109

L LL LOGIKA OGIKA OGIKA OGIKA F FF FUZZY UZZY UZZY UZZY




7.1 PENDAHULUAN
Orang yang belum pernah mengenal logika fuzzy pasti akan mengira bahwa
logika fuzzy adalah sesuatu yang amat rumit dan tidak menyenangkan. Namun,
sekali seseorang mulai mengenalnya, ia pasti akan sangat tertarik dan akan
menjadi pendatang baru untuk ikut serta mempelajari 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 pada diri kita sejak
lama.
Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input
ke dalam suatu ruang output. Sebagai contoh:
1. Manajer pergudangan mengatakan pada manajer produksi seberapa banyak
persediaan barang pada akhir minggu ini, kemudian manajer produksi akan
menetapkan jumlah barang yang harus diproduksi esok hari.
2. Pelayan restoran memberikan pelayanan terhadap tamu, kemudian tamu akan
memberikan tip yang sesuai atas baik tidaknya pelayan yang diberikan;
3. Anda mengatakan pada saya seberapa sejuk ruangan yang anda inginkan,
saya akan mengatur putaran kipas yang ada pada ruangan ini.
4. Penumpang taksi berkata pada sopir taksi seberapa cepat laju kendaraan yang
diinginkan, sopir taksi akan mengatur pijakan gas taksinya.
Salah satu contoh pemetaan suatu input-output dalam bentuk grafis seperti
terlihat pada Gambar 7.1.











Gambar 7.1 Contoh pemetaan input-output.
Antara input dan output terdapat satu kotak hitam yang harus memetakan input
ke output yang sesuai.
KOTAK KOTAK KOTAK KOTAK
HITAM HITAM HITAM HITAM
persediaan barang
akhir minggu
produksi barang
esok hari
Ruang Input
(semua total persediaan
barang yang mungkin)
Ruang Output
(semua jumlah produksi
barang yang mungkin)
Pemetaan input-output pada masalah produksi
“Diberikan data persediaan barang, berapa jumlah barang
yang harus diproduksi?
7
110

7.2 ALASAN DIGUNAKANNYA LOGIKA FUZZY
Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain:
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 nonlinear 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.

7.3 APLIKASI
Beberapa aplikasi logika fuzzy, antara lain:
1. Pada tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di
Jepang (Matsushita Electric Industrial Company). Sistem fuzzy digunakan
untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan
banyaknya kotoran serta jumlah yang akan dicuci. Input yang digunakan
adalah: seberapa kotor, jenis kotoran, dan banyaknya yang dicuci. Mesin ini
menggunakan sensor optik , mengeluarkan cahaya ke air dan mengukur
bagaimana cahaya tersebut sampai ke ujung lainnya. Makin kotor, maka sinar
yang sampai makin redup. Disamping itu, sistem juga dapat menentukan
jenis kotoran (daki atau minyak).
2. Transmisi otomatis pada mobil. Mobil Nissan telah menggunakan sistem fuzzy
pada transmisi otomatis, dan mampu menghemat bensin 12 – 17%.
3. Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area
tertentu.
4. Ilmu kedokteran dan biologi, seperti sistem diagnosis yang didasarkan pada
logika fuzzy, penelitian kanker, manipulasi peralatan prostetik yang
didasarkan pada logika fuzzy, dll.
5. Manajemen dan pengambilan keputusan, seperti manajemen basisdata yang
didasarkan pada logika fuzzy, tata letak pabrik yang didasarkan pada logika
fuzzy, sistem pembuat keputusan di militer yang didasarkan pada logika
fuzzy, pembuatan games yang didasarkan pada logika fuzzy, dll.
6. Ekonomi, seperti pemodelan fuzzy pada sistem pemasaran yang kompleks,
dll.
7. Klasifikasi dan pencocokan pola.
8. Psikologi, seperti logika fuzzy untuk menganalisis kelakuan masyarakat,
pencegahan dan investigasi kriminal, dll.
9. Ilmu-ilmu sosial, terutam untuk pemodelan informasi yang tidak pasti.
10. Ilmu lingkungan, seperti kendali kualitas air, prediksi cuaca, dll.
111
11. Teknik, seperti perancangan jaringan komputer, prediksi adanya gempa bumi,
dll.
12. Riset operasi, seperti penjadwalan dan pemodelan, pengalokasian, dll.
13. Peningkatan kepercayaan, seperti kegagalan diagnosis, inspeksi dan
monitoring produksi.

7.4 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:
satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu
himpunan, atau
nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam
suatu himpunan.
Contoh 7.1:
Jika diketahui:
S = {1, 2, 3, 4, 5, 6} adalah semesta pembicaraan.
A = {1, 2, 3}
B = {3, 4, 5}
bisa dikatakan bahwa:
Nilai keanggotaan 2 pada himpunan A, µ
A
[2]=1, karena 2∈A.
Nilai keanggotaan 3 pada himpunan A, µ
A
[3]=1, karena 3∈A.
Nilai keanggotaan 4 pada himpunan A, µ
A
[4]=0, karena 4∉A.
Nilai keanggotaan 2 pada himpunan B, µ
B
[2]=0, karena 2∉B.
Nilai keanggotaan 3 pada himpunan B, µ
B
[3]=1, karena 3∈B.

Contoh 7.2:
Misalkan variabel umur dibagi menjadi 3 kategori, yaitu:
MUDA umur < 35 tahun
PAROBAYA 35 ≤ umur ≤ 55 tahun
TUA umur > 55 tahun
Nilai keanggotaan secara grafis, himpunan MUDA, PAROBAYA dan TUA ini dapat
dilihat pada Gambar 7.2.






Gambar 7.2 Himpunan: MUDA, PAROBAYA, dan TUA.

Pada Gambar 7.2, dapat dilihat bahwa:
apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA (µ
MUDA
[34]
=1);
apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA

MUDA
[35]=0);
55 35
0
1
µ[x]
umur (th)
PAROBAYA
35 0
0
1
µ[x]
umur (th)
MUDA
(a)
55
0
1
µ[x]
umur (th)
TUA
(b)
(c)
112
apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan
TIDAK MUDA (µ
MUDA
[35 th -1hr]=0);
apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA

PAROBAYA
[35]=1);
apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK PAROBAYA

PAROBAYA
[34]=0);
apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA

PAROBAYA
[35]=1);
apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan
TIDAK PAROBAYA (µ
PAROBAYA
[35 th - 1 hr]=0);
Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk menyatakan
umur sangat tidak adil, adanya perubahan kecil saja pada suatu nilai
mengakibatkan perbedaan kategori yang cukup signifikan.
Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Seseorang dapat
masuk dalam 2 himpunan yang berbeda, MUDA dan PAROBAYA, PAROBAYA dan
TUA, dsb. Seberapa besar eksistensinya dalam himpunan tersebut dapat dilihat
pada nilai keanggotaannya. Gambar 7.3 menunjukkan himpunan fuzzy untuk
variabel umur.









Gambar 7.3 Himpunan fuzzy untuk variabel Umur.

Pada Gambar 7.3, dapat dilihat bahwa:
Seseorang yang berumur 40 tahun, termasuk dalam himpunan MUDA
dengan µ
MUDA
[40]=0,25; namun dia juga termasuk dalam himpunan
PAROBAYA dengan µ
PABOBAYA
[40]=0,5.
Seseorang yang berumur 50 tahun, termasuk dalam himpunan MUDA
dengan µ
TUA
[50]=0,25; namun dia juga termasuk dalam himpunan
PAROBAYA dengan µ
PABOBAYA
[50]=0,5.
Kalau pada himpunan crisp, nilai keanggotaan hanya ada 2 kemungkinan, yaitu 0
atau 1, pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1.
Apabila x memiliki nilai keanggotaan fuzzy µ
A
[x]=0 berarti x tidak menjadi
anggota himpunan A, demikian pula apabila x memiliki nilai keanggotaan fuzzy
µ
A
[x]=1 berarti x menjadi anggota penuh pada himpunan A.
Terkadang kemiripan antara keanggotaan fuzzy dengan probabilitas menimbulkan
kerancuan. Keduanya memiliki nilai pada interval [0,1], namun interpretasi
nilainya sangat berbeda antara kedua kasus tersebut. Keanggotaan fuzzy
memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan
probabilitas mengindikasikan proporsi terhadap keseringan suatu hasil bernilai
benar dalam jangka panjang. Misalnya, jika nilai keanggotaan suatu himpunan
fuzzy MUDA adalah 0,9; maka tidak perlu dipermasalahkan berapa seringnya nilai
itu diulang secara individual untuk mengharapkan suatu hasil yang hampir pasti
1
0
25 45 65 55 35
Umur (th)
µ[x]
MUDA PAROBAYA TUA
40 50
0,5
0,25
113
muda. Di lain pihak, nilai probabilitas 0,9 muda berarti 10% dari himpunan
tersebut diharapkan tidak muda.
Himpunan fuzzy memiliki 2 atribut, yaitu:
a. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA,
PAROBAYA, TUA.
b. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu
variabel seperti: 40, 25, 50, dsb.

Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu:
a. Variabel fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu
sistem fuzzy. Contoh: umur, temperatur, permintaan, dsb.
b. Himpunan fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau
keadaan tertentu dalam suatu variabel fuzzy.
Contoh:
Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu: MUDA,
PAROBAYA, dan TUA. (Gambar 7.3)
Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu:
DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS. (Gambar 7.4)







Gambar 7.4 Himpunan fuzzy pada variabel temperatur.

c. Semesta Pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan
merupakan himpunan bilangan real yang senantiasa naik (bertambah)
secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat
berupa bilangan positif maupun negatif. Adakalanya nilai semesta
pembicaraan ini tidak dibatasi batas atasnya.
Contoh:
Semesta pembicaraan untuk variabel umur: [0 +∞)
Semesta pembicaraan untuk variabel temperatur: [0 40]


1
0
15 25 35 30 20
Temperatur (
o
C))
µ[x]
DINGIN SEJUK NORMAL HANGAT PANAS
0 40
114
d. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam
semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan
fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan
bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri
ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif.
Contoh domain himpunan fuzzy:
MUDA = [0 45]
PABOBAYA = [35 55]
TUA = [45 +∞)
DINGIN = [0 20]
SEJUK = [15 25]
NORMAL = [20 30]
HANGAT = [25 35]
PANAS = [30 40]

7.5 FUNGSI KEANGGOTAAN
Fungsi Keanggotaan (membership function) adalah suatu kurva yang
menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya
(sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0
sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai
keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi
yang bisa digunakan.
a. Representasi Linear
Pada representasi linear, pemetaan input ke derajat keanggotannya
digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan
menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang
jelas.
Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan
dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0]
bergerak ke kanan menuju ke nilai domain yang memiliki derajat
keanggotaan lebih tinggi (Gambar 7.5)







Gambar 7.5 Representasi Linear Naik.
Fungsi Keanggotaan:
¦
¹
¦
´
¦

≤ ≤ − −

=
b x
b x a a b a x
a x
x
; 1
); /( ) (
; 0
] [ µ
(7.1)

derajat
keanggotaan
µ[x]
1
0
domain
a
b
115
Contoh 7.3:
Fungsi keanggotaan untuk himpunan PANAS pada variabel temperatur
ruangan seperti terlihat pada Gambar 7.6.
µ
PANAS
[32] = (32-25)/(35-25)
= 7/10 = 0,7









Gambar 7.6 Himpunan fuzzy: PANAS.
Kedua, merupakan kebalikan yang pertama. Garis lurus dimulai dari nilai
domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian
bergerak menurun ke nilai domain yang memiliki derajat keanggotaan
lebih rendah (Gambar 7.7).







Gambar 7.7 Representasi Linear Turun.
Fungsi Keanggotaan:
¹
´
¦

≤ ≤ − −
=
b x
b x a a b x b
x
; 0
); /( ) (
] [ µ (7.2)
Contoh 7.4:
Fungsi keanggotaan untuk himpunan DINGIN pada variabel temperatur
ruangan seperti terlihat pada Gambar 7.8.
µ
DINGIN
[20] = (30-20)/(30-15)
= 10/15 = 0,667





derajat
keanggotaan
µ[x]
1
0
Temperatur(
o
C)
25
35
PANAS
32
0,7
derajat
keanggotaan
µ[x]
1
0
domain
a
b
116









Gambar 7.8 Himpunan fuzzy: DINGIN.

b. Representasi Kurva Segitiga
Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis
(linear) seperti terlihat pada Gambar 7.9.








Gambar 7.9 Kurva Segitiga.
Fungsi Keanggotaan:
¦
¹
¦
´
¦
≤ ≤
≤ ≤
≥ ≤
=
c x b b); - x)/(c - (b
b x a a); - a)/(b - (x
c x atau ; 0
] [
a x
x µ
(7.3)

Contoh 7.5:
Fungsi keanggotaan untuk himpunan NORMAL pada variabel temperatur
ruangan seperti terlihat pada Gambar 7.10.
µ
NORMAL
[23] = (23-15)/(25-15)
= 8/10 = 0,8






derajat
keanggotaan
µ[x]
1
0
domain
a b c
derajat
keanggotaan
µ[x]
1
0
Temperatur (
o
C)
15
30
DINGIN
20
0,667
117









Gambar 7.10 Himpunan fuzzy: NORMAL (kurva segitiga).

c. Representasi Kurva Trapesium
Kurva Segitiga pada dasarnya seperti bentuk segitiga, hanya saja ada
beberapa titik yang memiliki nilai keanggotaan 1 (Gambar 2.26).







Gambar 7.11 Kurva Trapesium.
Fungsi Keanggotaan:
¦
¦
¹
¦
¦
´
¦

≤ ≤
≤ ≤
≥ ≤
=
d x
a x
x
c); - x)/(d - (d
c x b 1;
b x a a); - a)/(b - (x
d x atau ; 0
] [ µ
(7.4)

Contoh 7.6:
Fungsi keanggotaan untuk himpunan NORMAL pada variabel temperatur
ruangan seperti terlihat pada Gambar 7.12.
µ
NORMAL
[23] = (35-32)/(35-27)
= 3/8 = 0,375






derajat
keanggotaan
µ[x]
1
0
domain
a
b d c
derajat
keanggotaan
µ[x]
1
0
NORMAL
15 25 35 23
0,8
Temperatur (
o
C)
118







Gambar 7.12 Himpunan fuzzy: NORMAL (kurva trapesium).

d. Representasi Kurva Bentuk Bahu
Daerah yang terletak di tengah-tengah suatu variabel yang
direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya
akan naik dan turun (misalkan: DINGIN bergerak ke SEJUK bergerak ke
HANGAT dan bergerak ke PANAS). Tetapi terkadang salah satu sisi dari
variabel tersebut tidak mengalami perubahan. Sebagai contoh, apabila
telah mencapai kondisi PANAS, kenaikan temperatur akan tetap berada
pada kondisi PANAS. Himpunan fuzzy ‘bahu’, bukan segitiga, digunakan
untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak dari
benar ke salah, demikian juga bahu kanan bergerak dari salah ke benar.
Gambar 7.13 menunjukkan variabel TEMPERATUR dengan daerah
bahunya.

Gambar 7.13 Daerah ‘bahu’ pada variabel TEMPERATUR.

e. Representasi Kurva-S
Kurva PERTUMBUHAN dan PENYUSUTAN merupakan kurva-S atau
sigmoid yang berhubungan dengan kenaikan dan penurunan permukaan
secara tak linear.
Kurva-S untuk PERTUMBUHAN akan bergerak dari sisi paling kiri (nilai
keanggotaan = 0) ke sisi paling kanan (nilai keanggotaan = 1). Fungsi
0 28 40
0
1
derajat
keanggotaan
µ[x]
TEMPERATUR
SEJUK DINGIN HANGAT
PANAS
temperatur (
o
C)
NORMAL
Bahu
Kiri
Bahu
Kanan
µ[x]
1
0
NORMAL
15 27 35 24
0,375
Temperatur (
o
C)
32
119
keanggotaannya akan tertumpu pada 50% nilai keanggotaannya yang
sering disebut dengan titik infleksi (Gambar 7.14).







