Proposal Tesis Terupdate

Perbandingan Logika Fuzzy Metode Sugeno
dan Mamdani untuk Prediksi Jumlah

Mahasiswa Baru Pada STMIK Dumai
Januari Audrey
2007048012
Tesis diajukan kepada Fakultas Teknologi Industri

sebagai bagian persyaratan untuk meraih derajat
Magister Komputer
pada Program Studi S2 Teknik Informatika
Universitas Ahmad Dahlan

Yogyakarta
Januari, 2021
Tesis
Perbandingan Logika Fuzzy Metode

Sugeno dan Mamdani Untuk Prediksi
Jumlah Mahasiswa Baru Pada STMIK
Dumai
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
Sunardi, S.T., M.T., Ph.D. Rusydi Umar, S.T., M.T., Ph.D.

Pembimbing 2 / Penguji 1 Penguji 3
Diterima sebagai bagian persyaratan

untuk meraih derajat Magister
Komputer,
Yogyakarta, tanggal bulan tahun
Sunardi, S.T., M.T., Ph.D.

Dekan Fakultas Teknologi Industri
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
Dengan ini menyatakan bahwa:

1. Hasil karya yang saya serahkan ini adalah asli dan belum pernah diajukan
untuk mendapatkan gelar kesarjanaan baik di Universitas Ahmad Dahlan maupun
di institusi pendidikan lainnya.
2. Hasil karya saya ini bukan saduran/terjemahan melainkan merupakan gagasan,
rumusan, dan hasil pelaksanaan penelitian/implementasi saya sendiri, tanpa bantuan
pihak lain, kecuali arahan pembimbing akademik dan narasumber penelitian.
3. Hasil karya saya ini merupakan hasil revisi terakhir setelah diujikan yang telah
diketahui dan disetujui oleh pembimbing.
4. Dalam karya saya ini tidak terdapat karya atau pendapat yang telah ditulis atau
dipublikasikan orang lain, kecuali yang digunakan sebagai acuan dalam naskah
dengan menyebutkan nama pengarang dan dicantumkan dalam daftar pustaka.
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.
Yogyakarta, 14 Januari 2021

Yang Menyatakan
Materai 6000
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 :
✓ Saya mengijinkan karya tersebut diunggah ke dalam aplikasi Repository

Pusat Sumber Belajar Universitas Ahmad Dahlan.
Demikian pernyataan ini saya buat dengan sebenarnya.

Yang Menyatakan
Januari Audrey
Mengetahui,
Pembimbing Tesis 1 Pembimbing Tesis 2
Drs. Abdul Fadlil, M.T., Ph.D. Sunardi, S.T., M.T., Ph.D.
Motto dan Persembahan
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
Tesis ini kupersembahkan untuk:

1. Orang tua tersayang, Ibu anda dan Bapak anda
Terimakasih atas kepercayaan dan kesempatan yang diberikan selama ini.
2. Istri dan anak tercinta, istri anda dan anak anda yang selalu menjadi
penyemangat dan penghibur selama proses penulisan Tesis.
3. Para pembaca semua.
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
Penulis
Daftar Is
vi
i
Pernyataan Tidak Plagiat....................................................................................iii

Pernyataan Persetujuan Akses............................................................................iv
Motto dan Persembahan.......................................................................................v
Kata Pengantar.....................................................................................................vi
Daftar Gambar......................................................................................................ix
Daftar Tabel...........................................................................................................x
Pendahuluan...........................................................................................................1
1.1 Latar Belakang............................................................................................1
1.2 Identifikasi Masalah...................................................................................3
1.3 Batasan Masalah.........................................................................................3
1.4 Rumusan Masalah......................................................................................4
1.5 Tujuan Penelitian........................................................................................4
1.6 Manfaat Penelitian......................................................................................4
Tinjauan Pustaka...................................................................................................6
2.1 Kajian Penelitian Terdahulu.......................................................................6
2.2 Landasan Teori.........................................................................................12
2.2.1 Prediksi dan Komparasi...................................................................12
2.2.2 Logika Fuzzy...................................................................................13
2.2.3 Metode Sistem Inferensi Fuzzy.......................................................15
2.2.4 Metode Mamdani.............................................................................16
2.2.5 Metode Sugeno................................................................................17
2.2.6 STMIK Dumai.................................................................................18
Metodologi............................................................................................................19
3.1 Objek Penelitian.......................................................................................19
3.2 Alat dan Bahan.........................................................................................19
3.3 Perancangan Sistem..................................................................................20
3.4 Pengujian Sistem......................................................................................22
3.5 Jadwal Penelitian......................................................................................30
vii
Daftar Acuan........................................................................................................31
Daftar Lampiran..................................................................................................33
Daftar Riwayat Hidup.....................................................................................34
viii
Daftar Gambar
Gambar 3.1 Tahapan Penelitian.............................................................................20

Gambar 3.2 Tahapan Pembuatan Himpunan.........................................................23
Gambar 3.3 Aturan Mencari Nilai z
ix
Daftar Tabel
Tabel 2.1 Penelitian terdahulu...............................................................................11

Tabel 3.1 Alat Peneltian.........................................................................................20
Tabel 3.2 Data Mahasiswa Baru...........................................................................21
Tabel 3.3 Himpunan Fuzzy....................................................................................21
Tabel 3.4 Domain Himpunan Fuzzy......................................................................21
Tabel 3.5 Aturan Fuzzy..........................................................................................22
Tabel 3.6 Jadwal Penelitian...................................................................................30
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
Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK) Dumai

merupakan salah satu perguruan tinggi yang setiap tahun ajaran baru membuka
pendaftaran mahasiswa baru untuk masuk ke kampus tersebut. Melalui tahapan
seleksi penerimaan, jumlah mahasiswa baru beberapa tahun terakhir mengalami
peningkatan dan penurunan. Dalam penelitian dilakukan analisis perbandingan
algoritma menggunakan logika fuzzy metode Sugeno dan Mamdani untuk
memprediksi jumlah pendaftar untuk tahun kedepan ditinjau dari jumlah
mahasiswa yang lulus registrasi dari tahun sebelumnya. Dalam membandingkan
perhitungan menggunakan nilai rata-rata dari hasil perhitungan menggunkan
metode sugeno dan mamdani dengan aplikasi Matlab.
.
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
Profile Matching, Multifactor Evaluation Process, Asistant, Laboratorium,

