Logika fuzzy

● Definisi
Logika Fuzzy adalah peningkatan dari logika Boolean yang mengenalkan konsep
kebenaran sebagian. Di mana logika klasik menyatakan bahwa segala hal dapat
diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak),
logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran.
Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan
dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti
"sedikit", "lumayan", dan "sangat". Dia berhubungan dengan set fuzzy dan teori
kemungkinan. Logika Fuzzy diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas
California, Berkeley pada 1965.
Perbedaan Logika tegas dengan Logika Fuzzy yaitu logika tegas memiliki nilai
tidak = 0.0 dan ya = 1.0. sedangkan logika fuzzy memiliki nilai antara 0.0 hingga
1.0.

● 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.

● Himpunan Fuzzy
Dalam teori logika fuzzy dikenal himpunan fuzzy (fuzzy set) yang merupakan
pengelompokan sesuatu berdasarkan variable bahasa (linguistic variable) yang
dinyatakan dalam fungsi keanggotaan. Didalam semesta pembicaraan (unicerse of
discourse) U, fungsi dari suatu himpunan fuzzy tersebut bernilai antara 0.0 sampai
dengan 1.0.
Contoh dari himpunan fuzy misalnya himpunan dari umur dapat dinyatakan
dengan muda, parobaya, tua.

● Atribut Himpunan Fuzzy
Himpunan fuzzy memiliki 2 atribut, yaitu:
1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA,
PAROBAYA, TUA.
2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu
variabel seperti: 40, 25, 50, dsb.
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:
o Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu: MUDA,
PAROBAYA, dan TUA.
o Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu:
DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.
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:
o Semesta pembicaraan untuk variabel umur: [0 +∞)
o Semesta pembicaraan untuk variabel temperatur: [0 40]


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:
o MUDA = [0 45]
o PABOBAYA = [35 55]
o TUA = [45 +∞)
o DINGIN = [0 20]
o SEJUK = [15 25]
o NORMAL = [20 30]
o HANGAT = [25 35]
o PANAS = [30 40]

● Dasar Logika Fuzzy
Fungsi keanggotaan dari suatu himpunan fuzzy dinyatakan dengan derajat
keanggotaan suatu nilai terhadap nilai tegasnya yang berkisar antara 0,0 sampai
dengan 1.0. jika himpunan fuzzy, µA: fungsi keanggotaan dan X : semesta, maka
fungsi keanggotaan dalam suatu himpunan fuzzy dapat dinyatakan dengan :
A = {(x,µA(X)) | x€X}

● Fungsi Keanggotaan Himpunan Fuzzy

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.
beberapa fungsi yang biasa digunakan yaiut fungsi linier, segitga (triangle),
trapezium (trapezoidal)



1. Representasi bentuk garis (linier)
Pada representasi linear, pemetaan input ke derajat keanggotannya digambarkan
sebagai suatu garis lurus













2. Representasi Bentuk Segitiga (Triangle)
Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linear) dan
ditentukan oleh 3 parameter {a, b, c}















( )
¦
¦
¦
)
¦
¦
¦
`
¹
¦
¦
¦
¹
¦
¦
¦
´
¦
s
s s
÷
÷
s s
÷
÷
s
=
x c
c x b
b c
x c
b x a
a b
a x
a x
c b a x triangle
, 0
,
,
, 0
, , :
3. Representasi Bentuk Trapesium











Bentuk representasi logika fuzzy lainnya adalah:
o Bentuk bahu
o Bentuk S
o Bentuk lonceng
o Bentuk Beta
o Bentuk Gauss

( )
¦
¦
¦
)
¦
¦
¦
`
¹
¦
¦
¦
¹
¦
¦
¦
´
¦
s
s s
÷
÷
s s
s s
÷
÷
s
=
x d
d x c
c d
x d
c x b
b x a
a b
a x
a x
d c b a x trapezoid
, 0
,
, 1
,
, 0
, , , ;
● Operator Aritmatika Logika 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 o predikat. Ada 3 operator dasar yang diciptakan oleh Zadeh,
yaitu:

- Operator AND
Operator ini berhubungan dengan operasi interseksi pada himpunan. o
predikat sebagai hasil operasi dengan operator AND diperoleh dengan
mengambil nilai keanggotaan terkecil antar elemen pada himpunan
himpunan yang bersangkutan.

