1.

Dasar Logika Fuzzy

Materi :

Konsep Dasar
Algoritma Fuzzy
Operator Fuzzy

A. Konsep Dasar [1]

Teori klasik, himpunan = kumpulan elemen yang berhingga/takberhingga milik dari suatu himpunantertentu yg disbt semesta
pembicaraan
Elemen dr semesta pembicaraan dapat termasuk atau tidak
termasuk ke dalam himpunan A

B. Konsep Dasar [2]

Fungsi karakteristik yg bersifat Boolean/crisp atau tegas adalah fungsi takkontinu:

Sifat samar atau vagueness dpt dimasukkan ke dalam teori himpunan dgn
membuat fungsi karakteristik boleh bernilai tidak berhingga banyaknya di
antara nilai 0 dan nilai 1

Semesta pembicaraan X dgn elemen x:

C. Konsep Dasar [3]
Himp fuzzy A dlm semesta pembicaraan X adl himp pasangan
berurutan (kontinu & diskrit):

Fungsi keanggotaan A(x) adl pemetaan dari semesta pembicaraan ke

rentang tertutup [0, 1]:
Fungsi keanggotaan = ukuran sejauh mana elemen x termasuk ke dalam
himpunan A
D. Konsep Dasar [4]
Himp support A adalah himp bagian dr semesta pembicaraan X
dengan A(x) > 0
Contoh: Suhu air di titik tertentu dlm plant A Suhu dinyatakan sbg
bil bulat positif dlm [0, 100] Variabel fuzzy Low dipakai utk definisi
Himp ini menyatakan sejauh mana suhu dianggap rendah/Low
terhadap seluruh nilai yang mungkin Fungsi keanggotaan A(x)
memiliki nilai2 diskrit dlm satuan C yg dinyatakan dgn himpunan:
E. Konsep Dasar [5]

Atau secara lebih ringkas:

Lambang '+' menyatakan gabungan/union, bukan penambahan Lambang

menyatakan himpunan fuzzy, bukan integral dan Penjumlahan
F. Konsep Dasar [6]

G. Konsep Dasar [7]

Variabel fuzzy = variabel dgn nilai berupa label2 himp fuzzy
(linguistic values)
Contoh: TEMPERATURE adl variabel fuzzy dgn nilai Low, Medium,
Normal, High dan Very_High
Cara inilah yg umum dipergunakan operator utk merujuk var plant
terkait dgn nilai nominalnya
Hubungan di antara variabel fuzzy, nilai2 linguistik, nilai2
keanggotaan & semesta pembicaraan
H. Konsep Dasar [8]

I. Konsep Dasar [9]

Secara umum, variabel fuzzy dpt dinyatakan dgn memakai:

label/nilai linguistik Low, Medium, High operator penghubung
AND, OR, NOT hedges extremely, rather, quite, very
Contoh: Variabel TEMPERATURE dapat memiliki nilai-nilai High, NOT
High, rather_High, quite_High, NOT very_High, extremely_High

J. Konsep Dasar [10]

Ketergantungan suatu variabel fuzzy pada var fuzzy lainnya dapat
dinyatakan dgn memakai kalimat bersyarat (fuzzy conditional
statement):
atau
dgn kalimat fuzzy memiliki bentuk umum
Contoh:

2. Blok Diagram Fuzzy logic Control

Gambar 2. Blok Diagram Fuzzy Logic Control

3. Fuzzification

Gambar 3. Proses Fuzzification

Fuzzifikasi yaitu suatu proses untuk mengubah suatu masukan dari bentuk
tegas (crisp) menjadi fuzzy (variabel linguistik) yang biasanya disajikan
dalam bentuk himpunan-himpunan fuzzy dengan suatu fungsi
kenggotaannya masing-masing. Contoh dari proses Fuzzification adalah
seperti yang ditunjukkan di gambar 4. Sebuah sistem fuzzy untuk
mengukur suhu mempunyai 5 buah membership function yang
mempunyai label sangat dingin, dingin, hangat, panas, sangat panas.
Kemudian input yang diperoleh dari crisp input adalah 47 maka
pengambilan fuzzy input-nya adalah seperti pada gambar 4.