Decision support system. The Dumai College of Informatics and Computer
Management (STMIK) is one of the colleges that every new academic year opens
new student registration to enter the campus. Through the admissions selection
stage, the number of new students in recent years has increased and decreased. In
this study, a comparative analysis of algorithms was carried out using fuzzy logic
using Sugeno and Mamdani methods to predict the number of registrants for the
next year in terms of the number of students who passed registration from the
previous year. In comparing calculations using the average value of the
calculation results using Sugeno and Mamdani methods with the Matlab
application.
Keywords: New Students, Fuzzy Logic, Sugeno, Mamdani, Prediction, Matlab
xii
Bab 1
Pendahuluan
1.1 Latar Belakang
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.
Untuk mendapatkan mahasiswa, setiap tahunnya perguruan tinggi negeri maupun
swasta membuka pendaftaran mahasiwa baru.
merupakan salah satu perguruan tinggi yang setiap tahun ajaran baru membuka
Penerimaan Mahasiswa Baru (PMB) untuk masuk ke kampus tersebut. Dalam
proses PMB di Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK)
Dumai melalui seleksi nilai rapor. Dari prosesPMB ini dapat dilihat banyaknya
jumlah pendaftar. Data pendaftaran mahasiswa baru tersebut dapat digunakan
untuk perencanaan akademik perguruan tinggi.
Kegiatan PMB dan jumlah mahasiswa baru dapat mengalami peningkatan
atau penurunan. Pertumbuhan jumlah PMB berdampak pada penyediaan ruang
kuliah dan peningkatan pelayanan. Jumlah mahasiswa setiap tahun di STMIK
Dumai mengalami perubahan,akibatnya persiapan kebutuhan mahasiswa baru
akan berjalan kurang efisien dan efektif sehingga diperlukan adanya prediksi
1
jumlah mahasiswa baru untuk meningkatkan efektivitas dan efisensi dalam
melakukan persiapan dan pelaksanaan proses belajar mengajar. Perencanaan
akademik merupakan bagian penting yang perlu dilakukan untuk merencanakan
proses pembelajaran lebih tepat.
Prediksi jumlah mahasiswa baru bisa dilakukan dengan logika fuzzy yaitu metode
Sugeno dan Mamdani. Logika fuzzy digunakan untuk menerjemahkan besaran
yang diekspresikan menggunakan 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 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
kemampuan untuk mengenali, merepresentasikan, memanipulasi, menafsirkan,
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
kasus prediksi pendaftaran mahasiswa baru.
2
1.2 Identifikasi Masalah
Berdasarkan latar belakang yang telah dipaparkan maka dapat diidentifikasi

