TUGAS 2 LOGIKA FUZZY

[REVIEW] FUNGSI KEANGGOTAAN HIMPUNAN FUZZY- REPRESENTASI KURVA LINEAR, KURVA SEGITIGA, KURVA TRAPESIUM DAN KURVA LONCENG BETA

Assalamulaikum wr,wb.

Hiiii teman-teman. Dapet lagi ini tugas kedua untuk mata kuliah logika fuzzy dari dosen kita ibu kurnia. Kali ini tugasnya masih sama kayak yang kemaren sih [meriview] tapi kali ini kita meriview [kurva] yang telah dipelajari minggu kemarin diperkuliahan. kelompok kita juga dapat tambahan review satu kurva lagi yaitu kurva lonceng beta. Untuk lebih memahami tugas minggu lalu kami telah meriviewnya sedimikian rupa, semoga dapat dipahami dengan mudah ya.. J

Apa itu Fungsi Keanggotaan ?

Fungsi keanggotaan (membership function) adalah suatu fungsi yang menunjukkan pemetaan titik titik input data ke dalam nilai keanggotaannya.

Untuk lebih paham lagi kita langsung coba jelaskan langsung dengan contohnyaa yah. Pertama - tama untuk membuat fungsi keanggotaan yang kita lakukan adalah mementukan beberapa semacam syaratnya terlebih dahulu seperti dibawah ini :

1. Variabel Fuzzy
   Disini kita pilih variabel apa yang akan kita bahas, misalnya “Lingkar Pinggang”
   
2. Himpunan Fuzzy
   
   Himpunan Fuzzyadalah himpunan yang tiap elemennya mempunyai derajat keanggotaan tertentu terhadap himpunannya.Didalam himpunan fuzzy terdapat dua atribut linguistik dam numeris, Atribut linguistik adalah penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami. Sedangkan atribut numeris adalah suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel.
   
   Contoh : Kecil, Sedang dan Besar
   
3. Himpunan Semesta
   
   Himpunan fuzzy yaitu suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Contohnya: Kecil, Sedang dan Besar pada lingkar pinggang. Sedangkan semesta adalah aitu keseluruhan nilai yang diperoleh untuk dioperasikan dalam suatu variabel fuzzy, semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri kekanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya.
   
   Contoh : semesta pembicaraan untuk variabel lingkar pinggang [61 86]
   
4. Domain
   
   Domain adalah keseluruhan nilai yang diijinkan dan boleh dioperasikan dalam suatu himpunan fuzzy.
   
   Contoh :
   

   
   

      Kecil [61  68,5]

   
   

      Sedang [71  78,5]

                  Besar [81  86]
   
5. Representasi Linear
   
   Terdapat tiga representasi yang sederhana dan sering digunakan dalam analisis himpunan fuzzy, yakni representasi secara linier, segitiga, dan trapesium. Dalam representasi linier, memetakan input crisp ke derajat keanggotaannya dapat digambarkan sebagai suatu garis lurus. Terdapat dua keadaan himpunan fuzzy yang linier.
   

Nah ini nih beberapa kurva yang akan kita review ditugas kali ini, yuk kita sama - sama belajar beberapa kurva yang kita review beserta contohnya...

1. Kurva Linear
   Ada dua representasi linier, yakni representasi linier naik dan representasi linier turun. Representasi linier naik, yaitu kenaikan himpunan fuzzy dimulai dari daerah grafik yang memiliki nilai keanggotaan nol [0.0], yang selanjutnya bergerak ke kanan menuju ke nilai derajat keanggotaan yang lebih tinggi. Gambar berikut ini menunjukkan himpunan fuzzy naik.
   
   
   
   
   
   
Selain itu terdapat pula representasi linier turun, yaitu garis lurus yang dimulai dari nilai pada daerah dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak turun ke nilai pada daerah yang memiliki derajat keanggotaan lebih rendah. Gambar berikut ini menunjukkan himpunan fuzzy turun.



