Tugas 1 - Fuzzy Flowchart (Finale)

Latar Belakang
Uang Kuliah Tunggal (UKT) adalah amanat Menteri Riset, Teknologi, dan Pendidikan Tinggi yang
dituangkan pada Permenristekdikti No. 22 Tahun 2015, dan diperbarui pada Permenristekdikti No. 39
Tahun 2016 Tentang Biaya Kuliah Tunggal dan Uang Kuliah Tunggal pada Perguruan Tinggi Negeri.
Tujuan dari penerapan UKT ini adalah untuk memberikan kesesuaian biaya pendidikan terhadap
kemampuan dari Orang Tua Mahasiswa. Namun, dalam implementasinya didapati bahwa banyak
orang tua yang keberatan dan mengajukan keringanan, permohonan, bahkan protes terkait
implementasi UKT ini. Universitas Sultan Ageng Tirtayasa (Untirta) menerapkan UKT dengan
menggunakan 3 faktor penentu UKT yaitu Penghasilan Orang Tua, Jumlah Tanggungan, dan Luas
Bangunan yang mana masing-masing dibobot untuk dikalikan nilai normalisasi dari ketiga faktor
tersebut. Ketiga faktor yang sudah dikalikan bobot tersebut dijumlahkan dan kemudian dimasukan
Kategori UKT yang ada dimana masing-masing kategori ada nilai antara.
Rumusan Masalah
Diperlukan metode pembanding dari metode yang sudah ada untuk menentukan besaran UKT
Mahasiswa. Fuzzy Logic dipilih sebagai alternatif pembanding yang diharapkan mampu
menghasilkan penentuan UKT yang lebih mampu merepresentasikan kemampuan orang tua dilihat
dari 3 faktor yang ada.
Tujuan Penelitian
Tujuan dari penelitian ini adalah menentukan UKT mahasiswa baru Untirta dengan menggunakan
Logika Fuzzy yang digunakan sebagai pembanding terhadap metode yang diterapkan saat ini, untuk
dilakukan analisa perbandingannya.
Landasan Teori
Logika Fuzzy adalah peningkatan dari logika boolean yang berhadapan dengan konsep kebenaran
sebagian. Dengan kata lain logika Fuzzy menggantikan kebenaran boolean (0 atau 1) dengan tingkat
kebenaran (ada nilai antara 0 dan 1).
Teori himpunan Fuzzy berdasarkan pada logika Kosko, B. (1992) dimana dinyatakan bahwa terdapat
nilai logika antara 0 dan 1 yang menyatakan tingkat kebaran.
Fungsi Keanggotaan adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam
nilai/derajat keanggotaannya yang memiliki interval antara 0 dan 1, salah satu cara untuk
mendapatkan nilai keanggotaan adalah dengan pendekatan fungsi.
Tahapan Fuzzy Logic
Gambar 1 - Tahapan Fuzzy Logic
Tahap 1 : Fuzzification
Pertama-tama yang harus diidentifikasi adalah Crisp Input, dimana UKT itu memiliki 3 crisp input
yaitu (1) Penghasilan Orang Tua, (2) Jumlah Tanggungan, dan (3) Luas Bangunan. Ketiga crisp input
ini akan dilakukan transformasi dari crisp menjadi fuzzy input (pengkategorian). Diketahui bahwa
setiap crisp input harus diidentifikasikan masing-masing relatif terhadap kategori UKT.
1.1 Himpunan Fungsi Keanggotaan
a. Penghasilan Orang Tua, ada 3 (tiga) label yang mewakili parameter ini yang antara lain meliputi:
rendah, sedang, dan tinggi. Adapun label ini digambarkan seperti pada Gambar 2.
!" [$]
Penghasilan Orang Tua
Sedang
Rendah
1000
3000
Tinggi
6000
10)*+,
8000
Gambar 2 - Label Parameter Penghasilan Orang Tua
Dari ketiga label tersebut diklasifikasikan dalam himpunan fungsi keanggotaan sebagai berikut:
1. Himpunan Fuzzy Prendah
1; 1000
"#$%&'( [] = (3000 )/2000; 1000 < 3000
0; > 3000
2. Himpunan Fuzzy Psedang
0; 1000
( 1000)/2000; 1000 < 3000
":$&'%; [] = 1; 3000 < 6000
(8000 )/2000; 6000 < 8000
0; > 8000
3. Himpunan Fuzzy Ptinggi
0; 6000
">?%;;? [] = ( 6000)/2000; 6000 < 8000
1; > 8000
b. Jumlah Tanggungan, ada 3 (tiga) label yang mewakili parameter ini yaitu sedikit, cukup, dan
banyak. Adapun gambar yang merepresentasikan ketiga label ini dapat dilihat pada Gambar 3.
! "[T] Jumlah Tanggungan
1
Sedikit
Banyak
Cukup
#$%&'
Gambar 3 - Label Parameter Jumlah Tanggungan

