https://tutorkeren.com/artikel/tutorial-lengkap-menggunakan-fuzzy-logic-toolbox-pada-matlab.

htm
[TUTORIAL LENGKAP] MENGGUNAKAN FUZZY LOGIC TOOLBOX PADA MATLAB
KUSUMA WARDANA - 22 NOVEMBER 2015 10:08:56

MATLAB adalah bahasa pemrograman teknis yang sangat andal untuk proses simulasi dan visualisasi data.
MATLAB menjadi tools bagi para ilmuan dan pelajar untuk memodelkan sistem, menganalisis serta
menampilkan data. Saat ini, MATLAB terus berkembang untuk menyokong berbagai disiplin keilmuan,
termasuk Logika Fuzzy. MATLAB telah menyediakan sebuah tools untuk merancang logika fuzzy, yang
dikenal sebagai Fuzzy Logic Toolbox.
Mari kita mulai pembahasan kita dengan menggunakan contoh yang telah kita bahas sebelumnya, yaitu:
Dinner for Two. Sebelumnya, kita telah membahas dari segi penurunan matematikanya. Nah, saat ini kita akan
menggunakan Fuzzy Logic Toolbox untuk menyelesaikan permasalahan tersebut.
Asumsikan bahwa kita telah menginstal MATLAB pada komputer kita dan telah menyertakan Fuzzy
Logic Toolbox di dalamnya. Untuk mengetahui apakah telah toolbox ini telah terinstal apa tidak, kita ketikkan
sintaks ver pada Command Window, sebagai berikut :

Terlihat bahwa semua toolbox yang terinstal dimunculkan, lengkap dengan versi rilisnya. Untuk saat ini,
saya menggunakan Fuzzy Logic Toolbox versi 2.2.19.
Untuk merancang fuzzy pada MATLAB, kita dapat menggunakan dua cara, yaitu dengan mengetikkan
sintaksnya pada editor (layaknya memprogram MATLAB), atau menggunakan jendela visual yang telah
dirancang antarmukanya sedemikian rupa untuk mendesain suatu sistem fuzzy. Antarmuka ini dikenal sebagai
FIS editor. Untuk saat ini, kita akan menggunakan FIS editor.
Jika sudah terinstal, mari kita ketikkan sintaks fuzzy pada Command Window, sebagai berikut:
>> fuzzy
Selanjutnya akan muncul FIS editor, seperti pada Gambar 1.

Gambar 1. Tampilan awal FIS editor

Mari kita reveiew kasus kita, yaitu Dinner For Two:

Karena hari ini Valentine, Romi ingin mengajak Juli dinner di suatu restoran. Sebelum berangkat dinner, Romi
berpikir akan membagi kebahagiaannya pada malam ini kepada pelayan restoran dengan memberikan uang tip.
Dia akan memberikan uang tip sebesar 5-25% dari total belanjanya. Besarnya uang tip akan dilihat dari tingkat
PELAYANAN(service) dan kualitas MAKANAN (food) yang dihidangkan.
Bantulah Romi untuk memutuskan besarnya uang tip yang akan diberikan kepada pelayan restoran, jika setelah
menikmati hidangan dan fasilitas PELAYANAN Romi memberi nilai, sebagai berikut:
PELAYANAN = 7
MAKANAN = 8
Penilaian PELAYANAN dan MAKANAN berada pada rentang nilai 0-10. Ingat, kisaran uang tip adalah 5 -
25%.
Adapun aturan pemberian tip yg ditetapkan oleh Romi adalah sebagai berikut:
1. Jika PELAYANAN Jelek ATAU MAKANAN Tengik, maka TIP Murah
2. Jika PELAYANAN Sedang, maka TIP Standar
3. Jika PELAYANAN Bagus ATAU MAKANAN Lezat, maka TIP Mahal
Dapat kita simpulkan bahwa pasangan input-output adalah sebagai berikut:
 INPUT: PELAYANAN (Jelek, Sedang, Bagus) dan MAKANAN (Tengik, Lezat)
 OUTPUT: TIP (Murah, Standar, Mahal)
Nah, kita ketahui bahwa input ada dua, yaitu PELAYANAN dan MAKANAN. Mari kita amati di FIS
Editor. Untuk tampilan awal, FIS Editor secara default hanya menampilkan satu input dan satu output. Oleh
 karena itu, mari kita tambahkan satu buah input lagi. Pada FIS Editor, carilah Edit, kemudian Add
Variable... dan klik Input, seperti yang ditunjukkan pada Gambar 2.

