S1 Teknik Robotika dan Kecerdasan Buatan, Fakultas Teknologi Maju dan Multidisiplin

Universitas Airlangga

Modul 5 Logika Fuzzy Sugeno

Tujuan
Mahasiswa dapat mempraktikkan metode pembelajaran logika fuzzy sugeno menggunakan
Python dengan benar.

Dasar Teori
Istilah fuzzy mengacu pada hal-hal yang tidak jelas atau samar-samar. Di dunia nyata
seringkali dihadapkan pada situasi yang tidak dapat menentukan apakah suatu keadaan
benar atau salah, logika fuzzy memberikan fleksibilitas untuk penalaran keputusan. Dengan
cara ini, ketidakakuratan dan ketidakpastian dapat dipertimbangkan dalam situasi apa pun.
Logika Fuzzy adalah suatu bentuk logika bernilai banyak yang nilai kebenaran suatu
variabel dapat berupa bilangan real apa pun antara 0 dan 1, bukan hanya nilai tradisional
yang benar atau salah. Ini digunakan untuk menangani informasi yang tidak tepat atau tidak
pasti dan merupakan metode matematika untuk mewakili ketidakpastian dalam
pengambilan keputusan. Logika Fuzzy didasarkan pada gagasan bahwa dalam banyak kasus,
konsep benar atau salah terlalu membatasi, dan terdapat banyak area abu-abu di
antaranya. Hal ini memungkinkan adanya kebenaran parsial, di mana suatu pernyataan bisa
benar atau salah sebagian, bukan sepenuhnya benar atau salah. Penerapan logika Fuzzy
cukup luas, seperti sistem kontrol, pemrosesan citra, pemrosesan bahasa alami, diagnosis
medis, dan kecerdasan buatan.
Pada pertemuan ini, penjelasan menekankan pada fuzzy sugeno yang merupakan
salah satu jenis algoritma fuzzy yang ada selain tsukamoto dan mamdani yang dijelaskan
sebelumnya. Sistem Fuzzy Tsukamoto, Mamdani, dan Sugeno adalah tiga jenis sistem
pengendalian logika fuzzy yang digunakan untuk mengatasi ketidakpastian dalam
pengambilan keputusan. Sistem Fuzzy Sugeno diperkenalkan pada tahun 1974 oleh Michio
Sugeno.
Sistem inferensi fuzzy Sugeno menggabungkan aturan fuzzy yang didasarkan pada
nilai keanggotaan (membership) dari variabel input, dengan sebuah fungsi linear yang
memberikan hasil kesimpulan yang bersifat numerik. Metode Sugeno memperkenalkan
sebuah model fungsi konsekuen (consequent) linier yang dinyatakan sebagai polinomial
orde pertama (linear), di mana koefisien pada polinomial tersebut dihitung secara adaptif
berdasarkan variabel input
Sistem Fuzzy Sugeno terdiri dari dua jenis yaitu:
1. Model Fuzzy Sugeno Orde – Nol

(RKK302) Praktikum Pembelajaran Mesin Semester Gasal T.A. 2023/2024

1
S1 Teknik Robotika dan Kecerdasan Buatan, Fakultas Teknologi Maju dan Multidisiplin
Universitas Airlangga

Secara umum bentuk model fuzzy Orde nol adalah

IF (x1 is A1) o…. o (XN is AN) THEN z = k
2. Model Fuzzy Sugeno Orde – Satu
Secara umum bentuk model fuzzy Sugeno Orde satu adalah
IF (x1 is A1) o…. o (XNis AN) THEN z = p1*x1 + ... + pN*xN + q
dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi adalah suatu konstanta
(tegas) ke-i dan q juga merupakan konstanta dalam konsekuen, o merupakan operator AND
atau OR.
Meskipun keduanya berdasarkan konsep logika fuzzy, mereka memiliki perbedaan
dalam cara mereka mengolah aturan dan memberikan output. Berikut adalah beberapa
perbedaan utama antara keduanya:
Metode Inferensi:
● Fuzzy Tsukamoto: Sistem Fuzzy Tsukamoto menggunakan pendekatan numerik dalam
inferensi. Ini berfokus pada perhitungan bobot untuk setiap aturan dan
menggabungkannya untuk menghasilkan nilai keanggotaan yang mewakili tingkat
ketepatan hasil.
● Fuzzy Mamdani: Sistem Fuzzy Mamdani menggunakan aturan linguistik (jika... maka...)
untuk menggambarkan pengetahuan dalam bentuk linguistik. Hasil inferensi dalam
sistem Mamdani adalah himpunan fuzzy yang kemudian diolah untuk mendapatkan
output akhir.
● Fuzzy Sugeno: direpresentasikan dalam bentuk IF – THEN, dimana output (konsekuen)
sistem tidak berupa himpunan Fuzzy, melainkan berupa konstanta atau persamaan
linear.
Aturan:
● Fuzzy Tsukamoto: Sistem Tsukamoto biasanya menggunakan aturan berbentuk "jika...
maka...," yang mengaitkan variabel masukan dengan variabel keluaran dan memberi
bobot numerik pada setiap aturan.
● Fuzzy Mamdani: Sistem Mamdani menggunakan aturan linguistik, yang dapat
berbentuk kalimat linguistik seperti "Jika suhu rendah, maka kecepatan kipas rendah."
● Fuzzy Sugeno: Aturan fuzzy ditentukan oleh sekumpulan proposisi fuzzy yang
mengandung klausa kondisi (antecedent) dan klausa kesimpulan (consequent). Klausa
kondisi dinyatakan dalam bentuk himpunan fuzzy pada variabel input, sedangkan klausa
kesimpulan dinyatakan sebagai polinomial orde pertama pada variabel output.

