Januari Audrey
2007048012
Magister Komputer
Januari, 2021
Tesis
Januari Audrey
2007048012
Dipertahankan di depan Dewan Penguji
Tanggal 14 Januari 2021
Drs. Abdul Fadlil, M.T., Ph.D. Drs. Abdul Fadlil, M.T., Ph.D.
Pembimbing 1 / Ketua Penguji Penguji 2
ii
Pernyataan Tidak Plagiat
Saya yang bertanda tangan di bawah ini:
Nama : Januari Audrey
NIM : 2007048012
Email :. january2007048012@webmail.ac.id
Program Studi : Magister Teknik Informatika
Fakultas : Teknologi Industri
Judul Tesis : Perbandingan Metode Sugeno dan Mamdani Untuk Prediksi
Jumlah Mahasiswa Baru Pada STMIK Dumai
Pernyataan ini saya buat dengan sesungguhnya. Apabila di kemudian hari terbukti ada
penyimpangan dan ketidak benaran dalam pernyataan ini maka saya bersedia
menerima sanksi akademik berupa pencabutan gelar yang telah diperoleh karena karya
saya ini, serta sanksi lain yang sesuai dengan ketentuan yang berlaku di Universitas
Ahmad Dahlan.
Januari Audrey
iii
Pernyataan Persetujuan Akses
Saya yang bertanda tangan di bawah ini:
Nama : Januari Audrey
NIM : 2007048012
Email :. january2007048012@webmail.ac.id
Program Studi : Magister Teknik Informatika
Fakultas : Teknologi Industri
Judul Tesis : Perbandingan Metode Sugeno dan Mamdani Untuk Prediksi
Jumlah Mahasiswa Baru Pada STMIK Dumai
Dengan ini saya menyerahkan hak Sepenuhnya kepada Pusat Sumber Belajar
Universitas Ahmad Dahlan untuk menyimpan, mengatur akses serta melakukan
pengelolaan terhadap karya saya ini dengan mengacu pada ketentuan akses tesis
elektronik sebagai berikut :
Januari Audrey
Mengetahui,
Pembimbing Tesis 1 Pembimbing Tesis 2
iv
“Jika Anda tidak dapat menjelaskan suatu hal secara sederhana, itu artinya Anda
belum cukup paham.” -Albert Einstein
“Jangan bersedih atas apa yang telah berlalu, kecuali jika itu bisa membuatmu
bekerja lebih keras untuk masa depan (yang lebih baik).” -Umar bin Khattab
v
Kata Pengantar
Bismillahirrahmaanirrahiim,
Assalaamu’alaikum warahmatullaahi wabarakaatuh
Segala puji bagi Allah swt yang telah memberikan rahmat, hidayah, dan inayah
kepada hamba-Nya sehingga penulis dapat menyelesaikan Tesis ini.
Penulis menyadari bahwa keberhasilan dalam menyelesaikan laporan ini berkat
dorongan dan bimbingan berbagai pihak. Oleh karena itu, dalam kesempatan ini
penulis menghaturkan terimakasih dan penghargaan kepada Bapak Sunardi, S.T.,
M.T., Ph.D. Dekan Fakultas Teknologi Industri juga selaku Pembimbing Tesis 2
yang rela diganggu setiap saat selama proses penulisan tesis, Bapak Drs. Abdul
Fadlil, M.T., Ph.D. Kaprodi S2 Teknik Informatika juga selaku Pembimbing Tesis
1. Terimakasih juga penulis haturkan kepada seluruh dosen Magister Teknik
Informatika yang telah memberikan banyak ilmu dan wawasan.
Selanjutnya penulis juga menyampaikan terima kasih kepada rekan-rekan
angkatan 10 di MTI UAD dan berbagai pihak yang tidak dapat disebutkan satu
persatu.
Terakhir, penulis sangat mengharapkan saran dan kritik yang membangun, karena
Tesis ini sangat jauh dari sempurna. Semoga Allah meridhoi langkah kita. Amin.
Wassalaamu’alaikum warahmatullaahi wabarakaatuh
Yogyakarta, 14 Januari 2021
Penulis
Daftar Is
vi
i
vii
Daftar Acuan........................................................................................................31
Daftar Lampiran..................................................................................................33
Daftar Riwayat Hidup.....................................................................................34
viii
Daftar Gambar
ix
Daftar Tabel
x
Audrey, Januari. (2021). Perbandingan Logika Fuzzy Metode Sugeno dan Mamdani
Untuk Prediksi Jumlah Mahasiswa Baru Pada SMTIK Dumai. Tesis, Magister
Teknik Informatika, Universitas Ahmad Dahlan, Yogyakarta.
Abstrak
Kata kunci: Mahasiswa Baru, Logika Fuzzy, Sugeno, Mamdani, Prediksi, Matlab
xi
Audrey, Januari. (2021). Perbandingan Logika Fuzzy Metode Sugeno dan Mamdani
Untuk Prediksi Jumlah Mahasiswa Baru Pada SMTIK Dumai. Thesis, Master
Program of Informatics, Universitas Ahmad Dahlan, Yogyakarta.
Abstract
xii
Bab 1
Pendahuluan
Bagi perguruan tinggi, mahasiswa merupakan salah satu komponen penting. Jika
pada perguruan tinggi tersebut tidak mempunyai mahasiswa atau hanya memiliki
sedikit mahasiswa maka proses pembelajaran tidak akan berjalan dengan baik.
merupakan salah satu perguruan tinggi yang setiap tahun ajaran baru membuka
Dumai melalui seleksi nilai rapor. Dari prosesPMB ini dapat dilihat banyaknya
akan berjalan kurang efisien dan efektif sehingga diperlukan adanya prediksi
1
jumlah mahasiswa baru untuk meningkatkan efektivitas dan efisensi dalam
Prediksi jumlah mahasiswa baru bisa dilakukan dengan logika fuzzy yaitu metode
laju kendaraan yang diekspresikan dengan pelan, agak cepat, cepat, dan sangat
cepat. Logika fuzzy menunjukkan sejauh mana suatu nilai itu benar dan sejauh
mana suatu nilai itu salah. Logika fuzzy adalah cara yang tepat untuk memetakan
ruang input kedalam ruang output. Fuzzy dinyatakan dalam derajat dari
keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan
sebagian benar dan sebagian salah pada waktu yang sama.Model ini memiliki
dan memanfaatkan data dan informasi yang tidak jelas dan kurang pasti
Pada penelitian ini diterapkan metode Sugeno dan Mamdaniuntuk prediksi jumlah
mahasiswa baru pada STMIK Dumai agar dapat membantu dan mempermudah
dalam perencanaan akademik perguruan perguruan tinggi. Selain itu juga dapat
digunakan sebagai pembanding antar metode Sugeno dan Mamdani pada studi
2
1.2 Identifikasi Masalah
3. Jumlah mahasiswa baru yang berubah ubah setiap tahunnya dan tidak
3. Data mahasiswa baru yang digunakan adalah data mahasiswa pada tahun
2013-2016.
