Anda di halaman 1dari 20

PENERAPAN FUZZY INFERENCE SYSTEM (FIS) TSUKAMOTO DALAM MENGANALISA TINGKAT RESIKO PENYAKIT POLIP HIDUNG

Nama NIM Program Studi Jurusan Fakultas Dosen Pembimbing Dosen Pengampu

: Nia Permatasari : 09221043 : Matematika : Tadris MIPA : Tarbiyah IAIN Raden Fatah Palembang : Gusmelia Testiana, M. Kom. : Agustiany Dumeva Putri, M.Si.

Abstrak Berbagai jenis penyakit dapat kita temukan didalam dunia kesehatan. Seorang dokter berperan sebagai seorang ahli yang menganalisa jenis dan tingkat resiko dari penyakit yang diderita oleh pasiennya. Adapun penganalisaan tersebut bisa berdasarkan gejala-gejala yang menjadi keluhan oleh pasien. Gejala merupakan suatu unsur penting dalam menentukan seorang pasien mengidap penyakit tertentu. Dalam kehidupan nyata, dokter akan menanyakan gejala-gejala pada pasiennya sebelum ia mendiagnosa jenis penyakit yang diderita oleh sang pasien. Ada beberapa gejala penyakit yang dianggap biasa karena gejala-gejalanya tidak terlalu dianggap berbahaya dan sering dialami oleh penderita penyakit biasa. Seperti pilek, hidung buntu dsb ini merupakan gejala penyakit flu biasa, namun jika frekuensinya sudah melebih kadar flu biasa, bisa jadi gejala-gejala ini menunjukan penyakit Polip Hidung yang cukup berbahaya bila tidak ditangani. Dalam mendiagnosa jenis penyakit dan menganalisa tingkat resiko penyakit tersebut , seorang dokter kan menganalisanya melalui gejala-gejala dan keluhan yang disampaikan oleh pasiennya. Namun untuk mendukung keputusan yang diambil oleh seorang dokter dalam mendiagnosa suatu penyakit, maka sangat dibutuhkan Fuzzy Inference System (FIS) Tsukomoto dalam memperkuat keputusan seorang dokter. Dengan logika fuzzy, proses diagnosa penyakit dalam dapat dianalisa dengan Fuzzy Inference System dengan metode Tsukamoto. Input yang dibutuhkan adalah gejala-gejala klinis yang dialami oeh pasien. Basis pengetahuan dibangun dengan menggunakan kaidah produksi (IF-THEN). predikat yang diperoleh pada setiap aturan fuzzy untuk setiap penyakit pada basis pengetahuan, kemudian dikomposisikan dengan menggunakan rata-rata terbobot. Hasil dari rata-rata terbobot ini merupakan output tingkat resiko peyakit polip hidung yang diderita oleh pasien. Kata kunci: Logika fuzzy, Fuzzy Inference System, Metode Tsukamoto

BAB I PENDAHULUAN

1.1 Latar Belakang


Beberapa gejala penyakit seperti hidung buntu, pilek, sakit kepala dan sering mimisan merupakan gejala-gejala penyakit flu biasa yang sering kita temukan. Namun, jika frekuensi atau tingkat rasa sakitnya sudah melebihi batas gejala flu biasa, maka dapat kita analisa apakah ini merupakan gejala penyakit polih hidung yang merupakan penyakit hidung lainnya dengan intensiatas gejala yang berbeda. Penyakit adalah sekumpulan informasi yang terdiri dari berbagai macam gejala-gejala yang terjadi pada makhluk hidup. Seorang dokter berperan sebagai pakar atau ahli dalam memberikan informasi kepada pasien mengenai penyakit yang dideritanya berdasarkan gejala-gejala yang dialami oleh si pasien. Penggunaan fuzzy ditujukan untuk membedakan nilai prosentase antara suatu gejala dengan penyakit lainnya. Misalnya seorang sakit demam, maupun sakit kepala mempunyai gejala yang sama yakni sakit pada bagian kepala, yang membedakan sakit pada bagian kepala terhadap kedua penyakit di atas adalah intensitas dan frekuensi serangan gejala tersebut dan gejala-gejala susulan yang menyerang pada kedua penyakit. Seorang dokter membutuhkan analisa yang tajam dalam menganalisa tingkat resiko suatu penyakit. Penerapan fuzzy inference system (fis) tsukamoto

dalam menganalisa tingkat resiko penyakit sangat dibutuhkan untuk membantu


para pekerja klinis dalam mengambil keputusan. Pada sistem ini, karakteristik dari data pasien akan dicocokkan dengan pengetahuan-pengetahuan yang ada pada basis pengetahuan.

