ABSTRAKSI: Untuk menentukan nominasi mahasiswa yang berhak menerima beasiswa, saat ini digunakan perhitungan dengan bantuan MS. Excel dengan pengaturan nilai kriteria berdasarkan selang tertentu. Dengan cara ini hasil yang didapatkan kurang memuaskan karena dalam perhitungan masih digunakan Logika Benar dan Salah (1 dan 0) dari Logika Boolean, dimana adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang signifikan. Dan dalam pengerjaan membutuhkan waktu yang relatif lama.
NeuroFuzzy metode NEFPROX digunakan untuk menyelesaikan kasus di atas. Sebuah sistem NeuroFuzzy merupakan sebuah sistem fuzzy yang dilatih dengan teknik pembelajaran heuristic yang didapat dari jaringan syaraf tiruan. Dari data latih pembelajaran heuristic pada NEFPROX akan mengekstraksi sebuah pengetahuan yang berupa aturan-aturan fuzzy dan mengadaptasi parameter-parameter himpunan fuzzy. Kemudian sistem akan bekerja seperti metode fuzzy Mamdani. Metode ini membutuhkan waktu proses belajar yang cepat dan performansi yang cukup baik.
Saat metode NEFPROX diimplementasikan untuk menentukan mahasiswa yang berhak menerima beasiswa di STT Telkom, akan menghasilkan Mean Absolute Percentage Error (MAPE) terkecil sebesar 0,130100274 saat jumlah epoch 1 dan learning rate 0,0000001.
Kata Kunci : NeuroFuzzy, NEFPROX, fuzzy mamdaniABSTRACT: To determine the nomination of students who deserve to receive scholarship, nowadays, calculation in MS Excel by adjusting criteria value based on particular range is used. Result from this method is not satisfied enough since in calculation still using Right and Wrong Logic( 1 and 0) from Boolean Logic, where the existing of small changes in certain value to result in significant category difference. And need a quite long time to work on it.
NeuroFuzzy approach NEFPROX is used to resolve that problem. A NEFPROX system is a fuzzy system trained by heuristic learning techniques derived from neural networks. Based on data training, heuristic learning in NEFPROX will extract fuzzy rules and adapt parameters of fuzzy sets. Then system will act like Fuzzy Mamdani. This method is a fast learner and give a quite good performance.
When NeuroFuzzy approach NEFPROX is implemented to determine the nomination of students who deserve to receive scholarship at STT Telkom, it results the smallest Mean Absolute Percentage Error that is 0,130100274 when the number of epoch is 1 and learning rate is 0,00000001.
Keyword: NeuroFuzzy, NEFPROX, fuzzy mamdani