3
1.4 Rumusan Masalah
Mamdani
mahasiswa baru.
mahasiwa baru.
4
3. Memberikan pandangan terhadap jumlah mahasiswa baru pada STMIK
Dumai
5
Bab 2
Tinjauan Pustaka
dan perbandingan dengan metode yang telah digunakan terhadap studi kasus yang
nilai rata-rata dari hasil yang diperoleh pada kedua metode fuzzy tersebut.
Variabel yang digunakan adalah kisaran kondisi, warna, merk, kisaran jarak
yang telah ditempuh dan kisaran harga mobil bekas. diambil kesimpulan
±22%.
6
2. Penelitian yang dilakukan oleh Batubara (2017) berfokus pada bidang
konstruksi bangunan yaitu kualitas beton. Beton yang terdiri atas semen,
agregat kasar, agregat halus dan air dengan atau tanpa bahan tambah
membentuk massa padat yang juga akan menjadi data untuk menentukan
input berupa jumlah penduduk miskin dan jumlah rata-rata stok, sedangkan
variabel output berupa jumlah distribusi raskin. Dari ketiga metode diperoleh
(39,05%), dan Sugeno (7,45%). Untuk uji hipotesis hanya metode Sugeno
yang hipotesisnya diterima sehingga dari dua teknik evaluasi output, metode
Cianjur.
7
mahasiswa yang lulus dan registrasi dari tahun sebelumnya dan dalam
dengan metode Tsukamoto sebesar 39,03 % dan Sugeno sebesar 86,41 % pada
prediksi peluang kejadian hujan menggunakan fuzzy logic tipe Mamdani dan
THEN). Model dibangun dan hasilnya diuji pada musim hujan, musim
dengan akurasi 77%, 80%, dan 84%. Sementara tipe Sugeno memperoleh
8
MSE dengan nilai error 13, sedangkan pada kriteria MAPE nilai errornya
adalah 41,5%.
based system. Dalam penelitian ini dibahas penentuan banyaknya seroja yang
harus diproduksi di Toko Mang Momod yang merupakan toko grosiran dan
juga salah satu pusat produksi seroja di Desa Cibeureum, Kecamatan Talaga,
Kabupaten Majalengka. Dalam kasus ini terdapat empat variabel, yaitu tiga
turun dan naik, nilai linguistik variabel persediaan yaitu sedikit dan banyak,
nilai linguistik dari kondisi kelayakan yaitu sedikit dan banyak, sedangkan
nilai linguistik dari variabel produksi yaitu berkurang dan bertambah. kedua
bahwa metode tsukamoto memiliki tingkat error terkecil yaitu 0,6% artinya
metode terbaik untuk memprediksi nilai ekspor sepatu kulit ke Jepang dalam
aplikasi logika fuzzy agar dapat mengoptimalkan nilai ekspor. Hasil penelitian
memiliki hasil yang paling dekat dengan hasil sebenarnya dengan tingkat error
9
dalam memprediksi jumlah optimal ekspor HS 6403 Indonesia ke Jepang
Mamdani, dan Sugeno untuk menentukan produksi dupa (studi kasus: CV.
maka dapat disimpulkan bahwa nilai MAPE pada metode Tsukamoto sebesar
1,314%. Metode Sugeno memiliki nilai error terkecil pada jumlah produksi
dupa, nilai error didapat dari perbandingan data hasil produksi setiap metode
Berdasarkan hasil yang didapat metode Sugeno yang paling baik untuk
hasil prediksi metode logika fuzzy dengan data produksi sebenarnya. Dari
pengujian prediksi menggunakan metode logika fuzzy ini, Dari ketiga metode
prediksi dengan hasil produksi perusahaan tidak jauh berbeda yang dapat
10
Tabel 2.1 menunjukkan rangkuman penelitian terdahulu yang digunakan dalam
penelitian.
N Metode
Peneliti Hasil
o
1 Batubara (2017) Mamdani dan Sugeno Mamdani dan Sugeno bisa dipakai dalam menentukan
kualitas tetapi yang lebih direkomendasikan adalah metode
Mamdani karena metode Mamdani hasil perhitunganya
lebih mendekati hasil yang sebenarnya dibandingkan
dengan sugeno.
2 Harmoko & Az Mamdani dan Sugeno Model fuzzy logic tipe mamdani sangat handal dibanding
(2012) tipe sugeno untuk digunakan sebagai model prakiraan pada
semua musim
3 Irfan et al (2018) Mamdani, tsukamoto Metode Mamdani yang lebih tepat dan akurat untuk kasus
dan Sugeno prediksi jumlah pendaftar mahasiswa baru Fakultas Sains
dan Teknologi Universitas Islam Negeri Sunan Gunung
Djati Bandung.
4 Minarni Mamdani, tsukamoto Tsukamoto memiliki nilai error yang paling sedikit yang
&Aldyanto (2016) dan Sugeno artinya hasil prediksi jumlah produksi dengan metode
tsukamoto tidak berbeda jauh dari jumlah produksi yang di
lakukan perusahaan.
5 Ni’mah & Tsukamoto dan Metode fuzzy mamdani lebih kecil dibandingkan dengan
Oktafianto (2019) Mamdani metodefuzzy
tsukamoto dengan nilai selisih error sebesar 13 hari
6 Prasetyo et al Tsukamoto dan Keakuratan kedua metode dicari menggunakan formula
(2016) Mamdani seperti pada persamaan dan hasilnya bahwa metode
tsukamoto memiliki tingkat error terkecil yaitu 0,6% artinya
tsukamoto-lah yang lebih baik daripada metode mamdani.