1. Himpunan Fuzzy Tsedikit
1; 1
@:$&?A?> [] = (3 )/2; 1 < 3
0; > 3
2. Himpunan Fuzzy Tcukup
0; 1
( 1)/2; 1 < 3
@CDADE [] = 1; 3 < 4
(5 )/1; 4 < 5
0; > 5
3. Himpunan Fuzzy Tbanyak
0; 4
@H'%I'A [] = ( 4)/1; 4 < 5
1; > 5
c. Luas Bangunan, ada 3 (tiga) label yang mewakili parameter ini antara lain kecil, intermediate, dan
luas. Grafik yang menggambarkan 3 label untuk parameter ini dapat dilihat pada Gambar 4.
Luas Bangunan
! "[B]
1
luas
intermediate
kecil
60
36
90
&2
120
Gambar 4 - Label Parameter Luas Bangunan
1. Himpunan Fuzzy Bkecil
1; 36
JA$C?K [] = (60 )/24; 36 < 60
0; > 60
2. Himpunan Fuzzy Bintermediate
0; 36
( 36)/24; 36 < 60
1; 60 < 90
J?%>$#M$&?'>$ [] =
(120 )/30 90 < 120
0; > 120
3. Himpunan Fuzzy Bluas
0; 90
JKD': [] = ( 90)/30; 90 < 120
1; > 120
d. Himpunan Keputusan Kategori, ada 5 (lima) label/kategori yang mewakili parameter ini yaitu
kategori 1, kategori 2, kategori 3, kategori 4, dan kategori 5. Grafik yang menggambarkan label pada
parameter ini dapat dilihat pada Gambar 5.
Kategori
! "[$]
1
Kat 1
Kat 2
Kat 3
Kat 4
10
25
40
60
Kat 5
80
&'() +",
Gambar 5 - Label pada Parameter Kategori UKT
Dari 5 (lima) label tersebut diklasifikasikan dalam himpunan fungsi keanggotaan sebagai berikut:
1. Himpunan Fuzzy Kategori 1
1; 10
O'>P [] = (25 )/15; 10 < 25
0; > 25
0; 10
( 10)/15 10 < 25
O'>R [] =
(40 )/15 25 < 40
0; > 40
0; 25
( 25)/15 25 < 40
O'>S [] =
(60 )/20 40 < 60
0; > 60
0; 40
( 40)/20 40 < 60
O'>T [] =
(80 )/20 60 < 80
0; > 80
0; 60
O'>U [] = ( 40)/20 60 < 80
1; > 80
Contoh:
Nindya memiliki data dukung UKT sebagai berikut:
Penghasilan Orang Tua : Rp. 7.500.000,- (7500)
Jumlah Tanggungan
: 3 orang
Luas Bangunan
: 40 m2
Ditanya: Degree of Membership dari masing-masing parameter yang ada?
Dijawab:
1. Penghasilan Orang Tua (P)
Nindya memiliki fungsi keanggotaan Penghasilan Orang Tua pada Psedang dan Ptinggi, sehingga
nindya memiliki 2 nilai keanggotaan, yaitu:
":$&'%; [7500] = (8000 7500)/2000 = 0.25 dan ">?%;;? [7500] = (7500 6000)/2000 = 0.75
atau dapat diformulasikan sebagai berikut:

X
Penghasilan Orang Tua :
7500 =
#$%&'(
X.RU
:$&'%;
X.ZU
>?%;;?
2. Jumlah Tanggungan (T)

Nindya memiliki fungsi keanggotaan Jumlah Tanggungan pada Tsedikit dan Tcukup, yaitu:
@:$&?A?> [] = (3 3)/2 = 0 dan @CDADE [] = (3 1)/2 = 1
Jumlah Tanggungan
3=
:$&?A?>
CDADE
H'%I'A
3. Luas Bangunan (B)

Nindya memiliki fungsi keanggotaan Luas Bangunan pada Bkecil dan Bintermediate, yaitu:
JA$C?K [40] = (60 40)/24 =0.833 dan J?%>$#M$&?'>$ [] = (40 36)/24 = 0.167
X.[SS
X.P\Z
X
Luas Bangunan
:
40 =
+
+
A$C?K
?%>$#M$&?'>$
KD':
Tahap 2: Rule Evaluation

2.1 Implikasi Fuzzy
Aturan yang digunakan adalah AND. Preposisi dalam fuzzy yang menginterpretasikan fungsi
keanggotaan ke dalam parameter ouput (kategori UKT) didefinisikan sebagai berikut:
RST
SCB
KIL
12345
Penghasilan
Jml
Tanggungan
Luas
Bangunan
Kategori
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
No
FUNGSI IMPLIKASI
IF Penghasilan is R AND Jumlah Tanggungan is S AND Luas
Bangunan is K THEN Kategori UKT adalah Kategori 2
Bangunan is I THEN Kategori UKT adalah Kategori 2
Bangunan is L THEN Kategori UKT adalah Kategori 2
IF Penghasilan is R AND Jumlah Tanggungan is C AND Luas
IF Penghasilan is R AND Jumlah Tanggungan is B AND Luas
IF Penghasilan is S AND Jumlah Tanggungan is S AND Luas
IF Penghasilan is S AND Jumlah Tanggungan is C AND Luas
IF Penghasilan is S AND Jumlah Tanggungan is B AND Luas
IF Penghasilan is T AND Jumlah Tanggungan is S AND Luas
IF Penghasilan is T AND Jumlah Tanggungan is C AND Luas
IF Penghasilan is T AND Jumlah Tanggungan is B AND Luas
Tabel di atas dapat diubah dalam format Fuzzy Associative Memory (FAM)
a. FAM untuk Penghasilan Rendah

S
b. FAM untuk Penghasilan Sedang

S
c. FAM untuk Penghasilan Tinggi

S
2.2 Aplikasi Operator Fuzzy

Rule
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
FUNGSI IMPLIKASI
Rule Evaluation
0
0
0
0
0
0
0
0
0
0
0
0
0.25
0.167
0
0
0
0
0
0
0
0.75
0.167
Metode yang digunakan adalah Metode Mamdani (Min Max).
0
0
0
0
Contoh Perhitungannya:
Data Nindya adalah sebagai berikut
Nindya
Keanggotaan
Rendah/Sedikit/Kecil
0.833
Sedang/Cukup/Intermediate
0.25
0.167
Tinggi/Banyak/Besar
0.75
(1) Aturan #13 (lihat Gambar 6)

Nindya
Keanggotaan
0.833
0.25
0.167
Tinggi/Banyak/Besar
0.75
!" [$] Penghasilan Orang Tua !( [T] Jumlah Tanggungan !) [B] Luas Bangunan
! &['] Kategori
! &[']
Kategori
0.833
kecil
0.5
Kat 2
Cukup
Sedang
0.25
0.25
Kat 2
1000 3000
6000 8000
36
10
60
25
10
40
25
40
IF Penghasilan Orang Tua is S AND Jumlah Tanggungan is C AND Luas Bangunan is K THEN Kategori UKT is 2
Gambar 6 - Proses Menghasilkan Output Fuzzy Aturan #13