Gambar 7.14 Himpunan fuzzy dengan kurva-S: PERTUMBUHAN.
Kurva-S untuk PENYUSUTAN akan bergerak dari sisi paling kanan (nilai
keanggotaan = 1) ke sisi paling kiri (nilai keanggotaan = 0) seperti
telihat pada Gambar 7.15.






Gambar 7.15 Himpunan fuzzy dengan kurva-S: PENYUSUTAN.
Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu: nilai
keanggotaan nol (α), nilai keanggotaan lengkap (γ), dan titik infleksi atau
crossover (β) yaitu titik yang memiliki domain 50% benar. Gambar 7.16
menunjukkan karakteristik kurva-S dalam bentuk skema.











Gambar 7.16 Karakteristik fungsi kurva-S.




1
0

1

domain
derajat
keanggotaan
µ[x]

n

1
0

i

domain
derajat
keanggotaan
µ[x]

j

1
0

1

domain
derajat
keanggotaan
µ[x]

n

µ[x]=0 α αα α
µ[x]=0,5 β ββ β
µ[x]=1 γ γγ γ
0,5
120
Fungsi keangotaanpada kurva PERTUMBUHAN adalah:
¦
¦
¹
¦
¦
´
¦
≥ →
≤ ≤ → − − −
≤ ≤ → − −
≤ →
=
γ
γ β α γ γ
β α α γ α
α
γ β α
x
x x
x x
x
x S
1
)) /( ) (( 2 1
)) /( ) (( 2
0
) , , ; (
2
2
(7.5)

Contoh 7.7:
Fungsi keanggotaan untuk himpunan TUA pada variabel umur seperti
terlihat pada Gambar 7.17.
µ
TUA
[50] = 1 – 2((60-50)/(60-35))
2

= 1 – 2(10/25)
2

= 0,68








Gambar 7.17 Himpunan Fuzzy: TUA.

Sedangkan fungsi keanggotaan pada kurva PENYUSUTAN adalah:
¦
¦
¹
¦
¦
´
¦
≥ →
≤ ≤ → − −
≤ ≤ → − − −
≤ →
=
γ
γ β α γ γ
β α α γ α
α
γ β α
x
x x
x x
x
x S
0
)) /( ) (( 2
)) /( ) (( 2 1
1
) , , ; (
2
2
(7.6)
Contoh 7.8:
Fungsi keanggotaan untuk himpunan MUDA pada variabel umur seperti
terlihat pada Gambar 7.18.
µ
MUDA
[50] = 2((50-37)/(50-20))
2

= 2(13/30)
2

= 0,376







Gambar 7.18 Himpunan Fuzzy: MUDA.
umur (tahun)
1
0 35
µ[x]
60 50
0,68
TUA
1
0
20
umur (tahun)
µ[x]
50 37
0,376
MUDA
121
f. Representasi Kurva Bentuk Lonceng (Bell Curve)
Untuk merepresentasikan bilangan fuzzy, biasanya digunakan kurva
berbentuk lonceng. Kurva berbentuk lonceng ini terbagi atas 3 kelas,
yaitu: himpunan fuzzy PI, beta, dan Gauss. Perbedaan ketiga kurva ini
terletak pada gradiennya.
(i) Kurva PI
Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak pada
pusat dengan domain (γ), dan lebar kurva (β) seperti terlihat pada
Gambar 7.19. Nilai kurva untuk suatu nilai domain x diberikan sebagai:













Gambar 7.19 Karakteristik fungsional kurva PI.

Fungsi Keanggotaan:
¦
¦
¹
¦
¦
´
¦
> →
|
|
¹
|

\
|
+ + −
≤ →
|
|
¹
|

\
|
− −
= Π
γ β γ
β
γ γ
γ γ
β
γ β γ
γ β
x x S
x x S
x
,
2
, ; 1
,
2
, ;
) , , (
(7.7)
Contoh 7.9:
Fungsi keanggotaan untuk himpunan PAROBAYA pada variabel umur
seperti terlihat pada Gambar 7.20.
µ
1/2BAYA
[42] = 1 - 2((45-42)/(45-35))
2

= 1 - 2(3/10)
2

= 0,82
µ
1/2BAYA
[51] = 2((55-51)/(55-45))
2

= 2(4/10)
2

= 0,32




1
0

i

derajat
keanggotaan

0,5

j

Titik
Infleksi
Pusat γ γγ γ
Lebar β ββ β
Domain
122








Gambar 7.20 Himpunan Fuzzy: PAROBAYA dengan kurva phi.

(ii) Kurva BETA
Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng namun lebih
rapat. Kurva ini juga didefinisikan dengan 2 parameter, yaitu nilai pada
domain yang menunjukkan pusat kurva (γ), dan setengah lebar kurva (β)
seperti terlihat pada Gambar 7.21. Nilai kurva untuk suatu nilai domain x
diberikan sebagai:
















Gambar 7.21 Karakteristik fungsional kurva BETA.

Fungsi Keanggotaan:
2
1
1
) , ; (
|
|
¹
|

\
| −
+
=
β
γ
β γ
x
x B (7.8)
1
0

1

derajat
keanggotaan
µ[x]

n

Titik
Infleksi

γ−β γ−β γ−β γ−β
Pusat γ γγ γ
Domain
Titik
Infleksi

γ+β γ+β γ+β γ+β
0,5
1
µ[x]

PAROBAYA
0
35 55 45 42 51
0,82
0,32
umur (tahun)
123
Salah satu perbedaan mencolok kurva BETA dari kurva PI adalah, fungsi
keanggotaannya akan mendekati nol hanya jika nilai (β) sangat besar.

Contoh 7.10:
Fungsi keanggotaan untuk himpunan SETENGAH BAYA pada variabel
umur seperti terlihat pada Gambar 7.22.
µ
1/2BAYA
[42] = 1/(1+((42-45)/5)
2
)
= 0,7353
µ
1/2BAYA
[51] = 1/(1+((51-45)/5)
2
)
= 0,4098







Gambar 7.23 Himpunan Fuzzy: SETENGAH BAYA dengan kurva Beta.

(iii) Kurva GAUSS
Jika kurva PI dan kurva BETA menggunakan 2 parameter yaitu (γ) dan
(β), kurva GAUSS juga menggunakan (γ) untuk menunjukkan nilai
domain pada pusat kurva, dan (k) yang menunjukkan lebar kurva
(Gambar 7.25). Nilai kurva untuk suatu nilai domain x diberikan sebagai:














Gambar 7.25 Karakteristik fungsional kurva GAUSS.

1
0

i

derajat
keanggotaan
µ[x]

j

Pusat γ γγ γ
Lebar k
Domain
0,5
1
µ[x]

PAROBAYA
0
35 55 45 42 51
0,7353
0,4098
umur (tahun)
124
Fungsi Keanggotaan:
2
) (
) , ; (
x k
e k x G
− −
=
γ
γ (7.9)

g. Koordinat Keanggotaan
Himpunan fuzzy berisi urutan pasangan berurutan yang berisi nilai
domain dan kebenaran nilai keanggotaannya dalam bentuk:
Skalar(i) / Derajat(i)
‘Skalar’ adalah suatu nilai yang digambar dari domain himpunan fuzzy,
sedangkan ‘Derajat’ skalar merupakan derajat keanggotaan himpunan
fuzzynya.











Gambar 7.26 Titik-titik koordinat yang menunjukkan PENGENDARA BERESIKO TINGGI
Gambar 7.26 merupakan contoh himpunan fuzzy yang diterapkan pada
sistem asuransi yang akan menanggung resiko seorang pengendara
kendaraan bermotor berdasarkan usianya, akan berbentuk ‘U’.
Koordinatnya dapat digambarkan dengan 7 pasangan berurutan sebagai
berikut:
16/1 21/.6 28/.3 68/.3 76/.5 80/.7 96/1
Gambar 2.43 memperlihatkan koordinat yang menspesifikasikan titik-titik
sepanjang domain himpunan fuzzy. Semua titik harus ada di domain, dan
paling sedikit harus ada satu titik yang memiliki nilai kebenaran sama
dengan 1. Apabila titik-titik tersebut telah digambarkan, maka digunakan
interpolasi linear untuk mendapatkan permukaan fuzzy-nya seperti
terlihat pada Gambar 7.27.







10 20 30 40 50 60 70 80 90 100
umur (th)
0,5
µ[x]

PENGENDARA BERESIKO TINGGI
(dalam umur)
0
1
125











Gambar 7.27 Kurva yang berhubungan dengan PENGENDARA BERESIKO TINGGI

7.6 OPERATOR DASAR ZADEH UNTUK OPERASI HIMPUNAN FUZZY
Seperti halnya himpunan konvensional, ada beberapa operasi yang didefinisikan
secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai
keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama
fire strength atau α–predikat. Ada 3 operator dasar yang diciptakan oleh Zadeh,
yaitu:
7.6.1 Operator AND
Operator ini berhubungan dengan operasi interseksi pada himpunan. α–
predikat sebagai hasil operasi dengan operator AND diperoleh dengan
mengambil nilai keanggotaan terkecil antar elemen pada himpunan-
himpunan yang bersangkutan.
µ
A∩B
= min(µ
A
[x], µ
B
[y])

Contoh 7.11:
Misalkan nilai keanggotaan 27 tahun pada himpunan MUDA adalah 0,6

MUDA
[27]=0,6); dan nilai keanggotaan Rp 2.000.000,- pada himpunan
penghasilan TINGGI adalah 0,8 (µ
GAJITINGGI
[2x10
6
]=0,8); maka α–predikat
untuk usia MUDA dan berpenghasilan TINGGI adalah:
µ
MUDA∩GAJITINGGI
= min(µ
MUDA
[27], µ
GAJITINGGI
[2x10
6
)
= min(0,6; 0,8)
= 0,6

7.6.2 Operator OR
Operator ini berhubungan dengan operasi union pada himpunan. α–
predikat sebagai hasil operasi dengan operator OR diperoleh dengan
mengambil nilai keanggotaan terbesar antar elemen pada himpunan-
himpunan yang bersangkutan.
µ
A∪B
= max(µ
A
[x], µ
B
[y])
10 20 30 40 50 60 70 80 90 100
umur
0,5
µ[x]

PENGENDARA BERESIKO TINGGI
(dalam umur)
0
1
126

Contoh 7.12:
Pada contoh 7.11, dapat dihitung nilai α–predikat untuk usia MUDA atau
berpenghasilan TINGGI adalah:
µ
MUDA∪GAJITINGGI
= max(µ
MUDA
[27], µ
GAJITINGGI
[2x10
6
)
= max(0,6; 0,8)
= 0,8

7.6.3 Operator NOT
Operator ini berhubungan dengan operasi komplemen pada himpunan. α–
predikat sebagai hasil operasi dengan operator NOT diperoleh dengan
mengurangkan nilai keanggotaan elemen pada himpunan yang
bersangkutan dari 1.
µ
A’
= 1-µ
A
[x]


Contoh 7.13:
Pada contoh 7.11, dapat dihitung nilai α–predikat untuk usia TIDAK MUDA
adalah:
µ
MUDA’
[27] = 1 - µ
MUDA
[27]
= 1 - 0,6
= 0,4

7.7 PENALARAN MONOTON
Metode penalaran secara monoton digunakan sebagai dasar untuk teknik
implikasi fuzzy. Meskipun penalaran ini sudah jarang sekali digunakan, namun
terkadang masih digunakan untuk penskalaan fuzzy. Jika 2 daerah fuzzy
direlasikan dengan implikasi sederhana sebagai berikut:
IF x is A THEN y is B
transfer fungsi:

y = f((x,A),B)
maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan dekomposisi
fuzzy. Nilai output dapat diestimasi secara langsung dari nilai keanggotaan yang
berhubungan dengan antesedennya.

Contoh 7.14:
Misalkan ada 2 himpunan fuzzy: TINGGI (menunjukkan tinggi badan orang
Indonesia) dan BERAT (menunjukkan berat badan orang Indonesia) seperti
terlihat pada Gambar 7.28.

127









Gambar 7.28 Himpunan fuzzy: TINGGI dan BERAT.

Relasi antara kedua himpunan diekspresikan dengan aturan tunggal sebagai
berikut:
IF TinggiBadan is TINGGI THEN BeratBadan is BERAT
Implikasi secara monoton akan menyeleksi daerah fuzzy A dan B dengan
algoritma sebagai berikut:
• Untuk suatu elemen x pada domain A, tentukan nilai keanggotannya dalam
daerah fuzzy A, yaitu: µ
A
[x];
• Pada daerah fuzzy B, nilai keanggotaan yang berhubungan dengan tentukan
permukaan fuzzy-nya. Tarik garis lurus ke arah domain. Nilai pada sumbu
domain, y, merupakan solusi dari fungsi implikasi tersebut. Dapat dituliskan:
y
B
= f(µ
A
[x],D
B
)

Gambar 7.29 menunjukkan kerja algoritma tersebut. Seseorang yang memiliki
tinggi badan 165 cm, memiliki derajat keanggotaan 0,75 pada daerah fuzzy
TINGGI; diperoleh dari:
µ
TINGGI
[165] = (165 – 150)/(170 – 150)
= 15/20
= 0,75

Nilai ini dipetakan ke daerah fuzzy BERAT yang akan memberikan solusi berat
badan orang tersebut yaitu 59,4 kg; diperoleh dari:
µ
BERAT
[y] = S(y; 40,55,70) = 0,75
Karena 0,75 > 0,5 maka letak y adalah antara 52,5 sampai 70,
sehingga:
⇔ 1-2[(70-y)/(70-40)]
2
= 0,75
⇔ 1-2(70-y)
2
/900 = 0,75
⇔ 2(70-y)
2
/900 = 0,25
⇔ (70-y)
2
= 112,5
⇔ (70-y) = ±√(112,5)
µ[x]
1
0
150 170
Tinggi badan (cm)
TINGGI
µ[y]
1
0
40 70
Berat badan (Kg)
BERAT
128
⇔ y = 70 ± 10,6 ---> ambil (-) nya, karena
nilainya harus < 70
⇔ y = 59,4

















Gambar 7.29 Implikasi monoton: TINGGI ke BERAT.

7.8 FUNGSI IMPLIKASI
Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan
dengan suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam
fungsi implikasi adalah:
IF x is A THEN y is B
dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy. Proposisi
yang mengikuti IF disebut sebagi anteseden, sedangkan proposisi yang mengikuti
THEN disebut sebagai konsekuen. Proposisi ini dapat diperluas dengan
menggunakan operator fuzzy, seperti:
IF (x
1
is A
1
) • (x
2
is A
2
) • (x
3
is A
3
) • ...... • (x
N
is A
N
) THEN y is B
dengan • adalah operator (misal: OR atau AND).
Secara umum, ada 2 fungsi implikasi yang dapat digunakan, yaitu:
a. Min (minimum). Fungsi ini akan memotong output himpunan fuzzy. Gambar
7.30 menunjukkan salah satu contoh penggunaan fungsi min.




µ[x]
1
0
150 165 170
Tinggi badan (cm)
TINGGI
µ[x]
1
0
40 59,4 70
Berat badan (Kg)
BERAT
[0,75]
[0,75]
129








Gambar 7.30 Fungsi implikasi: MIN.

b. Dot (product). Fungsi ini akan menskala output himpunan fuzzy. Gambar
7.31 menunjukkan salah satu contoh penggunaan fungsi dot.










Gambar 7.31 Fungsi implikasi: DOT.


7.8 SISTEM INFERENSI FUZZY
7.8.1 Metode Tsukamoto
Pada Metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-Then
harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi
keanggotaan yang monoton (Gambar 7.32). Sebagai hasilnya, output hasil
inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-
predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata
terbobot.