1.2 Rumusan Masalah Bagaimana penerapan fuzzy inference system menggunakan metode tsukamoto dalam menganalisa tingkat resiko penyakit polip hidung melalui gejala-gejala yang dialami oleh si pasien?

1.3 Batasan Masalah Adapun batasan masalah yang akan dibahasan pada makalah ini adalah sebagai berikut: 1.) Aplikasi Fuzzy Inference System menggunakan metode Tsukamoto 2.) Gejala-Gejala yang dibahas pada hanya hidung tersumbat/buntu dan hidung mimisan

1.4 Tujuan Adapun tujuannya adalah: 1.) Mengimplementasikan fuzzy inference sistem dengan metode Tsukamoto, dalam menganalisa tingkat resiko penyakit polip hidung melalui gejalagejala yang dialami oleh si pasien 2.) Selain itu, diharapkan dapat membantu para dokter dan pekerja medis dalam mengidentifikasi penyakit pasiennya berdasarkan gejala-gejala yang diberikan oleh si pasien.

BAB II KAJIAN PUSTAKA

2.1 Polip Hidung 2.1.1 Anatomi fisiologi Menurut Drs.H.Syaifuddin hidung atau naso atau nasal merupakan saluran udara yang pertama,mempunyai dua lubang (kavum nasi), dipisahkan oleh sekat hidung (septum nasi). Di dalamnya terdapat bulubulu yang berguna untuk menyaring udara, debu dan kotoran yang masuk ke dalam lubang hidung. Bagian-bagian dari hidung adalah sebagai berikut: a. b. c. Bagian luar dinding terdiri dari kulit. Lapisan tengah terdiri dari otot-otot dan tulang rawan. Lapisan dalam terdiri dari selaput lendir yang berlipat lipat yang dinamakan karang hidung (konka nasalis),yang berjumlah 3 buah: 1. Konka nasalis inferior (karang hidung bagian bawah) 2. Konka nasalis media (karang hidung bagian tengah) 3. Konka nasalis superior (karang hidung bagian atas)

2.1.2

Definisi

1. Definisi Hidung menurut Syaifuddin Hidung adalah saluran udara yang pertama mempunyai dua lubang (kavum nasi), dipisahkan oleh sekat hidung (septum nasi)

(Syaifuddin,2006). 2. Definisi Polip menurut Subhan Polip adalah masa lunak, berwarna putih atau keabu-abuan (Subhan, S.Kep.,2003). 3. Definisi polip hidung Subhan Polip hidung adalah kelainan mukosa hidung dan sinus paranasal terutama kompleks osteomeatal (KOM) di meatus nasi medius berupa massa lunak yang bertangkai, bentuk bulat atau lonjong, berwarna putih keabu-abuan.

Permukaannya licin dan agak bening karena banyak mengandung cairan.Sering bilateral dan multipe

2.1.3

Gejala Klinis 1) Hidung tersumbat/buntu 2) Hidung mimisan

2.2 Himpunan Fuzzy (Fuzzy Set) Himpunan fuzzy (fuzzy set) adalah sekumpulan obyek x dimana masing-masing obyek memiliki nilai keanggotaan (membership function) atau disebut juga dengan nilai kebenaran. Jika X adalah sekumpulan obyek dan anggotanya dinyatakan dengan x maka himpunan fuzzy dari A di dalam X adalah himpunan dengan sepasang anggota atau dapat dinyatakan dengan (Kusumadewi, 2004). { ( ) ( ) [ (2.1)

Keanggotaan Fuzzy Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan A[x], memiliki 2 kemungkinan, yaitu: 1. satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau 2. nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.

Himpunan fuzzy memiliki 2 atribut, yaitu : 1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti : MUDA, PAROBAYA, TUA. 2. Numeris, yaitu suatu nilai atau angka yang menunjukkan ukuran dari suatu variabel seperti: 25, 40, 50 dsb.

Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu : 1. Variabel fuzzy Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh: umur, temperatur, permintaan, dan lain-lain. 2. Himpunan fuzzy Himpunan fuzzy merupakan suatu grup yang memiliki suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Contoh: Variabel temperatur terbagi menjadi 5 himpunan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT dan PANAS.

3. Semesta Pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang

diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan atau sebaliknya. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Contoh semesta pembicaraan: a. Semesta pembicaraan untuk variabel umur: [0 +] b. Semesta pembicaraan untuk variabel temperatur: [0 40]

4. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diizinkan dan boleh dioperasikan dalam suatu himpunan fuzzy. Semesti halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif. Contoh domain himpunan fuzzy: MUDA PABOBAYA TUA DINGIN SEJUK NORMAL HANGAT PANAS = [0 45] = [35 55] = [45 +) = [0 20] = [15 25] = [20 30] = [25 35] = [30 40]

2.3 Fungsi Keanggotaan Fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaannya (sering disebut derajat keanggotaan) yang memiliki interval 0 sampai 1. Ada dua cara mendefinisikan keanggotaan himpunan fuzzy, yaitu secara numeris dan fungsional. Definisi numeris menyatakan fungsi derajat keanggotaan sebagai vektor jumlah yang tergantung pada tingkat diskretisasi. Misalnya, jumlah elemen diskret dalam semesta pembicaraan. Definisi fungsional menyatakan derajat keanggotaan sebagai batasan ekspresi analitis yang dapat dihitung. Standar atau ukuran tertentu pada fungsi keanggotaan secara umum berdasar atas semesta X bilangan real. Fungsi keanggotaan fuzzy yang sering digunakan antara lain : 1. Fungsi Keanggotaan Linier 2. Fungsi Keanggotaan Segitiga 3. Fungsi Keanggotaan Trapesium

4. Representasi Kurva Bahu

2.4 Operator Dasar Zadeh Untuk Operasi Himpuna Fuzzy Misalkan himpunan A dan B merupakan dua himpunan fuzzy pada semesta pembicaraan U dengan fungsi keangotaan A(x) dan B(x) untuk setiap x. X. Nilai keanggotaan sebagai hasil dari operasi himpunan A dan B disebut juga sebagai fire strength atau -predikat. Adapun operasi-operasi dasar himpunan fuzzy terdiri dari : 1. Penggabungan (Union). 2. Irisan (Intersection). 3. Ingkaran (Complement)

2.5 Logika Fuzzy Logika fuzzy yang pertama kali diperkenalkan oleh Lotfi A. Zadeh, memiliki derajat keanggotaan dalam rentang 0(nol) hingga 1(satu), berbeda dengan logika digital yang hanya memiliki dua nilai yaitu 1(satu) atau 0(nol). Logika fuzzy digunakan untuk menerjemahkan suatu besaran yang diekspresikan menggunakan bahasa (linguistic), misalkan besaran kecepatan laju kendaraan yang diekspresikan dengan pelan, agak cepat, cepat dan sangat cepat. Secara umum dalam sistem logika fuzzy terdapat empat buah elemen dasar, yaitu: 1. Basis kaidah (rule base), yang berisi aturan-aturan secara linguistik yang bersumber dari para pakar; 2. Suatu mekanisme pengambilan keputusan (inference engine), yang memperagakan bagaimana para pakar mengambil suatu keputusan dengan menerapkan pengetahuan (knowledge); 3. Proses fuzzifikasi (fuzzification), yang mengubah besaran tegas (crisp) kebesaran fuzzy; 4. Proses defuzzifikasi (defuzzification), yang mengubah besaran fuzzy hasil dari inference engine, menjadi besaran tegas (crisp).

2.6 Variabel Linguistik Variabel linguistik adalah variabel yang bernilai kata atau kalimat bukan angka. Alasan menggunakan kata atau kalimat dibandingkan angka karena peranan linguistic kurang spesifik dibandingkan angka, namun informasi yang dihasilkan jauh lebih informative. Variabel linguistik ini merupakan konsep penting dalam logika fuzzy dan memegang peranan penting dalam beberapa aplikasi. Suatu himpunan fuzzy dipandang sebagai suatu nilai linguistik dari suatu variabel linguistik. Sebagai contoh: Suatu himpunan fuzzy rendah, agak rendah, ditengah dipandang sebagai suatu nilai linguistic dari suatu variabel linguistik Letak Telinga.