µA·B = min(µA[x], µB[y])

Contoh;
Misal nilai keanggotaan umur 21 pada himpunan muda adalah µMUDA[21] = 0,8
dan nilai berat 50 kg pada himpunan gemuk adalah µGemuk[50 kg] = 0.4 maka
o predikat untuk usia MUDA dan berberat badan gemuk nilai keanggotaan
minimun :

µMUDA·µGemuk= min(µ MUDA[21], µ Gemuk[50 kg])
= min (0,8 ; 0,4)
= 0,4


- 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.

µAB = max(µA[x], µB[y])

Contoh;
Misal nilai keanggotaan umur 21 pada himpunan muda adalah µMUDA[21] = 0,8
dan nilai berat 50 kg pada himpunan gemuk adalah µGemuk[50 kg] = 0.4 maka
o predikat untuk usia MUDA dan berberat badan gemuk nilai keanggotaan
maximum :

µMUDA µGemuk= max(µ MUDA[21], µ Gemuk[50 kg])
= max (0,8 ; 0,4)
= 0,8



- 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.
μA’ = 1-μA[x]

Contoh;
Misal nilai keanggotaan umur 21 pada himpunan muda adalah µMUDA[21] = 0,8
maka o predikat untuk usia tidak Muda :

µMUDA‟[21] = 1- µMUDA [21]
= 1 – 0.8
= 0.2
Contoh 2;
Misal nilai keanggotaan umur 21 pada himpunan muda adalah µMUDA[21] = 0,8
dan nilai berat 50 kg pada himpunan gemuk adalah µGemuk[50 kg] = 0.4 maka
o predikat untuk usia TIDAK MUDA dan TIDAK berberat badan GEMUK
adalah:

µ MUDA‟[21] · µ Gemuk‟[50 kg] = (µ MUDA[21] µ Gemuk[50] kg)‟
= 1 - µ MUDA[21] µ Gemuk[50] kg
= 1 – 0.8
= 0.2

● Cara kerja kontrol logika fuzzy
Dalam system control logika fuzzy terdapat beberapa tahapan operasional yang
meliputi :
1. Fuzzyfikasi
2. Penalaran (interference Machine)
3. Aturan dasar (rule based)
4. Defuzzyfikasi

1. Fuzzyfikasi
Fuzzyfikasi adalah suatu proses pengubahan nilai tegas / riil yang ada ke dalam
fungsi keanggotaan

2. PENALARAN dan aturan dasar
Penalran adalah proses implikasi dalam menalar nilai masukan guna penentuan
nilai keluaran sebagai bentuk pengambilan keputusan. Salah satu model penalaran
yang banyak dipakai adalah penalaran max-min.
Aturan dasar pada control logika fuzzy merupakan suatu bentuk aturan relasi /
implikasi “If-THEN” seperti pada pernyataan 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)



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: μA[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:

yB = f(μA[x],DB)

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:

μTINGGI[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:

μBERAT[y] = S(y; 40,55,70) = 0,75
Karena 0,75 > 0,5 maka letak y adalah antara 55 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)
↔ y = 70 • ± 10,6 ---> ambil (-) nya, karena
nilainya harus < 70
↔ y = 59,4




- 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 (x1 is A1) • (x2 is A2) • (x3 is A3) • ...... • (xN is AN) 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 dibawah menunjukkan salah satu contoh penggunaan fungsi min.



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



- Sistem Inferensi Fuzzy

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.

Contoh :
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?

Solusi:
Ada 3 variabel fuzzy yang akan dimodelkan, yaitu:
- Permintaan; terdiri-atas 2 himpunan fuzzy, yaitu: NAIK dan TURUN



Kita bisa mencari nilai keanggotaan:





Persediaan; terdiri-atas 2 himpunan fuzzy, yaitu: SEDIKIT dan BANYAK





Kita bisa mencari nilai keanggotaan:

Produksi barang; terdiri-atas 2 himpunan fuzzy, yaitu: BERKURANG dan
BERTAMBAH




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

[R1] IF Permintaan TURUN And Persediaan BANYAK
THEN Produksi Barang BERKURANG;

α-predikat1 = μPmtTURUN ∩ PsdBANYAK
= min(μPmtTURUN [4000],μPsdBANYAK[300])
= min(0,25; 0,4)
= 0,25
Lihat himpunan Produksi Barang BERKURANG,
(7000-z)/5000 = 0,25 ---> z1 = 5750