masalah sebagai berikut:
1. Pertumbuhan jumlah penerimaan mahasiswa baru berdampak pada
penyediaan ruang kuliah dan peningkatan pelayanan.
2. Dibutuhkannya prediksi jumlah mahasiswa untuk melakukan
persiapan/perencanaan proses pembelajaran lebih cepat.
3. Jumlah mahasiswa baru yang berubah ubah setiap tahunnya dan tidak
adanya prediksi jumlah mahasiwa menyebabkan kurangnya efisensi dan
efektivitas dalam menyiapkan kebutuhan terhadap mahasiswa baru.
1.3 Batasan Masalah
Batasan masalah pada penelitian ini meliputi:
1. Menggunakan logika fuzzy yaitu metode Sugeno dan Mamdani dalam
memprediksi jumlah mahasiwa.
2. Penelitian dilakukan pada Sekolah Tinggi Manajemen Informatika dan
Komputer (STMIK) Dumai.
3. Data mahasiswa baru yang digunakan adalah data mahasiswa pada tahun
2013-2016.
4. Analisis metode Sugeno dan Mamdani menggunakan MATLAB.
3
1.4 Rumusan Masalah
Permasalahan yang dapat dirumuskan pada penelitian ini adalah:
1. Bagaimana menggunakan Metode Sugeno dan Mamdani untuk
memprediksi jumlah mahasiswa baru Sekolah Tinggi Manajemen
Informatika dan Komputer (STMIK) Dumai
2. Bagaimana menguji keberhasilan dan akurasi metode Sugeno dan
Mamdani
1.5 Tujuan Penelitian
Penelitian ini memiliki tujuan sebagai berikut:
1. Memprediksi jumlah mahasiswa baru pada Sekolah Tinggi Manajaemen
Informatika dan Komputerm (STMIK) Dumai.
2. Menerapkan metode Sugeno dan Mamdani dalam memprediksi jumlah
mahasiswa baru.
3. Membandingkan akurasi metode Sugeno dan Mamdani dalam memprediksi
jumlah mahasiswa baru.
1.6 Manfaat Penelitian
Penelitian yang dilakukan diharapkan dapat memberikan manfaat sebagai berikut:
1. Memberikan kemudahan pada karyawan STMIK Dumai dalam
mempersiapkan kebutuhan mahasiswa baru.
2. Menginkatkan efektivitas dan efisensi dalam perencanaan dan persiapan
mahasiwa baru.
4
3. Memberikan pandangan terhadap jumlah mahasiswa baru pada STMIK
Dumai
5
Bab 2
Tinjauan Pustaka
2.1 Kajian Penelitian Terdahulu
Tinjauan penelitian ini didasarkan pada beberapa penelitian terdahulu yang
memiliki kesamaan pengguaan metode logika fuzzy dan dilakukannya prediksi
dan perbandingan dengan metode yang telah digunakan terhadap studi kasus yang
diteliti. Berikut ini dijelaskan penelitian terdahulu yang digunakan sebagai
rujukan pada penelitian ini:
1. Penelitian yang dilakukan oleh Yurida et al. (2017) bertujuan untuk
memberikan solusi dengan cara membandingkan metode fuzzy Tsukamoto
dengan metode fuzzy Mamdani dalam kasus memperkirakan harga mobil
bekas dan menentukan metode yang lebih baik. Perhitungannya menggunakan
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
bahwa perkiraan Mobil bekas menggunakan metode fuzzy Tsukamoto lebih
mahal dibandingkan dengan hasil perkiraan harga mobil bekas menggunakan
metode fuzzy Mamdani dengan selisih rata-rata Rp.21.800.000,00 atau sekitar
±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
kualitas beton. Kualitas beton ditentukan dengan membandingkan dua metode
fuzzy Sugeno dan Mamdani. Dapat diambil beberapa kesimpulan, yaitu
dengan menggunakan metode 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.
3. Widaningsih (2017) melakukan penelitian mengenai pengambilan keputusan
terhadap jumlah distribusi raskin kepada masyrakat. Pada penelitian ini
dilakukan perbandingan antara ketiga metode sistem inferensia fuzzy yang
sering digunakan yaitu metode Tsukamoto, Mamdani, dan Sugeno. Variabel
input berupa jumlah penduduk miskin dan jumlah rata-rata stok, sedangkan
variabel output berupa jumlah distribusi raskin. Dari ketiga metode diperoleh
nilai MAPE masing-masing untuk metode Tsukamoto (28,05%), Mamdani
(39,05%), dan Sugeno (7,45%). Untuk uji hipotesis hanya metode Sugeno
yang hipotesisnya diterima sehingga dari dua teknik evaluasi output, metode
Sugeno yang terbaik untuk pengambilan keputusan jumlah distribusi raskin di
Cianjur.
4. Dalam penelitian Irfan et al. (2018) dilakukan analisis perbandingan
algoritma fuzzy logic metode Tsukamoto, Sugeno, dan Mamdani untuk
memprediksi jumlah pendaftar untuk tahun kedepan dilihat dari jumlah
7
mahasiswa yang lulus dan registrasi dari tahun sebelumnya dan dalam
membandingkan perhitungannya menggunakan nilai rata-rata dari hasil yang
diperoleh pada ketiga metode fuzzy tersebut dengan aplikasi berbasis
web.Hasil dari penelitian menunjukkan bahwa metode fuzzy Mamdani
mempunyai tingkat error yang lebih kecil sebesar 19,76 % dibandingkan
dengan metode Tsukamoto sebesar 39,03 % dan Sugeno sebesar 86,41 % pada
prediksi jumlah pendaftar mahasiswa baru.
5. Penelitian Harmoko & Az (2012) bertujuan untuk membangun algoritma
prediksi peluang kejadian hujan menggunakan fuzzy logic tipe Mamdani dan
Sugeno, serta membandingkan hasil model untuk mengetahui ketepatan hasil
prediksi. Data input adalah parameter-parameter dalam skala meteorologi
yang mempengaruhi proses terjadinya hujan. Parameter diklasifikasikan dalam
beberapa kategori untuk memudahkan dalam membuat aturan (rule IF-
THEN). Model dibangun dan hasilnya diuji pada musim hujan, musim
kemarau dan musim pancaroba dengan data observasi. Hasil verifikasi
menyatakan bahwa Mamdani lebih handal sebagai model prediksi cuaca
dengan akurasi 77%, 80%, dan 84%. Sementara tipe Sugeno memperoleh
akurasi 32%, 63%, dan 42%.
6. Penelitian Ni’mah & Oktafianto (2019) bertujuan memberikan solusi bagi
pengambil keputusan dalam menentukan waktu simpan yang tepat dengan
cara membandingkan hasil perhitungan metode fuzzy Tsukamoto dan
Mamdani. Hasil dari penelitian ini disimpulkan bahwa pengambilan keputusan
penentuan waktu simpan beras Bansos Rastra menggunakan metode fuzzy
Mamdani lebih baik dibandingkan menggunakan Tsukamoto pada kriteria
8
MSE dengan nilai error 13, sedangkan pada kriteria MAPE nilai errornya
adalah 41,5%.
7. Prasetyo et al. (2016) melakukan analisis perbandingan prediksi produksi
seroja menggunakan metode Tsukamoto dan Mamdani sebagai knowledge
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
variabel input yang meliputi variabel permintaan, variabel persediaan, variabel
kondisi kelayakan, sedangkan untuk output terdapat satu variabel yaitu
variabel produksi. Variabel permintaan memiliki dua nilai linguistik, yaitu
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
metode dicari menggunakan formula seperti pada persamaan dan hasilnya
bahwa metode tsukamoto memiliki tingkat error terkecil yaitu 0,6% artinya
tsukamoto-lah yang lebih baik daripada metode mamdani.
8. Penelitian yang dilakukan oleh Rohimah (2019) bertujuan untuk mengetahui
metode terbaik untuk memprediksi nilai ekspor sepatu kulit ke Jepang dalam
aplikasi logika fuzzy agar dapat mengoptimalkan nilai ekspor. Hasil penelitian
menunjukkan bahwa metode Mamdani merupakan metode terbaik
dibandingkan dengan metode Sugeno dan Tsukamoto. Metode Mamdani
memiliki hasil yang paling dekat dengan hasil sebenarnya dengan tingkat error
7%, sehingga metode Mamdani bisa dijadikan metode yang direkomendasikan
9
dalam memprediksi jumlah optimal ekspor HS 6403 Indonesia ke Jepang
dibandingkan metode Sugeno yang persentase errornya 32%, dan metode
Tsukamoto dengan persentase errornya 19,5%.
9. Suardika et al. (2018) melakukan penelitian perbandingan metode Tsukamoto,
Mamdani, dan Sugeno untuk menentukan produksi dupa (studi kasus: CV.
Dewi Bulan). Berdasarkan data jumlah permintaan dan jumlah persediaan
maka dapat disimpulkan bahwa nilai MAPE pada metode Tsukamoto sebesar
2,525%, metode Mamdani sebesar 1,557%, dan metode Sugeno sebesar
1,314%. Metode Sugeno memiliki nilai error terkecil pada jumlah produksi
dupa, nilai error didapat dari perbandingan data hasil produksi setiap metode
yang digunakan dengan data produksi yang didapat secara langsung.
Berdasarkan hasil yang didapat metode Sugeno yang paling baik untuk
digunakan dibandingkan dengan metode Tsukamoto dan metode Mamdani
pada studi kasus produksi dupa CV. Dewi Bulan.
10. Penelitian yang dilakukan oleh Minarni & Aldyanto (2016)membandingkan
hasil prediksi metode logika fuzzy dengan data produksi sebenarnya. Dari
pengujian prediksi menggunakan metode logika fuzzy ini, Dari ketiga metode
pengujian metode Tsukamoto, Sugeno dan Mamdani, metode Tsukamoto
sebagai metode yang paling dalam memprediksi jumlah produksi.Hasil
prediksi dengan hasil produksi perusahaan tidak jauh berbeda yang dapat
dilihat dari nilai error yang didapatkan 1%.
10
Tabel 2.1 menunjukkan rangkuman penelitian terdahulu yang digunakan dalam
penelitian.
Tabel 2.1 Penelitian terdahulu
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
Dumai.Penelitian ini akan membandingkanmetode Sugeno dan Mamdani dalam
