IMPLEMENTASI FUZZY LOGIC DALAM MENENTUKAN PENDUDUK MISKIN (STUDI KASUS PADA BADAN PUSAT STATISTIK KOTA PAGARALAM) Junius_Effendi* Email :
[email protected] ABSTRAK Penelitian ini dilakukan untuk memperlajari cara kerja dari sebuah fuzzy logic dalam menganalisa penduduk miskin. Adapun tujuan penelitian ini diharapakan dapat membantu Badan Pusat Statistik Kota Pagaralam di dalam menentukan kategori penduduk miskin atau tidak sesuai dengan ketentuan yang digunakan. Adapun teknik yang digunakan dalam penelitian ini yaitu metode Mamdani, dimana pada metode ini memiliki beberapa tahapan antara lain fuzzifikasi, fungsi implikasi (Min), komposisi aturan dan defuzzifikasi. Di dalam penelitian ini terdapat beberapa kekurangan-kekurangan yang bisa dipelajari kembali pada penelitian berikutnya. Namun demikian, fuzzy logic dan metode Mamdani masih dirasakan cukup efektif dalam menetukan keputusan dari data yang diolah. Kata kunci : Badan Pusat Statistik. Fuzzy Logic, Metode Mamdani fuzzifikasi, fungsi implikasi (Min), komposisi aturan dan defuzzifikasi. peningkatan kesejahteraan dalam hal
PENDAHULUAN Di
dalam
pembangunan
ekonomi di Indonesia
kenyataan
masih luasnya kemiskinan terutama di
perkotaan atau di
pedesaan.
Kemiskinan berkaitan erat dengan rendahnya pendapatan sehingga tidak dapat
memenuhi
kebutuhan
pokoknya. Pada umumnya di negara berkembang yang
masalah
rendah
dan
pendapatan kemiskinan
merupakan masalah utama dalam pembangunan
ekonomi.
Dengan
demikian dalam tujuan pembangunan ekonomi kedua hal tersebut selalu dinyatakan menjadi
bersamaan satu
kalimat
sehingga yaitu
ini peningkatan pendapatan nasional dan
pengurangan
kemiskinan
(Suhardjo,1997). Untuk menentukan penduduk yang tergolong sebagai penduduk miskin maka ditentukan sebuah rule yang menjadikan parameter dalam pengelompokan penduduk.
sebuah
Kemudian
data
dilanjutkan
dengan proses penganalisaan yang akan menyeleksi alternatif terbaik dari sejumlah alternatif, dalam hal ini alternatif
yang dimaksud
adalah
penduduk yang termasuk dengan penduduk
miskin
berdasarkan
kriteria-kriteria yang ditentukan.
Fuzzy logic merupakan teori himpunan yang dapat membantu dalam menyelesaikan permasalahan yang dibahas, antara satu kriteria dengan
kriteria
lainnya
Pusat
Statistik
Kota
Pagaralam
Sumatra Selatan. PERUMUSAN MASALAH Berdasarkan
yang
maka
dapat
belakang
manusia terhadap sesuatu hal secara
dirumuskan permasalahan yang akan
kumulatif.
diambil yaitu :
membangun
sebuah sistem fuzzy dikenal beberapa metode penalaran
antara lain
:
Metode Mamdani, Metode Sugeno, Metode Tsukamoto, dan sebagainya.( Lizda Iswari dan Fathul Wahid,2005 )xx
atas,
latar
dihasilkan oleh adanya penilaian
Dalam
di
uraian
1. Bagaimana menentukan kriteria data penduduk miskin, agar dapat dijadikan parameter dalam penggunaan suatu metode ? 2. Bagaimana
menganalisa
penduduk miskin berdasarkan Dengan penerapan metode
Mamdani dalam penggelompokan data penduduk miskin diharapkan dapat memberikan data yang akurat dan dapat digunakan untuk dijadikan suatu kebijakan dalam memberikan
kriteria yang sudah ditentukan ? 3. Bagaimana menerapkan Fuzzy logic dengan metode Mamdani dalam
menganalisa
jumlah
penduduk miskin pada Badan Pusat Statistik Kota Pagaralam ?
informasi yang efektif serta dapat menjadi pembanding dari hasil yang dikeluarkan
oleh
Badan
Pusat
Statistik Kota Pagaralam.
diatas maka penulis mengangkat peneletian
ini
adalah
“Impelementasi fuzzy logic dalam menentukan
penduduk
Supaya
penyusunan
karya
ilmiah ini tidak keluar dari bahasan,
Berdasarkan latar belakang
judul
BATASAN MASALAH
miskin”.
