The document compares the application of three fuzzy logic methods (Tsukamoto, Sugeno, Mamdani) to determine poor families in Sumedang Regency, Indonesia based on criteria set by the government. The three methods were applied to data from 20 families and produced different results for the number of poor versus non-poor families identified. Specifically, the Tsukamoto method identified 4 poor families, the Sugeno method identified 8 poor families, and the Mamdani method identified 10 poor families. This indicates that each method can produce different outputs even when given the same input data.
Kriptograf - Algoritma Kriptografi Klasik (bagian 1)KuliahKita
1. Algoritma kriptografi klasik meliputi cipher substitusi dan transposisi yang berbasis karakter tanpa menggunakan komputer. 2. Cipher substitusi seperti Caesar cipher mengganti huruf plainteks dengan huruf lain sesuai tabel substitusi, sedangkan cipher transposisi mengubah posisi huruf dengan mengacaknya. 3. Super enkripsi merupakan kombinasi dari cipher substitusi dan transposisi untuk meningkatkan keamanan teks rahasia.
Kriptograf - Algoritma Kriptografi Klasik (bagian 1)KuliahKita
1. Algoritma kriptografi klasik meliputi cipher substitusi dan transposisi yang berbasis karakter tanpa menggunakan komputer. 2. Cipher substitusi seperti Caesar cipher mengganti huruf plainteks dengan huruf lain sesuai tabel substitusi, sedangkan cipher transposisi mengubah posisi huruf dengan mengacaknya. 3. Super enkripsi merupakan kombinasi dari cipher substitusi dan transposisi untuk meningkatkan keamanan teks rahasia.
Dokumen tersebut membahas metode posisi palsu untuk menyelesaikan persamaan non-linear. Metode ini mempercepat konvergensi dari metode bagi dua dengan menentukan titik potong garis lurus antara dua titik awal yang memiliki nilai fungsi berlawanan tanda. Langkah-langkahnya meliputi penentuan nilai awal x1 dan x2, kalkulasi x3 berdasarkan rumus, dan penentuan subinterval baru berdasarkan tanda nilai fungsi x1 dan
Metode numerik interpolasi digunakan untuk memperkirakan nilai tengah antara titik data yang diketahui dengan tepat. Terdapat beberapa jenis interpolasi seperti interpolasi beda terbagi Newton, interpolasi Lagrange, dan interpolasi Spline. Interpolasi beda terbagi Newton melibatkan pembentukan polinom derajat tinggi untuk memperkirakan nilai fungsi, sementara interpolasi Lagrange menggunakan fungsi basis Lagrange."
Dokumen tersebut membahas beberapa metode untuk menentukan akar persamaan non linier, yaitu metode tabel, biseksi, regula falsi, iterasi sederhana, Newton-Raphson, dan secant. Metode-metode tersebut dibedakan berdasarkan pendekatan yang digunakan, yakni metode tertutup dan terbuka. [/ringkasan]
Dokumen tersebut membahas tentang fungsi bernilai vektor, termasuk definisi, notasi, contoh fungsi vektor, domain fungsi vektor, persamaan parameter garis dan kurva, grafik fungsi vektor, serta sifat-sifat fungsi vektor seperti ekivalensi dan limit fungsi vektor.
Dokumen tersebut membahas tentang logika fuzzy, sistem fuzzy, fungsi keanggotaan, variabel linguistik, aturan fuzzy IF-THEN, dan contoh penerapannya untuk mengontrol sistem penyiraman berdasarkan suhu dan kelembapan tanah.
Matematika Diskrit - 11 kompleksitas algoritma - 03KuliahKita
Dokumen tersebut membahas kompleksitas algoritma dan notasi O-besar untuk menentukan orde pertumbuhan fungsi waktu algoritma. Notasi O-besar digunakan untuk membandingkan beberapa algoritma penyelesaian masalah dan menentukan algoritma terbaik berdasarkan orde pertumbuhannya.
Dokumen ini membahas tentang integral lipat dua pada berbagai daerah seperti persegi panjang, daerah sembarang, koordinat polar, serta aplikasinya untuk menghitung luas permukaan. Terdapat definisi integral lipat dua, rumusan, contoh perhitungan, serta perubahan urutan integrasi.
Dokumen tersebut membahas proses perencanaan proyek perangkat lunak yang meliputi penentuan ruang lingkup, estimasi sumber daya yang dibutuhkan, dan teknik-teknik estimasi seperti berbasis line of code, function point, proses, dan model empiris seperti COCOMO."
Metode numerik pertemuan 7 (interpolasi lagrange)Nerossi Jonathan
Dokumen ini membahas metode interpolasi polinomial Lagrange untuk memperkirakan nilai fungsi. Metode ini diterapkan untuk memperkirakan nilai ln 2 dengan data yang diberikan menggunakan polinomial Lagrange order satu dan dua. Kemudian, nilai f(x) diperkirakan pada titik x = 8 menggunakan polinomial Lagrange order tiga dengan data yang diberikan.
Dokumen tersebut membahas tentang definisi dan jenis-jenis graf serta konsep dasar graf seperti simpul, sisi, derajat simpul, dan tetanggaan. Dijelaskan pula contoh-contoh penerapan graf dalam berbagai bidang seperti matematika, kimia, biologi, dan teknik informatika.
Dokumen tersebut membahas fungsi Bessel, termasuk definisi, persamaan diferensial Bessel, fungsi Bessel jenis pertama dan kedua, rumus-rumus penting seperti rumus pengulangan dan asimtotik, serta sifat-sifat seperti nilai nol dan ketegaan-lurusan fungsi Bessel.
Dokumen tersebut membahas tentang fungsi periodik dan deret Fourier. Fungsi dikatakan periodik jika nilainya berulang setiap periode tertentu. Deret Fourier digunakan untuk mengekspresikan fungsi berperiode menjadi jumlahan fungsi trigonometri. Deret Fourier akan konvergen jika fungsi dan turunannya kontinu pada interval yang ditentukan.
Program Perkuliahan Dasar Umum Sekolah Tinggi Teknologi Telkom membahas tentang barisan dan deret, termasuk definisi barisan dan deret, kekonvergensian barisan dan deret, serta contoh-contoh soal.
Dokumen tersebut membahas tentang persamaan bidang, vektor normal, bidang sejajar, dan bidang tegak lurus. Persamaan bidang umumnya ditulis sebagai ax + by + cz + d = 0, dimana vektor normalnya adalah (a, b, c). Dua bidang dikatakan sejajar jika memiliki vektor normal yang sama atau berkelipatan, sedangkan bidang dikatakan tegak lurus jika hasil vektor normal kedua bidang bernilai n
Deep learning approach analysis model prediction and classification poverty s...IAESIJAI
The problem of poverty is a scourge for every developing country coupled with the economic crisis that occurred during the coronavirus disease (COVID-19) pandemic. The impact of these problems is felt directly by the people in Indonesia, especially in the Province of West Sumatra. This study aims to predict and classify the level of poverty status by developing an analytical model based on the deep learning (DL) approach. The methods used in this study include the K-means method, artificial neural network (ANN), and support vector machine (SVM). The analytical model will be optimized using the pearson correlation (PC) method to measure the accuracy of the analysis. The variable indicator uses the parameters of population (X1), poverty rate (X2), income (X3), and poverty percentage (X4). The results of the study present prediction and classification output with a validity level of accuracy of 99.8%. Based on these results, it can be concluded that the proposed DL analysis model can present an updated analytical model that is quite effective in carrying out the prediction and classification process. The research findings also contribute to the initial handling of the problem of poverty.
The process of determining cuts tuition for students are usually given with the same nominal. And in this paper is the determination of the pieces tuition for students who are less able to be different, depending on how much income parents and the number of children covered. For income parents who get discounted tuition fee of IDR Rp.1,500,000 and for the number of children in these families also determine the number of pieces obtained. Tsukamoto Fuzzy system is the model used in this paper. Each input variable is divided into three membership functions. In this paper, Nine Tsukamoto Fuzzy model rules have been applied. The system also provides a consequent change of parameters if the current parameter values to be changed. The smaller the parent's income, the greater the pieces obtained. The more children insured the greater the college acquired pieces.
Dokumen tersebut membahas metode posisi palsu untuk menyelesaikan persamaan non-linear. Metode ini mempercepat konvergensi dari metode bagi dua dengan menentukan titik potong garis lurus antara dua titik awal yang memiliki nilai fungsi berlawanan tanda. Langkah-langkahnya meliputi penentuan nilai awal x1 dan x2, kalkulasi x3 berdasarkan rumus, dan penentuan subinterval baru berdasarkan tanda nilai fungsi x1 dan
Metode numerik interpolasi digunakan untuk memperkirakan nilai tengah antara titik data yang diketahui dengan tepat. Terdapat beberapa jenis interpolasi seperti interpolasi beda terbagi Newton, interpolasi Lagrange, dan interpolasi Spline. Interpolasi beda terbagi Newton melibatkan pembentukan polinom derajat tinggi untuk memperkirakan nilai fungsi, sementara interpolasi Lagrange menggunakan fungsi basis Lagrange."
Dokumen tersebut membahas beberapa metode untuk menentukan akar persamaan non linier, yaitu metode tabel, biseksi, regula falsi, iterasi sederhana, Newton-Raphson, dan secant. Metode-metode tersebut dibedakan berdasarkan pendekatan yang digunakan, yakni metode tertutup dan terbuka. [/ringkasan]
Dokumen tersebut membahas tentang fungsi bernilai vektor, termasuk definisi, notasi, contoh fungsi vektor, domain fungsi vektor, persamaan parameter garis dan kurva, grafik fungsi vektor, serta sifat-sifat fungsi vektor seperti ekivalensi dan limit fungsi vektor.
Dokumen tersebut membahas tentang logika fuzzy, sistem fuzzy, fungsi keanggotaan, variabel linguistik, aturan fuzzy IF-THEN, dan contoh penerapannya untuk mengontrol sistem penyiraman berdasarkan suhu dan kelembapan tanah.
