasis Wemos,

“12(01), hal. 22-28. doi : 10.22441/jte.2021.v12i1.005

Simanullang, H. G., & Silalahi, A. P. (2018). Metode Elimination and Choice Translation Reality (Electre) dan Topsis Menggunakan Fuzzy Kurva-S Sebagai Penentu Bobot Alternatif. Majalah Ilmiah METHODA, 8(1), 36-49.

Susanti, P., & Bahri, S. M. (2021). Penerapan Fuzzy Mamdani Dalam Pemilihan Murid Teladan Pada Sekolah Paud Harmony Kotawaringin Timur. Journal of Information System Research (JOSH), 2(2), 178-186.

Yudi (2018) ” Peramalan Penjualan Mesin Industri Rumah Tangga Dengan Metode Fuzzy Time Series Ruey Chyn Tsaur, “Jurnal informatika kaputama(JIK), 2(1),hal 53-59.

YULMAINI, Yulmaini. Penggunaan metode fuzzy inference system (fis) mamdani dalam pemilihan peminatan mahasiswa untuk tugas akhir. Jurnal Informatika Darmajaya, 2015, 15.1: 10-23.