05-Jun-14

Outline
Fuzzy Logic
-

Himpunan Tegas vs Himpunan Fuzzy

- Fuzzifikasi
- Inferensi
- Defuzzifikasi

1.
2.
3.
4.
5.

Himpunan Tegas vs Himpunan Fuzzy

Fuzzifikasi
Inferensi
Defuzzifikasi
Contoh Kasus

Referensi :
-

Suyanto. (2011). Artificial Intelligence . Bandung : Informatika .

Suyanto. (2008). Soft Computing . Bandung : Informatika .

Sutojo, T., Mulyanto, E., & Suhartono, V. (2011). Kecerdasan Buatan . Yogyakarta :
C.V.Andi Offset.

Himpunan Tegas (Crisp)

Logika Fuzzy

Masalah di dunia nyata umumnya bersifat

tidak pasti.
Suatu cara untuk merepresentasikan dan
menangani masalah ketidakpastian
(keraguan, ketidaktepatan, kekuranglengkapan informasi, dan kebenaran yang
bersifat sebagian).

Nilai keanggotaan suatu item x dalam suatu

himpunan A, memiliki 2 kemungkinan :

1, x anggota A
0, x bukan anggota A

Contoh :

S = [1,2,3,4,5,6]; A = [1,2,3]; B = [3,4,5]

Nilai keanggotaan 2 pada A = A[2] = 1
Nilai keanggotaan 4 pada A = A[4] = 0
Nilai keanggotaan 5 pada B = B[5] = 1

05-Jun-14

Contoh

Contoh

Variabel umur dibagi 3 kategori :

MUDA, <35 tahun

PAROBAYA, 35-55 tahun
TUA, >55 tahun

Grafik nilai keanggotaan :

usia 34 tahun maka dikatakan MUDA

MUDA[34] = 1
usia 35 tahun maka dikatakan PAROBAYA
PAROBAYA[35] = 1
usia 34 tahun maka dikatakan TIDAKPAROBAYA
PAROBAYA[34] = 0
usia 35 tahun kurang 1 hari maka dikatakan
TIDAKPAROBAYA PAROBAYA[35 th 1 hari] = 0
usia 35 tahun lebih 1 hari maka dikatakan
TIDAKMUDA MUDA[35 th + 1 hari] = 0

Himpunan Fuzzy

Himpunan Fuzzy

Misal pada contoh sebelumnya (kategori

umur), seseorang bisa masuk 2 himpunan
yang berbeda, misal MUDA dan PAROBAYA
Grafik untuk himpunan fuzzy

usia 40 tahun termasuk dalam himpunan

MUDA dengan MUDA[40] = 0,25 termasuk
juga dalam himpunan PAROBAYA dengan
PAROBAYA [40] = 0,5
usia 50 tahun termasuk dalam himpunan TUA
dengan TUA[50] = 0,25 termasuk juga dalam
himpunan PAROBAYA dengan PAROBAYA [50]
= 0,5

05-Jun-14

Perbedaan Himpunan Tegas dan

Himpunan Fuzzy

Himpunan crisp, nilai keanggotaan hanya 0 dan 1.

Himpunan fuzzy, derajat/nilai keanggotaan terletak
pada rentang 0 sampai 1 sehingga :

Bila x memiliki derajat keanggotaan fuzzy A [x]

adalah diantara 0 sampai dengan 1 maka x
sebagian merupakan anggota himpunan A dengan
derajat keanggotaan tertentu.
Bila x memiliki derajat keanggotaan fuzzy A [x] =
0 x bukan anggota himpunan A
Bila x memiliki derajat keanggotaan fuzzy A [x] =
1 x anggota penuh himpunan A

Outline
1.
2.
3.
4.
5.

Fuzzy System

Himpunan Tegas vs Himpunan Fuzzy

Fuzzifikasi
Inferensi
Defuzzifikasi
Contoh Kasus

Fuzzifikasi
Masukan yang nilainya tegas (hanya 1 dan 0 atau
true dan false) dikonversi ke bentuk fuzzy, yang
berupa nilai linguistik dengan derajat
keanggotaan tertentu. Konversi ini dilakukan
dengan membuat fungsi keanggotaan.
Variabel lingustik adalah suatu interval numerik
dan mempunyai nilai linguistik, contoh : Suhu
adalah variabel linguistik, dengan nilai
linguistiknya adalah panas, sedang, dingin, yang
derajat keanggotaannya bisa ditentukan melalui
fungsi keanggotaan.