Gambar 2. Menambahkan variabel Input

Untuk memudahkan dalam pembuatan sistem, klik-lah input 1, kemudian ubahlah kolom Name pada Current
Variabel. Gantilah namanya menjadi PELAYANAN, kemudian tekan Enter. Untuk parameter yang lain (And
method, Or method, Implication, dan sebagainya), biarkanlah pada nilai defaulft-nya. Amati proses ini pada
Gambar 3.

Gambar 3. Mengubah kolom Name

Lakukan hal yang sama untuk Input 2 dan Output, masing-masing dengan nama MAKANAN dan TIP. Hasilnya
tampak seperti pada Gambar 4.

Gambar 4. Nama Varibel yang telah diubah

Langkah selanjutnya adalah menentukan fungsi keanggotaan dari input dan output fuzzy. Mari kita lakukan
perubahan pada input PELAYANAN terlebih dahulu. Klik-lah dua kali pada kotak kuning PELAYANAN.
Selanjutnya akan muncul jendela Membership Function Editor seperti pada Gambar 5.

Gambar 5. Membership Function Editor

Pada Jendela ini, pastikan saat ini kotak kuning PELAYANAN maih aktif(ditandai dengan garis merah tebal).
Klik-lah garis mf1, dan ubahlah parameter dibawahnya (ditunjukkan dengan kolom yang berwarna putih pada
Gambar 5) sesuai dengan tabel berikut :

Tabel 1. Properties untuk fungsi keanggotaan PELAYANAN: JELEK

Parameter Nilai

Range [0 10]

Name Jelek

Type trimf

Params [-4 0 4]

Jika mf1 sudah diubah, lakukan langkah yang sama untuk mf2 dan mf3, masing masing seperti pada Tabel 2
dan 3.

Tabel 2. Properties untuk fungsi keanggotaan PELAYANAN: SEDANG

Parameter Nilai

Range [0 10]

Name Sedang

Type trimf

Params [1 5 9]

Tabel 3. Properties untuk fungsi keanggotaan PELAYANAN: BAGUS

Parameter Nilai

Range [0 10]

Name Bagus

Type trimf

Params [6 10 14]
 Hasilnya terlihat seperti pada Gambar 6. Membership function adalah fungsi keanggotaan yang
mewakili suatu himpunan fuzzy. Pada input PELAYANAN, semua fungsi keanggotaan memiliki tipe trimf.
Trimf adalah Triangular Membership Function. Yaitu fungsi keanggotaan berbentuk segitiga. Bagaimana
menentukan harus memiliki bentuk tertentu? Hal ini sangat tergantung dari pengalaman dan pemahaman si
designer. Mereka harus memperkirakan bentuk yang tepat dan masuk akal untuk jenis kasus tertentu.
Bagaimana teori memilih fungsi keanggotaan tidak dibahas pada tulisan ini. Derajat keanggotaan akan memiliki
nilai berkisar antara 0 - 1. Makin tinggi derajat keanggotaan, makin signifikan pengaruhnya dalam logika kita.
Sebagai contoh, mari kita amati Gambar 6. Nilai PELAYANAN yang benar-benar dikatakan BAGUS adalah
ketika PELAYANAN tersebut bernilai 10, bukan? Kita buatkan fungsi keanggotaan berbentuk segitiga. Dengan
puncak di angka 10, dan kaki satunya di angka 6 (kaki satunya akan berada di angka 14, tapi tidak masuk dalam
Range kita, jadi tidak akan kita bahas). Nilai PELAYNAN = 9 juga termasuk BAGUS, namun derajatnya mulai
berkurang. Sekarang amati nilai 7. Nilai PELAYANAN = 7 bersinggungan dengan fungsi keanggotaan
SEDANG dan BAGUS. Dapat kita simpulkan bahwa nilai =7 termasuk BAGUS dan termasuk SEDANG, tapi
masing-masing dengan derajat (bobot) keanggotaan yang berbeda. Ambil sekali lagi angka 2. Nilai
PELAYANAN = termasuk dalam kategori SEDANG dan JELEK. Namun, jika kita amati, nilai = 2 akan
cederung memiliki bobot yang lebih besar ke JELEK daripada ke SEDANG. Apa kalian mengamatinya? Nah,
inilah watak kekaburan dari suatu logika fuzzy.