TINGGI
IF Permintaan TINGGI AND BiayaProduksi SEDANG THEN ProduksiBarang NORMAL
SEDANG NORMAL
Aplikasi
Operator AND
Aplikasi fungsi implikasi
Min
TINGGI
IF Permintaan TINGGI AND BiayaProduksi SEDANG THEN ProduksiBarang NORMAL
SEDANG NORMAL
Aplikasi
Operator AND
Aplikasi fungsi implikasi
Dot (Product)
130




























Gambar 7.32 Inferensi dengan menggunakan Metode Tsukamoto.


Contoh 7.15:
Suatu perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Dari
data 1 bulan terakhir, permintaan terbesar hingga mencapai 5000 kemasan/hari,
dan permintaan terkecil sampai 1000 kemasan/hari. Persediaan barang digudang
terbanyak sampai 600 kemasan/hari, dan terkecil pernah sampai 100
kemasan/hari. Dengan segala keterbatasannya, sampai saat ini, perusahaan baru
mampu memproduksi barang maksimum 7000 kemasan/hari, serta demi efisiensi
mesin dan SDM tiap hari diharapkan perusahaan memproduksi paling tidak 2000
kemasan. Apabila proses produksi perusahaan tersebut menggunakan 4 aturan
fuzzy sbb:
[R1] IF Permintaan TURUN And Persediaan BANYAK
THEN Produksi Barang BERKURANG;
{R2] IF Permintaan TURUN And Persediaan SEDIKIT
THEN Produksi Barang BERKURANG;
[R3] IF Permintaan NAIK And Persediaan BANYAK
THEN Produksi Barang BERTAMBAH;
[R4] IF Permintaan NAIK And Persediaan SEDIKIT
THEN Produksi Barang BERTAMBAH;
Berapa kemasan makanan jenis ABC yang harus diproduksi, jika jumlah
permintaan sebanyak 4000 kemasan, dan persediaan di gudang masih 300
kemasan?

Var-1 Var-2
Var-3
0
0 0
1 1
1
µ[x] µ[y] µ[z]
MIN atau DOT
A1
B2 C1
Var-1 Var-2
Var-3
0
0 0
1 1
1
µ[x] µ[y] µ[z]
A2 B1 C2
z
2

z
1

2 1
2 2 1 1
z z
z
α α
α α
+
+
=
rata-rata
terbobot
α αα α
2

α αα α
1

131
Solusi:
Ada 3 variabel fuzzy yang akan dimodelkan, yaitu:
• Permintaan; terdiri-atas 2 himpunan fuzzy, yaitu: NAIK dan TURUN (Gambar
7.33).







Gambar 7.33 Fungsi keanggotaan variabel Permintaan pada Contoh 7.15.

¦
¦
¹
¦
¦
´
¦

≤ ≤


=
5000 x , 0
5000 x 1000 ,
4000
x 5000
1000 x , 1
] x [
PmtTURUN
µ

¦
¦
¹
¦
¦
´
¦

≤ ≤


=
5000 x , 1
5000 x 1000 ,
4000
1000 x
1000 x , 0
] x [
PmtNAIK
µ

Kita bisa mencari nilai keanggotaan:
µ
PmtTURUN
[4000] = (5000-4000)/4000
= 0,25
µ
PmtNAIK
[4000] = (4000-1000)/4000
= 0,75

• Persediaan; terdiri-atas 2 himpunan fuzzy, yaitu: SEDIKIT dan BANYAK
(Gambar 7.34).








Gambar 7.34 Fungsi keanggotaan variabel Persediaan pada Contoh 7.15.
0
1
µ[x]
1000 5000
TURUN NAIK
Permintaan
(kemasan/hari)
4000
0,25
0,75
0
1
µ[y]
100 600
SEDIKIT BANYAK
Persediaan
(kemasan/hari)
300
0,4
0,6
132

¦
¦
¹
¦
¦
´
¦

≤ ≤


=
600 y , 0
600 y 100 ,
500
y 600
100 y , 1
] y [
PsdSEDIKIT
µ

¦
¦
¹
¦
¦
´
¦

≤ ≤


=
600 y , 1
600 y 100 ,
500
100 y
100 y , 0
] y [
PsdBANYAK
µ

Kita bisa mencari nilai keanggotaan:

µ
PsdSEDIKIT
[300] = (600-300)/500
= 0,6

µ
PsdBANYAK
[300] = (300-100)/500
= 0,4

• Produksi barang; terdiri-atas 2 himpunan fuzzy, yaitu: BERKURANG dan
BERTAMBAH (Gambar 7.35).







Gambar 7.35 Fungsi keanggotaan variabel Produksi Barang pada Contoh 7.15.

¦
¦
¹
¦
¦
´
¦

≤ ≤


=
7000 z , 0
7000 z 2000 ,
5000
z 7000
2000 z , 1
] z [
NG BrgBERKURA Pr
µ
¦
¦
¹
¦
¦
´
¦

≤ ≤


=
7000 z , 1
7000 z 2000 ,
5000
2000 z
2000 z , 0
] z [
AH BrgBERTAMB Pr
µ

Sekarang kita cari nilai z untuk setiap aturan dengan menggunakan fungsi MIN
pada aplikasi fungsi implikasinya:

0
1
µ[z]
2000 7000
BERKURANG BERTAMBAH
Produksi Barang
(kemasan/hari)
133
[R1] IF Permintaan TURUN And Persediaan BANYAK
THEN Produksi Barang BERKURANG;
α-predikat
1
= µ
PmtTURUN ∩ PsdBANYAK

= min(µ
PmtTURUN
[4000],µ
PsdBANYAK
[300])
= min(0,25; 0,4)
= 0,25
Lihat himpunan Produksi Barang BERKURANG,
(7000-z)/5000 = 0,25 ---> z
1
= 5750

{R2] IF Permintaan TURUN And Persediaan SEDIKIT
THEN Produksi Barang BERKURANG;
α-predikat
2
= µ
PmtTURUN ∩ PsdSEDIKIT

= min(µ
PmtTURUN
[4000],µ
PsdSEDIKIT
[300])
= min(0,25; 0,6)
= 0,25
Lihat himpunan Produksi Barang BERKURANG,
(7000-z)/5000 = 0,25 ---> z
2
= 5750

[R3] IF Permintaan NAIK And Persediaan BANYAK
THEN Produksi Barang BERTAMBAH;
α-predikat
3
= µ
PmtNAIK ∩ PsdBANYAK

= min(µ
PmtNAIK
[4000],µ
PsdBANYAK
[300])
= min(0,75; 0,4)
= 0,4
Lihat himpunan Produksi Barang BERTAMBAH,
(z-2000)/5000 = 0,4 ---> z
3
= 4000

[R4] IF Permintaan NAIK And Persediaan SEDIKIT
THEN Produksi Barang BERTAMBAH;
α-predikat
4
= µ
PmtNAIK ∩ PsdBANYAK

= min(µ
PmtNAIK
[4000],µ
PsdSEDIKIT
[300])
= min(0,75; 0,6)
= 0,6
Lihat himpunan Produksi Barang BERTAMBAH,
(z-2000)/5000 = 0,6 ---> z
4
= 5000

Dari sini kita dapat mencari berapakah nilai z, yaitu:

4 3 2 1
4 4 3 3 2 2 1 1
pred pred pred pred
z * pred z * pred z * pred z * pred
z
α α α α
α α α α
+ + +
+ + +
=
134

4983
5 , 1
7475
6 , 0 4 , 0 25 , 0 25 , 0
5000 * 6 , 0 4000 * 4 , 0 5750 * 25 , 0 5750 * 25 , 0
z = =
+ + +
+ + +
=
Jadi jumlah makanan kaleng jenis ABC yang harus diproduksi sebanyak 4983
kemasan.

7.8.2 Metode Mamdani
Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Metode ini
diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan
output, diperlukan 4 tahapan:
1. Pembentukan himpunan fuzzy
2. Aplikasi fungsi implikasi (aturan)
3. Komposisi aturan
4. Penegasan (deffuzy)

1. Pembentukan himpunan fuzzy
Pada Metode Mamdani, baik variabel input maupun variabel output dibagi
menjadi satu atau lebih himpunan fuzzy.
2. Aplikasi fungsi implikasi
Pada Metode Mamdani, fungsi implikasi yang digunakan adalah Min.

3. Komposisi Aturan
Tidak seperti penalaran monoton, apabila sistem terdiri-dari beberapa aturan,
maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode
yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu: max, additive
dan probabilistik OR (probor).
a. Metode Max (Maximum)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai
maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah
fuzzy, dan mengaplikasikannya ke output dengan menggunakan operator OR
(union). Jika semua proposisi telah dievaluasi, maka output akan berisi suatu
himpunan fuzzy yang merefleksikan konstribusi dari tiap-tiap proposisi. Secara
umum dapat dituliskan:
µ
sf
[x
i
] ← max(µ
sf
[x
i
], µ
kf
[x
i
])
dengan:
µ
sf
[x
i
] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
µ
kf
[x
i
] = nilai keanggotaan konsekuen fuzzy aturan ke-i;
Misalkan ada 3 aturan (proposisi) sebagai berikut:
[R1] IF Biaya Produksi RENDAH And Permintaan NAIK
THEN Produksi Barang BERTAMBAH;
{R2] IF Biaya Produksi STANDAR
THEN Produksi Barang NORMAL;
[R3] IF Biaya Produksi TINGGI And Permintaan TURUN
THEN Produksi Barang BERKURANG;
Proses inferensi dengan menggunakan metode Max dalam melakukan
komposisi aturan seperti terlihat pada Gambar 7.36.
135
Apabila digunakan fungsi implikasi MIN, maka metode komposisi ini sering
disebut dengan nama MAX-MIN atau MIN-MAX atau MAMDANI.

























Gambar 7.36 Komposisi aturan Fuzzy: Metode MAX.

b. Metode Additive (Sum)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
bounded-sum terhadap semua output daerah fuzzy. Secara umum dituliskan:
µ
sf
[x
i
] ← min(1,µ
sf
[x
i
]+ µ
kf
[x
i
])
dengan:
µ
sf
[x
i
] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
µ
kf
[x
i
] = nilai keanggotaan konsekuen fuzzy aturan ke-i;

c. Metode Probabilistik OR (probor)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
product terhadap semua output daerah fuzzy. Secara umum dituliskan:
TINGGI BERKURANG TURUN
STANDAR NORMAL
Tak ada input
RENDAH NAIK BERTAMBAH
1. Input fuzzy
2. Aplikasi operasi fuzzy
(And = Min)
3. Aplikasi metode implikasi
(min)
IF Biaya Produksi RENDAH And Permintaan NAIK THEN Produksi Barang BERTAMBAH
IF Biaya Produksi STANDAR THEN Produksi Barang NORMAL
IF Biaya Produksi TINGGI And Permintaan TURUN THEN Produksi Barang BERKURANG
4. Aplikasi metode
komposisi
(max)
136
µ
sf
[x
i
] ← (µ
sf
[x
i
]+ µ
kf
[x
i
]) - (µ
sf
[x
i
] * µ
kf
[x
i
])
dengan:
µ
sf
[x
i
] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
µ
kf
[x
i
] = nilai keanggotaan konsekuen fuzzy aturan ke-i;

4. Penegasan (defuzzy)
Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari
komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan
suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika diberikan
suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai
crsip tertentu sebagai output seperti terlihat pada Gambar 7.37.




















Gambar 7.37 Proses defuzzifikasi.

Ada beberapa metode defuzzifikasi pada komposisi aturan MAMDANI, antara lain:
a. Metode Centroid (Composite Moment)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat (z*)
daerah fuzzy. Secara umum dirumuskan:



=
z
Z
dz ) z (
dz ) z ( z
* z
µ
µ



=
=
=
n
1 j
j
n
1 j
j j
) z (
) z ( z
* z
µ
µ



Daerah fuzzy ‘B’

Daerah fuzzy ‘A’

Daerah fuzzy ‘C’

Output:
Daerah fuzzy
‘D’
Nilai yang
diharapkan
137
b. Metode Bisektor
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai pada
domain fuzzy yang memiliki nilai keanggotaan separo dari jumlah total nilai
keanggotaan pada daerah fuzzy. Secara umum dituliskan:

∫ ∫


=
n
p
p
1
dz (z) dz (z) hingga sedemikian µ µ
p
z

c. Metode Mean of Maximum (MOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata-rata
domain yang memiliki nilai keanggotaan maksimum.
d. Metode Largest of Maximum (LOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terbesar
dari domain yang memiliki nilai keanggotaan maksimum.
e. Metode Smallest of Maximum (SOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terkecil
dari domain yang memiliki nilai keanggotaan maksimum.

Contoh 7.16:
Kita kembali pada contoh yang sama seperti pada contoh 7.15. Himpunan fuzzy
pada setiap variabel juga sama seperti penyelesaian pada contoh tersebut.
Sekarang kita awali dengan mengaplikasikan fungsi implikasi untuk setiap aturan.
Karena kita menggunakan Metode MAMDANI, maka fungsi implikasi yang kita
gunakan adalah fungsi MIN.
Aplikasi fungsi implikasi:
[R1] IF Permintaan TURUN And Persediaan BANYAK
THEN Produksi Barang BERKURANG;
Lihat Gambar 7.38:
α-predikat
1
= µ
PmtTURUN ∩ PsdBANYAK

= min(µ
PmtTURUN
[4000],µ
PsdBANYAK
[300])
= min(0,25; 0,4)
= 0,25






Gambar 7.38 Aplikasi fungsi implikasi untuk R1.

{R2] IF Permintaan TURUN And Persediaan SEDIKIT
THEN Produksi Barang BERKURANG;


Permintaan Persediaan Prod. Brg.
0
0 0 0
1 1
1
1
µ[x] µ[y] µ[z] µ[z]
TURUN
BANYAK BERKURANG
4000 300
0,25
0,4
0,25
138
Lihat Gambar 7.39:
α-predikat
2
= µ
PmtTURUN ∩ PsdSEDIKIT

= min(µ
PmtTURUN
[4000],µ
PsdSEDIKIT
[300])
= min(0,25; 0,6)
= 0,25










Gambar 7.39 Aplikasi fungsi implikasi untuk R2.


[R3] IF Permintaan NAIK And Persediaan BANYAK
THEN Produksi Barang BERTAMBAH;
Lihat Gambar 7.40:
α-predikat
3
= µ
PmtNAIK ∩ PsdBANYAK

= min(µ
PmtNAIK
[4000],µ
PsdBANYAK
[300])
= min(0,75; 0,4)
= 0,4







Gambar 7.40 Aplikasi fungsi implikasi untuk R3.


[R4] IF Permintaan NAIK And Persediaan SEDIKIT
THEN Produksi Barang BERTAMBAH;
Lihat Gambar 7.41:
α-predikat
4
= µ
PmtNAIK ∩ PsdBANYAK

= min(µ
PmtNAIK
[4000],µ
PsdSEDIKIT
[300])
= min(0,75; 0,6)
= 0,6



Permintaan Persediaan Prod. Brg.
0
0 0 0
1 1
1
1
µ[x] µ[y] µ[z] µ[z]
TURUN SEDIKIT BERKURANG
4000 300
0,25
0,6
0,25
Permintaan Persediaan Prod. Brg.
0
0 0 0
1 1
1
1
µ[x] µ[y] µ[z] µ[z]
NAIK BANYAK
BERTAMBAH
4000 300
0,75
0,4
0,4
139









Gambar 7.41 Aplikasi fungsi implikasi untuk R4.


Komposisi antar aturan
Dari hasil aplikasi fungsi implikasi dari tiap aturan, digunakan metode MAX untuk
melakukan komposisi antar semua aturan. Hasilnya seperti pada Gambar 7.42.








Gambar 7.42 Daerah hasil komposisi.