memprediksi jumlah mahasiswa baru pada STMIK Dumai. Aplikasi yang digunakan
adalah Matlab.
11
2.2 Landasan Teori
2.2.1 Prediksi dan Komparasi
Menurut Irfan et al. (2018) yang diambil dalam KBBI, prediksi adalah kegiatan
untuk menduga hal yang akan terjadi. Beberapa definisi lainnya tentang prediksi:
1. Prediksi diartikan sebagai penggunaan teknik-teknik statistik dalam bentuk
gambaran masa depan berdasarkan pengolahan angka-angka historis
(Buffa, Elwood, Rakesh, & Sarin, 1996).
2. Prediksi merupakan bagian internal dari kegiatan pengambilan keputusan
manajemen (Makridakis S, 1999).
3. Prediksi (forecasting) adalah kegiatan yang memperkirakan yang terjadi
pada masa akan datang. Masalah pengambilan keputusan merupakan
masalah yang dihadapi maka peramalan juga merupakan masalah yang
harus dihadapi karena peramalan berkaitan erat dengan pengambilan
keputusan (Imami, 2013).
Prediksi adalah proses memperkirakan secara sistematis tentang sesuatu yang
paling mungkin terjadi dimasa depan berdasarkan informasi masa lalu dan
sekarang yang dimiliki, agar kesalahannya (selisih antara suatu yang terjadi
dengan hasil perkiraan) dapat diperkecil. Prediksi tidak harus memberikan
jawaban sedekat mungkin yang akan terjadi(Minarni & Aldyanto, 2016).
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).
2.2.2 Logika Fuzzy
Logika fuzzy merupakan salah satu pembentuk soft computing. Logika fuzzy
pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun 1965. Dasar
logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunanfuzzy,peranan
derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan
sangatlah penting . Nilaikeanggotaan atau derajat keanggotaan atau membership
function menjadi ciri utama dari penalaran dengan logika fuzzy tersebut
(Kusumadewi & Purnomo, 2010).Beberapa definisi logika fuzzy diantaranya
adalah:
1. Logika fuzzy adalah logika yang digunakanuntuk menjelaskan
keambiguan, logika himpunan yang menyelesaikan keambiguan (Vrusias,
2008).
2. Logika fuzzy menyediakan suatu cara untuk merubah pernyataan linguistik
menjadi suatu numerik (Synaptic, 2006).
Logika fuzzy memiliki derajat keanggotaan dalam rentang 0 hingga 1. Berbeda
dengan logika digital yang hanya memiliki dua nilai 1 atau 0. Logika fuzzy
digunakan untuk menerjemahkan suatu besaran yang diekspresikan menggunakan
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
penelitian oleh Irfan et al. (2018).
Proses pada sistem fuzzy yaitu dari input yang berupa data real diubah
olehfuzzifier (tahap fuzzifikasi) menjadi nilai fuzzy di U kemudian diolah oleh
mesin inferensi fuzzy dengan aturan dasar fuzzy yang selanjutnya ditegaskan
kembali dengan defuzzifier (tahap defuzifikasi) menjadi nilai tegas (output).
Dalam teori logika fuzzy, sebuah nilai bisabernilai benar dan salah secara
bersamaan, namun berapa besar kebenaran dan kesalahan suatu nilai tergantung
kepada bobot keanggotaan yang dimilikinya(Batubara, 2017).
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.
Akan tetapi, dalam logika fuzzy memungkinkan nilai keanggotaan berada di
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
nilainya tergantung pada bobot keanggotaan yang dimilikinya(Minarni &
Aldyanto, 2016).
2.2.3. Metode Sistem Inferensi Fuzzy
Sistem inferensi fuzzy berfungsi sebagai pengendali proses tertentu dengan
menggunakan aturan-aturan inferensi berdasarkan logika fuzzy. Sistem inferensi
memiliki empat unit, yaitu:
1. Unit fuzzifikasi (fuzzification unit)
2. Unit penalaran logika fuzzy (fuzzy logic reasoning unit)
3. Unit basis pengetahuan (knowledge base unit) yang terdiri dari:
a. Basis data (data base) yang memuat fungsi-fungsi keanggotaan dari
himpunan-himpunan fuzzy yang terkait dengan nilai dari variabel-
variabel linguistik yang dipakai
b. Basis aturan (rule base) yang memuat aturan-aturan berupa implikasi
fuzzy
4. Unit defuzzifikasi atau unit penegasan (defuzzification unit)
Terdapat tiga jenis fuzzy yang termasuk Fuzzy Inference System, yaitu
Fuzzy Mamdani, Fuzzy Sugeno, dan Fuzzy Tsukamoto(Minarni &
Aldyanto, 2016).
15
2.2.4. Metode Mamdani
Metode Mamdani sering dikenalsebagai Metode Max-Min dengan tahapan
sebagai berikut:
a. Pembentukan himpunan fuzzy.Pada metode Fuzzy Mamdani, variabel
input maupun variabel output dibagi menjadi satu atau lebih himpunan
fuzzy.
b. Aplikasi fungsi. Implikasi Pada metode Fuzzy Mamdani, fungsi
implikasi yang digunakan adalah Min.
c. Komposisi Aturan. Tidak seperti penalaran monoton, apabila sistem
terdiri dari beberapa aturan, maka inferensi diperoleh dari kumpulan
dan korelasi antar aturan.
d. Penegasan (defuzzifikasi). Defuzifikasi adalah cara untuk memperoleh
nilai tegas (crisp) dari himpunan fuzzy. Salah satu metode defuzzifikasi
yang digunakan pada metode Mamdani, yaitu Metode Centroid
(Minarni & Aldyanto, 2016).
Metode Mamdani pertama kali dikemukakan oleh Ebrahim Mamdani pada tahun
1975. Metode inidigunakan untuk mengendalikan mesin uap dan boiler yang
dikombinasikan dengan sekumpulan aturan kontrol linguistik yang diperoleh dari
operator yang berpengalaman. Tahapan dalam metode Mamdani adalah sebagai
berikut:
1. Pembentukan himpunan fuzzy. Variabel input maupun output dibagi menjadi
satu atau lebih himpunan fuzzy
2. Fuzzifikasi, yaitu menetukan derajat keanggotaan varibel input
16
3. Operasi logika fuzzy, perlu dilakukan jika bagian antecedent lebih dari satu
pernyataan melakukan operasi-operasi logika fuzzy.Hasil akhir dari operasi
ini adalah derajat kebenaran antecedent yang berupa bilangan tunggal.
Operator fuzzy untuk melakukan operasi and dan or bisa dibuat sendiri.
4. Implikasi: menerapkan metode implikasi untuk menentukan bentuk akhir
fuzzy set keluaran. Consequent atau keluaran dari aturan fuzzy ditentukan
dengan mengisikan kumpulan fuzzy keluaran ke variabel keluaran. Fungsi
implikasi yang digunakan adalah Min.
5. Agregasi: yaitu proses mengkombinasikan keluaran semua aturan if - then
menjadi sebuah kumpulan fuzzy tunggal menggunakan fungsi Max. Apabila
digunakan fungsi impilkasi min maka metode agregasi ini disebut dengan
nama max-min atau max-min atau Mamdani.
6. Defuzzifikasi: input dari proses ini adalah suatu himpunan fuzzy yang
diperoleh dari komposisi aturan-aturan fuzzy, sedangkan outputnya adalah
bilangan pada domain himpunan fuzzy (Widaningsih, 2017).
2.2.5. Metode Sugeno
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,
2016). Defuzifikasi dilakukan dengan cara mencari nilai rata-ratanya yaitu:
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
nol adalah IF (x1 is A1) o…. o (XN is AN) THEN z = k
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 + ... +
pN*xN + q dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi
adalah suatu konstanta (tegas) ke-i dan q juga merupakan konstanta dalam
konsekuen. o merupakan operator AND atau OR(Widaningsih, 2017)
2.2.6. STMIK Dumai
merupakan salah satu perguruan tinggi swasta yang terletak di kota Dumai yang
setiap tahun ajaran baru membuka Penerimaan Mahasiswa Baru (PMB) untuk
masuk ke kampus tersebut. Dalam proses PMB di Sekolah Tinggi Manajemen
Informatika dan Komputer (STMIK) Dumai melalui seleksi nilai rapor. Dari
proses PMB ini dapat dilihat banyaknya jumlah pendaftar. Data pendaftaran
mahasiswa baru tersebut dapat digunakan untuk perencanaan akademik perguruan
tinggi dalam membuat rancangan kebutuhan dengan lebih efektif dan efisien.
18
Bab 3
Metodologi
3.1 Objek Penelitian
Objek penelitian merupakan sesuatu yang menjadi sasaran dalam penelitian
ilmiah, objek penelitian ini menjadi sasaran dalam penelitian untuk mendapatkan
jawaban ataupun solusi dari permasalahan yang terjadi. Menurut Sugiyono(2014),
objek penelitian adalah sasaran ilmiah untuk mendapatkan data dengan tujuan
dan kegunaan tertentu tentang sesuatu hal objektif, valid, dan reliable tentang
suatu hal (variabel tertentu).
Objek penelitian dalam penelitian ini adalah mahasiswa baru pada Sekolah Tinggi
Manajemen Informatika dan Komputer (STMIK) Dumai. Untuk prediksi jumlah
mahasiswa baru padaSTMIK Dumai diterapkan metode Sugeno dan Mamdaniagar
dapat membantu dan mempermudah dalam perencanaan akademik perguruan
tinggi. Selain itu juga dapat digunakan sebagai pembanding antar metode Sugeno
dan Mamdani pada studi kasus prediksi pendaftaran mahasiswa baru.
3.2 Alat dan Bahan
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
no Alat dan Bahan Penelitian
Perangkat Keras Perangkat lunak
1 processor Core i7, 2.70 GHz Matlab
2 Ram 8 GB Microsoft Windows 10
3 Mouse dan Keyboard Web Browser Google Chrome
3.3 Perancangan Sistem
Penelitian Penelitian Penelitian

