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.


ALASAN DIGUNAKANNYA
LOGIKA FUZZY
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.
APLIKASI
Pada tahun 1990 pertama kali dibuat mesin cuci dengan logika
fuzzy di Jepang (Matsushita Electric Industrial Company). Sistem
fuzzy digunakan untuk menentukan putaran yang tepat secara
otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah
yang akan dicuci.
Input yang digunakan adalah: seberapa kotor, jenis kotoran, dan
banyaknya yang dicuci. Mesin ini menggunakan sensor optik ,
mengeluarkan cahaya ke air dan mengukur bagaimana cahaya
tersebut sampai ke ujung lainnya. Makin kotor, maka sinar yang
sampai makin redup. Disamping itu, sistem juga dapat
menentukan jenis kotoran (daki atau minyak).
APLIKASI
Transmisi otomatis pada mobil. Mobil Nissan telah menggunakan
sistem fuzzy pada transmisi otomatis, dan mampu menghemat
bensin 12 17%.
Ilmu kedokteran dan biologi, seperti sistem diagnosis yang
didasarkan pada logika fuzzy, penelitian kanker, manipulasi
peralatan prostetik yang didasarkan pada logika fuzzy, dll.
Ilmu lingkungan, seperti kendali kualitas air, prediksi cuaca, dll.
Teknik, seperti perancangan jaringan komputer, prediksi adanya
gempa bumi, dll.
HIMPUNAN FUZZY
Pada himpunan tegas (crisp set), nilai keanggotaan suatu item x dalam
suatu himpunan A (ditulis
A
[x]) memiliki 2 kemungkinan :
Satu (1), artinya x adalah anggota A
Nol (0), artinya x bukan anggota A

Contoh 1 :
Jika diketahui :
S={1,2,3,4,5,6} adalah semesta pembicaraan
A={1,2,3}
B={3,4,5}

maka :
Nilai kaanggotaan 2 pada A,
A
[2] = 1, karena 2eA
Nilai kaanggotaan 4 pada A,
A
[4] = 0, karena 4 eA
Nilai kaanggotaan 2 pada B ????????
Nilai kaanggotaan 5 pada B ????????



Contoh 2:
Jika suhu lebih tinggi atau sama dengan 80
o
F, maka suhu disebut panas, sebaliknya
disebut tidak panas

Kasus :
Suhu = 100
o
F, maka Panas
Suhu = 80.1
o
F, maka Panas
Suhu = 79.9
o
F, maka tidak panas
Suhu = 50
o
F, maka tidak panas

If Suhu 80
o
F, disebut panas
If Suhu < 80
o
F, disebut tidak panas

Fungsi keanggotaan dari himpunan tegas gagal membedakan antara anggota pada
himpunan yang sama
Ada problem-problem yang terlalu kompleks untuk didefinisikan secara tepat

Contoh 3 :
Misal variable umur dibagi menjadi 3 katagori :
MUDA umur <35 tahun
PAROBAYA 35 umur 55 tahun
TUA umur > 55 tahun








Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA
Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA
Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA
Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan
TIDAK PAROBAYA
Apabila seseorang berusia 55 tahun, maka ia dikatakan TIDAK TUA
Apabila seseorang berusia 55 tahun lebih hari, maka ia dikatakan
TUA

Muda
1
0

[x]

35

[x]

Parobaya
1
0
35 55
Tua
1
0
55

[x]

Gambar 2a. Keanggotaan himpunan biasa (crisp) umur muda dan parobaya
Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk
menyatakan umur sangat tidak adil, adanya perubahan kecil saja pada
suatu nilai mengakibatkan perbedaan katagori yang cukup signifikan

Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Sesorang
dapat masuk dalam 2 himpunan yang berbeda. MUDA dan PAROBAYA,
PAROBAYA dan TUA, dsb. Seberapa besar eksistensinya dapat dilihat
pada nilai/derajat keanggotaannya. Gambar berikut menunjukkan
himpunan fuzzy untuk variabel umur :







0,5
1
Tua
Muda
0
35
25 45
55
65 40 50
Parobaya

[x]

0,25







0,5
1
Tua
Muda
0
35
25 45
55
65 40 50
Parobaya

[x]

