Assalamualaikum Sahabat Whitecyber semua …. 🙂
Kali ini Whitecyber Team akan bercerita tentang Project dari Customer kami yang atas karunia Alloh SWT sudah selesai kami kerjakan, yaitu tentang “Project AI – Artificial Intelligence GUI (Graphical User Interface) Fuzzy Logic / Logika Kabur Siang Hujan menggunakan bahasa pemprograman Matlab“. Sebelum kita membahas secara detail tentang Project ini, kami akan membahas secara tuntas apa itu Fuzzy Logic, apa itu . Kami akan mengulas secara detail dan bertahap disini.
Penemu Fuzzy Logic
Bila kita berbicara tentang Fuzzy Logic alangkah baiknya kita harus mengenal siapa penemu teknik ini sehingga dipakai di seluruh dunia. Siapakah Lotfi Aliaskerzadeh ?

.
- Dilahirkan Lotfi Aliaskerzadeh : 4 Februari 1921, Baku, Azerbaijan SSR.
- Meninggal : 6 September 2017 (umur 96), Berkeley, California , AS.
- Alma mater : Universitas Teheran, Institut Teknologi Massachusetts, Universitas Columbia
- Dikenal sebagai : Pendiri matematika fuzzy , teori himpunan fuzzy , dan logika fuzzy , bilangan Z, transformasi Z
- Pasangan : Fay Zadeh
- Anak-anak 2, including Norman Zada
- Penghargaan : Medali Eringen (1976), Medali IEEE Hamming (1992), Medali Rufus Oldenburger (1993), Medali Kehormatan IEEE (1995), Penghargaan BBVA Foundation Frontiers of Knowledge
2012 Doktor Kehormatan Universitas Tehran (2016), Rekan ACM Rekan IEEE Rekan AAAS Rekan AAAI Anggota Akademi Teknik Nasional Anggota Pendiri Akademi Eurasia. - Karir ilmiah : Bidang Kecerdasan buatan, Ilmu Komputer, Teknik elektro, Matematika, Institusi Universitas California, Berkeley
- Tesis : Analisis frekuensi jaringan variabel (1949)
- Penasihat : doktoral John R.Anak-anak
- Mahasiswa doktoral : Joseph Goguen, John Yen
.
Fuzzy Logic / Logika Kabur
Logika kabur atau logika fuzzy merupakan cabang ilmu matematika yang mempunyai fungsi untuk memberikan pemodelan pemecahan masalah seperti yang dilakukan manusia dengan bantuan teknologi komputer. Fuzzy sendiri memiliki arti samar. Oleh karena itu, maksud dari logika kabur sendiri berarti nilai yang bisa benar atau bisa memiliki salah secara bersamaan. Penggunaan logika kabur memungkinkan suatu rumusan masalah dapat dipecahkan secara mudah dengan solusi yang akurat. Model matematika digunakan sebagai pendekatan untuk mengontrol sistem. Jadi, dapat disimpulkan bahwa logika kabur merupakan suatu cara untuk berhitung dengan menggunakan variabel kata-kata, untuk mengganti berhitung dalam bilangan. Variabel kata yang dihasilkan oleh logika kabur memang tidak memiliki ketepatan pasti seperti angka, oleh karena itu kepastiannya hampir seperti intuisi manusia. Contoh variabel kata yang muncul dari logika kabur seperti kira-kira, lebih kurang, merasakan, dan lain sebagainya. Antonim dari logika kabur yaitu logika tegas. Konsep logika tegas hanya mengenal dua konsep, yaitu “Ya” atau “Tidak” atau apabila diasosiasikan dalam bilangan hanya mengenali 1 atau 0. Sedangkan logika kabur sifatnya samar, sehingga dapat diartikan bahwa logika kabur merupakan logika tak hingga yang memiliki banyak nilai kebenaran yang dinyatakan dalam bilangan riil. Alasan para peneliti menggunakan logika kabur dalam memecahkan rumusan masalah dikarenakan konsep matematika dapat digunakan dengan sederhana, sehingga mudah dimengerti dalam proses pengerjaan. Logika kabur juga bersifat fleksibel, yang memungkinkan pengerjaan dapat dikolaborasikan antara pemodelan dengan model komputer atau dengan cara konvensional.
.
Perkembangan Fuzzy Logic
Logika kabur dikembangkan oleh peneliti dari Universitas California, Lotfi Asker Zadeh, di tahun 1965. Teori yang dikembangkan oleh Zadeh mengenai logika kabur, merupakan suatu usaha untuk menggabungkan teori matematika dengan intuisi manusia. Mulanya logika kabur hanya bertujuan untuk memetakan logika matematika dalam bahasa, tetapi gagasan itu meluas hingga mampu digunakan untuk berbagai bidang tidak hanya matematika.
Logika kabur merupakan pengembangan dari sistem himpunan yang disebut himpunan kabur (fuzzy set). Teori ini dikembangkan di Amerika Serikat, tetapi banyak diaplikasikan oleh para ilmuwan Jepang. Di tahun 1970 para peneliti Jepang mampu mengaplikasikan teori logika kabur ke dalam permasalahan teknik. Beberapa produk teknologi yang tercipta dari pengaplikasian teori logika kabur di antaranya, AC dan mesin cuci. Penggunaan mesin cuci dengan menggunakan teori logika kabur dapat memungkinkan untuk mengatur kecepatan perputaran mesin berdasarkan dengan jumlah pakaian yang akan dicuci dengan volume air. Penggunaan AC dengan menggunakan teori logika kabur mampu menghemat listrik dengan cara mengondisikan pendingin berdasarkan suhu dalam ruangan. Di tahun 1980, teori logika kabur mulai diimplementasikan dalam penggunaan dasar logika untuk komputer modern. Kini teori logika kabur sudah digunakan oleh berbagai teknologi lintas bidang, seperti dalam pembuatan kecerdasan buatan.
Teori ini berkembang pesat di Negara Jepang. Alasannya, karena budaya orang Barat, seperti Amerika Serikat memandang suatu rumusan permasalahan hanya bisa dijawab oleh “Ya” atau “Tidak” atau biasa disebut dengan logika biner Aristoteles. Sedangkan budaya orang Timur, termasuk di dalamnya masyarakat Jepang terbiasa dengan istilah dunia abu-abu, yang memiliki kemungkinan 0 dan 1 dalam memecahkan rumusan masalah.
.
Jenis Logika Fuzzy
Logika kabur mamdani
Logika kabur mamdani pertama kali dikembangkan oleh Ebrahim Mamdani di tahun 1975. Logika kabur mamdani sering disebut metode max-min. Dalam pengaplikasian logika kabur jenis mamdani ini diperlukan empat tahapan. Tahap pertama, membentuk himpunan samar, di mana variabel input dan output dibagi menjadi satu atau lebih himpunan samar. Tahap kedua, menggunakan sistem implikasi dengan teknik min. Tahap ketiga mencari kesimpulan. Tahap keempat defuzzifikasi yaitu membandingkan hasil dari penarikan kesimpulan. Logika kabur mamdani digunakan dalam penelitian mengenai sistem kecerdasan, seperti dalam penentuan sistem pakar dan sistem pendukung keputusan.
Logika kabur Takagi Sugeno Kang (TSK)
Logika kabur jenis TSK pertama kali diperkenalkan oleh Takagi Sugeno Kang pada tahun 1985. Logika kabur Sugenon memiliki kemiripan dengan logika kabur mamdani, yang membedakan yaitu output yang bukan merupakan himpunan samar, tetapi berbentuk konstanta atau persamaan linier. Teknik logika kabur Sugeno dapat diimplementasikan dalam pembentukan himpunan kabur. Variabel yang sudah dimasukkan ke dalam sistem fuzzy dikirim ke sebuah himpunan samar agar bisa digunakan dalam perhitungan nilai dalam menentukan kebenaran dari premis. Kegiatan tersebut mampu menentukan derajat yang memiliki arti nilai tersebut dapat dijadikan anggota dari setiap himpunan samar yang sesuai.
Logika kabur Tsukamoto
Logika kabur Tsukamoto adalah jenis logika kabur yang berfungsi untuk menarik kesimpulan dari seluruh implikasi dengan bentuk IF-THEN. Hasilnya harus dimaknai dengan himpunan samar dengan jenis keanggotaan yang tetap. Hasil interferensi harus tegas, yang didapatkan dengan menggunakan rata-rata terbobot.[17] Metode logika kabur memiliki empat tahapan, pertama puzzifikasi merupakan proses input himpunan tegas, menjadi himpunan samar. Tahapan kedua yaitu membuat aturan pengaburan, dengan variabel kata “jika-maka”. Tahapan ketiga yaitu analisis logika kabur. Tahapan keempat yaitu defuzzifikasi yaitu mengubah himpunan kabur menjadi hasil himpunan tegas.
Logika kabur Tahani
Logika kabur tahani adalah metode logika kabur dengan memanfaatkan basis data standar. Data tersebut disusun sesuai kategori berdasarkan user. Hal ini mengakibatkan data standar yang sudah keluar, tampilannya akan sama seperti data yang telah disimpan. Metode ini dikembangkan oleh Valiollah Tahani. Gagasannya berupa pemahaman tingkat tinggi yang diperoleh dari pertanyaan kabur dari ruang lingkup data yang masih konvensional yang tidak samar. Tahap pemrosesan pertanyaan kabur dapat diperoleh dengan cara manipulasi bahasa.
Logika kabur Umano
Logika kabur Umano merupakan pemrosesan data yang memiliki arti ganda (ambigu). Data ambigu tersebut dapat dimaknai dengan cara distribusi posibilitas. Kelebihan dari teknik logika kabur Umano yaitu mampu mengolah data yang bersifat ganda. Data-data yang ada dalam logika kabur jenis Umano terdiri data yang belum jelas keberadaannya dalam domain tertentu. Ada juga data yang sudah berada dalam domain tertentu, tapi belum diketahui nilainya secara jelas. Selain itu, ada data yang belum diketahui kebenarannya dikarenakan memiliki data ganda.
.
Tujuan Logika Fuzzy
Logika kabur bertujuan sebagai langkah untuk melihat ruang input dalam pemrosesan hingga menjadi ruang output. Dasar dari penerapan logika kabur yaitu himpunan samar (himpunan fuzzy). Logika samar juga memiliki tujuan untuk memecahkan rumusan masalah yang mengandung ketidakpastian. Penerapannya sangat luas, tidak hanya dalam bidang teknik, tetapi bisa diaplikasikan dalam bidang psikologi, sosial, dan bidang ekonomi. Pengaplikasian logika kabur dipengaruhi oleh pengetahuan peneliti terhadap istilah-istilah yang ada di dalamnya. Pertama variabel fuzzy, adalah lambang atau kata yang memiliki makna untuk menunjukkan sesuatu yang belum pasti ada dalam sistem samar. Kedua himpunan fuzzy, merupakan himpunan yang dibangun oleh derajat keanggotaan. Himpunan fuzzy berisi tentang variabel linguistik yang berisi kata-kata. Kata-kata tersebut sifatnya tidak pasti dan ekspresif yang berdasarkan bahasa alami. Meskipun begitu, kata-katanya dapat dimengerti, lebih luas, dan menggunakan bahasa sehari-hari. Ketiga yaitu semesta pembicaraan merupakan himpunan seluruh objek yang akan dianalisis dalam pembicaraan, atau total nilai yang diizinkan untuk dioperasikan dalam variabel samar. Keempat yaitu domain keseluruhan adalah bentuk nilai yang diizinkan untuk dioperasikan dari semesta pembicaraan.
.
Penerapan Fuzzy Logic
Pembuatan mesin cuci
Sistem logika kabur digunakan dalam menentukan jumlah putaran dalam mesin cuci sesuai dengan jumlah pakaian dan kotoran yang ada dalam pakaian. Mesin cuci adalah produk pertama yang mengkolaborasikan sistem teknik dengan logika kabur. Jumlah putaran dalam mesin cuci dipengaruhi oleh jumlah pakaian, tingkat kotoran pakaian, dan jenis kotoran. Derajat kotoran pakaian dapat diukur dengan menggunakan sensor untuk melihat kejernihan air. Apabila tingkat kejernihan air semakin kotor, maka pakaian tersebut semakin kotor.
Sistem transmisi otomatis
Salah satu contoh penerapan logika kabur ada pada rem otomatis yang terdapat dalam mobil cerdas. Dalam pengaplikasiannya, rem otomatis ini memungkinkan untuk mengontrol mobil pada saat kondisi macet di jalanan, hal ini dikarenakan tidak terdapat kopling pada mobil. Jepang sudah mengaplikasikanya dalam pembuatan rem otomatis untuk produk mobil cerdas Mazda. Logika kabur dapat digunakan untuk pembuatan teknologi rem otomatis, sehingga pada saat simulasi bisa melakukan pemrograman melalui sistem komputer.
Sistem kendali kereta bawah tanah
Di Jepang, kereta bawah tanah Sendai sudah menggunakan logika kabur dalam mengontrol kecepatan kereta, hal ini memberikan efek nyaman bagi penumpang meskipun di dalam kereta dengan posisi berdiri. Selain itu, di beberapa perusahaan Jepang kereta cepat sudah berhasil menghemat daya sebesar 20% dengan menggunakan konsep logika kabur sebagai sistem.
Bidang kedokteran
Logika kabur bisa digunakan untuk memberikan diagnosa suatu penyakit dengan menggunakan sistem pakar Fuzzy Expert System atau disingkat FES. Sistem tersebut merupakan komputasi lunak yang dapat diaplikasikan menggunakan penalaran himpunan kabur. Teknik FES terbukti dapat berkontribusi untuk menyelesaikan permasalahan di bidang kedokteran. Varibel input sebagai data yaitu gejala penyakit pasien, sedangkan yang menjadi variabel output merupakan persentase risiko penyakit yang akan di diagnosa.
Bidang informatika
Penerapan logika kabur bisa digunakan untuk mengambil keputusan, khususnya untuk membuat penjadwalan dan pengaturan sistem pengingat. Sistem pengambilan keputusan dibuat karena ditemukan masalah di dalamnya. Sistem logika kabur memiliki tujuan untuk mencapai tujuan pemecahan masalah, dengan baik dan efektif. Menurut Google Cendekia , pada November 2021, karya Zadeh telah dikutip setidaknya 269.091 kali dalam karya ilmiah, dengan makalah Fuzzy set tahun 1965 menerima setidaknya 122.743 kutipan.
.
Himpunan dan sistem fuzzy
Zadeh, dalam teorinya tentang himpunan fuzzy , mengusulkan penggunaan fungsi keanggotaan (dengan rentang yang mencakup interval [0,1]) yang beroperasi pada domain semua nilai yang mungkin. Dia mengusulkan operasi baru untuk kalkulus logika dan menunjukkan bahwa logika fuzzy adalah generalisasi dari logika klasik dan Boolean . Dia juga mengusulkan bilangan fuzzy sebagai kasus khusus dari himpunan fuzzy, serta aturan yang sesuai untuk operasi matematika yang konsisten (aritmatika fuzzy).
.
Logika fuzzy dan kecerdasan buatan
Karir penelitian Zadeh mempunyai dampak jangka panjang pada kecerdasan buatan (AI). Himpunan fuzzy dan logika fuzzy keduanya dimotivasi oleh pemahaman kita tentang kognisi manusia: bahwa kita merasa nyaman dengan konsep yang memiliki batasan yang tidak jelas. Hal ini selaras dengan asumsi sistem simbol Fisik dalam AI (oleh Allen Newell dan Herbert A. Simon ), yang terinspirasi oleh aspek lain dari kognisi manusia: bahwa manusia merasa nyaman dengan konsep yang dijelaskan oleh simbol.
Konsep variabel linguistik dalam logika fuzzy menghubungkan simbol yang biasanya merupakan predikat dalam logika klasik (misalnya, “John is Bold”, atau dalam logika predikat – Bold(John)) – dengan nilai linguistik (misalnya, “John is agak tebal.” atau dalam logika fuzzy – Bold(John)=Somewhat ) – yang menggeneralisasi nilai biner logika predikat dalam dua cara. Pertama, dua nilai yang mungkin (Benar atau Salah) dalam logika predikat digeneralisasikan menjadi sebuah kontinum (biasanya dari 0, yang berhubungan dengan Salah, hingga 1, yang berhubungan dengan Benar). Hal ini memungkinkan ekspresi Bold(John)= 0,5, yang menunjukkan bahwa John berada di tengah-tengah antara tidak memiliki keberanian dan sepenuhnya berani.
Generalisasi kedua yang dimungkinkan oleh logika fuzzy adalah dengan menggunakan himpunan fuzzy seperti “agak berani” untuk menggambarkan tingkat keberanian seseorang dengan cara yang lebih alami bagi pemahaman dan komunikasi manusia. Tanpa generalisasi ini, kita hanya bisa menggambarkan nilai keberanian seseorang sebagai angka (misalnya 0,5) atau sebagai interval (misalnya [0,25, 0,75]). Dengan generalisasi ini, seseorang dapat mengungkapkan makna semantik “agak berani” sebagai himpunan fuzzy dalam domain 0 dan 1.
Zadeh juga merupakan kontributor aktif komunitas AI, termasuk di Dartmouth Workshop yang menciptakan istilah “kecerdasan buatan”. Dia kemudian sering menjadi kontributor konferensi AI terkemuka seperti AAAI dan IJCAI, serta tempat-tempat terkemuka lainnya seperti Majalah AI.
Kontribusi lainnya
Zadeh dikreditkan, bersama dengan John R. Ragazzini , pada tahun 1952, yang memelopori pengembangan metode transformasi Z dalam pemrosesan dan analisis sinyal waktu diskrit. Metode ini sekarang menjadi standar dalam pemrosesan sinyal digital , kontrol digital , dan sistem waktu diskrit lainnya yang digunakan dalam industri dan penelitian. Dia adalah editor Jurnal Internasional Kognisi Komputasi .
Karya Zadeh juga mencakup komputasi dengan kata-kata dan persepsi . Makalahnya selanjutnya meliputi “Dari Mesin Pencari ke Sistem Tanya-Jawab” dan “Menuju Teori Ketidakpastian Umum (GTU)—Sebuah Garis Besar“.
.
Apa itu MATLAB ?
MATLAB adalah sebuah bahasa pemrograman tingkat tinggi yang secara khusus digunakan untuk komputasi numerik, pemrograman, dan visualisasi. Perusahaan yang bertanggung-jawab atas produk hasil pengembangan dari MATLAB ialah MathWorks.
- Didesain oleh: Cleve Moler
- Bahasa pemrograman: C/C++, MATLAB
- Jenis: Komputasi numerik
- Pengembang: MathWorks
- Sistem operasi: Windows, macOS, dan Linux
.
Pembahasan Project
.

.
Kita siapkan terlebih dahulu File FuzzySiangHujan.fis
[System]
Name='fuzzysianghujan'
Type='mamdani'
Version=2.0
NumInputs=2
NumOutputs=1
NumRules=4
AndMethod='min'
OrMethod='max'
ImpMethod='min'
AggMethod='max'
DefuzzMethod='centroid'
[Input1]
Name='Siang'
Range=[0 1]
NumMFs=3
MF1='TidakNormal':'trimf',[-0.416666666666667 0 0.416666666666667]
MF2='mf2':'trimf',[0.0833333333333333 0.5 0.916666666666667]
MF3='Normal':'trimf',[0.583333333333333 1 1.41666666666667]
[Input2]
Name='Hujan'
Range=[0 1]
NumMFs=3
MF1='Gerimis':'trimf',[-0.416666666666667 0 0.416666666666667]
MF2='mf2':'trimf',[0.0833333333333333 0.5 0.916666666666667]
MF3='Lebat':'trimf',[0.583333333333333 1 1.41666666666667]
[Output1]
Name='Humidity'
Range=[0 1]
NumMFs=3
MF1='Rendah':'trimf',[-0.416666666666667 0 0.416666666666667]
MF2='mf2':'trimf',[0.0833333333333333 0.5 0.916666666666667]
MF3='Tinggi':'trimf',[0.583333333333333 1 1.41666666666667]
[Rules]
1 1, 1 (1) : 1
1 3, 1 (1) : 1
3 1, 3 (1) : 1
3 3, 3 (1) : 1
.
Kita buat aturan lebih detail tentang kedua variable tersebut :
.

.

.

.
Setelah semua Variable dan pengaruhnya tersebut kita inputkan maka kita akan membuat Rule Editor sebelum kita akan uji coba untuk analisanya sebagai berikut :
.

.
Setelah itu kita buat VIEW RULES nya. View Rules berguna untuk mengetes hasil dari Analisa Aturan yang kita buat diatas dan hasilnya adalah sebagai berikut :
.

.
Kita juga bisa lihat hasilnya dengan menggunakan VIEW SURVACE, yang hasilnya membentuk grafik sebagai berikut :
.

.
Setelah itu kita siapkan Program FormFuzzySiangHujan.m
.
function varargout = formfuzzysianghujan(varargin)
% FORMFUZZYSIANGHUJAN MATLAB code for formfuzzysianghujan.fig
% FORMFUZZYSIANGHUJAN, by itself, creates a new FORMFUZZYSIANGHUJAN or raises the existing
% singleton*.
%
% H = FORMFUZZYSIANGHUJAN returns the handle to a new FORMFUZZYSIANGHUJAN or the handle to
% the existing singleton*.
%
% FORMFUZZYSIANGHUJAN('CALLBACK',hObject,eventData,handles,...) calls the local
% function named CALLBACK in FORMFUZZYSIANGHUJAN.M with the given input arguments.
%
% FORMFUZZYSIANGHUJAN('Property','Value',...) creates a new FORMFUZZYSIANGHUJAN or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before formfuzzysianghujan_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to formfuzzysianghujan_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one
% instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help formfuzzysianghujan
% Last Modified by GUIDE v2.5 06-Sep-2023 11:34:08
% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @formfuzzysianghujan_OpeningFcn, ...
'gui_OutputFcn', @formfuzzysianghujan_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
% --- Executes just before formfuzzysianghujan is made visible.
function formfuzzysianghujan_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to formfuzzysianghujan (see VARARGIN)
% Choose default command line output for formfuzzysianghujan
handles.output = hObject;
% Update handles structure
guidata(hObject, handles);
% UIWAIT makes formfuzzysianghujan wait for user response (see UIRESUME)
% uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line.
function varargout = formfuzzysianghujan_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Get default command line output from handles structure
varargout{1} = handles.output;
function edit1_Callback(hObject, eventdata, handles)
% hObject handle to edit1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of edit1 as text
% str2double(get(hObject,'String')) returns contents of edit1 as a double
% --- Executes during object creation, after setting all properties.
function edit1_CreateFcn(hObject, eventdata, handles)
% hObject handle to edit1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function edit2_Callback(hObject, eventdata, handles)
% hObject handle to edit2 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of edit2 as text
% str2double(get(hObject,'String')) returns contents of edit2 as a double
% --- Executes during object creation, after setting all properties.
function edit2_CreateFcn(hObject, eventdata, handles)
% hObject handle to edit2 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
% --- Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
siang = str2num(get(handles.edit1,'String'));
hujan = str2num(get(handles.edit2,'String'));
fis = readfis('fuzzysianghujan');
result = evalfis([siang hujan], fis);
set(handles.edit3,'String',result);
function edit3_Callback(hObject, eventdata, handles)
% hObject handle to edit3 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of edit3 as text
% str2double(get(hObject,'String')) returns contents of edit3 as a double
% --- Executes during object creation, after setting all properties.
function edit3_CreateFcn(hObject, eventdata, handles)
% hObject handle to edit3 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
.
Setelah semua dirasa cukup dan bisa normal maka langkah selanjunya adalah kita membuat FORM ARTIFICIAL INTELLIGENCE nya, yang akan kita masukkan MACHINE LEARNING yang sudah siap dipakai, sudah teruji dan terbukti di lapangan ( fuzzysianghujan.fis ), maka jadinya program Ai untuk prediksi Siang Hujan adalah sebagai berikut.
.

.
Alkhamdulillah selesai sudah pembuatan Program Artificial Intelligence ini. Semoga bermanfaat.
Buat sahabat yang membutuhkan bantuan Whitecyber Team, silahkan contact pada Whatapp di Web Whitecyber.co.id
.
Referensi
- ^ Supriyoko, Ki; Sitanggang, Cormentyna; Astuti, Wiwiek Dwi; Ekoyanantiasih, Ririen, ed. (2005). Glosarium Pendidikan (PDF). Jakarta: Pusat Bahasa Departemen Pendidikan Nasional. hlm. 73.
- ^ Nasution, Helfi (2012-10-02). “Implementasi Logika Fuzzy pada Sistem Kecerdasan Buatan”. Jurnal UNTAN. hlm. 4. Diakses tanggal 2021-12-15.
- ^ Sudrajat (2008-08-01). “Dasar-Dasar Fuzzy Logic” (PDF). Pustaka Universitas Padjajaran. hlm. 30. Diakses tanggal 2021-12-12.
- ^ Sam’an, Muhammad (2015-01-01). “Implementasi Fuzzy Inference System sebagai Sistem Pengambilan Keputusan Pemilihan Program Studi di Perguruan Tinggi”. Journal UNNES. hlm. 68. Diakses tanggal 2021-12-12.
- ^ Setiawan, Agung; Yanto, Budi; Yasdomi, Kiki (2018-01-01). “Logika Fuzzy dengan Matlab” (PDF). Agung 73. IKAPI. hlm. 1-2. Diakses tanggal 2021-12-12.
- ^ Irawan, Muhammad Dedi; Herviana (2018-12-02). “IMPLEMENTASI LOGIKA FUZZY DALAM MENENTUKAN JURUSAN BAGI SISWA BARU SEKOLAH MENENGAH KEJURUAN (SMK) NEGERI 1 AIR PUTIH” (PDF). Media Neliti. hlm. 130. Diakses tanggal 2021-12-12.
- ^ Nast, Condé (2017-09-19). “Remembering Lotfi Zadeh, the Inventor of Fuzzy Logic”. The New Yorker (dalam bahasa Inggris). Diakses tanggal 2021-12-15.
- ^ Metz, Cade (2017-09-11). “Lotfi Zadeh, Father of Mathematical ‘Fuzzy Logic,’ Dies at 96”. The New York Times (dalam bahasa Inggris). ISSN 0362-4331. Diakses tanggal 2021-12-15.
- ^ Ritha, Nola (2020-11-01). “Modul Pembelajaran Kecerdasan Buatan” (PDF). Informatika Fakultas Teknik Umrah. hlm. 69. Diakses tanggal 2021-12-12.
- ^ Solichin, Achmad (2021-05-12). “Apa itu Logika Fuzzy? Pengenalan Konsep Dasar dan Aplikasinya – Achmatim.Net”. Achmatim (dalam bahasa Inggris). Diakses tanggal 2021-12-12.
- ^ Syafrinidawaty (2020-04-06). “LOGIKA FUZZY”. UNIVERSITAS RAHARJA (dalam bahasa Inggris). Diarsipkan dari versi asli tanggal 2021-12-12. Diakses tanggal 2021-12-12.
- ^ Abrori, Muchammad; Prihamayu, Amrul Hinung (2015-10-01). “Aplikasi Logika Fuzzy Metode Mamdani Dalam Pengambilan Keputusan Penentuan Jumlah Produksi” (PDF). Media Neliti. hlm. 94. Diakses tanggal 2021-12-12.
- ^ Santya, Linda; Miftah, Muhamad; Mandala, Vilka; Saepudin, Sudin; Gustian, Dudih (2017-01-01). “PENERAPAN METODE FUZZY MAMDANI UNTUK PENDUKUNG KEPUTUSAN PENENTUAN JUMLAH PRODUKSI LANTAK SI JIMAT” (PDF). Jurnal Nusaputra. hlm. 2. Diakses tanggal 2021-12-12.
- ^ Batubara, Supina (2017-11-25). “Analisis Perbandingan Metode Fuzzy Mamdani dan Fuzzy Sugeno Untuk Penentuan Kualitas Cor Beton Instan”. Jurnal UIR. hlm. 5. Diakses tanggal 2021-12-12.
- ^ Tundo (2021-01-01). “Kinerja Logika Fuzzy Sugeno dalam Menangani Prediksi Kain Tenun dengan Kombinasi Random Tree dalam Membangun Rule”. E-Journal Undiksha. hlm. 70. Diakses tanggal 2021-12-12.
- ^ Rahakbauw, Dorteus L. (2015-02-01). “Penerapan Logika Fuzzy Metode Sugeno untuk Menentukan Jumlah Produksi Roti Berdasarkan Data Persediaan dan Jumlah Permintaan (Studi Kasus: Pabrik Roti Sarinda Ambon)”. Jurna Ilmu Matematika Terapan. hlm. 123. Diakses tanggal 2021-12-12.
- ^ Satria, Fandra; Sibarani, Alexander J. P. (2020-05-19). “Penerapan Metode Fuzzy Tsukamoto untuk Pemilihan Karyawan Terbaik Berbasis Java Desktop”. Digital Zone: Jurnal Teknologi Informasi dan Komunikasi (dalam bahasa Inggris). 11 (1): 131. doi:10.31849/digitalzone.v11i1.3944. ISSN 2477-3255.
- ^ Hapiz, Abdul (2018-08-03). “Penerapan logika fuzzy dengan metode tsukamoto untuk mengestimasi curah hujan” (PDF). Ethenes UIN Malang. hlm. 19-20. Diakses tanggal 2021-12-12.
- ^ Rusman, Arief (2016-05-17). “LOGIKA FUZZY TAHANI SISTEM PENUNJANG KEPUTUSAN PENENTUAN LULUSAN TERBAIK”. Jurnal Informatika. 3 (1): 32. doi:10.31294/ji.v3i1.265. ISSN 2528-2247.
- ^ Azhari, Muhamad; Septiarini, Anindita (2016-06-06). “PENERAPAN FUZZY TAHANI PADA SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PEMBELIAN RUMAH DI KOTA SAMARINDA”. Informatika Mulawarman : Jurnal Ilmiah Ilmu Komputer. 8 (2): 57. doi:10.30872/jim.v8i2.104. ISSN 2597-4963.
- ^ Manda, Odie Harvence (2016-01-01). “IMPLEMENTASI FUZZY QUERY DATABASE UNTUK PENGELOLAAN DATA OBAT (Studi Kasus : Apotek Sehat Bersama I Kota Bengkulu)”. E-Journal UNIB. hlm. 95. Diakses tanggal 2021-12-12.
- ^ Ernie (2009-12-21). “FUZZY LOGIC (LOGIKA FUZZY) Bagian I”. ndoWare. Diakses tanggal 2021-12-12.
- ^ Pasaribu, Grace Intan (2020-07-01). “ANALISIS DAN IMPLEMENTASI METODE FUZZY MAMDANI DALAM PENENTUAN PRODUKSI OPTIMUM DI HARIAN UMUM MEDAN POS” (PDF). Repository USU. hlm. 6. Diakses tanggal 2021-12-12.
- ^ Davvaz, Bijan; Mukhlash, Imam; Soleha (2021-04-22). “Himpunan Fuzzy dan Rough Sets”. IPTEK ITS. hlm. 81. Diakses tanggal 2021-12-13.
- ^ Arifah, Enny Durratul; Irawan, Mohammad Isa; Mukhlash, Imam (2017-01-01). “APLIKASI METODE FUZZY MAMDANI DALAM PENENTUAN JUMLAH PRODUKSI”. Jurnal Unej. hlm. 81. Diakses tanggal 2021-12-13.
- ^ Salman, Afan Galih (2010-12-01). “Pemodelan Sistem Fuzzy Dengan Menggunakan Matlab”. ComTech: Computer, Mathematics and Engineering Applications (dalam bahasa Inggris). 1 (2): 278. doi:10.21512/comtech.v1i2.2349. ISSN 2476-907X.
- ^ Putra, Hendri; Kelviandy, Matias; Putera, Bintang Eka (2018-11-15). “Penerapan Kontrol Fuzzy Logic Berbasis Matlab Pada Perangkat Mesin Cuci”. MULTINETICS. 4 (2): 7. doi:10.32722/multinetics.v4i2.1177. ISSN 2443-2334.
- ^ Nurohmah, Septiana; Amalia, Ayu Azmy; Hanjati, Sri (2008-01-01). “Fuzzy Washing Machines” (PDF). Staffnew UNY. hlm. 2. Diakses tanggal 2021-12-12.
- ^ Sembiring, Zulfikar (2017-01-01). “Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas”. Semantika Polgan. hlm. 124. Diakses tanggal 2021-12-12.
- ^ Laudon, Kanneth C (2007-01-01). Sistem Informasi Manajemen 2 (ed.10). Jakarta: Penerbit Salemba. hlm. 126. ISBN 978-979-691-449-4.
- ^ Darmawati (2017-07-02). “Proses Pendiagnosaan Penyakit Menggunakan Logika Fuzzy Dengan Metode Mamdani”. Jurnal Unsulbar. hlm. 162. Diakses tanggal 2021-12-12.
- ^ Saputri, Ariesta Dwi; Ramadhani, Rima Dias; Adhitama, Rifki (2019-11-29). “LOGIKA FUZZY SUGENO UNTUK PENGAMBILAN KEPUTUSAN DALAM PENJADWALAN DAN PENGINGAT SERVICE SEPEDA MOTOR”. Journal of Informatics, Information System, Software Engineering and Applications (INISTA) (dalam bahasa Inggris). 2 (1): 50. doi:10.20895/inista.v2i1.95. ISSN 2622-8106.
- ^ Maryaningsih, Maryaningsih; Siswanto, Siswanto; Mesterjon, Mesterjon (2013). “METODE LOGIKA FUZZY TSUKAMOTO DALAM SISTEM PENGAMBILAN KEPUTUSAN PENERIMAAN BEASISWA”. JURNAL MEDIA INFOTAMA (dalam bahasa Inggris). 9 (1): 144. doi:10.37676/jmi.v9i1.22. ISSN 2723-4673.