Contoh :
   Representasi linear naik ukuran lingkar pinggang
                     Kecil [61  68,5]                       Sedang [71  78,5]                    Besar [81  86]



Kemudian hitung derajat keangootaan masing-masing dengan rumus :
           

μ [x]  = (x-a) / (b-a)

          - Domain lingkar pinggang kecil
              
μ [62]  = (62-60) / (68,5-61)
= 2/7,5
                                    = 0,27
- Domain lingkar pinggang sedang

             μ [74]  = (74-71) / (78,5-71)

                         = 3/7,5
                         = 0,4

- Domain lingkar pinggang besar
           
            μ [85]  = (85-81) / (86-81)

                        = 4/5

            = 0,8

2. Kurva Segitiga
   Representasi segitiga, pada dasarnya adalah gabungan antara dua representasi linier naik dan turun. Gambar dibawah akan menunjukkan representasi himpunan fuzzy segitiga.
   
   
   
   Contoh :
                  Domain =      Sejuk [15  25]             Normal [20  30]        Hangat [25  35]

   
   

                Misalnya kita ambil nilai x adalah 21. Nilai 21 berada diantara a dan b. Maka menggunakan rumus :

   
   

   μ [x]  = (x-a) / (b-a)
   
   

              - Domain umur muda
   

   μ [21]  = (21-15) / (25-15)

   
   

   = 6/10

                                       = 0,6
   
3. Kurva Trapesium
   Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan satu. Adapun persamaan untuk kurva trapesium ini adalah:
   
   
   
   Contoh :
                 Domain : Sejuk [15  25]   Normal [20  30]    Hangat [25  35]    Panas [30  40]

   

          Disini misalnya kita ambil nilai x untuk kategori normal adalah 28. Maka kita akan menggunakan rumus :

   
   
   

   μ [x]  = (d-x) / (d-c)
   
   

             - Domain suhu
   

   μ [28]  = (27-28) / (35-27)

   
   

   = 1/8

                                       = 0,125

   
   
   
   
4. Kurva Lonceng Beta
   Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng namun lebih rapat. Kurva ini juga didefinisikan dengan 2 parameter, yaitu nilai pada domain yang menunjukkan pusat kurva (γ), dan setengah lebar kurva (β) . Nilai kurva untuk suatu nilai domain x, diberikan sebagai:
   
   
   
   Contoh :
                  Fungsi himpunan untuk parobaya pada variabel umur dengan domain :
   
   

   Parobaya [35  55]
   
   
   
   Kita misalkan x nya adalah 41 dan 53.                        Maka kita hitung dengan menggunkaan rumus seperti diatas :
   
   μ [41]  = 1/(1+((41-45)/5²)
               = 0,61
   μ [53]  = 1/(1+((53-45)/5²)
               =  0,28
   
              Jadi, didapatlah derajat keanggotaan untuk x 41 adalah 0,61 dan x 53 adalah 0,28.
   

Sekian duluu yaah man-teman pembahasan tugas kali ini, kayanya bakal ada lagi diminggu yang akan datang. Tetap semangat. Dan terimakasih sudah membaca J

References : http://www.zalora.co.id/womens-size

Posted by :

Ezy Claudia Nivsky   (G1A012026)

Helsi Tia Vermala    (G1A012048)

Eno Rahmandha        (G1A012070)

TUGAS 1 LOGIKA FUZZY

REVIEW

SISTEM PENDUKUNG KEPUTUSAN SELEKSI PENERIMAAN SISWA BARU DENGAN METODE FUZZY MULTI ATTRIBUTE DECISION MAKING MODEL YAGER (STUDI KASUS: SMP IT IQRA BENGKULU)

Hi, readers... 

Kami kelompok 12 yang beranggotakan Ezy Claudia Nivsky, Helsi Tia Vermala dan Eno Rahmandha kali ini akan membahas tentang skripsi dari kakak tingkat kami di Teknik Informatika Universitas Bengkulu yaitu mbak Ryza Cahya Utami Putri. Judul skripsinya adalaaaaaah "Sistem Pendukung Keputusan Seleksi Penerimaan Siswa Baru Dengan Metode Fuzzy Multi Attribute Decision Making Model Yager (Studi Kasus: SMP IT IQRA Bengkulu)". 