0,25
Apabila x memiliki nilai keanggotaan fuzzy A[x]=0 berarti x tidak menjadi
anggota himpunan A, demikian pula apabila x memiliki nilai keanggotaan fuzzy
A[x]=1 berarti x menjadi anggota penuh pada himpunan A.
13
Crisp set vs. Fuzzy set
A traditional crisp set A fuzzy set
14
Crisp set vs. Fuzzy set
15
Contoh: Crisp Set
Orang dengan tinggi 150cm maka ia
tergolong sedang (
sedang
[150]=1)
120
sangat pendek
145
165
185
pendek
sedang
tinggi
sangat tinggi
tinggi < 120
120 <= tinggi < 145
145 <= tinggi < 165
165 <= tinggi < 185
tinggi >= 185
Orang dengan tinggi 150cm maka ia
tergolong tidak tinggi (
tinggi
[150]=0)
Orang dengan tinggi 165cm kurang 2mm
maka ia tergolong tidak tinggi
(
tinggi
[165-2mm]=0)
16
Contoh: Himpunan Fuzzy
120
sangat pendek
145
165
185
pendek
sedang
tinggi
sangat tinggi
tinggi < 120
115 <= tinggi < 145
140 <= tinggi < 165
160 <= tinggi < 185
tinggi >= 180
17
CRISP & FUZZY
Himpunan yg anggotanya sudah pasti (crisp set) :



Fuzzy Set :
Bagaimana menyajikan himpunan bilangan riil
yang mendekati 3?




} 4 , 3 { A
} R x / 5 x 2 : A / A {
=
e < <
18
Derajat Keanggotaan (Grade of Membership)
Penyajian tabel membership function himpunan bilangan mendekati 3
Fuzifikasi :



Penyajian Grafik :

Anggota 0 1 2 3 4 5 6
Derajat Keanggotaan 0,3 0,5 0,8 1 0,8 0,5 0,3
0
0.2
0.4
0.6
0.8
1
1.2
0 2 4 6 8
Fuzzy vs Probabilitas


Fuzzy Probabilitas
- Probabilitas berkaitan dengan ketidakmenentuan dan
kemungkinan
- Logika Fuzzy berkaitan dengan ambiguitas dan
ketidakjelasan
Contoh 1:
Billy memiliki 10 jari kaki. Probabilitas Billy memiliki 9 jari
kaki adalah
0. Keanggotaan Fuzzy Billy pada himpunan orang dengan 9
jari kaki 0
Contoh 2:
- Probabilitas botol 1 berisi air beracun adalah 0.5 dan 0.5
untuk isi air murni {mungkin air tersebut tidak beracun}
- Isi botol 2 memiliki nilai keanggotaan 0.5 pada himpunan
air berisi racun {air pasti beracun}
Bahasa Alami


Contoh:
Budi tinggi -- apa yg dimaksud tinggi?
Budi sangat tinggi -- apa bedanya dengan tinggi?

Bahasa alami tidak mudah ditranslasikan ke nilai
absolut 0 and 1.
21
Himpunan Fuzzy
Variabel Fuzzy
Variabel dalam suatu sistem fuzzy. Contoh : berat badan, tinggi badan, dsb
Himpunan Fuzzy (Fuzzy set)
Himpunan fuzzy yang mewakili suatu kondisi pada suatu variabel fuzzy.
Contoh :
-Variabel suhu terbagi menjadi 3 himpunan fuzzy, yaitu : panas, hangat, dingin.
-Variabel nilai terbagi menjadi : tinggi, sedang, rendah

Himpunan fuzzy memiliki 2 atribut, yaitu :
- Linguistik, yaitu penamaan suatu group yang mewakili suatu kondisi, misalnya
panas, hangat, dingin
- Numeris, yaitu ukuran dari suatu variabel seperti : 17,19, 21, 33, dst

Himpunan Semesta
keseluruhan nilai yang boleh dioperasikan dalam suatu variabel fuzzy.
Contoh:
-Semesta untuk variabel berat badan : [1, 150]
-Semesta untuk variabel suhu : [0,100].
Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam Semesta dan
boleh
dioperasikan dalam suatu himpunan fuzzy.
Contoh :
-DINGIN = [0,60]
-HANGAT = [50,80]
-PANAS = [80, +)
Membership Function
HIMPUNAN FUZZY
Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu:
DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.
SEMESTA????
DOMAIN????
Fuzzy Set
Contoh:
Misalkan, x = {5, 10, 20, 30, 40, 50, 60, 70, 80}
adalah crisp set Usia dalam satuan tahun.
Balita, Dewasa, Muda, dan Tua adalah empat fuzzy
set yang merupakan subset dari x.