Nindya
Keanggotaan
0.833
0.25
0.167
Tinggi/Banyak/Besar
0.75
!" [$] Penghasilan Orang Tua
!( [T] Jumlah Tanggungan !) [B] Luas Bangunan
! &['] Kategori
! &[']
Kategori
Kat 3
0.5
Cukup
Sedang
Inter
mediate
0.25
0.167
0.167
1000 3000
6000 8000
36 60
90 120
25
40
60
IF Penghasilan Orang Tua is S AND Jumlah Tanggungan is C AND Luas Bangunan is I THEN Kategori UKT is 3
Kat 3
25
40
60

Nindya
Keanggotaan
0.833
0.25
0.167
Tinggi/Banyak/Besar
0.75

1
0.75
! &['] Kategori
! &['] Kategori
0.833
Tinggi
0.75
kecil
Kat 3
Kat 3
0.5
Cukup
6000 8000
25
60
36
40
40
25
60
60
IF Penghasilan Orang Tua is T AND Jumlah Tanggungan is C AND Luas Bangunan is K THEN Kategori UKT is 3

! &['] Kategori
! &['] Kategori
Tinggi
0.75
Kat 4
Cukup
0.5
Inter
mediate
0.167
0.167
0.167
Kat 4
6000 8000
36 60
90 120
40
60
80
40
60
80
IF Penghasilan Orang Tua is T AND Jumlah Tanggungan is C AND Luas Bangunan is K THEN Kategori UKT is 4
Sebenarnya selain 4 aturan di atas, jugu terkena aturan lain seperti:

(5) Aturan #1, namun hasil minimumnya adalah 0 karena "#$%&'( [] = 0 dan @:$&?A?> [] = 0
(6) Aturan #2, namun hasil minimumnya adalah 0 karena "#$%&'( [] = 0 dan @:$&?A?> [] = 0
(7) Aturan #4, namun hasil minimumnya adalah 0 karena "#$%&'( [] = 0
(8) Aturan #5, namun hasil minimumnya adalah 0 karena "#$%&'( [] = 0
(9) Aturan #6, namun hasil minimumnya adalah 0 karena "#$%&'( [] = 0 dan JKD': [] = 0
dan aturan lain hasil minimumnya adalah 0 karena ada salah satu atau lebih variabelnya memiliki
keanggotaan 0.
2.3 Komposisi Semua Output Fuzzy

Hasil dari output yang ada dapat digambarkan seperti pada Gambar 10. Nilai dari aturan #14 hilang
karena aturan Max (terhapus oleh hasil dari aturan #22).
![#]
![#]
Kategori
0.75
0.75
Kat 3
0.25
0.25
Kat 2
0.167
10
25
0.167
Kat 3
Kat 4
40
60
80
10 a
%&'( *+,
25 b
40 d
e 60
f 80
%&'( *+,
Gambar 10 - Komposisi Semua Output
Fuzzy Output untuk Data ini adalah:

UKT(7500 ; 3 ; 40) =
X
O'> P
X.RU
O'> R
X.ZU
O'> S
X.P\Z
O'> T
X
O'> U
Estimasi parameter a, b, c, d, e, dan f dilakukan dengan menggunakan fungsi keanggotaan dari