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

α-predikat2 = μPmtTURUN ∩ PsdSEDIKIT
= min (μPmtTURUN [4000],μPsdSEDIKIT[300])
= min(0,25; 0,6)
= 0,25
Lihat himpunan Produksi Barang BERKURANG,
(7000-z)/5000 = 0,25 ---> z2 = 5750

[R3] IF Permintaan NAIK And Persediaan BANYAK
THEN Produksi Barang BERTAMBAH;

α-predikat3 = μPmtNAIK ∩ PsdBANYAK
= min(μPmtNAIK [4000],μPsdBANYAK[300])
= min(0,75; 0,4)
= 0,4
Lihat himpunan Produksi Barang BERTAMBAH,
(z-2000)/5000 = 0,4 ---> z3 = 4000

[R4] IF Permintaan NAIK And Persediaan SEDIKIT
THEN Produksi Barang BERTAMBAH;

α-predikat4 = μPmtNAIK ∩ PsdBANYAK
= min(μPmtNAIK [4000],μPsdSEDIKIT[300])
= min(0,75; 0,6)
= 0,6
Lihat himpunan Produksi Barang BERTAMBAH,
(z-2000)/5000 = 0,6 ---> z4 = 5000
Dari sini kita dapat mencari berapakah nilai z, yaitu:




Jadi jumlah makanan kaleng jenis ABC yang harus diproduksi sebanyak 4983
kemasan.


Defuzzifikasi
Merupakan proses pemetaan himpunan fuzzy kehimpunan tegas (crips). Proses ini
merupakan kebalikan dari proses fuzzyfikasi. Proses defuzzifikasi diekspresikan
sebagai berikut :

Z* defuzzifier (Z)
Dimana :
Z = Hasil penalaran fuzzy
Z* = Keluaran Kontrol logika Fuzzy
Defuzzifier = Operasi defuzzier
Metode dalam melakukan deffuzifikasi antara lain :
1. Metode MAX (maximum)
Metode ini juga dikenal dengan metode puncak dimana nilai keluaran
dibatasi oleh fungsi : µc(z*) > µc 1 (z)
2. Metode titik tengah (center of area)
Metode ini juga disebut pusat area. Metode ini lazim dipakai dalam proses
defuzzifikasi. Metode ini diekspresikan dengan persamaan:

∫ ()
∫ ()


3. Metode rata-rata (average)
Metode ini digunakan untuk fungsi keanggotaan keluaran yang simetris.
Persamaan dari metode ini adalah

∑ ()
()


4. Metode penjumlah titik tengah (summing of center area)


()


()

5. Metode titik tengah area terbesar
Dalam metode ini keluaran dipilih berdasarkan titik pusat area terbesar yang ada.
Metode ini dinyatakan dalam bentuk:

()

()

6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. 7. Logika fuzzy didasarkan pada bahasa alami.

● Himpunan Fuzzy Dalam teori logika fuzzy dikenal himpunan fuzzy (fuzzy set) yang merupakan pengelompokan sesuatu berdasarkan variable bahasa (linguistic variable) yang dinyatakan dalam fungsi keanggotaan. Didalam semesta pembicaraan (unicerse of discourse) U, fungsi dari suatu himpunan fuzzy tersebut bernilai antara 0.0 sampai dengan 1.0. Contoh dari himpunan fuzy misalnya himpunan dari umur dapat dinyatakan dengan muda, parobaya, tua.

● Atribut Himpunan Fuzzy Himpunan fuzzy memiliki 2 atribut, yaitu: 1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA, PAROBAYA, TUA. 2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel seperti: 40, 25, 50, dsb. 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

c. Contoh: o Variabel umur. PAROBAYA. yaitu: MUDA. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya.keadaan tertentu dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif. o Variabel temperatur. dan PANAS. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. SEJUK. dan TUA. terbagi menjadi 3 himpunan fuzzy. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan. Contoh domain himpunan fuzzy: o MUDA = [0 45] . HANGAT. terbagi menjadi 5 himpunan fuzzy. NORMAL. domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. yaitu: DINGIN. Semesta Pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Contoh: o Semesta pembicaraan untuk variabel umur: [0 +∞) o Semesta pembicaraan untuk variabel temperatur: [0 40] d.

Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. beberapa fungsi yang biasa digunakan yaiut fungsi linier. trapezium (trapezoidal) . segitga (triangle).0.o PABOBAYA = [35 55] o TUA = [45 +∞) o DINGIN = [0 20] o SEJUK = [15 25] o NORMAL = [20 30] o HANGAT = [25 35] o PANAS = [30 40] ● Dasar Logika Fuzzy Fungsi keanggotaan dari suatu himpunan fuzzy dinyatakan dengan derajat keanggotaan suatu nilai terhadap nilai tegasnya yang berkisar antara 0.0 sampai dengan 1.µA(X)) | x€X} ● Fungsi Keanggotaan Himpunan Fuzzy 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. jika himpunan fuzzy. maka fungsi keanggotaan dalam suatu himpunan fuzzy dapat dinyatakan dengan : A = {(x. µA: fungsi keanggotaan dan X : semesta.

pemetaan input ke derajat keanggotannya digambarkan sebagai suatu garis lurus . Representasi bentuk garis (linier) Pada representasi linear.1.

c  x   . c     cx  . c} 0. a  x  b  b  a  triangle x : a.b  x  c c b    0.2. x  a   x a  . Representasi Bentuk Segitiga (Triangle) Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linear) dan ditentukan oleh 3 parameter {a. b. b.

d    1. b. d  x   Bentuk representasi logika fuzzy lainnya adalah: o Bentuk bahu o Bentuk S o Bentuk lonceng o Bentuk Beta o Bentuk Gauss . a  x  b  ba  trapezoid  x. b  x  c  d  x  . x  a   xa  . a. Representasi Bentuk Trapesium 0.3. c.c  x  d d c   0.

8 . Nilai keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama fire strength atau  predikat.  predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan himpunan yang bersangkutan. Misal nilai keanggotaan umur 21 pada himpunan muda adalah MUDA[21] = 0. ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy.● Operator Aritmatika Logika Fuzzy Seperti halnya himpunan konvensional.8 dan nilai berat 50 kg pada himpunan gemuk adalah Gemuk[50 kg] = 0.4) = 0.4 maka  predikat untuk usia MUDA dan berberat badan gemuk nilai keanggotaan minimun : MUDAGemuk= min( MUDA[21]. 0. Ada 3 operator dasar yang diciptakan oleh Zadeh. AB = min(A[x]. yaitu:  Operator AND Operator ini berhubungan dengan operasi interseksi pada himpunan.4 . B[y]) Contoh.  Gemuk[50 kg]) = min (0.

4) = 0. α predikat sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan μA’ = 1-μA[x] nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1.8  Operator NOT Operator ini berhubungan dengan operasi komplemen pada himpunan. Operator OR Operator ini berhubungan dengan operasi union pada himpunan. B[y]) Contoh. 0. AB = max(A[x].4 maka  predikat untuk usia MUDA dan berberat badan gemuk nilai keanggotaan maximum : MUDA  Gemuk= max( MUDA[21]. . Misal nilai keanggotaan umur 21 pada himpunan muda adalah MUDA[21] = 0. α predikat sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada himpunan himpunan yang bersangkutan.8 .8 dan nilai berat 50 kg pada himpunan gemuk adalah Gemuk[50 kg] = 0.  Gemuk[50 kg]) = max (0.

MUDA [21] = 1 – 0. Misal nilai keanggotaan umur 21 pada himpunan muda adalah MUDA[21] = 0.8 = 0.Contoh.4 maka  predikat untuk usia TIDAK MUDA dan TIDAK berberat badan GEMUK adalah:  MUDA‟[21]   Gemuk‟[50 kg] = ( MUDA[21]   Gemuk[50] kg)‟ = 1 .2 .8 dan nilai berat 50 kg pada himpunan gemuk adalah Gemuk[50 kg] = 0.8 maka  predikat untuk usia tidak Muda : MUDA‟[21] = 1. Misal nilai keanggotaan umur 21 pada himpunan muda adalah MUDA[21] = 0.2 Contoh 2. MUDA[21]   Gemuk[50] kg = 1 – 0.8 = 0.

