View of ANALISIS PEMBERIAN NUTRISI MENGGUNAKAN METODE FUZZY LOGIC STUDI KASUS TANAMAN CABAI

(1)

408

ANALISIS PEMBERIAN NUTRISI MENGGUNAKAN METODE FUZZY LOGIC STUDI KASUS TANAMAN CABAI

Devin Viondra Sihar Matondang¹⁾, Delmanto Saogo ²⁾, Rizki Samuel Putra F. Sianturi³⁾, Sopian Dapit⁴⁾, Ertina Sabarita Barus⁵⁾

1,2,3,4,5 Fakultas Sains dan Teknologi, Universitas Prima Indonesia

Email: [email protected], [email protected], [email protected], [email protected], [email protected]

Abstract

This research addresses the challenges faced by chili farmers in predicting harvest outcomes and providing nutrition according to plant needs. The Fuzzy Logic Mamdani method is proposed as a decision support system to determine the optimal nutrient application volume based on soil conditions, temperature, and acidity level (pH). By synthesizing fuzzy logic, this study aims to assist chili farmers in optimizing harvest results through appropriate nutrient application. The research methodology involves literature review, observation, and data collection to form a dataset with variables such as irrigation volume, soil moisture, temperature, and soil pH. The research results include the formation of fuzzy sets, application of implication functions, rule composition, defuzzification, and irrigation volume calculations. Simulations using the Fuzzy Logic Toolbox show that the Fuzzy Logic Mamdani method can provide predictions of nutrient application volumes that align with chili plant conditions. In testing, when the input variable of water content is 35.6 at a temperature of 30.8 with a soil pH of 3.7, the system recommends an irrigation volume of 204, categorized as high. The findings of this research can serve as a predictive tool to help chili farmers determine the optimal nutrient application volume based on environmental conditions.

Keywords: Fuzzy Logic, Mamdani, Nutrition, Chili Plants

1. PENDAHULUAN

Kemajuan teknologi informasi saat ini sedang berlangsung dengan cepat di berbagai sektor mulai dari sektor industri, akademisi, pertanian, kedokteran, bidang pertahanan dan bidang-bidang lainnya [1]–[9]. Teknologi informasi memiliki peran penting dalam meningkatkan efektivitas dan efisiensi pekerjaan manusia [10], [11], [12]–[15]. Menurut informasi yang ditemukan dalam databoks, sekitar 60%

teknologi digital dalam sektor pertanian difokuskan pada penggunaan informasi digital, seperti data pasar dan harga. Sementara itu, 40%

sisanya menitikberatkan pada upaya memperluas akses pasar, dan hampir sepertiga dari teknologi tersebut digunakan untuk mengoptimalkan rantai pasokan dan manajemen data. Sisanya, sekitar sepertiga lagi, digunakan untuk layanan keuangan dan praktik pertanian presisi, seperti

pemanfaatan satelit, sensor, dan teknologi mekanis dalam pertanian.

Tanaman cabai adalah jenis tanaman tahunan dengan sistem perakaran yang memiliki akar tunggang [16], [17]. Sistem perakaran tanaman cabai memiliki ciri penyebaran yang agak luas, dengan panjang berkisar antara 25 hingga 35 cm. Sistem perakaran ini memiliki beberapa peran, diantaranya adalah menyerap air dan nutrisi dari dalam tanah, serta memberikan dukungan untuk mempertahankan kestabilan posisi batang tanaman [18], [19], [20].

Berdasarkan data yang dikeluarkan oleh Badan Pusat Statistik (BPS), produksi cabai di seluruh Indonesia pada tahun 2020 mencapai 2,77 juta ton. Ini menunjukkan peningkatan sebesar 183,96 ribu ton atau sekitar 7,11% dibandingkan dengan tahun sebelumnya, yaitu 2019. Selama tahun 2020, ekspor cabai juga mengalami pertumbuhan

(2)

409

signifikan, mencapai total nilai US$24,18 juta.