Matematika Diskrit - 11 kompleksitas algoritma - 03KuliahKita
Dokumen tersebut membahas kompleksitas algoritma dan notasi O-besar untuk menentukan orde pertumbuhan fungsi waktu algoritma. Notasi O-besar digunakan untuk membandingkan beberapa algoritma penyelesaian masalah dan menentukan algoritma terbaik berdasarkan orde pertumbuhannya.
Dokumen ini membahas tentang integral lipat dua pada berbagai daerah seperti persegi panjang, daerah sembarang, koordinat polar, serta aplikasinya untuk menghitung luas permukaan. Terdapat definisi integral lipat dua, rumusan, contoh perhitungan, serta perubahan urutan integrasi.
Dokumen tersebut membahas proses perencanaan proyek perangkat lunak yang meliputi penentuan ruang lingkup, estimasi sumber daya yang dibutuhkan, dan teknik-teknik estimasi seperti berbasis line of code, function point, proses, dan model empiris seperti COCOMO."
Metode numerik pertemuan 7 (interpolasi lagrange)Nerossi Jonathan
Dokumen ini membahas metode interpolasi polinomial Lagrange untuk memperkirakan nilai fungsi. Metode ini diterapkan untuk memperkirakan nilai ln 2 dengan data yang diberikan menggunakan polinomial Lagrange order satu dan dua. Kemudian, nilai f(x) diperkirakan pada titik x = 8 menggunakan polinomial Lagrange order tiga dengan data yang diberikan.
Dokumen tersebut membahas tentang definisi dan jenis-jenis graf serta konsep dasar graf seperti simpul, sisi, derajat simpul, dan tetanggaan. Dijelaskan pula contoh-contoh penerapan graf dalam berbagai bidang seperti matematika, kimia, biologi, dan teknik informatika.
Dokumen tersebut membahas fungsi Bessel, termasuk definisi, persamaan diferensial Bessel, fungsi Bessel jenis pertama dan kedua, rumus-rumus penting seperti rumus pengulangan dan asimtotik, serta sifat-sifat seperti nilai nol dan ketegaan-lurusan fungsi Bessel.
Dokumen tersebut membahas tentang fungsi periodik dan deret Fourier. Fungsi dikatakan periodik jika nilainya berulang setiap periode tertentu. Deret Fourier digunakan untuk mengekspresikan fungsi berperiode menjadi jumlahan fungsi trigonometri. Deret Fourier akan konvergen jika fungsi dan turunannya kontinu pada interval yang ditentukan.
Program Perkuliahan Dasar Umum Sekolah Tinggi Teknologi Telkom membahas tentang barisan dan deret, termasuk definisi barisan dan deret, kekonvergensian barisan dan deret, serta contoh-contoh soal.
Dokumen tersebut membahas tentang persamaan bidang, vektor normal, bidang sejajar, dan bidang tegak lurus. Persamaan bidang umumnya ditulis sebagai ax + by + cz + d = 0, dimana vektor normalnya adalah (a, b, c). Dua bidang dikatakan sejajar jika memiliki vektor normal yang sama atau berkelipatan, sedangkan bidang dikatakan tegak lurus jika hasil vektor normal kedua bidang bernilai n
Deep learning approach analysis model prediction and classification poverty s...IAESIJAI
The problem of poverty is a scourge for every developing country coupled with the economic crisis that occurred during the coronavirus disease (COVID-19) pandemic. The impact of these problems is felt directly by the people in Indonesia, especially in the Province of West Sumatra. This study aims to predict and classify the level of poverty status by developing an analytical model based on the deep learning (DL) approach. The methods used in this study include the K-means method, artificial neural network (ANN), and support vector machine (SVM). The analytical model will be optimized using the pearson correlation (PC) method to measure the accuracy of the analysis. The variable indicator uses the parameters of population (X1), poverty rate (X2), income (X3), and poverty percentage (X4). The results of the study present prediction and classification output with a validity level of accuracy of 99.8%. Based on these results, it can be concluded that the proposed DL analysis model can present an updated analytical model that is quite effective in carrying out the prediction and classification process. The research findings also contribute to the initial handling of the problem of poverty.
The process of determining cuts tuition for students are usually given with the same nominal. And in this paper is the determination of the pieces tuition for students who are less able to be different, depending on how much income parents and the number of children covered. For income parents who get discounted tuition fee of IDR Rp.1,500,000 and for the number of children in these families also determine the number of pieces obtained. Tsukamoto Fuzzy system is the model used in this paper. Each input variable is divided into three membership functions. In this paper, Nine Tsukamoto Fuzzy model rules have been applied. The system also provides a consequent change of parameters if the current parameter values to be changed. The smaller the parent's income, the greater the pieces obtained. The more children insured the greater the college acquired pieces.
Tuition Reduction Determination Using Fuzzy Tsukamotoinventionjournals
The process of determining cuts tuition for students are usually given with the same nominal. And in this paper is the determination of the pieces tuition for students who are less able to be different, depending on how much income parents and the number of children covered. For income parents who get discounted tuition fee of IDR Rp.1,500,000 and for the number of children in these families also determine the number of pieces obtained. Tsukamoto Fuzzy system is the model used in this paper. Each input variable is divided into three membership functions. In this paper, Nine Tsukamoto Fuzzy model rules have been applied. The system also provides a consequent change of parameters if the current parameter values to be changed. The smaller the parent's income, the greater the pieces obtained. The more children insured the greater the college acquired pieces.
A Mamdani Fuzzy Model to Choose Eligible Student EntryTELKOMNIKA JOURNAL
This paper presented about study that have been created a new student choosing system by
using fuzzy mamdani inference systems method. Fuzzy mamdani is used because it has characteristics
such as human perceptions on choosing of students with some specified criteria. The choosing students
who want entry to the school have been difficult if it is manually process. With the fuzzy mamdani, the
process can be possible completed execute and can be reduced the time of choose. To accomplish the
process, the fuzzy variable is created by the national final exam scores, report grade, general competency
test, physical test, interview and psychological test. Based on testing 270 data, the fuzzy mamdani has
been reached 75.63% accuracy.
This document describes a study that develops a fuzzy inference system (FIS) to assess the sustainability of biomass production for energy purposes. The FIS uses four input parameters - energy output, energy balance ratio, fertilizer usage, and pesticide usage - with defined membership functions. Eighty-one IF-THEN rules were created relating the input parameters to a single output parameter, a fuzzy sustainability index (FSI). The FSI indicates the sustainability level as very low, low, medium, high or very high. The FIS provides a means to evaluate biomass sustainability that can handle uncertain input data, unlike other assessment methods. Graphs show the relationship between input parameters and the fuzzy output based on the rules.
Fuzzy Logic Approach to Identify Deprivation Index in Peninsular MalaysiajournalBEEI
Deprivation indices are similar to inequalities index or index of disadvantageous. It was built to measure the basic necessities in a specific study area or region. There were many indices that have been constructed in the previous study. However, since these indices had depended mostly on two factors; socio-economic conditions and geography of the study area, thus different result would be generated in different areas. The objective of this study is to construct the new index based on above factors in Peninsular Malaysia by using a fuzzy logic approach. This study employed twelve variables from different facilities condition that was obtained from Malaysia 2000’s census report. These variables were considered as input parameters in the fuzzy logic system. Data turned into linguistic variables and shaped into rules in the form of IF-ELSE conditions. After that, the centroid of area method is applied to acquire the final deprivation index for a specific district in Peninsular Malaysia. The result showed that less developed states generated lower index for examples Kelantan and Kedah while more developed states generated a higher index for examples Selangor and W.P. Kuala Lumpur.
Machine Learning Approaches for Diabetes ClassificationIRJET Journal
This document discusses machine learning approaches for diabetes classification. It analyzes three machine learning algorithms - Random Forest, K-Nearest Neighbors (KNN), and Multilayer Perceptron - for diabetes prediction using the Pima Indian Diabetes dataset. The document reviews previous related work applying machine learning to healthcare and diabetes data. It then describes the methodology, experimental design, and implementation of the three machine learning algorithms to classify diabetes and analyze their performance on the Pima Indian Diabetes dataset.
Comparison of exponential smoothing and neural network method to forecast ric...TELKOMNIKA JOURNAL
Rice is the most important food commodity in Indonesia. In order to achieve affordability, and the fulfillment of the national food consumption according to the Indonesia law no. 18 of 2012, Indonesia needs information to support the government's policy regarding the collection, processing, analyzing, storing, presenting and disseminating. One manifestation of the Information availability to support the government’s policy is forecasting. Exponential smoothing and neural network methods are commonly used to forecasting because it provides a satisfactory result. Our study are comparing the variants of exponential and backpropagation model as a neural network to forecast rice production. The evaluation is summarized by utilizing Mean Square Percentage Error (MAPE), Mean Square Error (MSE). The results show that neural network method is preferable than the statistics method since it has lower MSE and MAPE values than statistics method.
Fisher-Yates and fuzzy Sugeno in game for children with special needsTELKOMNIKA JOURNAL
As a country that has its language, English is an international language that needs to be mastered. Until now, the mastery of English in Indonesian on an international scale is in a low category. Learning English should be taught to children from an early age. For children with special needs, special learning methods are needed so that the material is conveyed. Educational games can be used as an interesting learning media. In this study, an English educational game was created that had the concepts of a quiz, rearrange, and matching. Fisher-Yates algorithm was applied to randomize the questions so that the questions that came out varied. Fuzzy Sugeno algorithm is also applied to the scoring calculation, with input variables of time, value, and the number of stars obtained. The system test outcomes show that the application of the Fisher-Yates algorithm was successful because every question that came out was randomized. The application of the Fuzzy Sugeno algorithm happened also successful because of the high degree of accuracy. Besides, the use of games shows there is an increase in student understanding as evidenced by the acquisition of grades. The results of the average value in doing the test is from 80.41 to 88.3 after playing the game.
