TEORI FUZZY

TIP UNLAM
ARIEF AKBAR

Teori Fuzzy

Pertama kali diperkenalkanoleh prof. L.A. Zadeh (1965) melalui makalah yg berjudul Intoducing fuzzy sets Menjelaskan sebuah teori bahwa obyek dari fuzzy set (himpunan fuzzy) ditetapkan berdasarkan batasan yang tidak tegas (pasti) Anggota dari bilangan fuzzy bukan suatu ukuran yang pasti tetapi melalui skala/derajat

Aplikasi Fuzzy

Th 1990 pertama kali mesin cuci dibuat dengan logika fuzzy di jepang (Matsushita Electric Industrial Company), digunakan utk menentukan putaran yg tepat secara otomatis berdasarkan banyaknya kotoran serta jumlah yg dicuci. Menggunakan sensor optik, mengeluarkan cahaya di air daan mengukur bgm cahaya tsb sampai ke ujung lainnya Mobil Nissan menggunakan transmisi otomatis dg sistem fuzzy, mampu menghemat bbm 1217% Riset operasi seperti penjadwalan dan pemodelan,pengalokasian dll

Fuzzy set
Terdapat perbedaan antara Fuzzy Set dan non fuzzy (disebut Crips sets) Crips sets (himpunan tegas), nilai keanggotaan suatu item X didalam himpunan A, memiliki 2 kemungkinan : Satu (1) yg berarti bahwa suatu item menjadi anggota dlm suatu himpunan Nol (0) yg berarti suatu item tidak mejadi anggota himpunan Contoh ilustrasi Ukuran kota yang dekat dengan Banjarbaru Crips set : A = { Banjarmasin, Martapura, Rantau, Binuang) Fuzzy set : B = {(Banjarmasin, 0,7), (Martapura, 0.9), (Rantau, 0.4), ( Binuang, 0,6)} Nilai 0,7 mununjukkan skala/ukuran keanggotaan Banjarmasin Nilai 0,9 mununjukkan skala/ukuran keanggotaan Martapura

 a.
Skala/ukuran

Ilustrasi Low, Medium, High dan Very High Fuzzy Sets

Very low 1 Low Medium High Very High

T
1

Suhu oC

T
2

b.

Crips Sets
Very low Low Medium High Very High

T
1

Suhu oC

T
2

Crips Set

muda

paruhbaya
[x] [x]

tua

1
[x]

0
usia

35

0 35
usia

55

55 usia

jika berusia 34 th dikatakan MUDA (MUDA[34]=1) Jika berusia 35 th dikatakan TIDAK MUDA (MUDA[35]=0) Jika berusia 35 th dikatakan PARUHBAYA ((PARUHBAYA[35]=1)

Apabila usia 35 th kurang 1 hari dikatakan TIDAK MUDA (MUDA[35th-1hr]=0)

Pemakaian hinpunan crips utk kasus di atas ada ketidak adilan, adanya perubahan yang kecil saja menyebabkan perbedaan kategori yyg cukup signifikan

 Fuzzy Sets
muda
1 [x] 0, 5 0,25

paruhbaya

tua

25

35

40 45

50

55

65

U s i a ( th )

dengan menggunakan himpunan fuzzy terlihat bahwa : Seseorang yg berumur 40 th termasuk dalam himpunan MUDA dgn MUDA[40]=0,25 ; namun dia juuga termasuk dalam himpunan PARUHBAYA dengan PARUHBAYA[40]=0,5 Seseorang yg berumur 50 tahun termasuk dalam himpunan TUA dengan TUA[50]=0,25 ; namun dia juuga termasuk dalam himpunan PARUHBAYA dengan PARUHBAYA[50]=0,5

Jika dalam himpunan CRIPS, nilai keanggotaan hanya 2 kemungkinan (0 dan 1) Pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 s/d 1 (jika x memiliki nilai keanggotaan fuzzy A[x]=0 artinya x tidak menjadi anggota A, jika A[x]=1 maka x menjadi anggota penuh A

Himpunan Fuzzy memiliki 2 atribut :

a. Linguistik (cth : MUDA, TUA, PARUHBAYA)

b. Numerik (ukuran variabel : 40,25, 50 dsb)