Aturan dasar (rule based) 4. PENALARAN dan aturan dasar Penalran adalah proses implikasi dalam menalar nilai masukan guna penentuan nilai keluaran sebagai bentuk pengambilan keputusan. Defuzzyfikasi 1.A). Fuzzyfikasi 2. Salah satu model penalaran yang banyak dipakai adalah penalaran max-min.B) maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan dekomposisi fuzzy. Fuzzyfikasi Fuzzyfikasi adalah suatu proses pengubahan nilai tegas / riil yang ada ke dalam fungsi keanggotaan 2.● Cara kerja kontrol logika fuzzy Dalam system control logika fuzzy terdapat beberapa tahapan operasional yang meliputi : 1. Penalaran (interference Machine) 3. Nilai output dapat diestimasi secara langsung dari nilai keanggotaan yang berhubungan dengan antesedennya. . Aturan dasar pada control logika fuzzy merupakan suatu bentuk aturan relasi / implikasi “If-THEN” seperti pada pernyataan berikut IF x is A THEN y is B transfer fungsi: y = f((x.

yaitu: μA[x]. diperoleh dari: μTINGGI[165] = (165 – 150)/(170 – 150) = 15/20 = 0. tentukan nilai keanggotannya dalam daerah fuzzy A.„Contoh 7. Tarik garis lurus ke arah domain. nilai keanggotaan yang berhubungan dengan tentukan permukaan fuzzy-nya. merupakan solusi dari fungsi implikasi tersebut.75 pada daerah fuzzy TINGGI.29 menunjukkan kerja algoritma tersebut.14: Misalkan ada 2 himpunan fuzzy: TINGGI (menunjukkan tinggi badan orang Indonesia) dan BERAT (menunjukkan berat badan orang Indonesia) 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 . memiliki derajat keanggotaan 0. Dapat dituliskan: yB = f(μA[x]. Seseorang yang memiliki tinggi badan 165 cm. • Pada daerah fuzzy B. Nilai pada sumbu domain.DB) Gambar 7. y.

75 Karena 0. 40.6 ---> ambil (-) nya.5 = ±√(112.75 > 0.4 kg.4 . karena nilainya harus < 70 = 59.25 = 112.5) = 70 •± 10. diperoleh dari: μBERAT[y] = S(y.75 = 0.75 = 0.5 maka letak y adalah antara 55 sampai 70.55. sehingga: ↔ 1-2[(70-y)/(70-40)]2 ↔ 1-2(70-y)2/900 ↔ 2(70-y)2/900 ↔ (70-y)2 ↔ (70-y) ↔y ↔y = 0.70) = 0.Nilai ini dipetakan ke daerah fuzzy BERAT yang akan memberikan solusi berat badan orang tersebut yaitu 59.

Secara umum. Gambar dibawah menunjukkan salah satu contoh penggunaan fungsi dot. ada 2 fungsi implikasi yang dapat digunakan. yaitu: a) Min (minimum). dan A dan B adalah himpunan fuzzy. Proposisi yang mengikuti IF disebut sebagi anteseden. Gambar dibawah menunjukkan salah satu contoh penggunaan fungsi min. .. Proposisi ini dapat diperluas dengan menggunakan operator fuzzy. seperti: IF (x1 is A1) • (x2 is A2) • (x3 is A3) • . 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.... Fungsi ini akan memotong output himpunan fuzzy.. Fungsi ini akan menskala output himpunan fuzzy. • (xN is AN) THEN y is B dengan • adalah operator (misal: OR atau AND). b) Dot (product). sedangkan proposisi yang mengikuti THEN disebut sebagai konsekuen.

Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot.predikat (fire strength). Sistem Inferensi Fuzzy 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. Sebagai hasilnya.32). output hasil inferensi dari tiaptiap aturan diberikan secara tegas (crisp) berdasarkan α.