Penelitian ini dilakukan di Badan
maka
diperlukan
batasan-batasan
agar sesuai dengan apa yang sudah direncanakan sebelumnya, sehingga penelitian ini dapat tercapai dengan yang diharapkan, berikut batasan masalah pada penulisan karya ilmiah ini yaitu :
1. Sampel data yang dilakukan untuk penelitian
ini
diperoleh
4.
dari
Badan Pusat Statistik pada Kota
fuzzy
Pagaralam Sumatra Selatan.
Mamdani
metode
Mamdani
menganalisa
penduduk
data
sebagai
perbandingan
terhadap
ada
metode
menganalisa pada
khusunya
Badan
Pagaralam berdasarkan
kriteria yang sudah ditentukan. 5.
Pengujian sistem fuzzy logic
bahan
dengan menggunakan metode
sistem
Mamdani yang memanfaatkan tools matlab 6.1. MANFAAT PENELITIAN
Tujuan dari penelitian ini adalah :
3.
penduduk
miskin
TUJUAN PENELITIAN
2.
dalam
Kota
yang dipakai.
Menentukan parameter input dan output
dengan
Statistik
pada tahun 2012 yang diperoleh
Pagaralam
logic
dalam
pada Badan Pusat Statistik Kota
sistem
yang baru dengan menggunakan
2. Penerapan Fuzzy logic dengan
1.
Mengimplementasikan
dalam
menentukan
Manfaat
dari
penelitian
ini
antara lain : 1.
Dengan
menggunakan
penduduk miskin pada Badan
sistem
Pusat Statistik Kota Pagaralam.
dengan menerapkan Fuzzy
Menganalisa
Logic, dan metode Mamdani
kriteria
yang
yang
baru
yaitu
termasuk golongan penduduk
diharapkan
miskin berdasarkan data dari
memberikan
Badan
bagi Badan Pusat Statistik
Pusat
Statistik
Kota
dapat kemudahan
Pagaralam.
Kota Paraalam agar lebih
Merancang sistem baru dengan
efektif dan efisien.
menggunkan fuzzy logic dengan metode
Mamdani
2.
Untuk
menambah
dalam
pengetahuan bagi penulis
menganalisa jumlah penduduk
tentang penentuan jumlah
miskin dari Badan Pusat Statistik
penduduk
Kota Pagaralam.
Badan Pusat Statistik Kota
misikin
pada
Pagaralam
dangan
3.
Sebagai bahan perbandingan
menggunakan sistem Fuzzy
dan masukan bagi Badan
logic dan metode Mamdani.
Pusat
Statistik
dalam
mengambil suatu keputusan.
LANDASAN TEORI Logika Fuzzy (logika samar)
Fuzzy Logic Fuzzy Logic pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun 1965. Dasar Fuzzy logic adalah teori himpunan Fuzzy. Pada teori himpunan Fuzzy, peranan derajat keanggotaan sebagai penentu keberadaan
elemen
dalam
suatu
himpunan sangatlah penting. Nilai keanggotaan
atau
keanggotaan
atau
derajat membership
function menjadi cirri utama dari penalaran tersebut.
dengan
Fuzzy
(Kusumadewi
logic dan
Purnomo, 2010).
itu sendiri merupakan logika yang berhadapan
dengan
konsep
kebenaran sebagian, dimana logika klasik menyatakan bahwa segala hal dapat di ekspresikan dalam istilah binary (0 atau 1). Logika Fuzzy memungkinkan
nilai
keanggotaan
antara 0 dan 1. Berbagai teori didalam perkembangan logika Fuzzy menunjukkan bahwa pada dasarnya logika Fuzzy dapat digunakan untuk memodelkan
berbagai
sistem.
(Much.Djunaidi, Eko Setiawan, Fajar Whedi
Andista,
2005).