Gambar 4. Proses perubahan dari crisp input menjadi fuzzy input

Sehingga didapat 2 fuzzy input yang masing-masing adalah: dingin (x2)
dan hangat (x1). Nilai x1 dan x2 dapat dicari dengan rumus persamaan
garis. Yang menentukan sistem anda sensitif atau tidak adalah
membership function ini. Jika membership function-nya banyak maka
sistem anda menjadi sensitif. Yang dimaksud dengan sensitif dalam hal ini
adalah jika input-nya berubah sedikit saja maka sistem akan cepat
merespon dan menghasilkan suatu output lain. Output dari proses
fuzzification ini adalah sebuah nilai input fuzzy atau yang biasanya
dinamakan fuzzy input.

4. Fuzzy Membership

Jika X adalah suatu kumpulan obyek-obyek

elemen dari X. Maka

dan x adalah

himpunan fuzzy A yang memiliki domain X

didefinisikan sebagai:
(1)
dimana nilai

berada dalam rentang 0 hingga 1.

Terdapat dua cara yang lazim dalam merepresentasikan

himpunan fuzzy, yang dapat dilihat pada Gambar 1, yaitu :
1.

, jika X adalah merupakan koleksi objek diskrit.

2.

, jika X adalah merupakan koleksi objek kontinyu.

(a)

(b)

Gambar 1. Fungsi keanggotaan dengan semesta pembicaraan,

(a).diskrit, (b).kontinyu.

Fuzzy Membership Operation

Seperti pada himpunan klasik, himpunan fuzzy juga memiliki
operasi

himpunan

yang

sama

yaitu

gabungan

(union),

irisan

(intersection) dan komplemen. Sebelumnya akan didefinisikan dulu

mengenai himpunan bagian yang memiliki peranan penting dalam

himpunan fuzzy.

Union (Gabungan)
Gabungan dari dua buah himpunan fuzzy A dan B adalah

himpunan fuzzy C ditulis sebagai

fungsi

keanggotaan

yang

atau

berhubungan

, memiliki

dengan

dan

yang

didefinisikan sebagai berikut:

;
dengan

(2)

adalah operator biner untuk fungsi S dan biasa disebut

sebagai operator T-conorm atau S-norm, yang memiliki sifat-sifat

sebagai berikut:
S(1,1) = 1, S(0,a) = S(a,0) = a

(boundary);

S(a,b) S(c,d) jika a c dan b d (monotonicity);

S(a,b) = S(b,a)

(commutativity);

S(a,S(b,c)) = S(S(a,b),c)

(associativity).

Intersection (Irisan)
Irisan dari dua buah himpunan fuzzy A dan B adalah himpunan

fuzzy C dituliskan sebagai

atau

, memiliki fungsi

keanggotaan yang berhubungan dengan A dan B yang didefinisikan

sebagai berikut:
;
,
dengan

(3)

adalah operator bineri untuk fungsi T, yang biasa disebut

sebagai operator T-norm, yang memiliki sifat-sifat sebagai berikut:

T(0,0) = 0, T(a,1) = T(1,a) = a

(boundary);

T(a,b) T(c,d) jika a c dan b d (monotonicity);

T(a,b) = T(b,a)

(commutativity);

T(a,T(b,c)) = T(T(a,b),c)

(associativity).

Fuzzy Set Membership Function

Fungsi-fungsi keanggotaan fuzzy terparameterisasi satu dimensi
yang umum digunakan diantaranya adalah:
1.

Fungsi keanggotaan segitiga, disifati oleh parameter{a,b,c} yang

didefinisikan sebagai berikut:

(4)
bentuk yang lain dari persamaan di atas adalah

(5)
parameter {a,b,c} (dengan a<b<c) yang menentukan koordinat x dari
ketiga sudut segitiga tersebut, seperti terlihat pada Gambar 2(a).
2.

Fungsi keanggotaan trapesium, disifati oleh parameter{a,b,c,d}

yang didefinisikan sebagai berikut:

(6)
parameter {a,b,c,d} (dengan a<b<c<d) yang menentukan koordinat x
dari keempat sudut trapesium tersebut, seperti terlihat pada Gambar
2(b).
3.

Fungsi keanggotaan Gaussian, disifati oleh parameter {c,s} yang

didefinisikan sebagai berikut:

(7)

Fungsi keanggotaan Gauss ditentukan oleh parameter c dan s yang

menunjukan titik tengah dan lebar fungsi, seperti terlihat pada Gambar
2(c) .

Gambar 2. Kurva fungsi keanggotaan, (a).segitiga(x;20,50.80),

(b).trapesium (x;10,30,70,90), (c).gaussian(x;50,15), (d).bell(x;10,2,50),
(e).sigmoid (x;0.2,50) dan (f).sigmoid(x;-0.2,50).

4.

Fungsi keanggotaan generalized bell, disifati oleh parameter

{a,b,c} yang didefinisikan sebagai berikut:

(8)
parameter b selalu positif, supaya kurva menghadap kebawah, seperti
terlihat pada Gambar 2(d).
5.

Fungsi keanggotaan sigmoid, disifati oleh parameter {a,c} yang

didefinisikan sebagai berikut:

(9)
parameter a digunakan untuk menentukan kemiringan kurva pada saat
x = c. Polaritas dari a akan menentukan kurva itu kanan atau kiri
terbuka, seperti terlihat pada Gambar 2.(d) dan 2.(e).
Fuzzy IF-Then Rule
Kaidah fuzzy If-Then (dikenal juga sebagai kaidah fuzzy,
implikasi fuzzy atau pernyataan kondisi fuzzy) diasumsikan berbentuk:
Jika x adalah A maka y adalah B

(10)

Dengan A dan B adalah nilai linguistik yang dinyatakan dengan

himpunan fuzzy dalam semesta pembicaraan X dan Y. Sering kali x
adalah A disebut sebagai antecedent atau premise, sedangkan y
adalah B disebut consequence atau conclusion.
Kaidah fuzzy if-then jika x adalah A maka y adalah B sering
kali disingkat dalam bentuk AB yang merupakan suatu bentuk relasi
fuzzy biner R pada produk ruang X Y. Terdapat dua cara untuk
menyatakan AB, yaitu sebagai A coupled with B dan A entails B. Jika
dinyatakan sebagai A coupled with B maka didefinisikan sebagai
berikut:

dengan adalah operator T-norm. Sedangkan jika dinyatakan sebagai A

entails B maka didefinisikan sebagai berikut:
-

material implication:
;

(11)

propositional calculus:
;

(12)

extended propositional calculus:

;

(13)

generalization of modus ponens:

;

dengan R=AB dan

(14)

adalah operator T-norm.

Fuzzy Reasoning
Kaidah dasar dalam menarik kesimpulan dari dua nilai logika
tradisional adalah modus ponens, yaitu kesimpulan tentang nilai
kebenaran pada B diambil berdasarkan kebenaran pada A. Sebagai
contoh, jika A diidentifikasi dengan tomat itu merah dan B dengan
tomat itu masak, kemudian jika benar kalau tomat itu merah maka
tomat itu masak, juga benar. Konsep ini digambarkan sebagai berikut:
premise 1

x adalah A,

(kenyataan)
premise 2

jika x adalah A maka y

adalah B.
y adalah B.

(kaidah)
Consequence
(kesimpulan)

Secara umum dalam melakukan penalaran, modus ponens

digunakan dengan cara pendekatan. Sebagai contoh, jika ditemukan
suatu kaidah implikasi yang sama dengan jika tomat itu merah maka
tomat itu masak, misalnya tomat itu kurang lebih merah, maka
dapat disimpulkan tomat itu kurang lebih masak, hal ini dapat
dituliskan seperti berikut:

premise 1

x adalah A,

(kenyataan)
premise 2

jika x adalah A maka y

(kaidah)

adalah B.

Consequence

y adalah B.

(kesimpulan)
Dengan Aadalah dekat ke A dan Badalah dekat ke B. Ketika A, B, A
dan Badalah himpunan fuzzy dari semesta yang berhubungan, maka
penarikan kesimpulan seperti tersebut dinamakan penalaran dengan
pendekatan (approximate reasoning) yang disebut juga dengan
generalized modus ponens (GMP).
Untuk mendefinisikan penalaran fuzzy, dimisalkan A, A dan B
adalah himpunan fuzzy dari X, X dan Y, dengan AB adalah suatu relasi
R pada XY. Kemudian himpunan fuzzy B diinduksikan oleh x adalah A
dan kaidah fuzzy jika x adalah A maka y adalah B didefinisikan
sebagai berikut:

(15)
atau sama dengan
(16)

Kaidah Tunggal dengan Antecedent Tunggal

Kaidah tunggal dengan antecedent tunggal merupakan contoh

yang paling sederhana dari formula pada Persamaan (15) dan setelah
disederhanakan, Persamaan (15) menghasilkan persamaan berikut:

(17)
dengan persamaan ini, terlebih dahulu dicari nilai maksimum dari
(daerah warna gelap pada bagian antecedent pada
Gambar 3), selanjutnya fungsi keanggotaan B adalah bagian warna
gelap pada Gambar 3 yang merupakan fungsi keanggotaan B yang
terpotong oleh w.

Gambar 3. Penjelasan secara grafis dari GMP menggunakan implikasi

Mamdani dan komposisi max-min.

Kaidah Tunggal dengan Antecedent Jamak

Kaidah fuzzy if-then dengan dua antecedent, biasanya ditulis

sebagai jika x adalah A dan Y adalah B maka z adalah C. Masalah

yang berhubungan dengan GMP dijelaskan dengan:
premise 1

x adalah A dan y adalah

(kenyataan)
premise 2

B,
jika x adalah A dan y

(kaidah)
Consequence

adalah B maka z adalah C.

z adalah C.

(kesimpulan)
Kaidah fuzzy pada premise 2 dapat dibawa ke bentuk sederhana
yaitu ABC yang kemudian dapat diubah menjadi relasi fuzzy
ternary Rm, berdasarkan fungsi implikasi Mamdani yaitu:
(18)
C yang dihasilkan dapat dinyatakan sebagai
sehingga

(19)

dimana w1 dan w2 adalah nilai maksimum dari fungsi keanggotaan A

A dan

B B. Secara umum w1 adalah merupakan derajat

kompatibilitas antara A dan A, demikian juga dengan w2. Karena bagian

antecedent pada kaidah fuzzy dibangun dengan penghubung and,
maka w1w2 disebut firing strength atau derajat pencapaian dari kaidah
fuzzy, yang menggambarkan derajat pencapaian dari kaidah untuk
bagian antecedent. Secara grafis, proses ini ditunjukan oleh Gambar 4,
dimana MF yang dihasilkan yaitu C adalah sama dengan MF C yang
dipotong oleh firing strength w.

Gambar 4. Aproximate reasoning untuk antecedent jamak.

Kaidah Jamak dengan Antecedent Jamak

Untuk menjelaskan kaidah jamak, biasanya menganggap

sebagai gabungan dari relasi fuzzy yang berhubungan dengan kaidah

fuzzy. Karena itu, permasalahan GMP dituliskan sebagai:
premise 1
(kenyataan)
premise 2 (kaidah

x adalah A dan y adalah

B,
jika x adalah A1 dan y

1)

adalah B1 maka z adalah

Premise 3 (kaidah 2)

C1 .
jika x adalah A2 dan y

adalah B2 maka z adalah

C2 .

Consequence

z adalah C.

(kesimpulan)
Proses di atas secara grafis dijelaskan pada Gambar II.6.

Gambar 5. Penalaran fuzzy untuk kaidah jamak dengan antecedent

jamak.
Proses di atas dapat dibuktikan dengan menggunakan dua buah
relasi R1= A1B1C1 dan R2= A2B2C2, karena operator

adalah

bersifat distributif terhadap operator , maka selanjutnya gabungan

dari dua relasi tersebut menjadi

(20)
dimana

dan

adalah kesimpulan fuzzy dari kaidah 1 dan 2.

5. Peraturan berbasis sistem (Rule-based systems)

Dalam ilmu komputer , sistem berbasis aturan digunakan sebagai cara
untuk menyimpan dan memanipulasi pengetahuan untuk
menginterpretasikan informasi dalam cara yang bermanfaat. Mereka
sering digunakan dalam kecerdasan buatan aplikasi dan penelitian.
Aplikasi
Sebuah contoh klasik dari sistem berbasis aturan adalah domain-spesifik
sistem pakar yang menggunakan aturan-aturan untuk membuat
pemotongan atau pilihan. Sebagai contoh, sistem pakar mungkin dapat
membantu dokter memilih diagnosis yang benar berdasarkan sekelompok
gejala, atau bergerak taktis memilih untuk memainkan game.
Sistem berbasis Peraturan dapat digunakan untuk melakukan analisis
leksikal untuk mengkompilasi atau menafsirkan program komputer, atau
dalam pemrosesan bahasa alami .
Pemrograman berbasis aturan upaya untuk mendapatkan petunjuk
pelaksanaan dari mulai set data dan aturan, yang merupakan metode
tidak langsung lebih dari menggunakan bahasa pemrograman imperatif
yang berisi langkah-langkah pelaksanaan tedeng aling-aling.
Konstruksi
Sebuah sistem berbasis aturan khas memiliki empat komponen dasar:

[1]

Daftar aturan atau peraturan dasar, yang merupakan jenis spesifik

dari basis pengetahuan .
Sebuah mesin inferensi atau Reasoner semantik , yang
menyimpulkan informasi atau mengambil tindakan berdasarkan
interaksi antara masukan dan peraturan dasar. Penerjemah
menjalankan program sistem produksi dengan melakukan siklus
mengenali-tindakan berikut :

Pada tahap pertama, sisi kiri semua produksi yang cocok dengan isi
memori kerja. Sebagai hasil serangkaian konflik diperoleh, yang terdiri
dari instantiations semua, produksi puas. Sebuah Instansiasi produksi
adalah daftar ordered kerja unsur-unsur memori yang memenuhi sisi kiri
produksi.
Konflik-Resolusi: Dalam fase kedua, salah satu instantiations produksi di
set konflik dipilih untuk eksekusi. Jika tidak ada produksi puas, yang
menghentikan penerjemah.

Act: Pada tahap ketiga, tindakan produksi yang dipilih dalam tahap
resolusi konflik dijalankan, tindakan ini dapat mengubah isi memori kerja,
Pada akhir tahap ini, tahap pertama dijalankan lagi.

Sementara memori kerja .

koneksi lainnya ke dunia luar di mana sinyal input dan output yang
diterima dan dikirim.

Gambar 5. Diagram blok proses Rule Evaluation

6. Defuzzifikasi
Contoh: model penawaran harga
Animasi berikut ini menggambarkan inferensi fuzzy dan defuzzifikasi
untuk model harga penawaran.
Klik pada tombol radio untuk mengetahui sifat dari metode defuzzifikasi
tertentu.