Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   12 ,  No.   3 ,  Decem ber   201 8 , p p.   1273 ~ 1281   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 2 .i 3 .pp 1273 - 1281          1273       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Decision  Making  i n the T ea L eaves  Diseases  Detecti on  Using  Mamda ni Fu zzy Infe re n ce M ethod       Arif  Ridh o  Lu bis 1 , Sant i  Pra yu d an i 2 , Mu h arm an  Lu bis 3 ,  A l - Kh owariz mi 4   1, 2, 4 Depa rtment of Computer En gine er ing  and   In form at ic s,   Polit e knik  Nege r i  Me dan ,    Jala n  Alm a m ater   No.  1 ,   20155 ,   Meda n,   Nor th  S um at era ,   Indone sia   3 School  of  Indus tri al E ng ineeri ng ,   T el kom   Univer sit y   Jal an  T eleko m unika si,  No.   1,   Bandung, 4025 7,   Indone si a       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   A pr   30 , 201 8   Re vised  Ju l   14 ,  201 8   Accepte d  Aug   2 1 , 201 8       The   t ea   p la n ts  (Camell i a  Sinens is)  are   sm al l   tree  spec i es  th at   us e  leave s  and   le af   buds  to  pro duce   te a   har v est ed  through   a  m onocul tur e  s y s tem .   It  is  an   agr ic u lt ure   p ract ic e  to  cultiv at e  one  t y pes  of  cr op  or  li vesto ck,  var iet y   or   bre ed  on  a  f arm  annua l l y .   More over ,   th e  emerg enc e  of  p ests,   pa thoge ns  an d   disea ses  c ause   serious  damage s  to  tea  pl ant s  sig nifi c ant l y   to  i ts  produc ti v i t y   and  qualit y   to  op ti m um   wors t.   All  par ts  of  the   te a   pla nt  such   as  l eaves,  stems ,   roots,   flowe rs  a nd  fruit s  a re  ex pos ed  to  th ese   har m   le ad   to  lo ss   of  y i el d  7   unti l  10%   per   yea r.  Th e  in te nsit y   of   th ese   at t ac k s  var y   gre at l y   o n  par t ic ul ar   cl imat e,  the  deg ree   slop e  and  th e  pl ant   m a te ri al  used.   The r efo re ,   th is  st u d y   ana l y z es  t ea   le a ves  as  a  comm o n  par t  used  in  r ec ip es  to  cr ea te   unique   t ast e   and  fl avor   in  t ea   produ ct ion ,   espe cially   in   a gro - industr y .   T he  de ci sio n   m aki ng  m et hod  used  is  Fuzz y   Mam dani   Infe re nce   as  one  of  m odel   with   func ti on al   hi era r ch y   wi th  initial   input   base d  on   esta bli shed  cri t eri a .   Fuz z y   logi c  wil l  provid e  tol er ance  to  th e  set  of  val ue ,   so  tha t  sm al l  cha n ges  will   not   result   in   signif icant  ca t egor y   d iff ere nc es,   on l y   a ff ec t   the  m embership  le v el  on  the   var ia bl e  val u e.   Previous  m et h od  using  proba bil ities  hav e  show n  78%  tea   le av es  have  bee n   at t ac k ed  b y   ca t e gor y   C   (Gra y   Bl ight )  whil e  using   Mam dani  indi c at ed  86%  of  te a  l ea v es  have   be en  infect ed.   In  thi s  c ase ,   thi s  result  point ed  out  th a t  Fuzz y   Mam d ani   Infe r enc es  have   m ore   optim al   result   compare   to   th e  p rev ious method .   Ke yw or d s :   Decisi on m aking   Fu zzy  lo gic   Infer e nce m et h od   Mam dan i     Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Ar if  Ri dho Lu bis ,   Dep a rtm ent o f C om pu t er E ng i neer i ng and  Inf or m at ic s,   Po li te kn i k Nege ri Meda n,   Jal an Alm a m ater   No.  1,   2015 5,  Me da n , N or t h  S um at era,  Indonesia.   Em a il :  arifr idho@ polm ed. ac.id       1.   INTROD U CTION   To day  the  devel op m ent  of   I T  has  bee n  s o  rap i d,   not  lim it ed  to  the  de ve lop m ent  of   ha rdwar e   an d  so ft war e ,  but  a lso  the  c om pu t ing   m et ho d  su c h  as  t he  decisi on - m aking   sys tem .  It  is  a  bra nch  of  sci e nce th at   it s  con ce pt  li es  an d  us e d  f re qu e nt ly   between   IS  and   AI   fiel d.   The  abili ty   to  qu ic kly  decide   on   par ti cula r  them   base d  on  c onte xt,  ri gh t  on  ta r get  an d  acc ount able  is  the  crit ic al   factor   t o  be   su ccess   in  th e  global  com pe ti ti on .   Hav i ng   a  lo t  of  inf orm ation   i s  not  suffici ent ,  if  not  a ble  to   do  decisi on - m akin g  prop e rly   su c h  as  al te r na ti ve  identific at ion,  weig ht  the  ev idence  a nd   re viewin g  sc he m e.  Pr ior  to  choose  am on g  al te rn at ives,  sever al   crit erions  s houl d  be  est a blish ed  first,   in  w hich  it   s ho ul d  be   able  t o  a nswer   im po rtant  qu e sti on   a bout   ho w  well   an  al te r native  can  s olv e   a  prob le m   at   hand .  U sin g  ste p - by - ste p  decisi on - m aking  syst e m   can  help  t o  m ake   m or e  inform ed  assessm ent  by  orga nizing  rel evan t  i nfor m ation   i n  pro pe r  s tructu re  a nd   syst e m at ic a ll y.  In   the   end, the or ga nizat ion  often st r uggle from  the af te r  ef fect o f  an  incide nt wh ic h  m a y creat e d am age an d ha rm  to   the r e puta ti on ,   fina nces a nd worker  p e rfo rm a nces  [13].   