Persediaan barang digudang terbanyak sampai 600 kemasan/hari. {R2] IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang BERKURANG. yaitu: NAIK dan TURUN . Dari data 1 bulan terakhir. yaitu:  Permintaan. Dengan segala keterbatasannya. Apabila proses produksi perusahaan tersebut menggunakan 4 aturan fuzzy sbb: [R1] IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang BERKURANG. [R4] IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi Barang BERTAMBAH. permintaan terbesar hingga mencapai 5000 kemasan/hari.Contoh : Suatu perusahaan makanan kaleng akan memproduksi makanan jenis ABC. perusahaan baru mampu memproduksi barang maksimum 7000 kemasan/hari. serta demi efisiensi mesin dan SDM tiap hari diharapkan perusahaan memproduksi paling tidak 2000 kemasan. [R3] IF Permintaan NAIK And Persediaan BANYAK THEN Produksi Barang BERTAMBAH. terdiri-atas 2 himpunan fuzzy. dan persediaan di gudang masih 300 kemasan? Solusi: Ada 3 variabel fuzzy yang akan dimodelkan. Berapa kemasan makanan jenis ABC yang harus diproduksi. jika jumlah permintaan sebanyak 4000 kemasan. dan terkecil pernah sampai 100 kemasan/hari. sampai saat ini. dan permintaan terkecil sampai 1000 kemasan/hari.

Kita bisa mencari nilai keanggotaan: .

terdiri-atas 2 himpunan fuzzy.Persediaan. yaitu: SEDIKIT dan BANYAK Kita bisa mencari nilai keanggotaan: .

yaitu: BERKURANG dan BERTAMBAH Sekarang kita cari nilai z untuk setiap aturan dengan menggunakan fungsi MIN pada aplikasi fungsi implikasinya: [R1] IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang BERKURANG.25. α-predikat1 = μPmtTURUN ∩ PsdBANYAK = min(μPmtTURUN [4000].Produksi barang.25 .μPsdBANYAK[300]) = min(0. 0.4) = 0. terdiri-atas 2 himpunan fuzzy.

4 Lihat himpunan Produksi Barang BERTAMBAH.4) = 0. α-predikat3 = μPmtNAIK ∩ PsdBANYAK = min(μPmtNAIK [4000].μPsdSEDIKIT[300]) = min(0.75. 0.Lihat himpunan Produksi Barang BERKURANG.25 ---> z1 = 5750 [R2] IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang BERKURANG.75.6 ---> z4 = 5000 .4 ---> z3 = 4000 [R4] IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi Barang BERTAMBAH. (z-2000)/5000 = 0. (7000-z)/5000 = 0. (z-2000)/5000 = 0. 0.μPsdSEDIKIT[300]) = min(0.μPsdBANYAK[300]) = min(0.6) = 0.6) = 0.25. (7000-z)/5000 = 0.25 ---> z2 = 5750 [R3] IF Permintaan NAIK And Persediaan BANYAK THEN Produksi Barang BERTAMBAH.6 Lihat himpunan Produksi Barang BERTAMBAH.25 Lihat himpunan Produksi Barang BERKURANG. α-predikat2 = μPmtTURUN ∩ PsdSEDIKIT = min (μPmtTURUN [4000]. α-predikat4 = μPmtNAIK ∩ PsdBANYAK = min(μPmtNAIK [4000]. 0.

Proses defuzzifikasi diekspresikan sebagai berikut : Z* defuzzifier (Z) Dimana : Z Z* = Hasil penalaran fuzzy = Keluaran Kontrol logika Fuzzy = Operasi defuzzier Defuzzifier Metode dalam melakukan deffuzifikasi antara lain : 1.Dari sini kita dapat mencari berapakah nilai z. Metode titik tengah (center of area) Metode ini juga disebut pusat area. Defuzzifikasi Merupakan proses pemetaan himpunan fuzzy kehimpunan tegas (crips). Metode ini lazim dipakai dalam proses defuzzifikasi. Metode MAX (maximum) Metode ini juga dikenal dengan metode puncak dimana nilai keluaran dibatasi oleh fungsi : µc(z*) > µc 1 (z) 2. yaitu: Jadi jumlah makanan kaleng jenis ABC yang harus diproduksi sebanyak 4983 kemasan. Metode ini diekspresikan dengan persamaan: ∫ ∫ ( ) ( ) . Proses ini merupakan kebalikan dari proses fuzzyfikasi.

Metode ini dinyatakan dalam bentuk: ∫ ∫ ( ) ( ) ( ) ( ) . Metode titik tengah area terbesar Dalam metode ini keluaran dipilih berdasarkan titik pusat area terbesar yang ada.3. Metode penjumlah titik tengah (summing of center area) ∫∑ ∫∑ 5. Persamaan dari metode ini adalah ∑ ( ( ) ) 4. Metode rata-rata (average) Metode ini digunakan untuk fungsi keanggotaan keluaran yang simetris.

Sign up to vote on this title
UsefulNot useful