Gambar 6. Membership function untuk input PELAYANAN

Sekarang, kita lakukan penyesuaian untuk variabel MAKANAN dan TIP. Lakukan langkah-langkah yang sama
seperti mengubah variabel PELAYANAN. Sesuaikanlah seperti pada Tabel 4 sampai Tabel 8. Jika
memebership function dibutuhkan lebih atau kurang, kita bisa menambahkannya melalui kolom Edit di bagian
atas jendela. Perhatikan bahwa fungsi keanggotaan untuk MAKANAN adalah berbentuk trapesium (trapmf).
 Tabel 4. Properties untuk fungsi keanggotaan MAKANAN: TENGIK

Parameter Nilai

Range [0 10]

Name Tengik

Type trapmf

Params [0 0 1 3]

Tabel 5. Properties untuk fungsi keanggotaan MAKANAN: LEZAT

Parameter Nilai

Range [0 10]

Name Lezat

Type trapmf

Params [7 9 10 10]

Tabel 6. Properties untuk fungsi keanggotaan TIP: MURAH

Parameter Nilai

Range [0 30]

Name Murah

Type trimf

Params [0 5 10]

Tabel 7. Properties untuk fungsi keanggotaan TIP: STANDAR

Parameter Nilai

Range [0 30]
Parameter Nilai

Name Standar

Type trimf

Params [10 15 20]

Tabel 8. Properties untuk fungsi keanggotaan TIP: MAHAL

Parameter Nilai

Range [0 30]

Name Mahal

Type trimf

Params [20 25 30]

Hasil akhir dari fungsi keanggotaan MAKANAN dan TIP diperlihatkan seperti pada Gambar 7 dan Gambar 8.

Gambar 7. Membership function untuk input MAKANAN

 Gambar 8. Membership function untuk output TIP

Setelah menyusun semua fungsi keanggotaan baik input maupun output, langkah selanjutnya adalah
menetapkan aturan-aturan menggunakan mekanisme IF-THEN, atau dikenal sebagai aturan JIKA-MAKA.
Masih pada jedela yang sama (Membership Function Editor), bukalah Edit kemudian klik Rules... . selanjutnya
akan tampil jendela Rule Editor seperti pada Gambar 9.
 Gambar 9. Jendela Rule Editor

Mari kita review aturan-aturan yang berlaku pada kasus kita, yaitu sebagai berikut:
1. Jika PELAYANAN Jelek ATAU MAKANAN Tengik, maka TIP Murah
2. Jika PELAYANAN Sedang, maka TIP Standar
3. Jika PELAYANAN Bagus ATAU MAKANAN Lezat, maka TIP Mahal

Nah, selanjutnya kita sesuaikan pengaturan jendela Rule Editor dengan aturan ini. Ubah-ubahlah kolom
PELAYANAN, MAKANAN dan TIP, serta sesuaikan dengan pilihan Connection-nya (dalam hal ini OR atau
AND). Karena kita menggunakan kata 'ATAU' dalam aturan kita, maka kita gunakan koneksi OR. Pada aturan
kedua, terlihat hanya input PELAYANAN saja yang masuk dalam aturan, sedangkan MAKANAN tidak. Oleh
karena itu, kita bisa pilih kolom MAKANAN dengan none. Jika telah selesai satu aturan, klik-lah tombol Add
Rule. Kita juga bisa mengedit atau menghapus aturan yang kita buat dengan tombol yang telah disediakan.
Hasil selengkapnya ditunjukkan pada Gambar 10.
 Gambar 10. Menyusun aturan IF-THEN