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   12 , N o.   3 ,  Dece m ber  2 01 8   :   1273   –   1281   1274   Tea  is  a  bev era ge  m ade  by  s te epin g  le aves  in   bo il ing   wate r,   wh ic h  low - gr own  te as  are  pro du ce  f ro m   0 - 600m ,  m id - gro wn  f r om   600 - 1,2 00 m   wh il e  the  high - gro wn  te as  a re  c ul ti vated  bet we en  1,200 - 2,0 00 m   [1 ] .   Me anwhil e,  th e  te a  plant  need s  a  ho t,  m oist   cl i m at e  with  i ts  sp eci fic  requirem ents  are  rangin g  te m pe ratur e s   from   10 - 30oC,   m ini m u m   annual  p recipit at io n  of   1250  m m ,  prefe rab ly   aci dic  s oils  an d  i deall y  0.5 - 10  de gr ee  slop es   [ 2].  M ost   of  the  te a   w or l d  producti on  base d  on  F A O  2013’s   re por t  is  pro du c ed   ( thousa nd  to ns )   in  Fa r   East   (3,96 5.6/7 8.31%),  w hich  m ajo rity   is  in  China  (Mai la nd) ,  I nd ia , S rila n ka ,  Viet nam   and  I nd onesi a,  then  i n  Africa   (64 9.5/12.82% )  that  is  m os tl y  in  Ken ya   an d  U ganda,  f ollo w ed  by  Near   E ast   (2 53. 5/5% ) ,  Lat in   Ca ribb ea n  (95 /2%),   Ja pa n  ( 84.7 / 1.6%)   a nd  Ocea nia  ( 6.5/0.1% )  [ 2].  Fu rt her m or e,  m any  of   the  pests,   path og e ns  an d  diseases   tha t  aff ect   t he  te a  plan,  in   w hich   it   was   rec ord ed  t hat  10 34  s pecies  of  art hro po d  (m os tl y  fr om   bu tt erf li es  a nd  m oth ),   82  s pec ie s  of  nem at ode  or  par asi te ,  m or e  than  400  of  f ungal  an d  sever a l   sp eci es  of  bact eria  and   al gae  [3 ] .  T he  three  m os t  seriou s  te a  plant  d ise as e  are  cam e ll ia   diebac k  an d  ca nk e r,  flo wer   li ght  and   root  r ot  [4 ] .  The  biggest  chall enge  f or   t ea  grow e rs  nowad ay s ,  is  to  pro du ce  te a  w it ho ut   pestic ide  resid ues  by  gro wing  te a  in  env i ronm ents  le ss  fav ora ble  to  pest s  and   diseases,   wh ic h  m ay   no t  be   al ways   po ssi ble  [5 ] .  Alte rn at ively ,  it   cou ld  be  throu gh   c hoos i ng   pe sti ci des  with  low  interfer e nce  or   by   app ly in g  pestic ides  accor di ng  to  econom ic   t hr es hold  [ 3] ,  [ 5].  The  qual it y  of   le aves,  buds,  fruit ,  flo wers,  an d  so il   are  vi br a nt  to  gro w  in   wh ic h  their  aro m as  and   t ast es  are  i m pacted  by  the  rainf al ls  pe rce ntage,  con ce ntrati on  of seco ndary  m et abo li te  com po unds  a nd fa rm er r esi li ence m anag em ent  [6 ] .   Pr e vious  r esea rch   [ 7]  has   un der ta ken  resea rch   i n  diag nos ing   le a f  diseas es  an d  te a  pes ts  by  usi ng  Naïve  Ba ye sia n  pro ba bili ti es  an d  Ba c kw a r d  C haining  t o  pro du ce   accu r at e  scor e s.  Th us ,   this  pap e r  wan t  t o  exp l or e  f ur the r  the  diag nose   process  by  c onduct ing  ot he r  A I  te ch nique,  w hich  is  f uzzy  lo gic  syst e m   by  Mam dan i  Me thod  (Min - Ma x  I nf e ren ce ).  A ct ually ,  this  te chn i qu e   is  qu i te   popula r  am ong  aca dem ic i an  i n  wh ic h  m any  researc hes  ha d  bee n  done  in  var i ou s  the m e  and   disp a rate  top ic s  suc h  as  pr e dicti on   of   represe ntati ve  defor m at ion   m odulus  of  tu nnel s,  dam s  and   m ining   str uctu re  [ 8],  m od el ing   of  wate r  m o vem ent   in  no n - sat ur at e d  s oil  [9 ] ,   cl as sific at ion   of   t oddle r  nutrit io na l  sta tus  [ 10 ] ,  m od el li ng   aut o  z oo m   functi on   i n  dig it al   ca m era  [11],  delim it at i on   of   r ur al   an d  urba n  areas  on   a dv a nce d  carto gr a ph ic   vis ualiz at ion   [ 12 ] ,  eve n  sp eci fic  m ic ro con t ro ll er  of   ARM  Cortex - M4  STM3 2F4 07V G  [38]  an d  m any  m or e.  The  de velo pme nt  from   the  scratc h  or  ad ding  s om e   functi on  to   the  e xisti ng   software   will   co ll ide  with  the   fast  dev el opm ent  of   so ft war e   capa bi li t ie s  in  softw are  in dustry,  w hich  i ncr ease   s ign ific a ntly   thr ough  ti m e  to  tim e  as  the  re sul t  of  ti gh t com p et it i on  i n  the m arket  [ 19] ,  [27 - 28] . I n  t he  co nte xt o f  a war e ness , pers on sho uld   hav e t he  ada pt abili t y  as  their  pr e pa r at ion   to   fit  wit h  occurri ng  ch ang e s  or  unex pe ct ed  ci rc um st ances  [21] ,  [30 - 32] .  T he  a dv a ntages   for  us in g  fu zz y  log ic   c on t ro l   (F LC )  is  beca us e  t he  underst and a bili ty ,  flex ibil it y,  m od el lin g  of  non - li ne ar  a nd   com plex  funct ion ,  de velo pme nt  of  ex pe rt  syst e m ,  colla bo rati on  with  c onve ntion al   c ontr ol  te chn i ques  an d  base d  e xclusive ly  o n natu ral l angua ge       2.   LIT ERATUR E REVIE W   The  pa per   w ork  by  Za de h  [ 14 ]   on  f uzzy  al gorithm s  pr e sent  the  ne w  con ce pt  of   f orm ula ti ng   the   con t ro l  al gorithm   through   lo gical   r ules  in volvin g  a  se ries   of  fu zzy   co nd it ion al   sta te m e nt,  wh ic h  sta te d  t hat  if  a  set   of   c ondit ion s  a re  f ulfill ed  the n  a  set   of   c onseq ue nc es  can  be  in fe rr e d.   In   FLC  te rm ino log y,  a  fu zzy   con t ro l  r ule  pl ay   the  ro le   of  a ntecede nt,  w hi ch  is  a  conditi on   i n  the  ap plica ti on   dom ai n  and   t he  co ns e quent  is  the  co ntr ol  act ion   f or   a  c on t rol le d  syst e m .  