visualisasi informasi wilayah resiko banjir berdasarkan ...€¦ · visualisasi informasi wilayah...
TRANSCRIPT
Visualisasi Informasi Wilayah Resiko Banjir
Berdasarkan Data Iklim Dengan Metode Fuzzy
(Studi Kasus Kabupaten Semarang)
Artikel Ilmiah
Peneliti :
Anderias Cornelys Nomleni (682009069)
Dr. Sri Yulianto Joko Prasetyo, S.Si., M.Kom.
Program Studi Sistem Informasi
Fakultas Teknologi Informasi
Universitas Kristen SatyaWacana
Salatiga
Juli 2016
i
Visualisasi Informasi Wilayah Resiko Banjir
Berdasarkan Data Iklim Dengan Metode Fuzzy
(Studi Kasus Kabupaten Semarang)
Artikel Ilmiah
Diajukan Kepada
Fakultas Teknologi Informasi
Untuk Memperoleh Gelar Sarjana Sistem Informasi
Peneliti :
Anderias Cornelys Nomleni (682009069)
Dr. Sri Yulianto Joko Prasetyo, S.Si., M.Kom.
Program Studi Sistem Informasi
Fakultas Teknologi Informasi
Universitas Kristen SatyaWacana
Salatiga
Juli 2016
ii
iii
iv
v
vi
1
1. Pendahuluan
Bencana merupakan suatu peristiwa alam atau lingkungan buatan manusia
yang berpotensial merugikan kehidupan manusia harta, benda, atau aktivitas
manusia [1]. Bencana alam (natural disaster) yang melanda suatu daerah dapat
mengakibatkan terganggunya ketenangan dan pola hidup manusia, salah satu
bencana alam yang hampir sering terjadi diberbagai belahan dunia adalah banjir.
Bencana banjir merupakan aspek interaksi antara manusia dengan alam
yang timbul dari proses dimana manusia mencoba menggunakan alam yang
bermanfaat dan menghindari alam yang merugikan manusia [2].
Indonesia merupakan salah satu Negara yang rentan terhadap bencana
banjir, hal ini disebabkan kondisi wilayah serta kondisi geografis di indonesia
yang rentan terhadap perubahan iklim, hal ini menjadi indikasi pemasalahan yang
terjadi setiap tahun di berbagai wilayah Indonesia. Curah hujan sangat
dipengaruhi oleh faktor iklim, maka debit aliran sungai akan mengikuti keadaan
iklim (musim) yang berubah-ubah menurut waktu [3], setiap daerah memiliki
tingkat terjadinya bencana banjir yang berbeda, hal-hal yang mempengaruhi
terjadinya banjir di berbagai daerah antara lain perubahan iklim global yang
menyebabkan tingginya curah hujan pada suatu Daerah Aliran Sungai (DAS),
kondisi topografi yang memungkinkan terjadinya genangan air akibat elevasi
wilayah tersebut berada di bawah elevasi muka air sungai, serta faktor lain dari
manusia yang membuang sampah ke sungai yang menyebabkan terhambatnya
aliran sungai akibat sampah.
Kabupaten semarang merupakan wilayah bagian utara provinsi jawa
tengah, dan berada di sebelah selatan ibukota provinsi jawa tengah (kota
semarang), luas wilayah kabupaten semarang seluruhnya kurang lebih 950,21
KM2,
yang terbagi dalam 19 kecamatan dan 236 desa/kelurahan, suhu udara rata-
rata kabupaten semarang bias dikatakan relative sejuk, hal ini memungkinkan
karena jika ditiliki berdsarkan ketinggian wilayah dari permukaan laut, kabupaten
semarang berada pada ketinggian 318 meter dpl hingga 1450 dpl.