Fungsi Keanggotaan
Adalah suatu kurva y menunjukkan pemetaan titk-titik input data ke dalam nilai keanggotaan yg memiliki interval antara 01. Untuk mendapatkan Nilai Keanggotaan dapat digunakan PENDEKATAN FUNGSI (misalnya : Representasi Linier, Representasi Kurva Segitiga dll)

Representasi Linier
[x] = 0; ( x a) / (b a ); 1; xa axb xb

Fungsi keanggotaan untuk himpunan PANAS pd variabel temperatur ruangan adalah sbb :
PANAS[32] =(32-25)/(35-25) = 7 / 10 = 0,7 1 0,7 [x] 0 a=25 x=32 b=35 Temperatur (oC)

LINEAR PROGRAMMING

Permasalahan dapat disebut persoalan Linear Programming apabila memenuhi:

1. Tujuan (obyektif) yang akan dicapai harus dapat dinyatakan dalam fungsi linier. Fungsi ini disebut fungsi tujuan (fungsi obyektif). 2. Harus ada alternatif pemecahan yang membuat nilai fungsi tujuan optimum (laba yang maksimum, biaya yang minimum). 3. Sumber-sumber tersedia dalam jumlah yang terbatas (bahan mentah, modal, dan sebagainya). Kendala-kendala ini harus dinyatakan di dalam pertidaksamaan linier (linear inequalities).

Persoalan Linear Programming

dirumuskan : Cari : x1,x2, , xj, , xn. sedemikian rupa sehingga :
Z = c11 + c22 + + cjxj + + cnxn = Optimum (Maksimum atau Minimum) dengan kendala:

Keterangan:
Ada n macam barang yang akan diproduksi masing-masing sebesar

x1, x2, , xj, xn. xj = banyaknya produksi barang yang ke j, j = 1,2,,n cj = harga per satuan barang ke j, disebut price h1, h2, , hj, , hm. hi = banyaknya bahan mentah ke i, i = 1,2, ,m aij = banyaknya bahan mentah ke i yang dipergunakan untuk memproduksi 1 satuan barang ke j xj unit memerlukan aij unit bahan mentah i.
Ada m macam bahan mentah masing-masing tersedia

Asumsi-asumsi dalam Linear Programming

o Proportionality Asumsi ini berarti bahwa naik turunnya nilai Z dan penggunaan sumber atau fasilitas yang tersedia akan berubah secara sebanding (proporsional) dengan perubahan tingkat kegiatan. Z = C1X1 + C2X2 + C3X3 + ..CnXn Setiap penambahan 1 unit X1 akan menaikkan Z dengan C1. Setiap penambahan 1 unit X2 akan menaikkan Z dengan C2, dan seterusnya.

a11X1 + a12X2 + a13X3 + .. + anXn b1 Setiap penambahan 1 unit X1 akan menaikkan penggunaan sumber/fasilitas 1 dengan a11. Setiap penambahan 1 unit X2 akan menaikkan penggunaan sumber/fasilitas 1 dengan a12, dan seterusnya. Asumsinya adalah, setiap ada kenaikan kapasitas riil tidak perlu ada biaya persiapan (set up cost).

o Additivity Asumsi ini berarti bahwa nilai tujuan tiap kegiatan tidak saling mempengaruhi, atau dalam Linear Programming dianggap bahwa kenaikan dari nilai tujuan (Z) yang diakibatkan oleh kenaikan suatu kegiatan dapat ditambahkan tanpa mempengaruhi bagian nilai Z yang diperoleh dari kegiatan lain. Z = 3X1 + 5X2 di mana X1 = 10; X2 = 2; Sehingga Z = 30 + 10 = 40 Jika X1 bertambah 1 unit, maka sesuai dengan asumsi, maka nilai Z menjadi 40 + 3 = 43. Jadi, nilai 3 karena kenaikan X1 dapat langsung ditambahkan pada nilai Z mula-mula tanpa mengurangi bagian Z yang diperoleh dari kegiatan 2 (X2). Dengan kata lain, tidak ada korelasi antara X1 dan X2.

o Divisibility Asumsi ini menyatakan bahwa keluaran yang dihasilkan oleh setiap kegiatan dapat berupa bilangan pecahan. Demikian pula dengan nilai Z yang dihasilkan.
o Deterministic (certainty) Asumsi ini menyatakan bahwa semua parameter yang terdapat dalam model Linear Programming (aij, bi, cj) dapat diperkirakan dengan pasti, meskipun jarang dengan tepat.

