Abstract
___________________________________________________________________
This study examines the problem of determining the selling price of used motorcycles using fuzzy
logic. The purpose of this study is to find out a more accurate between the Tsukamoto fuzzy method
and Sugeno fuzzy methods in determining the selling price of used motorcycles seen from the
smallest MAPE accuracy value. The method in this study applies library research methods and
interviews in Mulyo Motor showrooms for data collection. Based on the results of data processing
using the Tsukamoto fuzzy and Sugeno fuzzy methods obtained the Mean Absolute Percentage
Error (MAPE) value as a measure of accuracy for the Tsukamoto method at 8.8% and the Sugeno
method at 3.2%. From these two methods have very good forecasting results because they have a
value of MAPE less than 10%. It can be seen that the MAPE value of the Sugeno method is less than
the Tsukamoto method so it can be concluded that Sugeno fuzzy method is more accurate than the
fuzzy Tsukamoto method for determining the selling price of used motorcycles in Mulyo Motor
showrooms.
How to cite:
__________ ________________________________________________________
Astuti, D.P.P. & Mashuri. 2019. Penerapan Metode Fuzzy Tsukamoto dan Fuzzy Sugeno
Dalam Penentuan Harga Jual Sepeda Motor Bekas (Studi Kasus: Showroom Mulyo
Motor). Unnes Journal of Mathematics. 9(2):74-78.
75
pendekatan logika fuzzy yang dijabarkan dalam metode fuzzy Sugeno dan fuzzy Tsukamoto
istilah linguistik (Hamdani et al, 2011, h. 99). maupun perbandingan antara metode fuzzy
Himpunan fuzzy didasarkan pada gagasan Sugeno dan fuzzy Mamdani dalam menentukan
untuk memperluas jangkauan fungsi harga jual sepeda motor bekas. Berdasarkan
karakteristik sedemikian hingga fungsi tersebut penelitian Istraniady dkk (2013) metode fuzzy
akan mencakup bilangan real pada interval Tsukamoto dinilai menghasilkan prediksi harga
[0,1]. Nilai keanggotaannya menunjukkan yang lebih mahal dibanding metode fuzzy
bahwa suatu item dalam semesta pembicaraan Mamdani. Serta dalam saran penelitian
tidak hanya berada pada 0 atau 1, namun juga (Istraniady, dkk., 2013) menuliskan bahwa
nilai yang terletak diantaranya (Kusumadewi, untuk penelitian selanjutnya dapat
2002, h.17). Dengan kata lain, nilai kebenaran membandingkan metode fuzzy Sugeno
suatu item tidak hanya bernilai benar atau sehingga dapat diketahui perbandingan dari
salah. Nilai 0 menunjukkan salah, nilai 1 ketiga metode fuzzy tersebut.
menunjukkan benar dan masih ada nilai-nilai Berdasarkan uraian diatas maka peneliti
yang terletak antara benar dan salah tertarik untuk mengambil topik yang berjudul
(Purwandito et al, 2019, h.108). “Penerapan Metode Fuzzy Tsukamoto dan
Inferensi fuzzy adalah proses penggabungan Fuzzy Sugeno dalam Penentuan Harga Jual
banyak aturan berdasarkan data yang tersedia. Sepeda Motor Bekas (Studi Kasus: Showroom
Komponen yang melakukan inferensi dalam Mulyo Motor)”. Rumusan masalah dalam
sistem pakar disebut mesin inferensi (Turban, penelitian ini adalah (1) Bagaimana hasil
2007, h. 558). Beberapa metode sistem penerapan metode fuzzy Tsukamoto dalam
inferensi fuzzy yaitu metode Tsukamoto, menentukan harga jual sepeda motor bekas di
metode Mamdani, metode Larsen dan metode showroom Mulyo Motor? (2) Bagaimana hasil
TSK (Takagi, Sugeno, Kang) (Lee, 2005, h. 248- penerapan metode fuzzy Sugeno dalam
249). Namun yang banyak digunakan adalah menentukan harga jual sepeda motor bekas di
Mamdani dan yang masih jarang digunakan showroom Mulyo Motor? (3) Bagaimana
adalah metode Tsukamoto (Setiawan, 2018, h. perbandingan hasil antara metode fuzzy
69). Sedangkan metode Sugeno saat ini telah Tsukamoto dan metode fuzzy Sugeno dalam
banyak menarik perhatian untuk dilakukan menentukan harga jual sepeda motor bekas
penelitian dan beberapa hasil penelitian studi kasus showroom Mulyo Motor dilihat dari
menarik telah dilaporkan menggunakan nilai MAPE terkecil? Tujuan dari penelitian ini
metode Sugeno (Lamrabet et al., 2019,h. 448). adalah untuk mengetahui penerapan metode
Kelebihan metode Sugeno yang menarik adalah fuzzy Tsukamoto dan fuzzy Sugeno dalam
memiliki kemampuan aproksimasi yang baik penentuan harga jual sepeda motor bekas di
untuk fungsi yang sangat nonlinear (Wang, J., et showroom Mulyo Motor serta metode yang
al, 2018, h. 2). lebih akurat di antara keduanya dengan melihat
Pada penelitian sebelumnya, berkaitan nilai akurasi MAPE terkecil.