Jika sudah, jendela Rule Editor dan Membership Function bisa kita tutup, dan kita bisa kembali jendela
awal. Di jendela utama, kita bisa melihat hasil dari sistem fuzzy yang telah kita buat. Carilah View, kemudian
klik Rules. Hasilnya terlihat pada Gambar 11.
Seperti yang telah kita bahas sebelumnya bahwa input diberi nilai tertentu, yaitu PELAYANAN = 7, dan
MAKANAN = 8. Ubahlah kolom Input, dan lihat hasilnya. Terlihat bahwa nilai TIP = 20. Nah, dengan
demikian, dapat kita simpulkan bahwa TIP yang harus dibayarkan oleh Romi adalah sebesar 20%. Kita dapat
mengubah-ubah nilai input ini dengan cara mengetikkan, atau menggeser-geser garis vertikal yang melintasi
input.
 Gambar 11. Hasil akhir dari sistem fuzzy

Kita dapat melihat bentuk dari berbagai peluang nilai input kita dengan cara memilih View - Surface. Hasilnya
terlihat seperti pada Gambar 12.

Terakhir, simpanlah projek ini jika diperlukan. Pilihlah File - Export - To File... Simpanlah sesuai
dengan nama yang kita inginkan. Hindarilah menggunakan spasi dalam penamaan.
MEMBUAT FUZZY DGN TOOLBOX MATLAB
80 BALASAN
HARI/TGL/MT KULIAH/DOSEN/KAMPUS: SABTU/16-10-2010/METODE RISET/DR. PRABOWO –
RAHMADYA, M.KOM./S2 STMIK NUSA MANDIRI
STUDI KASUS:
BUATLAH RANCANGAN FUZZY INFERENCE SYSTEM UNTUK KASUS PENENTUAN BONUS
PEGAWAI RESTORAN BERDASARKAN PELAYANAN DAN MASAKAN YANG DISAJIKAN.
GUNAKAN RULE MAMDANI DENGAN LOGIKA YANG TEPAT.
PENYELESAIAN :

1. Langkah pertama adalah buka Matlab Anda. Arahkan Current Directory pada posisi folder yang tepat.

Pada Command Window ketik “fuzzy”, maka akan muncul jendela berikut ini.
Secara default Matlab menyediakan satu masukan, satu kelauaran dan satu rule bertipe Mamdani. Karena kita
diminta untuk membuat dua masukan yaitu pelayanan dan masakan, klik: edit – Add Variable – Klik “input”.
Tambahkan pelayanan dan masakan sebagai variabel masukan. Beri nama yang sesuai untuk output, misalnya
“bonus”.

Langkah berikutnya adalah kita membuat fungsi keanggotaan (membership function) untuk input. Misal
pelayanan terlebih dahulu, dobel klik pada masukan pelayanan, maka akan muncul jendela baru untuk
mengatur fungsi keanggotaan. Yang perlu kita atur adalah nama fungsi keanggotaan, range dan tipe-nya. Nama
fungsi keanggotaan pada FIS berupa ciri verbal seperti baik, rata-rata atau buruk. Range menyatakan jangkauan
angka misalnya lima menyatakan paling baik, nol menyatakan paling buruk, berarti antara dua dan tiga adalah
rata-rata. Coba sendiri membuat fungsi keanggotaan seperti pada gambar di bawah ini. Agar lebih cepat, coba
gunakan tipe z, gauss dan s untuk berturut-turut pada fungsi buruk, rata-rata dan baik.
Dengan cara yang sama dengan langkah keempat, buat untuk masukan masakan. Untuk mudahnya gunakan
nama fungsi masakan tidak enak, rata-rata dan enak. Range gunakan jangkauan yang sama untuk pelayanan.

