KOMPUTASI CERDAS

“PAPER”

NAMA NIM DOSEN PARAF

IHLASULAMAL 1929141034

PROGRAM STUDI TEKNIK KOMPUTER

JURUSAN TEKNIK INFORMATIKA DAN KOMPUTER

FAKULTAS TEKNIK

UNIVERSITAS NEGERI MAKASSAR

2021
1. Judul : Segmentasi Citra Ikan Tuna dengan Mahalanobis Histogram Thresholding dan
Mahalanobis Fuzzy C-Means
Oleh :Andi Baso Kaswar1, Agus Zainal Arifin2, Arya Yudhi Wijaya3
Masuk : 19 Januari 2016; Direvisi: 30 Januari 2016; Diterima: 2 Februari 2016

BIDANG  Perikanan
 Teknologi
METODE Metode yang digunakan terdiri atas tiga tahap utama, yaitu:
 Inisialisasi centroid
 pengklasteran piksel
 peningkatan akurasi

HASIL Hasil yang diperoleh menunjukkan bahwa metode yang diusulkan dapat
meningkatkan efisiensi metode segmentasi dalam hal jumlah iterasi dan waktu
segmentasi. Selain itu, metode yang diusulkan dapat memberikan hasil segmentasi
yang lebih akurat dibandingkan dengan metode konvensional
Berikut hasil perbandingan dari metode yang digunakan dengan metode
sebelumnya

2. Judul : Implementasi Fuzzy Logic Penentuan Kelayakan Karyawan Mendapatkan reward

Ditoko Roti Menggunakan Metode Tsukamoto
Oleh : Syahnandar1 , Rahmat Hidayatullah2 , Nur Rubiati3 , Rahmad Kurniawan4
Masuk : Jurnal Informatika, Manajemen dan Komputer, Vol. 10 No. 2, Desember 2017
BIDANG  Bisnis dan perdagangan
METODE Menggunakan Sistem Pendukung Keputusan, yaitu metode fuzzy logic
Tsukamoto dengan menerapkan variabel-variabel sebagai data
pendukung yang meliputi Kinerja Kedisiplinan dan Kemampuan yang
menjadi kriteria dalam penilaian
HASIL Penentuan reward ini ditentukan setiap akhir bulan, dengan bertujuan
untuk meningkat kualitas kinerja karyawan, maksud reward disini ialah
berupa uang yang akan diberikan pada tiaptiap karyawan setelah
melakukan penilaian berdasar kualitas yang dimiliki, variabel reward
yang akan digunakan dalam penilaian ini terdiri dari 3 himpunan fuzzy
yaitu” TIDAK DAPAT” , DIPERTIMBANGKAN” dan “DAPAT

Untuk variabel reward dikategorikan kedalam himpunan fuzzy tidak

dapat, dipertimbangkan, dan dapat. Untuk himpunan Fuzzy tidak dapat
dan dapat menggunakan pendekatan fungsi keanggotaan. Jadi, Reward
dipertimbangkan mengunakan nilai keanggotaan

Adapun hasil akhir yaitu sbb

1. Halaman Login
Setelah masuk kedalam sistem, user harus terlebih dahulu login
dengan cara menginput user dan password dengan benar

2. Halaman Utama
Pada from menu utama terdapat menu yang memiliki beberapa
sub-sub menu yaitu:

3. Halaman Input Data User

Pada from input data user digunakan untuk melakuakan
pengantian password sebagai penggunaan baru

4. Halaman Input Data nilai

Pada from input data nilai karyawan adalah berisis nilai yang
didapati karyawan diperusahaan roti tersebut.
 5. Halaman Output Transaksi
Pada from transaksi berisi proses dari penjumlahan seluruh nilai,
untuk mendapatkan keputusan karyawan yang layak mendapat
reward atas prestasinya

6. Laporan Data Penilaian Karyawan

Pada halaman laporan adalah hasil input dari tabel yang telah
ditentukan dengan nilainya