dengan penentuan harga jual sepeda motor
bekas telah dilakukan oleh Prasetya dan Rahayu METODE PENELITIAN
(2015), yang menggunakan metode Tsukamoto
untuk menentukan harga jual sepeda motor Dalam penelitian ini data yang digunakan
bekas. Selanjutnya, Sunoto dan Lukman (2015), adalah data sekunder dari showroom Mulyo
juga telah melakukan penelitian tentang Motor. Pengumpulan data menerapkan metode
penentuan harga jual sepeda motor bekas studi pustaka (mencari sumber-sumber dari
menggunakan metode Mamdani. Kemudian, buku-buku atau literatur lain) dan wawancara
Istraniady, et al (2013), melakukan untuk mengetahui proses serta faktor yang
perbandingan antara metode Tsukamoto dan mempengaruhi penentuan harga jual sepeda
Mamdani dalam menentukan harga jual sepeda motor bekas di showroom Mulyo Motor.
motor bekas (Agustin, et al, 2016, h. 176-177). Pengambilan data dilakukan empat kali pada
Kemudian, Agustin, et al, (2016) melakukan tanggal 18 Februari dan 13, 20, 27 Maret 2019.
penelitian tentang penentuan harga jual sepeda
motor bekas menggunakan metode Sugeno.
Sementara itu, sejauh ini belum ditemukan Setelah mendapatkan data dan faktor
penelitian mengenai perbandingan antara penentu harga jual sepeda motor bekas di
76
showroom Mulyo Motor, selanjutnya dilakukan Matlab R2015a. Menurut Agustin et al.,
penelitian dengan langkah sebagai berikut: (2016, h. 178) langkah-langkah yang
Terdapat dua variabel penelitian yaitu variabel dilakukan sebagai berikut:
input dan output, kemudian dilakukan analisis a) Menentukan range dan fungsi
data. Dalam artikel ini, perhitungan metode keanggotan dari masing-masing atribut
fuzzy Tsukamoto dan fuzzy Sugeno akan linguistik.
menjabarkan satu data simulasi dari 35 data b) Menentukan fungsi pada konsekuen
yang diperoleh dari showroom Mulyo Motor untuk masing-masing aturan implikasi.
yaitu sepeda motor tipe vario techno 125 ISS c) Membentuk aturan implikasi fuzzy
dengan kriteria tahun motor 2015, harga beli dengan mengkombinasikan setiap
Rp 13.500.000, kondisi motor 90% dan harga atribut linguistik pada setiap variabel
jual dari showroom Rp 15.250.000. input.
1) Menggunakan metode Tsukamoto. d) Melakukan defuzzyfikasi dengan
Menurut Sutojo, et al., (2011) sebagaimana menghitung rata-rata terbobot dari
yang dikutip oleh Triyanto, et al,. (hlm. 3) semua aturan implikasi fuzzy.
mengolah data dengan metode Tsukamoto Setelah diperoleh hasil analisis data dari
menggunakan tahapan sebagai berikut: masing-masing metode, dilakukan
a) Fuzzyfikasi, yaitu proses untuk perhitungan MAPE untuk mengukur akurasi
mengubah input sistem yang hasil perkiraan. Akurasi adalah seberapa
mempunyai nilai tegas menjadi variabel dekat suatu angka hasil pengukuran
linguistik menggunakan fungsi terhadap angka sebenarnya (Yudihartanti,
keanggotaan yang disimpan dalam basis 2011, h. 731). Hasil peramalan sangat bagus
pengetahuan fuzzy. jika nilai MAPE kurang dari 10% sedangkan
b) Pembentukan basis pengetahuan fuzzy nilai MAPE dikatakan bagus jika kurang dari
(Rule dalam bentuk IF...THEN), yaitu 20% dan cukup jika bernilai 20% sampai
secara umum bentuk model fuzzy 50% menurut (Harun,1999) sebagaimana
Tskamoto adalah IF( X is A) and (Y is B) yang dikutip (Agustin et al, 2016, h.178).