7 Rohimah (2019) Mamdani, tsukamoto Metode yang
dan Sugeno mandekati dengan hasil ekspor HS6403 yaitu
metode mamdani $6, 900 sugeno $ 8,520, dan
Tsukamoto $7,700.
8 Suardika et al. Mamdani, tsukamoto Metode Sugeno yang paling baik digunakan dibandingkan
(2018) dan Sugeno dengan metode Tsukamoto dan metode Mamdani.
Mamdani, tsukamoto Hanya metode Sugeno yang hipotesisnya diterima
Widaningsih dan Sugeno sehingga dari dua teknik evaluasi output, metode Sugeno
9
(2017) yang terbaik untuk pengambilan keputusan jumlah distribusi
raskin di Cianjur.
Tsukamoto dan Metode fuzzy Tsukamoto lebih mahal dibandingkan dengan
Yurida et al Mamdani hasil perkiraan harga mobil bekas menggunakan metode
10
(2017) fuzzy Mamdani dengan selisih rata-rata Rp.21.800.000,00
atau sekitar ±22%.
Penelitian yang akan dilakukan berjudul Perbandingan Logika Fuzzy Metode Sugeno
dan Mamdani (studi kasus prediksi jumlah pendaftaran mahasiswa baru Pada STMIK
memprediksi jumlah mahasiswa baru pada STMIK Dumai. Aplikasi yang digunakan
adalah Matlab.
11
2.2 Landasan Teori
Menurut Irfan et al. (2018) yang diambil dalam KBBI, prediksi adalah kegiatan
untuk menduga hal yang akan terjadi. Beberapa definisi lainnya tentang prediksi:
paling mungkin terjadi dimasa depan berdasarkan informasi masa lalu dan
sekarang yang dimiliki, agar kesalahannya (selisih antara suatu yang terjadi
12
Komparasi dalam Bahasa Inggris adalah comparation, yaitu perbandingan.
Makna dari kata tersebut menunjukkan bahwa penelitian ini peneliti bermaksud
mengadakan perbandingan kondisi yang ada dan apakah kedua kondisi tersebut
sama atau ada perbedaan seperti dinyatakan Arikunto (2010) dalam Irfan et al.
(2018).
Logika fuzzy merupakan salah satu pembentuk soft computing. Logika fuzzy
pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun 1965. Dasar
function menjadi ciri utama dari penalaran dengan logika fuzzy tersebut
adalah:
2008).
dengan logika digital yang hanya memiliki dua nilai 1 atau 0. Logika fuzzy
13
Bahasa (linguistic), misalkan besaran kecepatan laju kendaraan yang
diekspresikan dengan pelan, agak cepat, cepat, dan sangat cepat. Logika fuzzy
menunjukkan sejauh mana suatu nilai itu benar dan sejauh mana suatu nilai itu
salah. Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang
input kedalam suatu ruang output. Fuzzy dinyatakan dalam derajat dari suatu
keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan
sebagian benar dan sebagian salah pada waktu yang sama.Hal ini dikutip dalam
Proses pada sistem fuzzy yaitu dari input yang berupa data real diubah
mesin inferensi fuzzy dengan aturan dasar fuzzy yang selanjutnya ditegaskan
Dalam teori logika fuzzy, sebuah nilai bisabernilai benar dan salah secara
bersamaan, namun berapa besar kebenaran dan kesalahan suatu nilai tergantung
Logika fuzzy adalah metodologi sistem kontrol pemecahan masalah yang cocok
untuk diimplementasikan pada sistem, mulai dari sistem yang sederhana, sistem
kecil, embedded system, jaringan PC, multi channel atau workstation berbasis
akuisisi data, dan sistem kontrol. Metodologi ini dapat diterapkan pada perangkat
keras, perangkat lunak, atau kombinasi keduanya. Dalam logika klasik dinyatakan
bahwa segala sesuatu bersifat biner, yang artinya adalah hanya mempunyai dua
kemungkinan, “Ya atau Tidak", “Benar atau Salah”, ”Baik atau Buruk”, dan lain
lain. Oleh karena itu, semua ini dapat mempunyai nilai keanggotaan 0 atau 1.
14
antara 0 dan 1. Artinya, bisa saja suatu keadaan mempunyai dua nilai “Ya dan
Tidak”, “Benar dan Salah”, “Baik dan Buruk” secara bersamaan, namun besar
Aldyanto, 2016).
fuzzy
Terdapat tiga jenis fuzzy yang termasuk Fuzzy Inference System, yaitu
Aldyanto, 2016).
15
2.2.4. Metode Mamdani
sebagai berikut:
input maupun variabel output dibagi menjadi satu atau lebih himpunan
fuzzy.
nilai tegas (crisp) dari himpunan fuzzy. Salah satu metode defuzzifikasi
Metode Mamdani pertama kali dikemukakan oleh Ebrahim Mamdani pada tahun
1975. Metode inidigunakan untuk mengendalikan mesin uap dan boiler yang
berikut:
16
3. Operasi logika fuzzy, perlu dilakukan jika bagian antecedent lebih dari satu
Operator fuzzy untuk melakukan operasi and dan or bisa dibuat sendiri.
fuzzy set keluaran. Consequent atau keluaran dari aturan fuzzy ditentukan
digunakan fungsi impilkasi min maka metode agregasi ini disebut dengan
6. Defuzzifikasi: input dari proses ini adalah suatu himpunan fuzzy yang
Disebut juga metode sistem inferensifuzzy TSK yang diperkenalkan oleh Takagi,
Sugeno, dan Kang tahun 1985. Output dari sistem inferensi fuzzy diperlukan
empat tahap sama seperti metode Mamdani, yang membedakan adalah pada tahap
defuzifikasi. Pada proses ini output berupa bilangan crisp(Minarni & Aldyanto,
17
Penalaran metodeSugeno hampir sama dengan metode Mamdani, yang
membedakan adalah output yang berupa konstanta atau persamaan linier dan
bukan himpunan fuzzy. Metode ini terdiri dari dua jenis, yaitu:
1. Model Fuzzy Sugeno Orde – Nol Secara umum bentuk model fuzzy Orde
2. Model Fuzzy Sugeno Orde – Satu Secara umum bentuk model fuzzy Sugeno
Orde nol adalah IF (x1 is A1) o…. o (XNis AN) THEN z = p1*x1 + ... +
adalah suatu konstanta (tegas) ke-i dan q juga merupakan konstanta dalam
merupakan salah satu perguruan tinggi swasta yang terletak di kota Dumai yang
setiap tahun ajaran baru membuka Penerimaan Mahasiswa Baru (PMB) untuk
Informatika dan Komputer (STMIK) Dumai melalui seleksi nilai rapor. Dari
proses PMB ini dapat dilihat banyaknya jumlah pendaftar. Data pendaftaran
tinggi dalam membuat rancangan kebutuhan dengan lebih efektif dan efisien.