Pada Gambar 7.42 tersebut, daerah hasil kita bagi menjadi 3 bagian, yaitu A1,
A2, dan A3. Sekarang kita cari nilai a1 dan a
2
.

(a
1
– 2000)/5000 = 0,25 ---> a
1
= 3250
(a
2
– 2000)/5000 = 0,60 ---> a
2
= 5000

Dengan demikian, fungsi keanggotaan untuk hasil komposisi ini adalah:

¦
¹
¦
´
¦

≤ ≤ −

=
5000 z ; 6 , 0
5000 z 3250 ; 5000 / ) 2000 z (
3250 z ; 25 , 0
] z [ µ

Penegasan (defuzzy)
Metode penegasan yang akan kita gunakan adalah metode centroid. Untuk itu,
pertama-tama kita hitung dulu momen untuk setiap daerah.


5 , 1320312 z 125 , 0 dz z ) 25 , 0 ( 1 M
3250
0
2
3250
0
= = =



625 , 3187515 z 2 , 0 z 000067 , 0 dz ) z 4 , 0 z 0002 , 0 ( dz z
5000
) 2000 z (
2 M
5000
3250
2 3
5000
3250
2
5000
3250
= − = − =

=
∫ ∫

Permintaan Persediaan Prod. Brg.
0
0 0 0
1 1
1
1
µ[x] µ[y] µ[z] µ[z]
NAIK SEDIKIT BERTAMBAH
4000 300
0,75
0,6
0,6
0
1
0,6
0,25
A1 A2
A3
a1 a2
µ[z]
Prod. Brg.
140
7200000 z 3 , 0 dz z ) 6 , 0 ( 3 M
7000
5000
2
7000
5000
= = =




Kemudian kita hitung luas setiap daerah:

A1 = 3250*0,25 = 812,5
A2 = (0,25+0,6)*(5000-3250)/2 = 743,75
A3 = (7000-5000)*0,6 = 1200

Titik pusat dapat diperoleh dari:

74 , 4247
1200 75 , 743 5 , 812
7200000 625 , 3187515 5 , 1320312
z =
+ +
+ +
=

Jadi jumlah makanan kaleng jenis ABC yang harus diproduksi sebanyak 4248
kemasan.


7.8.3 Metode Sugeno
Penalaran dengan metode SUGENO hampir sama dengan penalaran MAMDANI,
hanya saja output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan
berupa konstanta atau persamaan linear. Metode ini diperkenalkan oleh Takagi-
Sugeno Kang pada tahun 1985.
a. Model Fuzzy Sugeno Orde-Nol
Secara umum bentuk model fuzzy SUGENO Orde-Nol adalah:
IF (x
1
is A
1
) • (x
2
is A
2
) • (x
3
is A
3
) • ...... • (x
N
is A
N
) THEN z=k

dengan A
i
adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu
konstanta (tegas) sebagai konsekuen.
b. Model Fuzzy Sugeno Orde-Satu
Secara umum bentuk model fuzzy SUGENO Orde-Satu adalah:
IF (x
1
is A
1
) • ...... • (x
N
is A
N
) THEN z = p
1
*x
1
+ … + p
N
*x
N
+ q

dengan A
i
adalah himpunan fuzzy ke-i sebagai anteseden, dan p
i
adalah suatu
konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuen.
Apabila komposisi aturan menggunakan metode SUGENO, maka deffuzifikasi
dilakukan dengan cara mencari nilai rata-ratanya.

Contoh 7.17.
Kita kembali pada contoh yang sama seperti pada contoh 7.15. Himpunan fuzzy
pada variabel permintaan dan persediaan juga sama seperti penyelesaian pada
contoh tersebut. Hanya saja aturan yang digunakan sedikit dimodifikasi, sebagai
141
berikut (dengan asumsi bahwa jumlah permintaan selalu lebih tinggi dibanding
dengan jumlah persediaan):

[R1] IF Permintaan TURUN And Persediaan BANYAK
THEN Produksi Barang = Permintaan - Persediaan;
{R2] IF Permintaan TURUN And Persediaan SEDIKIT
THEN Produksi Barang = Permintaan;
[R3] IF Permintaan NAIK And Persediaan BANYAK
THEN Produksi Barang = Permintaan;
[R4] IF Permintaan NAIK And Persediaan SEDIKIT
THEN Produksi Barang = 1,25*Permintaan - Persediaan;

Sekarang kita cari α-predikat dan nilai z untuk setiap aturan:

[R1] IF Permintaan TURUN And Persediaan BANYAK
THEN Produksi Barang = Permintaan - Persediaan;
α-predikat
1
= µ
PmtTURUN ∩ PsdBANYAK

= min(µ
PmtTURUN
[4000],µ
PsdBANYAK
[300])
= min(0,25; 0,4)
= 0,25
Nilai z
1
: z
1
= 4000 – 300 = 3700

{R2] IF Permintaan TURUN And Persediaan SEDIKIT
THEN Produksi Barang = Permintaan;

α-predikat
2
= µ
PmtTURUN ∩ PsdSEDIKIT

= min(µ
PmtTURUN
[4000],µ
PsdSEDIKIT
[300])
= min(0,25; 0,6)
= 0,25
Nilai z
2
: z
2
= 4000

[R3] IF Permintaan NAIK And Persediaan BANYAK
THEN Produksi Barang = Permintaan;
α-predikat
3
= µ
PmtNAIK ∩ PsdBANYAK

= min(µ
PmtNAIK
[4000],µ
PsdBANYAK
[300])
= min(0,75; 0,4)
= 0,4
Nilai z
3
: z
3
= 4000

[R4] IF Permintaan NAIK And Persediaan SEDIKIT
THEN Produksi Barang = 1,25*Permintaan - Persediaan;
α-predikat
4
= µ
PmtNAIK ∩ PsdBANYAK

142
= min(µ
PmtNAIK
[4000],µ
PsdSEDIKIT
[300])
= min(0,75; 0,6)
= 0,6
Nilai z
4
: z
4
= 1,25*4000 – 300 = 4700

Dari sini kita dapat mencari berapakah nilai z, yaitu:

4 3 2 1
4 4 3 3 2 2 1 1
pred pred pred pred
z * pred z * pred z * pred z * pred
z
α α α α
α α α α
+ + +
+ + +
=

4230
5 , 1
6345
6 , 0 4 , 0 25 , 0 25 , 0
4700 * 6 , 0 4000 * 4 , 0 4000 * 25 , 0 3700 * 25 , 0
z = =
+ + +
+ + +
=

Jadi jumlah makanan kaleng jenis ABC yang harus diproduksi sebanyak 4230
kemasan.

7.9 BASISDATA FUZZY
Sebagian besar basis data standar diklasifikasikan berdasarkan bagaimana data
tersebut dipandang oleh user. Misalkan kita memiliki data karyawan yang
tersimpan pada tabel DT_KARYAWAN dengan field NIP, nama, tgl lahir, th masuk,
dan gaji per bulan seperti pada Tabel 7.1.

Tabel 7.1 Data mentah karyawan.
NIP Nama Tgl Lahir Th. Masuk Gaji/bl (Rp)
01 Lia 03-06-1972 1996 750.000
02 Iwan 23-09-1954 1985 1.500.000
03 Sari 12-12-1966 1988 1.255.000
04 Andi 06-03-1965 1998 1.040.000
05 Budi 04-12-1960 1990 950.000
06 Amir 18-11-1963 1989 1.600.000
07 Rian 28-05-1965 1997 1.250.000
08 Kiki 09-07-1971 2001 550.000
09 Alda 14-08-1967 1999 735.000
10 Yoga 17-09-1977 2000 860.000

Kemudian dari tabel DT_KARYAWAN, kita oleh menjadi suatu tabel temporer
untuk menghitung umur karyawan dan masa kerjanya. Tabel tersebut kita beri
nama dengan tabel KARYAWAN (Tabel 7.2)

Tabel 7.2 Data karywan setelah diolah.
NIP Nama Umur (th) Masa Kerja (th)* Gaji/bl
01 Lia 30 6 750.000
02 Iwan 48 17 1.500.000
03 Sari 36 14 1.255.000
04 Andi 37 4 1.040.000
05 Budi 42 12 950.000
06 Amir 39 13 1.600.000
143
07 Rian 37 5 1.250.000
08 Kiki 32 1 550.000
09 Alda 35 3 735.000
10 Yoga 25 2 860.000
*Misal sekarang tahun 2002

Dengan menggunakan basisdata standar, kita dapat mencari data-data karyawan
dengan spesifikasi tertentu dengan menggunakan query. Misal kita ingin
mendapatkan informasi tentang nama-nama karyawan yang usianya kurang dari
35 tahun, maka kita bisa ciptakan suatu query:
SELECT NAMA
FROM KARYAWAN
WHERE (Umur < 35)

sehingga muncul nama-nama Lia, Kiki, dan Yoga. Apabila kita ingin mendapatkan
informasi tentang nama-nama karyawan yang gajinya lebih dari 1 juta rupiah,
maka kita bisa ciptakan suatu query:
SELECT NAMA
FROM KARYAWAN
WHERE (Gaji > 1000000)

sehingga muncul nama-nama Iwan, Sari, Andi, Amir, dan Rian. Apabila kita ingin
mendapatkan unformasi tentang nama-nama karyawan yang yang masa kerjanya
kurang dari atau sama dengan 5 tahun tetapi gajinya sudah lebih dari 1 juta
rupiah, maka kita bisa ciptakan suatu query:
SELECT NAMA
FROM KARYAWAN
WHERE (MasaKerja <= 5) and (Gaji > 1000000)

sehingga muncul nama-nama Andi dan Rian.
Pada kenyataannya, seseorang kadang membutuhkan informasi dari data-data
yang bersifat ambiguous. Apabila hal ini terjadi, maka kita menggunakan
basisdata fuzzy. Selama ini, sudah ada beberapa penelitian tentang basisdata
fuzzy. Salah satu diantaranya adalah model Tahani. Basisdata fuzzy model Tahani
masih tetap menggunakan relasi standar, hanya saja model ini menggunakan
teori himpunan fuzzy untuk mendapatkan informasi pada query-nya.
Misalkan kita mengkategorikan usia karyawan diatas ke dalam himpunan: MUDA,
PAROBAYA, dan TUA (Gambar 7.43)










Gambar 7.43 Fungsi keanggotaan untuk variabel Usia.

40 30
0
1
35 45 50
µ[x]
MUDA PAROBAYA TUA
Umur (tahun)
144
Fungsi keanggotaan:
¦
¹
¦
´
¦

≤ ≤


=
40 ; 0
40 30 ;
10
40
30 ; 1
] [
x
x
x
x
x
MUDA
µ

¦
¦
¦
¹
¦
¦
¦
´
¦
≤ ≤

≤ ≤

≥ ≤
=
50 45 ;
5
50
45 35 ;
10
35
50 35 ; 0
] [
x
x
x
x
x atau x
x
PAROBAYA
µ

¦
¹
¦
´
¦

≤ ≤


=
50 ; 1
50 40 ;
10
40
40 ; 0
] [
x
x
x
x
x
TUA
µ

Tabel 7.3 menunjukkan tabel karyawan berdasarkan umur dengan derajat
keanggotannya pada setiap himpunan.

Tabel 7.3 KARYAWAN berdasarkan umur:

Derajat Keanggotaan (µ µµ µ[x])
NIP Nama Umur
MUDA PAROBAYA TUA
01 Lia 30 1 0 0
02 Iwan 48 0 0,4 0,8
03 Sari 36 0,4 0,1 0
04 Andi 37 0,3 0,2 0
05 Budi 42 0 0,7 0,2
06 Amir 39 0,1 0,4 0
07 Rian 37 0,3 0,2 0
08 Kiki 32 0,8 0 0
09 Alda 35 0,5 0 0
10 Yoga 25 1 0 0


Variabel Masa Kerja bisa dikategorikan dalam himpunan: BARU dan LAMA
(Gambar 7.44)









Gambar 7.44 Fungsi keanggotaan untuk variabel Masa Kerja.
15 5
0
1
10 25
µ[y]
BARU LAMA
Masa Kerja (tahun)
145

Fungsi keanggotaan:
¦
¹
¦
´
¦

≤ ≤


=
15 ; 0
15 5 ;
10
15
5 ; 1
] [
y
y
y
y
y
BARU
µ

¦
¹
¦
´
¦

≤ ≤


=
25 ; 1
25 10 ;
15
10
10 ; 0
] [
y
y
y
y
y
LAMA
µ

Tabel 7.4 menunjukkan tabel karyawan berdasarkan umur dengan derajat
keanggotannya pada setiap himpunan.

Tabel 7.4 KARYAWAN berdasarkan Masa Kerja.
Derajat Keanggotaan (µ µµ µ[y])
NIP Nama Masa Kerja
BARU LAMA
01 Lia 6 0,9 0
02 Iwan 17 0 0,467
03 Sari 14 0,1 0,267
04 Andi 4 1 0
05 Budi 12 0,3 0,133
06 Amir 13 0,2 0,200
07 Rian 5 1 0
08 Kiki 1 1 0
09 Alda 3 1 0
10 Yoga 2 1 0

Variabel Gaji bisa dikategorikan dalam himpunan: RENDAH, SEDANG, dan TINGGI
(Gambar 7.45).










Gambar 7.45 Fungsi keanggotaan untuk variabel Gaji.

Fungsi keanggotaan:
¦
¹
¦
´
¦

≤ ≤


=
800 ; 0
800 300 ;
500
800
300 ; 1
] [
z
z
z
z
z
RENDAH
µ

800 300
0
1
50
0
2000 150
0
µ[z]
RENDAH SEDANG
TINGGI
Gaji (x1000 Rp/bl)
100
0
146
¦
¦
¦
¹
¦
¦
¦
´
¦
≤ ≤

≤ ≤

≥ ≤
=
1500 1000 ;
500
1500
1000 500 ;
500
500
1500 500 ; 0
] [
z
z
z
z
z atau z
z
SEDANG
µ

¦
¹
¦
´
¦

≤ ≤


=
2000 ; 1
2000 1000 ;
1000
1000
1000 ; 0
] [
z
z
z
z
z
TINGGI
µ

Tabel 7.5 menunjukkan tabel karyawan berdasarkan umur dengan derajat
keanggotannya pada setiap himpunan.

Tabel 7.5 Karyawan berdasar gaji.
Derajat Keanggotaan (µ µµ µ[z])
NIP Nama Gaji / bl
RENDAH SEDANG TINGGI
01 Lia 750.000 0,1 0,50 0
02 Iwan 1.255.000 0 0,49 0,255
03 Sari 1.500.000 0 0 0,500
04 Andi 1.040.000 0 0,92 0,040
05 Budi 950.000 0 0,90 0
06 Amir 1.600.000 0 0 0,600
07 Rian 1.250.000 0 0,50 0,250
08 Kiki 550.000 0,5 0 0
09 Alda 735.000 0,13 0 0
10 Yoga 860.000 0 0 0

Ada beberapa query yang bisa diberikan, misalkan:

Query1:
Siapa saja-kah karyawan yang masih muda tapi memiliki gaji tinggi?

SELECT NAMA
FROM KARYAWAN
WHERE (Umur = “MUDA”) and (Gaji = “TINGGI”)

Tabel 7.6 menunjukkan hasil query1, yaitu nama-nama karyawan yang masih
muda tapi memiliki gaji yang tinggi.

Tabel 7.6 Hasil query1.
Derajat Keanggotaan
NIP NAMA UMUR GAJI
MUDA TINGGI MUDA & TINGGI
03 Sari 36 1.500.000 0,4 0,5 0,4
07 Rian 37 1.250.000 0,3 0,25 0,25
06 Amir 39 1.600.000 0,1 0,6 0,1
04 Andi 37 1.040.000 0,3 0,04 0,04
01 Lia 30 750.000 1 0 0
147
02 Iwan 48 1.255.000 0 0,255 0
05 Budi 42 950.000 0 0 0
08 Kiki 32 550.000 0,8 0 0
09 Alda 35 735.000 0,5 0 0
10 Yoga 25 860.000 1 0 0

Query2:
Siapa saja-kah karyawan yang masih muda atau karyawan yang memiliki gaji
tinggi?