The  in pu ts  of   a  syst e m   based   on   f uzzy  ru le s  m us t  be  pr ovi de d  by  the  f uzzy  se ts  for  a dju stm ent  in  fu zzi ficat ion   of  the  c risp  inputs  a nd  vic e  ve rsa  for  t he   outp uts.  N orm al l y,  fu zzy   l og ic   is  us e d  to  t ra ns la te   qua ntit ie s  ex pr e ssed   in  li nguisti cs,   su c h  a s  vehi cl e  sp eed   de cl ared   cat egorical ly , w hic h  are slo w , q uic k,  f a st an d  tur bo. I t c an a lso b e use d  to  p r ov i de  the d e gr ee to  wh ic h a value   is  true  an d  false.  Th us ,  t his  appr oach   has  adv a ntage s  ov er  the  re su lt s  relat ed  to  hum an  cogniti ve   trai ts,  especial ly   in  sit uations  that  in vo l ves  th e  f orm at ion   of  c on c ept,  the   rec ogni ti on   of p at te rn  an d   decisi on - m aki ng   in unce rtai n or  un cl ea r  e nv i ronm ents [ 20] .   In   ge ner al ,   the   FLC  syst em   consi sts  of  f ou r  m ai n  par ts  nam el y  fu zzi ficat ion   inte rf ace ,   fu z zy   r ule  base,  f uzzy  in fer e nce  e ng i ne   an d  defuzzifi cat ion   inte rf ac e.  Ma m dan i  and  As sil ia n  [ 15]   intr oduce d  n ew   te chn iq ue  i n  f uz zy   infer e nce,  as  the  their  firs t  appro ac h  to  c on t ro l  the  c ombinati on  of   ste a m   eng ine  a nd  bo il e r   m achines  by  s ynthesiz in g  a  set   of   li nguisti c  con tr ol  r ules   der ive d  f r om  exp e rience d  hu m an  operat or s .  I n  add it io n,  the  li nguisti c  va riab le   w ho se   va lu es  are   ex press ed  i n  sta te m ent,  w ord  or  se nt ences  i n  t he  form   of   conditi ons  in  natu ral  la ngua ge  was  de fine d  by  s uitable   m e m ber sh ip  f un ct io n  (MF) ,   wh ic h  is  a  cu rv e  t hat   determ ines  how  each  point  is  m app ed  in  the  input  sp ac e  to  a  m e m be rsh i p  value  be twe en  0  a nd   1  [22].   Howe ver,  so m e  people  try   to   fin d  phil oso phic al   ans wer   on  the  fun dam e ntal  quest ion   on  w hy  a  syst e m   based   on   fuzzy   ru le s  work   well   f or   a  wide  range  of  pract ic al   pro blem s.  The  firs t  at tem pt  to  answ er  t his  quest ion   is  qu a ntit at ively   dem on s trat ed  by  W an g  an d  Buckley   [16 - 17 ]   w her e  the y  fo und  ou t  that  a  par ti cula r  FLC  syst e m s  cl ass  is  un ive rsal  ap pro xim a tors,   wh ic h  has  ce rt ai n  capa bili ty   of   a ppr oach i ng  any  real  c onti nu ous   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Decisi on M aking in t he  Te a L eaves  Disea ses  D et ect io n U sing M amdani F uz zy  In fe re nce …  ( Arif  Ridho Lu bis )   1275   functi on  in  a  com pact  set   with  an  ar bitrar y  pr eci sio n  an d  accu racy.  It   is  ch aracte riz ed  by  the  Ga us sia n  m e m ber sh ip  f unct ions,  fu zzy   conj un ct io n an d  im plica ti on  prod uct and ce nt er ar ea  of  defu zzi ficat ion .   The  f uzzifica ti on   i nterf ace  i nvol ves  a  f un ct i on s  t o  m easur e  the  values  of   i nput  va riables,   creati ng   a   scal e  m app ings  that  transf er s   the  ran ge  of   input  value s  va riables  to  the  corres pondin g  unive rse  of   disc ourse   and   c onduct   a   fu zzi ficat io n  functi on  that  trans f or m   it   into  ade quat e  li ng uisti c  val ue  to  be  disp la ye d  as  a  certai n  f uzzy  s et .  The  ru le   ba se  relat ed  t o  th e  knowle dge  f or   a ppl ic at ion   do m ai n  an d  th e  co ncurr e nt  c on t ro l   obj ect ive .  It  c onsist s  of  a   data base  a nd  a  li nguisti c  c on tr ol  ru le   base,   w hi ch  prov i des  im portant  def i niti on  to   unde rstan d  t he   instr uctio n  lo gic  a nd  data  m anip ulati on  in  a  FLC,   w hich   char act e rizes  t he  c ontrol  goa ls   an d  po li cy   of   the  dom ai n  exp erts  [18].  In   oth e r  hand,   the  f uzz y  infer ence  e ngine  is  the  core  of   a  FLC,  w hich  ha s   the  abili ty   to  s i m ulate   the  m e chan ism   in  hu m an  decisi on - m aking   t hro ugh  fu zzy   c once pts  by  infe rr i ng  fu zzy   con t ro l  act io ns  that  us e   f uzz y  i m plic ation   and  the  of  inf eren ce   r ules.  S ince  sev eral  li nguisti c  va riab le s  ar e   involve d  i n  the   antece den ts   an d  t he  c on cl us io ns   of  a  r ule,  t he   f uzzy  syst em   is  cal le d  a s  th e  m ulti – inp ut  m ul ti – ou t pu t t ype  [1 8] .   Mam dan i  m eth od  is  m os t  of te n  cat eg or i zed  as  a  f orm   of   ap prox i m at e  reaso ning,  w hic h  ha s     been  cal le d  as   the  process   that  al lo w  po s s ible  im pr eci se  co nclusi on  is   infe rr e d  from   inade quat e  c ol le ct ion   pr em ise   [23].  This  cl assifi ca ti on   a nd  a  set   of  IF - THE N   ru le s  can   easi ly   m ake  so m eo ne  belie ve  t ha t  this  appr oach  can   pro vid e   the  l og i cal   i m plica ti on   of  a  set   of  ru l es  that  a re  us e d  for  it s  c onstr uction,  al th ough  on ly   appr ox im at ely.  