Himpunan Fuzzy Himpunan
(Fajar
lebih lanjut tentang konsep himpunan
Solikin, 2011) Himpunan adalah
dalam matematika. Himpunan Fuzzy
suatu kumpulan atau koleksi objek-
adalah rentang nilai-nilai, masing-
objek yang mempunyai kesamaan
masing nilai mempunyai derajat
sifat
Fuzzy
keanggotaan antara 0 sampai dengan
pengembangan
1. Suatu himpunan Fuzzy à dalam
tertentu.
merupakan
menurut
Himpunan
suatu
semesta pembicaraan U dinyatakan
1. Grafik Keanggotaan Kurva Linier
dengan fungsi keanggotaan μÃ, yang
2. Grafik
nilainya berada dalam interval [0,1],
Segitiga
dapat dinyatakan dengan:
3. Grafik
μà : U → [0,1].
2
pembicaraan
dinyatakan
sebagai
Kurva
Keanggotaan
Kurva { 2.1 }
Trapesium
Himpunan Fuzzy à dalam semesta
Keanggotaan
U
biasa
4. Grafik
Keanggotaan
Kurva { 2.2 }
Bentuk Bahu
sekumpulan
pasangan elemen u (u anggota U)
Operasi-Operasi pada Himpunan
dan
Fuzzy
derajat
keanggotaannya
dinyatakan sebagai berikut: à = {(u, μà (u) | u ∈ U}.
Menurut
Fajar
Solikin(2011).
Seperti halnya himpunan tegas (crisp
Fungsi Keanggotaan
set), ada beberapa operasi yang Menurut
(T.Sutojo,
et
al,
2011) Fungsi keanggotaan adalah grafik yang mewakili
besar dari
derajat keanggotaan masing-masing variabel input yang berada dalam interval antara 0 dan 1. Derajat keanggotaan
sebuah
variabel
x
dilambangkan dengan symbol µ(x). Rule-rule
menggunakan
nilai
keanggotaan sebagai factor bobot untuk menentukan pengaruhnya pada saat
melakukan
infrensi
untuk
menarik kesimpulan. Ada beberapa fungsi
keanggotaan
yang
sering
digunakan, di antaranya adalah :
idefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan Fuzzy. Nilai keanggotaan sebagai
hasil
dari
operasi
dua
himpunan sering dikenal dengan nama fire strength atau α-cut. Ada tiga operator dasar yang diciptakan oleh Zadeh, yaitu: AND, OR, dan NOT. 1.
Operator AND
2.
Operator OR
3.
Operator NOT
4.
Domain Himpunan Fuzzy
mendapatkan output, diperlukan 4
Mamdani Menurut
(Matondang,
tahapan:
Kusumawati, Abidin,2011). Metode
1.
Mamdani sering juga dikenal dengan
Fuzzy.
nama Metode Max-Min. Metode ini
2. Aplikasi fungsi implikasi pada
diperkenalkan
metode mamdani.
oleh
Ebrahim
Mamdani pada tahun 1975. Untuk
Pembentukan
himpunan
3. Komposisi Aturan. 4. Penegasan (deFuzzy).
METODOLOGI PENELITIAN Dalam melakukan penelitian agar
hasilnya
bisa
maksimal,
tentunya harus mengikuti kaidahkaidah atau metode yang telah ditetapkan. Metode penelitian yang akan
diterapkan
penelitian
ilmiah
adalah yang
metode telah
diajarkan di bangku perkuliahan. Dalam bab ini penulis menjelaskan tetang kerangka kerja penelitian yang mana terdiri dari menentukan topik
penelitan, analisis kebutuhan,
mempelajari masalah
literatur,
dan
analisi
mengumpulkan
data,
analisis data, implementasi sistem, dan pengambilan keputusan dari penelitian. Diharapkan dari hasil penelitian ini dapat dijadikan sebuah hasil yang tepat dan akurat sehingga bisa dijadikan sebuah perbandingan dari sistem yang telah ada serta dijadikan sebuah gambaran dalam menggambil sebuah keputusan. pendapatan dan pengeluaran pada tiap-tiap kepala keluarga.