Output:
● Fuzzy Tsukamoto: Output sistem Tsukamoto adalah nilai numerik tunggal yang mewakili
tingkat keanggotaan dalam himpunan keluaran yang disebut "singleton fuzzification."

(RKK302) Praktikum Pembelajaran Mesin Semester Gasal T.A. 2023/2024

2
S1 Teknik Robotika dan Kecerdasan Buatan, Fakultas Teknologi Maju dan Multidisiplin
Universitas Airlangga

● Fuzzy Mamdani: Output sistem Mamdani adalah himpunan fuzzy yang mewakili tingkat
keanggotaan dalam keluaran fuzzy.
● Fuzzy Sugeno: Output sistem Sugeno berupa konstanta atau persamaan linear.

Kepentingan:
● Fuzzy Tsukamoto: Sistem Tsukamoto sering digunakan dalam pengambilan keputusan
numerik, seperti dalam pengendalian kendaraan atau sistem kendali otomatis.
● Fuzzy Mamdani: Sistem Mamdani digunakan lebih luas dalam aplikasi di mana
pengetahuan manusia bisa diungkapkan dalam bentuk linguistik, seperti dalam
pengendalian mesin cuci atau sistem penilaian risiko.
● Fuzzy Sugeno: Sistem Sugeno cocok digunakan untuk tugas yang butuh
menginterpolasi penguatan linier yang akan diterapkan di seluruh ruang input,
termasuk untuk memodelkan sistem nonlinier dengan melakukan interpolasi di antara
beberapa model linier. Keunggulan lainnya adalah metode ini lebih efisien secara
komputasi, bekerja dengan baik untuk permasalahan linier, seperti kontrol PID, serta
cocok untuk analisis matematis.

Gambar 5.1 Arsitektur Logika Fuzzy

Pada pertemuan sebelumnya, Arsitektur logika fuzzy telah dijelaskan terdiri atas
dasar peraturan (rule base), fuzzifikasi, mesin inferensi, dan defuzzifikasi sebagaimana pada
Gambar 5.1. Cara kerja sistem Fuzzy Sugeno sama dengan metode Mamdani untuk tahap
penentuan variabel masukan hingga tahap operasi logika fuzzy. Pada tahap selanjutnya
yaitu implikasi hingga proses defuzzifikasi terdapat perbedaan yaitu:

● Implikasi: menerapkan metode implikasi untuk menentukan bentuk akhir fuzzy set
keluaran. Keluaran dari aturan fuzzy ditentukan dengan menggunakan keanggotaan
keluaran yang bersifat linier atau konstan.

(RKK302) Praktikum Pembelajaran Mesin Semester Gasal T.A. 2023/2024

3
S1 Teknik Robotika dan Kecerdasan Buatan, Fakultas Teknologi Maju dan Multidisiplin
Universitas Airlangga

● Agregasi: yaitu proses mengkombinasikan keluaran dimana keluaran bukan dalam

bentuk fungsi keanggotaan, tetapi sebuah bilangan yang berubah secara linier terhadap
variabel-variabel input, yaitu mengikuti suatu persamaan linier z = p1*x1 + ... + pN*xN +
q jika berorde satu atau z = konstanta jika berorde nol.
● Defuzzifikasi: dilakukan dengan cara mencari nilai rata-ratanya.
Contoh 1: Membangun Logika Fuzzy Metode Sugeno

import numpy as np

# Define the input values (homework and exam scores)

homework_score = 50
exam_score = 50

# Define the fuzzy sets for homework and exam scores

homework_low = [0, 30, 60]
homework_medium = [30, 70, 100]
homework_high = [70, 100, 100]

exam_low = [0, 30, 60]

exam_medium = [30, 70, 100]
exam_high = [70, 100, 100]

