Pada gambar di atas dapat dijelaskan pula bahwa :

1.




2.

Bila seseorang berusia 34 tahun, maka ia dikatakan MUDA

(MUDA[34]=1).

Bila seseorang berusia 35 tahun, maka ia dikatakan TIDAK

MUDA

(MUDA[35]=0).

3.




4.




5.




6.




7.

Bila seseorang berusia 35 tahun kurang 1 hari, maka ia

dikatakan TIDAK MUDA (MUDA [35 th-1 hr]=0).

Bila seseorang berusia 35 tahun, maka ia dikatakan

PAROBAYA (PAROB AYA [35]=1).

Bila seseorang berusia 34 tahun, maka ia dikatakan TIDAK

PAROBAYA (PAROB AYA[34]=0).

Bila seseorang berusia 55 tahun, maka ia dikatakan

PAROBAYA (PAROB AYA [55]=1).

Bila seseorang berusia 35 tahun kurang 1 hari, maka ia

dikatakan TIDAK PAROBAYA (PAROB AYA [35 th-1 hr]=0).




2.5.2 Fungsi Keanggotaan

Menurut [1], fungsi keanggotaan adalah kurva yang

mendefinisikan bagaimana masing-masing titik dalam ruang input

dipetakan ke dalam nilai keanggotaan (sering juga disebut dengan

derajat keanggotaan, fire strength atau ( -predikat) antara 0 dan 1.

Fungsi keanggotaan memetakan elemen x dari himpunan semesta








15


c(c x) /(c b); b o x o c
(










x ke sebuah bilangan (x), yang menentukan derajat keanggotaan

dari elemen ke dalam himpunan fuzzy A :

A = {(x, A (x))| x X }

(2.1)

Cara yang dapat digunakan untuk mendapatkan nilai

keanggotaan adalah dengan melalui pendekatan fungsi. Ada

beberapa fungsi yang dapat digunakan antara lain representasi

kurva segitiga, kurva trapesium, dan lain-lain. Namun dalam

penelitian ini, penulis hanya menggunakan representasi kurva

segitiga karena lebih sederhana dan lebih mudah. Kurva segitiga

pada dasarnya merupakan gabungan antara dua garis (linear) yang

ditunjukkan oleh gambar berikut.



1


derajat
keanggotaan
[x]



0




a




b




c
domain
Gambar 2.2 Kurva Segitiga

Fungsi keanggotaan:



_0



x o a atau x c c
[x] =

| x a) /(b a); a o x o b
(2.2)










16


Operasi Operator (-predikat Fungsi Keanggotaan
Complement NOT
Mengurangkan
nilai
keanggotaan
dari 1
A ' = 1 A ( x)
Intersection AND
Nilai
keanggotaan
terkecil
A)B = min( A[x], B [
y])
Union OR
Nilai
keanggotaan
terbesar
A-B = max( A[x], B [
y])











2.5.3. Operasi Dasar Dalam Himpunan Fuzzy

Ada tiga macam operasi dasar dalam himpunan fuzzy, yaitu

intersection

(irisan),

union

(gabungan),

dan

complement

(komplemen). Dari ketiga operasi tersebut akan diperoleh fungsi

keanggotaan untuk menghasilkan ( -predikat sebagai hasil dari

operasi dua himpunan.

Fungsi keanggotaan himpunan fuzzy baru yang dihasilkan

dari operasi-operasi tersebut diberikan dalam tabel berikut:

Tabel 2.1 Operasi-operasi dasar dalam himpunan fuzzy [1].
































Dengan A dan B adalah himpunan fuzzy, x X .








17












Contoh 2.3

Operasi Komplemen

Misalkan nilai keanggotaan 27 tahun pada himpunan muda adalah

0,6 ( MUDA[27] = 0,6) dan nilai keanggotaan 40 pada himpunan

parobaya adalah 0,4 ( PAROBAYA [40] = 0,4), maka ( -predikat

untuk usia TIDAK MUDA adalah:

MUDA [27] = 1- MUDA[27]

= 1- 0,6 = 0,4

Atau TIDAK PAROBAYA adalah :

PAROBAYA [40] = 1- PAROBAYA [40]

= 1- 0,4 = 0,6

Contoh 2.4

Operasi Irisan

Misalkan nilai keanggotaan 27 tahun pada himpunan muda adalah

0,6 ( MUDA[27] = 0,6) dan nilai keanggotaan 40 pada himpunan

parobaya adalah 0,4 ( PAROBAYA [40] = 0,4), maka ( -predikat

untuk usia MUDA dan usia PAROBAYA adalah :

MUDA ) PAROB AYA = min ( MUDA[27], PAROBAYA [40])

= min (0,6 ; 0,8) = 0,6

Contoh 2.5

Operasi Gabungan

Misalkan nilai keanggotaan 27 tahun pada himpunan muda adalah

0,6 ( MUDA[27] = 0,6) dan nilai keanggotaan 40 pada himpunan




18












parobaya adalah 0,4 ( PAROBAYA [40] = 0,4), maka ( -predikat

untuk usia MUDA dan usia PAROBAYA adalah :

MUDA - PAROBAYA = max ( MUDA[27], PAROBAYA [40])

= max (0,6 ; 0,8) = 0,8

Dalam logika fuzzy untuk mendapatkan solusi, ada tiga

langkah umum yang dapat dilakukan, yaitu :

1. Fuzzyfikasi

Fuzzyfikasi adalah fase pertama dari perhitungan fuzzy untuk

mengubah nilai tegas dan menentukan derajat dengan nilai-nilai

tersebut menjadi anggota dari setiap himpunan fuzzy yang

sesuai.

2. Penalaran

Penalaran adalah prosedur inferensi yang digunakan untuk

menarik kesimpulan dari himpunan aturan IF-THEN dari satu

atau lebih kondisi.

3. Defuzzyfikasi

Defuzzyfikasi adalah pengubahan nilai fuzzyfikasi ke dalam

nilai tegas.

Ketiga langkah tersebut dapat disebut pembangunan sistem

fuzzy, yang dapat diilustrasikan dengan gambar di bawah ini.













19













Fuzzyfikasi






Input











Penalaran











Defuzzyfikasi






Output



Gambar 2. 3 Sistem Fuzzy

2.5.4. Fungsi Implikasi

Menurut [11], setiap aturan (proposisi) pada 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

(2.3)

dengan x dan y adalah skalar, A dan B adalah himpunan fuzzy.

Aturan yang mengikuti IF disebut sebagai anteseden, sedangkan

yang mengikuti THEN disebut konsekuen.




2.5.5. Metode Sugeno Orde-Nol

Penalaran dengan

Metode

Sugeno

memiliki output

(konsekuen) berupa konstanta atau persamaan linear. Metode ini

diperkenalkan oleh Takagi-Sugeno-Kang pada tahun 1985. Dalam

penelitian ini penulis menggunakan model Fuzzy Orde-Nol.













20


(











Secara umum fungsi implikasi Metode Sugeno Orde-Nol adalah :

IF [(x1 is A1) - (x2 is A2) - (x3 is A3) - ... - (xN is AN)]

THEN Z = k.

(2.4)

dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, k adalah

suatu konstanta (tegas) sebagai konsekuen, sedangkan - adalah

operator (AND atau OR).

















Gambar 2.4 Aturan Metode Sugeno


Dalam Metode Sugeno, deffuzyfikasi dilakukan dengan

cara mencari nilai rata-rata.

N


i


zi
Z=
i = 1
N


( i
(2.5)
i =1

Dengan

Z = nilai rata-rata

( = ( - predikat

z = konsekuen

















21