18
Bab 3
Metodologi
ilmiah, objek penelitian ini menjadi sasaran dalam penelitian untuk mendapatkan
objek penelitian adalah sasaran ilmiah untuk mendapatkan data dengan tujuan
dan kegunaan tertentu tentang sesuatu hal objektif, valid, dan reliable tentang
Objek penelitian dalam penelitian ini adalah mahasiswa baru pada Sekolah Tinggi
tinggi. Selain itu juga dapat digunakan sebagai pembanding antar metode Sugeno
Alat yang digunakan dalam penelitian ini dalam bentuk hardware dapat dilihat
Tabel 3.1. Jelaskan secara umum isi tabel.
19
Tabel 3.1 Alat penelitian
20
yang akan digunakan. Penelitian laboratorium ini berkaitan dengan hardware
dan software yang digunakan dalam penelitian.
Tabel 3.2 Data Sistem Informasi Dan Teknik Informatika Stmik Dumai
Tahun Daya Jumlah Calon mhs Jumlah mhs baru Total mhs diterima
akademi tampung pertahun
Seleksi registrasi Reguler transfer
2014-2015 150 150 127 104 5 109
2015-2016 170 186 163 146 5 151
2016-2017 130 127 100 96 2 98
2017-2018 130 106 90 87 3 90
2018-2019 130 80 64 62 4 66
Jumlah 710 649 540 495 19 514
R1 IF jumlah mhs diterima berkurang and jumlah registrasi banyak then jumlah mahasiswa
21
pendaftar menurun
R2 IF jumlah mhs diterima berkurang and jumlah registrasi sedikit then jumlah mahasiswa
pendaftar menurun
R3 IF jumlah mhs diterima bertambah and jumlah registrasi banyak then jumlah mahasiswa
pendaftar meningkat
R4 IF jumlah mhs diterima bertambah and jumlah registrasi sedikit then jumlah mahasiswa
pendaftar meningkat
Pada tahap ini akan dilakukan pengujian sistem untuk memeriksa apakah
perancangan yang telah dibuat seusai dengan tujuan. Pengujian sistem sangat
akuratan sistem.
0,51
0,49
66 109 151
= bertambah
= berkurang
22
Gambar 3.2 Tahapan Pembuatan Himpunan Mahasiswa Diterima
{
0 ,∧109 ≤66
μ bertambah ( 109 )= 109−66 ,∧66 ≤ 109 ≤151
85
1 ,∧109 ≥151
109−66
¿ =0.51
85
{
1 ,∧109 ≤66
μ berkurang ( 109 )= 151−109 ,∧66 ≤ 109 ≤151
85
0 ,∧109 ≥ 151
151−109
¿ =0.49
85
b) Registrasi terdiri atas 2 himpunan yaitu banyak dan sedikit maka fungsi
keanggotaannya adalah
23
0,60
0,40
64 123 163
= banyak
= sedikit
{
0 ,∧123 ≤ 64
μ banyak ( 123 )= 123−64 ,∧64 ≤123 ≤ 163
99
1 ,∧123 ≥163
123−64
¿ =0.60
99
{
1 ,∧123 ≤ 64
μ sedikit ( 123 )= 163−123
,∧66 ≤ 123≤ 163
99
0 ,∧123 ≥163
24
25
163−123
c) ¿ =0.40 Pendaftaran (seleksi) terdiri atas 2 himpunan yaitu meningkat
99
dan menurun maka fungsi keanggotaannya adalah
0
80 186
= meningkat
= menurun
Fungsi keanggotaan variabel pendaftaran (seleksi) 2014/2015
{
0 ,∧z ≤ 80
z −80
μ meningkat ( z )= ,∧80 ≤ z ≤ 186
106
1,∧z ≥ 186
{
1 ,∧z ≤ 80
186−z
μ menurun ( z ) = ,∧80 ≤ z ≤ 186
106
0 ,∧z ≥186
Langkah 2
[R1 IF jumlah mhs diterima berkurang and jumlah registrasi banyak then
=0.49
[R2 ] IF jumlah mhs diterima berkurang and jumlah registrasi sedikit then
= 0.40
[R3] IF jumlah mhs diterima bertambah and jumlah registrasi banyak then
= 0.51
[R4] IF jumlah mhs diterima bertambah and jumlah registrasi sedikit then
=0,40
27
Langkah 3
Komposisi antar aturan dari hasil fungsi implikasi dari tiap tiap aturan, digunakan
metode max untuk melakukan komposisi antar semua aturan. hasilnya seperti
1
μ( z )
0,51
0,40
A1 A2 A3
0 a1 a2
daerah hasil kita bagi menjadi 3 bagian, yaitu A1, A2, dan A3. Sekarang kita cari
( a 1−80 )
=0.40
106
28
a 1=122,4
( a 2−80 )
=0.51
106
a 2=134,06
{
0.40 ,∧z ≤ 122,4
z−80
μ ( z )= ,∧122,4 ≤ z ≤134.06
106
0.51 ,∧z ≥ 186
Langkah 4
Penegasan (defuzzyfikasi menggunakan centroid. Adapun momen setiap daerah
122,4
M₁ = ∫ ( 0.40 ) Z dx=o , 2 z 2 ¿122,4
0 = 2996,352
0
134,06
M₂= ∫
122,4
( Z−80
106 )
Z dx
= 0.009433962 z 2 -0.75471698 z
=0.004716981 z 3-0.37735849 z 2
=0.004716981 . (122,4)3-0.37735849.(122,4)2