Fuzzy Set
Pada tabel tersebut terdapat 4 buah fuzzy set
dengan anggota dan derajat keanggotaannya
sebagai berikut:
Balita = {}
Dewasa = {20, 30, 40, 50, 60, 70, 80}, di mana
derajat keanggotaannya dinyatakan oleh
Dewasa
=
{0.8, 1, 1, 1, 1, 1, 1}.
Muda = {5, 10, 20, 30, 40, 50}, di mana derajat
keanggotaannya dinyatakan oleh
muda
= {1, 1,
0.8, 0.5, 0.2, 0.1}.
Tua = {20, 30, 40, 50, 60, 70, 80}, di mana derajat
keanggotaannya dinyatakan oleh
Tua
= {0.1, 0.2,
0.4, 0.6, 0.8, 1, 1}.


Konvensi penulisan fuzzy set
Konvensi untuk menuliskan fuzzy set yang
dihasilkan dari universe U yang diskrit adalah
sebagai berikut:




Pada contoh di atas, fuzzy set Tua ditulis
sebagai:




Konvensi penulisan fuzzy set
Sedangkan jika U adalah kontinu, maka fuzzy
set A dinotasikan sebagai:

FUNGSI KEANGGOTAAN HIMPUNAN FUZZY (MEMBERSHIP
FUNCTION)
Adalah suatu fungsi (kurva) yang menunjukkan pemetaan titik-titik input
data ke dalam nilai keanggotaannya (derajat keanggotaan) yang
memiliki interval antara 0 sampai 1.
Ada beberapa fungsi yang bisa digunakan :
1. Representasi linier










1
FUNGSI KEANGGOTAAN HIMPUNAN FUZZY (MEMBERSHIP
FUNCTION)
1. Representasi linier










Contoh:
Fungsi keanggotaan untuk
himpunan PANAS pada
variabel temperatur
ruangan seperti terlihat
pada Gambar
Panas (27) = ????
Panas (34) = ????
1
FUNGSI KEANGGOTAAN HIMPUNAN FUZZY (MEMBERSHIP
FUNCTION)
1. Representasi linier










Contoh:
Fungsi keanggotaan untuk
himpunan DINGIN pada
variabel temperatur
ruangan seperti terlihat
pada Gambar
dingin (25) = ????
dingin (17) = ????
1
2. Representasi segitiga
(triangular)
Ditentukan oleh 3 parameter
{a, b, c} sebagai berikut :















( )

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
, , :
Fungsi keanggotaan untuk himpunan NORMAL
pada variabel temperatur
ruangan seperti terlihat pada Gambar
2


3. Representasi Trapesium
Ditentukan oleh 4 parameter
{a,b,c,d} sebagai berikut :







( )

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
, , , ;
Fungsi keanggotaan untuk himpunan NORMAL
pada variabel temperatur
ruangan seperti terlihat pada Gambar
3
Contoh
kasus
No
(konsumen)
Murah Sedang Mahal
1 Rp.1.000.000,- Rp.2.000.000,- Rp.3.000.000,-
2 Rp.500.000,- Rp.1.000.000,- Rp.2.000.000,-
3 Rp.500.000,- Rp.1.500.000,- Rp.2.500.000,-
4 Rp.300.000,- Rp.1.000.000,- Rp.2.000.000,-
5 Rp.500.000,- Rp.2.000.000,- Rp.3.000.000,-
6 Rp.200.000,- Rp.1.000.000,- Rp.2.000.000,-
7 Rp.1.000.000,- Rp.2.000.000,- Rp.3.000.000,-
8 Rp.700.000,- Rp.1.500.000,- Rp.3.000.000,-
9 Rp.1.000.000,- Rp.2.500.000,- Rp.5.000.000,-
10 Rp.500.000,- Rp.1.500.000,- Rp.2.500.000,-
11 Rp.500.000,- Rp.1.500.000,- Rp.3.000.000,-
12 Rp.500.000,- Rp.1.500.000,- Rp.3.000.000,-
13 Rp.3000.000,- Rp.1.000.000,- Rp.2.000.000,-
14 Rp.1.000.000,- Rp.3.000.000,- Rp.5.000.000,-
15 Rp.500.000,- Rp.1.500.000,- Rp.2.000.000,-
16 Rp.500.000,- Rp.1.500.000,- Rp.3.000.000,-
17 Rp.500.000,- Rp.1.000.000,- Rp.2.000.000,-
18 Rp.1.000.000,- Rp.2.000.000,- Rp.3.000.000,-
19 Rp.500.000,- Rp.1.500.000,- Rp.3.000.000,-
20 Rp.500.000,- Rp.1.000.000,- Rp.2.000.000,-