Pada penelitian ini dilakukan pemetaan wilayah banjir berdasarkan data
iklim guna mengetahui daerah yang memiliki kemungkinan terbesar untuk
terjadinya banjir sehingga data tentang tingkat curah hujan yang tinggi dan daerah
yang berpotensi banjir dapat dikelompokkan kedalam suatu tingkatan yang
berpotensi banjir ataupun tingkat terjadinya banjir yang relatif sedang hingga
kecil, wilayah kabupaten semarang dipilih karena memiliki potensi banjir cukup
tinggi, penentuan tingkat kerentanan banjir dilakukan dengan menggunakan
metode logika fuzzy tsukamoto dengan curah hujan, tinggi tempat, serta lamanya
hari hujan sebagai acuan. penggunaan metode logika fuzzy tsukamoto dipilih
karena memiliki peranan derajat keanggotaan sebagai penentu keberadaan elemen
dalam suatu himpunan sangatlah penting. Nilai keanggotaan atau derajat
keanggotaan atau membership function menjadi ciri utama dalam penalaran logika
dengan logika fuzzy tersebut [4]. Salah satu cara untuk mencegah timbulnya
korban jiwa serta korban materi yang lebih banyak akibat banjir adalah dengan
mengetahui terlebih dahulu tingkat terjadinya banjir di suatu daerah sehingga
dapat dilakukan tindakan pencegahan dengan memberikan peringatan akan
adanya bahaya potensi banjir pada daerah tersebut.
2
2. Tinjauan Pustaka
Penggunaan logika fuzzy dipilih karena memberi ruang dan bahkan
mengeksploitasi toleransi terhadap ketidakpresisian seperti penelitian yang
berjudul “Prediksi Curah Hujan menggunakan Fuzzy logic” menuliskan,
kepulauan maritime Indonesia yang berada di wilayah tropik memiliki curah
hujan tahunan yang tinggi, curah hujan semakin tinggi di daerah pegunungan.
Curah hujan yang tinggi di wilayah tropik pada umumnya dihasilkan dari proses
konveksi dan pembentukan awan hujan panas. Pada dasarnya curah hujan
dihasilkan dari gerakan massa udara lembab keatas.
Penggunaan Fuzzy Tsukamoto pada penelitian yang berjudul “Investigasi
Daerah Rawan Banjir Di Kota Surabaya Dengan Menggunakan Metode Fuzzy”
menghasilkan sebuah aplikasi guna mengantisipasi kemungkinan terjadinya
banjir, penggunaan fuzzy berperan penting dalam menentukan nilai value
parameter yang digunakan sehingga menghasilkan informasi tentang kerawanan
banjir.
Penggunaan Fuzzy Tsukamoto pada penelitian yang berjudul “Studi
Inferensi Fuzzy Tsukamoto Untuk Penentuan Faktor Pembebanan Trafo PLN”
menghasilkan sebuah solusi guna memelihara trafo PLN sehingga pemeliharaan
trafo dapat berjalan dengan baik dan menghemat biaya pemeliharaan, penggunaan
metode defuzzifikasi aturan Tsukamoto pada sistem pakar trafo PLN sangat
bergantung dari perancangan fungsi keanggotaan dan basis aturan fuzzy yang
digunakan.
Konsep fuzzy logic diperkenalkan oleh Prof. Lotfi Zadeh dari universitas
California di Berkeley pada tahun 1965, secara umum fuzzy logic adalah sebuah
metodologi berhitung dengn variable kata-kata (linguistic variable), sebagai
pengganti berhitung dengan bilangan [7]. Penggunan Fuzzy logic merupakan
konsep yang sempurna yang biasa dipakai untuk memecahkan semua masalah.
Fuzzifikasi merupakan suatu proses pengubahan himpunan non fuzzy (crisp)
kedalam himpunan fuzzy, masukan bukan fuzzy (crisp) dipetakan kedalam bentuk
himpunan fuzzy sesuai dengn variasi semesta pembicaraan masukan. Fungsi
keanggotaan (membership function) adalah komponen yang penting. Sedangkan
perbedaan pada penelitian yang dilakukan adalah membahas tentang pembagian
wilayah beresiko banjir serta penggunaan logika Fuzzy Tsukamoto dalam
pengolahan data yang terdiri dari curah hujan, tinggi daerah, dan lama hari hujan.
Metode Tsukamoto mengaplikasikan penalaran monoton pada setiap aturannya.
Kalau pada penalaran monoton, sistem hanya memiliki satu aturan, pada metode
tsukamoto, sistem terdiri atas beberapa aturan. Karena menggunakan konsep dasar
penalaran monoton, pada metode Tsukamoto, setiap konsekuen pada aturan yang
berbentuk IF-THEN harus dipresentasikan dengan suatu himpunan fuzzy dengan
fungsi keanggotaan yang menoton. Output hasil inferensi dari tiap-tiap aturan
diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Proses
agregasi antar aturan dilakukan, dan hasil akhirnya diperoleh dengan
menggunakan defuzzy konsep rata-rata berbobot.