05-Jun-14

Fungsi Keanggotaan
suatu kurva yang menunjukkan pemetaan
titik-titik input data ke dalam nilai/derajat
keanggotaannya yang memiliki interval antara
0 sampai 1.

Fungsi Keanggotaan
Fungsi Sigmoid

Fungsi Sigmoid
Fungsi Phi
Fungsi Segitiga
Fungsi Trapesium

Fungsi Keanggotaan
Fungsi Phi

Fungsi Keanggotaan
Fungsi Segitiga

05-Jun-14

Fungsi Keanggotaan

Fungsi Keanggotaan
Fungsi Trapesium

Fungsi Keanggotaan

Contoh : suatu fungsi keanggotaan untuk

variabel UMUR yang dibagi menjadi 3
kategori atau 3 himpunan fuzzy yaitu MUDA,
PAROBAYA, TUA, dimana dapat
direpresentasikan sebagai berikut :

Fungsi Keanggotaan

05-Jun-14

Outline
1.
2.
3.
4.
5.

Himpunan Tegas vs Himpunan Fuzzy

Fuzzifikasi
Inferensi
Defuzzifikasi
Contoh Kasus

Inferensi
Inferensi adalah proses pengambilan
kesimpulan.
Harus ada rules / aturan, yang umumnya
dapat dituliskan sebagai berikut :
IF antecedent (kondisi) THEN consequent
(kesimpulan)

Proses inferensi memperhitungkan semua

rules yang ada.

Model Aturan Fuzzy

Model Tsukamoto
IF x is A AND y is B THEN z is C
Defuzzifikasi menggunakan weighted average

Model Mamdani
IF x is A AND y is B THEN z is C (sama dengan
Tsukamoto)
Defuzzifikasi menggunakan centroid

Outline
1.
2.
3.
4.
5.

Himpunan Tegas vs Himpunan Fuzzy

Fuzzifikasi
Inferensi
Defuzzifikasi
Contoh Kasus

Model Sugeno
IF x is A AND y is B THEN z= f(x,y)

05-Jun-14

Deffuzzification

Defuzzification

Centroid Method
Height Method
First (or Last) Method
Mean-Max Method
Weighted Average

Dimana y adalah nilai crisp dan R(y) adalah derajat

keanggotaan y.

Defuzzification
Height Method
Prinsip keanggotaan maksimum
Metode ini memilih nilai crisp yang memiliki
derajat keanggotaan maksimum.
Hanya bisa dipakai untuk fungsi keanggotaan yang
memiliki derajat keanggotaan 1 pada suatu nilai
crisp tunggal dan 0 pada semua nilai crisp yang
lain.

Defuzzification
First (or Last) of Maxima
Merupakan generalisasi dari height method
Untuk kasus dimana fungsi keanggotaan output
memiliki lebih dari satu nilai maksimum.
Nilai crisp yang dihasilkan adalah dari maksimum
pertama atau maksimum terakhir (tergantung
aplikasi)

05-Jun-14

Defuzzification

Defuzzification
Weighted Average
Metode ini mengambil rata-rata dengan
menggunakan pembobotan berupa derajat
keanggotaan.
y didefinisikan sebagai:
( y) y
y
( y)

Dimana y adalah nilai crisp dan R(y) adalah

derajat keanggotaan y.

Outline
1.
2.
3.
4.
5.

Himpunan Tegas vs Himpunan Fuzzy

Fuzzifikasi
Inferensi
Defuzzifikasi
Contoh Kasus

CONTOH KASUS 1 (TSUKAMOTO,

MAMDANI, SUGENO)
Menentukan nilai kelayakan mahasiswa untuk
mendapatkan beasiswa berdasarkan nilai IPK
dan gaji orang tua.
Variabel linguistik
Input / kondisi : nilai IPK, gaji ortu
Output / kesimpulan : nilai kelayakan
Tahap : fuzzifikasi (mengubah himpunan tegas
menjadi himpunan fuzzy ), inferensi (proses
mengambil kesimpulan), defuzzifikasi (mengubah
himpunan fuzzy menjadi himpunan tegas )

05-Jun-14

FUZZIFIKASI

FUZZIFIKASI
Gaji Ortu (Kecil, Sedang, Besar, Sangat Besar)

IPK (BURUK, CUKUP, BAGUS )