SELECT NAMA
FROM KARYAWAN
WHERE (Umur = “MUDA”) or (Gaji = “TINGGI”)

Tabel 7.7 menunjukkan hasil query2, yaitu nama-nama karyawan yang masih
muda atau yang memiliki gaji yang tinggi.

Tabel 7.7 Hasil query2.
Derajat Keanggotaan
NIP NAMA UMUR GAJI
MUDA TINGGI MUDA atau TINGGI
01 Lia 30 750.000 1 0 1
10 Yoga 25 860.000 1 0 1
08 Kiki 32 550.000 0,8 0 0,8
06 Amir 39 1.600.000 0,1 0,6 0,6
03 Sari 36 1.500.000 0,4 0,5 0,5
09 Alda 35 735.000 0,5 0 0,5
04 Andi 37 1.040.000 0,3 0,04 0,3
07 Rian 37 1.250.000 0,3 0,25 0,3
02 Iwan 48 1.255.000 0 0,255 0,255
05 Budi 42 950.000 0 0 0

Query3:
Siapa saja-kah karyawan yang masih muda tapi masa kerjanya sudah lama?

SELECT NAMA
FROM KARYAWAN
WHERE (Umur = “MUDA”) and (MasaKerja = “LAMA”)

Tabel 7.8 menunjukkan hasil query3, yaitu nama-nama karyawan yang masih
muda tapi masakerjanya sudah lama.
Tabel 7.8 Hasil query3.
Derajat Keanggotaan
NIP NAMA UMUR Masa Kerja
MUDA LAMA MUDA & LAMA
03 Sari 36 14 0,4 0,267 0,267
06 Amir 39 13 0,1 0,2 0,1
01 Lia 30 6 1 0 0
02 Iwan 48 17 0 0,467 0
148
04 Andi 37 4 0,3 0 0
05 Budi 42 12 0 0,133 0
07 Rian 37 5 0,3 0 0
08 Kiki 32 1 0,8 0 0
09 Alda 35 3 0,5 0 0
10 Yoga 25 2 1 0 0

Query4:
Siapa saja-kah karyawan yang parobaya dan gajinya sedang, atau karyawan
yang parobaya tapi masa kerjanya sudah lama?

SELECT NAMA
FROM KARYAWAN
WHERE (Umur = “PAROBAYA”) and
[(Gaji = “SEDANG”) atau (MasaKerja = “LAMA”)]

Tabel 7.9 menunjukkan hasil query4, yaitu nama-nama karyawan yang parobaya
dan gajinya sedang, atau karyawan yang parobaya tapi masakerjanya sudah
lama.
Tabel 7.9 Hasil query4.
Derajat Keanggotaan
NIP NAMA
SEDANG LAMA
SEDANG
atau
LAMA
PAROBAYA
PAROBAYA &
(SEDANG atau
LAMA)
05 Budi 0,9 0,133 0,9 0,7 0,7
02 Iwan 0,49 0,467 0,49 0,4 0,4
04 Andi 0,92 0 0,92 0,2 0,2
06 Amir 0 0,2 0,2 0,4 0,2
07 Rian 0,5 0 0,5 0,2 0,2
03 Sari 0 0,267 0,267 0,1 0,1
01 Lia 0,5 0 0,5 0 0
08 Kiki 0 0 0 0 0
09 Alda 0 0 0 0 0
10 Yoga 0 0 0 0 0


7.2 ALASAN DIGUNAKANNYA LOGIKA FUZZY Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain: 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 kompleks. memodelkan fungsi-fungsi nonlinear yang sangat

5. Logika fuzzy dapat membangun dan mengaplikasikan pengalamanpengalaman para pakar secara langsung tanpa harus melalui proses pelatihan. 6. Logika fuzzy konvensional. dapat bekerjasama dengan teknik-teknik kendali secara

7. Logika fuzzy didasarkan pada bahasa alami. 7.3 APLIKASI Beberapa aplikasi logika fuzzy, antara lain: 1. Pada tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang (Matsushita Electric Industrial Company). Sistem fuzzy digunakan untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci. Input yang digunakan adalah: seberapa kotor, jenis kotoran, dan banyaknya yang dicuci. Mesin ini menggunakan sensor optik , mengeluarkan cahaya ke air dan mengukur bagaimana cahaya tersebut sampai ke ujung lainnya. Makin kotor, maka sinar yang sampai makin redup. Disamping itu, sistem juga dapat menentukan jenis kotoran (daki atau minyak). 2. Transmisi otomatis pada mobil. Mobil Nissan telah menggunakan sistem fuzzy pada transmisi otomatis, dan mampu menghemat bensin 12 – 17%. 3. Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu. 4. Ilmu kedokteran dan biologi, seperti sistem diagnosis yang didasarkan pada logika fuzzy, penelitian kanker, manipulasi peralatan prostetik yang didasarkan pada logika fuzzy, dll. 5. Manajemen dan pengambilan keputusan, seperti manajemen basisdata yang didasarkan pada logika fuzzy, tata letak pabrik yang didasarkan pada logika fuzzy, sistem pembuat keputusan di militer yang didasarkan pada logika fuzzy, pembuatan games yang didasarkan pada logika fuzzy, dll. 6. Ekonomi, seperti pemodelan fuzzy pada sistem pemasaran yang kompleks, dll. 7. Klasifikasi dan pencocokan pola. 8. Psikologi, seperti logika fuzzy untuk menganalisis kelakuan masyarakat, pencegahan dan investigasi kriminal, dll. 9. Ilmu-ilmu sosial, terutam untuk pemodelan informasi yang tidak pasti. 10. Ilmu lingkungan, seperti kendali kualitas air, prediksi cuaca, dll.

110

11. Teknik, seperti perancangan jaringan komputer, prediksi adanya gempa bumi, dll. 12. Riset operasi, seperti penjadwalan dan pemodelan, pengalokasian, dll. 13. Peningkatan kepercayaan, monitoring produksi. seperti kegagalan diagnosis, inspeksi dan

7.4 HIMPUNAN FUZZY Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µA[x], memiliki 2 kemungkinan, yaitu: satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. Contoh 7.1: Jika diketahui: S = {1, 2, 3, 4, 5, 6} adalah semesta pembicaraan. A = {1, 2, 3} B = {3, 4, 5} bisa dikatakan bahwa: Nilai keanggotaan 2 pada himpunan A, µA[2]=1, karena Nilai keanggotaan 3 pada himpunan A, µA[3]=1, karena Nilai keanggotaan 4 pada himpunan A, µA[4]=0, karena Nilai keanggotaan 2 pada himpunan B, µB[2]=0, karena Nilai keanggotaan 3 pada himpunan B, µB[3]=1, karena Contoh 7.2: Misalkan variabel umur dibagi menjadi 3 kategori, yaitu: MUDA PAROBAYA TUA umur < 35 tahun 35 ≤ umur ≤ 55 tahun umur > 55 tahun

2∈A. 3∈A. 4∉A. 2∉B. 3∈B.

Nilai keanggotaan secara grafis, himpunan MUDA, PAROBAYA dan TUA ini dapat dilihat pada Gambar 7.2.
1 MUDA 1 PAROBAYA 1 TUA

µ[x]
0 0 35 umur (th) (a)

µ[x]
0 35 55 umur (th) (b)

µ[x]
0 55 umur (th) (c)

Gambar 7.2 Himpunan: MUDA, PAROBAYA, dan TUA.

Pada Gambar 7.2, dapat dilihat bahwa: apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA (µMUDA[34] =1); apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA (µMUDA[35]=0);

111

apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK MUDA (µMUDA[35 th -1hr]=0); apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA (µPAROBAYA[35]=1); apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK PAROBAYA (µPAROBAYA[34]=0); apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA (µPAROBAYA[35]=1); apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK PAROBAYA (µPAROBAYA[35 th - 1 hr]=0); Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk menyatakan umur sangat tidak adil, adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan. Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Seseorang dapat masuk dalam 2 himpunan yang berbeda, MUDA dan PAROBAYA, PAROBAYA dan TUA, dsb. Seberapa besar eksistensinya dalam himpunan tersebut dapat dilihat pada nilai keanggotaannya. Gambar 7.3 menunjukkan himpunan fuzzy untuk variabel umur.
MUDA PAROBAYA TUA

µ[x]

1

0,5 0,25 0 25 35 40 45 50 55 Umur (th) 65

Gambar 7.3 Himpunan fuzzy untuk variabel Umur.

Pada Gambar 7.3, dapat dilihat bahwa: Seseorang yang berumur 40 tahun, termasuk dalam himpunan MUDA dengan µMUDA[40]=0,25; namun dia juga termasuk dalam himpunan PAROBAYA dengan µPABOBAYA[40]=0,5. Seseorang yang berumur 50 tahun, termasuk dalam himpunan MUDA dengan µTUA[50]=0,25; namun dia juga termasuk dalam himpunan PAROBAYA dengan µPABOBAYA[50]=0,5. Kalau pada himpunan crisp, nilai keanggotaan hanya ada 2 kemungkinan, yaitu 0 atau 1, pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Apabila x memiliki nilai keanggotaan fuzzy µA[x]=0 berarti x tidak menjadi anggota himpunan A, demikian pula apabila x memiliki nilai keanggotaan fuzzy µA[x]=1 berarti x menjadi anggota penuh pada himpunan A. Terkadang kemiripan antara keanggotaan fuzzy dengan probabilitas menimbulkan kerancuan. Keduanya memiliki nilai pada interval [0,1], namun interpretasi nilainya sangat berbeda antara kedua kasus tersebut. Keanggotaan fuzzy memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan probabilitas mengindikasikan proporsi terhadap keseringan suatu hasil bernilai benar dalam jangka panjang. Misalnya, jika nilai keanggotaan suatu himpunan fuzzy MUDA adalah 0,9; maka tidak perlu dipermasalahkan berapa seringnya nilai itu diulang secara individual untuk mengharapkan suatu hasil yang hampir pasti

112

Numeris. TUA.9 muda berarti 10% dari himpunan tersebut diharapkan tidak muda.3) Variabel temperatur. PAROBAYA. Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy. 25. dsb. yaitu: a. Semesta Pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. temperatur. Himpunan fuzzy Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. yaitu: DINGIN. Himpunan fuzzy memiliki 2 atribut. PAROBAYA. b. Contoh: umur. b. yaitu: a. Contoh: Variabel umur. Contoh: Semesta pembicaraan untuk variabel umur: [0 +∞) Semesta pembicaraan untuk variabel temperatur: [0 40] 113 . Linguistik. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. dan PANAS. yaitu: MUDA.4) DINGIN SEJUK NORMAL HANGAT PANAS 1 µ[x] 0 0 15 20 25 o 30 35 40 Temperatur ( C)) Gambar 7. dsb. terbagi menjadi 3 himpunan fuzzy.muda.4 Himpunan fuzzy pada variabel temperatur. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya. nilai probabilitas 0. NORMAL. yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami. (Gambar 7. yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel seperti: 40. HANGAT. c. 50. (Gambar 7. dan TUA. seperti: MUDA. permintaan. Variabel fuzzy Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Di lain pihak. SEJUK. terbagi menjadi 5 himpunan fuzzy.

 x ≤ a (7. pemetaan input ke derajat keanggotannya digambarkan sebagai suatu garis lurus. Seperti halnya semesta pembicaraan.5 FUNGSI KEANGGOTAAN Fungsi Keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas. Pertama.5) 1 derajat keanggotaan µ[x] 0 domain a b Gambar 7. Contoh domain himpunan fuzzy: MUDA PABOBAYA TUA DINGIN SEJUK NORMAL HANGAT PANAS = = = = = = = = [0 [35 [45 [0 [15 [20 [25 [30 45] 55] +∞) 20] 25] 30] 35] 40] 7. Ada beberapa fungsi yang bisa digunakan. Ada 2 keadaan himpunan fuzzy yang linear. Nilai domain dapat berupa bilangan positif maupun negatif. Representasi Linear Pada representasi linear.d. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. a. Fungsi Keanggotaan: µ[x] = (x − a) /(b − a).  x ≥b 0. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.1) 114 .5 Representasi Linear Naik. kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi (Gambar 7. a ≤ x ≤ b 1.

(7.3: Fungsi keanggotaan untuk himpunan PANAS pada variabel temperatur ruangan seperti terlihat pada Gambar 7.Contoh 7.667 115 .7 1 0.8. 1 derajat keanggotaan µ[x] 0a Fungsi Keanggotaan: domain b Gambar 7.2) Fungsi keanggotaan untuk himpunan DINGIN pada variabel temperatur ruangan seperti terlihat pada Gambar 7. µPANAS[32] = (32-25)/(35-25) = 7/10 = 0.7).6. Garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri. a ≤ x ≤ b x ≥b 0. Kedua. merupakan kebalikan yang pertama.4: (b − x ) /(b − a).6 Himpunan fuzzy: PANAS. kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah (Gambar 7. µDINGIN[20] = (30-20)/(30-15) = 10/15 = 0.7 derajat keanggotaan PANAS µ[x] 0 25 o 32 Temperatur( C) 35 Gambar 7. µ[ x ] =  Contoh 7.7 Representasi Linear Turun.

8 116 .5: Fungsi keanggotaan untuk himpunan NORMAL pada variabel temperatur ruangan seperti terlihat pada Gambar 7.1 DINGIN 0.x)/(c .a)/(b .a).  x ≤ a atau x ≥ c (7. µNORMAL[23] = (23-15)/(25-15) = 8/10 = 0. a ≤ x ≤ b (b .9 Kurva Segitiga.10.9.3) Contoh 7. b ≤ x ≤ c  0. b.b).8 Himpunan fuzzy: DINGIN. Fungsi Keanggotaan: µ[x] = (x . Representasi Kurva Segitiga Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linear) seperti terlihat pada Gambar 7.667 derajat keanggotaan µ[x] 0 15 20 Temperatur ( C) o 30 Gambar 7. 1 derajat keanggotaan µ[x] 0 a b domain c Gambar 7.

 (x .11 Kurva Trapesium.1 0. 1 derajat keanggotaan µ[x] 0 a b domain c d Gambar 7. Fungsi Keanggotaan: 0.8 derajat keanggotaan µ[x] NORMAL 0 15 23 25 Temperatur (oC) 35 Gambar 7.a)/(b .x)/(d .6: Fungsi keanggotaan untuk himpunan NORMAL pada variabel temperatur ruangan seperti terlihat pada Gambar 7.4) Contoh 7.  x ≤ a atau x ≥ d a≤ x ≤b b≤x ≤c x ≥d (7. µ[x ] =  1.26). µNORMAL[23] = (35-32)/(35-27) = 3/8 = 0.10 Himpunan fuzzy: NORMAL (kurva segitiga).a). Representasi Kurva Trapesium Kurva Segitiga pada dasarnya seperti bentuk segitiga. c. (d .c). hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1 (Gambar 2.12.375 117 .

e. Representasi Kurva Bentuk Bahu Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga. digunakan untuk mengakhiri variabel suatu daerah fuzzy. kenaikan temperatur akan tetap berada pada kondisi PANAS. bukan segitiga. Bahu Kiri Bahu Kanan TEMPERATUR DINGIN SEJUK 1 derajat keanggotaan µ[x] NORMAL HANGAT PANAS 0 0 28 40 o temperatur ( C) Gambar 7.1 µ[x] 0. Gambar 7. Sebagai contoh.12 Himpunan fuzzy: NORMAL (kurva trapesium). Bahu kiri bergerak dari benar ke salah.13 menunjukkan variabel TEMPERATUR dengan daerah bahunya. Tetapi terkadang salah satu sisi dari variabel tersebut tidak mengalami perubahan. pada sisi kanan dan kirinya akan naik dan turun (misalkan: DINGIN bergerak ke SEJUK bergerak ke HANGAT dan bergerak ke PANAS).13 Daerah ‘bahu’ pada variabel TEMPERATUR.375 NORMAL 0 15 Temperatur (oC) 24 27 32 35 Gambar 7. Representasi Kurva-S Kurva PERTUMBUHAN dan PENYUSUTAN merupakan kurva-S atau sigmoid yang berhubungan dengan kenaikan dan penurunan permukaan secara tak linear. apabila telah mencapai kondisi PANAS. Himpunan fuzzy ‘bahu’. demikian juga bahu kanan bergerak dari salah ke benar. d. Fungsi 118 . Kurva-S untuk PERTUMBUHAN akan bergerak dari sisi paling kiri (nilai keanggotaan = 0) ke sisi paling kanan (nilai keanggotaan = 1).