I n  par ti cular ,  So m e  al so   ar gued   that  it   m i gh t  be   te m pte d  to   belie ve  i n  this   m et ho d  as  the   sh are d  trut h  of the p rem ise s  ensures   the   trut h  of  the   co nclu sion s   [ 24 - 26 ] .  I n  lo gics  that   r ecognize d  the   l evel o f   par ti al   truth,  it   is  exp ect ed  th at   if  the  inp uts   of   the  syst em   is  true  up  to  ce rtai n  point,  the n  the  outp uts  of  the   syst e m   m us t  also   co rresp ond  to  the  sam e  lev el   of  certai nt y.  More ov e r,   t he  an te ce de nts  and   t he  co ns e qu e nts   can  al so   be  c om bin ed  pro po s it ion s  that  incl ud e  t he  lo gical   connecti on  of   AND  or   OR.  The  inter pret at ion   of  Mam dan i  m et h od  as  m oto r  f or  in fer e nce  pre serv at io n  t ru t h  is  certai nly  cha ll eng e  by  the   e vid e nce  a nd  it   is  not   sh are d  by  e ve ry  academ ic ian ,  but  sti ll   it  is  reasonably  well - kn own  f or  to  the  point   it   per m ea te s  m any   si m ulati on  app li cat ion s [2 4].        3.   RESEA R CH MET HO DOL OGY   This  researc h  m et ho d  co ns is ts  of  se ver al   s ta ges  nam ely  l it eratur e  st ud y ,  data   colle ct ion,  pro blem   analy sis  an d   pro blem   so lving.  This  st ud y  ha s  obj ect ive   to   i m ple m ent  Fu zzy   Mam dan i  m et ho d  t o  dete rm ine  the  ty pe  of  dis ease  an d  pest  i n  te a  le aves  ba sed  on  se ve ral  ind ic at ors  or  s ym pto m s.  The  ty pe  of   disease   us ed   in  this  resea r ch  a re  li m i te d  to  Tea   Bl ist er  Bl ig ht  (E xoba sidium   ve xans),  Lea f  S po t  (Cyl indro cl adium  il ic ic ola),   Gr a y  Bl igh t  (P est al otia  theae),  Re d  Ro ot  Rot  (G a node rm a  ps e oduf e rr e um),  Bl ack  Ro ot   Rot  (Ros el li nia  arc uata)  a nd  the  t ype  of  pests  na m el y  Tea  Mosq uito   Bu g  ( Hel op el ti s  s pp.) ,   T ea  To rtrix  (Ho m on a  coffeari a)   a nd  Walke r  ( Hyp osi dr a  ta la ca) .  T her e   are  ste p  by   ste p  to   do  prob le m   analy sis  in  this   stu dy,  wh ic h  are  decidin g  t he   fuzzy   va riabl e,  dete rm ining   the  f uzzy  set   and  dom ai n,   f uzzifica ti on  to  dev el op  m e m b ersh i p  functi on  an d  countin g  the  val ue,   creati ng  f uz zy   ru le ,  cond ucting  in fer e nt ia l  syst e m   by  c al culat ing   α - pr edicat e   in  eac h  ru le   by  MI N  im plica ti on   a nd  usi ng  MA X  m et hods   f or  co m po sit ion al   f or  al l  r ules,  la stl y  defuzzifi cat io n wit h  ce ntr oid  m et ho ds.       4.   DISCU SSI ON A ND R ES UL TS   In   F LC,  in pu t   var ia bles  us e d  are  inte rv al s ,  so   the  i nput  in  the  f or m   of  a  str ic t  nu m ber   m us t  be  conve rted  int o  fu zzy   nu m ber s   as  can  be  see n  in  the  pr e viou s  T able  1  that  sp eci fy  the  wei gh t  disease  a nd  pe st  ( WD C)  an d  w ei gh t  in dicat or  ( WI ) .  T he  sli ght  cha nges  i n  t he  values   is  no t  necessa ry  res ulti ng   t he  diffe ren ces   in  the  cat eg or y   bu t   on ly   af fec t  the  degree  of   m e m ber sh ip.  I n  this  case,  t he   cat egory  3  is  us e d  f or   e xam ple  in  creati ng  a  set   of  va riable  an d  fu zzy   i nput/o utp ut.   T he  value  is  giv e n  t o  eac h  disease  a nd  pest  are   di ff e re nt  but   a  set   of   f uzzy  to  be  us e d  ba sed  on  pre vious  resea rc h   as  the  baseli ne  f or   this  re searc h  f or   the  pur pose  of   com par ison  [ 7] .  The   r ule  f or   m e m ber sh ip  will   be  cal c ulate d  in   the  E qu at ion   1 - 4  f or  r especti ve  cat e gory  C   (Gray  Bl igh t)  in  the  in dicat or  based   on   weig hting   for  in dicat or   (C 1 - C 4) .  The  Fig ure  1  s howe d  the  us e d  f or m   in  the  ap plica ti on   to  li st  the  data  in  f uzzy  set s  on   diseas e  and   pest  of  te a  le aves  in  gen e ral  base d  on   t he   cat egorizat ion  in  the  T able 1 . A fter   that,  t he  fu zzy   set s w as  created b ase d  on  it s  sp eci fic d ise ases  a nd  pe sts,  a s   sh ow n  in  Fi gure  2.   T he  Fi gure  3  s howe d  th e  us ed  form   in  the  app li cat io n  to  analy ze  di sease  an d  pest  of   te a   le aves  based  on  obser vation  by  ent ry  the  da ta   directl y  th rou gh  certai n  value  i n  e ver y   res pected   in di cat or   base d on f uzzy m e tho d.           Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   12 , N o.   3 ,  Dece m ber  2 01 8   :   1273   –   1281   1276     Table  1.   