Angka ini mencerminkan peningkatan sekitar 69,86% dibandingkan dengan data ekspor pada tahun 2019. Pertumbuhan tanaman cabai atau hasil yang diharapkan terhadap tanaman cabai ketika musim panen tiba bergantung pada pemberian nutrisi yang dilakukan selama masa pertumbuhan tanaman cabai.

Belakangan ini hasil panen tanaman cabai sulit diketahui hasil buahnya, pemberian nutrisi yang tidak sesuai dengan porsinya mengakibatkan pertumbuhan tanaman cabai tidak sesuai dengan yang diharapkan, selain itu keadaan alam yang berubah-ubah serta serangan hama tanaman yang datang pada keadaan yang tidak diduga-duga mengakibatkan beberapa petani cabai menjadi gagal panen.

Pada penelitian sebelumnya, beberapa metode telah diterapkan, salah satunya adalah logika fuzzy. Logika fuzzy adalah pendekatan yang digunakan untuk mengonversi masukan ke dalam keluaran dengan nilai kontinu. Dalam logika fuzzy, nilai-nilai diklasifikasikan atau diungkapkan dalam bentuk derajat keanggotaan dan derajat kebenaran, sehingga memungkinkan sebuah pernyataan menjadi sebagian benar dan sebagian salah secara bersamaan [21]. Pemberian nutrisi yang tepat pada tanaman cabai dapat membuat hasil buah dari tanaman cabai tersebut sesuai dengan keinginan, penentuan pemberian nutrisi pada tanaman cabai dapat diterapkan sistem pendukung keputusan menggunakan metode logika fuzzy.

2. METODE PENELITIAN Jenis Penelitian

Penelitian ini merupakan penelitian yang bertujuan untuk melakukan prediksi terhadap hasil buah tanaman cabai berdasarkan pemberian nutrisi yang diberikan. Penelitian ini menggunakan metode fuzzy logic mamdani.

Fuzzy logic mamdani biasa digunakan pada sistem pengambilan keputusan atau juga sistem pakar [22], [23]. Fuzzy Inference System terbagi menjadi 3 metode yaitu Tsukamoto, Sugeno dan Mamdani [24].

Keunggulan dari metode fuzzy mamdani adalah tingkat spesifikasinya yang lebih tinggi.

Dalam prosesnya, metode fuzzy mamdani memberikan perhatian yang lebih besar terhadap kondisi yang akan terjadi pada setiap bagian dari wilayah fuzzy-nya, sehingga menghasilkan keputusan yang lebih akurat. Di sisi lain, terdapat kelemahan dalam metode fuzzy mamdani, termasuk bahwa metode ini hanya dapat diterapkan pada data yang bersifat kuantitatif dan tidak bisa digunakan pada data yang bersifat kualitatif [25].

Prosedur Kerja

Agar pelaksanaan penelitian ini dapat berjalan dengan baik dan hasil penelitian sesuai dengan yang diharapkan maka, maka dibuat diagram alir atau flowchart penelitian. Adapun flowchart penelitian dapat dilihat pada gambar berikut:

Gambar 1. Flowchat Penelitian 1. Studi Literatur dan Observasi

Studi literatur dilakukan dengan mengumpulkan referensi atau teori – teori terkait penelitian berupa jurnal, artikel, buku dan lain sebagainya yang menunjang penelitian.

Observasi merupakan pengamatan yang dilakukan terhadap objek penelitian yaitu tanaman cabai untuk dapat mengidentifikasi data yang akan digunakan.

(3)

410

2. Dataset

Dataset merupakan raw data atau data asli yang digunakan pada penelitian [26], data ini merupakan data yang dijadikan acuan untuk melakukan perhitungan dengan menggunakan metode fuzzy mamdani. Pada penelitian ini menggunakan dataset dengan beberapa variable yaitu variable volume penyiraman (ml) terhadap PH tanah, kelembaban tanah dan suhu udara (^oC).

Masing-masing data variable volume air didata berdasarkan perubahan variabel lainnya.