15 Himpunan fuzzy dengan kurva-S: PENYUSUTAN.16 Karakteristik fungsi kurva-S. yaitu: nilai keanggotaan nol (α).keanggotaannya akan tertumpu pada 50% nilai keanggotaannya yang sering disebut dengan titik infleksi (Gambar 7. Gambar 7. nilai keanggotaan lengkap (γ).16 menunjukkan karakteristik kurva-S dalam bentuk skema. dan titik infleksi atau crossover (β) yaitu titik yang memiliki domain 50% benar. Kurva-S untuk PENYUSUTAN akan bergerak dari sisi paling kanan (nilai keanggotaan = 1) ke sisi paling kiri (nilai keanggotaan = 0) seperti telihat pada Gambar 7.15. Kurva-S didefinisikan dengan menggunakan 3 parameter.14). 1 derajat keanggotaan µ[x] 0 ℜi domain ℜj Gambar 7.14 Himpunan fuzzy dengan kurva-S: PERTUMBUHAN.5 1 0 µ[x]=0 ℜ1 α domain ℜn µ[x]=1 β γ µ[x]=0. 119 . 1 derajat keanggotaan µ[x] 0 ℜ1 domain ℜn Gambar 7. derajat keanggotaan µ[x] 0.5 Gambar 7.

7: Fungsi keanggotaan untuk himpunan TUA pada variabel umur seperti terlihat pada Gambar 7. Sedangkan fungsi keanggotaan pada kurva PENYUSUTAN adalah: 1   2 1 − 2((x − α ) /(γ − α )) S(x.376 MUDA 1 µ[x] 0.18 Himpunan Fuzzy: MUDA. γ ) =  2 1 − 2((γ − x) /(γ − α ))  1  → x ≤α → α ≤x≤β → β ≤ x ≤γ → x ≥γ (7. 120 . β .68 1 0. β . γ ) =  2  2((γ − x) /(γ − α ))  0  → x ≤α → α ≤x≤β → β ≤ x ≤γ → x≥γ (7.68 TUA µ[x] 0 35 50 60 umur (tahun) Gambar 7.17 Himpunan Fuzzy: TUA.18.376 0 20 37 50 umur (tahun) Gambar 7.17.8: Fungsi keanggotaan untuk himpunan MUDA pada variabel umur seperti terlihat pada Gambar 7.Fungsi keangotaanpada kurva PERTUMBUHAN adalah: 0   2  2((x − α ) /(γ − α )) S(x. µTUA[50] = 1 – 2((60-50)/(60-35))2 = 1 – 2(10/25)2 = 0.6) Contoh 7.α .5) Contoh 7.α . µMUDA[50] = 2((50-37)/(50-20))2 = 2(13/30)2 = 0.

beta. yaitu: himpunan fuzzy PI. Nilai kurva untuk suatu nilai domain x diberikan sebagai: Pusat γ 1 derajat keanggotaan 0.32 121 . γ − .19.7) Contoh 7.19 Karakteristik fungsional kurva PI. γ ) =  1 − S x. Perbedaan ketiga kurva ini terletak pada gradiennya. Fungsi Keanggotaan:  β   → x ≤γ  S x. β . dan Gauss. γ    2    Π( x. biasanya digunakan kurva berbentuk lonceng. γ − β . γ + β . (i) Kurva PI Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak pada pusat dengan domain (γ).f.5 0 ℜi Titik Infleksi ℜj Lebar Domain β Gambar 7. γ . µ1/2BAYA[42] = 1 .20. Kurva berbentuk lonceng ini terbagi atas 3 kelas.82 µ1/2BAYA[51] = 2((55-51)/(55-45))2 = 2(4/10)2 = 0. γ + β  → x > γ      2    (7. dan lebar kurva (β) seperti terlihat pada Gambar 7. Representasi Kurva Bentuk Lonceng (Bell Curve) Untuk merepresentasikan bilangan fuzzy.2((45-42)/(45-35))2 = 1 .9: Fungsi keanggotaan untuk himpunan PAROBAYA pada variabel umur seperti terlihat pada Gambar 7.2(3/10)2 = 0.

Fungsi Keanggotaan: B( x.1 0. yaitu nilai pada domain yang menunjukkan pusat kurva (γ). Kurva ini juga didefinisikan dengan 2 parameter.5 0 ℜ1 Titik Infleksi Titik Infleksi ℜn γ−β Domain γ+β Gambar 7.8) 122 . kurva BETA juga berbentuk lonceng namun lebih rapat.32 PAROBAYA 0 35 umur (tahun) 42 45 51 55 Gambar 7.82 µ[x] 0.20 Himpunan Fuzzy: PAROBAYA dengan kurva phi. dan setengah lebar kurva (β) seperti terlihat pada Gambar 7. β ) = 1 x −γ 1+  β      2 (7.21. Nilai kurva untuk suatu nilai domain x diberikan sebagai: Pusat γ 1 derajat keanggotaan µ[x] 0.21 Karakteristik fungsional kurva BETA. γ . (ii) Kurva BETA Seperti halnya kurva PI.

22.7353 µ[x] 0. dan (k) yang menunjukkan lebar kurva (Gambar 7.10: Fungsi keanggotaan untuk himpunan SETENGAH BAYA pada variabel umur seperti terlihat pada Gambar 7. fungsi keanggotaannya akan mendekati nol hanya jika nilai (β) sangat besar.23 Himpunan Fuzzy: SETENGAH BAYA dengan kurva Beta. (iii) Kurva GAUSS Jika kurva PI dan kurva BETA menggunakan 2 parameter yaitu (γ) dan (β). µ1/2BAYA[42] = 1/(1+((42-45)/5)2) = 0.25 Karakteristik fungsional kurva GAUSS. kurva GAUSS juga menggunakan (γ) untuk menunjukkan nilai domain pada pusat kurva.Salah satu perbedaan mencolok kurva BETA dari kurva PI adalah. Contoh 7.5 0 ℜi Lebar k ℜj Domain Gambar 7. 123 .4098 1 0.25).7353 µ1/2BAYA[51] = 1/(1+((51-45)/5)2) = 0.4098 PAROBAYA 0 35 umur (tahun) 42 45 51 55 Gambar 7. Nilai kurva untuk suatu nilai domain x diberikan sebagai: Pusat γ 1 derajat keanggotaan µ[x] 0.

5 0 10 20 30 40 50 60 70 80 90 100 umur (th) Gambar 7.26 merupakan contoh himpunan fuzzy yang diterapkan pada sistem asuransi yang akan menanggung resiko seorang pengendara kendaraan bermotor berdasarkan usianya.6 28/. dan paling sedikit harus ada satu titik yang memiliki nilai kebenaran sama dengan 1. PENGENDARA BERESIKO TINGGI (dalam umur) µ[x] 1 0.43 memperlihatkan koordinat yang menspesifikasikan titik-titik sepanjang domain himpunan fuzzy.3 68/. Semua titik harus ada di domain. Koordinat Keanggotaan Himpunan fuzzy berisi urutan pasangan berurutan yang berisi nilai domain dan kebenaran nilai keanggotaannya dalam bentuk: Skalar(i) / Derajat(i) ‘Skalar’ adalah suatu nilai yang digambar dari domain himpunan fuzzy. Koordinatnya dapat digambarkan dengan 7 pasangan berurutan sebagai berikut: 16/1 21/. 124 .27.9) g.7 96/1 Gambar 2. akan berbentuk ‘U’. γ ) = e − k (γ − x ) 2 (7.26 Titik-titik koordinat yang menunjukkan PENGENDARA BERESIKO TINGGI Gambar 7. sedangkan ‘Derajat’ skalar merupakan derajat keanggotaan himpunan fuzzynya. Apabila titik-titik tersebut telah digambarkan.Fungsi Keanggotaan: G( x.3 76/. maka digunakan interpolasi linear untuk mendapatkan permukaan fuzzy-nya seperti terlihat pada Gambar 7. k .5 80/.

ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy.8).pada himpunan penghasilan TINGGI adalah 0.000.. Ada 3 operator dasar yang diciptakan oleh Zadeh.8) = 0. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama fire strength atau α–predikat. α– predikat sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada himpunanhimpunan yang bersangkutan.6.6 (µMUDA[27]=0. µGAJITINGGI[2x106) = min(0. 0.6.000. µA∩B = min(µA[x]. maka α–predikat untuk usia MUDA dan berpenghasilan TINGGI adalah: µMUDA∩GAJITINGGI = min(µMUDA[27].PENGENDARA BERESIKO TINGGI (dalam umur) µ[x] 1 0. µA∪B = max(µA[x].27 Kurva yang berhubungan dengan PENGENDARA BERESIKO TINGGI 7.11: Misalkan nilai keanggotaan 27 tahun pada himpunan MUDA adalah 0.6 OPERATOR DASAR ZADEH UNTUK OPERASI HIMPUNAN FUZZY Seperti halnya himpunan konvensional.8 (µGAJITINGGI[2x106]=0.6). α– predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunanhimpunan yang bersangkutan.6 7.6. yaitu: 7.5 0 10 20 30 40 50 60 70 80 90 100 umur Gambar 7. µB[y]) 125 . dan nilai keanggotaan Rp 2. µB[y]) Contoh 7.1 Operator AND Operator ini berhubungan dengan operasi interseksi pada himpunan.2 Operator OR Operator ini berhubungan dengan operasi union pada himpunan.

Contoh 7.6.3 Operator NOT Operator ini berhubungan dengan operasi komplemen pada himpunan.Contoh 7.0. namun terkadang masih digunakan untuk penskalaan fuzzy. 126 .13: Pada contoh 7.8) = 0. 0. µA’ = 1-µA[x] Contoh 7.7 PENALARAN MONOTON Metode penalaran secara monoton digunakan sebagai dasar untuk teknik implikasi fuzzy.11. α– predikat sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1.B) maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan dekomposisi fuzzy.A). µGAJITINGGI[2x106) = max(0. Meskipun penalaran ini sudah jarang sekali digunakan.8 7.11. Jika 2 daerah fuzzy direlasikan dengan implikasi sederhana sebagai berikut: IF x is A THEN y is B transfer fungsi: y = f((x.4 7.µMUDA[27] = 1 .28.14: Misalkan ada 2 himpunan fuzzy: TINGGI (menunjukkan tinggi badan orang Indonesia) dan BERAT (menunjukkan berat badan orang Indonesia) seperti terlihat pada Gambar 7. dapat dihitung nilai α–predikat untuk usia TIDAK MUDA adalah: µMUDA’ [27] = 1 .6. Nilai output dapat diestimasi secara langsung dari nilai keanggotaan yang berhubungan dengan antesedennya.12: Pada contoh 7.6 = 0. dapat dihitung nilai α–predikat untuk usia MUDA atau berpenghasilan TINGGI adalah: µMUDA∪GAJITINGGI = max(µMUDA[27].

Nilai pada sumbu domain. memiliki derajat keanggotaan 0. Pada daerah fuzzy B. merupakan solusi dari fungsi implikasi tersebut.70) = 0. sehingga: ⇔ ⇔ ⇔ ⇔ ⇔ 1-2[(70-y)/(70-40)]2 = 0.DB) Gambar 7. 40.4 kg.5 = ±√(112. y.1 TINGGI µ[x] 1 BERAT µ[y] 0 150 Tinggi badan (cm) 170 0 40 Berat badan (Kg) 70 Gambar 7.55. tentukan nilai keanggotannya dalam daerah fuzzy A. diperoleh dari: µTINGGI[165] = (165 – 150)/(170 – 150) = 15/20 = 0.75 = 0. Seseorang yang memiliki tinggi badan 165 cm.75 Nilai ini dipetakan ke daerah fuzzy BERAT yang akan memberikan solusi berat badan orang tersebut yaitu 59.75 pada daerah fuzzy TINGGI.5 sampai 70. Tarik garis lurus ke arah domain.75 Karena 0.5 maka letak y adalah antara 52.75 > 0.5) 127 .29 menunjukkan kerja algoritma tersebut. Dapat dituliskan: yB = f(µA[x]. diperoleh dari: µBERAT[y] = S(y. Relasi antara kedua himpunan diekspresikan dengan aturan tunggal sebagai berikut: IF TinggiBadan is TINGGI THEN BeratBadan is BERAT Implikasi secara monoton akan menyeleksi daerah fuzzy A dan B dengan algoritma sebagai berikut: • • Untuk suatu elemen x pada domain A.75 1-2(70-y)2/900 2(70-y) /900 (70-y)2 (70-y) 2 = 0. yaitu: µA[x]. nilai keanggotaan yang berhubungan dengan tentukan permukaan fuzzy-nya.25 = 112.28 Himpunan fuzzy: TINGGI dan BERAT.

Proposisi ini dapat diperluas dengan menggunakan operator fuzzy.4 1 TINGGI [0. yaitu: a. dan A dan B adalah himpunan fuzzy.. ada 2 fungsi implikasi yang dapat digunakan. Secara umum. Proposisi yang mengikuti IF disebut sebagi anteseden.. sedangkan proposisi yang mengikuti THEN disebut sebagai konsekuen.⇔ y = 70 ± 10.75] µ[x] 0 150 165 170 Tinggi badan (cm) 1 BERAT [0. Fungsi ini akan memotong output himpunan fuzzy.8 FUNGSI IMPLIKASI Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan dengan suatu relasi fuzzy. 128 .29 Implikasi monoton: TINGGI ke BERAT.75] µ[x] 0 40 59. • (xN is AN) THEN y is B dengan • adalah operator (misal: OR atau AND). Min (minimum). karena nilainya harus < 70 ⇔ y = 59. Gambar 7..30 menunjukkan salah satu contoh penggunaan fungsi min.. seperti: IF (x1 is A1) • (x2 is A2) • (x3 is A3) • .4 Berat badan (Kg) 70 Gambar 7. 7.. Bentuk umum dari aturan yang digunakan dalam fungsi implikasi adalah: IF x is A THEN y is B dengan x dan y adalah skalar.6 ---> ambil (-) nya.

Aplikasi Operator AND TINGGI SEDANG NORMAL Aplikasi fungsi implikasi Min IF Permintaan TINGGI AND BiayaProduksi SEDANG THEN ProduksiBarang NORMAL Gambar 7.32).8 SISTEM INFERENSI FUZZY 7.1 Metode Tsukamoto Pada Metode Tsukamoto.31 Fungsi implikasi: DOT. Gambar 7. 7. Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot. b. setiap konsekuen pada aturan yang berbentuk IF-Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton (Gambar 7. Sebagai hasilnya. output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan αpredikat (fire strength). Fungsi ini akan menskala output himpunan fuzzy. 129 . Aplikasi Operator AND TINGGI SEDANG NORMAL Aplikasi fungsi implikasi Dot (Product) IF Permintaan TINGGI AND BiayaProduksi SEDANG THEN ProduksiBarang NORMAL Gambar 7.8.31 menunjukkan salah satu contoh penggunaan fungsi dot. Dot (product).30 Fungsi implikasi: MIN.