Berikutnya kita merancang fungsi keanggotaan pada variabel keluaran yaitu bonus. Misalnya kita akan
mengkategorikan bonus menjadi banyak, rata-rata dan sedikit. Untuk memudahkan, gunakan range
penjumlahan dua masukan yaitu sepuluh. Gunakan fungsi sederhana yaitu fungsi segitiga. Atur nama fungsi
serta tipenya sehingga menghasilkan gambar sebagai berikut.
Jika telah selesai, maka terakhir kita akan membuat logika pada rule. Close terlebih dahulu Membership
Function Editor. Dobel klik pada bagian tengah FIS editor. Isikan logika yang sesuai, coba skenario terbaik,
terburuk dan rata-rata.

Untuk melihat apakah sesuai dengan yang diharapkan, klik: view – surface, perhatikan apakah sudah sesuai
dengan keinginan.
 1. Untuk mengatur kecenderungan kita apakah memberi bonus baik atau tidak, dapat kita lakukan dengan
mengklik: view – rules. Untuk mengatur kecenderungannya dapat kita lakukan dengan menggeser garis
tengah berwarna merah untuk tiap fungsi keanggotaan.

Selamat, Anda telah berhasil membuat satu engine FIS. Untuk menyimpan dapat kita lakukan dengan mengklik:
file – export. Ada dua pilihan yang tersedia, yaitu to Workspace dan to File. Bila kita pilih to workspace maka
hanya akan muncul pada Matlab saat aktif sekarang saja. Bila di-shutdown, data akan hilang. Sebaiknya kita
pilih to file agar lebih permanen. Setelah diklik to file, beri nama misalnya bonis. File fuzzy akan tersimpan
dengan ekstensi “fis”.

Berikutnya kita akan menguji fuzzy yang telah kita buat. Kembali ke command window, ketik:
fis=readfis(‘bonus’) lalu enter maka Matlab akan meload engine FIS yang kita miliki yaitu bonus.fis. Berarti
variabelnya diberi nama “fis”.
>> fis=readfis(‘bonus’)

Berikutnya kita uji misalnya pelayanan buruk, yaitu 1 sedangkan masakannya pun tidak enak. Instruksi yang
diperlukan adalah evalfis.
>> out = evalfis([1 1],fis)
out = 3.2863

Hasil defuzzifikasi, dengan variabel out, adalah 3,2863 yang jika dibandingkan dengan skala 10 masih dibilang
buruk.
>> out = evalfis([5 5],fis)
out = 7.3379
NILAI TUKAR RUPIAH: APLIKASI LOGIKA FUZZY MENGGUNAKAN MATLAB
Penulis
Advernesia
0

Nilai Tukar Rupiah - Aplikasi Logika Fuzzy Menggunakan MATLAB

Pada artikel ini dipaparkan mengenai aplikasi logika fuzzy menggunakan MATLAB dalam kehidupan sehari-
hari berdasarkan review jurnal dari Universitas Indraprasta PGRI. Jurnal tersebut direview karena menurut
penulis sangat bermanfaat serta masih bisa dikembangkan untuk memprediksi permasalahan yang ada dengan
nilai error yang lebih kecil. Saya atas nama “I Kadek Mentik Yusmantara” berterima kasih kepada peneliti
serta memohon maaf jika terdapat tulisan yang menyinggung pada pemaparan review ini.

Nama Jurnal :

“Prediksi Nilai Tukar Rupiah dengan Metode Mamdani“

31 Halaman A4, Format 2 Kolom

Penulis :

1. Indra Suyahya, M.Pd

Dosen Program Studi Pendidikan Ekonomi, FIPPS

Universitas Indraprasta PGRI (Indrasuyahya@gmail.com)

2. Wulan Anggraini, M.Si

Dosen Program Studi Pendidikan Matematika, FTMIPA

Universitas Indraprasta PGRI (Wulangussetiyo@gmail.com)
Sumber Jurnal :

http://www.journal.lppmunindra.ac.id/

Pendahuluan :

Dengan fluktuatifnya nilai tukar rupiah terhadap dolar Amerika berakibat pada pertumbuhan ekonomi di
Indonesia, untuk itu sebaiknya dilakukan prediksi nilai tukar rupiah terhadap dolar. Banyak cara untuk
memprediksi nilai tukar rupiah, salah satunya adalah menggunakan metode mamdani. Pada jurnal ini penulis
melakukan prediksi nilai tukar rupiah berdasarkan tingkat inflasi saja menggunakan metode mamdani.