ANALISA DATA
Pengumpulan Data
Pada bab ini penulis akan menjelaskan tentang masalah yang diangkat
dalam
penelitian
yang
berkaitan dengan data penduduk yang terdapat pada Badan Pusat Statistik (BPS) Kota Pagaralam pada tahun 2012, berdasarkan pekerjaan,
Tahap pengumpulan data, di mana data-data yang dikumpulkan adalah data yang akan digunakan dalam mengolah data dengan
alat
bantu software Fuzzy. Data yang diambil merupakan data-data yang
berhubungan langsung dengan tujuan
dilakukan analisis terhadap data-data
penelitian.
yang akan digunakan.
Data-data
dalam
penelitian ini berupa data penduduk Kota Pagaralam pada tahun 2012.
Analisa Data Penduduk Dalam melakukan analisa data
Analisis Kebutuhan
pada penyusunan karya ilmiah ini
Tahapan Analisa Kebutuhan bertujuan
untuk
terhadap
data
memudahkan melakukan
pengelompokan sehingga penulis
analisis
dilakukan dengan menggunakan fuzzy logic. Pada tahapan Analisa
akan
Data
dalam
untuk
Penduduk
ini,
bertujun
mengetahui
apakah
berikutnya.
variabel yang digunakan dalam
Sesuai dengan judul penelitian karya
pengolahan datanya sudah sesuai
ilmiah ini yang berbasis logika
dengan
Fuzzy sebagai alat bantu untuk
ditetapkan dengan menggunakan
pengambilan keputusan, maka perlu
logika fuzzy untuk menghasilkan
kriteria
yang
suatu
telah
output.
Data Penduduk Kota Pagaralam No
Nama
Pekerjaan
Pendapatan /Bulan
Pengeluaran /Bulan
1 Johan
Perdagangan
> 1000000
< 1000000
2 Aisyah
Pedagang
> 500000
< 1000000
3 Rudi Istur Midi
Petani/Pekebun
< 500000
< 600000
4 Muhammad Fuad
Swasta
> 500000
< 600000
5 Tarsak
Petani/Pekebun
< 500000
< 600000
6 Mery Oktarina
Pegawai Negeri Sipil
> 500000
< 1000000
tidak. Ada beberapa kriteria yang
Klasifikasi Data penduduk Setelah data penduduk didata seperti
yang
di
disusunlah
atas,
cara-cara
dapat
menyimpulkan
maka
penduduk itu adalah penduduk
untuk
yang tergolong atau tidak, di
mengklasifikasi data penduduk
antaranya :
tersebut
suatu
1.
Pekerjaan
nya
2.
Pendapatan ±
itu dapat dikatakan
3.
Pengeluaran ±
menjadi
kesimpulan penduduk
bahwa
bahwasa
sebagai penduduk miskin atau Klasifikasi Data Penduduk No
Nama
Pekerjaan
Pendapatan±
Pengeluaran ±
1
Johan
Wiraswasta
Cukup
Sedang
2
Aisyah
Wiraswasta
Cukup
Sedang
3
Rudi Istur Midi
Petani
Kurang
Sedikit
4
Muhammad Fuad
Wiraswasta
Cukup
Sedikit
5
Tarsak
Petani
Kurang
Sedikit
6
Mery Oktarina
PNS
Cukup
Sedang
Analisis Data Dalam
Fuzzyfikasi menyelesaikan
Dalam kasus ini terdapat 4
permasalahan penulis menggunakan
variabel, yaitu 3 variabel input yang
metode Mamdani, adapun langkah-
terdiri
langkah pemodelan logika Fuzzy
memiliki nilai linguistic yaitu Petani,
dalam metode Mamdani, sebagai
Wiraswasta,
berikut :
Pendapatan memiliki nilai linguistic
a. Fuzzyfikasi b. Inferensi c. Aplikasi Fungsi Implikasi d. Defuzzyfikasi dengan metode Centroid
dari
Variabel
PNS,
Pekerjaan
Variabel
yaitu Baik, Cukup, Kurang dan Variabel Pengeluaran nilai linguistic yaitu
Banyak,
Sedangkan
Sedang,
untuk
output
Sedikit. yaitu
Variabel Indikator yang memiliki
nilai linguistic yaitu Lemah,Kurang,
Sedang, Kuat, Sangat Kuat.
