Contoh : Pemberian Beasiswa Misalkan suatu program pemberian beasiswa kepada mahasiswa di suatu perguruan tinggi dilakukan berdasarkan

dua kriteria, yaitu Kumulatif Indeks Prestasi Kumulatif (IPK) dan Gaji per bulan orang tuanya (G). Beasiswa diberikan kepada mahasiswa dengan prestasi akademik bagus tetapi tingkat ekonomi orang tua rendah. Misalkan terdapat dua mahasiswa, A dan B, dengan data-data seperti tertera di tabel berikut : Mahasiswa A B IPK 3,00 2,99 Gaji Orang Tua (Rp/bln) 10 juta 1 juta

Jika aturan berbasis logika biner (berdasarkan classical sets) yang digunakan adalah : IF IPK 3,00 AND G 10 juta THEN dapat beasiswa Apakah aturan tersebut dapat memberikan keputusan dengan adil ? Berdasarkan aturan tersebut baik A dan B bisa mendapat beasiswa padahal gaji orangtua A jauh lebih besar daripada B, sedangkan IPK-nya hanya terpaut 0,01. Pemecahan masalah menggunakan Model Mamdani 1. Fuzzification Misalkan berdasarkan pengetahuan pakar, fungsi keanggotaan yang sebaiknya digunakan untuk variabel IPK adalah berbentuk segitiga dan trapesium dengan tiga variabel linguistik : BURUK, CUKUP, dan BAGUS 1 BURUK CUKUP BAGUS

0 2,00 2,75 3,25 4,00 IPK

Dengan menggunakan fungsi tersebut, maka crisp input untuk IPK sebesar 3,00 dan 2,99 dikonversi ke nilai fuzzy dengan derajar keanggotaan : Mhs A B IPK 3,00 2,99 Himpunan Fuzzy dan Derajat Keanggotaannya CUKUP BAGUS =0,5 =0,5 CUKUP BAGUS =0,52 =0,48

Berdasarkan pengetahuan pakar, fungsi keanggotaan yang sebaiknya digunakan untuk variabel Gaji Orang tua adalah berbentuk trapesium dengan empat variabel linguistik : KECIL, SEDANG, BESAR, dan SANGAT BESAR. 1 KECIL SEDANG BESAR SANGAT BESAR

0 1 3 4 6 7 12 Gaji Orangtua (juta)

Dengan menggunakan fungsi tersebut, maka crisp input untuk Gaji Orang tua sebesar 10 juta dan 1 juta dikonversi ke nilai fuzzy dengan derajat keanggotaan : Mhs A B Gaji Orang tua 10 Juta 1 Juta Himpunan Fuzzy dan Derajat Keanggotaannya BESAR SANGAT BESAR =0,4 =0,6 KECIL SEDANG =1 =0

2. Inference Misalkan untuk output yang berupa Nilai Kelayakan digunakan fungsi keanggotaan trapesium dengan dua nilai linguistik : RENDAH dan TINGGI 1 RENDAH H TINGGI

Nilai Kelayakan 0 50 80 100 Skala [0,100]

Misalkan aturan fuzzy berdasarkan pengetahuan pakar adalah sebagai berikut : IPK Buruk Cukup Bagus Gaji Kecil Rendah Tinggi Tnggi Sedang Rendah Rendah Tinggi Besar Rendah Rendah Tinggi Sangat Besar Rendah Rendah Rendah

Dengan mendefinisikan aturan fuzzy seperti tabel di atas, berarti terdapat 3x4 = 12 aturan fuzzy, yaitu : 1) 2) 3) 4) 5) 6) 7) 8) 9) 10) 11) 12) IF IPK = Buruk AND Gaji = Kecil THEN NK=Rendah IF IPK = Buruk AND Gaji = Sedang THEN NK=Rendah IF IPK = Buruk AND Gaji = Besar THEN NK=Rendah IF IPK = Buruk AND Gaji = Sangat Besar THEN NK=Rendah IF IPK = Cukup AND Gaji = Kecil THEN NK=Tinggi IF IPK = Cukup AND Gaji = Sedang THEN NK=Rendah IF IPK = Cukup AND Gaji = Besar THEN NK=Rendah IF IPK = Cukup AND Gaji = Sangat Besar THEN NK=Rendah IF IPK = Bagus AND Gaji = Kecil THEN NK=Tinggi IF IPK = Bagus AND Gaji = Sedang THEN NK=Tinggi IF IPK = Bagus AND Gaji = Besar THEN NK=Tinggi IF IPK = Bagus AND Gaji = Sangat Besar THEN NK=Rendah Aturan fuzzy yang berlaku untuk input data mahasiswa A dan B adalah Mhs Input Aturan Fuzzy A IPK CUKUP =0,5 (7) IF IPK = Cukup ( =0,5) AND Gaji = Besar ( =0,4) IPK BAGUS =0,5 THEN NK=Rendah ( =0,4) GAJI BESAR =0,4 (8) IF IPK = Cukup ( =0,5) AND Gaji = Sangat Besar ( GAJI SANGAT BESAR =0,6 =0,6) THEN NK=Rendah ( =0,4) (11)IF IPK = Bagus ( =0,5) AND Gaji = Besar ( =0,4) THEN NK=Tinggi ( =0,4) (12)IF IPK = Bagus ( =0,5) AND Gaji = Sangat Besar ( =0,6) THEN NK=Rendah ( =0,5) B IPK CUKUP =0,52 (5) IF IPK = Cukup ( =0,52) AND Gaji = Kecil ( =1) IPK BAGUS =0,48 THEN NK=Tinggi ( =0,52) GAJI KECIL =1 (6) IF IPK = Cukup ( =0,52) AND Gaji = Sedang( =0) GAJI SEDANG =0 THEN NK=Rendah ( =0,52) (9) IF IPK = Bagus ( =0,48) AND Gaji = Kecil ( =1) THEN NK=Tinggi ( =0,48) (10)IF IPK = Bagus ( =0,48) AND Gaji = Sedang ( =0)THEN NK=Tinggi ( =0,48) 3. Composition Gunakan aturan Disjunction untuk NK (Nilai Kelayakan) Mhs Nilai Kelayakan (NK) A NK = Rendah ( =0,4) v NK = Rendah ( =0,5) v NK = Rendah ( =0,5) = NK = Rendah ( =0,5) NK = Tinggi ( =0,4) B NK = Tinggi ( =0,52) v NK = Tinggi ( =0,48) v NK = Tinggi ( =0,48) = NK = TInggi ( =0,52) NK = Rendah ( =0,52)

4. Defuzzification Nilai Kelayakan Mhs A : Dengan menggunakan 10 titik untuk mencari nilai crisp menggunakan Centroid Method of Gravity (COG). 1 RENDAH H TINGGI

0,5 0,4 0 50 ( ( ) ) ( 80 ( ) 100 Nilai Kelayakan Skala [0,100] )

Nilai Kelayakan Mhs B : Dengan menggunakan 4 titik untuk mencari nilai crisp menggunakan Centroid Method of Gravity (COG). 1 RENDAH H TINGGI

0,52 2 0 50 80 100 Nilai Kelayakan Skala [0,100]

( )

( )

( ( )

)(

Model Sugeno

1 RENDAH H TINGGI

0 50 1 0,5 RENDAH H TINGGI 80

Nilai Kelayakan Skala [0,100]

0 50 1 RENDAH H TINGGI 80

Nilai Kelayakan Skala [0,100]

0,4 0 50 80 Nilai Kelayakan Skala [0,100]