Tujuan :

Tujuan utama dari jurnal ini adalah untuk mengetahui apakah metode mamdani dapat memprediksi nilai tukar
rupiah berdasarkan tingkat inflasi.

Data dan Metode :

1. Data Kuantitatif

 Deret waktu tingkat inflasi Indonesia bulan Januari 2012 sampai Oktober 2015 dari Bank Indonesia
(input).
 Deret waktu nilai tukar rupiah terhadap dolar bulan Januari 2012 sampai Oktober 2015 dari Bank
Indonesia (output).


Reviewer SPSS 23
2. Statistika Deskriptif
Penelitian ini melakukan perhitungan deskriptif menggunakan SPSS 22 (review SPSS 23), diperoleh nilai mean,
median, mode, standar deviasi, minimum dan maksimum masing-masing untuk tingkat inflasi dan nilai tukar
rupiah.

Reviewer SPSS 23: Analisis deskriptif

3. Metode Mamdani
Metode yang digunakan untuk melakukan prediksi nilai tukar rupiah berdasarkan tingkat inflasi adalah metode
mamdani. Dari hasil perhitungan statistika deskriptif tersebut.
4. Perhitungan Kesalahan Prediksi
Pengukuran kesalahan peramalan menggunakan nilai MAPE (mean absolute error)

Jurnal : Rumus MAPE

Pembahasan

Peneliti menggunakan metode mamdani untuk melakukan prediksi nilai tukar rupiah berdasarkan tingkat inflasi,
menggunakan bantuan software Matlab 2013a (Review Matlab 2015b). Dari perhitungan data deskriptif dapat
dilakukan tahapan-tahapan metode mamdani adalah sebagai berikut.

A. Pembentukan Himpunan Fuzzy

Adapun semesta pembicara himpunan fuzzy yang dibagi menjadi variabel input dan output, yaitu inflasi (input)
dan nilai tukar (output).
Kemudian dapat dibentuk himpunan fuzzy yaitu rendah, sedang, dan, tinggi dari tingkat inflasi dan nilai tukar.

Sehingga dapat digunakan toolbox MATLAB Fuzzy Logic Designer untuk mempermudah membuat
masing-masing grafik fungsi keanggotaan.
Figure 2 Grafik fungsi keanggotaan inflasi (review)

Figure 3 Grafik fungsi keanggotaan nilai tukar (review)

B. Aplikasi Fungsi Implikasi

Aplikasi fungsi implikasi yang digunakan metode mamdani adalah MIN, dimana fungsi akan memotong output
himpunan fuzzy.

C. Komposisi Aturan

Dari 9 aturan yang dapat dibentuk, jurnal ini hanya menggunakan 3 aturan yaitu
[R1] If (Inflasi is Rendah) then (Nilai-tukar is Rendah)
[R2] If (Inflasi is Sedang) then (Nilai-tukar is Sedang)
[R3] If (Inflasi is Tinggi) then (Nilai-tukar is Tinggi)
Oleh karena variabel input hanya satu, setiap variabel α-predikat nilainya sama dengan nilai keanggotaan input
inflasi yang masuk.

α-predikat = min(µ-inflasi)
= µ-inflasi
Aplikasi fungsi implikasi dan komposisi antar aturan.

Contoh : Misalkan akan diprediksi nilai tukar rupiah saat tingkat inflasi 3.79 (Januari 2012) dapat diperoleh
aplikasi fungsi implikasi sebagai berikut
aplikasi fuzzy

Perhitungan Manual Reviewer

[R1] If (Inflasi is Rendah) then (Nilai-tukar is Rendah)