Semesta Pembicaraan Input /
Linguistic /
Variabel
Output
Himpunan
Pekerjaan
Input
Petani
0 – 25
[0 0 10 25]
Wiraswasta
10 – 40
[10 25 40]
Pns
25 – 50
[25 40 50 50]
Kurang
0 – 10
[0 0 6 10]
Cukup
5 – 15
[6 10 14]
Baik
10 – 20
[10 14 20 20]
Sedikit
0 – 10
[0 0 6 10]
Sedang
6 – 14
[6 10 14]
Banyak
10 – 20
[10 14 20 20]
Lemah
0 – 20
[0 0 10 20]
Kurang
10 - 30
[10 20 30]
Sedang
20 – 40
[20 30 40]
Kuat
30 – 50
[30 40 50]
Sangat Kuat
40 – 50
[40 50 60 60]
Pendapatan
Pengeluaran
Output
Indikator
menarik
Fungsi Keanggotaan Fungsi keanggotaan adalah grafik yang mewakili
Domain
Range
besar dari
kesimpulan.
merupakan
penggunaan
input dan output.
variabel input yang berada dalam
Fungsi
interval antara 0 dan 1. Derajat
Pekerjaan
sebuah
variabel
x
fungsi
keanggotaan berdasarkan variabel
derajat keanggotaan masing-masing
keanggotaan
Berikut
Keanggotaan
Pada
tahapan
Variabel
ini
akan
dilambangkan dengan symbol µ(x).
menggunakan fungsi keanggotaan
Rule-rule
nilai
linier naik untuk kategori PNS,
keanggotaan sebagai faktor bobot
fungsi keanggotaan linier turun untuk
untuk menentukan pengaruhnya pada
kategori PETANI, sedangkan untuk
saat
menggunakan
melakukan
implikasi
untuk
WIRASWATA menggunakan fungsi
Pengeluran
linier segitiga.
Rp.600.000/bulan maka tergolong
Fungsi
Keanggotaan
Variabel
miskin jika lebih dari Rp.600.000
tahapan
akan
jika lebih dari 2000000 tergolong
menggunakan fungsi keanggotaan
tidak miskin.
linier naik untuk kategori BAIK,
derajat
fungsi keanggotaan linier turun untuk
pengeluarannya
kategori SEDIKIT, sedangkan untuk
berikut :
SEDANG menggunakan fungsi linier segitiga. Berdasarkan gambar 4.10 dapat dilihat pada tabel data di atas, misalnya data penduduk berdasarkan pendapatan
kurang
dari
Rp.500.000/bulan maka tergolong miskin jika lebih dari Rp.500.000 maka tidak miskin. Pola perhitungan derajat
keanggotaan
variabel
pendapatan adalah sebagai berikut : Fungsi
Keanggotaan
Variabel
tahapan
akan
menggunakan fungsi keanggotaan linier naik untuk kategori BANYAK, fungsi keanggotaan linier turun untuk kategori SEDIKIT, sedangkan untuk
Pola perhitungan
keanggotaan
Fungsi
variabel
adalah
sebagai
Keanggotaan
Variabel
Indikator Pada
tahapan
akan
menggunakan fungsi keanggotaan linier naik untuk kategori Sangat kuat, fungsi keanggotaan linier turun untuk kategori Lemah, sedangkan untuk
Kurang,
Sedang,
Kuat
menggunakan fungsi linier segitiga. Pada variabel Indikator di mana masing-masing nilai linguistiknya berikan
Pengeluaran Pada
dari
maka tergolong Sedang, sedangkan
Pendapatan Pada
kurang
nilai
“Lemah”,
sebagai
“Kurang”,
berikut “Sedang”,
“Kuat”, “Sangat Kuat”. Inference Bedasarkan
hasil
tabel
SEDANG menggunakan fungsi linier
Klasifikasi data penduduk, maka
segitiga. Berdasarkan gambar 4.14
Pada tahap ini adalah penentuan
dapat dilihat pada tabel data di atas,
aturan (rule), Dengan melakukan
misalnya data penduduk berdasarkan
fuzzy inference, pengetahuan tersebut
bisa ditransfer ke perangkat lunak
SEDANG] Then [Indikator
yang selanjutnya memetakan suatu
is SEDANG].