lapangan Pustaka Laboratorium
Gambar 3.1 Tahapan penelitian
Metodologi penelitian merupakan tahap penelitian yang dilakukan dalam

menyelesaikan suatu masalah. Tahapan penelitian ini dilakukan dengan beberapa
metode penelitian. Metode-metode tersebut antara lain :
1. Penelitian Lapangan (Field Research)
a. Observasi (Pengamatan) Merupakan pengumpulan data dengan melakukan

pengamatan di lapangan yakni pada STMIK Dumai .
b. Wawancara (Interview) Merupakan suatu cara pengumpulan data dengan

melakukan wawancara dengan pihak-pihak yang bersangkutan dalam bidang
yang diteliti untuk memperoleh informasi yang dibutuhkan.
2. Penelitian Pustaka (Library Research) Penelitian ini dilakukan untuk mencari,

mengumpulkan dan mempelajari data dari buku-buku, jurnal-jurnal, internet, serta literature-
literatur yang berhubungan dengan permasalahan yang dijadikan sebagai objek penelitian.
3. Penelitian Laboratorium (Laboratory Research) Penelitian laboratorium
merupakan tahap penelitian yang dilakukan dengan cara research
menggunakan komputer guna untuk mempraktekkan langsung hasil dari
analisa dan mencoba aplikasi yang bertujuan untuk menguji keakuratan sistem
20
yang akan digunakan. Penelitian laboratorium ini berkaitan dengan hardware
dan software yang digunakan dalam penelitian.
3.3.1 Data Mahasiswa Baru 2014-2018 STMIK Dumai
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
3.3.2. Himpunan Fuzzy
Tabel 3.3 Himpunan Fuzzy

Fungsi Nama variabel Semesta pembicara
Input Mhs diterima pertahun [66-151]

Mhs registrasi [64-163]
Output Pendaftar (seleksi) [80-186]
3.3.3. Domain Himpunan Fuzy

Tabel 3.4 Domain Himpunan Fuzzy
Variabel Nama himpunan fuzzy Domain
Mhs diterima pertahun Bertambah [66-151]
Berkurang [66-151]
registrasi Banyak [64-163]
Sedikit [64-163]
Pendaftar (seleksi) Meningkat [80-186]
Menurun [80-186]
3.3.4 Aturan Fuzzy

Tabel 3.5 Aturan Fuzzy
Kode Aturan /rule
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
3.4 Pengujian Sistem
Pada tahap ini akan dilakukan pengujian sistem untuk memeriksa apakah
perancangan yang telah dibuat seusai dengan tujuan. Pengujian sistem sangat
penting dilakukan, berutjuan untuk menemukan kekurangan atau tingkat ke-
akuratan sistem.
3.4.1 Metode Mamdani
Perhitungan data calon mahasiswa tahun akademi 2014/2015

Langkah 1
Menentukan variabel yang terkaid dengan proses. Ada 3 variabel yang bisa di
modelkan yaitu: mhs diterima, mhs registrasi, pendaftar (seleksi).
a) Mahasiswa diterima terdiri atas 2 himpunan yaitu bertambah dan
berkurang maka fungsi keanggotaannya adalah
0,51
0,49
66 109 151
= bertambah
= berkurang
22
Gambar 3.2 Tahapan Pembuatan Himpunan Mahasiswa Diterima
Fungsi keanggotaan variabel mahasiswa diterima 2014/2015
{
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
Fungsi keanggotaan variabel registrasi 2014/2015
{
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
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 [0.49 ; 0,60 ]