Gamification for Elementary Mathematics Learning in Indonesia IJECEIAES
The purpose of this research is to combine multimedia elements and mathematics learning material to a mathematic learning interactive application. Research and design methodology that used is Game Development Life Cycle (GDLC) which consist of initiation, pre-production, production, testing and release. Content inside the game is made using gamification and expert system concept. The result of this research is an interactive learning game to support student to understand mathematic materials. The purpose of this application is to help student to learn mathematic in an interactive and interesting way, to deliver mathematic material easily.
The purpose research is to develop the decision model of Multi-Criteria Group Decision Making (MCGDM) into Interval Value Fuzzy Multi-Criteria Group Decision Making (IV-FMCGDM), while the specific purpose is to construct decision-making model of Adaptive Interval Value Fuzzy Analytic Hierarchy Process (AIV- FAHP) uses Triangular Fuzzy Number (TFN) and group decision aggregation functions using Interval Value Geometric Means Aggregation (IV-GMA). The novelty research is to study the concept of group decision making by improving the middle point on the Interval Value Triangular Fuzzy Number (IV TFN). It provides more accurate modeling, and better rating performance, and more effective linguistic representation. This research produced a new decision-making model and algorithm based on AIV-FAHP used to measure the quality of e-learning.
Research on multi-class imbalance from a number of researchers faces
obstacles in the form of poor data diversity and a large number of classifiers.
The Hybrid Approach Redefinition-Multiclass Imbalance (HAR-MI) method
is a Hybrid Ensembles method which is the development of the Hybrid
Approach Redefinion (HAR) method. This study has compared the results
obtained with the Dynamic Ensemble Selection-Multiclass Imbalance
(DES-MI) method in handling multiclass imbalance. In the HAR-MI
Method, the preprocessing stage was carried out using the random balance
ensembles method and dynamic ensemble selection to produce a candidate
ensemble and the processing stages was carried out using different
contribution sampling and dynamic ensemble selection to produce
a candidate ensemble. This research has been conducted by using multi-class
imbalance datasets sourced from the KEEL Repository. The results show that
the HAR-MI method can overcome multi-class imbalance with better data
diversity, smaller number of classifiers, and better classifier performance
compared to a DES-MI method. These results were tested with a Wilcoxon
signed-rank statistical test which showed that the superiority of the HAR-MI
method with respect to DES-MI method.
Development of Cognitive Instruments in Epidemiology Using Asyncronous MethodsAJHSSR Journal
ABSTRACT :The purpose of this research is to find out the development of cognitive instruments for
community empowerment in the field of epidemiology using the asynchronous method. This research method
uses a quantitative descriptive method. The results of the study found that learning using asynchronous elearning was inappropriate for students with low cognitive levels. So that before learning, a pre-test was carried
out, from the results of filling in the items it could be seen that the cognitive level of students was high, low or
medium. For high cognitive levels, it can still be given. But for moderate or low cognitive levels, it is necessary
to do a good learning design, so that these students can follow well the entire learning process. Conclusion of
this study From the results of several research results, it can be concluded that learning using asynchronous e
learning is less effective, especially students' low cognitive levels. Requires psychological support from the
environment. because there is no direct interaction, so that between students do not know each other. especially
the support from the tutor/teacher. Students learn according to their respective work settings, so that they learn
independently. It is necessary to do a mature design before the learning begins. So that learning can have a good
impact, namely being able to improve the performance of the learner.
KEYWORDS: Cognitive development, instruments, asynchronous
Schizophrenia is a mental illness with a very bad impact on sufferers, attacking the part of human brain that disables the ability to think clearly. In 2018, Rustam and Rampisela classified Schizophrenia by using Northwestern University Schizophrenia Data, based on 66 variables consisting of group, demographic, and questionnaires statistics, based on the scale for the assessment of negative symptoms (SANS), and scale for the assessment of positive symptoms (SAS), and then classifiers that used are SVM with Gaussian kernel and Twin SVM with linear and Gaussian kernel. Furthermore, this research is novel based on the use of random forest as a classifier, in order to predict Schizophrenia. The result obtained is reported in percentage of accuracy, both in training and testing of random forest, which was 100%. This classification, therefore, shows the best value in contrast with prior methods, even though only 40% of training data set was used. This is very important, especially in the cases of rare disease, including schizophrenia.
Enabling External Factors for Inflation Rate Forecasting using Fuzzy Neural S...IJECEIAES
Inflation is the tendency of increasing prices of goods in general and happens continuously. Indonesia's economy will decline if inflation is not controlled properly. To control the inflation rate required an inflation rate forecasting in Indonesia. The forecasting result will be used as information to the government in order to keep the inflation rate stable. This study proposes Fuzzy Neural System (FNS) to forecast the inflation rate. This study uses historical data and external factors as the parameters. The external factor using in this study is very important, which inflation rate is not only affected by the historical data. External factor used are four external factors which each factor has two fuzzy set. While historical data is divided into three input variables with three fuzzy sets. The combination of three input variables and four external factors will generate too many rules. Generate of rules with too many amounts will less effective and have lower accuracy. The novelty is needed to minimalize the amount of rules by using two steps fuzzy. To evaluate the forecasting results, Root Means Square Error (RMSE) technique is used. Fuzzy Inference System Sugeno used as the comparison method. The study results show that FNS has a better performance than the comparison method with RMSE that is 1.81.
This document contains information about a student named Vinay Aradhya enrolled in an MBA program. It includes responses to four questions on statistics.
Q1 defines characteristics of statistics such as dealing with numerical data collection and analysis, and being affected by multiple causes. Q2 explains that statistical averages summarize data, facilitate comparison, and provide a basis for decision making. It lists requisites of a good average.
Q3 lists characteristics of the Chi-square test as being based on frequencies, non-parametric, and useful for testing independence between attributes. Q4 defines a cost of living index and discusses methods for its construction, including the aggregate expenditure and family budget methods with an example of each.
QFD and Fuzzy AHP for Formulating Product Concept of Probiotic Beverages for ...TELKOMNIKA JOURNAL
In Indonesia, the number of diabetics is increasing. In term of age, people suffered diabetes at
the age of 20-79 years old in the past, but now young people also suffer it. Some of the attempts to contain
uncontrollable effects of diabetes are to implement healthy lifestyle and to control type or amount of
consumed foods. One type of product to ease the risks of Type 2 Diabetes Mellitus is dairy product, and its
derivatives. One example of the product is probiotic. This research is intended to design yoghurt product
for diabetic consumption, using quality function deployment (QFD) and fuzzy Analythical hierarchy process
(fuzzy AHP) methods. This research shows that the technical responses, that serve the priority to develop
probiotic product for diabetics, are the use of low-calorie sugar and skimmed milk, and the addition of highfiber
ingredients.
This document discusses using machine learning algorithms to predict household poverty levels. The goals are to build classification models to predict a household's poverty level as either "poor" or "non-poor" based on household attributes. Linear regression is proposed as the modeling algorithm. The document outlines collecting and preprocessing a household dataset, feature selection, model training and evaluation using metrics like MSE, RMSE and R-squared. References are provided on related work applying machine learning to poverty prediction using household surveys and satellite imagery.
Measurement of farm level efficiency of beef cattle fattening in west java pr...Alexander Decker
This document summarizes a study on measuring farm-level efficiency of beef cattle fattening operations in West Java Province, Indonesia. The study analyzed data from 100 beef cattle farmers to estimate technical efficiency levels and determinants. Results found the average technical efficiency was 0.77, meaning output could increase 23% with current technology. Education levels, experience, cattle ownership numbers, and access to credit significantly impacted technical inefficiency. The study concluded that improving farmer knowledge through extension and training could boost technical efficiency.
Implementation of the C4.5 algorithm for micro, small, and medium enterprise...IJECEIAES
The coronavirus disease-19 (COVID-19) pandemic has spread to various countries including Indonesia. Thus, implementing large-scale social restrictions (Bahasa: Pembatasan Sosial Berskala Besar (PSBB)) has resulted in the paralysis of the economy in Indonesia. including micro, small, and medium enterprises (MSMEs) have decreased turnover and even went out of business. The Department of Cooperatives and Small and Medium Enterprises (SMEs) in Pesawaran Regency, Lampung, oversees 3,808 MSMEs, whose development should be monitored as a basis for determining policies. However, there are problems in classifying MSMEs according to their categories because they have to check the existing data one by one, so it takes a long time. Therefore, this study proposed the C4.5 algorithm to solve this problem. In addition, this research compared with the naïve Bayes algorithm to find out which algorithm had a good performance and is suitable for this case. The results showed that 91% of MSMEs were included in the micro category, 8% was in a small category, and 1% was in the medium category. Based on the results, it explained that the C4.5 algorithm was bigger than naïve Bayes with a difference in the value of 3.79%. It had an accuracy value of 99.2%. Meanwhile, naive Bayes was 95.41%.
Similar to Perbedaan fuzzy logic, tsukamoto, sugeno (20)
Predictably Improve Your B2B Tech Company's Performance by Leveraging DataKiwi Creative
Harness the power of AI-backed reports, benchmarking and data analysis to predict trends and detect anomalies in your marketing efforts.
Peter Caputa, CEO at Databox, reveals how you can discover the strategies and tools to increase your growth rate (and margins!).
From metrics to track to data habits to pick up, enhance your reporting for powerful insights to improve your B2B tech company's marketing.
- - -
This is the webinar recording from the June 2024 HubSpot User Group (HUG) for B2B Technology USA.
Watch the video recording at https://youtu.be/5vjwGfPN9lw
Sign up for future HUG events at https://events.hubspot.com/b2b-technology-usa/
The Ipsos - AI - Monitor 2024 Report.pdfSocial Samosa
According to Ipsos AI Monitor's 2024 report, 65% Indians said that products and services using AI have profoundly changed their daily life in the past 3-5 years.