input menjadi output berdasarkan IF
Aplikasi Fungsi Implikasi
THEN rule. Sistem fuzzy yang
Pada
dihasilkan disebut dengan Fuzzy
ini,
penulis
menggunakan fungsi implikasi. Di
Inference System (FIS).
mana pada aturan yang digunakan
Adapun contoh dari rule-rule yang
adalah aturan MIN, Dan berikut
diterapkan pada sistem fuzzy sebagi
contoh salah satu relasi yang terjadi
berikut : [R11]
tahapan
setelah selesai proses rules seperti If
[Pekerjaan
is
contoh di bawah ini :Maka dari hasil
and
kasus diatas, penulis memberikan
CUKUP]
beberapa contoh penggunaan rule
WIRASWASTA] [Pendapatan and
is
[Pengeluaran
is
dalam penentuan kasus, berikut rule yang digunakan :
[R11] If [Pekerjaan is WIRASWASTA] and [Pendapatan is CUKUP] and [Pengeluaran is SEDANG] Then [Indikator is SEDANG]. αPredikat11
= Min µwiraswasta(1), µcukup(1),µsedang(1) = Min (1, 1, 1) = (1)
Wiraswasta
Cukup
1
Sedang
1
Sedang
1
1
0,6 0,4
0,4
0
0 10
20
25
40
0 5
8
10
15
0 6 7
10
14
20
Aplikasi Fungsi Implikasi Tidak Miskin Rule 11
30
40
Pada
Defuzzyfikasi Defuzzifikasi
adalah
suatu
himpunan fuzzy yang diperoleh dari komposisi
aturan-aturan
fuzzy,
menggunakan
suatu
bilangan
pada
domain himpunan fuzzy tersebut.
ini
penulis
metode
Centroid,
berikut hasil dari penerapan metode Centroid.
sedangkan output yang dihasilkan merupakan
tahapan
Berikut contoh dari rule yang dipakai untuk menghitung hasil tegas atau defuzzifikasi pada bab ini.
[R11] If [Pekerjaan is WIRASWASTA] and [Pendapatan is CUKUP] and [Pengeluaran is SEDANG] Then [Indikator is SEDANG]. αPredikat11
= Min µwiraswasta(1), µcukup(1),µsedang(1) = Min (1, 1, 1) = (1) bentuk crisp dengan langkah yang berada pada Matlab. Dan nantinya
IMPLEMENTASI DAN
mendapatkan nilai hasil inferensi
PENGUJIAN
Fuzzy
Implementasi
sebagai
nilai
indikator
berdasarkan data penduduk.
Pengujian
data
penduduk
Pengujian Sistem
dalam menentukan penduduk miskin
Pada
dengan metode Mamdani, pada tahap
melakukan pengujian terhadap hasil
ini dilakukan dengan menggunakan
dari
tool
menyelesaikan
implementasi dan pengujian. Dan
penelitian ini menggunakan Matlab
diharapkan pada tahap implementasi
6.1. Software ini berfungsi untuk
ini hasil dari analisa tersebut dapat
menghitung nilai-nilai dari variabel
memberikan suatu informasi yang
yang
sesuai.
yang
telah
dapat
ditentukan
Pengujian 1 :
kedalam
tahap
analisa
ini
data
penulis
pada
akan
tahapan
[R11]
If [Pekerjaan is WIRASWASTA] and [Pendapatan is CUKUP] and [Pengeluaran is SEDANG] Then [Indikator is SEDANG]. αPredikat11
= Min µwiraswasta(1), µcukup(1),µsedang(1) = Min (1, 1, 1) = (1)
Ini merupakan hasil dari tampilan pengujian manual dengan yang dilakukan pada bab iv dengan menentukan indikator tidak miskin, dimana untuk hasil dari masing-masing himpunan sebagai berikut, wiraswasta (30), cukup (11) dan sedang (12). Wiraswasta
Cukup
1
Sedang
1
1
0
0 10
25
30
40
1
0,6
0,4
0,4
Sedang
0 5
10 11
15
0 6
10 11
14
20
Tampilan Aplikasi Fungsi Implikasi Rule 11
30
40
Berikut tampilan hasil dari pengujian yang dilakukan di tools matlab yang dihasilkan dari rule, dan berikut hasil rule viewer dengan input [30 11 12].