and (Z is C) dimana A,B dan C adalah MAPE didefinisikan sebagai berikut:
himpunan fuzzy. 𝑋 − 𝐹𝑖
∑𝑛𝑖=1 | 𝑖 |
c) Mesin inferensi, yaitu proses dengan 𝑋𝑖
𝑀𝐴𝑃𝐸 = × 100%
menggunakan fungsi implikasi MIN 𝑛
untuk mendapatkan nilai 𝛼 −predikat Dengan:
𝑋𝑖 = nilai data asli amatan ke-𝑖
setiap rule (𝜇1 , 𝜇2 , … , 𝜇𝑖 ). Kemudian 𝐹𝑖 = nilai ramalan amatan ke-𝑖
masing-masing nilai 𝛼 −predikat 𝑛 = banyaknya data
digunakan untuk menghitung keluaran Berdasarkan nilai MAPE yang diperoleh,
hasil inferensi secara tegas (crisp) dilakukan penarikan kesimpulan bahwa salah
masing-masing rule (𝑧1 , 𝑧2 , … , 𝑧𝑖 ). satu metode dikatakan lebih akurat jika
d) Defuzzyfikasi, yaitu mengubah output memiliki nilai presentase MAPE lebih kecil.
fuzzy yang diperoleh dari mesin Untuk mengetahui proses penelitian ini lebih
inferensi menjadi nilai tegas jelas dapat dilihat diagram alur penelitian
menggunakan fungsi keanggotaan yang seperti terihat pada Gambar 1.
sesuai dengan saat dilakukan fuzzyfikasi.
Proses defuzzyfikasi pada metode
Tsukamoto menggunakan metode rata-
rata (Average) dengan rumus
∑𝑛𝑖=1 𝜇𝑖 𝑧𝑖
𝑍= 𝑛
∑𝑖=1 𝜇𝑖
dengan 𝜇𝑖 adalah α-predikat ke-i, dan
𝑧𝑖 adalah output pada anteseden aturan
ke-i.
2) Menggunakan metode Sugeno.
Pada penelitian ini menggunakan
metode Sugeno orde-satu dan
perhitungannya berbantuan software
77
1 , 𝑥 ≤ 2010
2014 − 𝑥
𝜇𝑙𝑎𝑚𝑎 (𝑥) = { , 2010 ≤ 𝑥 ≤ 2014
2014 − 2010
0 , 𝑥 ≥ 2014
0 , 𝑥 ≤ 2014
𝑥 − 2014
𝜇𝑏𝑎𝑟𝑢 (𝑥) = { , 2014 ≤ 𝑥 ≤ 2018
2018 − 2014
1 , 𝑥 ≥ 2018
b) Variabel Harga Beli
Variabel harga beli terbagi menjadi tiga
himpunan fuzzy yaitu murah, normal
dan mahal yang direpresentasikan
Gambar 1 Diagram Alir Penelitian dengan fungsi keanggotaan berikut:
𝜇𝑚𝑢𝑟𝑎ℎ (𝑥) =
1 , 𝑥 ≤ 7.250.000
12.225.000 − 𝑥
HASIL DAN PEMBAHASAN { , 7.250.000 ≤ 𝑥 ≤ 12.225.000
12.225.000 − 7.250.000
0 , 𝑥 ≥ 12.225.000
Mendefinisikan Variabel Fuzzy
Berdasarkan data yang diambil di 𝜇𝑛𝑜𝑟𝑚𝑎𝑙 (𝑥) =
0 , 𝑥 ≤ 7.250.000 𝑎𝑡𝑎𝑢 𝑥 ≥ 17.200.000
showroom Mulyo Motor telah diperoleh 𝑥 − 7.250.000
variabel input dan output sehingga dapat , 7.250.000 ≤ 𝑥 ≤ 12.225.000
12.225.000 − 7.250.000
didefinisikan variabel fuzzy-nya yang disajikan 17.200.000 − 𝑥
pada Tabel 1 berikut: {17.200.000 − 12.225.000 , 12.225.000 ≤ 𝑥 ≤ 17.200.000
78
direpresentasikan dengan fungsi menggunakan operator AND. Konsekuen
keanggotaan berikut: dari aturan ini berupa himpunan fuzzy.