Enhanced Enterprise Intelligence with your personal AI Data Copilot.pdfGetInData
Recently we have observed the rise of open-source Large Language Models (LLMs) that are community-driven or developed by the AI market leaders, such as Meta (Llama3), Databricks (DBRX) and Snowflake (Arctic). On the other hand, there is a growth in interest in specialized, carefully fine-tuned yet relatively small models that can efficiently assist programmers in day-to-day tasks. Finally, Retrieval-Augmented Generation (RAG) architectures have gained a lot of traction as the preferred approach for LLMs context and prompt augmentation for building conversational SQL data copilots, code copilots and chatbots.
In this presentation, we will show how we built upon these three concepts a robust Data Copilot that can help to democratize access to company data assets and boost performance of everyone working with data platforms.
Why do we need yet another (open-source ) Copilot?
How can we build one?
Architecture and evaluation
STATATHON: Unleashing the Power of Statistics in a 48-Hour Knowledge Extravag...sameer shah
"Join us for STATATHON, a dynamic 2-day event dedicated to exploring statistical knowledge and its real-world applications. From theory to practice, participants engage in intensive learning sessions, workshops, and challenges, fostering a deeper understanding of statistical methodologies and their significance in various fields."
Beyond the Basics of A/B Tests: Highly Innovative Experimentation Tactics You...Aggregage
This webinar will explore cutting-edge, less familiar but powerful experimentation methodologies which address well-known limitations of standard A/B Testing. Designed for data and product leaders, this session aims to inspire the embrace of innovative approaches and provide insights into the frontiers of experimentation!
1. Jurnal Infotekmesin
Vol.10, No.02, Juli 2019
p-ISSN: 2087-1627, e-ISSN: 2685-9858
75
ANALISA PERBANDINGAN FUZZY LOGIC METODE TSUKAMOTO, SUGENO,
MAMDANI DALAM PENENTUAN KELUARGA MISKIN
Beben Sutara1
, Heri Kuswanto2
1,2
Program Studi Teknik Informatika, STMIK Sumedang, Indonesia
bensu@stmik-sumedang.ac.id1
, zaizen182@gmail.com2
Abstrak
Kata Kunci:
Kemiskinan;
Fuzzy Logic;
Tsukamoto’
Sugeno;
Mamdani.
Penerapan metode Fuzzy Tsukamoto, Sugeno, dan Mamdani dalam menentukan
keluarga miskin di Kabupaten Sumedang dapat dilakukan oleh ketiga metode dengan
hasil keluarga yang tergolong miskin yang berbeda-beda dilihat dari hasil perhitungan
semua data. Dari semua data yang dihitung menggunakan metode fuzzy logic dengan
Tsukamoto, Sugeno, dan Mamdani disimpulkan bahwa pada metode Tsukamoto
terdapat 4 data yang tergolong miskin dan 16 data yang tergolong tidak miskin, pada
metode Sugeno terdapat 8 data yang tergolong miskin dan 12 data yang tergolong
tidak miskin, dan pada metode Mamdani terdapat 10 data yang tergolong miskin dan
10 yang tergolong tidak miskin. Hasil tersebut menunjukan bahwa setiap metode
memiliki hasil yang berbeda-beda walaupun input yang digunakan sama.
Abstract
Keywords:
Poverty;
Fuzzy Logic;
Tsukamoto;
Sugeno;
Mamdani.
The application of the Fuzzy Tsukamoto, Sugeno, and Mamdani methods in
determining poor families in Sumedang Regency can be done by the three methods
using poor family outcomes which differ from the results of all data calculations.
From all data calculated using the fuzzy logic method of the Tsukamoto, Sugeno, and
Mamdani methods, it can be concluded that there are 4 data classified as poor and 16
data classified as not poor in the Tsukamoto method, 8 data classified as poor and 12
data classified not poor in the Sugeno method, and 10 data classified as poor and 10
classified as not poor in the Mamdani method. These results indicate that each method
has different results even though the input used is the same.
Alamat korespondensi:
E-mail: bensu@stmik-sumedang.ac.id
p-ISSN: 2087-1627, e-ISSN: 2685-9858
2. p-ISSN: 2087-1627, e-ISSN: 2685-9858
76
1. Pendahuluan
Pada umumnya di negara berkembang seperti
Indonesia permasalahan pendapatan yang rendah
dengan masalah kemiskinan merupakan
permasalahan utama dalam pembangunan ekonomi
[1]. Masalah kemiskinan semakin terlihat jelas
dengan melihat data dari Badan Pusat Statistik
(BPS). merilis, kemiskinan di Indonesia meningkat
sebanyak 6.900 orang selama September 2016
hingga Maret 2017. Kemiskinan adalah suatu
keadaan yang menyangkut ketidakmampuan dalam
memenuhi tuntutan kehidupan yang paling
minimum, khususnya dari aspek konsumsi dan
pendapatan. sehingga untuk menanganinya
dibutuhkan pendekatan yang terpadu, komprehensif
dan berkelanjutan [2].
Pada penelitian ini, dalam menentukan
keluarga miskin berdasarkan kriteria yang
ditentukan oleh pemerintah memungkinkan
munculnya ketidakpastian. Maka, masalah yang
diangkat pada penelitian ini adalah bagaimana
menentukan keluarga miskin berdasarkan kriteria
yang sudah ditentukan oleh pemerintah dengan
menggunakan metode Fuzzy logic.
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 control [3].
Fuzzy logic yaitu logika yang digunakan untuk
menggambarkan ketidakjelasan. Fuzzy logic ini
memiliki tiga metode yaitu metode Fuzzy
Tsukamoto, Sugeno, dan Mamdani dan dari ketiga
metode Fuzzy ini memiliki mesin inferensi dan
defuzzifikasi yang berbeda [4]. Sehingga, dengan
menerapkan metode Fuzzy logic ini tepat untuk
menentukan keluarga miskin pada penelitian ini.
Namun ketiga metode tersebut belum diketahui
metode Fuzzy mana yang tepat untuk diterapkan.
Kelebihan logika Fuzzy adalah kemampuannya
dalam proses penalaran secara bahasa sehingga
dalam perancangannya tidak memerlukan
persamaan matematik yang rumit. Beberapa alasan
yang dapat diutarakan mengapa menggunakan
logika Fuzzy diantaranya adalah mudah dimengerti,
memiliki toleransi terhadap data-data yang tidak
tepat, mampu memodelkan fungsi-fungsi nonlinear
yang sangat kompleks, dapat membagun dan
mengaplikasikan pengalaman-pengalaman para
pakar secara langsung tanpa harus melalui proses
latihan, dapat bekerja sama dengan teknik-teknik
kendali secara konvensional, dan didasarkan pada
bahasa alami.
Beberapa penelitian telah banyak dilakukan
terkait dengan penentuan keluarga masyarakat tidak
mampu dengan menggunakan fuzzy logic, dilakukan
oleh [5]–[7] yang menngunakan fuzzy sebagai
pendukung keputusan dalam penilaian keluarkan
miskin.
Dalam penelitian ini melakukan komparasi
dimana dalam ini dilakukan perbandingan kondisi
yang ada di dua tempat, apakah kedua kondisi
tersebut sama, atau ada perbedaan, dan kalau ada
perbedaan, kondisi di tempat mana yang lebih baik
[8], dalam hal ini penerapan logika Fuzzy dilakukan.
Dengan menerapkan dan membandingkan
Fuzzy logic metode Tsukamoto, Sugeno, dan
Mamdani untuk menentukan keluarga miskin
dilakukan pada salah satu Desa di Kabupaten
Sumedang berupa penyusunan perhitungan
sistematis, sehingga mendapatkan output nilai
sebagai bahan perbandingan ketiga metode Fuzzy
logic dengan tujuan dapat memudahkan dalam
menentukan keluarga miskin berdasarkan kriteria
yang sudah ditentukan oleh pemerintah.
2. Metode
Pada penelitian ini, pada tahapan penerapan
Logika fuzzy secara umum memiliki tahapan
pengerjaan sebagai berikut:
1. Membentuk himpunan fuzzy.
2. Fuzzyfication.
3. Inference.
4. Defuzzyfication.
5. Output.
2.1 Tahapan Fuzzy Tsukamoto
Saat proses evaluasi aturan dalam mesin
inferensi, metode fuzzy Tsukamoto menggunakan
fungsi implikasi MIN untuk mendapatkan nilai α-
predikat tiap-tiap rule (α1, α2, α3,.... αn). Masing-
masing nilai α-predikat digunakan untuk
menghitung hasil inferensi secara tegas (crisp)
masing-masing rule (z1, z2, z3,.... zn).
Metode Tsukamoto menggunakan metode rata-
rata (Average) dengan persamaan (1):
(1)
2.2 Tahapan Fuzzy Sugeno
Metode Sugeno mirip dengan metode
Mamdani, hanya output (konsekuen) tidak berupa
himpunan fuzzy, melainkan berupa konstanta atau
persamaan linier. Ada dua model metode Sugeno
yaitu model fuzzy Sugeno orde nol dan model fuzzy
Sugeno orde satu. Bentuk umum model fuzzy
Sugeno orde nol adalah :
IF(x1is A1i) o (x2 isA2i) o ... o (xNisANi) THENz
= k
Bentuk umum model fuzzy Sugeno orde satu adalah:
IF (x1is A1i) o (x2 isA2i) o ... o (XNisAN)THEN
z=p1 *x1+ … + pN*xN+ q
3. p-ISSN: 2087-1627, e-ISSN: 2685-9858
77
Metode Tsukamoto menggunakan metode rata-
rata (Average) dengan persamaan (2) berikut :
(2)
2.3 Tahapan Fuzzy Mamdani
Saat melakukan evaluasi aturan dalam mesin
inferensi, metode Mamdani menggunakan fungsi
MIN dan komposisi antar rule menggunakan fungsi
MAX untuk menghasilkan himpunan fuzzy baru.