A Set   of Tea  Diaseas e an d  Pe s t   No   Diseas e/Pest   Ind icato r   W DP   WI   1   Tea  Blis te r  Blig h t  /  Exob a sid iu m V exan s     L i t t l e   p a l e   g r e e n   s p o t s   0 .8   0 .1   T r a n s l u c e n t  l i g h t   o n   y o u n g   le a v e s   0 .3   In 5 - 6  days,  the sp o ts ex ten d s to  0.6 - 1 .3  c m   0 .5   T h e   s u r f a c e  o f   th e  s p o ts   w a s   c o v e r ed  i n   w h i t e   g r a y   d u s t     0 .7   T h e   s u r f a c e  o f   th e  s p o ts   p r o t ru d e s  d o w n w a r d   0 .8   2   L e a f   S p o t   /   Cylin d ro cla d iu m  ilicico la     A t t a c k   o n   th e   t i p   o f  the leaf   0 .7   0 .2   Leaves ap art  f ro m   th e stalk   0 .3   The sh o o ts d ry  ou t   0 .5   B r o w n   s p o t s   o n   t h e   l e a v e s   0 .7   3   G r a y   B l i g h t   /   Pesta lo tia  thea e   G r a y   s p o t s   o n   t h e   l e a v e s   w i t h   b r o w n   e d g e s   0 .5   0 .1   Mus h roo m s sp r ead to  sh o o ts   0 .4   The sh o o ts d ry  ou t   0 .6   Twigs  bro k en  and  y ello win g   0 .8   4   R e d   R o o t   R o t   /   Ga n o d erma   p seo d u ferr eu m     The leaves  turn   y el lo w   0 .6   0 .2   The leaves   with e r   0 .3   The leaves  f all ou t   0 .4   Plan ts d ie   0 .6   There  a re  red th rea d s in  r o o t su rf ace   0 .7   W o o d  on  the sick  r o o t is so f t and  dra ws wate r  wh en  press ed   0 .9   5   B l a c k   R o o t   R o t   /   R o sellin ia   a rcu a ta   The leaves  turn   y el lo w   0 .2   0 .2   The leaves   with e r   0 .4   The leaves  f all ou t   0 .5   Plan ts d ie   0 .6   There  a re  b lack  f u n g i thread s in  r o o t su rf ace   0 .7   There  a re  b lack  do ts o n  woo d  of  the roo ts   0 .8   6   T e a   M o s q u i t o   B u g   /   H elo p eltis  sp p   Attack  occu r  o n  le av es o r  sh o o ts   0 .7   0 .2   Black  sp o t  o n  tea  leav es   0 .4   Bran ch es o r  b u d s h av e con cave sp o t s   0 .6   Twigs  withered  an d  dry   0 .8   7   T e a   T o r t r i x   /   Ho mo n a  coffea ria   There  a re  b ite   m a r k s o n  the leaves   0 .5   0 .2   Lar v ae  eat tea  leav es   0 .4   Attack in g  y o u n g  leaves   0 .5   Leaves p erfo rated   0. 6   Leaf b u d s b ald   0 .8   8   W a l k e r   /   Hyp o sid ra  tala ca   The b u d s are  rolle d  up   0 .3   0 .3   There  a re  f in e thre ad s o n  the sh o o ts   0 .5   There  a re  d a m ag es  on  the p art  o f  that is rolled  up   0 .8             Figure  1.   A ppli cat ion  F orm  I nterf ace       Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Decisi on M aking in t he  Te a L eaves  Disea ses  D et ect io n U sing M amdani F uz zy  In fe re nce …  ( Arif  Ridho Lu bis )   1277       Figure  2. A  Set  of   F uzzy  Gr ay  Bl igh t         µA1 [ x ] = { 0 ,   ≤ 0        ≥ 0 . 4 − 0 0 . 1 − 0 ,   0   ≤   ≤ 0 . 1 0 . 4 − 0 . 4 − 0 . 1 , 0 . 1   ≤   ≤ 0 . 4             (1)     µA2 [ x ] = { 0 ,   ≤ 0 . 1        ≥ 0 . 6 − 0 . 1 0 . 4 − 0 . 1 ,   0 . 1   ≤   ≤ 0 . 4 0 . 6 − 0 . 6 − 0 . 4 , 0 . 4   ≤   ≤ 0 . 6             (2)     µA3 [ x ] = { 0 ,   ≤ 0 . 4        ≥ 0 . 8 − 0 . 4 0 . 6 − 0 . 4 ,   0 . 4   ≤   ≤ 0 . 6 0 . 8 − 0 . 8 − 0 . 4 , 0 . 6   ≤   ≤ 0 . 8             (3)     µA4 [ x ] = { 0 ,   ≤ 0 . 6 − 0 . 6 0 . 8 − 0 . 6 ,   0 . 6   ≤   ≤ 0 . 8 1 ,   ≤ 0 . 8               (4)             Figure  3. Pro ble m  A naly sis f or Gray  Bl ig ht  Disease           Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   12 , N o.   3 ,  Dece m ber  2 01 8   :   1273   –   1281   1278   Table  2.   Set o f Fu zzy   Inp ut and  Ou t pu t   Set of  Data   Inp u t Co d e   Ou tp u t Co d e   Do m ain   Less ( L)   X1   Y1   0 - 45   Eno u g h  ( E)   X2   Y2   40 - 75   Go o d  ( G)   X3   Y3   70 - 100       In   m e m ber sh ip   functi on,  it   ha s  interval  0  t o  1  an d  f or   c urv e  x,   val ue  of  e ach  va riable  f r om   0  to  100.   Ther e f or e,  t o  determ ine  the  po i nt  of   it s  m e m ber sh ip  us i ng  the  tra pezo i d  curve  re pr e ssion   beca us e  it   can  be   m easur ed  acc ordi ng ly   an d  pr eci sel y  in  reg a rd   to  t he  lim it s   of   eac h  dom ain .  O n  eac h  sid e,  it   us es  a  curve  to  te rm inate  the variable  of   a f uz zy  zo ne . In  add it ion , th e  m e m b ers hip f unct io ns   for  eac h  set   are:   a.   A  Set  of Less  (L)     µA1 [ xi ] = { 0 , ≤ −  − ,   ≤    ≤               (5)   b.   A  Set  of E nough (E )     µA2 [ x ] = { (  − ) / ( − ) ,   ≤    ≤ 1 ,   ≤    ≤ ( −  ) / ( − ) ,   ≤    ≤             (6)     c.   A  Set  of Go od  ( G)     µA3 [ x ] = { (  − ) / ( − ) , ≤    ≤ 1 ,   ≥             (7)     Wh e re:   a = Mi nim u m   value o f  le ss     b  = Ma xim al  v al ue  of less     c = Mi nim u m   value o f  e noug h     d  = Ma xim al  v al ue  of e noug h   On ce  t he  va ri ables  an d  set   are  f or m ed,   th e  app li cat io n  of   t he  im plica ti on   f unct ion   i s  perform ed.     Fo r   e xam ple  there   is  a  ca se  on  G ray  Bl ig ht   as  f ollo ws,  the  e xtent  t o  w hich   the  te a   le aves  a re  i ns ula te d  by    the  disease  an d  pest  of  Pes ta loti a  theae  i f  the  value  is   m at ched .  A  cru ci al   co ns e quence  of   the  MAX   aggre gation  m et hod  i s  that  IF - T HEN   ru le s   in  a  Mam dan i  syst e m   hav e   eff ect s  on  th e  final  ou t pu t  of   the   syst e m  that cannot  be  a naly zed inde pende ntly  o f othe r  I F - THE N  r ules t ha t  m ay  b e fire d sim ultaneo us ly  in  the   syst e m  [ 24 ] ,  [ 26] ,  [35 - 37] .       Table  3.   A   Set  of Tea  Disease  and Pe s t   No   Co d e   Ind icato r   Valu e   3.   