3. Judul : IMPLEMENTASI FUZZY LOGIC UNTUK SORTASI BUAH TOMAT SECARA

Oleh: Agustinus Sianipar1 , Koko Handoko2

Masuk : 2020

BIDANG  Pertanian

METODE Metode Mamdani Dalam penelitian ini menggunakan logika fuzzy

Mamdani. Untuk mendapatkan hasil keluaran dengan metode Mamdani,
memerlukan 4 tahapan (Sundari).
1) Pembentukan himpunan fuzzy
Proses ini merupakan langkah awal dalam metode Mamdani
dengan membagi menjadi 1 atau lebih setiap variabel ke dalam
bentuk himpunan fuzzy.
2) Fungsi implikasi
Merupakan tahap memodifikasi daerah fuzzy dari setiap rule
yang berlaku untuk menentukan nilai keluaran. Fungsi implikasi
yang digunakan dalam metode Mamdani adalah metode min.
3) Komposisi aturan
Tahapan selanjutnya adalah mencari komposisi aturan. Ada 3
metode yang digunakan dalam Mamdani yaitu max, additive,
 dan prpbabilistic OD. Metode yang digunakan dalam penelitian
ini adalah metode max.
4) Defuzzyfikasi
Sebagai proses akhir yang bertugas sebagai penegasan terhadap
komposisi aturan sebagai hasil akhir. Penegasan dilakukan
dengan metode centroid.
HASIL Dalam penelitian ini terdapat 2 variabel input dan 1 variabel output.
Variabel input terdiri atas warna dan ukuran sedangkan variabel output
adalah kualitas tomat. Implementasi logika fuzzy dalam penelitian ini
terdapat pada variabel warna dimana untuk menentukan warna tomat
digunakan kombinasi RGB (red, green dan blue). Berikut merupakan
data RGB yang terdapat pada tomat dengan menggunakan sensor
TCS3200 dengan jarak sensor 4cm.

 Proses infersia
[R1] Jika warna Hijau dan ukuran Kecil maka Buruk
[R2] Jika warna Hijau dan ukuran Sedang maka Buruk
[R3] Jika warna Hijau dan ukuran Besar maka Buruk
[R4] Jika warna Kuning dan ukuran Kecil maka Buruk
[R5] Jika warna Kuning dan ukuran Sedang maka Sedang
[R6] Jika warna Kuning dan ukuran Besar maka Sedang
[R7] Jika warna Merah dan ukuran Kecil maka Sedang
[R8] Jika warna Merah dan ukuran Sedang maka Bagus
[R9] Jika warna Merah dan ukuran Besar maka Bagus

 Pengujian 1
Dari data pengujian pada sensor TCS3200 dan sensor load cell weighing
maka didapatkan persentase warna 85 dengan ukuran berat 100gram.
Input: warna = 85 dan ukuran = 100
1. Warna meliputi 3 himpunan fuzzy antara lain hijau, kuning dan
merah. Dengan nilai warna yang telah diketahui sebesar 85
2. Ukuran meliputi 3 himpunan fuzzy antara lain Kecil, Sedang
dan Besar. Dengan nilai ukuran yang telah diketahui sebesar
100, maka:
µKecil [100] = 0
µSedang [100] = 0
µBesar [100] = (x-a)/(b-a)
= (100-80)/(105- 80)
= 20/25
= 0,8
 Pengujian 2
Dari data pengujian pada sensor TCS3200 dan sensor load cell weighing
maka didapatkan persentase warna 24 dengan ukuran berat 92gram.
Input: Warna = 24 dan Ukuran = 92
1. Warna meliputi 3 himpunan fuzzy antara lain Hijau, Kuning dan
Merah. Dengan nilai warna yang telah diketahui sebesar 24,
maka:
µHijau [24] = (c-x)/(c-b) = (35-24)/(35-17,5) = 11/17,5 = 0,6286
µKuning [24]= 0
µMerah [24] = 0
 2. Ukuran meliputi 3 himpunan fuzzy antara lain Kecil, Sedang
dan Besar. Dengan nilai ukuran yang telah diketahui sebesar 92,
maka:
µKecil [92] = 0
µSedang [92] = 0
µBesar [100] = (x-a)/(b-a) = (92-80)/(105-80) = 12/25 = 0,48

 Pengujian Alat
Pengujian alat dilakukan dengan mengetes cara kerja sensor yang
terdapat pada konveyor. Masing-masing sensor akan menganalisis setiap
tomat yang melewati. Dengan jeda waktu 3 detik hasil analisis data akan
dikirim ke arduino yang telah di program untuk menentukan hasil
keputusan analisis. Tomat yang telah dianalisis kemudian akan
dijatuhkan ke konveyor dengan menggunakan motor servo. Ketika
arduino sudah mendapatkan hasil keputusan kemudian mengirimkan
sinyal kepada motor DC yang bertugas untuk menampung tomat yang
telah dianalisis. Penampungan tomat merupakan output daripada sortasi
tomat. Terdapat 3 wadah penampungan yang terdiri atas wadang kualitas
terbaik, wadah kualitas sedang dan wadang kualitas
4. Judul : Penggunaan Fuzzy Logic & Metode Mamdani untuk Menghitung
PembelianPenjualan dan Persediaan
Oleh : Maria Yus Trinity Irsan, Matius Irsan Kasau, Ika Pratiwi Simbolon
Masuk :2019