Metode Mamdani sering juga dikenal dengan nama
metode Max-Min. Pada Metode Mamdani, fungsi
implikasi yang digunakan adalah Min. Secara umum
dapat dinyatakan sebagai:
(3)
Proses defuzzyfikasi pada metode Mamdani
menggunakan metode Centroid dengan rumus
berikut:
(4)
3. Hasil dan Pembahasan
Pada penelitian ini dilakukan pengujian Fuzzy
Logic metode Tsukamoto, Sugeno, dan Mamdani
dalam menentukan keluarga miskin dengan maksud
apakah metode Fuzzy Logic ini dapat menentukan
keluarga miskin berdasarkan kriteria yang
ditentukan oleh BPS (Badan Pusat Statistika) dan
dari hasil pengujian ketiga metode Fuzzy Logic
tersebut.
Dilihat dari prosedur yang berlaku dalam
menentukan keluarga miskin dengan kriteria BPS
(Badan Pusat Statistika) perlu adanya penghitungan
dan menentukan sembilan variabel yang terpenuhi
dari kriteria yang ditentukan oleh BPS (Badan Pusat
Statistika) dilihat dari data rumah tangga yang
disajikan sesuai dengan 14 kriteria tersebut.
Adapun indikator yang digunakan ada
sebanyak 14 variabel, yaitu :
1. Luas lantai : {Kecil, Besar}
2. Kualitas lantai : {Rendah, Tinggi}
3. Kualitas dinding : {Rendah, Tinggi}
4. Kualitas kamar mandi : {Rendah, Tinggi}
5. Kualitas penerangan : {Rendah, Tinggi}
6. Kualitas air minum : {Rendah, Tinggi}
7. Kualitas bahan bakar : {Rendah, Tinggi}
8. Frekuensi konsumsi daging : {Rendah, Tinggi}
9. Frekuensi membeli pakaian : {Rendah, Tinggi}
10. Frekuensi makan : {Rendah, Tinggi}
11. Akses pengobatan : {Rendah, Tinggi}
12. Penghasilan : {Sedikit, Banyak}
13. Level pendidikan : {Rendah, Tinggi}
14. Aset : {Sedikit, Banyak}
3.1 Fuzzyfication
`Fungsi derajat keanggotaan yang dapat
dibentuk untuk setiap kriteria adalah sebagai berikut:
1) Luas Lantai : {Kecil, Besar}
Gambar 1. Fungsi derajat keanggotaan variabel luas
lantai
Definisi fungsi derajat keanggotaan pada
Gambar 1 ditunjukkan pada Persamaan (5) dan
Persamaan (6).
𝜇𝐾𝑒𝑐𝑖𝑙(𝑥) = {
0,
9−𝑥
9−7
,
1,
𝑥 ≥ 9
7 < 𝑥 < 9
𝑥 ≤ 7
(5)
𝜇𝐵𝑒𝑠𝑎𝑟(𝑥) = {
0,
𝑥−7
9−7
1,
,
𝑥 ≤ 7
7 < 𝑥 < 9
𝑥 ≥ 9
(6)
2) Kualitas lantai : {Rendah, Tinggi}
Nilai-nilai pada variabel kualitas lantai
merupakan nilai kualitatif sehingga perlu diubah
terlebih dahulu menjadi nilai skala seperti
ditunjukkan pada Tabel 1
Tabel 1. Nilai skala variabel kualitas lantai
Kualitas Lantai Nilai
Tanah 1
Bambu 2
Kayu 3
Semen 4
Ubin 5
Keramik 6
Fungsi derajat keanggotaan dari variabel
kualitas lantai ditunjukkan pada Gambar 2.
Gambar 2. Fungsi derajat keanggotaan variabel
kualitas lantai
4. p-ISSN: 2087-1627, e-ISSN: 2685-9858
78
Definisi fungsi derajat keanggotaan pada
Gambar 2 ditunjukkan pada Persamaan (7) dan
Persamaan (8).
𝜇𝑅𝑒𝑛𝑑𝑎ℎ(𝑥) = {
0,
5−𝑥
5−3
,
1,
𝑥 ≥ 5
3 < 𝑥 < 5
𝑥 ≤ 3
(7)
𝜇𝑇𝑖𝑛𝑔𝑔𝑖(𝑥) = {
0,
𝑥−3
5−3
1,
,
𝑥 ≤ 3
3 < 𝑥 < 5
𝑥 ≥ 5
(8)
3) Kualitas dinding : {Rendah, Tinggi}
Nilai-nilai pada variabel kualitas dinding
merupakan nilai kualitatif sehingga perlu diubah
terlebih dahulu menjadi nilai skala seperti
ditunjukkan pada Tabel 2.
Tabel 2. Nilai skala variabel kualitas dinding
Kualitas Dinding Nilai
Bambu 1
Kayu 2
Tembok 3
Fungsi derajat keanggotaan dari variabel
kualitas dinding ditunjukkan pada Gambar 3.
Gambar 3. Fungsi derajat keanggotaan variabel
kualitas dinding
Definisi fungsi derajat keanggotaan pada
Gambar 3 ditunjukkan pada Persamaan (9) dan
Persamaan (10).
𝜇𝑅𝑒𝑛𝑑𝑎ℎ(𝑥) = {
0,
3−𝑥
3−2
,
1,
𝑥 ≥ 3
2 < 𝑥 < 3
𝑥 ≤ 2
(9)
𝜇𝑇𝑖𝑛𝑔𝑔𝑖(𝑥) = {
0,
𝑥−2
3−2
1,
,
𝑥 ≤ 2
2 < 𝑥 < 3
𝑥 ≥ 3
(10)
4) Kualitas kamar mandi : {Rendah, Tinggi}
Nilai-nilai pada variabel kualitas kamar mandi
merupakan nilai kualitatif sehingga perlu diubah
terlebih dahulu menjadi nilai skala seperti
ditunjukkan pada Tabel 3.
Tabel 3. Nilai skala variabel kualitas kamar mandi
Kualitas Kamar Mandi Nilai
Tidak Ada 1
Ada 2
Fungsi derajat keanggotaan dari variabel
kualitas kamar mandi ditunjukkan pada Gambar 4
Gambar 4. Fungsi derajat keanggotaan variabel
kualitas kamar mandi
Definisi fungsi derajat keanggotaan pada
Gambar 4 ditunjukkan pada Persamaan (11) dan
Persamaan (12).
𝜇𝑅𝑒𝑛𝑑𝑎ℎ(𝑥) = {
0,
2−𝑥
2−1
,
1,
𝑥 ≥ 2
1 < 𝑥 < 2
𝑥 ≤ 1
(11)
𝜇𝑇𝑖𝑛𝑔𝑔𝑖(𝑥) = {
0,
𝑥−1
2−1
1,
,
𝑥 ≤ 1
1 < 𝑥 < 2
𝑥 ≥ 2
(12)
5) Kualitas penerangan : {Rendah, Tinggi}
Nilai-nilai pada variabel kualitas penerangan
merupakan nilai kualitatif sehingga perlu diubah
terlebih dahulu menjadi nilai skala seperti
ditunjukkan pada Tabel 4.
Tabel 4. Nilai skala variabel kualitas penerangan
Kualitas Penerangan Nilai
Bukan Listrik 1
Listrik 2
Fungsi derajat keanggotaan dari variabel
kualitas penerangan ditunjukkan pada Gambar 5
5. p-ISSN: 2087-1627, e-ISSN: 2685-9858
79
Gambar 5. Fungsi derajat keanggotaan variabel
kualitas penerangan
Definisi fungsi derajat keanggotaan pada
Gambar 5 ditunjukkan pada Persamaan (13) dan
Persamaan (14).
𝜇𝑅𝑒𝑛𝑑𝑎ℎ(𝑥) = {
0,
2−𝑥
2−1
,
1,
𝑥 ≥ 2
1 < 𝑥 < 2
𝑥 ≤ 1
(13)
𝜇𝑇𝑖𝑛𝑔𝑔𝑖(𝑥) = {
0,
𝑥−1
2−1
1,
,
𝑥 ≤ 1
1 < 𝑥 < 2
𝑥 ≥ 2
(14)
6) Kualitas air minum : {Rendah, Tinggi}
Nilai-nilai pada variabel kualitas air minum
merupakan nilai kualitatif sehingga perlu diubah
terlebih dahulu menjadi nilai skala seperti
ditunjukkan pada Tabel 5.
Tabel 5. Nilai skala variabel kualitas air minum
Kualitas Air Minum Nilai
Sungai 1
Sumur 2
PDAM 3
Air Mineral 4
Fungsi derajat keanggotaan dari variabel
kualitas air minum ditunjukkan pada Gambar 6.
Gambar 6. Fungsi derajat keanggotaan variabel
kualitas air minum
Definisi fungsi derajat keanggotaan pada
Gambar 6 ditunjukkan pada Persamaan (15) dan
Persamaan (16).
𝜇𝑅𝑒𝑛𝑑𝑎ℎ(𝑥) = {
0,
3−𝑥
3−2
,
1,
𝑥 ≥ 3
2 < 𝑥 < 3
𝑥 ≤ 2
(15)
𝜇𝑇𝑖𝑛𝑔𝑔𝑖(𝑥) = {
0,
𝑥−2
3−2
1,
,
𝑥 ≤ 2
2 < 𝑥 < 3
𝑥 ≥ 3
(16)
7) Kualitas bahan bakar : {Rendah, Tinggi}
Nilai-nilai pada variabel kualitas bahan bakar
merupakan nilai kualitatif sehingga perlu diubah
terlebih dahulu menjadi nilai skala seperti
ditunjukkan pada Tabel 6
Tabel 6. Nilai skala variabel kualitas bahan bakar
Kualitas Bahan Bakar Nilai
Kayu Bakar 1
Minyak Tanah 2
LPG 3
Fungsi derajat keanggotaan dari variabel
kualitas bahan bakar ditunjukkan pada Gambar 7
Gambar 7. Fungsi derajat keanggotaan variabel
kualitas bahan bakar
Definisi fungsi derajat keanggotaan pada
Gambar 7 ditunjukkan pada Persamaan (17) dan
Persamaan (18).