26
=0.49
[R2 ] IF jumlah mhs diterima berkurang and jumlah registrasi sedikit then
α − prediktat 2= μ mhs diterima berkurang ∩ μ registrasi sedikit
= min [0.49 ; 0,40 ]
= 0.40
[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 [0.51 ; 0,60 ]
= 0.51
[R4] IF jumlah mhs diterima bertambah and jumlah registrasi sedikit then
α − prediktat 3= μ mhs d iterima bertambah ∩ μ registrasi sedikit
= min [0.51 ; 0,40]
=0,40
27
Gambar 3.3 Aturan Mencari Nilai Z
Langkah 3
Komposisi antar aturan dari hasil fungsi implikasi dari tiap tiap aturan, digunakan
metode max untuk melakukan komposisi antar semua aturan. hasilnya seperti
pada gambar berikut
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
nilai a1 dan a2.
( a 1−80 )
=0.40
106
28
a 1=122,4
( a 2−80 )
=0.51
106
a 2=134,06
Dengan demikian fungsi keanggotaannya untuk hasil komposisi ini adalah
{
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
M₃= ∫ ( 0.51 ) Z dx=o , 225 z 2 ¿186

134.06
134.06
= 8,821.98-4,043.71881= 4,778.26119
Luas tiap daerah
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
Titik pusat dapat diperoleh
❑
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
= 115 orang pendaftar (seleksi)

Langkah 1
modelkan yaitu: mhs diterima, mhs registrasi, pendaftar ( seleksi ).
a) Mhs diterima terdiri atas 2 himpunan yaitu bertambah dan berkurang maka
fungsi keanggotaannya adalah
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
0
80 151
= bertambah
= berkurang
{
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
c) Pendaftaran (seleksi) terdiri atas 2 himpunan yaitu meningkat dan

menurun maka fungsi keanggotaannya adalah
0
80 186
= meningkat
= menurun
{
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 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
= min [0 ; 0 ]
=0
0 151 0 163
= min [1 ; 1]
=1
1 1
0 151 0 163
[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
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
nilai a1 dan a2.
( a 1−80 )
=0
106
a 1=80
( a 2−80 )
=1
106
a 2=186
{
0 ,∧z ≤ 80
μ ( z )= z−80
,∧80≤ z ≤ 186
106
1 ,∧z ≥186
34
Langkah 4
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
=0.004716981 . (80)3-0.37735849 .(80)2
= 2,415.094272-2,415.094336= 0.000064
0.004716981 z 3-0.37735849 z 2
=0.004716981 . (186)3-0.37735849 .(186)2
=30,353.093489736-13,055.09432004= 17,297.99916969
=17,297.99916969-0.000064= 17297.99910569
186
M₃= ∫ ( 1 ) Z dx=o , 5 z 2 ¿186

186
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
m₁❑+m₂+ m₃ 0+17297.99910569+0
Z= =
A 1+ A 2+ A 3 0+133+0
= 130.06014365

Langkah 1
35
0,623
0.376
66 98 151
= bertambah
= berkurang
{
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
0,636
0.363
36
66 98 151
= bertambah
= berkurang
{
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
{
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
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
= min [0.623 ; 0,636 ]
= 0.623
0,636
0.623
0 98 0 100
38
= min [0.376 ; 0,363]
= 0.363
0.60
0.376 0.363
0 98 0 100
= min [0.376 ; 0,636]
=0,376
0,376 0.636
0 98 0 100
Langkah 3
pada gambar berikut
1
μ( z )
0,623
0,363
A1 A2 A3
0 a1 a2
39
nilai a1 dan a2.
( a 1−80 )
=0.363
106
a 1=118.478
( a 2−80 )
=0.623
106
a 2=146.038
{
0.363 ,∧z ≤118.478
μ ( z )= z−80
,∧118.478 ≤ z ≤ 146.038
106
0.623 ,∧z ≥186
Langkah 4
118.478
M₁ = ∫ ( 0.363 ) Z dx=0.1815 z2 ¿118.478

0 = 2,547.72212184
0
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
=0.004716981 . (118.478)3-0.37735849 .(118.478)2

= 7844.71680181-5,296.99489167=2,547.72191014
0.004716981 z 3-0.37735849 z 2
=0.004716981 . (146.038)3-0.37735849 .(146.038)2

=14,691.35174207-8,047.96128755=6,643.39045452
=6,643.39045452-2,547.72191014= 4,095.66854438
186
M₃= ∫ ( 0.623 ) Z dx=0.3115 z2 ¿186

146.038
146.038
=10776.654- 6,643.390853806= 4,133.26314619

40
Luas tiap daerah

A1 =118.478*0.363 = 43.007514
146.038−118.478
A2= (0.363+0.623) * =0.986*27.56/2= 13.58708
2
A3= 0.623*(186-146.038)= 24.896326
m₁❑+m₂+ m₃ 2,547.72212184+4,095.66854438 + 4,133.26314619
Z= =
A 1+ A 2+ A 3 43.007514+13.58708+ 24.896326
10,776.65381241
= = 132.24361453
81.49092
Langkah 1
0,717
0.283
66 90 151
= bertambah
= berkurang
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
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
0
80 186
= meningkat
= menurun
{
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
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
= min [0.717 ; 0,737 ]
= 0.717
0.737
0.717
0 90 0 90
= min [0.283 ; 0,262]
= 0.262
0.283 0.262
0 90 0 90
= min [0.283 ; 0,737]
=0,283
44
0.737
0,283
0 90 0 90
Langkah 3
pada gambar berikut
1
μ( z )
0,717
0,262
A1 A2 A3
0 a1 a2
nilai a1 dan a2.
( a 1−80 )
=0.262
106
a 1=107.772
( a 2−80 )
=0.717
106
a 2=156.002
{
0.262 ,∧z ≤107.772
z−80
μ ( z )= ,∧107.772 ≤ z ≤ 156.002
106
0.717 ,∧z ≥156.002
Langkah 4
107.772
M₁ = ∫ ( 0.262 ) Z dx=0.131 z 2 ¿ 107.772

0 = 1521.539321904
0
45
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
=0.004716981 . (107.772)3 -0.37735849 .(107.772)2

= 5904.48405620 -4,382.94489304=1,521.53916316
0.004716981 z 3-0.37735849 z 2
=0.004716981 . (156.002)3 -0.37735849 .(156.002)2

=17,908.31090362-9,183.63168584=8724.67921778
=8724.67921778-1,521.53916316= 7203.14005462
186
M₃= ∫ ( 0.717 ) Z dx=0.3585 z2 ¿186

