L O G I K A F U Z Z Y

L O G I K A K A B U R
L O G I K A S A M A R

lts05

PENDAHULUAN
Dalam kehidupan sehari hari, kita menggunakan istilah istilah linguistik
kualitatif (non-kuantitatif), samar-samar, kabur, non-eksak seperti
dia akan datang kira-kira jam 2
uangnya tinggal sedikit
gulanya hampir habis
untuk penalaran atau pengambilan keputusan.
beli gula kg di toko A yg
lokasinya agak jauh tapi
harga2nya lebih murah

waktu kedatangan
uang di saku
persediaan gula

lts05

si A

diagnosis

keluhan
pasien

Dokter

suhu

suara mesin

Operator
mesin

tombol1
tombol2

Penalaran atau pengambilan keputusan berdasarkan fakta

fakta yang non-eksak atau samar ini merupakan keseharian
manusia.
lts05

Bandingkan dengan ini !

suhu
putaran motor

lts05

x
y

Sistem
pengambilan
keputusan

z1

z2

10

50

160

500

12

100

312

1200

15

60

195

900

z1 = x + 3 y
pengatur suhu
pengatur putaran
z2 = x y

membutuhkan fakta numeris

x dan y yang eksak
=
penalaran (pengambilan
keputusan) secara eksak

Logika Fuzzy
Logika Fuzzy diperkenalkan oleh Zadeh (1965) untuk
formalisasi matematis proses penalaran atau
pengambilan keputusan berdasarkan fakta fakta yang
non-eksak atau kualitatif.
Penalaran seperti itu disebut penalaran secara
pendekatan (non-eksak), dengan unsur toleransi
terhadap kekaburan, ketidak-tepatan (imprecision),
ketidakpastian (uncertainty)
Dalam sistem konvensional (non-fuzzy), penalaran atau
pengambilan keputusan dilakukan berdasarkan
ketepatan dan kepastian, menggunakan logika tajam
(logika benar atau salah).
lts05

Penalaran tajam
semua laki laki kuat
budi seorang laki-laki
(jadi) budi itu kuat

Penalaran pendekatan
kebanyakan laki laki kuat
budi seorang laki laki
(jadi) budi itu kemungkinan kuat

lts05

Aplikasi Logika fuzzy

Pemodelan sistem pengambilan keputusan, sistem penalaran,
atau sistem komputasi untuk masalah masalah yang
tidak-dapat /sulit didefinisikan secara eksak berdasarkan
angka angka saja.
Logika fuzzy memungkinkan digunakannya istilah istilah
(kualitatif) dalam proses pengambilan keputusan
Diagnosa Medis
Analisis Pasar Modal
Peramalan Cuaca
Analisis Ekonomi
lts05

Diagnosis Mesin

HIMPUNAN TAJAM VS HIMPUNAN FUZZY

Pada logika tajam, keanggotaan sebuah obyek dalam sebuah

himpunan hanya bisa mempunyai dua kemungkinan :
(1) Anggota himpunan
(derajat keanggotaan = 1)
(2) Bukan anggota himpunan (derajat keanggotaan = 0)
himpunan
hitam

himpunan
putih
0 1

(a) Logika tajam

putih : 0 < x < 4
hitam : 4 < x < 8

x
8

x
0

(b) Logika Fuzzy

x = 5 ???

x = 5 adalah anggota himpunan hitam, dengan derajat keanggotaan =1 dalam himpunan hitam dan derajat keanggotaan = 0
lts05
dalam himpunan putih.

Dalam logika fuzzy, derajat keanggotaan sebuah obyek dalam

sebuah himpunan dapat bernilai 0 sampai dengan 1.
fungsi keanggotaan
putih

fungsi keanggotaan
hitam

0,8
0,2
x
0

x=5
Dalam himpunan putih, x = 5 mempunyai derajat keanggotaan 0,2
lts05
Dalam
himpunan hitam, x = 5 mempunyai derajat keanggotaan 0,89

Contoh : Himpunan orang orang yang tinggi

tinggi

tidak tinggi

lts05

10

Konversi nilai ujian,

Nilai
angka
huruf

angka huruf

10%

B
20%
Himpunan A,
Himpunan B,
Himpunan C,
Himpunan D,
Himpunan E,
adalah himpunanhimpunan tajam

70,0
69,8
C

E
lts05

40%

20%
10%
11

HIMPUNAN FUZZY

Sumbu x merepresentasikan universe of discourse X range

harga- harga x untuk himpunan fuzzy tertentu.
Contoh : X adalah suhu, x adalah oC, himpunan fuzzynya adalah
panas
Sumbu y merepresentasikan derajat keanggotaan dalam
himpunan
Derajat keanggotaan (x)

fungsi keanggotaan
himpunan tajam panas
panas

dingin
fungsi keanggo
taan himpunan
fuzzy dingin
lts05

fungsi keanggotaan
himpunan fuzzy panas
suhu
o
C
12

 Fungsi keanggotaan

(x) memetakan setiap harga x ke derajat-

keanggotaan yang nilainya 0 s/d 1, untuk himpunan fuzzy A .