𝜇𝑅𝑒𝑛𝑑𝑎ℎ(𝑥) = {
0,
3−𝑥
3−2
,
1,
𝑥 ≥ 3
2 < 𝑥 < 3
𝑥 ≤ 2
(17)
𝜇𝑇𝑖𝑛𝑔𝑔𝑖(𝑥) = {
0,
𝑥−2
3−2
1,
,
𝑥 ≤ 2
2 < 𝑥 < 3
𝑥 ≥ 3
(18)
8) Frekuensi konsumsi daging : {Rendah, Tinggi}
Fungsi derajat keanggotaan dari variabel
frekuensi konsumsi daging ditunjukkan pada
Gambar 8
Gambar 8. Fungsi derajat keanggotaan variabel
frekuensi konsumsi daging
6. p-ISSN: 2087-1627, e-ISSN: 2685-9858
80
Definisi fungsi derajat keanggotaan pada
Gambar 8 ditunjukkan pada Persamaan (19) dan
Persamaan (20).
𝜇𝑅𝑒𝑛𝑑𝑎ℎ(𝑥) = {
0,
2−𝑥
2−1
,
1,
𝑥 ≥ 2
1 < 𝑥 < 2
𝑥 ≤ 1
(19)
𝜇𝑇𝑖𝑛𝑔𝑔𝑖(𝑥) = {
0,
𝑥−1
2−1
1,
,
𝑥 ≤ 1
1 < 𝑥 < 2
𝑥 ≥ 2
(20)
9) Frekuensi membeli pakaian : {Rendah, Tinggi}
Fungsi derajat keanggotaan dari variabel
frekuensi membeli pakaian ditunjukkan pada
Gambar 9
Gambar 9. Fungsi derajat keanggotaan variabel
frekuensi membeli pakaian
Definisi fungsi derajat keanggotaan pada
Gambar 9 ditunjukkan pada Persamaan (21) dan
Persamaan (22).
𝜇𝑅𝑒𝑛𝑑𝑎ℎ(𝑥) = {
0,
2−𝑥
2−1
,
1,
𝑥 ≥ 2
1 < 𝑥 < 2
𝑥 ≤ 1
(21)
𝜇𝑇𝑖𝑛𝑔𝑔𝑖(𝑥) = {
0,
𝑥−1
2−1
1,
,
𝑥 ≤ 1
1 < 𝑥 < 2
𝑥 ≥ 2
(22)
10)Frekuensi makan : {Rendah, Tinggi}
Fungsi derajat keanggotaan dari variabel
frekuensi makan ditunjukkan pada Gambar 10
Gambar 10. Fungsi derajat keanggotaan variabel
frekuensi makan
Definisi fungsi derajat keanggotaan pada
Gambar 10 ditunjukkan pada Persamaan (23) dan
Persamaan (24).
𝜇𝑅𝑒𝑛𝑑𝑎ℎ(𝑥) = {
0,
3−𝑥
3−1
,
1,
𝑥 ≥ 3
1 < 𝑥 < 3
𝑥 ≤ 1
(23)
𝜇𝑇𝑖𝑛𝑔𝑔𝑖(𝑥) = {
0,
𝑥−1
3−1
1,
,
𝑥 ≤ 1
1 < 𝑥 < 3
𝑥 ≥ 3
(24)
11) Akses pengobatan : {Rendah, Tinggi}
Nilai-nilai pada variabel akses pengobatan
merupakan nilai kualitatif sehingga perlu diubah
terlebih dahulu menjadi nilai skala seperti
ditunjukkan pada Tabel 7
Tabel 7. Nilai skala variabel akses pengobatan
Akses Pengobatan Nilai
Tidak Mampu 1
Mampu 2
Fungsi derajat keanggotaan dari variabel akses
pengobatan ditunjukkan pada Gambar 11
Gambar 11. Fungsi derajat keanggotaan variabel
akses pengobatan
Definisi fungsi derajat keanggotaan pada
Gambar 11 ditunjukkan pada Persamaan (25) dan
Persamaan (26).
𝜇𝑅𝑒𝑛𝑑𝑎ℎ(𝑥) = {
0,
2−𝑥
2−1
,
1,
𝑥 ≥ 2
1 < 𝑥 < 2
𝑥 ≤ 1
(25)
𝜇𝑇𝑖𝑛𝑔𝑔𝑖(𝑥) = {
0,
𝑥−1
2−1
1,
,
𝑥 ≤ 1
1 < 𝑥 < 2
𝑥 ≥ 2
(26)
12)Penghasilan : {Sedikit, Banyak}
Fungsi derajat keanggotaan dari variabel
penghasilan ditunjukkan pada Gambar 12
7. p-ISSN: 2087-1627, e-ISSN: 2685-9858
81
Gambar 12. Fungsi derajat keanggotaan variabel
penghasilan
Definisi fungsi derajat keanggotaan pada
Gambar 12 ditunjukkan pada Persamaan (27) dan
Persamaan (28).
𝜇𝑆𝑒𝑑𝑖𝑘𝑖𝑡(𝑥) = {
0,
1000−𝑥
1000−500
,
1,
𝑥 ≥ 1000
500 < 𝑥 < 1000
𝑥 ≤ 500
(27)
𝜇𝐵𝑎𝑛𝑦𝑎𝑘(𝑥) = {
0,
𝑥−500
1000−500
1,
,
𝑥 ≤ 500
500 < 𝑥 < 1000
𝑥 ≥ 1000
(28)
13) Level pendidikan : {Rendah, Tinggi}
Nilai-nilai pada variabel level pendidikan
merupakan nilai kualitatif sehingga perlu diubah
terlebih dahulu menjadi nilai skala seperti
ditunjukkan pada Tabel 8.
Tabel 8. Nilai skala variabel level pendidikan
Level Pendidikan Nilai
Tidak Sekolah 1
SD 2
SMP 3
SMA/SMK 4
D3/S1/S2/S3 5
Fungsi derajat keanggotaan dari variabel level
pendidikan ditunjukkan pada Gambar 13
Gambar 13. Fungsi derajat keanggotaan variabel
level pendidikan
Definisi fungsi derajat keanggotaan pada
Gambar 13 ditunjukkan pada Persamaan (29) dan
Persamaan (30).
𝜇𝑅𝑒𝑛𝑑𝑎ℎ(𝑥) = {
0,
4−𝑥
4−2
,
1,
𝑥 ≥ 4
2 < 𝑥 < 4
𝑥 ≤ 2
(29)
𝜇𝑇𝑖𝑛𝑔𝑔𝑖(𝑥) = {
0,
𝑥−2
4−2
1,
,
𝑥 ≤ 2
2 < 𝑥 < 4
𝑥 ≥ 4
(30)
14) Aset : {Sedikit, Banyak}
Fungsi derajat keanggotaan dari variabel aset
ditunjukkan pada Gambar 14.
Gambar 14. Fungsi derajat keanggotaan variabel
aset
Definisi fungsi derajat keanggotaan pada
Gambar 14 ditunjukkan pada Persamaan (31) dan
Persamaan (32).
𝜇𝑆𝑒𝑑𝑖𝑘𝑖𝑡(𝑥) = {
0,
1000−𝑥
1000−500
,
1,
𝑥 ≥ 1000
500 < 𝑥 < 1000
𝑥 ≤ 500
(31)
𝜇𝐵𝑎𝑛𝑦𝑎𝑘(𝑥) = {
0,
𝑥−500
1000−500
1,
,
𝑥 ≤ 500
500 < 𝑥 < 1000
𝑥 ≥ 1000
(32)
15)Kategori Kemiskinan
Fungsi derajat keanggotaan dari variabel
kategori kemiskinan ditunjukkan pada Gambar 15.
Gambar 4. Fungsi derajat keanggotaan kategori
kemiskinan
Definisi fungsi derajat keanggotaan pada
Gambar 15 ditunjukkan pada Persamaan (33) dan
Persamaan (34).
8. p-ISSN: 2087-1627, e-ISSN: 2685-9858
82
𝜇𝑆𝑒𝑑𝑖𝑘𝑖𝑡(𝑥) = {
0,
40−𝑥
40−20
,
1,
𝑥 ≥ 40
20 < 𝑥 < 40
𝑥 ≤ 20
(33)
𝜇𝐵𝑎𝑛𝑦𝑎𝑘(𝑥) = {
0,
𝑥−20
40−20
1,
,
𝑥 ≤ 20
20 < 𝑥 < 40
𝑥 ≥ 40
(34)
3.2 Mesin Inference
Pada mesin inferensi dalam penentuan keluarga
miskin, dilakukan dengan menggunakan tiga
metode. Misalkan terdapat sebuah keluarga miskin
yang memiliki nilai-nilai setiap kriteria sebagai
berikut :
Luas lantai : 7 m2
Kualitas lantai : Bambu
Kualitas dinding : Kayu
Kualitas kamar mandi : Ada
Kualitas penerangan : Bukan listrik
Kualitas air minum : Sungai
Kualitas bahan bakar : Kayu bakar
Frekuensi konsumsi daging : 0 x seminggu
Frekuensi membeli pakaian : 1 kali setahun
Frekuensi makan : 3 kali sehari
Akses pengobatan : Tidak mampu
Penghasilan : Rp. 450.000
Level pendidikan : SMP
Aset : Rp. 400.000
Himpunan bahasa yang dapat dibentuk
berdasarkan nilai-nilai tersebut adalah sebagai
barikut :
Luas lantai : {Kecil}
Kualitas lantai : {Rendah}
Kualitas dinding : {Rendah}
Kualitas kamar mandi : {Tinggi}
Kualitas penerangan : {Rendah}
Kualitas air minum : {Rendah}
Kualitas bahan bakar : {Rendah}
Frekuensi konsumsi daging : {Rendah}
Frekuensi membeli pakaian : {Rendah}
Frekuensi makan : {Tinggi}
Akses pengobatan : {Rendah}
Penghasilan : {Sedikit}
Level pendidikan : {Rendah, Tinggi}
Aset : {Sedikit}
Nilai derajat keanggotaan setiap kriteria
dihitung berdasarkan nilai-nilai input tersebut
sehingga didapatkan hasil seperti ditunjukan pada
Tabel 9.