𝜇𝑚𝑢𝑟𝑎ℎ (𝑥) = Berdasarkan penalaran logika fuzzy jika
1 , 𝑥 ≤ 8.300.000 terdapat tiga variabel input dan tiga
13.275.000 − 𝑥
{ , 8.300.000 ≤ 𝑥 ≤ 13.275.000 himpunan fuzzy (nilai linguistik) sehingga
13.275.000 − 8.300.000 dapat dibentuk 27 aturan fuzzy yang akan
0 , 𝑥 ≥ 13.275.000
digunakan sebagai acuan dalam inferensi
𝜇𝑎𝑔𝑎𝑘 𝑚𝑎ℎ𝑎𝑙 (𝑥) = kasus yang ada dalam penelitian ini.
0 , 𝑥 ≤ 8.300.000 𝑎𝑡𝑎𝑢 𝑥 ≥ 18.250.000 Pembentukan aturan fuzzy disajikan dalam
𝑥 − 8.300.000 Tabel 2 berikut:
, 8.300.000 ≤ 𝑥 ≤ 13.275.000
13.275.000 − 8.300.000 Tabel 2. Aturan Fuzzy
18.250.000 − 𝑥
{18.250.000 − 13.275.000 , 13.275.000 ≤ 𝑥 ≤ 18.250.000
𝜇𝑚𝑎ℎ𝑎𝑙 (𝑥) =
0 , 𝑥 ≤ 13.275.000
𝑥 − 13.275.000
{ , 13.275.000 ≤ 𝑥 ≤ 18.250.000
18.250.000 − 13.275.000
1 , 𝑥 ≥ 18.250.000
Perhitungan derajat keanggotaan dari setiap
variabel berdasarkan rumus fungsi
keanggotaan yang telah dibentuk diperoleh
sebagai berikut:
a) Tahun Motor (2015)
𝜇𝐿𝑎𝑚𝑎 (2015) =0
2018 − 2015
𝜇𝐴𝑔𝑎𝑘 𝐿𝑎𝑚𝑎 (2015) = = 0,75
2018 − 2014
2015 − 2014
𝜇𝐵𝑎𝑟𝑢 (2015) = = 0,25
2018 − 2014
b) Harga Beli (Rp 13.500.000)
𝜇𝑀𝑢𝑟𝑎ℎ (13.500.000 ) = 0
17.200.000 − 13.500.000
𝜇𝑁𝑜𝑟𝑚𝑎𝑙 (13.500.000 ) =
17.200.000 − 12.225.000
= 0,744
13.500.000 − 12.225.000
𝜇𝑀𝑎ℎ𝑎𝑙 (13.500.000 ) =
17.200.000 − 12.225.000
= 0,256 Dalam menentukan aturan fuzzy yang
c) Kondisi (90%) berlaku untuk data simulasi, abaikan
𝜇𝐽𝑒𝑙𝑒𝑘 (90) =0 variabel dari fuzzyfikasi yang memiliki
99 − 90 deajat keanggotaan nol karena tidak
𝜇𝑆𝑒𝑑𝑎𝑛𝑔 (90) = = 0,947
99 − 89,5 berpengaruh untuk proses selanjutnya.
90 − 89,5
𝜇𝐵𝑎𝑔𝑢𝑠 (90) =
99 − 89,5
= 0,053 Dengan melihat aturan fuzzy yang telah
dibentuk adalah aturan fuzzy 14, 15, 17, 18,
d) Harga Jual (Rp 15.250.000) 23, 24, 26 dan 27.