Misalkan ada variable masukan, yaitu x dan y, serta satu variable keluaran
yaitu Z. Variabel x terbagi atas 2 himpunan yaitu A1 dan A2, variabel y terbagi atas
3
2 himpunan yaitu B1 dan B2, sedangkan 2 variabel keluaran Z terbagi atas 2
himpunan yaitu C1 dan C2 . Tentu saja himpunan C1 dan C2 harus merupakan
himpunan yang bersifat monoton. Diberikan 2 aturan sebagai berikut :
IF x is A1 and y is B2 THEN z is C1
IF x is A2 and y is B1 THEN z is C2
Diagram blok proses inferensi dengan metode Tsukamoto (Jang, 1997) dapat
dilihat pada gambar 1
Gambar 1. Inferensi menggunakan metode Tsukamoto (Jang, 1997)
-predikat untuk aturan pertama dan kedua, masing-masing adalah 1 dan
2. Dengan menggunakan penalaran monoton, diperoleh nilai Z1 pada aturan
pertama, dan Z2 pada aturan kedua. Terakhir dengan menggunakan aturan
terbobot, diperoleh hasil akhir dengan formula sebagai berikut :
Berdasarkan kriteria Integral Square Error (ISE), Integral Time Square
Error (ITSE), Integral Absolute Error (IAE) dan Integral Time Absolute Error
(ITAE) yang terdapat pada indeks performansi kesalahan, fungsi keanggotaan tipe
segitiga menghasilkan sistem respon yang lebih optimal jika dibandingkan dengan
tipe-tipe yang lain yaitu dengan ditandai oleh nilai indeks performansi kesalahan
minimal [9]
Google menyediakan layanan API (Application Programming Interface)
yang memungkinkan aplikasi client untuk melihat, menyimpan dan
memperbaharui data-data peta dalam bentuk Data API Google feed dengan
menggunakan model data fitur (letak, garis dan bentuk) dalam peta. Aplikasi ini
diberi nama Google Maps API (GMaps API). Peta yang ditampilkan diambil dari
layanan Google Maps.
4
3. Metode Penelitian
Penelitian yang dilakukan, diselesaikan melalui tahapan penelitian yang
terbagi dalam empat tahapan, yaitu: 1) Analisis permasalahan, pengumpulan
literatur, dan perumusan masalah; 2) Perancangan sistem; 3) Implementasi dan
pengujian sistem, serta analisis hasil pengujian; dan 4) Penulisan laporan hasil
penelitian. Tahapan penelitian tersebut dapat dilihat pada gambar 2.
Gambar 2. Tahapan Peneltian []
Gambar 2. Tahapan Penelitian[10]
Tahapan penelitian pada gambar 2, dapat dijelaskan sebagai berikut :
Tahap pertama: analisis permasalahan, pengumpulan literatur, dan
perumusan masalah. Pada tahap ini dilakukan penetapan permasalahan yaitu
pernyataan yang bersifat umum terhadap permasalahan yang akan diamati.
Misalnya bagaimana menentukan wilayah yang beresiko banjir di kabupaten
semarang menggunakan logika fuzzy tsukamoto serta penggunaan Gmaps.API.
Langkah selanjutnya pada tahap ini yaitu melakukan pencarian dan pengumpulan
literatur yang terkait dengan permasalahan baik berupa buku, artikel, majalah,
jurnal, dan situs internet, data-data yang didapat diambil berdasarkan buku
“Kabupaten Semarang Dalam Angka” yang ada di BPS kabupaten semarang,
penggunaannya diambil dari tahun 2009-2015 dan informasi tambaha juga didapat
dari BPBD atau Badan Penanggulangan Bencana Daerah berupa buku yang
berjudul Pemantauan dan Penyebarluasan Informasi Potensi Bencana Alam
Kabupaten Semarang. Bahan dan data yang didapatkan dari literatur tersebut
dapat dimanfaatkan untuk mengembangkan penelitian untuk mengatasi
permasalahan yang terkait. Langkah selanjutnya pada tahap ini yaitu perumusan
masalah, yaitu menguraikan permasalahan beserta solusi yang dapat membantu
mengatasi permasalahan tersebut.
Tahap kedua: Desain, tahap penerjemahan dari data yang dianalisis ke
dalam bentuk yang mudah dimengerti oleh pengguna, desain harus
Perancangan Sistem meliputi Metode Perancangan Sistem
(Metode Prototype), Model Perancangan Sistem (UML),
Perancangan Antarmuka.
AnalisisPermasalahan, Pengumpulan Literatur, dan
Perumusan Masalah
Implementasi dan Pengujian Sistem,
serta Analisis Hasil Pengujian
Penulisan Laporan Hasil Penelitian
5
didokumentasikan dengan baik dan menjadi bagian konfigurasi perangkat lunak.
Model perancangan sistem menggunakan diagram Unified Modelling Language
(UML) misalnya perancangan use case diagram, activity diagram, sequence
diagram, dan class diagram.Perancangan antarmuka yaitu merancang tampilan
antarmuka dari sistem yang berfungsi sebagai penghubung interaksi antara
pengguna dengan sistem.
Tahap ketiga: implementasi dan pengujian sistem, serta analisis hasil
pengujian, yaitu mengimplementasikan aplikasi yang sudah dibuat kemudian
dilakukan pengujian alfa dan beta. Pada pengujian alfa dilakukan analisis apakah
aplikasi SIG yang telah dibuat sudah sesuai dengan yang diharapkan atau tidak,
jika belum sesuai maka akan dilakukan perbaikan. Sedangkan pada pengujian beta
dilakukan analisis apakah aplikasi dapat menyelesaikan permasalahan atau tidak..
Tahap keempat, penulisan laporan hasil penelitian, yaitu
mendokumentasikan proses penelitian yang sudah dilakukan dari tahap awal
hingga akhir ke dalam tulisan, yang nantinya akan menjadi laporan hasil
penelitian.
Sistem aplikasi dirancang dengan menggunakan UML (Unified Modelling
Language). Use case diagram mendeskripsikan rangkaian kegiatan yang
dijalankan oleh aplikasi dan menggambarkan hubungan antara masing-masing
aktor dengan setiap proses yang digambarkan melalui setiap use case. Setiap use
case menggambarkan sebuah proses yang terdapat dalam sistem yang akan
dikembangkan. Use case diagram pada penelitian ini dapat dilihat pada Gambar 3.
Gambar 3. Use Case Diagram.
6
4. Hasil dan Pembahasan
Algoritma yang digunakan dalam sistem ini adalah logika fuzzy tsukamoto,
logika fuzzy tsukamoto digunakan unutk menentukan wilayah resiko banjir pada
kabupaten semarang. Indikator atau komponen yang digunakan adalah curah
hujan, hari hujan, dan ketinggian tempat. Pembentukan himpunan fuzzy dapat
dilihat dari penentuan variabel dan semesta pembicaraan pada tabel 1 yang
diketahui terdiri dari tiga variabel input yaitu curah hujan, hari hujan, dan tinggi
tempat untuk menetukan kerentanan potensi banjir. Setiap varibel input dibagi
menjadi dua atau lebih himpunan fuzzy. Himpunan fuzzy digunakan untuk
mewakili kondisi tertentu dalam suatu variabel fuzzy. Dari setiap himpunan fuzzy
yang terbentuk masing-masing mempunyai domain yang nilainya terdapat dalam
semesta pembicara. Untuk lebih jelasnya dapat dilihat pada tabel 1 berikut :
Tabel 1. Himpunan fuzzy
Himpunan Fuzzy
Fungsi Nama variabel Nama Himpunan Fuzzy Semesta Pembicaraan Domain
Input
Curah Hujan
Rendah
348-5234
348-2791
Sedang 1569,5-3401,75
Tingggi 2791-5234
Hari Hujan
Rendah
24-226
24-125
Sedang 74,5-150,25
Tingggi 125-226
Tinggi Tempat Rendah
318-1450 318-884
Tingggi 1167-1450
Setelah pembentukan himpunan fuzzy, langkah selanjutnya adalah
pembentukan fungsi keanggotaan. Fungsi keanggotaan merupakan pemetaan titik
input data dalam himpunan fuzzy kedalam nilai atau derajat keanggotaannya yang
memiliki interval dari 0 hingga 1. Penggunaan fungsi keanggotaaan curah hujan,
hari hujan, dan tinggi tempat ditunjukkan pada persamaan dibawah :
Fungsi keanggotaan untuk curah hujan rendah ditunjukkan pada
persamaan 1.
ch Rendah [P] {
, 348 ≤ P ≤ 2791 (1)
Fungsi keanggotaan untuk curah hujan sedang ditunjukkan pada
persamaan 2
ch Sedang [P] {
(2)
7
Fungsi keanggotaan untuk curah hujan tinggi ditunjukkan pada
persamaan 3
ch Tinggi [P] {
(3)
Fungsi keanggotaan hari hujan. Domain himpunan fuzzy terdiri dari
rendah (24-125), sedang (74.5-150.25), tinggi (125-226)
Fungsi keanggotaan untuk hari hujan rendah ditunjukkan pada persamaan 4
hh Rendah [r] {
, 28 ≤ r ≤ 125 (4)
r ≤ 125
Fungsi keanggotaan hari hujan sedang ditunjukkan pada persamaan 5
hh Sedang [P]
{
(5)
Fungsi keanggotaan hari hujan tinggi ditunjukkan pada persamaan 6
hh Tinggi [P] {
(6)
Fungsi keanggotaan tinggi tempat. Domain himpunan fuzzy terdiri dari
rendah (318-884), dan tinggi (1167-1450).
Fungsi keanggotaan untuk tinggi tempat rendah ditunjukkan pada
persamaan 7
tt Rendah [q] {
–
, (7)
8
Fungsi Keanggotaan untuk tinggi tempat tinggi ditunjukkan pada
persamaan 8
ch Tinggi [q] {
, 1167 ≤ q ≤ 1450 (8)
q ≤ 1167
Fungsi keanggotaan potensi banjir. Domain himpunan fuzzy terdiri dari
rendah (1), sedang (1.5), dan tinggi (3).
Fungsi Keanggotaan untuk potensi banjir rendah ditunjukkan pada
persamaan 9
pb Rendah [s] {
(9)
Fungsi Keanggotaan untuk potensi banjir sedang ditunjukkan pada
persamaan 10
pb Sedang [s]
{
(10)
Fungsi Keanggotaan untuk potensi banjir tinggi ditunjukkan pada
persamaan 11
pb Tinggi [s] {
(11)
9
Hasil pembahasan web dapat dilihat pada gambar 4, dibawah ini :
Gambar 4. Tampilan web.
Hasil pemetaan kabupaten semarang dapat dilihat pada gambar 4.1 di bawah
ini :
Gambar 4.1 Tampilan peta kabupaten semarang
Pada Gambar 4 dan 4.1 menjelaskan gambaran web yang digunakan dalam
menampilkan peta kabupaten semarang, hasil yang ditampilkan yaitu seluruh
kecamamtan yang ada di kabupaten semarang dalam bentuk peta menggunakan
Gmaps dari google, dengan menggunakan API BirdTheme yang merupakan salah
satu aplikasi pendukung dari google, peta dapat dimunculkan setelah terlebih
dahulu melalui proses rendering yang kemudian hasil rendering tersebut dirubah
menjadi data dalam bentuk javascript yang kemudian data dimasukan kedalam
database guna menampilkan peta-peta tersebut.
Informasi tampilan peta salah satu kecamatan yang terdapat di web dapat dilihat
pada gambar 4.2 di bawah ini :
10
. Gambar 4.2 Tampilan salah satu kecamatan.
Gambar 4.2 menjelaskan tentang fitur yang ada pada web pemetaan
kabupaten semarang dimana pengguna dapat mengetahui informasi yang ada pada
suatu daerah yang terdiri dari tinggi tempat, curah hujan, hari hujan, dan tingkat
kerentanan banjir, dengan memilih daerah yang ingin diketahui.
Perhitungan fuzzy di dalam web akan dijelaskan pada gambar 4.3 dan 4.4 dibawah
ini :
Gambar 4.3 Perhitungan fuzzy 1
11
Gambar 4.4 Perhitungan fuzzy 2.
Dalam gambar 4.3 dan 4.4 tentang perhitungan fuzzy yang dibentuk dalam sebuah
tabel yang akan dinyatakan dalam pernyataan JIKA-MAKA, pengguna harus
memasuki laman administrator dimana harus menggunakan username dan
password untuk mengakses laman tersebut, dalam halaman ini terdapat informasi
yang berisi data tahunan 5 series dari setiap kabupaten yang ada di kabupaten
semarang serta informasi tingkat kerentanan banjir disetiap kabupaten, data-data
ini yang digunakan untuk mengetahui tingkat kerentanan banjir di tiap kabupaten,
data-data tersebut terdiri dari tinggi tempat, curah hujan dan hari hujan yang
kemudian akan menentukan tingkat kerentanan yang dibagi dalam 3 kategori yaitu
tinggi, sedang, dan rendah, guna mendapat hasil tingkat kerentanan terdapat
pengujian alfa dan variabel Z yang nantinya akan menghasilkan tingkat
kerentanan banjir pada suatu daerah.
5. Kesimpulan
Berdasarkan hasil pengujian yang telah dilakukan metode logika fuzzy
tsukamoto dapat digunakan dalam sebagai metode dalam melakukan pemetaan
wilayah banjir di kabupaten semarang.
Penggunaan data series 5 tahunan dalam melakukan penentuan wilayah banjir
terbukti efektif sehingga pengambilan tindakan dapat dilakukan guna mencegah
terjadinya kerugian yang lebih besar di masa mendatang.
Nilai kesalahan yang dilakukan dalam menentukan wilayah banjir relatif kecil,
berdsarkan table uji penentuan wilayah banjir data masukan parameter-parameter
penentuan wilayah banjir dinyatakan sebagai nilai tegas (crisp).
Penggunaan Gmaps.API memudahkan dalam pembentukan peta, sehingga
hasil yang didapat lebih up to date karena penggunaan peta yang lebih modern.
12
6. Daftar Pustaka
[1]. Harta, M., Sri. 2009. Pemetaan Resiko Bencana Banjir Diwilayah Gresik
Utara. Tugas Akhir. Jurusan Perencanan Wilayah dan Kota. Institut
Teknologi Sepuluh Novermber. Surabaya. Tidak Dipublikasikan.
[2]. Suwadi. 1999. Identifikasi dan Pemetaan Kawasan Rawan Banjir disebagian
Kotamadya Semarang Dengan Menggunakan Sistem Informasi Geografi.
Tesis. Program Pascasarjana.Institut Pertanian Bogor. Bogor.
[3]. Seyhan, E.2001.Dasar-dasar Hidrologi.Yogyakarta.Gadjah Mada
University.Press
[4]. Sri Kusumadewi, 2003, Artificial Intelligence (Teknik dan Aplikasinya),
Graha Ilmu, Yogyakarta
[5]. Thamrin, Fanoeel, Eko Sediyono, Suhartono, 2012, Studi Inferensi Fuzzy
Tsukamoto Untuk Penentuan Faktor Pembebanan Trafo PLN, Jurnal Sistem
Informasi Bisnis, 01.
[6]. Winardo, Arya Bima, Arna Fariza, Yuliana Setiowati, Investigasi Daerah
Rawan Banjir Di Kota Surabaya Dengan Menggunakan Metode Fuzzy
[7]. N. Agus, 2009, Belajar Cepat Fuzzy Logic Menggunakan Matlab, Penerbit :
Andi, Yogyakarta.
[8]. Jang, J-S, R, Chuen-Tsai Sun, 1995, Neuro-Fuzzy Modeling And Control,
Proceedings Of The IEEE, Vol. 83, No. 3, March.
[9]. Suratno, 2011, Pengaruh Perbedaan Tipe Fungsi Keanggotaan Pada
Pengendali Logika Fuzzy Terhadap Tanggapan Waktu Sistem Orde Dua
Secara Umum, Semarang : Teknik Elektro, Universitas Diponegoro.
[10]. Hasibuan, Zainal, A., 2007, Metodologi Penelitian Pada Bidang Ilmu
Komputer Dan Teknologi Informasi : Konsep, Teknik, dan Aplikasi, Jakarta:
Ilmu Komputer Universitas Indonesia.
[11]. Kusumadewi, Sri, Sri Hartati, Agus Harjoko, dkk.2006. Fuzzy Multi-
Attribute Decission Making (Fuzzy MADM).Yogyakarta: Graha Ilmu.
[12]. Kusumadewi, S., Purnomo. H. 2010. Aplikasi Fuzzy Logic Untuk
Pendukung Keputusan. Yogyakarta. Graha Ilmu.