= 8,649.84609742-5,653.49433114= 2,996.35176628
0.004716981 z 3-0.37735849 z 2
=0.004716981 . (134.06)3-0.37735849.(134.06)2
=11,364.79933940-6,781.91832944= 4,582.88100996
29
=4,582.88100996-2,996.35176628= 1,586.52924368
186
= 8,821.98-4,043.71881= 4,778.26119
A1 =122.4*0.40= 48.96
134.06−122.4
A2= (0.40+0.60) * = 5.83
2
A3= 0.51*(186-134.06)=26.4894
❑
m₁ +m₂+ m₃ 2996,352+1,586.52924368+ 4,778.26119
Z= =
A 1+ A 2+ A 3 48.96 +5.83+26.4894
9361,14243
= = 115,172386
81,2794
1
30
0
66 151
= bertambah
= berkurang
Fungsi keanggotaan variabel mhs diterima 2015/2016
{
0 ,∧151≤ 66
μ bertambah ( 151 )= 151−66
,∧66 ≤151 ≤ 151
85
1 ,∧151≥ 151
{
1 ,∧151≤ 66
μ berkurang ( 151 ) = 151−151 ,∧66 ≤151 ≤ 151
85
0 ,∧151 ≥151
¿0
b) Registrasi terdiri atas 2 himpunan yaitu banyak dan sedikit maka fungsi
keanggotaannya adalah
0
80 151
= bertambah
= berkurang
Fungsi keanggotaan variabel registrasi 2014/2015
{
0 ,∧163 ≤ 64
μ banyak ( 163 )= 163−64
,∧64 ≤163 ≤ 163
99
1 ,∧163 ≥163
¿1
31
{
1 ,∧163 ≤ 64
163−163
μ sedikit ( 163 )= ,∧66 ≤ 163≤ 163
99
0 ,∧163 ≥163
¿0
0
80 186
= meningkat
= menurun
Fungsi keanggotaan variabel pendaftaran (seleksi) 2015/2016
{
0 ,∧z ≤ 80
z −80
μ meningkat ( z )= ,∧80 ≤ z ≤ 186
106
1,∧z ≥ 186
{
1 ,∧z ≤ 80
186−z
μ menurun ( z ) = ,∧80 ≤ z ≤ 186
106
0 ,∧z ≥186
Langkah 2
Aplikasi fungsi implikasi dengan menggunakan fungsi min pada aplikasi
implikasi, dapat mencari nilai z pada setiap aturannya:
[R1 IF jumlah mhs diterima berkurang and jumlah registrasi banyak then jumlah
mahasiswa pendaftar menurun
α − prediktat 1= μ mhs diterima berkurang∩ μ registrasi banyak
= min [0 ; 1 ]
32
=0
1
0 151 0 163 0
Mhs diterima registrasi pendaftaran mahasiswa baru
[R2 ] IF jumlah mhs diterima berkurang and jumlah registrasi sedikit then
jumlah mahasiswa pendaftar menurun
α − prediktat 2= μ mhs diterima berkurang ∩ μ registrasi sedikit
= min [0 ; 0 ]
=0
0 151 0 163
Mhs diterima registrasi pendaftaran mahasiswa baru
[R3] IF jumlah mhs diterima bertambah and jumlah registrasi banyak then
jumlah mahasiswa pendaftar meningkat
α − prediktat 3= μ mhs diterima bertambah ∩ μ registrasibanyak
= min [1 ; 1]
=1
1 1
0 151 0 163
Mhs diterima registrasi pendaftaran mahasiswa baru
[R4] IF jumlah mhs diterima bertambah and jumlah registrasi sedikit then jumlah
mahasiswa pendaftar meningkat
α − prediktat 3= μ mhs diterima bertambah ∩ μ registrasi sedikit
33
= min [1 ; 0]
=0
1 1
0 109 0 123
Mhs diterima registrasi pendaftaran mahasiswa baru
Langkah 3
Komposisi antar aturan.dari hasil fungsi implikasi dari tiap tiap aturan, digunakan
metode max untuk melakukan komposisi antyar semua aturan. hasilnya seperti
pada gambar berikut
1
μ( z )
A1 A2 A3
0 a1 a2
daerah hasil kita bagi menjadi 3 bagian, yaitu A1, A2, dan A3. Sekarang kita cari
nilai a1 dan a2.
( a 1−80 )
=0
106
a 1=80
( a 2−80 )
=1
106
a 2=186
Dengan demikian fungsi keanggotaannya untuk hasil komposisi ini adalah
{
0 ,∧z ≤ 80
μ ( z )= z−80
,∧80≤ z ≤ 186
106
1 ,∧z ≥186
34
Langkah 4
Penegasan (defuzzyfikasi menggunakan centroid. Adapun momen setiap daerah
80
M₁ = ∫ ( 0 ) Z dx=¿ ¿0
0
186
M₂= ∫
80
( Z−80
106 )
Z dx
= 0.009433962 z 2 -0.75471698 z
=0.004716981 z 3-0.37735849 z 2
= 2,415.094272-2,415.094336= 0.000064
0.004716981 z 3-0.37735849 z 2
=30,353.093489736-13,055.09432004= 17,297.99916969
=17,297.99916969-0.000064= 17297.99910569
186
= 17,298- 17,298= 0
Luas tiap daerah
A1 =80*0= 0
186−80
A2= (0+1) * = 133
2
A3= 1*(186-186)= 0
Titik pusat dapat diperoleh
m₁❑+m₂+ m₃ 0+17297.99910569+0
Z= =
A 1+ A 2+ A 3 0+133+0
= 130.06014365
= 130 orang pendaftar (seleksi)
Menentukan variabel yang terkaid dengan proses. Ada 3 variabel yang bisa di
modelkan yaitu: mhs diterima, mhs registrasi, pendaftar ( seleksi ).
a) Mhs diterima terdiri atas 2 himpunan yaitu bertambah dan berkurang maka
fungsi keanggotaannya adalah
0,623
0.376
66 98 151
= bertambah
= berkurang
Fungsi keanggotaan variabel mhs diterima 2016/2017
{
0 ,∧98≤ 66
μ bertambah ( 98 ) = 98−66
,∧66 ≤ 98 ≤151
85
1 ,∧98≥ 151
98−66
¿ =0.376
85
{
1 ,∧98≤ 66
μ berkurang ( 98 )= 151−98
,∧66 ≤ 98 ≤151
85
0 ,∧98 ≥ 151
151−98
¿ =0.623
85
b) Registrasi terdiri atas 2 himpunan yaitu banyak dan sedikit maka fungsi
keanggotaannya adalah
0,636
0.363
36
66 98 151
= bertambah
= berkurang
Fungsi keanggotaan variabel mhs diterima 2016/2017
Fungsi keanggotaan variabel registrasi 2016/2017
{
0 ,∧100 ≤ 64
μ banyak ( 100 )= 100−64
,∧64 ≤100 ≤ 163
99
1 ,∧100 ≥163
100−64
¿ =0.363
99
{
1 ,∧100 ≤ 64
μ sedikit ( 100 )= 163−100
,∧66 ≤ 100≤ 163
99
0 ,∧100 ≥163
163−100
¿ =0.636
99
c) Pendaftaran (seleksi) terdiri atas 2 himpunan yaitu meningkat dan
menurun maka fungsi keanggotaannya adalah
0
80 186
= meningkat
= menurun
Fungsi keanggotaan variabel pendaftaran (seleksi) 2016/2017
{
0 ,∧z ≤ 80
μ meningkat ( z )= z −80 ,∧80 ≤ z ≤ 186
106
1,∧z ≥ 186
37
{
1 ,∧z ≤ 80
186−z
μ menurun ( z ) = ,∧80 ≤ z ≤ 186
106
0 ,∧z ≥186
Langkah 2
Aplikasi fungsi implikasi dengan menggunakan fungsi min pada aplikasi
implikasi, dapat mencari nilai z pada setiap aturannya:
[R1 IF jumlah mhs diterima berkurang and jumlah registrasi banyak then jumlah
mahasiswa pendaftar menurun
α − prediktat 1= μ mhs diterima berkurang∩ μ registrasi banyak
= min [0.623 ; 0,363 ]
=0.363
0.623
0.363
0 98 0 100
Mhs diterima registrasi pendaftaran mahasiswa baru
[R2 ] IF jumlah mhs diterima berkurang and jumlah registrasi sedikit then
jumlah mahasiswa pendaftar menurun
α − prediktat 2= μ mhs diterima berkurang ∩ μ registrasi sedikit
= min [0.623 ; 0,636 ]
= 0.623
0,636
0.623
0 98 0 100
Mhs diterima registrasi pendaftaran mahasiswa baru
38
[R3] IF jumlah mhs diterima bertambah and jumlah registrasi banyak then
jumlah mahasiswa pendaftar meningkat
α − prediktat 3= μ mhs diterima bertambah ∩ μ registrasibanyak
= min [0.376 ; 0,363]
= 0.363
0.60
0.376 0.363
0 98 0 100
Mhs diterima registrasi pendaftaran mahasiswa baru
[R4] IF jumlah mhs diterima bertambah and jumlah registrasi sedikit then jumlah
mahasiswa pendaftar meningkat
α − prediktat 3= μ mhs diterima bertambah ∩ μ registrasi sedikit
= min [0.376 ; 0,636]
=0,376
0,376 0.636
0 98 0 100
Mhs diterima registrasi pendaftaran mahasiswa baru
Langkah 3
Komposisi antar aturan.dari hasil fungsi implikasi dari tiap tiap aturan, digunakan
metode max untuk melakukan komposisi antyar semua aturan. hasilnya seperti
pada gambar berikut
1
μ( z )
0,623
0,363
A1 A2 A3
0 a1 a2
39
daerah hasil kita bagi menjadi 3 bagian, yaitu A1, A2, dan A3. Sekarang kita cari
nilai a1 dan a2.
( a 1−80 )
=0.363
106
a 1=118.478
( a 2−80 )
=0.623
106
a 2=146.038
Dengan demikian fungsi keanggotaannya untuk hasil komposisi ini adalah
{
0.363 ,∧z ≤118.478
μ ( z )= z−80
,∧118.478 ≤ z ≤ 146.038
106
0.623 ,∧z ≥186
Langkah 4
Penegasan (defuzzyfikasi menggunakan centroid. Adapun momen setiap daerah
118.478
146.038
M₂= ∫
118.478
( Z−80
106 )
Z dx
= 0.009433962 z 2 -0.75471698 z
=0.004716981 z 3-0.37735849 z 2
Langkah 1
Menentukan variabel yang terkaid dengan proses. Ada 3 variabel yang bisa di
modelkan yaitu: mhs diterima, mhs registrasi, pendaftar ( seleksi ).
a) Mhs diterima terdiri atas 2 himpunan yaitu bertambah dan berkurang maka
fungsi keanggotaannya adalah
0,717
0.283
66 90 151
= bertambah
= berkurang
Fungsi keanggotaan variabel mhs diterima 2017/2018
41
{
0 ,∧90≤ 66
90−66
μ bertambah ( 90 ) = ,∧66 ≤ 90 ≤151
85
1 ,∧90≥ 151
90−66
¿ =0.282
85
{
1 ,∧90≤ 66
μ berkurang ( 90 )= 151−90 ,∧66 ≤ 90 ≤151
85
0 ,∧90 ≥ 151
151−90
¿ =0.717
85
b) Registrasi terdiri atas 2 himpunan yaitu banyak dan sedikit maka fungsi
keanggotaannya adalah
0,262
0.737
64 90 163
= bertambah
= berkurang
Fungsi keanggotaan variabel mhs registrasi 2017/2018
{
0 ,∧90 ≤64
μ bertambah ( 90 ) = 90−64
,∧64 ≤ 90 ≤ 163
99
1 ,∧90 ≥163
90−64
¿ =0.262
99
{
1 ,∧90 ≤64
μ berkurang ( 90 )= 163−90
,∧64 ≤ 90 ≤ 163
99
0 ,∧90 ≥ 163
163−90
¿ =0.737
99
42
Pendaftaran (seleksi) terdiri atas 2 himpunan yaitu meningkat dan menurun maka
fungsi keanggotaannya adalah
0
80 186
= meningkat
= menurun
Fungsi keanggotaan variabel pendaftaran (seleksi) 2017/2018
{
0 ,∧z ≤ 80
z −80
μ meningkat ( z )= ,∧80 ≤ z ≤ 186
106
1,∧z ≥ 186
{
1 ,∧z ≤ 80
μ menurun ( z ) = 186−z
,∧80 ≤ z ≤ 186
106
0 ,∧z ≥186
Langkah 2
Aplikasi fungsi implikasi dengan menggunakan fungsi min pada aplikasi
implikasi, dapat mencari nilai z pada setiap aturannya:
[R1 IF jumlah mhs diterima berkurang and jumlah registrasi banyak then jumlah
mahasiswa pendaftar menurun
α − prediktat 1= μ mhs dit erima berkurang ∩ μ registrasi banyak
= min [0.717 ; 0.262]
=0.262
0.717
0.262
43
0 90 0 90
Mhs diterima registrasi pendaftaran mahasiswa baru
[R2 ] IF jumlah mhs diterima berkurang and jumlah registrasi sedikit then
jumlah mahasiswa pendaftar menurun
α − prediktat 2= μ mhs diterima berkurang ∩ μ registrasi sedikit
= min [0.717 ; 0,737 ]
= 0.717
0.737
0.717
0 90 0 90
Mhs diterima registrasi pendaftaran mahasiswa baru
[R3] IF jumlah mhs diterima bertambah and jumlah registrasi banyak then
jumlah mahasiswa pendaftar meningkat
α − prediktat 3= μ mhs diterima bertambah ∩ μ registrasibanyak
= min [0.283 ; 0,262]
= 0.262
0.283 0.262
0 90 0 90
Mhs diterima registrasi pendaftaran mahasiswa baru
[R4] IF jumlah mhs diterima bertambah and jumlah registrasi sedikit then jumlah
mahasiswa pendaftar meningkat
α − prediktat 3= μ mhs diterima bertambah ∩ μ registrasi sedikit
= min [0.283 ; 0,737]
=0,283
44
0.737
0,283
0 90 0 90
Mhs diterima registrasi pendaftaran mahasiswa baru
Langkah 3
Komposisi antar aturan.dari hasil fungsi implikasi dari tiap tiap aturan, digunakan
metode max untuk melakukan komposisi antyar semua aturan. hasilnya seperti
pada gambar berikut
1
μ( z )
0,717
0,262
A1 A2 A3
0 a1 a2
daerah hasil kita bagi menjadi 3 bagian, yaitu A1, A2, dan A3. Sekarang kita cari
nilai a1 dan a2.
( a 1−80 )
=0.262
106
a 1=107.772
( a 2−80 )
=0.717
106
a 2=156.002
Dengan demikian fungsi keanggotaannya untuk hasil komposisi ini adalah
{
0.262 ,∧z ≤107.772
z−80
μ ( z )= ,∧107.772 ≤ z ≤ 156.002
106
0.717 ,∧z ≥156.002
Langkah 4
Penegasan (defuzzyfikasi menggunakan centroid. Adapun momen setiap daerah
107.772
156.002
M₂= ∫
107.772
( Z−80
106 )
Z dx
= 0.009433962 z 2 -0.75471698 z
=0.004716981 z 3-0.37735849 z 2
0
66 66 151
= bertambah
= berkurang
Fungsi keanggotaan variabel mhs diterima 2018/2019
{
0 ,∧66 ≤ 66
66−66
μ bertambah ( 66 ) = ,∧66 ≤ 66 ≤151
85
1 ,∧66≥ 151
¿0
{
1 ,∧66≤ 66
151−66
μ berkurang ( 66 )= ,∧66 ≤ 66 ≤151
85
0 ,∧66 ≥ 151
¿1
Registrasi terdiri atas 2 himpunan yaitu banyak dan sedikit maka fungsi
keanggotaannya adalah
0
64 64 163
47
= bertambah
= berkurang
Fungsi keanggotaan variabel mhs registrasi 2018/2019
{
0 ,∧64 ≤ 64
64−64
μ bertambah ( 64 )= ,∧64 ≤64 ≤163
99
1 ,∧64 ≥ 163
¿0
{
1 ,∧64 ≤ 64
163−64
μ berkurang ( 64 )= ,∧64 ≤ 64 ≤163
99
0 ,∧64 ≥163
¿1
Pendaftaran (seleksi) terdiri atas 2 himpunan yaitu meningkat dan menurun maka
fungsi keanggotaannya adalah
0
80 186
= meningkat
= menurun
Fungsi keanggotaan variabel pendaftaran (seleksi) 2018/2019
{
0 ,∧z ≤ 80
z −80
μ meningkat ( z )= ,∧80 ≤ z ≤ 186
106
1,∧z ≥ 186
{
1 ,∧z ≤ 80
μ menurun ( z ) = 186−z
,∧80 ≤ z ≤ 186
106
0 ,∧z ≥186
48
Langkah 2
Aplikasi fungsi implikasi dengan menggunakan fungsi min pada aplikasi
implikasi, dapat mencari nilai z pada setiap aturannya:
[R1 IF jumlah mhs diterima berkurang and jumlah registrasi banyak then jumlah
mahasiswa pendaftar menurun
α − prediktat 1= μ mhs diterima ber kurang ∩ μ registrasi banyak
= min [1. ; 0]
=0
1
0 66 0 64
Mhs diterima registrasi pendaftaran mahasiswa baru
[R2 ] IF jumlah mhs diterima berkurang and jumlah registrasi sedikit then
jumlah mahasiswa pendaftar menurun
α − prediktat 2= μ mhs diterima berkurang ∩ μ registrasi sedikit
= min [1 ; 1]
=1
1 1
0 90 0 90
Mhs diterima registrasi pendaftaran mahasiswa baru
[R 3] IF jumlah mhs diterima bertambah and jumlah registrasi banyak then
jumlah mahasiswa pendaftar meningkat
α − prediktat 3= μ mhs diterima bertambah ∩ μ registrasibanyak
= min [0 ; 0]
=0
49
0 66 0 64
Mhs diterima registrasi pendaftaran mahasiswa baru
[R4] IF jumlah mhs diterima bertambah and jumlah registrasi sedikit then jumlah
mahasiswa pendaftar meningkat
α − prediktat 3= μ mhs diterima bertambah ∩ μ registrasi sedikit
= min [0 ; 1]
=0
1
0 66 0 64
Mhs diterima registrasi pendaftaran mahasiswa baru
Langkah 3
Komposisi antar aturan.dari hasil fungsi implikasi dari tiap tiap aturan, digunakan
metode max untuk melakukan komposisi antyar semua aturan. hasilnya seperti
pada gambar berikut
1
μ( z )
A1 A2 A3
0 a1 a2
daerah hasil kita bagi menjadi 3 bagian, yaitu A1, A2, dan A3. Sekarang kita cari
nilai a1 dan a2.
( a 1−80 )
=1
106
a 1=186
( a 2−80 )
=0
106
a 2=80
50
{
1 ,∧z ≤ 80
z−80
μ ( z )= ,∧80≤ z ≤ 186
106
0 ,∧z ≥ 186
Langkah 4
Penegasan (defuzzyfikasi menggunakan centroid. Adapun momen setiap daerah
80
M₁ = ∫ ( 1 ) Z dx=0.5 z ¿0 =3200
2 80
186
M₂= ∫
80
( Z−80
106 )
Z dx
= 0.009433962 z 2 -0.75471698 z
=0.004716981 z 3-0.37735849 z 2
M₃= ∫ ( 0 ) Z dx=0
186
Defuzzyfikasi
[R1] IF jumlah mhs diterima berkurang and jumlah registrasi banyak then
Z₁= jumlah mahasiswa registrasi- mahasiswa diterima
=127-109 = 18
[R2] IF jumlah mhs diterima berkurang and jumlah registrasi sedikit then
Z₂= jumlah mahasiswa diterima
=109
[R3] IF jumlah mhs diterima bertambah and jumlah registrasi banyak then
128.0805
= =74.79153284
1.7125
= 75 orang pendaftar
Perhitungan data calon mahasiswa tahun akademi 2015/2016
Langkah 3
Defuzzyfikasi
52
[R1] IF jumlah mhs diterima berkurang and jumlah registrasi banyak then
Z₁= jumlah mahasiswa registrasi- mahasiswa diterima
=163-151 = 12
[R2] IF jumlah mhs diterima berkurang and jumlah registrasi sedikit then
Z₂= jumlah mahasiswa diterima
=151
[R3] IF jumlah mhs diterima bertambah and jumlah registrasi banyak then
151
= =151
1
= 151 orang pendaftar
Perhitungan data calon mahasiswa tahun akademi 2016/2017
Langkah 3
Defuzzyfikasi
[R1] IF jumlah mhs diterima berkurang and jumlah registrasi banyak then
Z₁= jumlah mahasiswa registrasi- mahasiswa diterima
=100-98 = 2
[R2] IF jumlah mhs diterima berkurang and jumlah registrasi sedikit then
Z₂= jumlah mahasiswa diterima
=98
53
[R3] IF jumlah mhs diterima bertambah and jumlah registrasi banyak then
97.448
= =56.49159420
1.725
= 56 orang pendaftar
Perhitungan data calon mahasiswa tahun akademi 2017/2018
Langkah 3
Defuzzyfikasi
[R1] IF jumlah mhs diterima berkurang and jumlah registrasi banyak then
Z₁= jumlah mahasiswa registrasi- mahasiswa diterima
=90-90 = 0
[R2] IF jumlah mhs diterima berkurang and jumlah registrasi sedikit then
Z₂= jumlah mahasiswa diterima
=90
[R3] IF jumlah mhs diterima bertambah and jumlah registrasi banyak then
88.11
= =57.81496062
1.524
= 57 orang pendaftar
Perhitungan data calon mahasiswa tahun akademi 2018/2019
Langkah 3
Defuzzyfikasi
[R1] IF jumlah mhs diterima berkurang and jumlah registrasi banyak then
Z₁= jumlah mahasiswa registrasi- mahasiswa diterima
=64-66 = - 2
[R2] IF jumlah mhs diterima berkurang and jumlah registrasi sedikit then
Z₂= jumlah mahasiswa diterima
=66
[R3] IF jumlah mhs diterima bertambah and jumlah registrasi banyak then
=66
[R4] IF jumlah mhs diterima bertambah and jumlah registrasi sedikit then
Z₄ = 1.25*registrasi-mhs diterima
= 1.25 *66-64 = -2.5
Menentukan output chips
( a ₁❑ . z ₁❑) + ( a₂❑ . z ₂❑) + ( a ₃❑ . z ₃❑ )+ ( a ₄❑ . z 4❑)
Z= ❑ ❑ ❑ ❑
a ₁ + a ₂ + a ₃ + a₄
( 0∗(−2) ) +(1∗66)+ ( 0∗66 ) +(0∗−2.5)
=
0+1+ 0+1
66
= =66
1
= 66 orang pendaftar
55
Kesimpulan
Dari perhitungan tersebut didapatkan nilai AFER dengan metode mamdani
sebesar 27.362 % dan metode sugeno sebesar 37.6896 %. Yang berarti metode
mamdani mempunyai nilai eror yang lebih kecil dan memiliki tingkat akurasi
yang lebih tinggi dibanding metode sugeno.
56
WA Tahun 2020/2021
N KTU
o. November Desember Januari
KEGIATAN I II III IV I II III IV I II III IV
Menyusun topik
1.
proposal
Penyusunan draft
2.
proposal
3. Konsultasi
4. Submit paper
Tabel 3.9 Kegiatan Penelitian
Daftar Acuan
Harmoko, I. W., & Az, N. (2012). Prototipe Model Prediksi Peluang Kejadian
Hujan Menggunakan Metode Fuzzy Logic Tipe Mamdani dan Sugeno. 1(1),
59–70.
Irfan, M., Ayuningtias, L. P., & Jumadi, J. (2018). Analisa Perbandingan Logic
Fuzzy Metode Tsukamoto, Sugeno, Dan Mamdani ( Studi Kasus : Prediksi
Jumlah Pendaftar Mahasiswa Baru Fakultas Sains Dan Teknologi Uin Sunan
Gunung Djati Bandung). Jurnal Teknik Informatika, 10(1), 9–16.
https://doi.org/10.15408/jti.v10i1.6810
Prasetyo, T. F., Yunus, R. M., Andani, M., Informatika, P. S., Teknik, F.,
Majalengka, U., Studi, P., Mesin, T., Teknik, F., & Majalengka, U. (2016).
METODE TSUKAMOTO DAN MAMDANI SEBAGAI KNOWLEDGE
BASED. 32–38.
57
CV. Dewi Bulan). E-Jurnal Matematika, 7(2), 180.
https://doi.org/10.24843/mtk.2018.v07.i02.p201
Yurida, S., Oktafianto, K., & Yuliastuti, R. (2017). Analisis Perbandingan Harga
Mobil Bekas Menggunakan Metode Fuzzy Inference System (FIS) Mamdani
dan Tsukamoto. Jurnal Riset Dan Aplikasi Matematika (JRAM), 1(1), 40.
https://doi.org/10.26740/jram.v1n1.p40-52
58
Daftar Lampiran
59
Daftar Riwayat Hidup
60