Simplex Linear Programming

Suatu masalah Linear Programming hanya mengandung dua kegiatan (variabel-variabel keputusan/X1 & X2), maka dapat diselesaikan dengan metode grafik. Bila lebih dari dua variabel, metode grafik tidak dapat digunakan, sehingga diperlukan metode simpleks yg dipakai untuk menentukan kombinasi dari tiga variabel atau lebih.
Masalah Linear Programming yang melibatkan banyak variabel keputusan dapat dengan cepat dipecahkan dengan bantuan komputer. Bila variabel keputusan yang dikandung tidak terlalu banyak, masalah tersebut dapat diselesaikan dengan suatu algoritma yang biasanya sering disebut metode tabel simpleks. Disebut demikian karena kombinasi variabel keputusan yang optimal dicari dengan menggunakan tabel-tabel.

FUZZY LINEAR PROGRAMMING

Bentuk persamaan Fuzzy Linear Programming, mengalami sedikit perubahan sebagai berikut : Bentuk imperatif pada fungsi obyektif tidak lagi benar-benar maksimum atau minimum, karena adanya beberapa hal yang perlu mendapat pertimbangan dalam suatu sistem. Tanda (pada batasan) dalam kasus maksimasi dan tanda (pada batasan) dalam kasus minimasi tidak lagi bermakna crisp secara matematis, namun sedikit mengalami pelanggaran makna. Hal ini juga disebabkan karena adanya beberapa yang perlu dipertimbangkan dalam sistem yang mengakibatkan batasan tidak dapat didekati secara tegas.

Contoh kasus maksimasi pada Linear Programming:

Maksimumkan: f(x) = cTx dengan batasan: Ax b x0 dengan c,xRn,bRm,ARmxn dan A,b,c adalah bilangan crisp Pada Fuzzy Linear Programming, akan dicari suatu nilai z yang merupakan fungi obyektif yang akan dioptimasikan sedemikian hingga tunduk pada batasan-batasan yang dimodelkan dengan menggunakan himpunan fuzzy. Akhirnya persamaan di atas dirubah menjadi sebagai berikut Tentukan x sedemikian hingga: cTx z Ax b X0

Contoh kasus minimasi pada Linear Programming: Minimumkan: f(x)=CTx dengan batasan: Ax b x0 dengan c,xRn,bRm,ARmxn Minimasi pada Fuzzy Linear Programming: Tentukan x sedemikian hingga: cTx z Ax b X0 Tiap-tiap batasan (0, 1, 2, , m) akan direpresentasikan dengan sebuah himpunan fuzzy, dengan fungsi keanggotaan pada himpunan ke-i adlah i[Bix].

Fungsi keanggotaan untuk model keputusan himpunan fuzzy dapat dinyatakan sebagai:
Tentu saja diharapkan akan didapat solusi terbaik, yaitu solusi dengan nilai keanggotaan yang paling besar. Dengan demikian solusi sebenarnya adalah:

Dari sini terlihat bahwa i[Bix]=0 jika batasan ke-i benar-benar dilanggar. Sebaliknya, i[Bix]=1 jika batasan ke-i benar-benar dipatuhi. Nilai i[Bix] akan naik secara monoton pada selang [0,1], yaitu:

Gambar berikut menunjukkan fungsi keanggotaan tersebut. Fungsi Keanggotaan

i = 0, 1, 2, , m

dengan pi adalah toleransi interval yang diperbolehkan untuk melakukan pelanggaran baik pada fungi obyektif maupun batasan. Dengan mensubstitusikan (2) ke (1) akan diperoleh:

Dari gambar diatas, terlihat bahwa semakin besar nilai domain, akan memiliki nilai keanggotaan yang cenderung semakin kecil. Sehingga untuk mencari nilai -cut dapat dihitung sebagai =1-t, dengan: di + tpi = ruas kanan batasan ke-i

Nilai bi diganti menjadi bi + pi

1 G(x) =

Jika Zu cx Jika Zt cx Zu Jika Cx Zt

Cx - Zt Zu - Zt
0

Dengan demikian akan diperoleh bentuk Linear Programming baru sebagai berikut: Maksimumkan: (Zu-Zt) CX -Zt Dengan batasan: pi + Bix di + pi i = 0, 1, , m x0 Penyelesaian masalah dengan metode Fuzzy Linear Programming Maksimumkan: x1 + x2 dengan batasan: x1 + 2x2 5 x1 + x2 4 x1 + x2 = 3 x1, x2 0 ketiga batasan memiliki toleransi interval masing-masing : p1=3, p2=2, p3=1.