2.7 Proses Logika Fuzzy Dalam implementasinya, sistem fuzzy terdiri dari 3 bagian, yaitu fuzzyfikasi, inferensi fuzzy, dan defuzzyfikasi (optional), yang dimaksud optional disini jika konklusinya sudah sesuai dengan yang diinginkan, maka tidak perlu dilakukan defuzzyfikasi, tetapi jika konklusinya belum memenuhi maka perlu dilakukan defuzzyfikasi.

2.7.1 Fuzzyfikasi Pada logika fuzzy terdapat proses fuzzyfikasi, yaitu proses pemetaan input ke himpunan fuzzy. Jika data-data input crisp, maka fuzzyfikasi dibutuhkan untuk memetakan input crisp tersebut pada nilai fuzzy yang bersesuaian yang akan dipergunakan sebagai variabel input sistem. Variabel input pada sistem ini adalah gejalagejala penyakit. Sedangkan variabel output pada sistem adalah nama penyakit.

2.7.2

Inferensi Fuzzy Fuzzy Inference System dengan Metode Tsukamoto

Sistem Inferensi Fuzzy (Fuzzy Inference System/FIS) disebut juga fuzzy inference engine adalah sistem yang dapat melakukan penalaran dengan prinsip serupa seperti manusia. Input yang diberikan kepada FIS adalah berupa bilangan tertentu dan output yang dihasilkan juga harus berupa bilangan tertentu. Kaidah-kaidah dalam bahasa linguistik dapat digunakan sebagai input yang bersifat teliti harus dikonversikan terlebih dahulu, lalu melakukan penalaran berdasarkan kaidah-kaidah dan mengkonversi hasil penalaran tersebut menjadi output yang bersifat teliti. Kaidah-kaidah

Input

Fuzzyfikasi

Penalaran

Defusifikasi

output

Gambar 2.3 Proses dalam FIS

Pada Metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan -predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot (Jang, dkk., 1997) (Kusumadewi, 2003). Misalkan ada 2 variabel input, Var-1 (x) dan Var-2 (y), serta 1 variabel output, Var-3 (z), dimana Var-1 terbagi atas 2 himpunan yaitu A1 dan A2, Var-2 terbagi atas 2 himpunan B1 dan B2, dan Var-3 juga terbagi atas 2 himpunan yaitu C1 dan C2 (C1 dan C2 HARUS MONOTON), ada 2 aturan yang digunakan, yaitu:

[R1] IF (x is A1) and (y is B2) THEN (z is C1) [R2] IF (x is A2) and (y is B1) THEN (z is C2)

Gambar 2.4. Inferensi dengan menggunakan Metode Tsukamoto

Penalaran Monoton Metode penalaran monoton digunakan sebagai dasar untuk teknik implikasi fuzzy. Meskipun penalaran ini sudah jarang sekali digunakan, namun terkadang masih digunakan untuk penskalaan fuzzy. Jika 2 daerah fuzzy direlasikan dengan implikasi sederhana sebagai berikut: IF x is A THEN y is B Fungsi Transfer: Y = f((x,A),B) Maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari nilai keanggotaan yang berhubungan dengan antesedennya.

BAB III PEMBAHASAN

3.1 Proses Fuzzyfikasi Penyakit Polip Hidung Pada proses fuzzyfikasi nilai numerik akan diubah menjadi variabel linguistik yang memiliki nilai linguistik. Nilai linguistik ini nantinya akan digunakan pada proses inferensi. Untuk memperoleh derajat keanggotaan dari nilai linguistik pada masing-masing input sistem menggunakan fungsi keanggotaan sebagai berikut :