3. Pembentukan Himpunan Fuzzy

Langkah awal dalam prosedur Metode Fuzzy Mamdani adalah menciptakan himpunan fuzzy, yang juga disebut dengan proses fuzzifikasi [27]. Tindakan ini dilakukan karena input yang awalnya berupa angka konkret dari himpunan konkretnya. Himpunan fuzzy ini dibuat berdasarkan tingkat linguistiknya yang dikelompokkan dalam variabel fuzzy [28].

4. Aplikasi Fungsi Implikasi

Langkah kedua dalam proses Metode Fuzzy Mamdani adalah menerapkan fungsi implikasi. Fungsi implikasi digunakan untuk memahami kaitan antara premis-premis dengan hasil kesimpulannya [29].

5. Komposisi Aturan

Selanjutnya aturan komposit dibuat sebagai rangkuman keseluruhan dengan memanfaatkan tingkat keanggotaan maksimum dari setiap hasil yang diberikan oleh fungsi implikasi. Hal ini dilakukan dengan menggabungkan hasil dari semua peraturan yang ada, sehingga menghasilkan wilayah solusi fuzzy seperti yang dinyatakan sebagai berikut:

𝜇𝑆𝑓( )=𝑚𝑎𝑘𝑠{𝜇𝑃𝑚𝑡𝑆𝐸𝐷𝐴𝑁𝐺, 𝜇𝑃𝑠𝑑𝑆𝐸𝐷𝐼𝐾𝐼𝑇}

6. Defuzzifikasi

Tahapan akhir dalam prosedur Metode Fuzzy Mamdani adalah langkah defuzzifikasi.

Defuzzifikasi digunakan untuk mengkonversi nilai keanggotaan fuzzy menjadi keputusan spesifik atau nilai bilangan riil. Salah satu metode

yang digunakan adalah metode centroid, yang melibatkan penggabungan semua wilayah fuzzy hasil komposisi aturan untuk mencapai hasil optimal dan menentukan titik pusat wilayah fuzzy [30]:

7. Hasil Perhitungan

Hasil akhir dari perhitungan yang dilakukan menggunakan metode fuzzy logic mamdani untuk mengetahui prediksi hasil buah tanaman cabai berdasarkan pemberian nutrisi yang dilakukan.

3. HASIL DAN PEMBAHASAN

Berikut data-data yang diambil dan diamati langsung ditempat penelitian. Pada Tabel

1 adalah tabel data Kelembapan tanah, Temperatur, Volume Penyiraman, dan PH Tanah.

Tabel 1. Data Training Soil Moisture , Soil Temperature, Volume Penyiraman, PH Tanah Hasil Dan Pembahasan

Berikut adalah hasil dari simulasi analisis pemberian nutrisi dengan menggunakan logika fuzzy dan metode Mamdani (centroid). Simulasi ini dikembangkan dengan memanfaatkan Fuzzy Logic Toolbox yang dilengkapi dengan antarmuka pengguna grafis (Graphical User Interface/GUI), sehingga memungkinkan tampilan inferensi yang dapat dilihat pada gambar 2.

Dari 4 (empat) variabel yang digunakan , maka linguistiknya adalah sebagai berikut:

(a). Variabel Kadar Air, dibagi menjadi 3 himpunan fuzzy yaitu : rendah, normal, tinggi.

No Keterangan Range Pemberian Nutrisi Rendah Normal Tinggi

1 Soil

Moisture (%)

0 – 40 50 – 60 70 – 100

2 Soil

Temperatur (Celcius)

25 – 27 28 – 29 30 – 33 3 Volume

Penyiraman (ml)

180 – 190

195 201 – 210 4 PH Tanah 2 – 4 5 – 7 8 – 9

(4)

411

(b). Variabel Temperatur, dibagi menjadi 3 himpunan fuzzy yaitu : rendah, normal, tinggi.

(c). Variabel Ph Tanah, dibagi menjadi 3 himpunan fuzzy yaitu : rendah, normal, tinggi.

(d). Variabel Volume Penyiraman, dibagi menjadi 3 himpunan fuzzy yaitu : rendah, normal, tinggi.