C1   G r a y   s p o t s   o n   t h e   l e a v e s   w i t h   b r o w n   e d g e s   73     C2   Mus h roo m s sp r ead to  sh o o ts   83     C3   The sh o o ts d ry  ou t   80     C4   Twigs  bro k en  and  y ello win g   76       The rule  de rive d from  the d at a  v al ue  of e nd - di seased  disease  is   1.   If  C 1  is e noug h,  C 2  is  good,   C3 is  good, a nd c is  go od, th e n pr e dicat e v al ue (PV) is  at ta cked   2.   If  C 1  is  good,   C2 is  good, C 3 i s go od, a nd C4  is  good,  the n PV  is at ta c ked     Af te r  g et ti ng t he rule t hen lo ok for m e m ber sh ip  v al ue  a nd  i m plica ti on  v al ue:   A.   If  C1  is En ough C2  G ood , C3 Good, and C4 Goo d,  T hen  P V  A gainst. Aft er th e m e m ber sh ip  value  is   ob ta ine d, the n l ook for the  im plica ti on   value  ( MI N). a nd th e MIN  v al ue of  this rule:   α _pred ic at e  1 = μC∩ μB  ∩ μ B ∩ μB = m in ( 0.4 .1,1,1 )  =  0.4     B.   If   C1  G ood  C 2  G ood,  G ood  C3,  a nd   C 4  Goo d,   T he n  P V  A gainst .  A fter  the  m e m ber sh ip  value  is   ob ta ine d, the n l ook for the  im plica ti on   value  ( MI N). a nd th e MIN  v al ue of  this rule:   α _pred ic at e  1 = μC∩ μB ∩ μB ∩ μB = m in (0 .6 . 1,1,1 )  =  0.6     Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Decisi on M aking in t he  Te a L eaves  Disea ses  D et ect io n U sing M amdani F uz zy  In fe re nce …  ( Arif  Ridho Lu bis )   1279   Af te r  the  im plica ti on   value  i s  ob ta ine d,   the   nex t  ste p  is  the  com po si ti on  of   t he  ru le   that  ta kes  the  MAX valu e  of   the im plica t ion value  that e xis ts:           Figure  4. G raphic Re su lt   for C om po sit ion  R ules       (a1 -   70)  /  (75 - 70)  =  0.6 => a 1 = 7 3                   (8)     (a2 -   70)  /  (75 - 70)  =  0  => a 2  =   70                   (9)     Hav i ng  obta in ed  the  value   of   a 1  a nd  a2   then  t he  m e m ber sh ip  f unc ti on   ca n  be   f or m ed  base d  on   t he   deco m po sit io n resu lt  as  foll ows:     µ [ x ] = { 0 ,   ≤ 70 ( 70 − ) / ( 75 − 70 ) , 70   ≤   ≤ 73 0 . 6 ,   ≥ 73           (10)     The  a naly sis  r esult  can  help   decisi on  m aking   in  determ i ning  the  c urre nt  sta tus  of  te a  le aves  f or  furthe r  act ion.   The  la st  pro cess  is  us in g  centr oid   m et ho d  for  de f uzz yfi cat ion ,  wh i ch  in dicat ed  86%  of  cat egory C ( Gray  Bl igh t)  with  the  fo ll owin g resu lt :     X* =   1 + 2 + 3 1 + 2 + 3   X* =   ∫ 0    70 0 ∫ ( 70 − ) ( 75 − 70 )    73 70 ∫ 0 . 6 100 73 =  ( 73 ∗ 0 ) + ( ( 0 + 0 . 6 ) ∗ ( 73 − 70 ) ) + ( ( 1 00 − 73 ) ∗ 0 . 6 )   X* =   0 + ( − 64 , 8 ) + ( 15 30 ) 0 + ( 0 . 9 ) + ( 16 . 2 )   X* =   1465 . 2 17 . 1   X *= 86. 212             Figure  5. Pro ble m  Result  f or  Com po sit ion  R ules  by Ap plica ti on   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   12 , N o.   3 ,  Dece m ber  2 01 8   :   1273   –   1281   1280   The  Fig ur e  5  sh owe d  the  fina l  resu lt   in  the  a naly sis  pr oce ss   fo r  te a  le aves  base d  on   F uzz y  Mam dan i  Infer e nce,  wh i ch  is  i m ple m e nted  in  the  a ppli cat ion   to  he lp  far m ers  diagnose  the  ty pe   of   disea se  an d  pest ,   wh ic h  at ta cke d  the  te a  le ave s.   In  la r ge  scal e,   after  t he  tria l  and  er ror  te st,  i t  is  exp ect e d  t he   ap plica ti on   c an  be  us e d  f or   decisi on   m aking   pro cess  to  f ur th er  reduce  the  bur den   i n  ga rd e ni ng   m anag em ent.  On   the  oth e r   hand,  the  eff ic ie ncy  al so   bec om e  t he  pri m ary  ob je ct ive  to  sel ect   sp eci fic  ap plica ti on   to  be  use d.   T he  com pa rison   with  pr e vious  m et ho d  al so   ha s  been   cal culat ed  that  sh owe d  78 %,  lo wer   ef fici ency  com par e  to  fu zzy   m et hods  as foll ows:     P( C| C1)= P ( C | C1 ) ∗ C P ( C | C1 ) ∗ C = 0 . 1 ∗ 0 . 8 0 . 1 ∗ 0 . 8 = 1   P( C| C2)= P ( C | C2 ) ∗ C P ( C | C2 ) ∗ C = 0 . 4 ∗ 0 . 8 0 . 4 ∗ 0 . 8 = 1   P( C| C3)= P ( C | C3 ) ∗ C P ( C | C3 ) ∗ C = 0 . 6 ∗ 0 . 8 0 . 6 ∗ 0 . 8 = 1   P( C| C3)= P ( C | C4 ) ∗ C P ( C | C4 ) ∗ C = 0 . 8 ∗ 0 . 8 0 . 8 ∗ 0 . 8 = 1   Pr oba bili ty  To ta l = P(C|C 1) +  P( C| C2) + P (C|C 3)  +  P (C|C 4)   = 4   (N P|C 1)  /  Pro ba bili ty  To ta l = 73   / 4  =  18.25   (N P|C 2)  /  Pro ba bili ty  To ta l = 83 / 4  =  20.75   (N P|C 3)  /  Pro ba bili ty  To ta l = 80 / 4  =  20   (N P|C 4)  /  Pro ba bili ty  To ta l = 76 / 4  =  19   Total  A tt acke d C ount =  18.2 5 + 2 0.7 5  +  20  + 19 =  78%       5.   CONCL US I O N   In   s umm ary,  t his  stu dy  us e s  the  Ma m dan i  fu zzy   in fe re nce   m e tho d  withi n  the  6  (six)  phases  nam el y  the  determ inatio n  of  the   f uz zy   var ia bles,  f uzzy  set s  a nd  fu zzy   dom ai ns ,  ad justm ent  fo r   f uzzifica ti on,  t he   form ation   of  f uzzy  r ule  in  th e  form   of   IF - T HEN,  in fer e nc e  us in g  Ma m dan i  m e tho d  t ha t  is  m in  i m plication   functi on  (m inim u m )  and   m a x  r ule  c om po sit ion   (m axi m u m )  and   la stl y,  defuzzifi cat io n.  