BIDANG  Ekonomi perdagangan

METODE Metode Mamdani
Pada Penelitian ini, yang ditetapkan sebagai masukan (input) adalah
atribut Penjualan dan Persediaan, sementara yang menjadi keluaran
(output) adalah Pembelian. Sebagai misal, diketahui Penjualan ayam
potong (maksudnya setelah digoreng) dan Persediaan ayam potong
masing masing sebanyak tertentu
1. Fuzzyfikasi
yaitu mengubah nilai crisp keanggotaan menjadi derajat keanggotaan,
misalnya berapakah derajat keanggotaan atribut Persediaan ketika
jumlah Persediaan 15 ekor? Jawabnya adalah derajat keanggotaan
SEDIKIT 15−10:25 = 1 5 dan derajat keanggotaan BANYAK 35−15:
25 = 4 5 . Demikian juga untuk Atribut lainnya.

2. Pembentukan aturan array

Aturan Fuzzy (Fuzzy Rule) untuk Metode Mamdani dilakukan
menggunakan operasi logika AND pada aturan IF-THEN. Untuk
kasus Rumah Makan ayam goreng ini pembentukan aturan fuzzynya
adalah 4 aturan (Rule) sebagai berikut:
[𝑹𝟏 ] IF Penjualan TURUN AND Persediaan BANYAK THEN
Pembelian BERKURANG
[𝑹𝟐 ] IF Penjualan TURUN AND Persediaan SEDIKIT THEN
Pembelian BERKURANG
[𝑹𝟑 ] IF Penjualan NAIK AND Persediaan BANYAK THEN
 Pembelian BERTAMBAH
[𝑹𝟒 ] IF Penjualan NAIK AND Persediaan SEDIKIT THEN
Pembelian BERTAMBAH

3. Implikasi
Implikasi digunakan untuk menganalisis logika fuzzy dengan metode
fungsi MIN, atau dengan rumus A AND B = MIN(A,B).

4. Aggresi/ Komposisi
Agregasi mencari nilai MAX dari himpunan seluruh nilai MIN, atau
dengan rumus MAX = MAX dari MIN(MIN1, MIN2,....,MINn)

5. Defuzzyfikasi
Defuzzyfikasi Defuzzyfikasi adalah proses menghitung nilai crisp
keanggotaan yang dicari berdasarkan nilai MAX pada
Agregasi/Komposisi. Metode Mamdani mencari nilai Centroid dari
luas grafik fungsi Pembelian dengan batas derajat keanggotaan MAX
tersebut. Berikut ini diperlihatkan proses perhitungan Centroid
metode Mamdani untuk input Penjualan 60 ekor dan 80 ekor dan
input Persediaan 15 ekor dan 30 ekor.
HASIL Hasil perhitungan pembelian metode mamdani untuk kelas 4 kasus

Untuk mendapatkan hasil perhitungan output Pembelian untuk berbagai

nilai keanggotaan Penjualan dan Persediaan sebagai input, dapat
digunakan program aplikas fuzzy logic FIS (Fuzzy Inference System).
Perhatikan bahwa pada Tabel 3 jumlah Persediaan ditambahkan dengan
jumlah Pembelian seharusnya minimal sama dengan jumlah Penjualan.
Anggapan demikian keliru, sebab jumlah Penjualan tersebut hanyalah
perkiraan teoritis. Hasil perhitungan pada Tabel 3 tidak boleh
bertentangan dengan isi Tabel 1 yang minimal dibutuhkan sebanyak 50
ekor yang terjadi pada hari Kamis 7 Februari 2019. Hasil perhitungan
pada Tabel 3 memperlihatkan Persediaan ditambah Pembelian minimal
53 ekor yang memenuhi dan lebih besar dari 50 ekor keadaan minimal
5. Judul : Penerapan Fuzzy Logic Sebagai Pendukung Keputusan Dalam Upaya Optimasi
Penjualan
Oleh : Thomson Mary
Masuk :2020
BIDANG  Ekonomi perdagangan
METODE Metode fuzzy Mamdani
Metode mamdani sering dikenal dengan metode Max-min. Metode ini
diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk
mendapatkan output, diperlukan 4 tahapan. Fuzzyfikasi