Gambar 2. Tampilan Variabel dalam FIS

Berdasarkan data yang di peroleh maka dilakukan pemetaan sebagai berikut :

1. Variabel Kadar Air, dibagi menjadi 3 himpunan fuzzy yaitu rendah, normal,tinggi.

Range nilai untuk variabel Kadar Air antara 0 – 100 dijelaskan sebagai berikut : (a) Rendah : 0 – 40, (b) Normal : 50 – 60, (c) Tinggi : 70 – 100.

Gambar 3. Variabel Kadar Air

Pada gambar diatas menunjukkan sebuah grafik variabel Kadar air yang mempunyai range nilai 0 – 100, setiap nilai linguistik dari variabel Kadar air seperti rendah, normal, dan tinggi mempunyai

nilai fuzzy-fikasi yang berbeda-beda. Dengan fungsi keanggotaan sebagai berikut :

𝜇𝑅𝑒𝑛𝑑𝑎ℎ (𝑥)

= {

0 ; x ≥ 70 70 - x

70 - 40 ; 40 ≤ x ≤ 70 1 ; x ≤ 40

(1)

𝜇𝑁𝑜𝑟𝑚𝑎𝑙 (𝑥)

= {

0 ; 𝑥 ≤ 40 𝑜𝑟 𝑥 ≥ 70 𝑥 − 40

60 − 40 ; 40 ≤ 𝑥 ≤ 60 70 − 𝑥

70 − 60 ; 60 ≤ 𝑥 ≤ 70

(2)

𝜇𝑇𝑖𝑛𝑔𝑔𝑖 (𝑥)

= {

0 ; 𝑥 ≤ 60 𝑥 − 60

70 − 60 ; 60 ≤ 𝑥 ≤ 70 1 ; 𝑥 ≥ 70

(3)

2. Variabel Temperatur, dibagi menjadi 3 himpunan fuzzy yaitu rendah, normal, tinggi.

Range nilai untuk variabel Temperatur antara 25 – 33 dijelaskan sebagai berikut : (a) Rendah : 25 – 27, (b) Normal : 28 – 29, (c) Tinggi : 30 – 33

Gambar 4. Variabel Temperatur

Pada gambar diatas menunjukkan sebuah grafik variabel Temperatur yang mempunyai range nilai 25 – 33, setiap nilai linguistik dari variabel Temperatur seperti rendah, normal, dan tinggi mempunyai nilai fuzzy-fikasi yang berbeda-beda.

Dengan fungsi keanggotaan sebagai berikut : 𝜇𝑅𝑒𝑛𝑑𝑎ℎ (𝑥)

= {

0 ; x ≥ 30 30 - x

30 - 27 ; 27 ≤ x ≤ 30 1 ; x ≤ 27

(4)

(5)

412

= {

0 ; 𝑥 ≤ 27 𝑜𝑟 𝑥 ≥ 30 𝑥 − 27

29 − 27 ; 27 ≤ 𝑥 ≤ 29 30 − 𝑥

30 − 29 ; 29 ≤ 𝑥 ≤ 30

(5)

= {

0 ; 𝑥 ≤ 29 𝑥 − 29

30 − 29 ; 29 ≤ 𝑥 ≤ 30 1 ; 𝑥 ≥ 30

(6)

3. Variabel PH tanah, dibagi menjadi 3 himpunan fuzzy yaitu rendah, normal, tinggi. Range nilai untuk variabel PH tanah antara 2 – 9 dijelaskan sebagai berikut : (a) Rendah : 2 – 4, (b) Normal : 5 – 7, (c) Tinggi : 8 – 9

Gambar 5. Variabel Ph tanah

Pada gambar diatas menunjukkan sebuah grafik variabel PH tanah yang mempunyai range nilai 2 – 9, setiap nilai linguistik dari variabel PH tanah seperti rendah, normal, dan tinggi mempunyai nilai fuzzyfikasi yang berbeda-beda. Dengan fungsi keanggotaan sebagai berikut :