Tabel 9. Nilai Himpunan
No Kriteria Nilai Himpunan
1 Luas lantai
𝜇𝐾𝑒𝑐𝑖𝑙 (7) = 1
𝜇𝐵𝑒𝑠𝑎𝑟 (7) = 0
2 Kualitas lantai
𝜇𝑅𝑒𝑛𝑑𝑎ℎ (2) = 1
𝜇𝑇𝑖𝑛𝑔𝑔𝑖 (2) = 0
3 Kualitas dinding
𝜇𝑅𝑒𝑛𝑑𝑎ℎ (2) = 1
𝜇𝑇𝑖𝑛𝑔𝑔𝑖 (2) = 0
4
Kualitas kamar
mandi
𝜇𝑅𝑒𝑛𝑑𝑎ℎ (2) = 0
𝜇𝑇𝑖𝑛𝑔𝑔𝑖 (2) = 1
5 Kualitas penerangan
𝜇𝑅𝑒𝑛𝑑𝑎ℎ (1) = 1
𝜇𝑇𝑖𝑛𝑔𝑔𝑖 (1) = 0
6 Kualitas air minum
𝜇𝑅𝑒𝑛𝑑𝑎ℎ (1) = 1
𝜇𝑇𝑖𝑛𝑔𝑔𝑖 (1) = 0
7 Kualitas bahan bakar
𝜇𝑅𝑒𝑛𝑑𝑎ℎ (1) = 1
𝜇𝑇𝑖𝑛𝑔𝑔𝑖 (1) = 0
8
Frekuensi konsumsi
daging
𝜇𝑅𝑒𝑛𝑑𝑎ℎ (0) = 1
𝜇𝑇𝑖𝑛𝑔𝑔𝑖 (0) = 0
9
Frekuensi membeli
pakaian
𝜇𝑅𝑒𝑛𝑑𝑎ℎ (1) = 1
𝜇𝑇𝑖𝑛𝑔𝑔𝑖 (1) = 0
10 Frekuensi makan
𝜇𝑅𝑒𝑛𝑑𝑎ℎ (3) = 0
𝜇𝑇𝑖𝑛𝑔𝑔𝑖 (3) = 1
11 Akses pengobatan
𝜇𝑅𝑒𝑛𝑑𝑎ℎ (1) = 1
𝜇𝑇𝑖𝑛𝑔𝑔𝑖 (1) = 0
12 Penghasilan
𝜇𝑆𝑒𝑑𝑖𝑘𝑖𝑡 (450) = 1
𝜇𝐵𝑎𝑛𝑦𝑎𝑘 (450)
= 0
13 Level pendidikan
𝜇𝑅𝑒𝑛𝑑𝑎ℎ (3) = 0,5
𝜇𝑇𝑖𝑛𝑔𝑔𝑖 (3) = 0,5
14 Aset
𝜇𝑆𝑒𝑑𝑖𝑘𝑖𝑡 (400) = 1
𝜇𝐵𝑎𝑛𝑦𝑎𝑘 (400)
= 0
3.2.1 Mesin Inference Tsukamoto
Dalam mesin inferensi Fuzzy Tsukamoto
menentukan rule yang sesuai dengan himpunan
bahasa berdasarkan nilai derajat keanggotaan yang
telah dihitung. Rule yang digunakan dalam contoh
penghitungan :
a. R1 = Luas lantai KECIL, kualitas lantai
RENDAH, kualitas dinding RENDAH, kualitas
kamar mandi TINGGI, kualitas penerangan
RENDAH, kualitas air minum RENDAH,
kualitas bahan bakar RENDAH, frekuensi
konsumsi daging RENDAH, frekuensi membeli
pakaian RENDAH, frekuensi makan TINGGI,
akses pengobatan RENDAH, penghasilan
SEDIKIT, pendidikan TINGGI, dan aset
SEDIKIT, maka rumah tangga tersebut termasuk
MISKIN.
b. R2 = Luas lantai KECIL, kualitas lantai
RENDAH, kualitas dinding RENDAH, kualitas
kamar mandi TINGGI, kualitas penerangan
RENDAH, kualitas air minum RENDAH,
kualitas bahan bakar RENDAH, frekuensi
konsumsi daging RENDAH, frekuensi membeli
pakaian RENDAH, frekuensi makan TINGGI,
9. p-ISSN: 2087-1627, e-ISSN: 2685-9858
83
akses pengobatan RENDAH, penghasilan
SEDIKIT, pendidikan RENDAH, dan aset
SEDIKIT, maka rumah tangga tersebut termasuk
MISKIN.
Berdasarkan rule yang digunakan tersebut,
nilai minimal derajat keanggotaan dari rule yang
telah ditentukan dihitung sehingga didapatkan hasil
seperti ditunjukkan pada Tabel 10.
Tabel 10. Nilai Minimal Derajat Keanggotaan
Rule Variabel Nilai
1
Luas lantai 1
Kualitas lantai 1
Kualitas dinding 1
Kualitas kamar mandi 1
Kualitas penerangan 1
Kualitas air minum 1
Kualitas bahan bakar 1
Frekuensi konsumsi daging 1
Frekuensi membeli pakaian 1
Frekuensi makan 1
Akses pengobatan 1
Penghasilan 1
Level pendidikan 0,5
Aset 1
𝜇1 0,5
2
Luas lantai 1
Kualitas lantai 1
Kualitas dinding 1
Kualitas kamar mandi 1
Kualitas penerangan 1
Kualitas air minum 1
Kualitas bahan bakar 1
Frekuensi konsumsi daging 1
Frekuensi membeli pakaian 1
Frekuensi makan 1
Akses pengobatan 1
Penghasilan 1
Level pendidikan 0,5
Aset 1
𝜇2 0,5
3.2.2 Mesin Inference Sugeno
Dalam mesin inferensi Fuzzy Sugeno
menentukan rule yang sesuai dengan himpunan
bahasa berdasarkan nilai derajat keanggotaan yang
telah dihitung. Rule yang digunakan dalam contoh
penghitungan :
R1 = Luas lantai KECIL, kualitas lantai RENDAH,
kualitas dinding RENDAH, kualitas kamar mandi
TINGGI, kualitas penerangan RENDAH, kualitas
air minum RENDAH, kualitas bahan bakar
RENDAH, frekuensi konsumsi daging RENDAH,
frekuensi membeli pakaian RENDAH, frekuensi
makan TINGGI, akses pengobatan RENDAH,
penghasilan SEDIKIT, pendidikan TINGGI, dan
aset SEDIKIT THEN kategori miskin MISKIN(20).
Jika rule pada mesin inferensi Sugeno
mendapatkan hasil MISKIN maka rule tersebut
dipasangkan dengan nilai 20 sebagai nilai z, apabila
rule hasil TIDAK MISKIN maka rule tersebut
dipasangkan dengan nilai 40 sebagai nilai z.
Berdasarkan rule yang digunakan tersebut,
nilai minimal derajat keanggotaan dari rule yang
telah ditentukan dihitung sehingga didapatkan hasil
seperti ditunjukkan pada Tabel 11.
Tabel 11. Nilai Minimal Derajat Keanggotaan
Rule Variabel Nilai
Luas lantai 1
Kualitas lantai 1
Kualitas dinding 1
Kualitas kamar mandi 1
Kualitas penerangan 1
Kualitas air minum 1
Kualitas bahan bakar 1
Frekuensi konsumsi daging 1
Frekuensi membeli pakaian 1
Frekuensi makan 1
Akses pengobatan 1
Penghasilan 1
Level pendidikan 0,5
Aset 1
𝜇1 0,5
3.2.3 Mesin Inference Mamdani
Dalam mesin inferensi Fuzzy Mamdani dalam
menentukan fungsi implikasi sama seperti metode
Tsukamoto dan Sugeno yaitu menggunakan MIN
pada semua rule namun pada metode Mamdani harus
membuat komposisi antar rule.
Untuk menentukan komposisi antar aturan
menggunakan MAX dengan membuat kurva baru
seperti gambar 16.
Gambar 5. Komposisi antar aturan
Kemudian, niali a1 dan a2 didapat :
𝑎1−20
40−20
= 0,5 ----> a1 = 30 (35)
𝑎2−20
40−20
= 1 ----> a2 = 40 (36)
Dengan demikian, fungsi keanggotaan untuk
himpunan fuzzy baru adalah:
10. p-ISSN: 2087-1627, e-ISSN: 2685-9858
84
𝜇[𝑧] = {
0,5,
1,
𝑧 ≤ 30
𝑧 ≥ 40
(37)
3.3 Defuzzyfication
3.3.1 Defuzzyfication Tsukamoto
Pada proses defuzzyfication ini, dilakukan
perhitungan nilai z untuk rule yang digunakan.
Perhitungan nilai z untuk rule yang digunakan
sebagai berikut :
a. Rule 1 menyatakan keluarga tersebut tergolong
kedalam kategori rumah tangga miskin,
sehingga perhitungan nilai z dapat dihitung
sebagai berikut :
𝑍1 = 20 + 𝜇1(40 − 20) = 20 + 0,5(20)
= 30
b. Rule 2 menyatakan keluarga tersebut tergolong
kedalam kategori rumah tangga miskin,
sehingga perhitungan nilai z dapat dihitung
sebagai berikut :
𝑍2 = 20 + 𝜇1(40 − 20) = 20 + 0,5(20)
= 30
Langkah selanjutnya adalah melakukan perkalian
antara nilai 𝜇 dan z untuk setiap rule sehingga
didapatkan hasil seperti tabel 12.
