Lumbung Pustaka UNY: No conditions. Results ordered -Date Deposited. 2024-03-28T20:15:27ZEPrintshttp://eprints.uny.ac.id/apw_template/images/sitelogo.pnghttps://eprints.uny.ac.id/2022-02-02T03:53:51Z2022-02-02T03:53:51Zhttp://eprints.uny.ac.id/id/eprint/72077This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/720772022-02-02T03:53:51ZPenerapan Scaffolding untuk Mengatasi Kesalahan Konsep
dan Prosedur dalam Menyelesaikan Masalah Matematika.ABSTRAK
LATIFAH FITRIASARI: Penerapan Scaffolding untuk Mengatasi Kesalahan Konsep
dan Prosedur dalam Menyelesaikan Masalah Matematika. Tesis. Yogyakarta :
Program Pascasarjana, Universitas Negeri Yogyakarta, 2020.
Penelitian ini bertujuan untuk mendeskripsikan : (1) kesalahan konsep yang
dilakukan siswa pada saat menyelesaikan masalah matematika, (2) kesalahan prosedur
yang dilakukan siswa pada saat menyelesaikan masalah matematika, (3) scaffolding
yang tepat untuk diberikan kepada siswa yang melakukan kesalahan konsep pada saat
menyelesaikan masalah matematika, (4) scaffolding yang tepat untuk diberikan kepada
siswa yang melakukan kesalahan prosedur pada saat menyelesaikan masalah
matematika.
Penelitian ini merupakan penelitian deskriptif dengan pendekatan kualitatif.
Penelitian ini dilaksanakan bulan Juli hingga Agustus 2019 dengan populasi siswa
kelas 8 di SMP Muhammadiyah 1 Seyegan. Pengumpulan data dilakukan dengan tes
penyelesaian soal cerita dan wawancara.
Hasil penelitian ini adalah sebagai berikut. (1) Kesalahan konsep yang
dilakukan oleh siswa pada saat menyelesaikan masalah matematika adalah salah
memahami makna soal, salah menafsirkan konsep dan salah memahami sifat, definisi
dan istilah. (2) Kesalahan prosedur yang dilakukan siswa pada saat menyelesaikan
masalah matematika adalah salah menentukan rumus, salah melakukan operasi hitung,
salah menyusun langkah-langkah dalam menjawab soal serta salah dalam penulisan
jawaban atau kesimpulan (3) Kesalahan konsep yang berupa salah memahami makna
soal dilakukan oleh subjek S1, S6, S7, S8, S10 dan S13. Scaffolding yang diberikan
berupa explaining dan reviewing. Kesalahan dalam menafsirkan konsep serta salah
dalam memahami sifat, definisi dan istilah dilakukan oleh subjek kecuali S6 dan S10
dan dibantu dengan scaffolding berupa restructuring. (4) Kesalahan prosedur yang
berupa salah menentukan rumus dilakukan oleh semua subjek penelitian. Scaffolding
yang diberikan adalah restructuring. Selanjutnya untuk kesalahan prosedur berupa
salah dalam melakukan operasi hitung dilakukan oleh subjek S2 dan memberikan
scaffolding berupa reviewing.Kesalahan dalam menyusun langkah-langkah dalam
menjawab soal dilakukan oleh subjek S1 dan S8 dan dibantu dengan scaffolding yang
berupa restructuring. Kesalahan dalam penulisan jawaban atau kesimpulan yang
dilakukan oleh subjek S1 dan S8. Scaffolding yang tepat untuk mengatasi kesalahan
tersebut adalah dengan restructuring dan developing conceptual thinking.Latifah FitriasariAgus Maman Abadi2019-10-15T07:46:07Z2019-10-15T08:20:29Zhttp://eprints.uny.ac.id/id/eprint/66163This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/661632019-10-15T07:46:07ZAnalisis Kemampuan Pembuktian,
Kemampuan Berpikir Kreatif dan Self-efficacy Mahasiswa Pendidikan
Matematika pada Mata Kuliah Aljabar Abstrak di YogyakartaPenelitian ini bertujuan untuk mendeskripsikan: (1) kemampuan
pembuktian, kemampuan berpikir kreatif, dan self-efficacy, (2) pengaruh selfefficacy
terhadap kemampuan pembuktian, (3) pengaruh self-efficacy terhadap
kemampuan berpikir kreatif, dan (4) pengaruh kemampuan berpikir kreatif
terhadap kemampuan pembuktian mahasiswa pendidikan matematika di
Yogyakarta.
Penelitian ini merupakan penelitian survei dengan pendekatan kuantitatif.
Penelitian ini dilaksanakan pada bulan Mei hingga Juli 2019 dengan populasi
mahasiswa S1 Pendidikan Matematika di Yogyakarta yang telah atau sedang
menempuh mata kuliah Aljabar Abstrak pada semester genap tahun akademik
2018/2019. Analisis data penelitian ini menggunakan analisis Partial Least
Squares Structural Equation Modelling (PLS-SEM).
Hasil penelitian ini adalah sebagai berikut. (1) Kemampuan pembuktian
mahasiswa Pendidikan Matematika di Yogyakarta masih rendah. Rerata
kemampuan pembuktian mahasiswa pada mata kuliah Aljabar Abstrak hanya
mencapai 47,94 dengan indikator kemampuan verifikasi mencapai skor 53,15;
kemampuan reasoning mencapai 46,18; kemampuan mengkomunikasikan
mencapai 50,66; dan kemampuan sistematisasi mencapai 50,61. Kemampuan
berpikir kreatif masih rendah dengan rerata 43,46 dengan indikator kemampuan
flexibility mencapai 45,28; kemampuan fluency mencapai 42,41; kemampuan
originality mencapai 59,73; dan kemampuan elaboration mencapai skor 43,95.
Self-efficacy mahasiswa Pendidikan Matematika di Yogyakarta berada pada
kategori sedang. (2) Self-efficacy berpengaruh positif dan signifikan terhadap
kemampuan pembuktian mahasiswa dengan prediktor dominan keyakinan
mahasiswa dalam menguasai situasi atau konsep pembuktian. (3) Self-efficacy
berpengaruh positif dan signifikan terhadap kemampuan berpikir kreatif dengan
prediktor dominan keyakinan mahasiswa terhadap kemampuannya mendapatkan
hasil yang positif di semua aktivitas yang dilakukan. (4) Kemampuan berpikir
kreatif tidak berpengaruh terhadap kemampuan pembuktian mahasiswa.
Kata Kunci: kemampuan berpikir kreatif, kemampuan pembuktian, selfefficacyFitri Ni'matul MaslahahAgus Maman Abadiagusmaman@uny.ac.id2019-10-15T07:19:45Z2019-10-15T07:19:45Zhttp://eprints.uny.ac.id/id/eprint/66159This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/661592019-10-15T07:19:45ZKeefektifan Pembelajaran Kontekstual dan
Pembelajaran Berbasis Masalah Ditinjau dari Literasi Matematika, Penalaran
Matematika, dan Self esteem Peserta Didik SMAPenelitian ini bertujuan untuk mengetahui: 1) keefektifan pembelajaran
kontekstual ditinjau dari literasi matematika, penalaran matematika, dan self esteem
peserta didik SMA; 2) keefektifan pembelajaran berbasis masalah ditinjau dari
literasi matematika, penalaran matematika, dan self esteem peserta didik SMA; dan
3) perbedaan keefektifan antara pembelajaran kontekstual dan pembelajaran
berbasis masalah ditinjau dari literasi matematika, penalaran matematika, dan self
esteem peserta didik SMA.
Jenis penelitian ini adalah eksperimen semu dengan pretest-posttest
nonequivalent group design yang menggunakan dua kelompok eksperimen. Sampel
dalam penelitian ini adalah kelas X IPA 2 dan X IPA 3 berasal dari subjek penelitian
peserta didik kelas X SMA N 1 Bantul. Instrumen yang digunakan dalam penelitian
ini adalah instrumen pretes dan postes kemampuan literasi matematika, pretes dan
postes kemampuan penalaran matematika, dan angket self esteem. Kriteria
keefektifan dalam penelitian ini didasarkan pada: 1) rata-rata hasil postes
kemampuan literasi matematika, postes kemampuan penalaran matematika, dan
angket akhir self esteem lebih dari 75 dan 2) rata-rata hasil postes lebih tinggi
dibandingkan pretes untuk kemampuan literasi matematika dan kemampuan
penalaran serta rata-rata hasil skor angket akhir self esteem lebih tinggi
dibandingkan skor angket awal.
Berdasakan uji hipotesis menggunakan taraf signifikansi 5% dapat
disimpulkan bahwa: (1) pembelajaran kontekstual efektif ditinjau dari kemampuan
literasi matematika dan kemampuan penalaran matematika, namun tidak efektif
ditinjau dari self esteem peserta didik SMA; (2) pembelajaran berbasis masalah
efektif ditinjau dari kemampuan literasi matematika dan kemampuan penalaran
matematika, namun tidak efektif ditinjau self esteem peserta didik SMA; (3) tidak
terdapat perbedaan keefektifan antara pembelajaran kontekstual dan pembelajaran
berbasis masalah ditinjau dari literasi matematika, penalaran matematika, dan self
esteem peserta didik SMA.
Kata Kunci: literasi matematika, penalaran matematika, self esteem,
pembelajaran kontekstual, pembelajaran berbasis masalah.Gamarina Isti RatnasariAgus Maman Abadiagusmaman@uny.ac.id2018-07-12T05:39:14Z2019-01-30T16:39:19Zhttp://eprints.uny.ac.id/id/eprint/57604This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/576042018-07-12T05:39:14ZKLASIFIKASI OPINI PENGGUNA LAYANAN INDOSAT DI JEJARING
SOSIAL TWITTER MENGGUNAKAN ALGORITMA NAÏVE BAYES
CLASSIFIERPerkembangan teknologi informasi dan komunikasi di Indonesia semakin
meningkat seiring dengan perkembangan zaman. Berbagai perusahaan penyedia
jasa layanan komunikasi di Indonesia telah berkembang, salah satunya adalah PT
Indonesian Satellite Corporation Tbk. (Indosat). Indosat terus meningkatkan
kualitas layanan untuk tetap dapat bersaing dengan penyedia layanan seluler yang
lain. Opini pengguna terhadap layanan Indosat dapat dilihat melalui jejaring sosial
Twitter dalam bentuk tweet, baik opini positif maupun opini negatif. Penelitian ini
dilakukan dengan tujuan untuk mengetahui respon pengguna terhadap kualitas
layanan Indosat dengan mengklasifikasi opini positif dan negatif pengguna
layanan Indosat di jejaring sosial Twitter.