Derajat keanggotaan dari nilai linguistik variabel input

Gambar 3.1.1. Grafik Fungsi Derajat Keanggotaan

ringan(x) = {

sedang(x) = {

tinggi(x) = {

3.2 Inferensi Pada proses inferensi terdapat aturan-aturan untuk mengontrol inputan yang berupa variabel linguistik. Metode inferensi yang digunakan ini menggunakan metode max-min inferensia. Langkah pertama yang dilakukan adalah mencari nilai miu () dari hasil proses fuzzyfikasi. Pencarian ini dilakukan terus sampai semua rules mendapatkan nilai miunya. Misal inputan data Hidung buntu : 8 dan Hidung mimisan : 4. Maka derajat keanggotaannya sebagai berikut: hidung buntu : 8 ringan(x) = 0, sedang(x) = 0,25 dan tinggi(x) = 0,25 hidung mimisan : 4 ringan(x) = 0,5 , sedang(x) = 0,25 dan tinggi(x) = 0 Dari hasil perhitungan masing-masing miu diatas kita mendapatkan rule [R] yang tepat sehingga kita bisa mendapatkan hasil diagnosis sesuai dengan rule tersebut. Berikut ini adalah beberapa aturan- aturan atau rule yang digunakan : [R1] If Hidung Buntu = Sedang, Mimisan = Sedang Then Polip Hidung [R2] If Hidung Buntu = Sedang, Mimisan = Tinggi Then Polip Hidung [R3] If Hidung Buntu = Sedang, Mimisan = Ringan Then Polip Hidung [R4] If Hidung Buntu = Ringan, Mimisan = Ringan Then Polip Hidung [R5] If Hidung Buntu = Ringan, Mimisan = Sedang Then Polip Hidung [R6] If Hidung Buntu = Ringan, Mimisan = Tinggi Then Polip Hidung [R7] If Hidung Buntu = Tinggi, Mimisan = Ringan Then Polip Hidung [R8] If Hidung Buntu = Tinggi, Mimisan = Sedang Then Polip Hidung [R9] If Hidung Buntu = Tinggi, Mimisan = Tinggi Then Polip Hidung

3.3 Proses Penentuan Output Crisp Setelah diperoleh kesimpulan dari proses inferensi maka akan digunakan rata-rata terbobot untuk mengubah nilai dari variable

linguistic ke nilai numeric, proses yang dipakai dalam hal ini adalah dengan menggunakan metode Tsukamoto, setiap konsekuen pada suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas ( crisp ) berdasarkan -predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot : Z= Sekarang kita mencari nilai Z untuk setiap aturan dengan menggunakan fungsi MIN pada aplikasi fungsi implikasinya: ringan[3] = = =1 sedang[3] = = = 0,5 tinggi[8] = = = 0,25

[R1] If Hidung Buntu = Sedang, Mimisan = Sedang Then Polip Hidung predikat1 = Hb sedang M sedang M sedang[3])

= min( Hb sedang[3] = min(0,5 ; 0,5) = 0,5 dengan z1 = 3

[R2] If Hidung Buntu = Sedang, Mimisan = Tinggi Then Polip Hidung predikat1 = Hb sedang M tinggi M tinggi[8])

= min( Hb sedang[3] = min(0,5 ; 0,25) = 0,25 dengan z2 = 8

[R3] If Hidung Buntu = Sedang, Mimisan = Ringan Then Polip Hidung predikat1 = Hb sedang M ringan M ringan [3])

= min( Hb sedang[3] = min(0,5 ; 1) = 0,5 dengan z3 = 3

[R4] If Hidung Buntu = Ringan, Mimisan = Ringan Then Polip Hidung predikat1 = Hb ringan M ringan M ringan[3])

= min( Hb ringan[3] = min(1 ; 1) = 1 dengan z4 = 3

[R5] If Hidung Buntu = Ringan, Mimisan = Sedang Then Polip Hidung predikat1 = Hb ringan M sedang M sedang[3])

= min( Hb sedang[3] = min(1 ; 0,5) = 0,5 dengan z5 = 3

[R6] If Hidung Buntu = Ringan, Mimisan = Tinggi Then Polip Hidung predikat1 = Hb ringan M tinggi M ringan[8])

= min( Hb ringan[3] = min(1 ; 0,25) = 0,25 dengan z6 = 8

[R7] If Hidung Buntu = Tinggi, Mimisan = Ringan Then Polip Hidung predikat1 = Hb tinggi M ringan M ringan[3])