32 Inferensi dengan menggunakan Metode Tsukamoto. serta demi efisiensi mesin dan SDM tiap hari diharapkan perusahaan memproduksi paling tidak 2000 kemasan. sampai saat ini. IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi Barang BERTAMBAH. Persediaan barang digudang terbanyak sampai 600 kemasan/hari.MIN atau DOT µ[z] C1 1 µ[x] A1 1 µ[y] 1 B2 α1 0 Var-1 0 Var-2 0 z1 Var-3 µ[x] 1 A2 µ[y] B1 1 µ[z] 1 C2 α2 0 Var-1 0 Var-2 0 z2 Var-3 rata-rata terbobot α z + α2z2 z= 1 1 α1 + α2 Gambar 7. IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang BERKURANG. dan persediaan di gudang masih 300 kemasan? 130 . jika jumlah permintaan sebanyak 4000 kemasan. Dengan segala keterbatasannya. IF Permintaan NAIK And Persediaan BANYAK THEN Produksi Barang BERTAMBAH. perusahaan baru mampu memproduksi barang maksimum 7000 kemasan/hari. dan terkecil pernah sampai 100 kemasan/hari. Berapa kemasan makanan jenis ABC yang harus diproduksi. Apabila proses produksi perusahaan tersebut menggunakan 4 aturan fuzzy sbb: [R1] {R2] [R3] [R4] IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang BERKURANG. Dari data 1 bulan terakhir. dan permintaan terkecil sampai 1000 kemasan/hari. permintaan terbesar hingga mencapai 5000 kemasan/hari.15: Suatu perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Contoh 7.

 x ≤ 1000 0.  Kita bisa mencari nilai keanggotaan: µPmtTURUN[4000] = (5000-4000)/4000 = 0. 131 . µ[y] 1 SEDIKIT BANYAK 0.75 0. yaitu: NAIK dan TURUN (Gambar 7.  x − 1000  . yaitu: • Permintaan.6 0.   5000 − x .75 • Persediaan.15.33 Fungsi keanggotaan variabel Permintaan pada Contoh 7.15.25 µPmtNAIK[4000] = (4000-1000)/4000 = 0.4 0 100 300 Persediaan (kemasan/hari) 600 Gambar 7.34 Fungsi keanggotaan variabel Persediaan pada Contoh 7. 1000 ≤ x ≤ 5000 µPmtTURUN[x] =   4000 x ≥ 5000 0. yaitu: SEDIKIT dan BANYAK (Gambar 7.34). µ[x] TURUN NAIK 1 0.25 0 1000 4000 5000 Permintaan (kemasan/hari) Gambar 7. x ≤ 1000 1.Solusi: Ada 3 variabel fuzzy yang akan dimodelkan. terdiri-atas 2 himpunan fuzzy. terdiri-atas 2 himpunan fuzzy. 1000 ≤ x ≤ 5000 µPmtNAIK [x] =   4000 x ≥ 5000 1.33).

yaitu: BERKURANG dan BERTAMBAH (Gambar 7.15.  y − 100  µPsdBANYAK [y] =  . z ≤ 2000 1.  Sekarang kita cari nilai z untuk setiap aturan dengan menggunakan fungsi MIN pada aplikasi fungsi implikasinya: 132 .4 • Produksi barang. 100 ≤ y ≤ 600  500 y ≥ 600 1.35 Fungsi keanggotaan variabel Produksi Barang pada Contoh 7.  y ≤ 100 0. terdiri-atas 2 himpunan fuzzy. 100 ≤ y ≤ 600 µPsdSEDIKIT[y] =   500 y ≥ 600 0.   600 − y .  z ≤ 2000 0. µ[z] 1 BERKURANG BERTAMBAH 0 2000 Produksi Barang (kemasan/hari) 7000 Gambar 7.  z − 2000  .  7000 − z  .6 µPsdBANYAK[300] = (300-100)/500 = 0.y ≤ 100 1.35).  Kita bisa mencari nilai keanggotaan: µPsdSEDIKIT[300] = (600-300)/500 = 0. 2000 ≤ z ≤ 7000 µPr BrgBERKURANG[z] =   5000 z ≥ 7000 0. 2000 ≤ z ≤ 7000 µPr BrgBERTAMBAH[z] =   5000 z ≥ 7000 1.

µPsdBANYAK[300]) = min(0.µPsdSEDIKIT[300]) = min(0.6) = 0.25 Lihat himpunan Produksi Barang BERKURANG.75. 0.6 ---> z4 = 5000 Dari sini kita dapat mencari berapakah nilai z. 0. α-predikat1 = µPmtTURUN ∩ PsdBANYAK = min(µPmtTURUN [4000].4 Lihat himpunan Produksi Barang BERTAMBAH.[R1] IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang BERKURANG. 0.4) = 0.25 ---> z2 = 5750 [R3] IF Permintaan NAIK And Persediaan BANYAK THEN Produksi Barang BERTAMBAH. α-predikat2 = µPmtTURUN ∩ PsdSEDIKIT = min(µPmtTURUN [4000].6 Lihat himpunan Produksi Barang BERTAMBAH.6) = 0.4) = 0.25.25 ---> z1 = 5750 {R2] IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang BERKURANG.25 Lihat himpunan Produksi Barang BERKURANG. (7000-z)/5000 = 0. (z-2000)/5000 = 0.25.75.µPsdBANYAK[300]) = min(0. yaitu: αpred1 * z1 + αpred2 * z2 + αpred3 * z3 + αpred4 * z4 αpred1 + αpred2 + αpred3 + αpred4 z= 133 . (7000-z)/5000 = 0. α-predikat3 = µPmtNAIK ∩ PsdBANYAK = min(µPmtNAIK [4000].µPsdSEDIKIT[300]) = min(0. α-predikat4 = µPmtNAIK ∩ PsdBANYAK = min(µPmtNAIK [4000]. 0.4 ---> z3 = 4000 [R4] IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi Barang BERTAMBAH. (z-2000)/5000 = 0.

25 * 5750 + 0.6 * 5000 7475 = = 4983 0. additive dan probabilistik OR (probor). IF Biaya Produksi TINGGI And Permintaan TURUN THEN Produksi Barang BERKURANG. IF Biaya Produksi STANDAR THEN Produksi Barang NORMAL. Komposisi Aturan Tidak seperti penalaran monoton. dalam melakukan Proses inferensi dengan menggunakan metode Max komposisi aturan seperti terlihat pada Gambar 7.25 * 5750 + 0. 2. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Secara umum dapat dituliskan: µsf[xi] ← max(µsf[xi]. µkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i. a. µkf[xi]) dengan: µsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i. Misalkan ada 3 aturan (proposisi) sebagai berikut: [R1] {R2] [R3] IF Biaya Produksi RENDAH And Permintaan NAIK THEN Produksi Barang BERTAMBAH. baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy. 2.8.2 Metode Mamdani Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. 134 . maka output akan berisi suatu himpunan fuzzy yang merefleksikan konstribusi dari tiap-tiap proposisi.4 + 0. 3. 4. solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan.4 * 4000 + 0. Untuk mendapatkan output. fungsi implikasi yang digunakan adalah Min. maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. yaitu: max. kemudian menggunakannya untuk memodifikasi daerah fuzzy.5 Jadi jumlah makanan kaleng jenis ABC yang harus diproduksi sebanyak 4983 kemasan. Pembentukan himpunan fuzzy Aplikasi fungsi implikasi (aturan) Komposisi aturan Penegasan (deffuzy) 1.25 + 0. Metode Max (Maximum) Pada metode ini. Ada 3 metode yang digunakan dalam melakukan inferensi sistem fuzzy.z= 0.6 1. apabila sistem terdiri-dari beberapa aturan.25 + 0. 7.36. Aplikasi fungsi implikasi Pada Metode Mamdani. Pembentukan himpunan fuzzy Pada Metode Mamdani. 3. diperlukan 4 tahapan: 1. dan mengaplikasikannya ke output dengan menggunakan operator OR (union). Jika semua proposisi telah dievaluasi.

solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum terhadap semua output daerah fuzzy. Metode Additive (Sum) Pada metode ini.36 Komposisi aturan Fuzzy: Metode MAX. µkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i. Metode Probabilistik OR (probor) Pada metode ini. Secara umum dituliskan: µsf[xi] ← min(1.Apabila digunakan fungsi implikasi MIN. c.µsf[xi]+ µkf[xi]) dengan: µsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i. Aplikasi metode implikasi (min) RENDAH NAIK IF Biaya Produksi RENDAH And Permintaan NAIK THEN Produksi Barang BERTAMBAH STANDAR NORMAL Tak ada input IF Biaya Produksi STANDAR THEN Produksi Barang NORMAL TINGGI TURUN BERKURANG IF Biaya Produksi TINGGI And Permintaan TURUN THEN Produksi Barang BERKURANG 4. Aplikasi operasi fuzzy (And = Min) BERTAMBAH 3. Secara umum dituliskan: 135 . Aplikasi metode komposisi (max) Gambar 7. solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap semua output daerah fuzzy. Input fuzzy 2. b. 1. maka metode komposisi ini sering disebut dengan nama MAX-MIN atau MIN-MAX atau MAMDANI.

µsf[xi] ← (µsf[xi]+ µkf[xi]) . 4. solusi crisp diperoleh dengan cara mengambil titik pusat (z*) daerah fuzzy. maka harus dapat diambil suatu nilai crsip tertentu sebagai output seperti terlihat pada Gambar 7. Secara umum dirumuskan: z* = Z ∫ zµ(z)dz ∫ µ(z)dz z j =1 n ∑ z jµ(z j) j =1 n z* = ∑ µ(z j) 136 . µkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i. Daerah fuzzy ‘A’ Daerah fuzzy ‘B’ Output: Daerah fuzzy ‘D’ Daerah fuzzy ‘C’ Nilai yang diharapkan Gambar 7. Metode Centroid (Composite Moment) Pada metode ini.37. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu. Penegasan (defuzzy) Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy.37 Proses defuzzifikasi. antara lain: a. Ada beberapa metode defuzzifikasi pada komposisi aturan MAMDANI.(µsf[xi] * µkf[xi]) dengan: µsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i. sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut.

25 300 Persediaan 0 Prod.25 0 4000 Permintaan µ[y] 1 0.4) = 0.38 Aplikasi fungsi implikasi untuk R1.b. Aplikasi fungsi implikasi: [R1] IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang BERKURANG. solusi crisp diperoleh dengan cara mengambil nilai rata-rata domain yang memiliki nilai keanggotaan maksimum. solusi crisp diperoleh dengan cara mengambil nilai pada domain fuzzy yang memiliki nilai keanggotaan separo dari jumlah total nilai keanggotaan pada daerah fuzzy. Secara umum dituliskan: p zp sedemikian hingga ℜ1 ∫ µ(z) dz = ℜn p ∫ µ(z) dz c.25 µ[x] TURUN 1 0.16: Kita kembali pada contoh yang sama seperti pada contoh 7. 0. 0 Gambar 7. maka fungsi implikasi yang kita gunakan adalah fungsi MIN. Lihat Gambar 7.25. d. Himpunan fuzzy pada setiap variabel juga sama seperti penyelesaian pada contoh tersebut. Brg. solusi crisp diperoleh dengan cara mengambil nilai terbesar dari domain yang memiliki nilai keanggotaan maksimum. Metode Mean of Maximum (MOM) Pada metode ini. e. 137 . solusi crisp diperoleh dengan cara mengambil nilai terkecil dari domain yang memiliki nilai keanggotaan maksimum. Metode Smallest of Maximum (SOM) Pada metode ini. Contoh 7. Metode Bisektor Pada metode ini. Sekarang kita awali dengan mengaplikasikan fungsi implikasi untuk setiap aturan. Metode Largest of Maximum (LOM) Pada metode ini.38: α-predikat1 = µPmtTURUN ∩ PsdBANYAK = min(µPmtTURUN [4000]. {R2] IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang BERKURANG.µPsdBANYAK[300]) = min(0.4 0 BANYAK µ[z] BERKURANG 1 µ[z] 1 0. Karena kita menggunakan Metode MAMDANI.15.

25. Lihat Gambar 7.4) = 0.µPsdSEDIKIT[300]) = min(0. 0. Brg.4 0 4000 Permintaan 0 300 Persediaan 0 Prod.25 µ[x] TURUN 1 0.40: α-predikat3 = µPmtNAIK ∩ PsdBANYAK = min(µPmtNAIK [4000].4 BANYAK µ[z] 1 BERTAMBAH µ[z] 1 0. 0 Gambar 7.25 0 4000 Permintaan µ[y] SEDIKIT 1 0.6 µ[z] BERKURANG 1 µ[z] 1 0.75 NAIK µ[y] 1 0. 0. Brg.75. 0.6) = 0. Lihat Gambar 7.µPsdBANYAK[300]) = min(0.4 µ[x] 1 0.6 138 .39 Aplikasi fungsi implikasi untuk R2.39: α-predikat2 = µPmtTURUN ∩ PsdSEDIKIT = min(µPmtTURUN [4000].25 0 300 Persediaan 0 Prod. [R4] IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi Barang BERTAMBAH.µPsdSEDIKIT[300]) = min(0. [R3] IF Permintaan NAIK And Persediaan BANYAK THEN Produksi Barang BERTAMBAH.40 Aplikasi fungsi implikasi untuk R3.Lihat Gambar 7.41: α-predikat4 = µPmtNAIK ∩ PsdBANYAK = min(µPmtNAIK [4000].75.6) = 0. 0 Gambar 7.

Brg.0002z2 − 0.2z2 3250 = 3187515.625 139 .6 0 4000 Permintaan 0 300 Persediaan 0 Prod.6.4z) dz = 0.25 ---> a1 = 3250 (a2 – 2000)/5000 = 0. A3 Gambar 7.125z2 3250 0 = 1320312. 3250 M1 = 0 ∫ (0.42. z ≤ 3250   µ[z] = (z − 2000) / 5000.000067z3 − 0. fungsi keanggotaan untuk hasil komposisi ini adalah: 0.25)z dz = 0. daerah hasil kita bagi menjadi 3 bagian.5 5000 M2 = 3250 ∫ (z − 2000) z dz = 5000 5000 3250 5000 ∫ (0.41 Aplikasi fungsi implikasi untuk R4. µ[z] 1 0. Brg. (a1 – 2000)/5000 = 0. Hasilnya seperti pada Gambar 7. Sekarang kita cari nilai a1 dan a2.75 NAIK µ[y] SEDIKIT 1 0. z ≥ 5000  Penegasan (defuzzy) Metode penegasan yang akan kita gunakan adalah metode centroid.µ[x] 1 0. Untuk itu. pertama-tama kita hitung dulu momen untuk setiap daerah. dan A3. A2. digunakan metode MAX untuk melakukan komposisi antar semua aturan.42 Daerah hasil komposisi.25 0 A1 A2 a1 a2 Prod.25. 3250 ≤ z ≤ 5000  0. yaitu A1. Pada Gambar 7.6 µ[z] 1 BERTAMBAH µ[z] 1 0. Komposisi antar aturan Dari hasil aplikasi fungsi implikasi dari tiap aturan.60 ---> a2 = 5000 Dengan demikian.42 tersebut. 0 Gambar 7.6 0.