𝜇𝑀𝑢𝑟𝑎ℎ (15.250.000 ) =0 3) Inferensi Fuzzy
18.250.000 − 15.250.000 Dalam mencari 𝛼 −predikat pilih
𝜇𝐴𝑔𝑎𝑘 𝑚𝑎ℎ𝑎𝑙 (15.250.000 ) =
18.250.000 − 13.275.000 aturan yang memiliki nilai derajat
= 0,603
15.250.000 − 13.275.000 keanggotaan selain nol, dikarenakan
𝜇𝑀𝑎ℎ𝑎𝑙 (15.250.000 ) = pencarian defuzzyfikasi hanya mengambil
18.250.000 − 13.275.000
= 0,397 nilai 𝛼 −predikat selain nol (Simanjutak et
al. 2018. h. 102) sehingga 𝛼 −predikat (𝜇)
dan hasil inferensi (𝑧) dari masing-masing
aturan yang berlaku sebagai berikut:
2) Pembentukan Aturan Fuzzy [R14] Jika tahun motor AGAK LAMA dan
Aturan fuzzy memiliki bentuk “if harga beli NORMAL dan kondisi
(variabel input) then (variabel output)”. SEDANG maka harga jual AGAK
Penghubung antar variabel input MAHAL
79
𝜇14 = min{0,75, 0,744, 0,947} 𝜇14 𝑧14 + 𝜇15 𝑧15 + 𝜇17 𝑧17 + 𝜇18 𝑧18 +
𝜇23 𝑧23 + 𝜇24 𝑧24 + 𝜇26 𝑧26 + 𝜇27 𝑧27
= 0,744 diperoleh 𝑍=
𝜇14 + 𝜇15 + 𝜇17 + 𝜇18 + 𝜇23 + 𝜇24 + 𝜇26 + 𝜇27
𝑧14 = 14.548.600
(0,744 × 14.548.600) + (0,053 × 17.986.325) + ⋯ +
[R15] Jika tahun motor AGAK LAMA dan (0,25 × 14.518.750) + (0,053 × 13.538.675)
harga beli NORMAL dan kondisi =
0,744 + 0,053 + 0,256 + 0,053 + 0,25 + 0,053 + 0,25 + 0,053
BAGUS maka harga jual AGAK 10.824.158,4 + 953.275,225 + ⋯ +
MAHAL 3.629.687,5 + 717.549,775
=
𝜇15 = min{0,75, 0,744, 0,053} 1,712
= 0,053 diperoleh 25.771.500
=
𝑧15 = 17.986.325 1,712
[R17] Jika tahun motor AGAK LAMA dan = 15.053.446,26
harga beli MAHAL dan kondisi
Jadi, harga jual sepeda motor data no.1
SEDANG maka harga jual MAHAL
(sepeda motor vario techno 125 ISS) adalah
𝜇17 = min{0,75, 0,256, 0,947}
Rp 15.053.446,26.
= 0,256 diperoleh
Analisis Data Menggunakan Metode Sugeno
𝑧17 = 14.548.600
[R18] Jika tahun motor AGAK LAMA dan Dalam penelitian ini, analisis data
harga beli MAHAL dan kondisi menggunakan metode Sugeno berbantuan
BAGUS maka harga jual MAHAL software Matlab R2015a dengan langkah
𝜇18 = min{0,75, 0,256, 0,053} sebagai berikut:
= 0,053 diperoleh 1) Fuzzyfikasi
𝑧18 = 13.538.675 Berdasarkan himpunan fuzzy dan domain
[R23] Jika tahun motor BARU dan harga beli yang telah ditentukan pada Tabel 1,
NORMAL dan kondisi SEDANG maka diperoleh representasi fungsi keanggotaan
harga jual AGAK MAHAL dari variabel tahun motor, harga beli dan
𝜇23 = min{0,25, 0,744, 0,947} kondisi yang secara berturut-turut
= 0,25 diperoleh ditampilkan pada Gambar 2, Gambar 3 dan
𝑧23 = 17.006.250 Gambar 4 berikut:
[R24] Jika tahun motor BARU dan harga beli a) Variabel Tahun Motor
NORMAL dan kondisi BAGUS maka
harga jual AGAK MAHAL
𝜇24 = min{0,25, 0,744, 0,053}
= 0,053 diperoleh
𝑧24 = 17.986.325
[R26] Jika tahun motor BARU dan harga beli
MAHAL dan kondisi SEDANG maka
harga jual MAHAL
𝜇26 = min{0,25, 0,256, 0,947}
= 0,25 diperoleh Gambar 2 Himpunan Fuzzy Tahun
𝑧26 = 14.518.750 Motor
[R27] Jika tahun motor BARU dan harga beli b) Variabel Harga Beli
MAHAL dan kondisi BAGUS maka
harga jual MAHAL
𝜇27 = min{0,25, 0,256, 0,053}
= 0,053 diperoleh
𝑧27 = 13.538.675
80
dalam hal ini [2015; 13.3; 90] kemudian
c) Variabel Kondisi enter maka muncul nilai output
“Harga_Jual_(Juta)=15.1” yang berarti
sepeda motor tahun 2015, harga beli Rp
13.300.000, dan kondisi 90% memiliki
harga jual menggunakan perhitungan fuzzy
Sugeno sebesar Rp 14.900.000 seperti yang
ditampilkan Gambar 6 berikut:
81
350.000 −1.100.000 100.000 Diperoleh nilai MAPE sebesar 3,2% yang
|( )+( )+⋯+( )|
= 15.250.000 16.500.000 9.500.000 berarti hasil simulasi yang diperoleh sangat
35 bagus karena memiliki nilai MAPE kurang dari
× 100% 10%.