156.002
156.002
=12,402.666- 8,724.679705434= 3,677.98629456

Luas tiap daerah
A1 =107.772*0.262 = 28.236264
156.002−107.772
A2= (0.262+0.717) * =0.979*48.23/2= 23.608585
2
A3= 0.717*(186-156.002)= 21.508566
❑
m₁ +m₂+ m₃ 1521.539321904+7203.14005462+ 3,677.98629456
Z= =
A 1+ A 2+ A 3 28.236264+ 23.608585+21.508566
12,402.665671084
= = 169.08095786
73.353415
Langkah 1
1
46
0
66 66 151
= bertambah
= berkurang
{
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
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
0
80 186
= meningkat
= menurun
{
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
α − prediktat 1= μ mhs diterima ber kurang ∩ μ registrasi banyak
= min [1. ; 0]
=0
1
0 66 0 64
= min [1 ; 1]
=1
1 1
0 90 0 90
[R 3] IF jumlah mhs diterima bertambah and jumlah registrasi banyak then
= min [0 ; 0]
=0
49
0 66 0 64
= min [0 ; 1]
=0
1
0 66 0 64
Langkah 3
pada gambar berikut
1
μ( z )
A1 A2 A3
0 a1 a2
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
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
=0.004716981 . (80)3-0.37735849 .(80)2

= 2,415.094272-2,415.094336= 0.000064
0.004716981 z 3-0.37735849 z 2
=0.004716981 . (186)3-0.37735849 .(186)2

=30,353.093489736-13,055.09432004= 17,297.99916969
=17,297.99916969-0.000064= 17297.99910569
186
M₃= ∫ ( 0 ) Z dx=0
186
Luas tiap daerah

A1 =80*1= 80
186−80
A2= (1+0) * = 133
2
A3= 0*(186-186)= 0
m₁❑+m₂+ m₃ 3200+17297.99910569+ 0
Z= =
A 1+ A 2+ A 3 80+133+0
= 20,497.99910569 / 213 =96.23473758
51
3.4.2 Metode Sugeno

Langkah 3
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
Z₃= jumlah mahasiswa diterima

=109
Z₄ = 1.25*registrasi-mhs diterima
= 1.25 *127-109 = 49.75
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
=( 0.494∗18 ) +¿ ¿
128.0805
= =74.79153284
1.7125
= 75 orang pendaftar
Langkah 3
Defuzzyfikasi
52
=163-151 = 12
=151

=151
= 1.25 *163-151 = 52.75
( a ₁❑ . z ₁❑) + ( a₂❑ . z ₂❑) + ( a ₃❑ . z ₃❑ )+ ( a ₄❑ . z 4❑)
Z= ❑ ❑ ❑ ❑
a ₁ + a ₂ + a ₃ + a₄
=( 0∗12 ) +¿ ¿
151
= =151
1
Langkah 3
Defuzzyfikasi
=100-98 = 2
=98
53

=98
= 1.25 *100-98 = 2.5
( a ₁❑ . z ₁❑) + ( a₂❑ . z ₂❑) + ( a ₃❑ . z ₃❑ )+ ( a ₄❑ . z 4❑)
Z= ❑ ❑ ❑ ❑
a ₁ + a ₂ + a ₃ + a₄
=( 0.363∗2 ) +¿ ¿
97.448
= =56.49159420
1.725
Langkah 3
Defuzzyfikasi
=90-90 = 0
=90

=90
= 1.25 *90-90 = 0
54

( a ₁❑ . z ₁❑) + ( a₂❑ . z ₂❑) + ( a ₃❑ . z ₃❑ )+ ( a ₄❑ . z 4❑)
Z=
a ₁❑+ a ₂❑+ a ₃❑ + a₄❑
( 0.262∗0 )+(0.717∗90)+ ( 0.262∗90 ) +(0.283∗0)
=
0.262+ 0.717+0.262+0.283
88.11
= =57.81496062
1.524
Langkah 3
Defuzzyfikasi
=64-66 = - 2
=66
=66
= 1.25 *66-64 = -2.5
( 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
55
Tabel 3.6 Hasil Perhitungan Menggunakan Metode Mamdani Dan Sugeno

Tahun Ajaran Mamdani Sugeno
2014/2015 115 75
2015/2016 130 151
2016/2017 132 56
2017/2018 169 57
2018/2019 96 66
Tabel 3.7 Hasil Uji Prediksi Metode Mamdani

No TAHUN JUMLAH HASIL A-F (A-F)/A
AJARAN PENDAFTA PREDIKSI
R RILL(A) (F)
MAMDANI
1 2014/2015 150 115 35 0.23333
2 2015/2016 186 130 56 0.30107
3 2016/2017 127 132 5 0.03937
4 2017/2018 106 169 63 0.59433
5 2019/2019 80 96 16 0.2
RATA-RATA 0.27362
DALAM PERSEN 27.362 %
Tabel 3.8 Hasil Uji Prediksi Metode sugeno

No TAHUN JUMLAH HASIL A-F (A-F)/A
AJARAN PENDAFTA PREDIKSI
R RILL(A) (F)
SUGENO
1 2014/2015 150 75 75 0.5
2 2015/2016 186 151 35 0.18817
3 2016/2017 127 56 71 0.55905
4 2017/2018 106 57 49 0.46226
5 2018/2019 80 66 14 0.175
RATA-RATA 0.376896
DALAM PERSEN 37.6896 %
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
3.5 Jadwal Penelitian
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
Batubara, S. (2017). Analisis Perbandingan Metode Fuzzy Mamdani Dan Fuzzy

Sugeno Untuk Penentuan Kualitas Cor Beton Instan. It Journal Research and
Development, 2(1), 1–11. https://doi.org/10.25299/itjrd.2017.vol2(1).644
Harmoko, I. W., & Az, N. (2012). Prototipe Model Prediksi Peluang Kejadian
Hujan Menggunakan Metode Fuzzy Logic Tipe Mamdani dan Sugeno. 1(1),
59–70.
Heriyanto, Y. (2018). PERANCANGAN SISTEM INFORMASI RENTAL MOBIL

BERBASIS WEB PADA PT.APM RENT CAR. 2(2), 64–77.
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
Minarni, & Aldyanto, F. (2016). Prediksi Jumlah Produksi Roti Menggunakan

Metode Logika Fuzzy (Studi Kasus : Roti Malabar Bakery). Prediksi Jumlah
Produksi Roti Menggunakan Metode Logika Fuzzy (Studi Kasus : Roti
Malabar Bakery), 4(2), 59–65.
Ni’mah, F., & Oktafianto, K. (2019). Analisis Perbandingan Penentuan Waktu