Bentuk tersebut di atas dapat diubah menjadi: Maksimumkan: x1 + x2 dengan batasan: x1 + 22 5 + 3t x1 + x2 4 + 2t x1 + x2 = 3 + t x1, x2 0 Jika t=0 (=1), maka bentuk di atas menjadi: Maksimumkan: x1 + x2 dengan batasan: x1 + 22 5 x1 + x2 4 x1 + x2 = 3 x1, x2 0 yang dapat diselesaikan dengan menggunakan metode simpleks.

Bentuk standar Linear Programming: Maksimumkan: z = x1 + x2 dengan batasan: x1 + 22 S1 + S2 = 5 x1 + x2 + S3 = 4 x1 + x2 + S4 = 3 x1, x2 0 Tabel simpleks untuk solusi awal adalah:

Tabel simpleks untuk solusi yang baru:

Tabel simpleks untuk solusi akhir:

Hasil akhir untuk t=0 (=1), adalah: z = 10M; Jika t=1 (=0), maka bentuk awal Linear Programming dapat diubah menjadi: Maksimumkan: x1 + x2 dengan batasan: x1 + 22 8 x1 + x2 6 x1 + x2 = 4 x1, x2 0 yang juga dapat diselesaikan dengan menggunakan metode simpleks.

Secara umum permasalahan FUZZY LINEAR PROGRAMMING dirubah menjadi Crips linear atau nonlinear problem yang diselesaikan dengan tahapan standar dari linear programing

Contoh kasus :
Diasumsikan sebuah perusahaan memproduksi 2 produk, produk P1 memiliki keuntungan Rp. 40/unit sedangkan produk P2 memiliki keuntungan Rp.30,-/unit. Untuk memproduksi unit produk P1 memerlukan waktu 2 kali jam kerja dibandingkan dengan unit P2. Total jam kerja yang tersedia adalah 500 jam/hari dan memungkinkan ditingkatkan menjadi 600 jam/hari. Kebutuhan bahan baku sekitar 400 unit/hari untuk kedua produks tersebut dan masih dapat ditingkatkan menjadi 500 unit/hari Permasalahannya adalah : berapa banyak produk P1 dan P2 yang dapat dibuat untuk memaksimalkan keuntungan ?

0 bi Lower bound ( 500 ) ( 400 ) bi + pi Upper bound ( 600 ) ( 500 )

1 B1(x) =

Jika x 400
. Jika 400 < x 500 Jika 500 > x Jika x 500 Jika 500 < x 600 Jika 600 > x

500 - x 100 0 1

. . . ..

B2(x) =

600 - x 100 0

Selesaikan dengan Linier programing biasa hingga mendapatkan nilai Zt = 130 dan Zu = 160

(P1) max = Z = 0.4X1 + 0.3X2

X1 + X2 400
2 X1 + X2 500 X1,X2 0 (P2) max = Z = 0.4X1 + 0.3X2

X1 + X2 500 2 X1 + X2 600 X1,X2 0

X1 + X2 = 400

X1 = 400 X2
2X1 + X2 = 500 substitusi 2(400 X2) + X2 = 500

800 2X2 + X2 = 500

800 - 500 = 2X2 X2 300 = X2 X1 =100 Zi = 0,4 X1 + 0,3 X2 = 0,4 ( 100 ) + 0,3 ( 300 )

= 40 + 90
= 130

X1 + X2 = 500

X1 = 500 X2
2X1 + X2 = 600 substitusi 2(500 X2) + X2 = 600

1000 2X2 + X2 = 600

1000 - 600 = 2X2 X2 400 = X2 X1 =100 Zu = 0,4 X1 + 0,3 X2 = 0,4 ( 100 ) + 0,3 ( 400 )

= 40 + 120
= 160

Fuzzy linear programming

max ( Zu Zi ) Cx - Zi 30 (0,4X1 + 0.3X2) -130

pi + kendala Gi + pi .. 100 + X1 + X2 500

100 + X1 + X2 600 X1, X2, 0 100 + X1 + X2 = 500 100 + X1 + X2 = 600 -X1 = - 100 X1 = 100..X2 = 350 Sehingga Z = 0,4X1 + 0,3X2 = 145

; = 0,5