0,023 + 0,067 + ⋯ + 0,011
= × 100%
35
1,134 Perbandingan Hasil Kedua Metode
= × 100% Perbandingan hasil harga jual sepeda motor
35
bekas antara perhitungan menggunakan
= 0,032 × 100%
metode fuzzy Tsukamoto dan fuzzy Sugeno
= 3,2%
seperti terlihat pada Tabel 3.
82
Astuti D.P.P et al/UNNES Journal of Mathematics 9 (2) (2020)
83
Astuti D.P.P et al/UNNES Journal of Mathematics 9 (2) (2020)
Hybrid Fuzzy Inference System. Sunoto, I. & Lukman. (2015). Sistem Pendukung
Register: Jurnal Ilmiah Teknologi Keputusan Penentuan Harga Jual
Sistem Informasi, 2(2): 60-67 Sepeda Motor Bekas Dengan
Kusumadewi, S. (2002). Analisis dan Desain Pendekatan Logika Fuzzy Inference
Sistem Fuzzy Menggunakan Toolbox System Mamdani. Jurnal SIMETRIS,
MATLAB. Yogyakarta: Graha Ilmu. 6(2): 305-314.
Lamrabet, O., Ech-charqy, A., dkk. (2019). Triyanto, A., Febri, B., K., & Shinta, P. Studi
Sampled data Control for Takagi- Perbandingan Metode Fuzzy
Sugeno Fuzzy System with Actuator Tsukamoto dan Fuzzy Mamdani Untuk
Saturation. Second International Seleksi Pegawai Teladan Pada PT
Conference on Intelligent Computing in Gracia Pharmindo. Jurnal STMIK GI
Data Sciences (ICDS 2018). (148): MDP.
448–454. Turban, E., J.E. Aronson & T. Liang. (2007).
Decision Support Systems and
Lee, K. H, (2005). First Course on Fuzzy Theory
Intelligent Systems 7th Edition. New
and Applications. Germany: Springer-
Delhi: Prentice-Hall of India Private
Verlag Berlin Heidelberg.
Limited.
Prasetya, I., & Rahayu, Y. (2015). Penentuan
Wang, J., Liang, J., & Dobaie, A. (2018). Stability
Harga Jual Sepeda Motor Bekas
Analysis and Synthesis for Switched
Menggunakan Fuzzy Logic (Metode
Takagi-Sugeno Fuzzy Positive System
Tsukamoto) dan Implementasinya.
Described by The Roesser Model. Fuzzy
Purwandito, R., Suyitno H., & Alamsyah. (2019).
Set Syztem.
Penerapan Sistem Inferensi Fuzzy
Yudihartanti, Y. (2011). Analisis Komparasi
Metode Mamdani untuk Penentuan
Metode Fuzzy Mamdani dan Sugeno
Jumlah Produksi Barang. UNNES
dalam Penjadwalan Mata Kuliah.
Journal of Mathematics, 8(1): 1-10.
Progresif, 7(2): 731-780.
Salman, A. G. (2010). Pemodelan Sistem Fuzzy
Yulianto, A.W., Hardi, S., & Mashuri. (2012).
dengan Menggunakan Matlab.
Yulianto, A.W., Hardi, S., & Mashuri.
ComTech. 1(2): 276-288.
(2012). Aplikasi Fuzzy Linear
Setiawan, A., Yanto, B., & Yasdomi, K. (2018). Programing dalam Optimalisasi
Logika Fuzzy dengan Matlab. Bali: Produksi. UNNES Journal of
Jayapangus Press. Mathematics, 1(1): 1-7.
Setiawan, F., Willy D. N., & Dinarisni P. (2015). Zadeh, L. A. (1965). Fuzzy Sets. Information and
Penentuan Harga Jual Mobil Bekas Control Fuzzy Sets. Vol. 8. Page: 338-
dengan Mempertimbangkan Harga 353.
Baru, Harga Bekas, Kondisi Mobil dan
Zadeh, L. A. (1962). From Circuit Theory to
Harga Bekas Produk Sejenis Merk Lain
System Theory. Proceedings of the IRE.
Menggunakan Fuzzy Logic. Jurnal
1: 45-55.
Tesis. Yogyakarta: Universitas Gadjah
Mada.
84