I n  a dd it io n,  work i ng   with  dif fer e nt  im plications   and  at   the   sa m e  tim e,  the  po s sibil it y  of  com bin ing  the   res ult  gi ven  by  th e   i m plica ti on s  of  these,  there fore,  offe r  a  so li d  basis  f or   a  m or e  accurate  resu lt s  of  com pu ta ti onal   ap plica ti on  syst e m   to  be  dev el op e d.   M oreo ver,  it   can  be  im pr ov e d  by   add in g  new   i m plica ti on s,  by   us in g  m or e  fu zzy   m at ching   te ch niques  or   by  ot her   a ggre gate  op e rato rs  to   obta in  a n  ov e rall   crisp  act io n  f ro m   t ho se  pro vid e d,  separ at el y  th rough  e ve ry  im p li cat ion .  On e   of  the  c oncer n  of  our  fu t ur e   stud y  is  t o  e xpan d  t his  syst e m   by  include   un ce rtai nty  ab ou t  t he   series  of  f uzzy   m e m ber sh ip  f un ct io n  asso ci at ed  wit h  the   li nguisti c  te rm s.  It  al s o  wan t  t o  c om par e  the  e ff i ci e ncy  of  this  m et hod  with  oth ers   in  sim il a r  ob j ect   or  ta rg et   t o  gras p  m or e   unde rstan dab le  of its st re ng t hs an d weak ness es.       REFERE NCE S   [ 1 ]   Hicks  A.  “ Review  of  Glob al   Te a   Producti on   and  the  Im pact  on  Industr y   o f  the  As ia n  Econom ic   Situatio n” .   Ret ri eve d  f rom   h tt p://citese erx . i st.psu. edu/ v ie wd oc/ download ? do i= 10. 1 . 1. 543 . 89 31&re p=r ep1& t y pe =pdf   [ 2 ]   Kaison  C.   “ W orl d  Te a  Producti o n  and  Tra de  Cur ren t  and  Future  Deve lopment”.  Food  and  Agriculture  Or ganizati on  of  th e  Unit ed  Na ti ons .   Tra d e  a nd  Marke ts Di visio n,   Rom e  2015 .   [ 3 ]   Ah m ed  M.  “ Ec o frie ndl y   pest   m ana gement  of   t ea  in  Bang la desh” .   Tw o  and  a  Bud   59  (2012), 11 - 16 .   [ 4 ]   Cle m son.  “ Camell i a  Dise ase s &   Insec t  Pests” .   H ome  &   Gar den  Information  Cen t er  ( HG IC ) ,   2013.   [ 5 ]   Danz inge r   HL.   “ Disea ses a nd  Pe sts of  Te a :  Over vie w a nd  Pos sibi li ties of  I nt egr ated  Pest  and  Dise ase   Mana g ement ”.  Journal  of   Agriculture in  th e  Tr o pic s and  Sub tropic s   101  (Apr il   20 00)  13 - 38.   [ 6 ]   Ahm ed  S.  “ Te a  and  the   Ta st e  of   Cli m at e  Chang e:   Understa ndin g  Im pac ts  of  Envi ronm ent al   Var ia ti on  on  Bot anica l   Quali t y ” .   Herbal gram   103  (2014 ),   44 - 51 .   [ 7 ]   Ta rig an  MP .   “ Im ple m ent asi  Metode   Na ïve   B a y esia n  d an  Ba ckwa rd  Chai n in g  pada   Sis te m   Pakar   Diagnos a  Pen y ak it /H ama Tana m an Te h ”.  Bac he lor E ss ay   (2016).   Univ ersi ta s Sum at era Ut ara .   [ 8 ]   Rez a ei   M,  As ad iz ad eh  M,  Majd i  A,  Hos saini   MF .   “ Predic ti on  o f  rep rese nt ative  def orm at ion  m odulus  of  longwa ll  pane l  roof   roc k  strat a  using  M a m dani   fuz z y   s y s te m ”.   In te rnatio nal  Journal  of   Mini ng  Sc ie nc e  and  Technol ogy   25  (2015)  23 - 30.   [ 9 ]   Afons o  ACM ,   Nett o  AM ,   de  Vasconc el os  E .   “ Fuzz y   Log ic   A ppli ed  to  the   M odel ing  of  W ate r  D y namics   in  an  Oxisol  in  North e aste rn  Br azil”.  R ev ista   Brasileira de   C ie n ci a  do   S olo   38(2)  Apr   20 04.   [ 1 0 ]   Perm at asa ri  D ,   Aziz ah   IN,  Had ia t   HL,   Ab adi   AM .   “ Cla ss ifi cation  of   Toddler   Nutrit ion al  Sta tus  using  Fuz z y  Infe ren c e  S y ste m   (FIS )”.   AIP C onfe renc e Proceedings   1868,   04 0007  (2017).   [ 1 1 ]   El amvaz u thi   I,   Vasant   P,  W ebb  J.  “ The   Applic ation  of  Mam dani   Fuzz y   Model  for   Auto  Zoom   Fun ct ion  of  a  Digit a l   Camera ” .   I JCSI S   6(3)  2009 .   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Decisi on M aking in t he  Te a L eaves  Disea ses  D et ect io n U sing M amdani F uz zy  In fe re nce …  ( Arif  Ridho Lu bis )   1281   [ 1 2 ]   Paszto  V,  Br y c h tova   A,   Tucek  P ,   Mare k   L ,   Buri a n  J.  “ Us ing  a  Fu zzy   Inf ere n ce   S ystem  to  Del imit  Rural   and  U rba n  Munici palities i n   the Czech  R epu bli c   in  2010 ”.  Jo urnal  of  Maps   1 1(2)  2015.   [ 1 3 ]   Ahlan  AR,  Lubi s  M,  Lubi s  AR.  “ Inform at ion  Secur ity   A ware ness  at   the  Know le dge - Ba sed  Instit uti on:   Its  Antec ed ent s  and   Mea sures” .   Proce dia   Computer  Sci en ce   72  (201 5),   361 - 373 .   [ 1 4 ]   Za deh  LA.   “ Calculus  of  fuz z y   re stric ti ons” .   in  L .   A.   Zadeh,   K. - S .   Fu,   K.   Tanaka   &   M.   Shimura  ( e ds) ,   Fuzzy  Set s  and   the ir  Appl i cat ion s to  Cogni ti v e  an d  Dec ision   Proc esses,  A cade mic   Press ,   1975,   Ne w York,   pp.   1 – 3 9.   [ 1 5 ]   Mam dani   EH.   “ Applic a ti on  of  f uzzy   log ic   to  ap proximate   r ea so ning  using  li ngu isti c  s y nth esis”.   IEE E  Tr ansacti o ns   on  Computers   1 977,   26(12):   118 2 – 1191.   [ 1 6 ]   W ang,   LX.   (199 2 ) .   “ Fuzzy   S y s t ems   are   Univer sal  Approxim at or s”,   Proc.   of  I EEE  Inte r.  Conf .   o n  Fuzzy  Syste ms ,   San  Diego ,   US A,  pp .   1163 – 1170 .   [ 1 7 ]   Buckl e y   JJ .   (199 3).   “ Sugeno  t y p e   cont ro ll ers   are u nive rsal   cont r ollers”,  Fuzzy  S et s  and  Syste ms   Vol .   53:   299 – 304.   [ 1 8 ]   Ian cu  I .   “ A  Mam dani   T y pe  Fuz z y   Logic  Contro ll er ”.   