Tabel 12 Hasil perhitungan 𝝁 dan z
Rule Nilai 𝝁 Nilai Z Nilai 𝝁 * z
1 0,5 30 15
2 0,5 30 15
Total 1 60 30
Untuk mendapatkan perkiraan kategori
kemiskinan, langkah selanjutnya adalah membagi
nilai total 𝜇 * Z dengan nilai total 𝜇, sehingga
didapatkan hasil sebagai berikut :
𝑃𝑒𝑟𝑘𝑖𝑟𝑎𝑎𝑛 =
∑ 𝜇 ∗ z
∑ 𝜇
=
30
1
= 30
Berdasarkan hasil perhitungan tersebut, nilai
perkiraan yang diperoleh adalah 30. Nilai inilah yang
akan digunakan untuk menentukan prioritas rumah
tangga miskin dengan cara membandingkan nilai
hasil perhitungan antar rumah tangga.
3.3.2 Defuzzyfication Sugeno
Pada proses defuzzyfication ini, dilakukan
perhitungan nilai Z untuk rule yang digunakan.
Perhitungan nilai Z untuk mendapatkan perkiraan
kategori kemiskinan sehingga didapatkan hasil
sebagai berikut :
𝑍 =
∑ 𝜇 ∗ Z
∑ 𝜇
=
0,5 ∗ 20
0,5
=
10
0,5
= 20
Berdasarkan hasil perhitungan tersebut, nilai
perkiraan yang diperoleh adalah 20. Nilai inilah yang
akan digunakan untuk menentukan prioritas rumah
tangga miskin dengan cara membandingkan nilai
hasil perhitungan antar rumah tangga.
3.3.3 Defuzzyfication Mamdani
Pada proses defuzzyfication ini, dilakukan
perhitungan nilai Z untuk rule yang digunakan.
Perhitungan nilai Z untuk mendapatkan perkiraan
kategori kemiskinan sehingga didapatkan hasil
sebagi berikut:
𝑧∗
=
∫ 𝜇(𝑧)𝑧𝑑𝑧
∫ 𝜇(𝑧)𝑑𝑧
(38)
Menghitung Momen :
𝑀1 = ∫ (0,5)𝑧
30
0
𝑑𝑧 = 0,25𝑧2
∫ = 225
30
0
𝑀2 = ∫ (1)𝑧
40
30
𝑑𝑧 = 0,5𝑧2
∫ = 350
40
30
Menghitung Luas :
𝐴1 = 30 × 0,5 = 15
𝐴2 = 40 × 1 = 40
Menghitung titik pusat (terhadap z) :
𝑧∗
=
(225 + 350)
(15 + 40)
=
575
55
= 10,45
Berdasarkan hasil perhitungan tersebut, nilai
perkiraan yang diperoleh adalah 10,45. Nilai inilah
yang akan digunakan untuk menentukan prioritas
rumah tangga miskin dengan cara membandingkan
nilai hasil perhitungan antar rumah tangga
3.4 Output
Hasil perhitungan dari satu contoh data yang
disajikan menggunakan fuzzy logic metode
Tsukamoto, Sugeno, dan Mamdani didapat hasil
metode Tsukamoto adalah 30, metode Sugeno
adalah 20, dan metode Mamdani adalah 10,45. Nilai
dari setiap metode akan dimasukan kedalam range
nilai atau dapat dimasukan kedalam derajat
keanggotaan kategori miskin untuk melihat apakah
hasil dari perhitungan setiap data itu termasuk
kedalam kategori miskin atau tidak dengan range
nilai sebagai berikut:
Miskin : 𝑥 ≤ 30
Tidak Miskin : 30 < 𝑥 ≤ 60
11. p-ISSN: 2087-1627, e-ISSN: 2685-9858
85
Dengan memasukan hasil perhitungan ketiga
metode kedalam persamaan didapat untuk metode
Tsukamoto pada contoh data yang dihitung termasuk
dalam kategori miskin dengan nilai 30, hasil
perhitungan metode Sugeno termasuk kedalam
kategori miskin dengan nilai 20, dan hasil
perhitungan pada metode Mamdani pada data yang
menjadi contoh perhitungan termasuk kedalam
kategori miskin dengan nilai 10,45.
3.5 Evaluasi
Berdasarkan hasil analysis, hasil yang
didapatkan ditunjukan pada Tabel 13. Dari semua
data yang dihitung menggunakan metode fuzzy logic
metode Tsukamoto, Sugeno, dan Mamdani di
tampilkan pada tabel diatas dapat disimpulkan
bahwa pada metode Tsukamoto terdapat 4 data yang
tergolong miskin dan 16 data yang tergolong tidak
miskin, pada metode Sugeno terdapat 8 data yang
tergolong miskin dan 12 data yang tergolong tidak
miskin, dan pada metode Mamdani terdapat 10 data
yang tergolong miskin dan 10 yang tergolong tidak
miskin. Hasil tersebut menunjukan bahwa setiap
metode memiliki hasil yang berbeda-beda walaupun
input yang digunakan sama.
4. Kesimpulan
Dari uraian hasil penelitian yang dilakukan
melalui dapat disimpulkan bahwa dari semua data
yang dihitung menggunakan metode fuzzy logic
metode Tsukamoto, Sugeno, dan Mamdani dapat
disimpulkan bahwa pada metode Tsukamoto
terdapat 4 data yang tergolong miskin dan 16 data
yang tergolong tidak miskin, pada metode Sugeno
terdapat 8 data yang tergolong miskin dan 12 data
yang tergolong tidak miskin, dan pada metode
Mamdani terdapat 10 data yang tergolong miskin
dan 10 yang tergolong tidak miskin. Hasil tersebut
menunjukan bahwa setiap metode memiliki hasil
yang berbeda-beda walaupun input yang digunakan
sama. Dari hasil penerapan metode fuzzy metode
Tsukamoto, Sugeno, dan Mamdani memiliki
perbedaan dalam pengerjaan pada tahapan inferensi
dan defuzzyficationnya.
Daftar Pustaka
[1] N. S. Wibowo, D. P. S. Setyohadi, and H.
Rakhmad, “Penggunaan Metode Fuzzy Dalam
Sistem Informasi Geografis Untuk Pemetaan
Daerah Rawan Banjir Di Kabupaten Jember,”
Prosiding, vol. 0, no. 0, Dec. 2016.
[2] E. H. Jacobus, P. . Kindangen, and E. N.
Walewangko, “Analisis Faktor-Faktor Yang
Mempengaruhi Kemiskinan Rumah Tangga Di
Sulawesi Utara,” J. Pembang. Ekon. DAN
Keuang. Drh., vol. 19, no. 7, Jul. 2019.
[3] P. D. Sugiyono, Metode penelitian kombinasi
(mixed methods). Bandung: Alfabeta, 2015.
[4] L. P. Ayuningtias, M. irfan, and J. Jumadi,
“Analisa Perbandingan Logic Fuzzy Metode
Tsukamoto, Sugeno, Dan Mamdani (Studi
Kasus : Prediksi Jumlah Pendaftar Mahasiswa
Baru Fakultas Sains Dan Teknologi Universitas
Islam Negeri Sunan Gunung Djati Bandung),”
J. Tek. Inform. , vol. 10, no. 1, 2017.
[5] Y. Rohani, “Menentukan Tingkat Kemiskinan
Menggunakan Fuzzy Logic,” J. Khatulistiwa
Inform., vol. 2, no. 1, Jun. 2014.
[6] W. F. Wijayaningrum, Vivi Nur Mahmudy,
“Penentuan Prioritas Rumah Tangga Miskin
Menggunakan Fuzzy Tsukamoto,” in Seminar
Nasional Teknologi Informasi dan
Tabel 13. Hasil Perbandingan
Rule Tsukamoto Sugeno Mamdani
R10 Tidak Miskin Tidak Miskin Tidak Miskin
R13 Tidak Miskin Tidak Miskin Tidak Miskin
R3 Tidak Miskin Miskin Miskin
R10 Tidak Miskin Tidak Miskin Tidak Miskin
R9 Tidak Miskin Tidak Miskin Tidak Miskin
R14 Tidak Miskin Tidak Miskin Miskin
R10 Tidak Miskin Tidak Miskin Tidak Miskin
R4 Tidak Miskin Miskin Miskin
R15 Miskin Miskin Miskin
R2 Miskin Miskin Miskin
R10 Tidak Miskin Tidak Miskin Tidak Miskin
R11 Tidak Miskin Tidak Miskin Tidak Miskin
R7 Miskin Miskin Miskin
R8 Tidak Miskin Tidak Miskin Tidak Miskin
R12 Tidak Miskin Tidak Miskin Tidak Miskin
R5 Tidak Miskin Miskin Miskin
R14 Tidak Miskin Tidak Miskin Miskin
R10 Tidak Miskin Tidak Miskin Tidak Miskin
R6 Tidak Miskin Miskin Miskin
12. p-ISSN: 2087-1627, e-ISSN: 2685-9858
86
Komunikasi2016 (SENTIKA 2016), 2016.
[7] A. N. Fauzan and P. D. B. M. M. K. -, “Sistem
Pendukung Keputusan Penentuan Keluarga
Miskin Di Kelurahan Pilangsari Kecamatan
Gesi Dengan Menggunakan Metode Technique
For Order Performance By Similarity To Ideal
Solution (Topsis),” Feb. 2017.
[8] A. Suharsimi, Prosedur penelitian suatu
pendekatan praktik. Jakarta: Rineka Cipta,
2006.