= min( Hb tinggi[8] = min(0,25 ; 1) = 0,25 dengan z7 = 8

[R8] If Hidung Buntu = Tinggi, Mimisan = Sedang Then Polip Hidung predikat1 = Hb tinggi M sedang M sedang[3])

= min( Hb tinggi[8] = min(0,25 ; 0,5) = 0,25 dengan z8 = 8

[R9] If Hidung Buntu = Tinggi, Mimisan = Tinggi Then Polip Hidung

predikat1 = Hb tinggi

M tinggi M tinggi[8])

= min( Hb tinggi[8] = min(0,25 ; 0,25) = 0,25 dengan z9 = 8

Dari perhitungan diatas maka kita dapat menghitung rata-rata terbobotnya: Z= = = = = 4,6667 Dari perhitungan diatas, maka dapat ditarik kesimpulan bahwa pasien dengan input data hidung buntu 8 dan mimisan 4 menderita penyakit polip hidung.
( )( ) ( )( ) ( ( ) ( )( ) ( )( ) ( ) ( ) ( ) ( )( ) ( ) ( )( ) ( ) ( ) ( )( ) ( ) ( )( ) ( ) )( )

BAB IV KESIMPULAN DAN SARAN

4.1 Kesimpulan Berdasarkan analisa dan pembahasan yang telah dilakukan, maka dapat disimpulkan bahwa: 1. Logika fuzzy dapat bermanfaat karena merupakan sebuah cara yang efektif dan akurat untuk mendeskripsikan persepsi manusia terhadap persoalan pengambilan keputusan. 2. Fuzzy merupakan representasi suatu pengetahuan yang dikonstruksikan dengan if-then rules. 3. Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk ifthen harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton.

4.2 Saran Adapun saran untuk perbaikan kedepannya adalah sebagai berikut: 1. Masih terbuka untuk penelitian lanjutan dengan menggunakan metode inferensi selain Tsukamoto. 2. Untuk mendapatkan keputusan yang lebih akurat lagi, maka perlu ditambahkan beberapa input gejala lainnya yang dapat menyebab kan polip hidung itu sendiri. 3. Untuk pengembangan selanjutnya dapat dilakukan penganalisisan penyakit dalam lainnya. 4. Untuk mempermudah kita dalam mengambil keputusan maka perlu dibuatkan program aplikasinya.

DAFTAR PUSTAKA Hellmann, Martin, 2001, Fuzzy Logic Introduction. Kusumadewi, Sri., Purnomo, Hari. 2004. Aplikasi Logika Fuzzy Untuk Pendukumg Keputusan.Graha Ilmu:jakarta. Klir, G.J., Yuan, B. 1995. Fuzzy Sets and Fuzzy Relation: Theory and Applications, New Jersey:Prentice Hall. Soepardi, Efiaty Arsyad dkk. 2007. Buku Ajar Ilmu Kedokteran Telinga Hidung Tenggorok Kepala & Leher. Edisi keenam. Jakarta: FKUI.

SEMINAR MATEMATIKA

PENERAPAN FUZZY INFERENCE SYSTEM (FIS) TSUKAMOTO DALAM MENGANALISA TINGKAT RESIKO PENYAKIT POLIP HIDUNG

Disusun Oleh: NAMA NIM PROGRAM STUDI : NIA PERMATASARI : 09221043 : MATEMATIKA

DOSEN PEMBIMBING : GUSMELIA TESTIANA, M. Kom DOSEN PENGAMPU : AGUSTIANY DUMEVA PUTRI, M.Si

PROGRAM STUDI MATEMATIKA JURUSAN TADRIS MIPA FAKULTAS TARBIYAH IAIN RADEN FATAH PALEMBANG 2012

LEMBAR BIMBINGAN

Nama NIM Judul Seminar

: Nia Permatasari : 09 221 043 : Penerapan Fuzzy Inference System (Fis) Tsukamoto Dalam Mendiagnosa Jenis Penyakit Dalam Yang

Mengganggu Alat Pernapasan Pada Manusia Melalui Gejala-Gejala Yang Ditimbulkannya Dosen Pembimbing : Gusmelia Testiana, M. Kom

Tanggal

Konsultasi

Paraf

Pengampuh Mata Kuliah

Agustiany Dumeva Putri, M.Si

Anda mungkin juga menyukai