= {

0; 𝑥 ≥ 8 8 − 𝑥

8 − 2; 2 ≤ 𝑥 ≤ 8 1; 𝑥 ≤ 2

(7)

= {

0; 𝑥 ≤ 2 𝑜𝑟 𝑥 ≥ 8 𝑥 − 2;

5 − 2 2 ≤ 𝑥 ≤ 5 8 − 𝑥

8 − 5 5 ≤ 𝑥 ≤ 8

(8)

= {

0; 𝑥 ≤ 2 𝑥 − 2

8 − 2; 2 ≤ 𝑥 ≤ 8 1; 𝑥 ≥ 8

9)

4. Variabel Volume penyiraman, dibagi menjadi 3 himpunan fuzzy yaitu rendah, normal, tinggi.

Range nilai untuk variabel Volume penyiraman antara 180 – 210 dijelaskan sebagai berikut : (a) Rendah : 180 – 190, (b) Normal : 195, (c) Tinggi : 201 – 210

Gambar 6. Variabel Volume Penyiraman Pada gambar diatas menunjukkan sebuah grafik variabel volume penyiraman yang mempunyai range nilai 180 – 210, setiap nilai linguistik dari variabel volume penyiraman seperti rendah, normal, dan tinggi mempunyai nilai fuzzyfikasi yang berbeda-beda. Dengan fungsi keanggotaan sebagai berikut :

= {

0; 𝑥 ≥ 201 201 − 𝑥

201 − 180; 180 ≤ 𝑥 ≤ 201 1; 𝑥 ≤ 180

10)

= {

0 ; 𝑥 ≤ 180 𝑜𝑟 𝑥 ≥ 201 𝑥 − 180

195 − 180 ; 180 ≤ 𝑥 ≤ 195 201 − 𝑥

201 − 195 ; 195 ≤ 𝑥 ≤ 201

(11)

(6)

413

= {

0; 𝑥 ≤ 180 𝑥 − 180

201 − 180; 180 ≤ 𝑥 ≤ 201 1; 𝑥 ≥ 201

(12)

5. Menentukan Rule yang Digunakan

Berdasarkan data variabel tersebut didapat rule yang akan digunakan yaitu :

(R1). If (Kdr_air is Rendah) and (Temperatur is Tinggi) and (Ph_tanah is Rendah) then (Vlm_penyiraman is Tinggi)

(R2). If (Kdr_air is Rendah) and (Temperatur is Normal) and (Ph_tanah is Normal) then (Vlm_penyiraman is Tinggi)

(R3). If (Kdr_air is Rendah) and (Temperatur is Tinggi) and (Ph_tanah is Tinggi) then (Vlm_penyiraman is Tinggi)

(R4). If (Kdr_air is Normal) and (Temperatur is Rendah) and (Ph_tanah is Rendah) then (Vlm_penyiraman is Normal)

(R5). If (Kdr_air is Normal) and (Temperatur is Normal) and (Ph_tanah is Normal) then (Vlm_penyiraman is Normal)

(R6). If (Kdr_air is Normal) and (Temperatur is Tinggi) and (Ph_tanah is Tinggi) then (Vlm_penyiraman is Tinggi)

(R7). If (Kdr_air is Tinggi) and (Temperatur is Rendah) and (Ph_tanah is Rendah) then (Vlm_penyiraman is Rendah)

(R8). If (Kdr_air is Tinggi) and (Temperatur is Normal) and (Ph_tanah is Normal) then (Vlm_penyiraman is Normal)

(R9). If (Kdr_air is Tinggi) and (Temperatur is Tinggi) and (Ph_tanah is Tinggi) then (Vlm_penyiraman is rendah)

Gambar 7. Proses Inferensi Fuzzy Mamdani untuk Mengukur Volume Pemberian Nutrisi Gambar 7 merupakan tampilan simulasi proses inferensi fuzzy mamdani untuk mengukur pemberian volume nutrisi. Pada gambar tersebut saat dilakukan proses testing dengan memberikan nilai variabel input kadar air sebesar 35.6 pada temperatur 30.8 dengan PH tanah 3.7 maka volume penyiraman seberar 204, nilai volume penyiraman sebesar 204 ini adalah termasuk kondisi penyiraman volume tinggi. Proses testing ini dilakukan dengan beberapa kondisi perubahan pada masing-masing nilai variabel input sehingga didapatkan tabel hasil analisis pemberian nutrisi seperti pada tabel 2 dibawah ini

Tabel 2. Hasil Analisis Pemberian Nutrisi

N o.