Penelitian ini menggunakan data opini yang berasal dari crawling data
Twitter dengan Indosat sebagai kata kunci. Setelah crawling data dilakukan
penyaringan sehingga menyisakan sebanyak 524 dari 1000 data tweet. Salah satu
algoritma yang digunakan untuk klasifikasi opini yaitu Naïve Bayes. Naïve Bayes
Classifier merupakan metode Machine Learning sederhana yang berbasis
probabilistik. Metode ini mengklasifikasikan suatu opini berdasarkan nilai
maksimum dari posterior probabilities yang diperoleh melalui peluang setiap
kelas (prior probabilities) dan peluang setiap kata yang muncul (conditional
probabilities) pada data latih.
Hasil penelitian menunjukkan tahapan pengklasifikasian data teks yaitu
pelabelan tweet, praproses, pembagian data, pemodelan dan pengujian hasil
klasifikasi. Hasil klasifikasi terbaik yaitu menggunakan 70% data latih dan 30%
data uji dengan tingkat akurasi sebesar 85,98%, presisi pada kelas positif sebesar
78,57% dan kelas negatif sebesar 87,60%, recall pada kelas positif sebesar
57,89% dan kelas negatif sebesar 94,96% dengan total kesalahan hasil prediksi
sebanyak 22 data. Berdasarkan hasil klasifikasi, analisis opini pengguna layanan
Indosat adalah opini negatif. Hal ini berarti layanan Indosat belum sepenuhnya
memuaskan pengguna.
Kata kunci: Indosat, Twitter, Klasifikasi Opini, Naïve Bayes.Afrida Dzul 'arofahAgus Maman Abadiagusmaman@uny.ac.id2018-05-09T02:34:29Z2019-01-30T16:21:55Zhttp://eprints.uny.ac.id/id/eprint/56806This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/568062018-05-09T02:34:29ZANALISIS MODEL SISTEM SUSPENSI SEPEDA MOTOR DENGAN
METODE RUNGE-KUTTA ORDE EMPATSistem suspensi adalah bagian sepeda motor yang berfungsi menyerap
getaran dan kejutan dari permukaan jalan sehingga meningkatkan keamanan dan
kenyamanan saat berkendaraan. Sepeda motor biasanya menggunakan sistem
mono shockbreaker yang dianalogikan dengan sistem satu pegas, dan double
shockbreaker yang dianalogikan dengan sistem dua pegas yang disusun secara
paralel. Penelitian ini bertujuan untuk menganalisis model sistem suspensi sepeda
motor double shockbreaker bekerja tanpa gaya luar menggunakan sistem suspensi
pasif, data yang digunakan berasal dari percobaan damper tester, kemudian model
dianalisis menggunakan metode analitik dan Runge-Kutta orde empat secara
numerik.
Penelitian ini menggunakan data pengamatan shockbreaker yaitu data
pengukuran konstanta pegas dan konstanta redaman untuk sistem suspensi pasif
dengan melakukan damper tester menggunakan 4 beban yang berbeda. Proses
analisis model sistem suspensi menggunakan Matlab R2013a, dengan variabel
input yaitu konstanta pegas, konstanta redaman, dan massa beban. Metode analisis
menggunakan metode analitik dan metode Runge-Kutta orde empat. Sedangkan
output yang dihasilkan adalah konstanta 2 pegas, perubahan panjang pegas, rasio
redaman, redaman optimal suspensi, dan grafik defleksi pegas terhadap waktu.
Model sistem suspensi ini menggunakan solusi persamaan diferensial untuk
kondisi suspensi under damped, yaitu sistem suspensi akan berisolasi beberapa
saat sebelum mencapai posisi kesetimbangan. Oleh karena itu, mengakibatkan
tingkat redaman sepeda motor yang terjadi belum optimal. Penelitian ini
menemukan redaman optimal untuk setiap model sistem suspensi. Tingkat
keakuratan metode Runge-Kutta orde empat untuk analisis model suspensi cukup
tinggi dengan galat < 0,1 dan waktu analisis lebih cepat daripada metode analitik.
Penelitian selanjutnya dapat menggunakan metode atau variabel input lain untuk
hasil analisis lebih akurat.Umi Nurofi’atinAgus Maman Abadiagusmaman@uny.ac.id2018-04-23T04:07:49Z2019-01-30T16:17:30Zhttp://eprints.uny.ac.id/id/eprint/56622This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/566222018-04-23T04:07:49ZAPLIKASI MODEL WAVELET – FUZZY SYSTEM UNTUK PREDIKSI BANYAK
PENUMPANG KERETA API DAOP VI YOGYAKARTAKereta api adalah salah satu sarana transportasi angkutan umum yang ramai digunakan,
transportasi merupakan suatu kebutuhan penting untuk masyarakat dalam beraktifitas.
Dalam menunjang peningkatan kualitas transportasi umum dibutuhkan suatu analisi berupa
prediksi banyak penumpang kedepannya. Salah satu model yang dapat digunakan untuk
memprediksi banyak penumpang kereta api adalah wavelet-fuzzy system. Penelitian ini
bertujuan untuk memprediksi banyak penumpang kereta api di DAOP VI Yogyakarta
menggunakan wavelet-fuzzy system dan mendeskripsikan tingkat keakuratan model dalam
memprediksi banyak penumpang kereta api.
Pemodelan wavelet-fuzzy System Takagi Sugeno Kang (TSK) orde satu diawali dengan
transformasi data banyak penumpang kereta api kedalam transformasi wavelet. Dilakukan
pembagian data traning dan dan testing. Data traning digunakan sebagai pembentuk sistem,
sedangkan data testing adalah data yang akan diuji mmenggunakan sistem yang telah
dibentuk pada data traning. Untuk membentuk sistem pada traning ditentukan variabel
input dan output dengan menggunakan Autocorrelation Function (ACF) dan Parcial
Autocorrelation Function (PACF). Selanjutnya dibentuk fungsi keanggotaan fuzzy pada
himpunan tegas, proses ini disebut fuzzifikasi. Nilai fuzzy yang terbentuk kemudian akan
mejadi sebuah rule. Rule tersebut nantinya akan menghasilkan output suatu SPL untuk
menyelesaikan SPL yang didapatkan digunakan Dekomposisi Nilai Singular (DNS).
Kemudian dilakukan defuzzifikasi untuk mendapatkan hasil prediksi.
Hasil penelitian menunjukan bahwa prediksi banyak penumpang kereta api dengan
wavelet - fuzzy system dengan input berupa lag 1 dan lag 2 mendapatkan hasil MAPE dan
MSE untuk data traning dan testing berturut turut adalah 9,08%, 3,2137Reinaldy Luthfi FuadyAgus Maman Abadiagusmaman@uny.ac.id2018-04-04T02:21:18Z2019-01-30T16:12:15Zhttp://eprints.uny.ac.id/id/eprint/56394This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/563942018-04-04T02:21:18ZMODEL ADAPTIVE NEURO FUZZY INFERERENCE SYSTEM (ANFIS)
MENGGUNAKAN DEKOMPOSISI NILAI SINGULAR UNTUK
DIAGNOSIS KANKER LAMBUNGKanker lambung merupakan salah satu jenis kanker yang menjadi salah satu
penyebab utama kematian di dunia. Oleh karena itu, deteksi dini kanker lambung
perlu dilakukan untuk mengurangi jumlah kasus kematian yang disebabkan oleh
kanker lambung. Adaptive Neuro Fuzzy Inference System (ANFIS) merupakan
gabungan model neural network dan logika fuzzy yang dapat digunakan untuk
mendeteksi dini kanker lambung. Penelitian ini bertujuan untuk menjelaskan
langkah-langkah pembentukan model ANFIS menggunakan dekomposisi nilai
singular untuk diagnosis kanker lambung.
Tahap awal pembentukan model ANFIS untuk mendiagnosis kanker lambung
adalah mengubah tipe gambar endoscopy lambung jpg menjadi tipe gambar rgb.
Selanjutnya adalah melakukan proses preprocessing dengan menggunakan high
frequency emphasis filter dan histogram equalization. Tahap selanjutnya adalah
melakukan ekstraksi dengan 2 metode yaitu metode Gray Level Run Length Matrix
(GLRLM) dan Gray Level Coo-Ocurance Matrix (GLCM) yang diseleksi
menggunakan regresi backward sehingga dihasilkan 6 faktor spesifik untuk
ekstraksi fitur GLRLM dan 8 faktor spesifik untuk ekstraksi fitur GLCM. Faktorfaktor
tersebut kemudian dijadikan input pada model ANFIS. Selanjutnya,
membagi data menjadi 2 bagian yaitu 80% data training dan 20% data testing.
Variabel output adalah hasil diagnosis kanker lambung yaitu normal, stadium I,
stadium II, stadium III, dan stadium IV. Pembelajaran ANFIS terbagi menjadi 6
tahapan, yaitu melakukan pengelompokkan dengan algoritma Fuzzy C-Means
(FCM), selanjutnya menentukan derajat keanggotaan, menentukan neuron tetap,
menentukan bobot normalized firing strength, menentukan parameter konsekuen
menggunakan dekomposisi nilai singular, serta menentukan output jaringan akhir.
Berdasarkan tahapan-tahapan pembentukan model ANFIS untuk diagnosis
kanker lambung, diperoleh model ANFIS terbaik dengan 14 cluster untuk ekstraksi
fitur GLRLM dan 21 cluster untuk GLCM. Tingkat persentase akurasi, sensitivitas,
dan spesifisitas model ANFIS untuk ekstraksi fitur GLRLM dan GLCM secara
berurutan adalah 100%, 100%, 100% untuk data training dan 100%, 100%, 100%
untuk data testing. Sistem fuzzy yang telah terbentuk dikonstruksi dengan Graphical
User Interface (GUI).Ghina ArifianaAgus Maman Abadiagusmaman@uny.ac.id2018-04-04T02:20:19Z2019-01-30T16:12:11Zhttp://eprints.uny.ac.id/id/eprint/56391This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/563912018-04-04T02:20:19ZAPLIKASI SISTEM FUZZY SUGENO ORDE SATU MENGGUNAKAN METODE DEKOMPOSISI NILAI SINGULAR UNTUK DIAGNOSIS KANKER KOLOREKTALKanker kolorektal atau kanker usus besar (kolon) dan usus pembuangan akhir (rektum) merupakan salah satu kanker penyebab kematian tertinggi di dunia. Oleh karena itu, deteksi dini sangat penting dilakukan untuk menekan kasus kematian dan mempermudah penyembuhan kanker kolorektal. Salah satu cara deteksi dini yakni menggunakan colonoscopy. Penelitian ini bertujuan untuk menjelaskan prosedur pemodelan dan ketepatan hasil diagnosis kanker kolorektal menggunakan sistem fuzzy Sugeno orde satu dengan penentuan parameter pada konsekuen menggunakan metode dekomposisi nilai singular.
Penelitian diawali denganimage preprocessingdari data colonoscopydengan menggunakan High Frequency Emphasis Filter (HFEF) dan Histogram Equalization. Kemudian ekstraksi gambar menggunakan metode Gray Level Co-occurrence Matrix (GLCM) dan Gray Level Run Length Matrix (GLRLM). Hasil ekstraksi diseleksi menggunakan regresi stepwiseuntuk memperoleh variabel input yang signifikan yaitu autocorrelation, energy, entropy, max. probability, sum of square, difference variance, sum entropy, dan INF2 untuk ekstraksi GLCM. Sedangkan untuk ekstraksi GLRLM yaitu LRE, GLN, RP, RLN, dan LGRE. Variabel output berupa normal, stadium 1, stadium 2, stadium 3, dan stadium 4.Aturan fuzzy dibentuk menggunakan FCM (Fuzzy C-Means Clustering). Proses inferensi fuzzy menggunakan metode Sugeno orde satu dengan penentuan parameter pada konsekuen menggunakan dekomposisi nilai singular serta metode weight average untuk proses defuzzifikasi. Pembagian data menggunakan 80 data training dan 20 data testing.
Hasil defuzzifikasi data training menunjukkan tingkat akurasi, sensitivitas, dan spesifikasi untuk ekstraksi GLCM adalah 98,75%, 100%, dan 100% serta untuk ekstraksi GLRLM tingkat akurasi, sensitivitas, dan spesifikasimasing-masing adalah 100%. Sedangkan hasil defuzzifikasi data testing baik untuk ekstraksi GLCM maupun GLRLM masing-masing menunjukkan tingkat akurasi, sensitivitas, dan spesifikasi berturut-turut adalah 100%, 100%, dan 100%. Sistem fuzzy yang telah terbentuk dilengkapi dengan GUI (Graphical User Interface) untuk merepresentasikan hasil penelitian. Berdasarkan hasil penelitian dapat disimpulkan bahwa diagnosis kanker kolorektal menggunakan sistem fuzzy Sugeno orde satu dengan metode ekstraksi GLRLM memiliki akurasi yang lebih baik dibandingkan dengan ekstraksi GLCM.Nurul AnggraeniAgus Maman Abadiagusmaman@uny.ac.id2018-02-26T02:09:34Z2019-01-30T15:57:31Zhttp://eprints.uny.ac.id/id/eprint/55484This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/554842018-02-26T02:09:34ZPERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN WAVELET ADAPTIVE NEURO FUZZY INFERENCE SYSTEMIndeks Harga Saham Gabungan (IHSG) adalah nilai representatif dari semua harga saham yang tercatat di Bursa Efek Indonesia (BEI). Oleh karena itu, IHSG dapat dimanfaatkan oleh investor untuk memantau pergerakan serta perkembangan harga saham di Indonesia. Tujuan dari penelitian ini adalah menggunakan model wavelet adaptive neuro fuzzy inference system (WANFIS) untuk memprediksi nilai IHSG dimasa mendatang sehingga diharapkan mempermudah pelaku pasar dalam melakukan aksi jual-beli IHSG. WANFIS merupakan pengabunggan metode antara transformasi wavelet dengan adaptive neuro fuzzy inference system (ANFIS).
Dalam penelitian ini, prediksi berdasarkan data IHSG yang telah diekstraksi dan menghasilkan 9 variabel input dengan 119 pasang data ditinjau dari jumlah lag yang keluar dalam grafik ACF, selanjutnya 119 pasang data input dibagi menjadi 80 pasang data latih dan 39 pasang data uji . Sebelum 9 variabel input digunakan untuk input pada model ANFIS ke 9 variabel di kelompokkan dengaan algoritma fuzzy c mean, dari masing-masing input didefinisikan dalam tiga himpunan fuzzy yang direpresentasikan menggunakan kurva generalized bell.
Hasil dari model wavelet adaptive neuro fuzzy inference sytem dengan dekomposisi Mother Haar dan Sugeno diperoleh keakuratan data latih dengan nilai MAPE 5,02%,serta keakuratan data uji dengan nilai MAPE 3,71%. Selanjutnya model yang telah dibuat digunakan untuk memprediksi nilai IHSG dalam kurun waktu 6 bulan kedepan.Muhammad MasyhudaAgus Maman Abadiagusmaman@uny.ac.id2018-01-15T02:28:03Z2019-01-30T15:49:31Zhttp://eprints.uny.ac.id/id/eprint/54926This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/549262018-01-15T02:28:03ZPENERAPAN QR CODE YANG DILENGKAPI
ALGORITMA REED-SOLOMON CODE SEBAGAI ERROR CORRECTION
PADA SISTEM PEMESANAN DI INDUSTRI RETAILQR Code merupakan matrix code atau barcode 2 dimensi. Encode data merupakan
proses input data menjadi sebuah QR Code. QR Code dapat menyimpan data secara
horizontal dan vertikal sehingga dapat menyimpan banyak data. Denso Wave Inc sebagai
pemegang hak paten telah mengembangkan QR Code hingga ke berbagai macam industri.
Jepang dan Korea telah memanfaatkan QR Code ke dalam industri kuliner dan pertanian.
Pengembangan QR Code di dunia retail telah dimulai dengan menempelkan QR Code
pada setiap produk yang dijual. Retail pada umumnya masih menggunakan cara
konvensional dalam pemesanan. Berbelanja di sebuah store menghabiskan banyak waktu
menjadikan retail akan menghadapi tantangan dengan persaingan bisnis online.
Penelitian ini mendeskripsikan bahwa QR Code perlu dilengkapi mekanisme untuk
mengecek kesalahan data, sehingga diperlukan algoritma error correction. Pada
umumnya QR Code menggunakan algoritma Reed-Solomon Code sebagai error
correction. Encoding pada Reed-Solomon Code menggunakan penerapan lapangan
berhingga GF( ) dengan ℤ [ ]. Decoding pada Reed-Solomon Code meliputi
menghitung syndrome, menghitung polinomial error locator, mencari posisi error dan
menghitung error value. Proses encode data pada QR Code meliputi menentukan tipe
data, mengubah data ke dalam bentuk biner, mengubah data ke dalam bentuk desimal,
alokasi data, penentuan pola data dan penentuan format informasi data.
Hasil penelitian menunjukkan bahwa proses encode data pada Reed-Solomon Code
menggunakan lapangan berhingga GF(256). Pengaruh penggunaan algoritma error
correction pada QR Code membuat data yang mengalami kerusakan hingga 30% masih
dapat dibaca oleh mesin pemindai. Penggunaan error correction membuat QR Code
dapat diterapkan dengan aman sebagai sistem pemesanan pada industri retail. QR Code
menyimpan link website yang memuat daftar belanja pelanggan. Daftar belanja terdiri
dari kode barang, nama barang, harga dan total pembayaran.Yuda Ricky DamaraAgus Maman Abadiagusmaman@uny.ac.idMusthofa Musthofa2017-10-12T01:36:40Z2019-01-30T15:19:12Zhttp://eprints.uny.ac.id/id/eprint/53210This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/532102017-10-12T01:36:40ZOPTIMASI ATURAN FUZZY DALAM SISTEM FUZZY SUGENO ORDE
NOL DENGAN FUZZY C-MEANS CLUSTERING PADA DIAGNOSIS
KANKER OTAKKanker otak adalah salah satu jenis kanker yang terjadi di Indonesia
dengan tingkat kematian yang cukup tinggi dengan angka kejadian 1,9 per
100.000 penduduk pada tahun 2012, sedangkan angka mortalitas kanker otak
sebanyak 1,3 per 100.000 penduduk. Oleh karena itu, diperlukan adanya deteksi
dini dan diagnosis kanker otak. Salah satu cara untuk mendeteksi kanker otak
adalah dengan magnetic resonance images (MRI). Tujuan dari penelitian ini
adalah menjelaskan langkah-langkah penerapan fuzzy c-means clustering pada
sistem fuzzy sugeno orde nol untuk diagnosis kanker otak dan mengetahui tingkat
ketepatan dari sistem fuzzy sugeno orde nol.
Penelitian ini menggunakan 114 data hasil ekstraksi data MRI yang terdiri
dari 90 data latih dan 24 data uji. Sistem fuzzy yang digunakan adalah sistem fuzzy
sugeno orde nol dengan 14 variabel input, yaitu contrast, correlation,
dissimilarity, energy, entropy, homogeneity, max. probability, sum of squares,
sum average, sum variance, sum entropy, diff. variance, diff. entropy, IDM.
Sedangkan outputnya terbagi menjadi dua, yaitu otak normal dan otak kanker.
Untuk mengoptimalkan keakurasian sistem maka digunakan fuzzy c-means
clustering dalam membangun aturan fuzzy dan metode weight average untuk
proses defuzzifikasi. Data latih dikelompokkan menjadi 50 cluster menggunakan
fuzzy c-means clustering, kemudian hasil keluarannya berupa pusat cluster
digunakan untuk membangun aturan fuzzy.
Tingkat keakurasian, sensitivitas, dan spesifikasi dari sistem fuzzy sugeno
orde nol masing-masing 92,22%, 93,33%, dan 91,11% untuk data latih. Untuk
data uji dihasilkan keakurasian 75%, sensitivitas 50%, dan spesifikasi 100%.
Keakurasian, sensitivitas, dan spesifikasi menggunakan Radial Basis Function
Neural Network (RBFNN) untuk data latih masing-masing 83,33%, 82,9789%,
86,0465%, sedangkan pada data uji dihasilkan keakurasian 91,66%, sensitivitas
85,7142%, dan spesifikasi 100%. Bila dibandingkan dengan penelitian
sebelumnya, hasil yang diperoleh untuk data latih dapat dikatakan lebih baik,
sedangkan untuk data uji hasil yang diperoleh dengan metode RBFNN lebih baik
dan untuk sistem sugeno orde nol masih diperlukan perbaikan guna meningkatkan
keakurasian.Dwi CahyaningsihAgus Maman Abadiagusmaman@uny.ac.id2017-10-09T02:19:39Z2019-01-30T15:18:09Zhttp://eprints.uny.ac.id/id/eprint/53146This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/531462017-10-09T02:19:39ZAPLIKASI RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN)
UNTUK DIAGNOSIS PENYAKIT JANTUNGPenyakit Jantung (cardiovascular disease) adalah setiap kondisi yang
menyebabkan gangguan terhadap jantung. Penyakit jantung merupakan penyakit
pembunuh nomor satu di dunia. Pada tahun 1990 tercatat sebanyak 14,4 juta kematian
akibat serangan jantung. Penelitian ini bertujuan untuk mendiagnosiskan kondisi
jantung berdasarkan rekaman detak jantung dari alat Phonocardiogram (PCG)
menggunakan metode Radial Basis Function Neural Network (RBFNN).
Penelitian ini menggunakan 50 data rekaman PCG yang selanjutnya dianalisis
hingga didapatkan hasil diagnosisnya. Proses ekstraksi sinyal dengan dekomposisi
wavelet mother haar menghasilkan 4 fitur yang akan digunakan sebagai variabel input
yaitu energy, minimum, maksimum, dan standar deviasi. Pembagian data training dan
testing yaitu 80% berbanding 20%. Algoritma K-means clustering digunakan dalam
menentukan pusat dan jarak cluster. Sedangkan output yang dihasilkan adalah
diagnosis untuk kondisi jantung (normal atau abnormal).
Model RBFNN yang menghasilkan diagnosis terbaik diperoleh dengan 4
neuron pada lapisan input, 9 neuron pada lapisan tersembunyi, dan 1 neuron output.
Analisis ketepatan hasil menunjukkan tingkat sensitivitas pada data training sebesar
100% artinya untuk pasien yang memiliki penyakit jantung kemungkinan model
RBFNN mengklasifikasi dengan tepat adalah sebesar 100%. Spesifisitas data training
85% artinya untuk pasien yang tidak memiliki penyakit jantung kemungkinan model
RBFNN mengklasifikasi dengan tepat adalah sebesar 85%. Nilai akurasi pada data
training 92.5% artinya hasil klasifikasi dengan model RBFNN akurat sebesar 92.5%,
baik untuk pasien yang tidak memiliki penyakit jantung (normal), maupun yang
memiliki penyakit jantung. Pada data testing, tingkat sensitivitas 100% artinya untuk
pasien yang memiliki penyakit jantung kemungkinan model RBFNN mengklasifikasi
dengan tepat adalah sebesar 100%. Spesifisitas data testing 80% artinya untuk pasien
yang tidak memiliki penyakit jantung kemungkinan model RBFNN mengklasifikasi
dengan tepat adalah sebesar 80%. Akurasi pada data testing 90% artinya hasil
klasifikasi dengan model RBFNN akurat sebesar 90%, baik untuk pasien yang tidak
memiliki penyakit jantung (normal), maupun yang memiliki penyakit jantung.Muhammad Najib ZulikhanAgus Maman Abadiagusmaman@uny.ac.id2017-10-04T02:48:45Z2019-01-30T15:14:42Zhttp://eprints.uny.ac.id/id/eprint/53042This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/530422017-10-04T02:48:45ZOPTIMASI RULE PADA MODEL FUZZY DENGAN MENGGUNAKAN
FUZZY C-MEANS (FCM) CLUSTERING UNTUK
DIAGNOSIS KANKER PAYUDARAKanker menjadi penyebab kematian nomor 7 dari seluruh penyebab
kematian di Indonesia. Estimasi insiden kanker payudara di Indonesia sebesar 40
per 100.000 perempuan. Jenis kanker tertinggi pasien rawat inap di rumah sakit
seluruh Indonesia tahun 2010 adalah kanker payudara yakni 28,7%. Oleh karena
itu, diperlukan adanya deteksi dini dan diagnosis payudara. Salah satu cara yakni
menggunakan sistem fuzzy. Tujuan dari penelitian ini adalah menerapankan Fuzzy
C-Means (FCM) clustering dalam optimasi rule pada sistem fuzzy mamdani untuk
diagnosis kanker payudara dan mengetahui keakurasian dari sistem fuzzy tersebut.
Penelitian mengenai optimasi rule pada sistem fuzzy dalam mendiagnosis
kanker payudara menggunakan FCM clustering, diawali dengan membagi 200
data menjadi 160 data latih dan 40 data uji. Data yang digunakan berdasarkan
Wisconsin Diagnostic Breast Cancer. Selanjutnya melakukan clustering dengan
menggunakan metode Fuzzy C-Means. Hasil clustering yang berupa pusat cluster
selanjutnya digunakan untuk membangun aturan dalam Fuzzy Inference System
(FIS) Mamdani. Input yang digunakan terdiri dari 10 variabel yaitu radius, tekstur,
perimeter, area, smoothness, compactness, concavity, concave points, symmetry,
dan fractal dimension. Variabel output terbagi menjadi dua, yaitu tumor dan
kanker. Proses defuzzifikasi menggunakan metode centroid. FIS yang terbentuk
dapat digunakan untuk mendiagnosis kanker payudara.
Hasil dari penelitian ini memiliki tingkat akurasi sebesar 91% untuk data
latih dan tingkat akurasi untuk data uji sebesar 92,5%. Jumlah rule yang
digunakan dalam membangun rule sebanyak 10 rules, lebih efisien jika
dibandingkan dengan jumlah rule pada table look-up scheme yaitu sebanyak 160
rules.Triyani SusilowatiAgus Maman Abadi2017-08-29T01:40:21Z2019-01-30T14:59:53Zhttp://eprints.uny.ac.id/id/eprint/52528This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/525282017-08-29T01:40:21ZANALISIS DURASI NYALA LAMPU LALU LINTAS
PADA PERSIMPANGAN BERDEKATAN
DENGAN PENERAPAN ALJABAR MAX-PLUSPengaturan durasi nyala lampu lalu lintas pada persimpangan diperlukan
untuk mengatasi kemacetan. Kemacetan dapat terjadi jika perhitungan durasi nyala
lampu lalu lintas yang digunakan kurang tepat. Tujuan dari penelitian ini adalah
untuk menentukan durasi nyala lampu lalu lintas dan menganalisis hasil
perhitungan durasi nyala lampu lalu lintas yang didapatkan.
Persimpangan yang dipilih adalah Persimpangan Tungkak dan
Persimpangan Karang Tunggal, Yogyakarta dengan kondisi lalu lintas pada waktu
sibuk pagi (pukul 07.30 – 09.30 WIB). Data diperoleh dari pengamatan langsung
di persimpangan. Pengaturan durasi nyala lampu lalu lintas ini dengan
menggunakan penerapan Aljabar Max-Plus. Ada tiga input yang digunakan yaitu
waktu menyala lampu hijau masing-masing simpang, fase clear antar simpang dan
waktu antar persimpangan. Perhitungan durasi nyala lampu lalu lintas dengan
bantuan software Matlab. Hasil perhitungan tersebut dianalisis dengan
mempertimbangkan fase persimpangan dan membandingkan hasil perhitungan
dengan data awal.
Hasil yang diperoleh pada Persimpangan Tungkak yaitu durasi nyala lampu
hijau tetap sama sedangkan durasi nyala lampu merah dari arah utara 100 detik
menjadi 93 detik, dari arah timur 92 detik menjadi 84 detik, dari arah selatan 105
detik menjadi 97 detik, dan dari arah barat 95 detik menjadi 89 detik. Hasil yang
diperoleh pada Persimpangan Karang Tunggal yaitu durasi nyala lampu hijau dari
arah timur 27 detik menjadi 57 detik, dari arah selatan tetap sama dan dari arah
barat 22 detik menjadi 35 detik sedangkan durasi nyala lampu merah dari arah timur
55 detik menjadi 61 detik, dari arah selatan 61 detik menjadi 95 detik dan dari arah
barat 62 detik menjadi 86 detik. Dari hasil perhitungan ini diperoleh suatu
pengaturan lalu lintas yang lebih efisien pada persimpangan yang terkoordinasi
sehingga dapat mengurangi kemacetan.Rizky Putri Enggal IswatiAgus Maman Abadiagusmaman@uny.ac.idMustofa Mustofa2017-08-22T03:24:16Z2019-01-30T14:54:20Zhttp://eprints.uny.ac.id/id/eprint/52256This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/522562017-08-22T03:24:16ZOPTIMISASI POLA DISTRIBUSI DENGAN LOGIKAFUZZY DAN
ALGORITMA SEMUT PADA PT. SRI ANEKA PANGAN NUSANTARAPT. Sri Aneka Pangan Nusantara merupakan perusahan yang bergerak di
bidang distribusi makanan ringan. Sebagai perusahaan yang bergerak pada
distribusi, optimisasi pendistribusian merupakan penentu utama untung dan
ruginya perusahaan. Untuk mencapai rute yang optimal, maka permasalahan
pendistribusian ini dapat diformulasikan dalam suatu model matematika dengan
memperhatikan harus melalui semua titik tujuan yang lebih dikenal dengan
Travelling Salesman Problem. Tujuan dari penelitian ini yaitu diperoleh
penyelesaian rute optimal pendistribusian PT. Sri Aneka Pangan Nusantara
dengan logika fuzzy dan algoritma semut.
Logika fuzzy yang digunakan dalam penelitian ini adalah metode
mamdani. Logika fuzzy digunakan untuk mengolah nilai panjang jalan, derajat
kejenuhan jalan, dan persentase tingkat kerusakan jalan di Kabupaten Bantul
menjadi suatu nilai lama waktu tempuh. Selanjutnya nilai lama waktu tempuh
tersebut digunakan untuk mencari rute optimum PT. Sri Aneka Pangan Nusantara
dengan algoritma semut. Algoritma semut merupakan algoritma yang diadopsi
dari perilaku koloni semut yang dikenal sebagai sistem semut.
Hasil perhitungan pola distribusi dengan logika fuzzy dan algoritma semut
yang dilakukan secara manual dan dengan software Matlab R2013a, diperoleh
nilai waktu optimal yaitu 3,1 jam. Hasil tersebut lebih kecil dibandingkan dengan
rute distribusi yang sering digunakan oleh PT. Sri Aneka Pangan Nusantara saat
ini yaitu 3,5 jam dengan selisih nilai lama waktu yaitu 0,4 jam. Berdasarkan hasil
perhitungan, dapat disimpulkan bahwa perhitungan rute distribusi dengan logika
fuzzy dan algoritma semut lebih optimal daripada rute distribusi saat ini.
Kata kunci: Travelling Salesman Problem, logika fuzzy, metode mamdani,
algoritma semut.Rizka Nur PratiwiAgus Maman Abadiagusmaman@uny.ac.idEmut Emut2017-08-11T07:05:14Z2019-01-30T14:43:50Zhttp://eprints.uny.ac.id/id/eprint/51770This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/517702017-08-11T07:05:14ZDIAGNOSA KANKER OTAK MENGGUNAKAN RADIAL BASIS
FUNCTION NEURAL NETWORK (RBFNN)Kanker otak merupakan salah satu kanker berbahaya yang dapat
menyerang siapapun. Oleh karena itu, deteksi dini perlu dilakukan agar kanker
otak dapat ditangani dengan cepat. Radial basis function Neural Network adalah
salah satu model Neural Network yang dapat digunakan untuk diagnosa kanker
otak. Penelitian ini bertujuan untuk menjelaskan prosedur dan mengetahui
ketepatan hasil diagnosa kanker otak menggunakan model RBFNN.
Penelitian ini menggunakan 114 data citra Magnetic Resonance Imange
otak. Prosedur diagnosa kanker otak menggunakan RBFNN adalah melakukan
pengolahan citra berupa cropping dan penghilangan background hitam. Kemudian
dilakukan ekstraksi citra untuk mendapatkan fitur citra, yakni energi, kontras,
korelasi, sum of squares, IDM, sum average, sum variance, sum entropy, entropi,
difference variance, difference entropy, probabilitas maksimum, homogenitas, dan
dissimilarity menggunakan Gray Lever Co-occurance Matrix. Variabel input
berupa 14 fitur hasil ekstrasi citra dan variabel output berupa vektor yang
mewakili klasifikasi kanker otak. Pembagian data dibagi menjadi 2, yakni 90 data
training dan 24 data testing. Sebelum dilakukan pembelajaran, data dinormalisasi.
Pembentukan model terbaik dilakukan dengan menentukan banyaknya neuron
lapisan tersembunyi yang menghasilkan akurasi tertinggi dan menentukan bobot
dengan kriteria Generalised Cross-Validation pada Global Ridge Regression.
Fungsi aktivasi lapisan tersembunyi adalah Gaussian.
Diagnosa kanker otak menggunakan modal RBFNN menghasilkan
jaringan terbaik dengan 14 neuron lapisan input, 10 neuron lapisan tersembunyi,
dan 1 neuron lapisan output. Ketepatan hasil diagnosa dilihat dari nilai
sensitivitas, spesifisitas, dan akurasi. Nilai sensitivitas, spesifisitas, dan akurasi
pada data training secara berurutan adalah 84,4444%, 82,2222%, dan 83,3333%,
sedangkan 100%, 83,3333%, dan 91,6666% untuk data testing.
Kata kunci: Radial Basis Function Neural Network, gray Lever Co-occurance
matrix, diagnosa kanker otak.Dewi ImawatiAgus Maman Abadiagusmaman@uny.ac.id2017-08-03T00:57:39Z2019-01-30T14:38:36Zhttp://eprints.uny.ac.id/id/eprint/51193This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/511932017-08-03T00:57:39ZAPLIKASI GRUP KRISTALOGRAFI UNTUK PEMBENTUKAN MOTIF BATIK YANG DIIMPLEMENTASIKAN DENGAN GRAPHICAL USER INTERFACE (GUI)Batik merupakan salah satu seni budaya yang telah diakui dunia sebagai warisan kemanusiaan untuk budaya lisan dan non-bendawi oleh UNESCO sejak Oktober tahun 2009. Oleh karena itu, batik merupakan salah satu warisan seni budaya yang patut dilestarikan dan dikembangkan. Beberapa penelitian sudah dilakukan dalam pengembangan motif batik. Salah satunya adalah dengan memanfaatkan grup kristalografi. Namun, pada penelitian tersebut motif batik yang dihasilkan kurang beragam. Oleh karena itu tujuan dari penelitian ini adalah untuk membentuk motif batik menggunakan aplikasi grup kristalografi. Pada penelitian ini tahapan-tahapan yang dilakukan adalah: (1) menentukan pola dasar yang akan digunakan untuk membentuk motif batik, (2) mengindentifikasi grup yang termasuk ke dalam grup kristalografi, (3) mengaplikasikan pola dasar ke dalam grup kristalografi, (4) visualisasi menggunakan Graphical User Interface (GUI) pada MATLAB. Hasil penelitian menunjukkan bahwa setiap grup kristalografi dapat dimanfaatkan untuk membentuk motif batik. Namun saat diimplementasikan menggunakan Graphical User Interface (GUI) pada MATLAB, hanya 11 grup yang dapat ditampilkan. Hal ini dikarenakan keterbatasan program yang dibuat dalam memproses suatu pola dasar. Selain itu, tidak semua grup menghasilkan motif yang berbeda. Terdapat beberapa grup yang menghasilkan motif yang sama yaitu grupHammam Al FaruqAgus Maman Abadiagusmaman@uny.ac.id2017-08-02T04:26:00Z2019-01-30T14:41:17Zhttp://eprints.uny.ac.id/id/eprint/51321This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/513212017-08-02T04:26:00ZPENERAPAN MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK (FRBFNN) UNTUK KLASIFIKASI STADIUM
KANKER PAYUDARAKanker payudara merupakan penyakit dengan jumlah penderitanya yang semakin meningkat tiap tahunnya. Oleh karena itu deteksi dini kanker payudara memegang peranan penting dalam mengantisipasi penyebaran kanker. Salah satu cara untuk mendeteksi kanker payudara adalah dengan fine-needle aspiration (FNA) biopsy. Penggunaan FNA dilakukan oleh University of Wisconsin Hospital dan menghasilkan data yang disebut Wisconsin Breast Cancer Database (WBCD) dan Wisconsin Diagnostic Breast Cancer (WDBC). Untuk mengklasifikasi kanker payudara dapat dilakukan dengan model Fuzzy Radial Basis Function Neural Network (FRBFNN). Penelitian ini bertujuan untuk mengetahui bagaimana performansi metode FRBFNN untuk mengklasifikasikan kanker payudara pada data WBCD dan WDBC tersebut.
Prosedur awal klasifikasi kanker payudara menggunakan model FRBFNN adalah penentuan variabel input berdasarkan hasil dari FNA biopsy yaitu 9 variabel untuk data WBCD dan 10 variabel untuk data WDBC. Sedangkan variabel output adalah hasil klasifikasi kanker payudara yang terdiri dari tumor (benign) dan kanker (malignant). Kemudian dilakukan pembagian data yaitu 80% data training dan 20% data testing. Selanjutnya masuk pada algoritma pembelajaran FRBFNN yang diawali dengan proses fuzzifikasi terhadap variabel input dengan menggunakan fungsi keanggotaan segitiga dengan 3 himpunan fuzzy. Nilai input hasil fuzzifikasi kemudian dinormalisasikan. Langkah terakhir yaitu pembentukan model terbaik dilakukan dengan menentukan banyaknya neuron terbaik pada lapisan tersembunyi yang menghasilkan nilai akurasi tertinggi dengan metode K-Means clustering dan menentukan bobot-bobotnya menggunakan kriteria GCV (Generalised Cross-Validation) pada Global Ridge Regression. Fungsi aktivasi yang digunakan adalah fungsi Gaussian pada lapisan tersembunyi.
Berdasarkan langkah-langkah klasifikasi kanker payudara menggunakan model FRBFNN, diperoleh model FRBFNN terbaik pada data WBCD adalah 9 variabel input, 7 neuron tersembunyi, dan 1 neuron pada lapisan output. Sedangkan pada data WDBC adalah 10 variabel input, 17 neuron tersembunyi, dan 1 neuron pada lapisan output. Tingkat keakurasian model FRBFNN untuk klasifikasi kanker payudara yaitu 97,5% untuk data training dan 100% untuk data testing pada data WBCD, serta 95% training dan 90% testing pada data WDBC.
Kata Kunci: University of Wisconsin Hospital, WBCD, WDBC, Fuzzy Radial Basis Function Neural Nework (FRBFNN), klasifikasi, kanker payudara.Rif’atin Ambar RetnoDhoriva Urwatul WutsqaAgus Maman Abadiagusmaman@uny.ac.id2017-07-24T01:38:32Z2019-01-30T14:32:25Zhttp://eprints.uny.ac.id/id/eprint/50843This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/508432017-07-24T01:38:32ZDETEKSI DINI KANKER PARU DENGAN MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK (FRBFNN) DAN HIGH FREQUENCY EMPHASIS FILTERKanker paru merupakan salah satu jenis kanker yang dalam beberapa dekade ini menjadi salah satu penyebab utama kematian pada semua kasus kanker di seluruh dunia. Oleh karena itu, deteksi kanker paru sejak dini perlu dilakukan untuk menekan kasus kematian pada kanker paru. Fuzzy Radial Basis Function Neural Network (FRBFNN) merupakan gabungan model jaringan saraf tiruan dan logika fuzzy yang dapat digunakan untuk mendeteksi dini kanker paru. Penelitian ini bertujuan untuk menjelaskan langkah-langkah pembentukan model FRBFNN dan ketepatan hasil deteksi dini kanker paru menggunakan model FRBFNN.
Prosedur awal pembentukan model FRBFNN untuk mendeteksi dini kanker paru adalah preprocessing citra dengan melakukan operasi transformasi menggunakan filter high frequency emphasis dan histogram equalization. Selanjutnya, menggunakan metode Gray Level Co-occurrence Matrix (GLCM) untuk mengekstrak 14 fitur second order statistical. Dengan melakukan t-test terpilih 5 fitur yang berbeda signifikan yaitu energy, contrast, correlation, inverse difference moment, dan entropy. Selanjutnya, membagi data menjadi 2 bagian yaitu 80% data training dan 20% data testing. Variabel input yang digunakan adalah 5 fiturr hasil ekstraksi metode GLCM dan variabel output adalah diagnosa dari citra radiography. Pada pembelajaran FRBFNN terbagi menjadi 4 tahap, yaitu melakukan fuzzifikasi dari 5 fitur dengan menggunakan fungsi keanggotaan trapesium, menentukan nilai pusat dan jarak dari fungsi aktivasi gaussian dengan menggunakan K-Means clustering, menentukan jumlah neuron pada lapisan tersembunyi, dan menentukan bobot-bobot jaringan dengan menggunakan dua pendekatan yaitu metode Global Ridge Regression dan algoritma Backpropagation.
Berdasarkan langkah-langkah pembentukan model FRBFNN untuk mendeteksi dini kanker paru, diperoleh model FRBFNN terbaik dengan 5 neuron pada lapisan input fitur, 15 neuron pada lapisan input fuzzy, 7 neuron serta 1 neuron bias pada lapisan tersembunyi, dan 1 neuron pada lapisan output. Tingkat persentase sensitivitas, spesifisitas, dan akurasi model FRBFNN secara berurutan adalah 88,1%, 100%, 93,75% untuk data training dan 80%, 80%, 80% untuk data testing.
Kata Kunci : Kanker Paru, Fuzzy Radial Basis Function Neural Network (FRBFNN), Filter High Frequency Emphasis, Backpropagation, Global Ridge Regression.Leonardus Ragil PamungkasDhoriva Urwatul WutsqaAgus Maman Abadiagusmaman@uny.ac.id2017-07-19T01:39:01Z2019-01-30T14:29:44Zhttp://eprints.uny.ac.id/id/eprint/50810This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/508102017-07-19T01:39:01ZKLASIFIKASI PENYAKIT JANTUNG MENGGUNAKAN WAVELET FUZZY SYSTEMSPenyakit jantung merupakan penyebab kematian tertinggi di dunia termasuk juga di Indonesia. Oleh karena itu diperlukan deteksi dari gejala-gejala yang dialami untuk mengetahui jenis penyakit jantung yang diderita. Penelitian ini bertujuan untuk klasifikasi jenis penyakit jantung berdasarkan rekaman detak jantung dari alat Phonocardiogram (PCG). Ekstraksi ciri dari sinyal PCG dilakukan dengan wavelet haar untuk kemudian pembentukan model dengan fuzzy systems Mamdani.
Dalam penelitian ini, mendiagnosis penyakit jantung berdasarkan sinyal PCG dari pasien penyakit jantung dan jantung normal yang sudah diekstrasi dan menghasilkan 5 fitur. Lima fitur tersebut kemudian digunakan sebagai variabel input dalam pemodelan sistem fuzzy Mamdani yang direpresentasikan menggunakan kurva Gauss. Variabel output berupa normal, HHD, CHF, dan Angina Pectoris. Proses inferensi fuzzy menggunakan metode Mamdani denga metode mean of maxima (MOM) pada proses defuzzifikasi. Pembagian data menggunakan 80 data training dan 20 data testing. Aturan fuzzy If-Then dibentuk dari 80 data training.
Hasil defuzzifikasi 80 data training menunjukkan tingkat akurasi, sensitivitas, dan spesifikasi berturut-turut adalah 98.75%, 100%, dan 95.24%. Sedangkan hasil defuzzifikasi 20 data testing menunjukkan tingkat akurasi, sensitivitas, dan spesifikasi berturut turut adalah 80%, 100%, dan 71.43%. Sistem fuzzy yang telah terbentuk dikontruksi dengan Graphical User Interface (GUI).
Kata kunci: penyakit jantung, Mamdani, model fuzzy, dekomposisi wavelet.Danu SatriaAgus Maman Abadiagusmaman@uny.ac.id2017-07-19T01:38:53Z2019-01-30T14:29:47Zhttp://eprints.uny.ac.id/id/eprint/50811This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/508112017-07-19T01:38:53ZAplikasi Graf Fuzzy dan Aljabar Max-Plus untuk Pengaturan
Lampu Lalu Lintas di Simpang Empat Beran Kabupaten Sleman
Provinsi Daerah Istimewa YogyakartaPenelitian ini bertujuan untuk menentukan fase dan lama lampu lalu lintas
menyala hijau dan menyala merah menggunakan teori graf fuzzy, menentukan fase dan
lama lampu lalu lintas menyala hijau dan menyala merah menggunakan teori aljabar
max-plus, dan analisa perbandingan pengaturan lampu lalu lintas menggunakan
aplikasi kedua teori tersebut.
Penelitian ini sebagai aplikasi dari teori graf fuzzy dan teori aljabar max-plus
yang diterapkan pada pengaturan lampu lalu lintas. Sampel simpang dengan lampu lalu
lintas yang digunakan adalah simpang empat Beran Kabupaten Sleman Provinsi
Daerah Istimewa Yogyakarta. Data yang diambil ialah kepadatan lalu lintas, lebar
jalan, dan pengaturan lampu lalu lintas yang diterapkan saat ini. Pengambilan data
dilakukan secara manual dengan bantuan aplikasi traffic counter.
Hasil penelitian menunjukan bahwa presentase lama lampu hijau menyala
menggunakan teori graf fuzzy bertambah sebanyak 31% dan presentase lama lampu
merah menyala berkurang sebanyak 9,8% dibanding pengaturan lampu lalu lintas yang
diterapkan saat ini. Presentase lama lampu hijau menyala menggunakan teori aljabar
max-plus bertambah sebanyak 3,6% tapi presentase lama lampu merah menyala juga
bertambah sebanyak 1,8% dibanding pengaturan lampu lalu lintas yang diterapkan saat
ini. Oleh karena itu, peneliti lebih cenderung untuk menggunakan teori graf fuzzy
dibanding dengan teori aljabar max-plus dalam pengaturan fase lampu lalu lintas di
simpang empat Beran.
Kata kunci: Pengaturan lampu lalu lintas, graf fuzzy, aljabar max-plusArifudin Prabowo KurniawanAgus Maman Abadiagusmaman@uny.ac.idMusthofa Musthofamusthofa@uny.ac.id2016-12-22T01:33:38Z2019-01-30T12:25:59Zhttp://eprints.uny.ac.id/id/eprint/44992This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/449922016-12-22T01:33:38ZPENERAPAN FUZZY LOGIC PADA METODE VOLUMETRIC UNTUK
MENGHITUNG CADANGAN HIDROKARBON PADA PEMBORAN
MINYAK SUMUR X SUATU LAPANGANCadangan hidrokarbon adalah akumulasi hidrokarbon yang telah dibuktikan
keberadaannya dengan pemboran eksplorasi atau sebagai jumlah (volume)
hidrokarbon di dalam reservoir yang telah ditemukan. Volume hidrokarbon yang
semula terakumulasi di dalam reservoir disebut volume hidrokarbon awal di tempat
atau Original Oil in Place (OOIP). Perhitungan cadangan hidrokarbon membentuk
dasar pengembangan dan keputusan operasional yang sangat penting sehingga perlu
adanya perkiraan yang akurat dan terkini. Penerapan fuzzy logic pada metode
volumetric dapat digunakan untuk menghitung cadangan hidrokarbon pada
pemboran minyak suatu lapangan. Penelitian ini bertujuan untuk mengetahui
tahapan-tahapan penerapan fuzzy logic pada metode volumetric dalam menghitung
cadangan hidrokarbon pada pemboran minyak Sumur X suatu lapangan yang
divisualisasi dengan Graphical User Interface (GUI) dan mengetahui keakuratan
perhitungannya.
Penelitian ini menggunakan model fuzzy Sugeno orde nol dengan empat
variabel input, yaitu volume bulk, saturasi hidrokarbon, porositas batuan, dan BOI
serta satu variabel output, yaitu OOIP yang berupa konstanta. Tahapan-tahapan
yang dilakukan diantaranya adalah fuzzifikasi, operasi fuzzy logic, implikasi dengan
fungsi min, agregasi dengan fungsi max, dan defuzzifikasi dengan menghitung nilai
rata-rata singleton sehingga output-nya berupa weighted average. Data yang
digunakan sebanyak lima belas data cadangan hidrokarbon dari Sumur X suatu
lapangan sebagai data latih. Terdapat lima belas aturan fuzzy berdasarkan data latih.
Model fuzzy yang telah terbentuk divisualisasi dengan GUI.
Keakuratan model fuzzy pada data latih sebesar 91,73% dengan MAPE
sebesar 8,27%. Model fuzzy yang dibangun pada penelitian ini dapat dikatakan
mampu memodelkan perhitungan cadangan hidrokarbon pada pemboran minyak
Sumur X suatu lapangan dengan sangat baik karena nilai MAPE-nya kurang dari
10%.
Kata kunci: fuzzy logic, metode volumetric, Graphical User Interface, cadangan
hidrokarbon, Original Oil in Place, Sugeno orde nol.Hidayah Nurul Hasanah ZenAgus Maman Abadiagusmaman@uny.ac.id2016-11-16T02:38:39Z2019-01-30T11:50:45Zhttp://eprints.uny.ac.id/id/eprint/43664This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/436642016-11-16T02:38:39ZAPLIKASI GRAF FUZZY PADA PENGATURAN LAMPU LALU LINTAS DI PERSIMPANGAN JALAN TERBAN KABUPATEN SLEMAN PROVINSI DAERAH ISTIMEWA YOGYAKARTAGraf fuzzy adalah bagian ilmu matematika yang merupakan kombinasi dari teori graf dan logika fuzzy. Salah satu aplikasi dari graf fuzzy adalah digunakan sebagai metode penyelesaian masalah kemacetan yang terjadi di persimpangan jalan yang menggunakan Alat Pemberi Isyarat Lalu Lintas atau APILL. Oleh karena itu diambil sampel kemacetan yang terjadi di persimpangan jalan Terban, Kabupaten Sleman, Provinsi Daerah Istimewa Yogyakarta sebagai contoh pengaplikasian graf fuzzy.
Penyelesaian masalah kemacetan yang terjadi di persimpangan jalan Terban, Kabupaten Sleman, Provinsi Daerah Istimewa Yogyakarta diawali dengan pembentukan graf fuzzy untuk melihat fase arus lalu lintas yang digunakan pada persimpangan tersebut. Simpul pada graf fuzzy merupakan arus lalu lintas dengan fungsi keanggotaan yang ditentukan melalui banyaknya kendaraan yang melewati arus lalu lintas tersebut dalam selang waktu tertentu, dan sisinya adalah arus lalu lintas yang saling berpotongan apabila bergerak secara bersamaan dengan fungsi keanggotaan yang ditentukan dari fungsi keanggotaan dua simpul yang terhubung oleh sisi terebut. Selanjutnya dilakukan pewarnaan graf fuzzy untuk memaksimalkan fase arus lalu lintas, sedangkan pada tahap terakhir dilakukan analisis logika fuzzy dengan bantuan Matlab 7.11.0 R2010b untuk mengetahui penggunaan optimal lama waktu lampu hijau.
Hasil penerapan teori graf pada masalah kemacetan yang terjadi di persimpangan jalan Terban, Kabupaten Sleman, Provinsi Daerah Istimewa Yogyakarta menunjukkan bahwa terdapat tiga fase arus lalu lintas. Dengan menggunakan bantuan Matlab 7.11.0 R2010b diperoleh optimal lama waktu lampu hijau pada setiap fasenya. Optimal penggunaan waktu lampu hijau pada fase I adalah 33 detik, fase II adalah 17 detik, dan pada fase III adalah 12 detik.
Kata Kunci: Graf fuzzy, pewarnaan graf, logika fuzzy.Hisbullah TobungguAgus Maman Abadiagusmaman@uny.ac.idMustofa Mustofa2016-09-29T08:05:31Z2019-01-30T11:07:39Zhttp://eprints.uny.ac.id/id/eprint/41756This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/417562016-09-29T08:05:31ZAPLIKASI FUZZY DECISION MAKING UNTUK PEMILIHAN TUJUAN WISATA DI YOGYAKARTA DENGAN MENGGUNAKAN METODE TAHANI YANG DIIMPLEMENTASIKAN DENGAN GRAPHICAL USER INTERFACE (GUI)Yogyakarta dikenal sebagai pusat kebudayaan di pulau Jawa, selain itu di wilayah Yogyakarta juga terdapat banyak obyek wisata yang memiliki panorama yang indah dan juga sarat akan nilai sejarah. Beberapa hal tersebut menjadikan daya tarik tersendiri bagi wisatawan untuk memilih Yogyakarta sebagai destinasi wisata. Banyaknya obyek wisata di Yogyakarta tidak jarang membuat wisatawan kesulitan dalam memilih tujuan wisata, terlebih lagi bagi wisatawan yang masih awam dengan obyek wisata di Yogyakarta, sehingga dalam pemilihan tujuan wisata yang tepat, diperlukan suatu aplikasi yang dapat membantu wisatawan dalam memilih tujuan wisata yang sesuai dengan kriterianya. Adapun tujuan yang akan dicapai dari perancangan aplikasi ini adalah membantu wisatawan dalam memilih alternatif wisata di Yogyakarta yang sesuai dengan kriteria yang diinginkan.
Perancangan aplikasi fuzzy decision making ini menerapkan Metode Tahani dengan operator AND pergandaan dan AND minimum. Operator tersebut digunakan untuk menghitung fire strength pada masing-masing obyek wisata berdasarkan kriteria yang telah diberikan oleh wisatawan. Kriteria yang ditentukan oleh wisatawan adalah jenis wisata, biaya, pemandangan/isi museum, keamanan, transportasi, kebersihan, keramaian, dan fasilitas. Untuk mempermudah wisatawan dalam memakainya, aplikasi ini diimplementasikan dengan Graphical User Interface (GUI).
Hasil dari penelitian ini adalah terbangunnya aplikasi fuzzy decision making untuk pemilihan tujuan wisata di Yogyakarta dengan menggunakan Metode Tahani yang dapat menampilkan rekomendasi obyek wisata sesuai dengan kriteria yang dipilih. Obyek wisata dengan fire strength terbesar merupakan obyek wisata yang paling direkomendasikan. Tingkat keakurasian aplikasi fuzzy decision making pada uji kesesuaian obyek wisata dengan menggunakan operator AND pergandaan sebesar 75%, sedangkan untuk keakurasian menggunakan operator AND minimum sebesar 93,33%. Jadi operator yang digunakan selanjutnya untuk aplikasi ini adalah operator AND minimum.
Kata kunci: fire strength, fuzzy decision making, Graphical User Interface (GUI), obyek wisata, Metode Tahani.Muhammad Najib MubarrokAgus Maman Abadi2016-08-29T02:41:36Z2019-03-09T07:47:33Zhttp://eprints.uny.ac.id/id/eprint/40665This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/406652016-08-29T02:41:36ZAPLIKASI FUZZY DECISION MAKING
UNTUK DIAGNOSIS PENYAKIT TROPISAisah BadainiAgus Maman Abadiagusmaman@uny.ac.id2016-07-25T07:03:00Z2019-01-30T09:52:36Zhttp://eprints.uny.ac.id/id/eprint/36661This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/366612016-07-25T07:03:00ZKLASIFIKASI KESEHATAN BANK MENGGUNAKAN SISTEM FUZZY SUGENO ORDER NOL YANG DIIMPLEMENTASIKAN DENGAN GRAPHICAL USER INTERFACE (GUI)Bank adalah badan hukum yang kegiatannya menghimpun dana masyarakat dan menyalurkannya kepada masyarakat yang membutuhkan dana dalam bentuk kredit untuk meningkatkan taraf hidup rakyat banyak.Perbankan merupakan jantungperekonomian suatu negara yang mempengaruhi berbagai aspek kehidupan. Oleh karena itu, diperlukan penilaian tingkat kesehatan bank sebagai refleksi dari kondisi perbankan tersebut. Penilaian tingkat kesehatan bank diukur dengan faktorRiskProfile, Good Coorporate Governance, Earning, dan Capital (RGEC). Sistem fuzzySugeno order nol dengan tingkat keakurasian sangat tinggi dapat digunakan untuk menilai kesehatan bank. Penelitian ini bertujuan membentuk sistem fuzzy Sugeno order nol untuk mengetahuitingkat kesehatan bank di Indonesia yang diimplementasikan dengan Graphical User Interface(GUI) dan mengetahui keakuratan sistem fuzzy Sugeno order nol dalam penilaian tingkat kesehatan bank di Indonesia.
Proses pertama yang dilakukan adalah menentukan hasil penilaian tingkat kesehatan bank dengan menggunakan metode RGEC. Rasio dalam metode RGEC yang digunakan dalam penelitian ini yaitu NonPerforming Loan(NPL), Loan to Deposit Ratio (LDR), Return On Assets (ROA), Return On Equity (ROE), Net Interest Margin (NIM), dan Capital Adequacy Ratio (CAR). Data yang digunakan sejumlah 109 bank dengan periode waktu 3 tahun. Data dibagi menjadi 2 dengan prosentasi pembagian 80% sebagai data training dan 20% sebagai data testing. Bank yang digunakan sebagai data training sebanyak 87 bank dan 22 bank sebagai data testing. Berdasarkan peraturan Bank Indonesia variabel output dapat diklasifikasikan menjadi 5 himpunan fuzzy yaitu sangat sehat, sehat, cukup sehat, kurang sehat, dan tidak sehat. Proses inferensi fuzzydengan metode Sugeno order nol dan metode weight average pada proses defuzzifikasi. Sistem fuzzy yangtelah terbentuk kemudian diimplementasikan dengan Graphical User Interface (GUI).
Tingkat keakurasi sistem fuzzy menggunakan metode Sugeno order nol dengan defuzzifikasi weight averagepada data training tahun 2011, 2012, dan 2013 secara berturut-turut adalah 95,4%, 97,7% dan 95,4%. Sedangkan keakurasian sistem fuzzy pada data testing tahun 2011, 2012, dan 2013adalah 100%. Hasil akurasi yang tinggi tersebut menunjukkan bahwa sistem fuzzy Sugeno orde nol baik digunakan sebagai penilaian kesehatan bank.
Kata kunci : kesehatan bank, Graphical User Interface, RGEC, sistem fuzzyRani Mita SariAgus Maman Abadiagusmaman@uny.ac.id2016-06-28T06:46:58Z2019-01-30T09:44:57Zhttp://eprints.uny.ac.id/id/eprint/35315This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/353152016-06-28T06:46:58ZPEMODELAN FUZZY
DENGAN METODE DEKOMPOSISI NILAI SINGULAR
DAN APLIKASINYA UNTUK DIAGNOSIS KANKER SERVIKSKanker serviks atau kanker mulut rahim merupakan salah satu penyakit yang
mematikan bagi wanita. Selama 30 tahun terakhir, angka kematian kanker serviks
telah turun lebih dari 50 % dikarenakan peningkatan penggunaan tes Pap Smear.
Oleh karena itu, sangat penting dilakukan deteksi dini dan diagnosis untuk
mengetahui kemungkinan adanya kanker serviks. Model fuzzy dapat digunakan
untuk diagnosis kanker serviks.
Dalam penelitian ini, mendiagnosis stadium kanker serviks berdasarkan
gambar hasil kolposkopi yang sudah diekstrasi dan menghasilkan 21 sifat-sifat
gambar. Dua puluh satu sifat gambar tersebut kemudian diseleksi menggunakan
SPSS. Berdasarkan hasil SPSS diperoleh 4 faktor yang spesifik yaitu difference
entropy, mean, correlation dan sum average. Keempat faktor inilah yang kemudian
dijadikan variabel input pada model fuzzy yang dibangun dengan menggunakan
representasi kurva Gauss. Variabel output berupa normal, stadium 1, stadium 2,
stadium 3, dan stadium 4. Proses inferensi fuzzy menggunakan metode Sugeno orde
satu dengan penentuan parameter pada konsekuen menggunakan dekomposisi nilai
singular serta metode weight average pada proses defuzzifikasi. Pembagian data
menggunakan 80 data training dan 10 data testing. Aturan fuzzy If-Then dibentuk
dari 80 data training.
Hasil defuzzifikasi 80 data training menunjukkan tingkat akurasi, sensitivitas,
dan spesifikasi berturut turut adalah 100%, 100%, dan 100%. Sedangkan hasil
defuzzifikasi 10 data testing menunjukkan tingkat akurasi, sensitivitas, dan
spesifikasi berturut turut adalah 60%, 100%, dan 50%. Sistem fuzzy yang telah
terbentuk dikontruksi dengan Graphical User Interface (GUI).
Kata kunci: kanker serviks, Sugeno orde satu, model fuzzy, dekomposisi nilai
singularTriyanti TriyantiAgus Maman Abadiagusmaman@uny.ac.id2016-06-15T07:51:47Z2019-01-30T09:35:43Zhttp://eprints.uny.ac.id/id/eprint/34586This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/345862016-06-15T07:51:47ZIMPLEMENTASI SISTEM FUZZY SUGENO ORDE SATU PADA DIAGNOSIS KANKER PAYUDARAKanker payudara adalah salah satu jenis kanker terbanyak di Indonesia dengan tingkat kematian yang cukup tinggi dengan persentase mencapai 12,9%. Oleh karena itu, diperlukan adanya deteksi dini dan diagnosis kanker payudara. Salah satu cara untuk mendeteksi kanker payudara adalah dengan citra mammogram. Tujuan dari penelitian ini adalah menjelaskan langkah-langkah penerapan sistem fuzzy sugeno orde satu untuk diagnosis kanker payudara dan mengetahui tingkat ketepatan dari sistem fuzzy sugeno orde satu.
Penelitian ini menggunakan 120 data citra mammogram yang terdir dari 96 data latih dan 24 data uji. Sistem fuzzy yang digunakan adalah sistem fuzzy sugeno orde satu dengan 10 variabel input, yaitu kontras, korelasi, energi, homogenitas, rata-rata, variansi, standar deviasi, skeunes, kurtosis, dan entropi. Sedangkan outputnya terbagi menjadi 3, yaitu payudara normal, tumor, dan kanker. Untuk mengoptimalkan keakurasian sistem maka digunakan invers matriks tergeneralisir dalam membangun aturan fuzzy dan metode weight average untuk proses defuzzifikasi. Pada tahap akhir, sistem fuzzy yang telah dibangun kemudian diimplementasikan dengan GUI (Graphical User Interface).
Tingkat keakurasian, sensitivitas, dan spesifikasi dari sistem fuzzy sugeno orde satu adalah 100% untuk data latih. Untuk data uji dihasilkan tingkat keakurasian 75%, sensitivitas 87,5%, dan spesifikasi 75%. Sedangkan keakurasian sistem fuzzy mamdani mencapai 96,875% dan 100% untuk sensitivitas dan spesifikasi pada data latih. Pada data uji sistem fuzzy mamdani mencapai masing-masing 91,67%; 93,75%, dan 87,5% untuk akurasi, sensitivitas, dan spesifikasi. Bila dibandingkan dengan penelitian sebelumnya hasil yang diperoleh untuk data latih dapat dikatakan lebih baik. Sedangkan untuk data uji hasil yang diperoleh dengan sistem fuzzy mamdani lebih baik dan untuk sistem fuzzy sugeno orde satu masih diperlukan banyak perbaikan guna meningkatkan keakurasian.Weni SafitriAgus Maman Abadiagusmaman@uny.ac.id2016-03-07T02:02:03Z2019-01-30T06:46:55Zhttp://eprints.uny.ac.id/id/eprint/30170This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/301702016-03-07T02:02:03ZPENERAPAN SISTEM FUZZY
UNTUK PREDIKSI HARGA KELAPA SAWIT
SKRIPSISamuel HasibuanAgus Maman Abadiagusmaman@uny.ac.id2016-02-13T16:23:33Z2019-10-14T03:36:33Zhttp://eprints.uny.ac.id/id/eprint/29674This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/296742016-02-13T16:23:33ZAplikasi Fuzzy Inference System Dalam Penilaian Prestasi MahasiswaKeberhasilan tenaga pengajar dapat dilihat dari hasil evaluasi belajar atau hasil prestasi para anak didiknya. Prestasi belajar adalah hasil belajar mahasiswa atau pelajar terhadap bidang yang ditekuninya. Penelitian ini bertujuan untuk mengetahui prestasi belajar mahasiswa dengan memanfaatkan Fuzzy Inference System metode mamdani dalam program Matlab. Tujuan lain adalah untuk melihat hasil perbandingan hasil prestasi antara perhitungan rata-rata biasa, jika diberikan bobot yang berbeda pada setiap variabel inputnya dan menggunakan progam yang telah dibuat dengan Fuzzy Inference System. Ada empat faktor utama yang mempengaruhi prestasi seorang mahasiswa dalam suatu mata kuliah: yang pertama nilai ujian tengah semester, kedua presentasi materi, ketiga nilai tugas dan terakhir adalah nilai ujian akhir semester. Keempat faktor tersebut akan dijadikan variabel input yang masing-masing mempunyai tiga terma yaitu kurang, baik, dan sangat baik. Selanjutnya variabel input diolah menggunakan Fuzzy Inference System dengan metode mamdani. Hasil output yang akan diperoleh berupa penilaian prestasi mahasiswa yaitu mahasiswa tersebut termasuk dalam golongan kurang, cukup, baik atau istimewa.
Kata kunci: Prestasi Mahasiswa, Logika Fuzzy, Fuzzy Inference Sistem, Variabel linguistik, Model Mamdani, Fungsi KeanggotaanRani Mita SariAgus Maman Abadiagusmaman@uny.ac.id2016-02-13T16:21:04Z2019-10-14T03:27:24Zhttp://eprints.uny.ac.id/id/eprint/29673This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/296732016-02-13T16:21:04ZAplikasi Logika Fuzzy pada Pengambilan Keputusan Seleksi Beasiswa Bidikmisi dengan Metode TOPSISDalam proses seleksi beasiswa bidikmisi, kriteria yang digunakan sangat banyak dan juga calon peserta yang direkomendasikan mencapai ribuan. Dalam menentukan calon agar tepat sasaran maka dalam paper ini akan dibahas tentang logika fuzzy khususnya Fuzzy Multiple Attribute Decision Making (FMADM) dengan metode Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) sebagai pendukung keputusan dalam seleksi beasiswa bidikmisi. Proses seleksi ini melalui 2 tahap yaitu berdasar kriteria utama dan kriteria khusus. Kriteria utama yang dimaksud adalah memprioritaskan ketidakmampuan secara ekonomi, potensi akademik, dan urutan kualitas Sekolah . Sedangkan kriteria khusus, memprioritaskan prestasi calon peserta. Selanjutnya setiap peserta memiliki nilai/derajat keanggotaan yang berbeda-beda untuk setiap kriteria. Nilai-nilai tersebut di proses melalui prosedur TOPSIS. Hasil akhir dari proses seleksi ini adalah perangkingan yang merupakan urutan rekomendasi perserta.
Kata kunci: FMDAM, Logika Fuzzy, Seleksi Beasiswa Bidikmisi, TOPSISTriyanti Triyantitriyanti@gmail.comAgus Maman Abadi2016-02-13T16:17:29Z2019-10-14T03:38:51Zhttp://eprints.uny.ac.id/id/eprint/29672This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/296722016-02-13T16:17:29ZAplikasi Fuzzy Decision Making Dengan Menggunakan Metode Mamdani Penggandaan Dalam Pemilihan SmartphoneSaat ini smartphone atau telepon pintar sudah seperti kebutuhan primer bagi kebanyakan orang. Berbagai fitur ada dalam smartphone menjadi faktor yang membuat keberadaan smartphone menjadi sangat membantu dalam berkomunikasi maupun pekerjaan lainnya. Sebagai alat komunikasi yang dinamis, smartphone dari tahun ke tahun selalu bertambah modelnya dan semakin canggih saja. Permasalahannya adalah sebagai calon pembeli, seseorang tentunya akan mengalami kebingungan dalam memilih smartphone diantara berbagai variasinya. Dalam makalah ini akan diberikan pencerahan dalam pemilihan smartphone yang variatif tersebut. Fuzzydecision making atau pembuat keputusan fuzzy dengan metode mamdani penggandaan dibuat untuk membantu calon pembali dalam pemilihan smartphone yang sesuai dengan kriteria calon pembeli tersebut. Dengan berdasarkan kriteria yang dikehendaki calon pembeli, data seputar smartphone akan diolah dalam sistem himpunan fuzzy hingga pada akhirnya masing-masing smartphone menghasilkan fire strength. Smartphone yang menjadi rekomendasi adalah smartphone yang memiliki fire strength terbesar hasil dari operasi metode Mamdani penggandaan.Muhammad Najib MubarrokAgus Maman Abadiagusmaman@uny.ac.id2016-02-13T16:10:39Z2019-10-14T03:39:33Zhttp://eprints.uny.ac.id/id/eprint/29670This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/296702016-02-13T16:10:39ZSistem APILL Menggunakan Fuzzy LogicKemacetan pada lalu lintas juga dipengaruhi oleh kinerja lampu lalu lintas atau sering disebut Alat Pemberi Isyarat Lalu Lintas (APILL). APILL adalah perangkat elektronik yang menggunakan isyarat lampu yang dapat dilengkapi dengan isyarat bunyi untuk mengatur lalu lintas orang dan/atau kendaraan di persimpangan jalan atau pada ruas jalan. Salah satu penyebab kemacetan yaitu pembagian waktu lampu hijau yang kurang efisien pada semua jalur, tidak memperhatikan banyak sedikitnya kendaraan yang melewati jalur tersebut. Tujuan dari tulisan ini untuk mendapatkan jumlah detik lampu hijau yang efisien pada suatu persimpangan jalan. Penulis menggunakan aturan Fuzzy Logic yang mengimplementasikan pada Fuzzy Inference System (FIS) dengan metode Mamdani. Hasil yang didapat dalam tulisan ini berupa tiga kategori lamanya waktu lampu hijau pada sistem APILL yaitu sebentar, sedang, lama.
Kata kunci: APILL, Efisien, Fuzzy logic, Kemacetan
I. PENDAHULUAN
Semakin maraknya perkembangan teknologi menimbulkan pengguna jalan semakin beragam. Pengguna jalan baik pejalan kaki atapun yang menggunakan kendaraan dapat menimbulkan kemacetan pada lalu lintas. Kendaraan adalah suatu sarana angkut di jalan yang terdiri atas kendaraan bermotor dan kendaraan tidak bermotor. Kendaraan bermotor adalah setiap kendaraan yang digerakkan oleh peralatan mekanik berupa mesin selainkendaraan yang berjalandi atas rel. Kendaraan tidak bermotor adalah setiap kendaraan yang digerakkan oleh tenaga manusia dan/atau hewan. Sedangkan lalu lintas adalah gerak kendaraan dan orang di ruang lalu lintas jalan [1].
Kemacetan pada lalu lintas juga dipengaruhi oleh kinerja lampu lalu lintas atau sering disebut Alat Pemberi Isyarat Lalu Lintas (APILL). APILL adalah perangkat elektronik yang menggunakan isyarat lampu yang dapat dilengkapi dengan isyarat bunyi untuk mengatur lalu lintas orang dan/atau kendaraan di persimpangan jalan atau pada ruas jalan [2]. Salah satu penyebab kemacetan yaitu pembagian waktu lampu hijau yang sama rata untuk semua jalur, tidak memperhatikan banyak sedikitnya kendaraan yang melewati jalur tersebut. Apabila pada satu jalur yang padat mendapat jatah lampu hijau yang lama, dan jalur lain yang sepi mendapat jatah lampu hijau yang sebentar, maka dapat menimbulkan kemacetan dikarenakan pembagian waktu lampu hijau yang kurang efisien.
Pembagian waktu lampu hijau untuk masing-masing persimpangan jalan masih kurang efisien. Hal itu dapat dilihat apabila suatu ruas jalan yang ramai mendapatkan lampu hijau yang sebentar, sehingga dapat menimbulkan penumpukan atau kemacetan di ruas jalan tersebut. Menindaklanjuti hal tersebut, diperlukan adanya pengaturan waktu untuk lampu hijau yang fleksibel. Tindakan seperti itu bertujuan untuk memperoleh jumlah detik pada persimpangan jalan sesuai dengan kepadatan pada ruas jalan tersebut. Sehingga diharapkan kemacetan lalu lintas dapat berkurang.
Perlu adanya model sensor yang digunakan untuk menghitung kepadatan dan jumlah kendaraan yang keluar-masuk pada persimpangan jalan. Sensor tersebut bertindak sebagai sensor input dan output pada masing-masing jalur. Sensor yang digunakan yaitu inframerah yang dipasang pada jarak 25 meter dan 50 meter ke belakang dari arah pusat APILL. Pemasangan sensor dapat disesuaikan lebarnya. Waktu maksimal lampu hijau pada masing-masing persimpangan jalan pasti berbeda, tergantung panjang jalan dan kecepatan rata-rata kendaraan. Kemudian dari situ, akan diperbaiki dengan fuzzy logic.
Logika fuzzy dapat digunakan untuk memenuhi tujuan pengaturan Lalu Lintas secara optimal. Simulasi yang dihasilkan relatif sederhana dan mempunyai fleksibilitas tinggi [3]. Menurut [4], penggunaan metode fuzzy logic untuk mendapatkan jumlah detik lampu hijau yang diharapkan pada suatu persimpangan jalan. Kelebihan dari fuzzy logic yaitu konsep logika fuzzy mudah dimengerti, konsep matematis yang mendasari penalaran logika fuzzy sangat sederhana dan mudah dimengerti [5]. Disebutkan [6], logika fuzzy didasarkan pada bahas alami. Kelebihan logika fuzzy dalam pengaplikasikannya yaitu usaha dan dana yang dibutuhkan kecil [7]. Logika fuzzy memiliki beberapa tipe metode, yaitu Mamdani, Sugeno, dan Tsukamoto. Perbedaan utama antara metode Mamdani dan SugenoLaila Wahyu TrimartantiAgus Maman Abadiagusmaman@uny.ac.id2012-07-20T05:56:17Z2012-07-20T05:56:17Zhttp://eprints.uny.ac.id/id/eprint/2358This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/23582012-07-20T05:56:17ZCONSTRUCTING COMPLETE FUZZY RULES OF FUZZY MODEL USING SINGULAR VALUE DECOMPOSITIONIn the fuzzy model, there are many ways to design fuzzy rules from input-output data. Those are gradient descent training, table lookup scheme, recursive least squares and clustering. The aim in this paper is to construct complete fuzzy rules from input-output data using singular value decomposition. Designing fuzzy rules by singular value decomposition is based on minimizing the square of residual between overall output of the real system and identified model. Thus, the designed fuzzy rules are used to construct fuzzy model by choosing fuzzifier, defuzzifier and inference engine. Furthermore, the fuzzy model is applied to predict inflation rate in Indonesia. Key words: fuzzy rules, fuzzy model, singular value decomposition.Agus Maman Abadiagusmaman@uny.ac.idSubanarsubanar@yahoo.com- Widodowidodo_math@yahoo.comSamsubar Saleh4humas@paue.ugm.ac.id <4humas@paue.ugm.ac.id