CUKUP

BURUK

BAGUS

2.75

Joni IPKnya 3, uCUKUP[3] = 0.5

3.25

, uBAGUS[3] = 0.5

FUZZIFIKASI

Sedang

Kecil

Besar

Joni gaji ortunya adalah 10jt, uBESAR [10] = 0.4

Sangat Besar

12

Dalam juta rp

, uSBESAR [10] = 0.6

INFERENSI (MODEL TSUKAMOTO)

ATURAN

Nilai Kelayakan (Rendah, Tinggi)

1

Rendah

50

Tinggi

80

100

KECIL

SEDANG

BESAR

SANGAT BESAR

BURUK

RENDAH

RENDAH

RENDAH

RENDAH

CUKUP

TINGGI

RENDAH

RENDAH

RENDAH

BAGUS

TINGGI

TINGGI

TINGGI

RENDAH

IF IPK CUKUP (0.5) AND GAJI ORTU BESAR (0.4) THEN NILAI KELAYAKAN
RENDAH (0.4), a(alpha predikat)1 = 0.4
IF IPK CUKUP (0.5) AND GAJI ORTU SANGAT BESAR (0.6)THEN NILAI
KELAYAKAN RENDAH (0.5), a2 = 0.5
IF IPK BAGUS (0.5) AND GAJI ORTU BESAR (0.4) THEN NILAI KELAYAKAN TINGGI
(0.4), a3 = 0.4
IF IPK BAGUS (0.5) AND GAJI ORTU SANGAT BESAR (0.6) THEN NILAI
KELAYAKAN RENDAH (0.5), a4 = 0.5

05-Jun-14

DEFUZZIFIKASI (MODEL
TSUKAMOTO)
1

Rendah

50

INFERENSI (MODEL MAMDANI)

ATURAN

Tinggi

80

KECIL

SEDANG

BESAR

SANGAT BESAR

BURUK

RENDAH

RENDAH

RENDAH

RENDAH

CUKUP

TINGGI

RENDAH

RENDAH

RENDAH

BAGUS

TINGGI

TINGGI

TINGGI

RENDAH

IF IPK CUKUP (0.5) AND GAJI ORTU BESAR (0.4) THEN NILAI KELAYAKAN
RENDAH (0.4)
IF IPK CUKUP (0.5) AND GAJI ORTU SANGAT BESAR (0.6)THEN NILAI
KELAYAKAN RENDAH (0.5)
IF IPK BAGUS (0.5) AND GAJI ORTU BESAR (0.4) THEN NILAI KELAYAKAN TINGGI
(0.4)
IF IPK BAGUS (0.5) AND GAJI ORTU SANGAT BESAR (0.6) THEN NILAI
KELAYAKAN RENDAH (0.5)

100

a1 = 0.4 (rendah), 80-x1 =12, x1 = 68

a2 = 0.5 (rendah ), 80-x2 = 15, x2 = 65
a3 = 0.4 (tinggi), x3 50 = 12, x3 = 62
a4 = 0.5 (rendah), 80-x2 = 15, x2 = 65
(a1*x1) + (a2*x2) + (a3*x3) + (a4*x4)
------------------------------------------------- = 65
a1+a2+a3+a4

NK = TINGGI (0.4)
NK = RENDAH (0.4) V RENDAH (0.5) V RENDAH (0.5) = MAX(0.4:0.5:0.5) =
RENDAH (0.5)

DEFUZZIFIKASI (MODEL MAMDANI)

DEFUZZIFIKASI (MODEL MAMDANI)

Rendah (0.5)

1
0.5

1
0

50

80

100

Rendah

Tinggi

0.5
0.4

Tinggi (0.4)

50

80

100

0.4

50

80

100

Dimana y adalah nilai crisp dan R(y) adalah derajat

keanggotaan y.

10

05-Jun-14

DEFUZZIFIKASI (MODEL MAMDANI)

INFERENSI (MODEL SUGENO)

ATURAN (bagian kesimpulan berupa fungsi atau konstan)

Rendah

Tinggi

0.5
0.4

10 20 30 40 50

80 85 90 95 100

Misal : Pilih secara acak 9 titik yang ada di area kuning

(10,20,30,40,50,60,80,100).
(10+20+30+40+50)*0.5 + (80+85+90+95+100)*0.4
------------------------------------------------------------------- = 56.7
(5*0.5) + (5*0.4)

DEFUZZIFIKASI (MODEL SUGENO)

KECIL

SEDANG

BESAR

SANGAT BESAR

BURUK

50

50

50

50

CUKUP

80

50

50

50

BAGUS

80

80

80

50

IF IPK CUKUP (0.5) AND GAJI ORTU BESAR (0.4) THEN NILAI KELAYAKAN=50, a1
= 0.4
IF IPK CUKUP (0.5) AND GAJI ORTU SANGAT BESAR (0.6)THEN NILAI
KELAYAKAN=50, a2 = 0.5
IF IPK BAGUS (0.5) AND GAJI ORTU BESAR (0.4) THEN NILAI KELAYAKAN=80, a3
= 0.4
IF IPK BAGUS (0.5) AND GAJI ORTU SANGAT BESAR (0.6) THEN NILAI
KELAYAKAN=50, a4 = 0.5

Contoh Kasus 2 (Mamdani)

Sprinkler control system

a1*z1 + a2*z2 + a3*z3 + a4*z4

-------------------------------------------a1+a2+a3+a4
(0.4*50) + (0.5*50) + (0.4*80) + (0.5*50)
-------------------------------------------------------0.4+0.5+0.4+0.5

= 56.7

Misalkan kita ingin membangun sistem untuk

mengontrol alat penyiram air. Input untuk sistem
tersebut: Suhu udara (dalam C) dan Kelembapan
tanah (dalam %). Sedangkan output yang
diinginkan adalah durasi penyiraman (dalam
satuan menit). Misalkan, nilai crisp yang diterima
oleh sensor suhu adalah 37 C dan nilai crisp yang
diterima sensor kelembapan adalah 12 %. Berapa
lama durasi penyiraman yang harus dilakukan?

11

05-Jun-14

Contoh Kasus 2

Contoh Kasus 2

Proses fuzzification
Menggunakan fungsi keanggotaan Trapesium
dengan 5 variabel linguistik: Cold, Cool, Normal,
Warm, dan Hot.
Maka crisp input suhu 37 C dikonversi ke nilai
fuzzy dengan cara:
Suhu 37 C berada di nilai linguistik Warm dan Hot.
Semantik atau derajat keanggotaan untuk Warm
dihitung menggunakan rumus:
-(x-d)/(d-c), c < x < d, dimana c = 36 dan d = 39

Derajat keanggotaan untuk Hot dihitung menggunakan

rumus:

Fungsi keanggotaan trapesium untuk Suhu

Udara

Cold

Cool

Normal

Hot

Warm

2/3
1/
3
-10

Suhu (C)
0

12 15

24 27

36 39

50

-(x-a)/(b-a), a < x < b, dimana a = 36 dan b = 39

Contoh Kasus 2
Menggunakan fungsi keanggotaan Trapesium
untuk Kelembapan Tanah.
Maka, crisp input Kelembapan 12% dikonversi
menjadi nilai fuzzy dengan cara:
Kelembapan 12% berada pada nilai linguistik Dry dan
Moist.
Semantik atau derajat keanggotaan Dry dihitung
dengan rumus:
-(x-d)/(d-c), c < x < d, dimana c = 10 dan d = 20

Derajat keanggotaan untuk Moist dihitung dengan

rumus:

Contoh Kasus 2
Fungsi keanggotaan trapesium untuk
Kelembapan Tanah.

Dry

1
4/5

Moist

Wet

1/
5

Kelembapan (%)
0

10

20

40

50

70

-(x-a)/(b-a), a < x < b, dimana a = 10 dan b = 20

12

05-Jun-14

Contoh Kasus 2

Contoh Kasus 2

Jadi, proses fuzzification menghasilkan empat

fuzzy input:

Proses inferensi
Terdapat berbagai macam cara dalam
menentukan aturan fuzzy.
Misalkan, untuk Durasi Penyiraman kita
menggunakan fungsi keanggotaan Trapesium
dengan tiga nilai linguistik:

Suhu Udara = Warm (2/3) dan Hot (1/3).

Kelembapan Tanah = Dry (4/5) dan Moist (1/5).

Short
Medium
Long

Contoh Kasus 2

Contoh Kasus 2

Fungsi keanggotaan trapesium untuk Durasi

Penyiraman.

Aturan fuzzy untuk masalah Sprinkler control system.

Antecendent 1 (Suhu Udara)

Short

Medium

20

28

Antecendent
2
(Kelembapan)

Long

40

48

90

Cold

Cool

Normal

Warm

Hot

Dry

Long

Long

Long

Long

Long

Moist

Long

Medium

Medium

Medium

Medium

Wet

Short

Short

Short

Short

Short

Durasi
(menit)

13

05-Jun-14

Contoh Kasus 2

Contoh Kasus 2
Proses inferensi menggunakan Model
Mamdani

Dengan definisi aturan fuzzy pada tabel di

atas, kita mempunyai 3 x 5 aturan fuzzy, yaitu:
IF Suhu = Cold AND Kelembapan = Dry THEN Durasi =
Long
.
.
IF Suhu = Hot AND Kelembapan = Wet THEN Durasi =
Short

Kita dapat menggunakan 2 cara inferensi:

Clipping atau Scaling.

1/
5

0 10

40

20

50

1/
5

0 10

20

(a) Clipping

Contoh Kasus 2
Dari 4 data fuzzy input, maka kita mendapatkan
empat aturan (dari 15 aturan):
IF Suhu is Warm AND Kelembapan is Dry THEN Durasi is Long
IF Suhu is Warm AND Kelembapan is Moist THEN Durasi is
Medium
IF Suhu is Hot AND Kelembapan is Dry THEN Durasi is Long
IF Suhu is Hot AND Kelembapan is Moist THEN Durasi is
Medium

40

50

(b) Scaling

Contoh Kasus 2
Misalkan, kita menggunakan inferensi
Clipping:
Gunakan aturan Conjunction (^) dengan memilih
derajat keanggotaan minimum. Sehingga diperoleh:
IF Suhu is Warm (2/3) AND Kelembapan is Dry (4/5) THEN Durasi is Long
(2/3)
IF Suhu is Warm (2/3) AND Kelembapan is Moist (1/5) THEN Durasi is
Medium (1/5)
IF Suhu is Hot (1/3) AND Kelembapan is Dry (4/5) THEN Durasi is Long
(1/3)
IF Suhu is Hot (1/3) AND Kelembapan is Moist (1/5) THEN Durasi is
Medium (1/5)

14

05-Jun-14

Contoh Kasus 2

Contoh Kasus 2

Gunakan aturan disjunction (v) dengan memilih

derajat keanggotaan maksimum dari nilai-nilai
linguistik Durasi:
Durasi is Long (2/3) v Durasi is Long (1/3) = Durasi is Long
(2/3)
Durasi is Medium (1/5) v Durasi is Medium (1/5) = Durasi
is Medium (1/5)
Sehingga kita memperoleh dua pernyataan: Durasi is Long
(2/3) dan Durasi is Medium (1/5).

Fuzzy set dari Durasi is Medium ditunjukkan oleh

area abu-abu.

Short

Medium

1/
5
0

20

Contoh Kasus 2

Medium

Short

20

28

40

48

90

Melakukan proses composition, yaitu agregasi

hasil Clipping dari semua aturan fuzzy sehingga
kita dapatkan satu fuzzy set tunggal.

Long

2/3

48

Proses defuzzyfication

Short

40

28

Durasi
(menit)

Contoh Kasus 2

Fuzzy set dari Durasi is Long ditunjukkan oleh area

abu-abu.

Long

90

Durasi
(menit)

Medium

Long

2/3
1/
5
0

20

28

40

48

90

Durasi
(menit)

15

05-Jun-14

Contoh Kasus 2

Contoh Kasus 2

Menggunakan Centroid method untuk proses

defuzzification.

Short

Medium

Long
Center of area

2/3
1/
5
0

20

28

40

48

90

Durasi
(menit)

Misalkan kita menentukan titik sembarang

pada area abu-abu tersebut: 24, 28, 32, 36,
40, 48, 60, 70, 80, dan 90.
Dengan menggunakan persamaan Centroid
Method:
(24 28 32 36 40)1 / 5 (48 60 70 80 90)2 / 3
y
1/ 5 1/ 5 1/ 5 1/ 5 1/ 5 2 / 3 2 / 3 2 / 3 2 / 3 2 / 3
32 232 310,4
y

60,97
4,33
4,33

Contoh Kasus 2
Jadi dengan menggunakan Model Mamdani,
untuk suhu udara 37C dan Kelembapan
Tanah 12%, maka sprinkle secara otomatis
akan menyiramkan air selama 60,97 menit.

16