Variabel Kategori UKT.
a = K dari 2 [] = ( 10)/15 <=> 0.25 x 15 = K - 10
<=> 3.75 = K - 10
<=> K = 13.75 = a
b = K dari O'>S [] = ( 25)/15 <=> (K - 25)/15 = 0.25
<=> K - 25 = 3.75
<=> K = 25 + 3.75 = 28.75
<=> b = K = 28.75
c = K dari O'>S [] = ( 25)/15 <=> (K - 25)/15 = 0.75
<=> K - 25 = 11.25
<=> K = 36.25 = c
d = K dari O'>S [] = (60 )/20 <=> (60 - K)/20 = 0.75
<=> 60 - K = 15
<=> K = 45 = d
e = K dari O'>S [] = (60 )/20 <=> (60 - K)/20 = 0.167
<=> 60 - K = 0.333
<=> K = 59.667 = e
f = K dari O'>T [] = (80 )/20 <=> (80 - K)/20 = 0.167
<=> 80 - K = 0.333
<=> K = 79.667 = f
Tahap 3 : Defuzzification
Tahap Defuzzification pada dasarnya adalah mengubah output fuzzy (hasil rule evaluation) menjadi
crisp value yang adalah skor UKT (khusus pada kasus ini) yang mengindikasikan dimana calon
mahasiswa masuk Kategori UKT.
Beberapa metode yang bisa digunakan dalam defuzzification yaitu:
1. Metode keanggotaan maximum (max-membership)
2. Metode Centroid (menentukan center of gravity)
3. Metode keanggotaan maksimum rata-rata (min-max membership atau middle of maxima)
Pada tugas ini akan digunakan metode ke-2 yaitu Metode Centroid, dan karena diketahui Skor UKT
bersifat kontinyu, maka formulasi yang digunakan adalah formulasi berikut:
dan jika dikonversi dengan notasi yang ada pada tugas ini menjadi:
![#]
0.75
0.25
0.167
25 b
10 a
e 60
40 d
f 80
%&'( *+,
Gambar 11 - Area dalam Ouput Fuzzy
Dari data yang ada pada Gambar 11, dimana z = skor uKT, maka:
X; àPX
(`bPX)/S.ZU; PXcàPS.ZU
X.RU; PS.ZUcàR[.ZU
(`bR[.ZU)/Z.U; R[.ZUcàS\.RU
[] =
0.75; 36.25 < 45

(59.667 )/14.667; 45 < 59.667
0.167; 59.667 < 79.667
([Xb`)/X.\\Z; Zd.\\Zcà[X
X; è[X
![#]
0.75
0.25
A3
0.167
A4
A5
A2
A6
A1
10 a
A7
25 b
c 40 d
e 60
f 80
%&'( *+,
Gambar 12 - Pembagian Luas Area dari Output Fuzzy
Menghitung Momen:
m1 =
m2 =
m3 =
m4 =
m5 =
`g
U` h PS.ZU
PS.ZU
PS.ZU R
(
10)/3.75
=

/3.75
10/3.75
= 23.4375
PX
PX
PP.RU
S.ZU PX
R[.ZU
R R[.ZU
0.25 = 0.125 PS.ZU = 79.6875
PS.ZU
S\.RU
S\.RU
3
28.752
( 28.75)/7.5 = R[.ZU R /7.5 28.75/7.5 =
15 36.25
28.75 = 126.5625
R[.ZU
22.5
TU
R TU
0.75 = 0.375 S\.RU = 266.6015
S\.RU
Ud.\\Z
(59.667
TU
)/14.667 =
Ud.\\Z
59.667/14.667
TU
R /14.667 =
= 365.798
Zd.\\Z
m6 = Ud.\\Z 0.167 = 0.334 R
m7 =
[X
(80
Zd.\\Z
)/0.667
Zd.\\Z
= 930.75112
Ud.\\Z
[X
= Zd.\\Z 80/0.667
R /0.667 =
TX` h
X.\\Z
59.6672
3 59.667
44
45
29.334
`g
[X
R.XXP Zd.\\Z
= 6.6315
Menghitung Luas Area:

A1 = 0.25 * (13.75 - 10)/2 = 0.46857
A2 = 0.25 * (28.75 - 13.75) = 3.75
A3 = 0.25 * (36.25 - 28.75) + (0.75 - 0.25) * (36.25 - 28.75)/2 = 2.8125
A4 = 0.75 * (45 - 36.25) = 6.5625
A5 = 0.167 * (59.667 - 45) + (0.75 - 0.167) * (59.667 - 45) = 6.725
A6 = 0.167 * (79.667 - 59.667) = 3.34
A7 = 0.167 * (80 - 79.667)/2 = 0.0278
z=
MPiMRiMSiMTiMUiM\iMZ
jPijRijSijTijUij\ijZ
Skor UKT = z =
PZdd.TZ
RS.\[\
RS.TSZUiZd.\[ZUiPR\.U\RUiR\\.\XPUiS\U.Zd[idSX.ZUPPRi\.\SPU
X.T\[UZiS.ZUiR.[PRUi\.U\RUi\.ZRUiS.STiX.XRZ[
= 75.97
Artinya Skor UKT Nindya adalah 75.97, berdasarkan pengkategorian berdasarkan Skor UKT sebagai
berikut:
Kategori 1
: Skor UKT 20
Kategori 2
: 20 < Skor UKT 40
Kategori 3
: 40 < Skor UKT 60
Kategori 4
: 60 < Skor UKT 80
Kategori 5
: Skor UKT > 80
Maka Kategori UKT Nindya adalah Kategori 4.
Flowchart Aplikasi UKT Untirta

a. Flowchart Makro Aplikasi Fuzzy UKT
Mulai
Inisialisasi Fuzzy
Set i = 0
Input data Mhs P,

T, B, dan n
P0
Tidak
Ya
T0
Ya
B0
Ya
i=i+1
Fuzzification
Rule Evaluation
Defuzzification
Simpan dan
Tampilkan Nilai
UKT
Selesai
Gambar 13 Flowchart Makro Aplikasi Fuzzy UKT
b. Flowchart Proses Fuzzification

Mulai
Inisialisasi
Set Pr = Ps = Pt = Ts = Tc =
Tb = Bk = Bi = Bl = 0
Pilah P, T, dan B
P 1000?
Ya
Hitung Pr = 1, Ps =
0, dan Pt = 0
Ya
Hitung Pr = (3000P)/2000, Ps = (P1000)/2000, pt = 0
Tidak
3000 < P 6000?
Ya
Hitung Ts = 1, Tc
= 0 dan Tb = 0
Tidak
Tidak
P 3000?
T1
Ya
Hitung Pr = 0 Ps =
1 dan Pt = 0
T 3?
Ya
Hitung Bk = 1,
Bi = 0, dan Bl =
0
Tidak
Ya
Hitung Ts = (3-t)/
2, Tc = (t-1)/2, dan
Tb = 0
Tidak
T4
B 36
B 60?
Ya
Hitung Bk = (60b)/24, Bi = (B36)/24, dan Bl = 0
Tidak
Ya
Hitung Ts = 0, Tc
= 1, dan Tb = 0
Tidak
B 90
Ya
Hitung Bk = 0,
Bi = 1, dan Bl =
0
Tidak
Tidak
6000 < P 8000?
Ya
Hitung Pr = 0, Ps =
(8000-P)/2000, dan
pt = (P - 6000)/2000
5?
Ya
Hitung Ts = 0, Tc
= (5-t)/, dan Tb =
t-4
Tidak
T 120?
Tidak
Tidak
Hitung Pr = 0, Ps
= 0, dan Pt = 1
Hitung Ts = 0, Tc
= 0, dan Tb = 1
Simpan sebagai
Pri, Psi, Pti,
Tsi, Tci,
Tbi,Bki, Bii,
dan Bli
Selesai
Gambar 14 Flowchart Proses Fuzzification
Hitung Bk = 0,
Bi = 0, dan Bl =
1
Ya
Hitung Bk = 0,
Bi = (120-B)/30,
dan Bl = (B-90)/30
c. Flochart Proses Rule Evaluation