Simpan Beras Bansos RASTRA Menggunakan Fuzzy Inference System
(FIS) Metode Fuzzy Tsukamoto dan Fuzzy Mamdani. Jurnal Matematika,
01(01), 45–54.
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.
Rohimah, L. (2019). Prediksi Nilai Ekspor Sepatu Kulit HS 6403 Ke Jepang

Dengan Metode Mamdani, Sugeno Dan Tsukamoto. Jurnal Ilmu
Pengetahuan Dan Teknologi Komputer, 4(Februari), 239–244.
Suardika, K. W., Gandhiadi, G. K., & Harini, L. P. I. (2018). PERBANDINGAN

METODE TSUKAMOTO, METODE MAMDANI DAN METODE
SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus :
57
CV. Dewi Bulan). E-Jurnal Matematika, 7(2), 180.
https://doi.org/10.24843/mtk.2018.v07.i02.p201
Widaningsih, S. (2017). Analisis Perbandingan Metode Fuzzy Tsukamoto,

Mamdani dan Sugeno dalam Pengambilan Keputusan Penentuan Jumlah
Distribusi Raskin di Bulog Sub. Divisi Regional (Divre) Cianjur. Infoman’s,
11(1), 51–65. https://doi.org/10.33481/infomans.v11i1.21
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
Lampiran 1Daftar Riwayat Hidup

Lampiran 2 Laporan Belkasoft Evidence
Lampiran 3 Laporan Oxygen Forensic
Lampiran 4 Lampiran Administratif
59
Daftar Riwayat Hidup
Data isian yang harus ada, minimal:

1. NIM : 2007048012
2. Nama beserta gelar :Januari Audrey, S.Kom
3. Tempat tanggal lahir : Medan, 22 Januari 1996
4. Email : january2007048012@webmail.uad.ac.id
5. Alamat : Jln Sorosutan No 7a
6. Pendidikan S1 : Program Studi Teknik Informatika STMIK Dumai
7. No HP/WA : 081270802597
8. Daftar publikasi selama studi di MTI UAD (mengacu pada 2.2.2 Tatacara
Pengacuan Bagian b Penulisan Daftar Acuan)
60

Proposal Tesis Terupdate

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

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

Proposal Tesis Terupdate

Diunggah oleh

Hak Cipta:

Format Tersedia

Perbandingan Logika Fuzzy Metode Sugeno

dan Mamdani untuk Prediksi Jumlah

Tesis diajukan kepada Fakultas Teknologi Industri

pada Program Studi S2 Teknik Informatika

Universitas Ahmad Dahlan

Perbandingan Logika Fuzzy Metode

Sunardi, S.T., M.T., Ph.D. Rusydi Umar, S.T., M.T., Ph.D.

Diterima sebagai bagian persyaratan

Sunardi, S.T., M.T., Ph.D.

Dengan ini menyatakan bahwa:

Yogyakarta, 14 Januari 2021

✓ Saya mengijinkan karya tersebut diunggah ke dalam aplikasi Repository

Demikian pernyataan ini saya buat dengan sebenarnya.

Yogyakarta, 14 Januari 2021

Drs. Abdul Fadlil, M.T., Ph.D. Sunardi, S.T., M.T., Ph.D.

Motto dan Persembahan

Tesis ini kupersembahkan untuk:

Pernyataan Tidak Plagiat....................................................................................iii

Gambar 3.1 Tahapan Penelitian.............................................................................20

Tabel 2.1 Penelitian terdahulu...............................................................................11

Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK) Dumai

Profile Matching, Multifactor Evaluation Process, Asistant, Laboratorium,

Keywords: New Students, Fuzzy Logic, Sugeno, Mamdani, Prediction, Matlab

1.1 Latar Belakang

Untuk mendapatkan mahasiswa, setiap tahunnya perguruan tinggi negeri maupun

swasta membuka pendaftaran mahasiwa baru.

Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK) Dumai

Penerimaan Mahasiswa Baru (PMB) untuk masuk ke kampus tersebut. Dalam

proses PMB di Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK)

jumlah pendaftar. Data pendaftaran mahasiswa baru tersebut dapat digunakan

untuk perencanaan akademik perguruan tinggi.

Kegiatan PMB dan jumlah mahasiswa baru dapat mengalami peningkatan

atau penurunan. Pertumbuhan jumlah PMB berdampak pada penyediaan ruang

kuliah dan peningkatan pelayanan. Jumlah mahasiswa setiap tahun di STMIK

Dumai mengalami perubahan,akibatnya persiapan kebutuhan mahasiswa baru

melakukan persiapan dan pelaksanaan proses belajar mengajar. Perencanaan

akademik merupakan bagian penting yang perlu dilakukan untuk merencanakan

proses pembelajaran lebih tepat.

Sugeno dan Mamdani. Logika fuzzy digunakan untuk menerjemahkan besaran

yang diekspresikan menggunakan bahasa (linguistic), misalkan besaran kecepatan

kemampuan untuk mengenali, merepresentasikan, memanipulasi, menafsirkan,

kasus prediksi pendaftaran mahasiswa baru.

Berdasarkan latar belakang yang telah dipaparkan maka dapat diidentifikasi

1. Pertumbuhan jumlah penerimaan mahasiswa baru berdampak pada

penyediaan ruang kuliah dan peningkatan pelayanan.

2. Dibutuhkannya prediksi jumlah mahasiswa untuk melakukan

persiapan/perencanaan proses pembelajaran lebih cepat.

adanya prediksi jumlah mahasiwa menyebabkan kurangnya efisensi dan

efektivitas dalam menyiapkan kebutuhan terhadap mahasiswa baru.

1.3 Batasan Masalah

Batasan masalah pada penelitian ini meliputi:

1. Menggunakan logika fuzzy yaitu metode Sugeno dan Mamdani dalam

memprediksi jumlah mahasiwa.

2. Penelitian dilakukan pada Sekolah Tinggi Manajemen Informatika dan

Komputer (STMIK) Dumai.

4. Analisis metode Sugeno dan Mamdani menggunakan MATLAB.

Permasalahan yang dapat dirumuskan pada penelitian ini adalah:

1. Bagaimana menggunakan Metode Sugeno dan Mamdani untuk

memprediksi jumlah mahasiswa baru Sekolah Tinggi Manajemen

Informatika dan Komputer (STMIK) Dumai

2. Bagaimana menguji keberhasilan dan akurasi metode Sugeno dan

1.5 Tujuan Penelitian

Penelitian ini memiliki tujuan sebagai berikut: