Fuzzy

Fuzzy Multi-Criteria Decision Making (FMCDM

)
I. PENDAHULUAN Banyak metode yang digunakan untuk membantu dalam mengambil keputusan khususnya yang berdasarkan beberapa alternatif. Salah satu metode yang dapat digunakan dalam pengambilan keputusan adalah metode Fuzzy Multi-Criteria Decision Making (FMCDM). Metode ini dikembangkan untuk membantu pengambil keputusan dalam melakukan pengambilan keputusan terhadap beberapa alternatif keputusan untuk mendapatkan suatu keputusan yang akurat dan optimal. Logika fuzzy adalah salah satu cabang dari AI (Artificial Intelligence). Logika fuzzy merupakan modifikasi dari teori himpunan dimana setiap anggotanya memiliki derajat keanggotaan yang bernilai kontinu antara 0 sampai 1. Sejak ditemukan pertama kali oleh Lotfi A. Zadeh pada tahun 1965, logika fuzzy telah digunakan pada lingkup domain permasalahan yang cukup luas, seperti kendali proses, klasifikasi dan pencocokan pola, manajemen dan pengambil keputusan, riset operasi, ekonomi dan lain lain. Sejak tahun 1985, terjadi perkembangan yang sangat pesat pada logika fuzzy, terutama dalam hubungan yang bersifat non-linear, ill-defined, time-varying dan situasi-situasi yang sangat kompleks. Fuzzy multi-criteria decision making adalah salah satu metode yang bisa membantu pengambil keputusan dalam melakukan pengambilan keputusan terhadap beberapa alternatif keputusan yang harus diambil dengan beberapa kriteria yang akan menjadi bahan pertimbangan. Dalam kaitannya dengan pengambilan keputusan dari beberapa alternatif dengan banyak kriteria, serta informasi yang diberikan bersifat kualitatif, II. LOGIKA FUZZY Logika fuzzy dikatakan sebagai logika baru yang lama, sebab ilmu tentang logika fuzzy modern dan metodis baru ditemukan beberapa tahun yang lalu, padahal sebenarnya konsep tentang logika fuzzy itu sendiri sudah ada sejak lama (Kusumadewi, 2002). Logika fuzzy adalah suatu cara yang tepat untuk memetakan ruang input kedalam suatu ruang output (Kusumadewi, 2003). Konsep ini diperkenalkan dan dipublikasikan pertama kali oleh Lotfi A. Zadeh, seorang profesor dari University of California di Berkeley pada tahun 1965.

Logika fuzzy merupakan pengembangan dari logika boolean yang hanya memiliki nilai true (1) atau false (0). Logika fuzzy menggunakan ungkapan bahasa untuk menggambarkan nilai variabel. Logika fuzzy bekerja dengan menggunakan derajat keanggotaan dari sebuah nilai yang kemudian digunakan untuk menentukan hasil yang ingin dihasilkan berdasarkan atas spesifikasi yang telah ditentukan. Telah disebutkan sebelumnya bahwa logika fuzzy memetakan ruang input ke ruang output. Antara input dan output ada suatu kotak hitam yang harus memetakan input ke output yang sesuai. Alasan mengapa orang menggunakan logika fuzzy, yaitu (Kusumadewi, 2003) : 1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti. 2. Logika fuzzy sangat fleksibel. 3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat. 4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinier yang sangat kompleks. 5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan. 6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. 7. Logika fuzzy didasarkan pada bahasa alami. HIMPUNAN FUZZY Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan μ A [x], memiliki 2 kemungkinan, yaitu (Kusumadewi, 2003: 156 ) : 1. Nilai nol (0) = item tidak menjadi anggota dalam suatu himpunan. 2. Nilai satu (1) = suatu item menjadi anggota dalam suatu himpunan.  Pada himpunan crisp, nilai keanggotaan hanya terdapat 2 kemungkinan, yaitu 0 atau 1.  Himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Himpunan fuzzy didasarkan pada gagasan untuk memperluas jangkauan fungsi karakteristik sedemikian hingga fungsi tersebut akan mencakup bilangan real pada interval

c. Ada beberapa fungsi yang bisa digunakan yaitu : a. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Nilai domain dapat berupa bilangan positif maupun negatif. Nilai 0 menunjukkan salah. Variabel Fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Dengan kata lain. namun juga nilai yang terletak diantaranya. Representasi Linier . yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel. yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami. dan masih ada nilai-nilai yang terletak antara benar dan salah.(0. nilai kebenaran suatu item tidak hanya benar atau salah. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. yaitu (Kusumadewi. Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Linguistik. Himpunan Fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel.1). Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy. Himpunan fuzzy memiliki 2 atribut. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya. Numeris. yaitu: a. b. b. FUNGSI KEANGGOTAAN Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Semesta Pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Seperti halnya semesta pembicaraan. d. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. nilai 1 menunjukkan benar. domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai keanggotaannya menunjukkan bahwa suatu item dalam semesta pembicaraan tidak hanya berada pada 0 atau 1. 2003): a.

pemetaan input ke derajat keanggotaannya digambarkan sebagai garis lurus. 1. Gambar 1. Kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol (0) bergerak ke kanan menuju nilai domain yang memiliki derajat keanggotaan lebih tinggi. kemudian begerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah. Gambar 2.Pada representasi linier. Ada 2 keadaan himpunan fuzzy yang linier. Representasi Linier Turun Fungsi Keanggotaan : . Representasi Linier Naik Fungsi Keanggotaan : 2. Garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri.

. Kurva Segitiga Fungsi Keanggotaan : c. Representasi Kurva Trapesium Kurva trapesium pada dasarnya seperti kurva segitiga. hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1. Gambar 3. Representasi Kurva Segitiga Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linier).b.

demikian juga bahu kanan bergerak dari salah ke benar. Sebagai contoh. Ada 3 operator dasar yang diciptakan oleh Zadeh. pada sisi kanan dan kirinya akan naik dan turun. Bahu kiri bergerak dari benar ke salah. himpunan fuzzy pada variabel TEMPERATUR dengan daerah bahunya. Gambar 5. bukan segitiga. Tetapi terkadang salah satu sisi dari variabel tersebut tidak mengalami perubahan. Kurva Bentuk Bahu OPERATOR DASAR ZADEH Seperti halnya himpunan konvensional. digunakan untuk mengakhiri variabel suatu daerah fuzzy. ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Kurva Trapesium Fungsi Keanggotaan : d.Gambar 4. Operator AND . yaitu : a. Representasi Kurva Bentuk Bahu Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga. Himpunan fuzzy ‘bahu’. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama fire strength atau apredikat.

2003). . b.2. a. LANGKAH-LANGKAH FUZZY MULTI CRITERIA DECISION MAKING Pada Metode Fuzzy Decision Making (FDM).Operator ini berhubungan dengan operasi interseksi pada himpunan. a. a. maka alternatif-alternatif tersebut dapat ditulis sebagai A = {Ai | i=1.. ada 3 aktivitas yang harus dilakukan. n}.predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan. c. yaitu : a. . Identifikasi tujuan dan kumpulan alternatif keputusannya.. Jika ada n alternatif keputusan dari suatu masalah. yaitu: representasi masalah. Tujuan keputusan dapat direpresentasikan dengan menggunakan bahasa alami atau nilai numeris sesuai dengan karakteristik dari masalah tersebut.. ada 3 langkah penting yang harus dikerjakan. Representasi masalah Pada bagian ini.predikat sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada himpunan-himpunan yang bersangkutan. Operator NOT Operator ini berhubungan dengan operasi komplemen pada himpunan. evaluasi himpunan fuzzy pada setiap alternatif keputusan dan melakukan seleksi terhadap alternatif yang optimal (Kusumadewi. Operator OR Operator ini berhubungan dengan operasi union pada himpunan.predikat sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1.

himpunan-himpunan rating terdiri atas 3 elemen.. b. SANGAT TINGGI}. dan Sit adalah rating fuzzy untuk derajat kecocokan alternatif keputusan Ai dengan kriteria Ct. Jika ada k kriteria. Identifikasi kumpulan kriteria. CUKUP.. Biasanya digunakan fungsi segitiga. Evaluasi himpunan fuzzy Pada bagian ini. T(x) yang merepresentasikan rating dari variabel linguistik 3. maka kita harus menentukan fungsi keanggotaan untuk setiap rating. yaitu : a. Secara umum. . Sesudah himpunan rating ini ditentukan. c. min. Misal. rating untuk bobot pada Variabel Penting untuk suatu kriteria didefinisikan sebagai : T(penting) = {SANGAT RENDAH.. k}.2. max. ada 3 aktivitas yang harus dilakukan. median. Mengevaluasi bobot-bobot kriteria dan derajat kecocokan setiap alternatif dengan kriterianya. yaitu: 1. Membangun stuktur hirarki dari masalah tersebut berdasarkan pertimbangan-pertimbangan tertentu. Memilih himpunan rating untuk bobot-bobot kriteria dan derajat kecocokan setiap alternatif dengan kriterianya.b. c. dan Fi adalah indeks kecocokan fuzzy dari alternatif Ai yang merepresentasikan derajat kecocokan alternatif keputusan dengan kriteria keputusan yang diperoleh dari hasil agregasi Sit dan Wt. antara lain: mean. fungsi keanggotaan yang berhubungan dengan setiap elemen dari T(x). Mengagregasikan bobot-bobot kriteria dan derajat kecocokan setiap alternatif dengan kriterianya. TINGGI. RENDAH. . Ada beberapa metode yang dapat digunakan untuk melakukan agregasi terhadap hasil keputusan para pengambil keputusan. maka dapat dituliskan C = {Ct | t = 1. Misal. Wt adalah bobot untuk kriteria Ct. variabel linguistik (x) yang merepresentasikan bobot kriteria dan derajat kecocokan setiap alternatif dengan kriterianya 2.

Apabila nilai a semakin besar mengindikasikan bahwa derajat keoptimisannya semakin besar. yaitu: a. maka dibutuhkan metode perangkingan untuk bilangan fuzzy segitiga. metode mean yang paling banyak digunakan. ct). Dengan menggunakan operator mean. Operator yang digunakan untuk penjumlahan dan perkalian fuzzy. F = (a. bt. dan Wt = (at. b. Memprioritaskan alternatif keputusan berdasarkan hasil agregasi Prioritas dari hasil agregasi dibutuhkan dalam rangka proses perangkingan alternatif keputusan. ada 2 aktivitas yang dilakukan.qit). Fi dirumuskan sebagai : Dengan cara mensubstitusikan Sit dan Wt dengan bilangan fuzzy segitiga. yaitu Sit = (oit. maka nilai total integral dapat dirumuskan sebagai berikut : Nilai a adalah indeks keoptimisan yang merepresentasikan derajat keoptimisan bagi pengambil keputusan (0=a=1). Salah satu metode yang dapat digunakan adalah metode nilai total integral. Karena hasil agregasi ini direpresentasikan dengan menggunakan bilangan fuzzy segitiga. maka Ft dapat didekati sebagai : Seleksi alternatif yang optimal Pada bagian ini. c). Misalkan F adalah bilangan fuzzy segitiga. . pit. Dari beberapa metode tersebut.dan operator campuran.

 pi adalah suatu kontanta tegas ke-i  q merupakan konstanta konsekuen. dan nilai inilah yang akan menjadi tujuannya. Semakin besar nilai Fi berarti kecocokan terbesar dari alternative keputusan untuk kriteria keputusan. Model Fuzzy Sugeno Orde-Nol Bentuk model : IF (x1 is A1)o(x2 is A2)o(x3 is A3)…o (xN is AN) THEN z=k Keterangan :  Ai adalah himpunan fuzzy ke-I sebagai anteseden.b. Model Fuzzy Sugeno Orde-Satu Bentuk model : IF (x1 is A1) o…o (xN is AN) then z= p1*x1+…+pN*xN +q Keterangan :  Ai adalah himpunan fuzzy ke-I sebagai anteseden. Metode TSK terdiri dari 2 jenis yaitu : 1. Yang membedakan adalah pada output (konsekuen) sistem tidak berupa himpunan fuzzy tetapi berupa konstanta atau persamaan linear. METODE SUGENO Metode Sugeno diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985. Metode Sugeno juga sering disebut dengan metode TSK. Penalaran dengan metode SUGENO hampir sama dengan metode MAMDANI. Memilih alternatif keputusan dengan prioritas tertinggi sebagai alternatif yang optimal. .  k adalah konstanta (tegas) sebagai konsekuen 2.

kebisingan dan pencahayaan. Tabel 1. Banyaknya data yang diperoleh sejumlah 30x27 data= 810 data. Dalam penelitian ini terdapat 30 pekerja yang dijadikan sampel yang masing-masing melakukan 10 kali percobaan dengan kombinasi suhu. kebisingan dan pencahayaan yang berbeda untuk menghasilkan sejumlah produk. Rata-rata Jumlah Produk dan Standar Deviasi No.Data tersebut dapat dilihat pada tabel 1. 1 2 3 4 5 6 7 8 9 Suhu ( C) Kebisingan 22 22 22 22 22 22 22 22 22 55 55 55 75 75 75 90 90 90 O Suhu akan diwakili dengan variable S .CONTOH KASUS Suatu penelitian dilakukan untuk mencari jumlah produksi berdasar pengaruh faktor suhu.

Pembentukan Fungsi Keanggotaan Gambar 6. Apabila suhu semakin kurang dari 22 maka kondisi suhu sudah mendekati sangat rendah.Kebisingan diwakili dengan variable G Pencahayaan diwakili dengan variable C SOLUSI a. Apabila suhu semakin mendekati 22 maka kondisi suhu akan mendekati normal. Fungsi keanggotaan untuk himpunan RENDAH adlah berikut ini 2) NORMAL Himpunan Fuzzy Normal memiliki domain (22. Apabila suhu kurang dari 26 dan .32) dengan derajat keanggotaan Normal tertinggi (=1) terletak pada nilai 26. Fungsi Keanggotaan Pada Himpunan Fuzzy pada Variabel Suhu Pada grafik terlihat bahwa terdapat 3 Himpunan Fuzzy yaitu : 1) RENDAH Himpunan RENDAH memiliki domain (18.26) dengan derajat keanggotaan Rendah tertinggi (=1) terletak pada nilai 22.

mendekati 22 maka kondisi suhu sudah semakin RENDAH. . Apabila suhu kurang dari 32 dan mendekati 26 maka kondisi suhu sudah semakin NORMAL. Sehingga derajat keanggotaannya pada himpunan TINGGI akan semakin berkurang dan himpunan NORMAL akan bertambah. 3) TINGGI Himpunan Fuzzy TINGGI memiliki domain (26.38) dengan derajat keanggotaan Normal tertinggi (=1) terletak pada nilai 32. Sehingga derajat keanggotaannya pada himpunan NORMAL akan semakin berkurang dan himpunan RENDAH akan bertambah.

adalah : Ke-27 aturan terseut . Fungsi Keanggotaan Pada Himpunan Fuzzy pada Variabel Pencahayaan b. Pembentukan aturan fuzzy Metode inferernsi fuzzy yang digunakan adalah metode Sugeno orde nol.Gambar 7. Pada metode ini antesedenn di representasikan dengan proposisi dalam himpunan fuzzy. sedangkan konsekuen drepresentasikan dengan sebuah konstanta. Fungsi Keanggotaan Pada Himpunan Fuzzy pada Variabel Kebisingan Gambar 8.

α-predikat3 R1 R2 R3 R4 R5 R6 R7 R8 R9 R10 R11 IF SUHU IF SUHU IF SUHU IF SUHU IF SUHU IF SUHU IF SUHU IF SUHU IF SUHU IF SUHU IF SUHU REND REND REND REND REND REND REND REND REND NOR NOR . μtenang (55).5.9 THEN Rata-rata Jumlah Produk = 150. μredup (150)) =min (1.0) THEN Rata-rata Jumlah Produk = 146. α-predikat1 =min (1. μredup (150)) (R2) IF Suhu RENDAH and Kebisingan TENANG and Pencahayaan AGAK TERANG = min (μrendah (22).Kemudian dicari α-predikat (fire strength) untuk setiap aturan.1) =0 Z2= 150.1.1.9. μtenang (55). α-predikat2 (R3) IF Suhu RENDAH and Kebisingan TENANG and Pencahayaan TERANG = min (μrendah (22). sebagai berikut : (R1) THEN Rata-rata Jumlah Produk = 148.1) =1 Z1= 148 IF Suhu RENDAH and Kebisingan TENANG and Pencahayaan REDUP = min (μrendah (22). μredup (150)) =min (1.1. μtenang (55).

1) =0 Z4= 143. α-predikat4 .0.73.53 (R6) IF Suhu RENDAH and Kebisingan AGAK BISING and Pencahayaan TERANG = min (μrendah (22). α-predikat5 = min (μrendah (22). μredup (150)) =min (1.0.1) =0 Z7= 136.73 (R8) IF Suhu RENDAH and Kebisingan BISING and Pencahayaan AGAK TERANG = min (μrendah (22).73 (R7) IF Suhu RENDAH and Kebisingan BISING and Pencahayaan REDUP = min (μrendah (22). μredup (150)) =min (1.0) =0 Z5=146. μtenang (55). α-predikat8 THEN Rata-rata Jumlah Produk = 136.=0 Z3= 146. μtenang (55).53. α-predikat6 THEN Rata-rata Jumlah Produk = 143.0) THEN Rata-rata Jumlah Produk = 140. μtenang (55). μtenang (55).1 (R5) IF Suhu RENDAH and Kebisingan AGAK BISING and Pencahayaan AGAK TERANG THEN Rata-rata Jumlah Produk = 146.0) =0 Z6= 142. μredup (150)) =min (1.0.1.73.5 (R4) IF Suhu RENDAH and Kebisingan AGAK BISING and Pencahayaan REDUP = min (μrendah (22). μtenang (55).0. μredup (150)) =min (1. μredup (150)) =min (1. α-predikat7 THEN Rata-rata Jumlah Produk = 142.77.0.

1. μtenang (55). α-predikat9 . μredup (150)) =min (1. μredup (150)) =min (0.1. α-predikat12 = min (μrendah (22).27 (R12) IF Suhu NORMAL and Kebisingan TENANG and Pencahayaan TERANG THEN Rata-rata Jumlah Produk = 152. μtenang (55). μredup (150)) =min (0.13 (R13) IF Suhu NORMAL and Kebisingan AGAK BISING and Pencahayaan REDUP THEN Rata-rata Jumlah Produk = 148.=0 Z8= 140.1) =0 Z10= 149.27. μtenang (55).73 (R11) IF Suhu NORMAL and Kebisingan TENANG and Pencahayaan AGAK TERANG THEN Rata-rata Jumlah Produk = 153.77 (R9) IF Suhu RENDAH and Kebisingan BISING and Pencahayaan TERANG = min (μrendah (22). μredup (150)) =min (0.1.0) =0 Z9= 135.97. α-predikat10 = min (μrendah (22).97 (R10) IF Suhu NORMAL and Kebisingan TENANG and Pencahayaan REDUP THEN Rata-rata Jumlah Produk = 149.73.0. μredup (150)) =min (0. α-predikat13 = min (μrendah (22). μtenang (55). α-predikat11 = min (μrendah (22).0.1) =0 THEN Rata-rata Jumlah Produk = 135. μtenang (55).0) =0 Z12= 152.13.0) =0 Z11= 153.

0) =0 Z17= 145.0.47 (R17) IF Suhu NORMAL and Kebisingan BISING and Pencahayaan AGAK TERANG THEN Rata-rata Jumlah Produk = 145. α-predikat14 = min (μrendah (22). μtenang (55).63.67 (R18) IF Suhu NORMAL and Kebisingan BISING and Pencahayaan TERANG THEN Rata-rata Jumlah Produk = 140.63 (R15) IF Suhu NORMAL and Kebisingan AGAK BISING and Pencahayaan TERANG THEN Rata-rata Jumlah Produk = 147.63 (R16) IF Suhu NORMAL and Kebisingan BISING and Pencahayaan TERANG THEN Rata-rata Jumlah Produk = 147. μredup (150)) =min (0. μredup (150)) =min (0.63.67. μredup (150)) =min (0.0) =0 .0) =0 Z15= 147. μtenang (55).2. μredup (150)) =min (0. μredup (150)) =min (0. μtenang (55). α-predikat16 = min (μrendah (22). α-predikat15 = min (μrendah (22).1) =0 Z16= 141.0.0. α-predikat16 = min (μrendah (22).0) =0 Z14= 150. α-predikat17 = min (μrendah (22). μtenang (55). μtenang (55).Z13= 148 (R14) IF Suhu NORMAL and Kebisingan AGAK BISING and Pencahayaan AGAK TERANG THEN Rata-rata Jumlah Produk = 150.0.63.0.

μtenang (55).1) =0 Z19= 142. α-predikat22 = min (μrendah (22). α-predikat23 = min (μrendah (22).1.0.10 (R20) IF Suhu TINGGI and Kebisingan TENANG and Pencahayaan AGAK TERANG THEN Rata-rata Jumlah Produk = 146.0) =0 Z19= 142. μtenang (55).53. μredup (150)) =min (0.Z18= 140. μredup (150)) =min (0.0.2 (R19) IF Suhu TINGGI and Kebisingan TENANG and Pencahayaan REDUP THEN Rata-rata Jumlah Produk = 142.7. μtenang (55). μredup (150)) =min (0.7 (R23) IF Suhu TINGGI and Kebisingan AGAK BISING and Pencahayaan AGAK TERANG THEN Rata-rata Jumlah Produk = 142.0) =0 Z19= 146.1. μtenang (55). α-predikat20 = min (μrendah (22).17 (R22) IF Suhu TINGGI and Kebisingan AGAK BISING and Pencahayaan REDUP THEN Rata-rata Jumlah Produk = 138.0) =0 .10.10. μredup (150)) =min (0. μredup (150)) =min (0.1.1) =0 Z19= 138. μtenang (55).17. α-predikat21 = min (μrendah (22).53 (R21) IF Suhu TINGGI and Kebisingan TENANG and Pencahayaan TENANG THEN Rata-rata Jumlah Produk = 142. α-predikat19 = min (μrendah (22).

0) =0 Z26= 138.77.1) =0 Z25= 133.33. μredup (150)) =min (0.0) =0 Z19= 138.33 (R27) IF Suhu TINGGI and Kebisingan BISING and Pencahayaan TERANG THEN Rata-rata Jumlah Produk = 133. α-predikat25 = min (μrendah (22). μredup (150)) =min (0.33.77 .3 (R25) IF Suhu TINGGI and Kebisingan BISING and Pencahayaan REDUP THEN Rata-rata Jumlah Produk = 133.33 (R26) IF Suhu TINGGI and Kebisingan BISING and Pencahayaan AGAK TERANG THEN Rata-rata Jumlah Produk = 138.0.4 (R24) IF Suhu TINGGI and Kebisingan AGAK BISING and Pencahayaan TERANG THEN Rata-rata Jumlah Produk = 138.0) =0 Z27= 133.0.0. α-predikat26 = min (μrendah (22). μtenang (55). μtenang (55).Z19= 141. μredup (150)) =min (0. α-predikat24 = min (μrendah (22). μtenang (55). α-predikat19 = min (μrendah (22). μtenang (55). μredup (150)) =min (0.0.3.

Sign up to vote on this title
UsefulNot useful