Fuz z y   Log ic   –   Contro ls,  C once pts,  The or ies   and  Applicati o n” .   Prof.   El mer Dad ios ( ed. ) .   ISN B: 978 - 953 - 51 - 0396 - 7.   InT ec h   201 2.   [ 1 9 ]   Ibti sam   bt.   Ya acob  N.  and  Lub is  M.  “ Multi   Age nt  Inte gr at ion  M odel   for  Agen  E xec ut ive   Inform at ion  S y s te m :  A  Case  Stud y   in  KU IS”.   IIUM  P ress .  Kuala  Lu m pur.   ISBN   9789674180843  in   Kart iwi ,   Mir a  a nd  M.Z . M   Khed her ,   Akram ,   eds.   (20 11)  Data ma nag ement:   issues,  ch al l enge s a nd   opp ortuni ties.   [ 2 0 ]   Abrori  M,  Prihama y u  AH .   “ Aplika si  Logi k a  Fuzz y   Metod e  Ma m dani   dal am  Pengambila n  Kepu tusan  Penent ua n   Jum la h  Produks i” .   Kaun ia   Vol .   XI (2)  Octob er  2 015/1436:   91 - 99 .   [ 2 1 ]   Ahlan  AR,  Lubis   M.  “ Inform at i on  Secur i t y   Aw ar ene ss   in   Univ ersity :  M ai nt ai ni ng  Learna bi li t y ,   Perform anc e   an d  Adapta bi li t y   thr ough  Role s of   R esponsibil ity ” .   I nt.   Con f. of   IAS   2011.   [ 2 2 ]   Maha la kshm i  P,   Gane san  K.  “ Mam dani   Fuzz y   R ule   base d  Mode l   to  Cla ss if y   Sit e s  for  Aquac ult ur e  Deve lopment ” .   Indian  J .   Fi sh   6 2(1):  110 - 115 ,   2 015.   [ 2 3 ]   Pal  SK ,   Mand al   DP .   “ Fuzz y   Logic  and   Approxim at e   Rea soning : A n  Overvi ew” .   I ETE  J .   Re s .   37  ( 2015)  548 – 560.   [ 2 4 ]   Izq uie rdo  SS ,   I z quie rdo  LR .   “ Mam dani   Fuzz y   S y stems   for  Mode li ng  and  Sim ulat ion:   A  Crit i cal  As sessment” .   SSR N   El e ct ronic   Journ al   (2 017),   DO I: 10.2139/ ss rn. 29 00827   [ 2 5 ]   Klawonna   F,   Novák  V.   “ The   R el a ti on  b et we en  Infe ren c e  and  In te rpol at ion   in   th e  Fram ework  of   Fuzz y   S y stems ” .   Fuzzy  Set s S yst .   81  (1996)  331 – 3 54.   [ 2 6 ]   Klir  GJ ,   Yuan  B .  “ Fuzz y   Sets  an d  Fuzz y   Logic:  The or y   and  Applicati ons” .   Prentice   Hall   PTR,  Up per   Saddle   Rive r ,   New Jerse y ,   199 5.   [ 2 7 ]   Ibti sam   bt.   Yaa cob  N.  and  Lub is  M.  “ Data   Acc ura c y   and  Age nt  Inte gr at ion  in   Exe cu ti ve  Infor m at ion  S y stem:  A   Case  Stud y   in  KU IS”.   IIUM  P ress .  Kuala  Lu m pur.   ISBN   9789674180843  in   Kart iwi ,   Mir a  a nd  M.Z . M   Khed her ,   Akram ,   eds.   (20 11)  Data manag ement:   issues,  ch al l enge s a nd   opp ortuni ties.   [ 2 8 ]   Lubi s  AR,  Fa ch riz a l  F,  Lubi s  M.  “ The   Eff ect  of  Socia l   Medi a   to  Cul tura l   Hom ec om ing  Tra di ti on  of  Com put er  Student s in   Med an” .   Proc edi a   C omputer  Scienc e ,   124 ,   pp .   423 - 4 28,   2017 .   [ 2 9 ]   Lubi s  AR.  “ Im ple m ent ation  of  Di vide   and   Conque r  Te ch nique:  Ka rat suba  Algori th m   for  Multi plicc at ion  B ig  Int ege r   with  Ph y ton”.  Ju rnal  Saintek   vo l. 28  (2) ,   2014 .   [ 3 0 ]   Olive ir a  DN ,   de  Li m a  Hee n  GA ,   Alm ei da  OM .   “ Design  and  Im ple m ent ation  o f  a  Mam dani   Fuzz y   Infe ren c e  S y st e m   on  an  FP GA  us ing  VH DL” .   An nual  Confe renc e   of  the   North  Ame rican  Fuzzy  Information  Proc essing  Soci ety  –   NAF IPS ,   Jul y   20 10.   [ 3 1 ]   Ta rig an  P,  Sinur at   S,   Sinambela  M.  “ Im ple m ent a ti on  of   a  Mam d ani   fu zzy   logic  cont roller  for   bu il ding   aut om atio n   using e l ec tron ic  cont rol   base d   on   AT89S51”.   IEEE  TIME - E   2015.   [ 3 2 ]   Hasan  MH ,   Abdul  Azi z  I ,   Jaa far   J,  Abdul  R ahi m   L,  Man y i el   JM A.  “ A  compara tive  stud y   of   Ma m dani   and  Suge no   fuz z y   m odel s   for   qualit y   of   web   services monitoring”.   I JA CS A   vol .   8(9) ,   2017 .   [ 3 3 ]   Hakim  L,   Kus um asa ri  TF,   Lub i s  M.  “ Te xt  m ining  of  UU - ITE   I m ple m ent at ion  i n  Indone sia”.  Jo urnal  of  Phy si cs:  Confe renc e  S eri es   1007  (1) ,   201 8.   [ 3 4 ]   Lubi s  AR,  Fachr iz a l  F,  Lubi s  M,  Ta hir  HM .   “ W ire le ss   service  at   publi c  univ ersity:  A  surve y   of  us ers  per ce p ti on  o n  s ec urity   aspe ct s” .   IE EE ICOIACT   2018.   [ 3 5 ]   Ta n  L .   “ Ta k agi - Sugeno  and  Ma m dani   Fuzz y   Co ntrol   of  a  R esort   Mana gement  S y stem” .   Master  Thesis ,   Novem ber   2011.   Bl eki nge   I nstit ute of Te chn olog y .   [ 3 6 ]   Kam boj  V,  Kau r  A .  “ Com par ison  of  const ant   Sugeno - t y p e  an d  Mam dani - t y p e  fuz z y   inf ere n ce   s y s te m   for  l ea d  sensor”.   I JSCE ,   vol.   3   (2), Ma y   2 013.   [ 3 7 ]   W ang  C.   “ A   st ud y   of  m embership  func ti ons  on  Mam dani - t y p e  fuz z y   infe r en ce   s y st em  for  industri al   de ci sio n - m aki ng”.  Theses and  Diss ertat io ns ,   Paper   1665,   2015.   [ 3 8 ]   W y rwol   B,   Hr ynkie wic z  E .   “ Im ple m e ntation  of  the   FITA  fuz z y   infe ren cce  s y st e m   on  the   spec if i c  m ic roc ont rolle r   pla tform”.  IF AC - Pape rs OnL ine   vol.   48(4) ,   pp .   1 65 - 169,   2015 .   Evaluation Warning : The document was created with Spire.PDF for Python.