Mulai
A
Set r1 = r2 = r27 = 0
Set Pri, Psi, Pti, Tsi, Tci,
dan Tbi
Set k101 = k102 = = k503 = 0
Set Kat1 = Kat2 = = Kat5 = 0
Set k207 = 0
Set k201 = 0
Tidak
Rule #1
Cek Pri > 0 and Tsi > 0
and Bki > 0
Ya
Set k202 = 0
Tidak
Tsi, Bki)
Ya
Tidak
Rule #3
and Bli > 0
Tsi, Bii)
Ya
Set k101 = 0
Tidak
Tsi, Bli)
Ya
Set k203 = 0
Rule #5
Cek Pri > 0 and Tci > 0
and Bii > 0
Tci, Bki)
Ya
Set k204 = 0
Tidak
Tci, Bii)
Ya
Set k102 = 0
Rule #7
Cek Pri > 0 and Tbi > 0
and Bki > 0
Tci, Bli)
Ya
Set k103 = 0
Tidak
Tbi, Bki)
Ya
Set k205 = 0
Rule #9
and Bli > 0
Tbi, Bii)
Ya
Set k302 = 0
Rule #10
Cek Psi > 0 and Tsi > 0
and Bki > 0
Set k401 = 0
Rule #11
and Bii > 0
Set k402 = 0
Set k206 = 0
Set k303 = 0
Set k403 = 0
Tidak
Tidak
Tidak
Tidak
Tidak
Tidak
Tidak
Tidak
Tidak
Tsi, Bii)
Rule #12
and Bli > 0
Ya
Rule #13
Cek Psi > 0 and Tci > 0
and Bki > 0
Ya
Rule #14
and Bii > 0
Ya
Rule #15
and Bli > 0
Ya
Rule #20
Cek Pti > 0 and Tsi > 0
and Bii > 0
Ya
Rule #21
and Bli > 0
Ya
Rule #22
Cek Pti > 0 and Tci > 0
and Bki > 0
Ya
Rule #23
and Bii > 0
Ya
Rule #24
and Bli > 0
Ya
Rule #25
Cek Pti > 0 and Tbi > 0
and Bki > 0
Ya
Rule #26
and Bii > 0
Ya
Rule #27
and Bli > 0
Ya
Set k404 = min(Pti,

Tsi, Bki)
Set k501 = min(Pti,

Tsi, Bii)
Set k502 = min(Pti,

Tsi, Bli)
Set k304 = min(Pti,

Tsi, Bki)
Set k405 = min(Pti,

Tci, Bii)
Set k503 = min(Pti,

Tci, Bli)
Set k306 = min(Pti,

Tbi, Bki)
Set k307 = min(Pti,

Tbi, Bii)
Set k401 = min(Psi,
Set k406 = 0
Tidak
Tidak
Tsi, Bki)
Ya
Ya
Tbi, Bli)
Set k302 = min(Psi,
Set k307 = 0
Tidak
Tidak
Tbi, Bli)
Ya
Rule #19
and Bki > 0
Set k304 = min(Psi,
Set k205 = min(Pri,
Set k306 = 0
Tidak
Tidak
Set k103 = min(Pri,

Set k503 = 0
Tidak
Ya
Tbi, Bii)
Set k102 = min(Pri,

Set k405 = 0
Rule #8
and Bii > 0
Rule #18
Cek Psi > 0 and Tbi > 0
and Bli > 0
Set k208 = min(Psi,
Set k204 = min(Pri,

Set k304 = 0
Tidak
Tidak
Set k203 = min(Pri,

Set k502 = 0
Rule #6
and Bli > 0
Ya
Tbi, Bki)
Set k101 = min(Pri,

Set k501 = 0
Tidak
Rule #17
and Bii > 0
Set k207 = min(Psi,
Set k301 = min(Pri,

Set k404 = 0
Rule #4
and Bki > 0
Ya
Set k202 = min(Pri,

Set k304 = 0
Set k301 = 0
Rule #16
and Bki > 0
Set k201 = min(Pri,

Set k208 = 0
Rule #2
and Bii > 0
Tidak
Tidak
Set k406 = min(Pti,

Tbi, Bli)
Set k402 = min(Psi,

Tsi, Bli)
Set k206 = min(Psi,

Tsi, Bki)
Set k303 = min(Psi,

Tci, Bii)
Set k403 = min(Psi,
Hitung
Kat1 = max(k101, k102, k103)
Kat2 = max(k201, k202, , k209)
Kat3 = max(k301, k302, , k306)
Kat4 = max(k401, k402, , k406)
Kat5 = max(k501, k502, k503)
Simpan Kat1,
Kat2, Kat3, Kat4,
dan Kat5
Selesai
Tci, Bli)
Gambar 14 Flowchart Proses Rule Evaluation