# Define the input membership function

def fuzzy_membership(value, low, medium, high):
return [
max(0, min((value - low) / (medium - low), (high - value) / (high -
medium))),
max(0, min((value - low) / ((high - low) / 2), 2 - (value - low) /
((high - low) / 2))),
max(0, min(1, (value - medium) / (high - medium)))
]

# Calculate the membership values for the input values

homework_membership = fuzzy_membership(homework_score, *homework_low)
exam_membership = fuzzy_membership(exam_score, *exam_low)

# Define the fuzzy rules and their corresponding linear functions

rules = [
(homework_membership[0], exam_membership[0], lambda x, y: 0.5 * x + 0.5 *
y),
(homework_membership[0], exam_membership[1], lambda x, y: 0.5 * x + 0.5 *
y),
(homework_membership[0], exam_membership[2], lambda x, y: 0.5 * x + 0.5 *
y),
(homework_membership[1], exam_membership[0], lambda x, y: 0.5 * x + 0.5 *
y),
(homework_membership[1], exam_membership[1], lambda x, y: 0.5 * x + 0.5 *
y),
(homework_membership[1], exam_membership[2], lambda x, y: 0.5 * x + 0.5 *
y),
(homework_membership[2], exam_membership[0], lambda x, y: 0.5 * x + 0.5 *

(RKK302) Praktikum Pembelajaran Mesin Semester Gasal T.A. 2023/2024

4
S1 Teknik Robotika dan Kecerdasan Buatan, Fakultas Teknologi Maju dan Multidisiplin
Universitas Airlangga

y),
(homework_membership[2], exam_membership[1], lambda x, y: 0.5 * x + 0.5 *
y),
(homework_membership[2], exam_membership[2], lambda x, y: 0.5 * x + 0.5 *
y),
]

# Calculate the weighted average of the linear functions

numerator = sum(weight * rule(homework_score, exam_score) for weight, _, rule in
rules)
denominator = sum(weight for weight, _, _ in rules)

# Calculate the final result (Sugeno model)

if denominator != 0:
result = numerator / denominator
else:
result = 0 # Handle the case where the denominator is 0

if result <= 40:

output_grade = "Low"
elif result <= 70:
output_grade = "Medium"
else:
output_grade = "High"

# Output the recommended result (in this case, a grade)

print("Recommended Grade:", output_grade)

Tugas Praktikum
1. Cobalah kode pembuatan model logika Fuzzy metode Sugeno sesuai contoh pada
modul. Buat flowchart berdasarkan pemahaman Anda dan analisis hasilnya!
2. Modifikasi contoh 1 untuk menyelesaikan kasus berikut ini.
Perusahaan kain tenun ABC, adalah suatu perusahaan pembuat kain tenun,
berdasarkan sampel data produksi dari bulan September 2014 hingga bulan
Februari 2017 yang diketahui perbulannya dapat diperoleh beberapa informasi:

● biaya produksi maksimum Rp 16.600.000,

● biaya produksi minimum Rp 900.000,
● permintaan maksimum 485 perbiji,
● permintaan minimum 50 perbiji,
● stok maksimum 230 perbiji dan stok minimum 5 perbiji,
● jumlah produksi minimum 80 perbiji, dan
● jumlah produksi maksimum 472 perbiji.

(RKK302) Praktikum Pembelajaran Mesin Semester Gasal T.A. 2023/2024

5
S1 Teknik Robotika dan Kecerdasan Buatan, Fakultas Teknologi Maju dan Multidisiplin
Universitas Airlangga

Diketahui biaya produksi saat ini pada bulan Maret 2017 yaitu: Rp 6.000.000 dan
permintaan saat ini yaitu: 320 perbiji, stok saat ini yaitu 60 perbiji. Berdasarkan
permasalahan di atas maka:
a. Tentukan aturan-aturan yang digunakan berdasarkan permasalahan di atas.
b. Tentukan jumlah kain tenun yang harus diproduksi Perusahaan kain tenun ABC
pada bulan Maret 2017 menggunakan metode logika Fuzzy Sugeno.
c. Berikan analisis hasilnya.

Referensi
Ben Auffarth, 2021, “Machine Learning for Time-Series with Python”, PACKT Publishing.
Dangeti, P., 2017, “Statistics for Machine Learning”, PACKT Publishing
Gopal Sakarkar, Gaurav Patil, dan Prateek Dutta, 2021, “Machine Learning Algorithms Using
Python Programming”, Nova Science Publishers, Inc.

(RKK302) Praktikum Pembelajaran Mesin Semester Gasal T.A. 2023/2024

6