Berdasarkan tabel di atas, setelah dicari modus / data
yang sering muncul untuk kriteria harga murah, harga
sedang dan harga mahal dapat ditarik kesimpulan
sebagai berikut:
Harga murah = Rp.500.000,- dengan frekuensi
terbanyak yaitu 11
Harga sedang = Rp.1.500.000,- dengan frekuensi
terbanyak yaitu 8
Harga mahal = Rp.3.000.000,- dengan frekuensi
terbanyak yaitu 9




Representasi bentuk BAHU

Daerah yang terletak di tengah-tengah
suatu variabel yang direpresentasikan
dalam bentuk segitiga, pada sisi kanan
dan kirinya akan naik dan turun
(misalkan: DINGIN bergerak ke SEJUK
bergerak ke
HANGAT dan bergerak ke PANAS). Tetapi
terkadang salah satu sisi dari
variabel tersebut tidak mengalami
perubahan. Sebagai contoh, apabila
telah mencapai kondisi PANAS, kenaikan
temperatur akan tetap berada pada
kondisi PANAS. Himpunan fuzzy bahu,
bukan segitiga, digunakan
untuk mengakhiri variabel suatu daerah
fuzzy. Bahu kiri bergerak dari
benar ke salah, demikian juga bahu kanan
bergerak dari salah ke benar.
4
Representasi bentuk S

Kurva PERTUMBUHAN dan
PENYUSUTAN merupakan kurva-S atau
sigmoid yang berhubungan dengan
kenaikan dan penurunan permukaan
secara tak linear.

Kurva-S untuk PERTUMBUHAN akan
bergerak dari sisi paling kiri (nilai
keanggotaan = 0) ke sisi paling kanan
(nilai keanggotaan = 1). Fungsi
keanggotaannya akan tertumpu pada
50% nilai keanggotaannya yang
sering disebut dengan titik infleksi
Kurva-S untuk PENYUSUTAN akan
bergerak dari sisi paling kanan (nilai
keanggotaan = 1) ke sisi paling kiri
(nilai keanggotaan = 0)
5
Representasi bentuk S

Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu: nilai keanggotaan nol
(), nilai keanggotaan lengkap (), dan titik infleksi atau crossover () yaitu titik yang
memiliki domain 50% benar.
5
Representasi bentuk S

Contoh
Fungsi keanggotaan untuk himpunan TUA
pada variabel umur seperti
terlihat pada Gambar
tua (42) = ????
5
Representasi bentuk S

Contoh
Fungsi keanggotaan untuk himpunan MUDA
pada variabel umur seperti
terlihat pada Gambar
Muda (37)
5
Representasi bentuk LONCENG
(BELL CURVE)

Untuk merepresentasikan bilangan fuzzy, biasanya digunakan
kurva berbentuk lonceng. Kurva berbentuk lonceng ini terbagi
atas 3 kelas, yaitu:

himpunan fuzzy PI,
beta,
Gauss.
6
Representasi bentuk LONCENG
(BELL CURVE)

Kurva PI
Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak pada
pusat dengan domain (), dan lebar kurva () seperti terlihat pada
Gambar
6
Representasi bentuk LONCENG
(BELL CURVE)

Kurva Beta
Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng namun lebih
rapat. Kurva ini juga didefinisikan dengan 2 parameter, yaitu nilai pada
domain yang menunjukkan pusat kurva (), dan setengah lebar kurva ()
seperti terlihat pada Gambar
Salah satu perbedaan mencolok kurva BETA
dari kurva PI adalah, fungsi
keanggotaannya akan mendekati nol hanya jika
nilai () sangat besar.
6
Representasi bentuk LONCENG
(BELL CURVE)

Kurva Beta
Fungsi keanggotaan untuk himpunan
SETENGAH BAYA pada variabel
umur seperti terlihat pada Gambar
6
Representasi bentuk LONCENG
(BELL CURVE)