Tugas 1 - Fuzzy Flowchart (Finale)

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Tugas 1 - Fuzzy Flowchart (Finale)

Diunggah oleh

Hak Cipta:

Format Tersedia

Latar Belakang

Gambar 1 - Tahapan Fuzzy Logic

Penghasilan Orang Tua

Gambar 2 - Label Parameter Penghasilan Orang Tua

2. Himpunan Fuzzy Psedang

3. Himpunan Fuzzy Ptinggi

Gambar 3 - Label Parameter Jumlah Tanggungan

2. Himpunan Fuzzy Tcukup

3. Himpunan Fuzzy Tbanyak

Gambar 4 - Label Parameter Luas Bangunan

2. Himpunan Fuzzy Bintermediate

3. Himpunan Fuzzy Bluas

Gambar 5 - Label pada Parameter Kategori UKT

2. Himpunan Fuzzy Kategori 2

3. Himpunan Fuzzy Kategori 3

4. Himpunan Fuzzy Kategori 4

5. Himpunan Fuzzy Kategori 5

atau dapat diformulasikan sebagai berikut:

2. Jumlah Tanggungan (T)

3. Luas Bangunan (B)

Tahap 2: Rule Evaluation

a. FAM untuk Penghasilan Rendah

b. FAM untuk Penghasilan Sedang

c. FAM untuk Penghasilan Tinggi

2.2 Aplikasi Operator Fuzzy

Metode yang digunakan adalah Metode Mamdani (Min Max).

(1) Aturan #13 (lihat Gambar 6)

Gambar 6 - Proses Menghasilkan Output Fuzzy Aturan #13

(2) Aturan #14 (lihat Gambar 7)

!" [$] Penghasilan Orang Tua

!( [T] Jumlah Tanggungan !) [B] Luas Bangunan

Gambar 7 - Proses Menghasilkan Output Fuzzy Aturan #14

(3) Aturan #22 (lihat Gambar 8)

!" [$] Penghasilan Orang Tua

!( [T] Jumlah Tanggungan !) [B] Luas Bangunan

Gambar 8 - Proses Menghasilkan Output Fuzzy Aturan #22

(4) Aturan #23 (lihat Gambar 9)

!( [T] Jumlah Tanggungan !) [B] Luas Bangunan

Gambar 9 - Proses Menghasilkan Output Fuzzy Aturan #23

Sebenarnya selain 4 aturan di atas, jugu terkena aturan lain seperti:

2.3 Komposisi Semua Output Fuzzy

Gambar 10 - Komposisi Semua Output

Fuzzy Output untuk Data ini adalah:

Estimasi parameter a, b, c, d, e, dan f dilakukan dengan menggunakan fungsi keanggotaan dari

Gambar 11 - Area dalam Ouput Fuzzy

0.75; 36.25 < 45

Gambar 12 - Pembagian Luas Area dari Output Fuzzy

Menghitung Luas Area:

Flowchart Aplikasi UKT Untirta

Input data Mhs P,

Gambar 13 Flowchart Makro Aplikasi Fuzzy UKT

b. Flowchart Proses Fuzzification

Hitung Pr = (3000P)/2000, Ps = (P1000)/2000, pt = 0

3000 < P 6000?

Hitung Bk = (60b)/24, Bi = (B36)/24, dan Bl = 0

6000 < P 8000?

Gambar 14 Flowchart Proses Fuzzification

c. Flochart Proses Rule Evaluation

Set k404 = min(Pti,

Set k501 = min(Pti,

Set k502 = min(Pti,

Set k304 = min(Pti,

Set k405 = min(Pti,

Set k503 = min(Pti,