α-predikat1 = µinflasi turun(3.79) = (6.174 – 3.79)/(6.174-3.56) = 0.9120
[R2] If (Inflasi is Sedang) then (Nilai-tukar is Sedang)
α-predikat2 = µinflasi sedang(3.79) = (3.79 – 3.561)/(6.175-3.561) = 0.0876
[R3] If (Inflasi is Tinggi) then (Nilai-tukar is Tinggi)
α-predikat3 = µinflasi tinggi(3.79) = 0
Sehingga dapat dibentuk komposisi antar semua aturan
Berdasarkan fungsi keanggotaan himpunan fuzzy dapat dicari koordinat sumbu horizontal a, b, c, dan d
(11700-a)/(11700-9026)=0.912; a = -(0.912*(11700-9026) – 11700) = 9261.31
(11700-b)/(11700-9026)=0.0876; b = -(0.0876*(11700-9026) – 11700) = 11465.76
(14370-c)/(14370-11700)=0.0876; c = -(0.0876*(14370-11700) – 14370 = 14136.11
(14370-d) )/(14370-11700)=0; d = -(0*(14370-11700) – 14370) = 14370
Sehingga diperoleh fungsi keanggotaan untuk hasil komposisi

Reviewer: fungsi himpunan fuzzy

*NB: Begitu juga untuk perhitungan berikutnya.

D. Penegasan (Defuzzifikasi)
Penegasan pada jurnal ini menggunakan metode centroid, untuk mempermudah perhitungan digunakan
software MATLAB.
Dilanjutkan pada contoh diatas akan direview secara manual untuk mencari prediksi nilai rupiah saat tingkat
inflasi 3.79 (Januari 2012)

 Menghitung momen
  Kemudian menghitung luas daerah

A = (9261.31-9026)*0.912 = 214.60
B = (0.912+0.087)*(11465.76-9261.31)/2 = 1101.12
C = (14136-11465.76)*0.0876 = 233.91
D = (0+0.0876)*(14370-14136.11)/2 = 10.24

 Titik pusat

Perhitungan dengan bantuan MATLAB Fuzzy Logic Designer

Figure 4 Fuzzy Logic Designer (review)

Hasil perhitungan manual sama dengan hasil perhitungan yang dilakukan MATLAB Fuzzy Logic Designer
yaitu 10.4+0.4e = 10390 ≈ 10377.03
Berikut tabel prediksi yang diambil dari jurnal asli, yang dihitung dengan menggunakan MATLAB Fuzzy Logic
Designer.
Jurnal: Tabel Prediksi

Berdasarkan perhitungan MAPE 9.35%, Berdasarkan perhitungan peramalan yang dipergunakan masih relevan,
sehingga peramalan nilai tukar rupiah terhadap dolar Amerika menggunakan metode mamdani dapat di gunakan
sebagai bahan acuan.

Kesimpulan dan Saran

Jurnal “Prediksi Nilai Tukar Rupiah dengan Metode Mamdani” dapat digunakan sebagai acuan prediksi nilai
tukar rupiah berdasarkan tingkat inflasi. Terbukti dengan nilai MAPE 9.53%. Selain itu dengan penggunaan
toolbox Fuzzy Logic Designer dapat mempermudah perhitungan serta mengurangi potensi kesalahan analisis.
Namun, menelitik bahwa nilai tukar rupiah merupakan permasalahan yang kompleks. Sebaiknya variabel input
yang digunakan tidak hanya sebatas tingkat inflasi. Serta penyajian hasil penelitian menurut reviewer masih
kurang. Sebaiknya hasil penelitian dari jurnal ini bisa dibuatkan grafik yang berisi data aktual dan data prediksi,
sehingga pembaca lebih mudah untuk melihat seberapa besar error, dari penggunaan metode mamdani untuk
melakukan prediksi nilai tukar rupiah.

Penutup

Sekian review jurnal yang telah saya paparkan ini. Jika terdapat kesalahan teks yang tertulis, saya mohon maaf
dan bersedia untuk menerima masukkan terhadap kesalahan tersebut. Tentunya juga, saya sangat mengharapkan
masukkan dari pembaca dari hasil review ini. Akhir kata saya ucapkan terima kasih.Baca Juga Tutorial
Lainnya: DAFTAR ISI TUTORIAL MATLAB

Sekian artikel Aplikasi Logika Fuzzy Menggunakan MATLAB. Nantikan artikel menarik lainnya dan mohon
kesediaannya untuk share dan juga menyukai Fans Page Advernesia. Terima kasih…