Input Output

Keteran gan Kad

ar Air

Temper atur

PH Tan ah

Volume Penyira man

1 35,6 30,8 3,7 204 Tinggi

2 36,6 29 7,76 203 Tinggi

3 30,4 33,6 8,91 204 Tinggi

4 55,2 27 2,86 195 Normal

5 58,2 28 6,93 197 Normal

6 59,3 33 9 204 Tinggi

7 88,1 26,8 2,24 186 Rendah 8 79,9 28,8 6,93 195 Normal

9 84 32,9 8,8 186 Rendah

4. KESIMPULAN

Analisis volume pemberian nutrisi dengan menggunakan metode Fuzzy Logic Mamdani memberikan output volume penyiraman pada 3 kondisi yaitu tinggi, rendah

(7)

414

dan normal. Pada proses data testing kecenderungan volume penyiraman pada kondisi tinggi dengan volume penyiraman sebesar 200.

Pada variable input keadaan perubahan nilai kelembapan tanah memberikan perubahan yang signifikan terhadap volume penyiraman, dibandingkan dengan temperatur dan PH tanah.

5. REFERENSI

[1] Edric and S. P. Tamba, “Prediksi Penyakit Gagal Jantung Dengan Menggunakan Random Forest,” J. Sist. Inf. dan Ilmu Komput. Prima(JUSIKOM PRIMA), vol.

5, no. 2, pp. 176–181, 2022, doi:

10.34012/jurnalsisteminformasidanilmuk omputer.v5i2.2445.

[2] W. Purba, S. Tamba, and J. Saragih, “The effect of mining data k-means clustering toward students profile model drop out potential,” J. Phys. Conf. Ser., vol. 1007, no. 1, p. 12049, 2018, [Online]. Available:

http://stacks.iop.org/1742- 6596/1007/i=1/a=012049

[3] S. P. Tamba, A. W. Tan, Y. Gunawan, and ..., “Penerapan Data Mining Untuk Pembuatan Paket Promosi Penjualan Menggunakan Kombinasi Fp-Tree Dan Tid-List,” … (Teknik Inf. dan …, vol. 4, 2021.

[4] S. S. Sitanggang, S. Defit, and M.

Ramadhan, “Analisis Optimasi Fungsi Pelatihan Machine Learning Neural Network dalam Peramalan Kemiskinan,”

J. Edukasi dan Penelit. Inform., vol. 7, no.

3, p. 359, Dec. 2021, doi:

10.26418/jp.v7i3.50092.

[5] S. S. Sitanggang, Y. Yuhandri, and Adil Setiawan, “Image Transformation With Lung Image Thresholding and Segmentation Method,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 7, no. 2, pp. 278–285, Mar. 2023, doi:

10.29207/resti.v7i2.4321.

[6] S. Sonang, A. T. Purba, and S. Sirait,

“PREDIKSI PRESTASI MAHASISWA

DENGAN MENGGUNAKAN

ALGORITMA BACKPROPAGATION,”

J. Tek. Inf. dan Komput., vol. 5, no. 1, p.

67, Jun. 2022, doi:

10.37600/tekinkom.v5i1.512.

[7] S. Sirait et al., “Selection of the Best Administrative Staff Using Elimination Et Choix Traduisant La Realite (ELECTRE) Method,” J. Phys. Conf. Ser., vol. 1933, no. 1, p. 012068, Jun. 2021, doi:

10.1088/1742-6596/1933/1/012068.