Kurva Gauss
Jika kurva PI dan kurva BETA menggunakan 2 parameter yaitu () dan
(), kurva GAUSS juga menggunakan () untuk menunjukkan nilai
domain pada pusat kurva, dan (k) yang menunjukkan lebar kurva
6
Operasi Logika
(Operasi Himpunan Fuzzy)
Operasi logika adalah operasi yang mengkombinasikan dan memodifikasi 2 atau lebih
himpunan fuzzy. Nilai keanggotaan baru hasil operasi dua himpunan disebut firing
strength atau o predikat, ada 3 operasi dasar yang diciptakan oleh Zadeh :

1. Operator AND, berhubungan dengan operasi intersection pada
himpunan, o predikat diperoleh dengan mengambil nilai minimum antar
kedua himpunan.
AB = min(A[x], B[y])

Misal nilai keanggotaan umur 27 pada himpunan muda adalah MUDA[27] = 0,6
dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah
GAJITINGGI[2juta] = 0,8

maka -predikat untuk usia MUDA dan berpenghasilan TINGGI adalah nilai
keanggotaan minimum :

MUDAGAJITINGGI = min( MUDA[27], GAJITINGGI[2juta])
= min (0,6 ; 0,8)
= 0,6
2. Operator OR, berhubungan dengan operasi union pada
himpunan, o predikat diperoleh dengan mengambil nilai
maximum antar kedua himpunan.
AB = max(A[x], B[y])

Misal nilai keanggotaan umur 27 pada himpunan muda adalah
MUDA[27] = 0,6 dan nilai keanggotaan 2 juta pada himpunan
penghasilan TINGGI adalah GAJITINGGI[2juta] = 0,8

maka -predikat untuk usia MUDA atau berpenghasilan TINGGI
adalah nilai keanggotaan maksimum :
MUDA GAJITINGGI = max(MUDA[27], GAJITINGGI[2juta])
= max (0,6 ; 0,8)
= 0,8
3. Operasi NOT, berhubungan dengan operasi
komplemen pada himpunan, o predikat
diperoleh dengan mengurangkan nilai
keanggotaan elemen pada himpunan dari 1.
Misal nilai keanggotaan umur 27 pada
himpunan muda adalah MUDA[27]= 0,6 maka
-predikat untuk usia TIDAK MUDA adalah :
MUDA[27] = 1 - MUDA[27
= 1 - 0,6
= 0,4
METODE TSUKAMOTO
Sistem Inferensi Fuzzy
49
Sistem Inferensi Fuzzy
Metode Tsukamoto
Pertama kali diperkenalkan oleh Tsukamoto.
Setiap konsekuen (kesimpulan) pada setiap aturan IF-THEN
harus direpresentasikan dengan suatu himpunan fuzzy
dengan fungsi keanggotaan monoton.
Hasilnya, output hasil inferensi dari setiap aturan diberikan
secara tegas (crisp) berdasarkan o-predikat, kemudian
menghitung rata-rata terbobot.

Metode Sugeno

Metode Mamdani


50
Contoh: metode Tsukamoto
Sebuah 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 paling banyak sampai 600 kemasan/hari,
dan paling sedikit sampai 100 kemasan/hari. Dengan segala keterbatasannya, sampai saat ini,
perusahaan baru mampu memproduksi barang maksimal 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 sebagai berikut:
Rule 1
IF permintaan TURUN and persediaan BANYAK THEN produksi barang BERKURANG
Rule 2
IF permintaan TURUN and persediaan SEDIKIT THEN produksi barang BERKURANG
Rule 3
IF permintaan NAIK and persediaan BANYAK THEN produksi barang BERTAMBAH
Rule 4
IF permintaan NAIK and persediaan SEDIKIT THEN produksi barang BERTAMBAH
Berapa kemasan makanan jenis ABC yang harus diproduksi, jika jumlah permintaan sebanyak
3500 kemasan, dan persediaan di gudang masih 300 kemasan ? (Gunakan fungsi
keanggotaan LINEAR)
51
52
Ada 3 variabel yang digunakan: PERMINTAAN, PERSEDIAAN, dan
PRODUKSI
PERMINTAAN: 1000 5000, x = 3500
PERSEDIAAN: 100 - 600, y = 300
PRODUKSI: 2000 7000, z = ?
PERMINTAAN, terdiri dari 2 himpunan fuzzy: TURUN dan NAIK