Tampilan Hasil Rule Viewer Rule 11
karena itu berdasarkan pengamatan
KESIMPULAN DAN SARAN
yang dilakukan, agar penelitian yang
Kesimpulan
akan dilakukan selanjutnya lebih baik
Berdasarkan hasil analisa dan pengujian
untuk
penduduk
miskin
menggunakan
sistem
menentukan dengan fuzzy
ada
lagi
1.
analisis
beberapa tahapan antara lain :
2.
menggunakan
sistem
fuzzy dan metode Mamdani. 3.
Aplikasi Matlab 6.1 mampu membantu
penulis
dalam
mengolah dan memproses data yang
mengadopsi
mamdani
dalam
metode penentuan
penduduk miskin.
dalam
penentuan
ada
penentuan
kekeliruan
dalam
variabel
input,
sehingga akan lebih jelas dan terarah. 3.
Sebaiknya
dilakukan
pemahaman dalam penggunaan metode yang digunakan dalam proses pengolahan datanya. DAFTAR PUSTAKA Sri Kusumadewi Dan Hari Purnomo, 2010. “Aplikasi Logika Keputusan
Penulis
menyadari
kekurangan
miskin
Fuzzy Utnuk Pendukung
Saran
banyak
tergolong
penduduk
tidak
penduduk miskin pada Badan
penulis
yang
diharapkan dapat lebih jelas agar
penentuan
Pusat Statistik Kota pagaralam,
Sebaiknya kriteria
penegasan atau defuzzifikasi. proses
penentuan
miskin.
aplikasi fungsi implikasi dan
Dalam
proses
penduduk
penentuan fuzzifikasi, inferensi,
2.
Dengan diterapkannya sistem
dalam
penentuan
penduduk miskin, dibutuhkan
menyarankan
fuzzy dapat lebih mempermudah
diambil antara lain : Dalam
penulis
sebagai berikut :
beberapa kesimpulan yang dapat
1.
maka
mash didalam
penulisan karya ilmiah ini, Oleh
Edisi
2”.
Penerbit Graha Ilmu. Eng. Agus Naba 2009. “Belajar Cepat
Fuzzy
Logic
Menggunkan
Matlab”.
Fajar Solikin, 2011. ”Aplikasi Logika
Penerbit Andi.
Fuzzy
Marimin 2005. “Alokasi Pasokan Berdasarkan Susu
Produksi
Optimisasi
Produksi
Barang
Menggunakan
Metode
Mamdani Dan Metode
Unggulan Untuk
Sugeno”. Skripsi 2011.
Rantai Pasok Sayuran Segar”. Jurnal Teknnik
T.Sutojo, Et Al, 2011. “Kecerdasan
Industri
Buatan”.
Vol
9
N0.2
September 2007”.
Andista,
ANDI
Yogyakarta.
Much.Djunaidi, Eko Setiawan, Fajar Whedi
Penerbit
Prabowo Pudjo Dan Trias Rahmdya
2005.
H,
2009.
“Penerapan
“Penentuan
Jumlah
Soft Computing Dengan
Produksi
Dengab
Matlab”.
Aplikasi Metode Fuzzy – Jurnal
Mamdani”.
Teknnik Industri Vol 4 N0.2 Desember 2005.
Rekayasa Sains.2009. Fauzan
Maskur
(2012).
“Implementasi
Sistem
Pakar Diagnosa Penyakit
Sivarao, Peter Brevern, El-Tayeb, Vengkatesh
Penerbit
(2011).
Diabetes
Mellitus
Menggunakan
Metode
“GUI Based Mamdani
Fuzzy
Fuzzy Inference System
Web”. Tesis 2012.
Modeling Surface Lase
To
Predict
Roufhness
In
Machining”.
International Journals Of Electrial And Computer Scienses IJECS Vol : 9 No 9.
Logic
Berbasis
Matondang, Kusumawati, Abidin, 2011.
“Fuzzy
Logic
Metode Mamadani Untuk Membantu Dini
Diagnosa
Autism Soectrum
Disorder”. Jurnal Teknik Informatika,Sains Teknologi.