Kusumadewi dan Hari Purnomo, 2010) :

 1) Pembentukan himpunan fuzzy Pada metode mamdani, baik variabel
input maupun variabel output dibagi menjadi satu atau lebih himpunan
fuzzy.
2) Aplikasi fungsi implikasi Pada metode mamdani, fungsi implikasi
yang digunakan adalah min.
3) Kompisisi aturan Tidak seperti penalaran momoton, apabila sistem
terdiri dari beberapa aturan, maka inferensi diperoleh dari kumpulan dan
kolerasi. Ada 3 metode yang digunakan dalam melakukan inferensi
sistem fuzzy, yaitu max, additive dan probabilistik OR (probor).

Dalam optimasi penjualan ini menggunakan inferensi metode max Pada

metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil
nilai maksimum atruan,kemudian menggunakannya untuk memodifikasi
daerah fuzzy, dan mengaplikasikannya ke output dengan menggunakan
operator OR (union).
Jika semua proposisi telah dievaluasi, maka output akan berisi suatu
himpunan fuzzy yang merefleksikan kontribusi dari tiap tiap proposisi.
Dituliskan : µsf[xi] = max (µusf [Xi], µkf [Xi])

Dengan :
µsf[Xi] =nilai keanggotaan- nya solusi fuzzy sampai aturan ke i
µkf[Xi] = nilai keanggotaan konsekuan fuzzy aturan ke i

4) Penegasan (defuzzy)
Input proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh
dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan
merupakan suatu bilangan pada domain himpunan fuzzy dalam range
tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai
output.

Ada beberapa metode defuzzifikasi pada komposisi aturan mamdani,

antara lain (Kusumadewi, 2002) : a) Metode centroid (Composite
Moment) Pada metode ini, solusi crisp diperoleh dengan cara mengambil
titik pusat (z*) daerah fuzzy. Secara umum dirumuskan :

HASIL Dalam menentukan perancangan sistem, terdapat 4 variabel input yaitu:

variabel order/produksi, persediaan, penjualan dan biaya, serta terdapat 1
variabel output yaitu variabel nilai optimasi. hal ini dapat dilihat pada
gambar berikut:
Variabel order/produksi adalah input yang merupakan banyaknya jumlah
produksi berdasarkan order yang nilainya diambil dari nilai rata-rata
penjualan dan persediaan barang perminggu sehingga ditentukan jumlah
barang yang akan diproduksi.

dimiliki dapat dibagi menjadi 3 himpunan fuzzy, yaitu: sedikit, sedang

dan banyak. Himpunan fuzzy kurang akan memiliki domain [200-350],
dengan derajat keanggotaan sedikit, tertinggi (=1) terletak pada nilai
200. Apabila nilai variabel order/produksi semakin melebihi dari 200,
maka nilainya semakin mendekati sedang. Himpunan fuzzy sedikit
direpresentasikan dengan fungsi keanggotaan bahu kiri,

Himpunan fuzzy sedang akan memiliki domain [250-450], dengan

derajat keanggotaan sedang, tertinggi (=1) terletak pada nilai 350.
Apabila nilai variabel order/produksi semakin melebihi 350, maka
nilainya semakin mendekati banyak. Himpunan fuzzy sedang
direpresentasikan dengan fungsi keanggotaan segitiga dengan derajat
keanggotaan semakin baik apabila nilai mendekati 350.

Himpunan fuzzy banyak akan memiliki domain [350-610], dengan

derajat keanggotaan banyak tertinggi (=1) terletak pada nilai 610.
Apabila nilai variabel order/produksi kurang dari 610, maka nilainya
semakin mendekati sedang. Himpunan fuzzy banyak direpresentasikan
dengan fungsi keanggotaan bahu kanan.

persediaan, penjualan dan biaya cara kerjanya hampir sama.

Penegasan (defuzzy)
Input proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh
dari komposisi aturasn aturan fuzzy, sedangkan output yang dihasilkan
merupakan suatu bilangan pada domain himpunan fuzzy dalam range
tertentu,

KESIMPULAN
Dari hasil penelitian tersebut maka metode fuzzy logic mamdani untuk
penelitian optimasi penjualan, sesuai hasil yang di inginkan dan metode
fuzzy logic mamdani dapat digunakan untuk optimasi penjualan.