>
s s

<
=
5000 , 0
5000 1000 ,
4000
5000
1000 , 1
] [
x
x
x
x
x
pmtTURUN

>
s s

<
=
5000 , 1
5000 1000 ,
4000
1000
1000 , 0
] [
x
x
x
x
x
pmtNAIK

Nilai keanggotaan untuk nilai

PERMINTAAN = 3500

pmtTURUN
[3500] = (5000-3500)/4000 = 0.375

pmtNAIK
[3500] = (3500-1000)/4000 = 0.625
q = 3500
53
PERSEDIAAN, terdiri dari 2 himpunan fuzzy: SEDIKIT dan BANYAK

>
s s

<
=
600 , 0
600 100 ,
500
600
100 , 1
] [
y
y
y
y
y
psdSEDIKIT

>
s s

<
=
600 , 1
600 100 ,
500
100
100 , 0
] [
y
y
y
y
y
psdBANYAK

y = 300

psdSEDIKIT
[300] = (600-300)/500 = 0.6

psdBANYAK
[300] = (300-100)/500 = 0.4
54
PRODUKSI, terdiri dari 2 himpunan fuzzy: BERKURANG dan
BERTAMBAH

>
s s

<
=
7000 , 0
7000 2000 ,
5000
7000
2000 , 1
] [
z
z
z
z
z
NG prdBERKURA

>
s s

<
=
7000 , 1
7000 2000 ,
5000
2000
2000 , 0
] [
z
z
z
z
z
AH psdBERTAMB

Nilai o-predikat dan Z dari setiap aturan

Rule 1
o-predikat
1
=
pmtTURUN

psdBANYAK

= min(
pmtTURUN
[3500]

psdBANYAK
[300])

= min(0.375; 0.4)
= 0.375
Dari himpunan produksi barang
BERKURANG,
(7000-z)/5000 = 0.375 z
1
= 5125

pmtTURUN
= 0.375

pmtNAIK
= 0.625

pmtSEDIKIT
= 0.6

pmtBANYAK
= 0.4
Rule 2
o-predikat
2
=
pmtTURUN

psdSEDIKIT

= min(
pmtTURUN
[3500]

psdSEDIKIT
[300])

= min(0.375; 0.6)
= 0.375
Dari himpunan produksi barang
BERKURANG,
(7000-z)/5000 = 0.375 z
2
= 5125
55
Rule 3
o-predikat
3
=
pmtNAIK

psdBANYAK

= min(
pmtNAIK
[3500]

psdBANYAK
[300])

= min(0.625; 0.4)
= 0.4
Dari himpunan produksi barang
BERTAMBAH,
(z-2000)/5000 = 0.4 z
3
= 4000
Rule 4
o-predikat
4
=
pmtNAIK

psdBANYAK

= min(
pmtNAIK
[3500]

psdBANYAK
[300])

= min(0.625; 0.6)
= 0.6
Dari himpunan produksi barang
BERTAMBAH,
(z-2000)/5000 = 0.6 z
4
= 5000
Menghitung z akhir dengan merata-rata semua z berbobot:
4 3 2 1
4 4 3 3 2 2 1 1
* * * *
pred pred pred pred
z pred z pred z pred z pred
z
o o o o
o o o o
+ + +
+ + +
=
4825
75 . 1
75 . 8443
6 . 0 4 . 0 375 . 0 375 . 0
5000 * 6 . 0 4000 * 4 . 0 5125 * 375 . 0 5125 * 375 . 0
= =
+ + +
+ + +
= z
Jadi, jumlah makanan jenis ABC yang harus diproduksi sebanyak
4825 kemasan.
Nilai o-predikat dan Z dari setiap aturan
CONTOH 2 SOAL LOGIKA FUZZY

Suatu perusahaan minuman akan memproduksi minuman
jenis XYZ. Dari data 1 bulan terakhir, permintaan terbesar
hingga mencapai 6000 botol/hari, dan permintaan
terkecil sampai 500 botol/hari. Persediaan barang
digudang terbanyak sampai 800 botol/hari, dan terkecil
pernah sampai 200 botol/hari. Dengan segala
keterbatasannya, sampai saat ini, perusahaan baru
mampu memproduksi barang maksimum 9000
botol/hari, serta demi efisiensi mesin dan SDM tiap hari
diharapkan perusahaan memproduksi paling tidak 3000
botol. 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 botol minuman jenis XYZ yang harus diproduksi,
jika jumlah permintaan sebanyak 4500 botol, dan
persediaan di gudang masih 700 botol?

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







Gambar Fungsi keanggotaan variabel Permintaan pada
Contoh