[8] V. Sihombing, V. M. M. Siregar, W. S.

Tampubolon, M. Jannah, Risdalina, and A. Hakim, “Implementation of simple additive weighting algorithm in decision support system,” IOP Conf. Ser. Mater.

Sci. Eng., vol. 1088, no. 1, p. 012014, Feb.

2021, doi: 10.1088/1757- 899X/1088/1/012014.

[9] V. Sihombing et al., “Additive Ratio Assessment (ARAS) Method for Selecting English Course Branch Locations,” J. Phys. Conf. Ser., vol. 1933, no. 1, p. 012070, Jun. 2021, doi:

10.1088/1742-6596/1933/1/012070.

[10] Y. Wahyudin and D. N. Rahayu, “Analisis metode pengembangan sistem informasi berbasis website : a literatur review,” J.

Interkom J. Publ. Ilm. Bid. Teknol. Inf.

dan Komun., vol. 15, no. 3, pp. 26–40, 2020.

[11] S. D. A. Fadillah, T. S. A. Zulaikha, and T. Y. Ilhami, “Peran dan Manfaat Implementasi Information Technology (IT) dalam Audit Internal,” E-Prosiding Natl. Semin. Accounting, Financ. Econ., vol. 1, no. 1, 2021.

[12] V. Marudut, M. Siregar, K. Sinaga, E.

Sirait, A. S. Manalu, and M. Yunus,

“Classification of Customer Satisfaction Through Machine Learning : An Artificial Neural Network Approach,” IOTA, vol.

03, no. 3, pp. 273–282, 2023, doi:

10.31763/iota.v3i3.643.

[13] V. Marudut and M. Siregar, “Best Employee Selection Using The Additive Ratio Assesment Method,” vol. 03, 2023, doi: 10.31763/iota.v3i1.589.

(8)

415

[14] V. M. M. Siregar and E. D. Siringo-Ringo,

“Decision Support System to Determine Scholarship Recipients using Analytical Hierarchy Process Method,” COSTA J.

(Computer Sci. Technol. Appl. Journal), vol. 1, no. 1, pp. 39–49, 2023, doi:

10.35335/idss.v4i2.67.

[15] H. Sugara, V. M. M. Siregar, K. Sinaga, M. A. Hanafiah, and H. D. Pardede,

“SAW and Electre Methods Implementation for Scholarship Awardee Decision,” IOTA, vol. 01, no. 4, pp. 209–

220, 2021, doi: 10.31763/iota.v1i4.496.

[16] Yan Piter Basman Ziraluo & Markus Duha, “DIVERSITY STUDY OF FRUIT PRODUCER PLANT IN NIAS ISLANDS,” Med. J. Tabriz Univ. Med.

Sci. Heal. Serv., vol. 42, no. 1, 2020.

[17] R. Oktavianti, Maizar, and Rosmaina,

“APLIKASI PCR (Polimerase Chain Reaction) MENGGUNAKAN PRIMER SPESIFIK UNTUK MENDETEKSI CABAI YANG TOLERAN TERHADAP KEKERINGAN,” JUATIKA J. Agron.

Tanam. Trop., vol. 1, no. 2, 2019.

[18] F. Tarbiyah and D. Keguruan,

“PERTUMBUHAN VEGETATIF

TANAMAN CABAI MERAH

(Capsicum annum L.) SECARA HIDROPONIK DENGAN NUTRISI PUPUK ORGANIK CAIR DARI KOTORAN KAMBING SKRIPSI Diajukan untuk Melengkapi Tugas-tugas dan Memenuhi Syarat-syarat guna Memperoleh Gelar Sarjana Pendidikan (S.Pd.) dalam Ilmu Pendidikan Biologi Oleh DWI SETIA WATI NPM : 1311060072 Jurusan : Pendidikan Biologi.”

[19] E. Suwandana, R. Rugayah, A. Ardian, and N. Sa’diyah, “KERAGAMAN DAN

HERITABILITAS KARAKTER

VEGETATIF CABAI MERAH

(Capsicum annum L.) VARIETAS LARIS GENERASI M2 HASIL IRADIASI SINAR GAMMA,” J. Agrotek Trop., vol. 8, no. 3, 2020, doi:

10.23960/jat.v8i3.4453.

[20] F. Nurul Laili, T. Kurniastuti, and P.

Puspitorini, “RESPON

PERTUMBUHAN DAN HASIL

TANAMAN CABAI MERAH

KERITING (Capsicum annum Var.

Longun L.) TERHADAP PEMBERIAN DOSIS PUPUK NPK DAN BOKASHI,”

VIABEL J. Ilm. Ilmu-Ilmu Pertan., vol.

14, no. 1, 2020, doi:

10.35457/viabel.v14i1.999.

[21] A. Ulfah and T. Syahar, “Penerapan Metode Fuzzy Sugeno Untuk Optimasi Penggunaan Bandwidth.”

[22] A. Sianipar and K. Handoko,

“IMPLEMENTASI FUZZY LOGIC UNTUK SORTASI BUAH TOMAT SECARA OTOMATIS,” J. COMASIE, vol. 3, no. 2, 2020.

[23] Siswaya, Sunardi, and A. Yudhana,

“Sistem Pakar Sebagai Pengendali Lampu Lalu-Lintas Pada Persimpangan Jalan Menggunakan Fuzzy Logic Berbasis Android,” Pros. SNST, vol. 9, 2018.

[24] E. R. Y. SAHULATA, H. J. Wattimanela, and M. S. Noya Van Delsen,

“PENERAPAN FUZZY INFERENCE SYSTEM TIPE MAMDANI UNTUK MENENTUKAN JUMLAH PRODUKSI

ROTI BERDASARKAN DATA

JUMLAH PERMINTAAN DAN

PERSEDIAAN (STUDI KASUS PABRIK CINDERELA BREAD HOUSE DI KOTA AMBON),” BAREKENG J.

Ilmu Mat. dan Terap., vol. 14, no. 1, 2020, doi: 10.30598/barekengvol14iss1pp079- 090.

[25] M. N. Halim, A. Zarkasih, A. D. Nastiti, I.

Komputer, U. Sriwijaya, and A. P.

Parkinson, “Implementasi Logika Fuzzy Pada Sendok Makan Penderita Parkinson,” J. Ilmu Komput. dan Teknol.

Inf. Univ. Sriwij., vol. 12, no. 1, 2020.

[26] K. Saputra, M. U. H. Al Rasyid, and M. Z.

S. Hadi, “Deteksi Kebocoran Pipa Air Menggunakan Machine Learning dengan

(9)

416

Jaringan Nirkabel IEEE 802.15.4,”

INOVTEK Polbeng - Seri Inform., vol. 7, no. 1, 2022, doi: 10.35314/isi.v7i1.2360.

[27] F. Hafizh, Y. Maulita, and H. Khair,

“Penerapan Logika Fuzzy Logic Pada Enemy Ai Game Horor 3D the Gate of Nightmare Menggunakan Aplikasi Unity3D,” Jikstra, vol. 02, no. 02, 2020.

[28] G. F. Fitriana, “Optimasi Performansi Pengendalian Robot Swarm menggunakan Logika Fuzzy Tipe 2- Particle Swarm Optimazation,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 3, 2021, doi:

10.29207/resti.v5i3.3194.

[29] M. M. F. Fatori, “Aplikasi IoT Pada Sistem Kontrol dan Monitoring Tanaman Hidroponik,” J. Pendidik. Sains dan Komput., vol. 2, no. 02, 2022, doi:

10.47709/jpsk.v2i02.1746.

[30] D. R. Setiawan, K. Kustanto, and Y. R. W.

Utami, “PENENTUAN JUMLAH PRODUKSI BAJU BATIK DI BATIK MERAK MANIS DENGAN METODE FUZZY MAMDANI,” J. Teknol. Inf. dan Komun., vol. 7, no. 1, 2019, doi:

10.30646/tikomsin.v7i1.417.