Sebelum kita bahas tentang skripsinya kita bahas dulu apa itu Logika Fuzzy?  kata Fuzzy merupakan kata sifat yang berarti kabur, tidak jelas. Fuzziness atau kekaburan atau ketidakjelasan atau ketidakpastian selalu meliputi keseharian manusia. Sedangkan Fuzzy Multi Atribut Decision Making (FMADM) Model Yager adalah adalah suatu bentuk model pendukung keputusan yang memperhatikan bahwa suatu alternatif terbaik adalah memiliki nilai diatas rata-rata dari alternatif yang dibandingkan.

Latar Belakang Skripsi....

SMP IT IQRA Bengkulu adalah sekolah yang jumlah pendaftar setiap tahunnya selalu meningkat terlihat dari tahun-tahun sebelumnya. Nah hal ini lah yang menyebabkan panitia Penerimaan Siswa Baru sulit untuk mengelola semuanya dengan baik dan merasa kewalahan menangani hal tersebut.

Karena semua proses seleksi penerimaan siswa baru di SMP IT IQRA masih dilakukan secara manual sehingga dianggap kurang optimal dan memerlukan waktu yang cukup lama, padahal idealnya penyeleksian calon siswa tersebut harus ditentukan secepat mungkin untuk mendukung sistem yang lainnya.

Berdasarkan hal-hal itulah, penulis skripsi melakukan penelitian terhadap kebutuhan seleksi penerimaan siswa baru untuk memperoleh tolak ukur pembangunan sebuah sistem pendukung keputusan seleksi penemrimaan siswa baru. Aplikasi ini  berupa sistem pendukung keputusan, yang bertujuan memberikan dukungan atas petimbangan manajer tanpa harus menggantikan fungsi manajer. Pada penelitian, sistem bertujuan memberikan dukungan terhadap pihak sekolah dalam menentukan kelulusan seleksi calon siswa baru disekolah tersebut.

Metode yang digunakan..

Penulis menggunakan metode Fuzzy Multi Attribute Decision (FMADM) Yager sebagai alat bantu proses seleksi yang sebelumnya dilakukan secara manual. Metode  FMADM Yager memberikan kontribusi sebagai model hitung seleksi yang melibatkan pendaftar sebagai alternative pilihan berdasarkan atribut penilaian dan nilai kepentingannya. Inti dari metode FMADM ini adalah menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perangkingan yang akan menyeleksi alternatif yang sudah diberikan.

Pembahasan..

Pada pembuatan Sistem Pendukung Keputusan Penerimaan Siswa baru yang dibuat oleh mbak ryza ini menggunakan metode FMADM Yager dibutuhkan beberapa data, yaitu data tahun ajaran, data penilai, data peserta, data atribut atau kriteria yang diujikan dan standar penilaian yang akan dilakukan. Berdasarkan penelitian yang telah dilakukan, terdapat beberapa prosedur atau tahapan dalam mendapatkan hasil akhir berupa perangkingan alternatif. Pada sistem di skripsi ini, proses pertama yang dilakukan adalah proses fuzzifikasi data input yang dilanjutkan dengan melakukan perhitungan fuzzy model yager.

Rentang penilaian yang digunakan pada kasus ini adalah 0 – 100, dan standar penilaian yang digunakan adalah tidak baik, kurang baik, cukup baik, baik dan sangat baik. Tahap terakhir adalah melakukan perangkingan dengan mengurutkan dari nilai terbesar sehingga diperoleh hasil seleksi yang nantinya akan direkomendasikan ke pengambil keputusan. Fuzzy Multiple Attribute Decision Making (FMADM) model Yager ini untuk menetapkan alternatif terbaik berdasarkan beberapa kriteria tertentu. Sistem akan memastikan seluruh data awal yang dibutuhkan telah tersedia, kemudian menggunakan metode FMADM model Yager data akan diolah dan menghasilkan alternatif terbaik dalam memilih siswa baru di SMP IT IQRA Bengkulu.

Posted by :

Ezy Claudia Nivsky (G1A012026)

Helsi Tia Vermala    (G1A012048)

Eno Rahmandha       (G1A012070)