5 A2 = (0. • (xN is AN) THEN z=k dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden.6 = 1200 Titik pusat dapat diperoleh dari: z= 1320312.. Kita kembali pada contoh yang sama seperti pada contoh 7.25+0.5 + 743. Model Fuzzy Sugeno Orde-Satu Secara umum bentuk model fuzzy SUGENO Orde-Satu adalah: IF (x1 is A1) • ..625 + 7200000 = 4247. dan k adalah suatu konstanta (tegas) sebagai konsekuen. Model Fuzzy Sugeno Orde-Nol Secara umum bentuk model fuzzy SUGENO Orde-Nol adalah: IF (x1 is A1) • (x2 is A2) • (x3 is A3) • .6)z dz = 0.8. melainkan berupa konstanta atau persamaan linear.74 812.. dan pi adalah suatu konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuen. • (xN is AN) THEN z = p1*x1 + … + pN*xN + q dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden. b.17. hanya saja output (konsekuen) sistem tidak berupa himpunan fuzzy.75 A3 = (7000-5000)*0..3 Metode Sugeno Penalaran dengan metode SUGENO hampir sama dengan penalaran MAMDANI.. Apabila komposisi aturan menggunakan metode SUGENO..3z 2 7000 5000 = 7200000 Kemudian kita hitung luas setiap daerah: A1 = 3250*0. maka deffuzifikasi dilakukan dengan cara mencari nilai rata-ratanya.6)*(5000-3250)/2 = 743.75 + 1200 Jadi jumlah makanan kaleng jenis ABC yang harus diproduksi sebanyak 4248 kemasan. Himpunan fuzzy pada variabel permintaan dan persediaan juga sama seperti penyelesaian pada contoh tersebut. 7.25 = 812.5 + 3187515.. sebagai 140 .7000 M3 = 5000 ∫ (0. Metode ini diperkenalkan oleh TakagiSugeno Kang pada tahun 1985. a...15.. Contoh 7. Hanya saja aturan yang digunakan sedikit dimodifikasi.

25. IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi Barang = 1.25 Nilai z1: z1 = 4000 – 300 = 3700 {R2] IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang = Permintaan. α-predikat2 = µPmtTURUN ∩ PsdSEDIKIT = min(µPmtTURUN [4000].25*Permintaan .µPsdBANYAK[300]) = min(0. α-predikat3 = µPmtNAIK ∩ PsdBANYAK = min(µPmtNAIK [4000]. 0.Persediaan. 0.Persediaan.25 Nilai z2: z2 = 4000 [R3] IF Permintaan NAIK And Persediaan BANYAK THEN Produksi Barang = Permintaan.4) = 0. IF Permintaan NAIK And Persediaan BANYAK THEN Produksi Barang = Permintaan.25.25*Permintaan .6) = 0. α-predikat4 = µPmtNAIK ∩ PsdBANYAK 141 .Persediaan. IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang = Permintaan.75.µPsdSEDIKIT[300]) = min(0. Sekarang kita cari α-predikat dan nilai z untuk setiap aturan: [R1] IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang = Permintaan .Persediaan.4) = 0.berikut (dengan asumsi bahwa jumlah permintaan selalu lebih tinggi dibanding dengan jumlah persediaan): [R1] {R2] [R3] [R4] IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang = Permintaan .µPsdBANYAK[300]) = min(0. 0.4 Nilai z3: z3 = 4000 [R4] IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi Barang = 1. α-predikat1 = µPmtTURUN ∩ PsdBANYAK = min(µPmtTURUN [4000].

1 Data mentah karyawan.255.1.000 1. Tabel tersebut kita beri nama dengan tabel KARYAWAN (Tabel 7.6 Nilai z4: z4 = 1.6) = 0.000 1.25 + 0.4 * 4000 + 0. Tgl Lahir Th.25 * 4000 + 0. 7. kita oleh menjadi suatu tabel temporer untuk menghitung umur karyawan dan masa kerjanya.250.6 1.25 * 3700 + 0.000 550.000 950. tgl lahir.000 1.000 1.000 860.µPsdSEDIKIT[300]) = min(0.4 + 0.9 BASISDATA FUZZY Sebagian besar basis data standar diklasifikasikan berdasarkan bagaimana data tersebut dipandang oleh user. dan gaji per bulan seperti pada Tabel 7.000 1.500. yaitu: αpred1 * z1 + αpred2 * z2 + αpred3 * z3 + αpred4 * z4 αpred1 + αpred2 + αpred3 + αpred4 z= z= 0.000 1.500.25*4000 – 300 = 4700 Dari sini kita dapat mencari berapakah nilai z.255.040.000 1.000 Kemudian dari tabel DT_KARYAWAN.000 1.000 735.= min(µPmtNAIK [4000].600. Tabel 7.2 Data karywan setelah diolah.75.6 * 4700 6345 = = 4230 0.000 1.040. Masuk 03-06-1972 1996 23-09-1954 1985 12-12-1966 1988 06-03-1965 1998 04-12-1960 1990 18-11-1963 1989 28-05-1965 1997 09-07-1971 2001 14-08-1967 1999 17-09-1977 2000 NIP 01 02 03 04 05 06 07 08 09 10 Nama Lia Iwan Sari Andi Budi Amir Rian Kiki Alda Yoga Gaji/bl (Rp) 750.600. Umur (th) Masa Kerja (th)* 30 6 48 17 36 14 37 4 42 12 39 13 NIP 01 02 03 04 05 06 Nama Lia Iwan Sari Andi Budi Amir Gaji/bl 750. nama.2) Tabel 7.000 950. th masuk.25 + 0. 0. Misalkan kita memiliki data karyawan yang tersimpan pada tabel DT_KARYAWAN dengan field NIP.5 Jadi jumlah makanan kaleng jenis ABC yang harus diproduksi sebanyak 4230 kemasan.000 142 .

Andi.000 735.07 Rian 08 Kiki 09 Alda 10 Yoga *Misal sekarang tahun 2002 37 32 35 25 5 1 3 2 1. sudah ada beberapa penelitian tentang basisdata fuzzy. Misalkan kita mengkategorikan usia karyawan diatas ke dalam himpunan: MUDA. Salah satu diantaranya adalah model Tahani. hanya saja model ini menggunakan teori himpunan fuzzy untuk mendapatkan informasi pada query-nya. maka kita bisa ciptakan suatu query: SELECT NAMA FROM KARYAWAN WHERE (Umur < 35) sehingga muncul nama-nama Lia. maka kita menggunakan basisdata fuzzy.43 Fungsi keanggotaan untuk variabel Usia.000 Dengan menggunakan basisdata standar. Selama ini. seseorang kadang membutuhkan informasi dari data-data yang bersifat ambiguous. Sari. dan TUA (Gambar 7. Pada kenyataannya. kita dapat mencari data-data karyawan dengan spesifikasi tertentu dengan menggunakan query. 143 . Kiki. maka kita bisa ciptakan suatu query: SELECT NAMA FROM KARYAWAN WHERE (Gaji > 1000000) sehingga muncul nama-nama Iwan. PAROBAYA.250. Apabila kita ingin mendapatkan unformasi tentang nama-nama karyawan yang yang masa kerjanya kurang dari atau sama dengan 5 tahun tetapi gajinya sudah lebih dari 1 juta rupiah. Apabila kita ingin mendapatkan informasi tentang nama-nama karyawan yang gajinya lebih dari 1 juta rupiah. maka kita bisa ciptakan suatu query: SELECT NAMA FROM KARYAWAN WHERE (MasaKerja <= 5) and (Gaji > 1000000) sehingga muncul nama-nama Andi dan Rian. Amir. Misal kita ingin mendapatkan informasi tentang nama-nama karyawan yang usianya kurang dari 35 tahun. Basisdata fuzzy model Tahani masih tetap menggunakan relasi standar.43) 1 µ[x] MUDA PAROBAYA TUA 0 30 35 40 45 50 Umur (tahun) Gambar 7. Apabila hal ini terjadi. dan Yoga. dan Rian.000 860.000 550.

3 0.1 0 0.Fungsi keanggotaan: x ≤ 30 1. 30 ≤ x ≤ 40  10 x ≥ 40 0.2 0.1 0.  x − 40 µ TUA [ x] =  .3 KARYAWAN berdasarkan umur: NIP 01 02 03 04 05 06 07 08 09 10 Nama Lia Iwan Sari Andi Budi Amir Rian Kiki Alda Yoga Umur 30 48 36 37 42 39 37 32 35 25 Derajat Keanggotaan (µ[x]) µ MUDA PAROBAYA TUA 1 0 0 0 0.4 0. Tabel 7.4 0. 45 ≤ x ≤ 50  5  x ≥ 50 x ≤ 40 0. 144 .44 Fungsi keanggotaan untuk variabel Masa Kerja. Tabel 7.3 menunjukkan tabel karyawan berdasarkan umur dengan derajat keanggotannya pada setiap himpunan. 35 ≤ x ≤ 45 µ PAROBAYA [ x] =   10  50 − x .  40 − x µ MUDA [ x] =  . 40 ≤ x ≤ 50  10 x ≥ 50 1.2 0 0 0.7 0.8 0 0 0.44) 1 µ[y] BARU LAMA 0 5 10 15 25 Masa Kerja (tahun) Gambar 7. x ≤ 35 atau  x − 35  .8 0.4 0 0.2 0 0.3 0.5 0 0 1 0 0 Variabel Masa Kerja bisa dikategorikan dalam himpunan: BARU dan LAMA (Gambar 7.  0.

145 . Tabel 7.133 Amir 13 0.45).  y − 10 µ LAMA [ y ] =  .3 0. y ≤ 10 0.267 Andi 4 1 0 Budi 12 0.467 Sari 14 0.Fungsi keanggotaan: y≤5 1. Tabel 7.4 menunjukkan tabel karyawan berdasarkan umur dengan derajat keanggotannya pada setiap himpunan. dan TINGGI (Gambar 7.200 Rian 5 1 0 Kiki 1 1 0 Alda 3 1 0 Yoga 2 1 0 NIP 01 02 03 04 05 06 07 08 09 10 Variabel Gaji bisa dikategorikan dalam himpunan: RENDAH. 15 − y µ BARU [ y ] =  .  800 − z . SEDANG. 300 ≤ z ≤ 800 µ RENDAH [ z ] =  500  z ≥ 800 0. 5 ≤ y ≤ 15  10 y ≥ 15 0. Derajat Keanggotaan (µ[y]) µ Nama Masa Kerja BARU LAMA Lia 6 0.9 0 Iwan 17 0 0. 10 ≤ y ≤ 25  15 y ≥ 25 1.2 0. RENDAH SEDANG TINGGI 1 µ[z] 0 300 50 800 100 150 2000 0 0 0 Gaji (x1000 Rp/bl) Gambar 7.4 KARYAWAN berdasarkan Masa Kerja.1 0.45 Fungsi keanggotaan untuk variabel Gaji. Fungsi keanggotaan: z ≤ 300 1.

NIP 01 02 03 04 05 06 07 08 09 10 Nama Lia Iwan Sari Andi Budi Amir Rian Kiki Alda Yoga Gaji / bl 750.000 1. Tabel 7.000 1.600 0 0.04 0 0. 0.000 950.50 0.92 0.49 0.600.25 0.13 0 0 0 0 0 Ada beberapa query yang bisa diberikan.000 860. 1000 ≤ z ≤ 1500  500  z ≤ 1000 0.1 0.040 0 0.4 0.1 0. Tabel 7.000 1.255 0 0 0.600.  z − 1000 µ TINGGI [ z ] =  .90 0 0 0 0.000 1.000 750.000 Derajat Keanggotaan (µ[z]) µ RENDAH SEDANG TINGGI 0.6 Hasil query1.1 0. z ≤ 500 atau z ≥ 1500  z − 500  .000 735.50 0 0 0.500.04 0 146 .255.5 Karyawan berdasar gaji.3 1 Derajat Keanggotaan TINGGI MUDA & TINGGI 0.000 MUDA 0.040.040.000 1.500. yaitu nama-nama karyawan yang masih muda tapi memiliki gaji yang tinggi. Tabel 7.000 1. 1000 ≤ z ≤ 2000  1000 z ≥ 2000 1.3 0.4 0. misalkan: Query1: Siapa saja-kah karyawan yang masih muda tapi memiliki gaji tinggi? SELECT NAMA FROM KARYAWAN WHERE (Umur = “MUDA”) and (Gaji = “TINGGI”) Tabel 7.6 menunjukkan hasil query1.000 550. 500 ≤ z ≤ 1000 µ SEDANG [ z ] =  500  1500 − z .250. NIP 03 07 06 04 01 NAMA Sari Rian Amir Andi Lia UMUR 36 37 39 37 30 GAJI 1.500 0 0.6 0.250.000 1.5 menunjukkan tabel karyawan berdasarkan umur dengan derajat keanggotannya pada setiap himpunan.000 1.250 0.5 0 0 0.5 0.25 0.

4 0. Tabel 7.3 0.02 05 08 09 10 Iwan Budi Kiki Alda Yoga 48 42 32 35 25 1.255.8 0.2 0 0. yaitu nama-nama karyawan yang masih muda tapi masakerjanya sudah lama.255.000 550.8 0.3 0.25 0.255 0 1 0.000 950.3 0 0 Derajat Keanggotaan TINGGI MUDA atau TINGGI 0 1 0 0 0.04 0. NIP 01 10 08 06 03 09 04 07 02 05 NAMA Lia Yoga Kiki Amir Sari Alda Andi Rian Iwan Budi UMUR 30 25 32 39 36 35 37 37 48 42 GAJI 750.000 735.7 menunjukkan hasil query2.500.000 1.267 0. NIP 03 06 01 02 NAMA Sari Amir Lia Iwan UMUR 36 39 30 48 Masa Kerja 14 13 6 17 Derajat Keanggotaan MUDA LAMA MUDA & LAMA 0.000 950.6 0.8 0.000 735.000 860.000 MUDA 1 1 0.267 0.000 1.000 0 0 0.5 1 0. yaitu nama-nama karyawan yang masih muda atau yang memiliki gaji yang tinggi.000 550.4 0.1 1 0 0.467 0.5 0 0.000 1.255 0 0 0 0 0 0 0 0 0 Query2: Siapa saja-kah karyawan yang masih muda atau karyawan yang memiliki gaji tinggi? SELECT NAMA FROM KARYAWAN WHERE (Umur = “MUDA”) or (Gaji = “TINGGI”) Tabel 7.1 0 0 147 .040.255 0 Query3: Siapa saja-kah karyawan yang masih muda tapi masa kerjanya sudah lama? SELECT NAMA FROM KARYAWAN WHERE (Umur = “MUDA”) and (MasaKerja = “LAMA”) Tabel 7.250.1 0.8 Hasil query3.6 0.5 0.5 0.000 1.600.8 menunjukkan hasil query3.5 0.3 0.000 1. Tabel 7.7 Hasil query2.000 860.

3 0 0. yaitu nama-nama karyawan yang parobaya dan gajinya sedang. Tabel 7.7 0. atau karyawan yang parobaya tapi masa kerjanya sudah lama? SELECT NAMA FROM KARYAWAN WHERE (Umur = “PAROBAYA”) and [(Gaji = “SEDANG”) atau (MasaKerja = “LAMA”)] Tabel 7.1 0 0 0 0 PAROBAYA & (SEDANG atau LAMA) 0.49 0.267 0. atau karyawan yang parobaya tapi masakerjanya sudah lama. Derajat Keanggotaan SEDANG LAMA atau PAROBAYA LAMA 0.2 0.4 0.1 0 0 0 0 NIP 05 02 04 06 07 03 01 08 09 10 NAMA Budi Iwan Andi Amir Rian Sari Lia Kiki Alda Yoga SEDANG 0.4 0.133 0 0 0 0 0 0 0 0 0 0 Query4: Siapa saja-kah karyawan yang parobaya dan gajinya sedang.2 0.2 0.7 0.92 0.9 0.9 Hasil query4.2 0.49 0.133 0.9 0.5 1 0 0.5 0 0 0 0.5 0 0.4 0.2 0.3 0.5 0 0 0 148 .267 0 0 0 0 0.467 0 0.9 menunjukkan hasil query4.92 0 0.5 0.2 0 0.04 05 07 08 09 10 Andi Budi Rian Kiki Alda Yoga 37 42 37 32 35 25 4 12 5 1 3 2 0.2 0.8 0.

Sign up to vote on this title
UsefulNot useful