Himpunan fuzzy A
(harga linguistik)

dinyatakan sebagai :

universe
derajat keanggotaan
elemen himpunan
(variabel linguistik)
atau

A = { (x1 , A(x1)) , (x2 , A(x2)) , . . . (xn , A(xn)) }

untuk himpunan fuzzy A yang beranggotakan n elemen.
Contoh : {(35 , 1), (36 , 0.5), (37, 0)} atau
lts05

{(1/35) , (0.5/36) , (0/37)}

13

Elemen-elemen (anggota) himpunan fuzzy

Berdasarkan tipenya : (a) Elemen elemen kontinu

(x)
1

normal
0 36

37

38

Contoh :
Himpunan suhu-tubuh-normal
dalam semesta suhu-tubuh
(X = suhu tubuh, dalam oC).
X
Suhu-tubuh adalah variabel
kontinu

(x)
Himpunan tinggi-badan-ideal, dalam
semesta tinggi-badan (X), dengan
elemen elemen x eX.
Tinggi-badan adalah variabel
kontinu
X

tinggi
ideal
0
lts05

140

170

190

14

(b)

Elemen elemen diskrit .

(x)
Contoh :
Himpunan jumlah-anak ideal,
dalam semesta jumlah-anak.
Jumlah anak adalah variabel
diskrit.

X
0

(x)
1

Himpunan kota dengan tingkat

polusi rendah, dalam semesta
nama-kota.
X

lts05

yk mgl

tmg sltg amb smg

Nama-kota adalah variabel diskrit

15

Notasi untuk himpunan fuzzy :

A = {( x, A(x)| x e X }
Himpunan fuzzy A beranggotakan elemen elemen x dalam
universe X, dan derajat keanggotaan A(x).
A(x)

A(x)

0,6

0,6
1

x=a

Bila X adalah universe kontinyu,

maka notasinya :

A=

A(x)/x

X
x=a
Bila X adalah universe diskrit,
maka notasinya :

A = xi eX A(x)/xi

lts05 integral dan penjumlahan hanya sebagai simbol (bukan operator)

16
tanda

 A (x1 ) A (x 2 )
A (x n )
A

x1
x2
xn

A ( x)
A
x
lts05

17

Contoh :
Bila A adalah himpunan Jumlah-anak-ideal (universe diskrit), maka
himpunannya dapat dituliskan sbb.
elemen-elemen x
A = 0 / 0 + 1 / 0,4 + 2 / 1 + 3 / 0,8 + 4 / 0,4 + 5 / 0,3 bukan
operasi
penjumlahan !
derajat keanggotaan
Bila A adalah suhu (universe kontinu), maka himpunannya dapat
dituliskan sbb.
A=

1 / (1 + ( | (x-c) / |2b ) )

lts05 fungsi

/x

bukan operasi
pengintegralan !

keanggotaan (misal fungsi Bell)

18

low

normal

strong fever

raised

0,9

Temp
C

0,1
0
36

37

38

39

40

41

42

43

Himpunan himpunan fuzzy :

low = {(1 , 35) , (1 , 36) , (0 , 37)}

normal = {(0 , 36) , (1 , 36.8) , (0 , 37.3)}

raised = {(0 , 37) , (1 , 37.8) , (0.9 , 38) , (0 , 39.2)}

strong fever = {(0 , 37.5) , (0.5 , 39.5) , (0.9 , 41)}

Derajat keanggotaan 38 Co dalam himpunan raised temperature

adalah 0.9 dan dalam himpunan strong fever adalah 0.1, dan pada
himpunan yang lain adalah 0.
lts05
19

Contoh :

output = 1 variabel fuzzy

(Gear
Number)

input = 4 variabel fuzzy (4 universe)

lts05

20

Himpunan-himpunan fuzzy dalam universe Throttle

dengan fungsi keanggotaan segitiga dan trapesium

lts05

21

Himpunan-himpunan fuzzy dalam universe Vehicle-speed

dengan fungsi keanggotaan segitiga dan trapesium

lts05

22

Himpunan-himpunan fuzzy dalam universeEngine-speed

dengan fungsi keanggotaan trapesium

lts05

23

Himpunan-himpunan fuzzy dalam universeEngine-load

dengan fungsi keanggotaan segitiga dan trapesium

lts05

24

Himpunan-himpunan fuzzy dalam universe Shift

dengan fungsi keanggotaan singleton

lts05

25

FUNGSI KEANGGOTAAN
Tipe tipe fungsi keanggotaan
1. Fungsi segitiga
Fungsi ini merupakan fungsi keanggotaan yang paling
sederhana.
Didiskripsikan dengan tiga parameter,

P = [ a, b, c ] ,
a : proyeksi titik sudut
paling kiri ke sumbu
mendatar,
b : proyeksi titik puncak
ke sumbu mendatar,
c : proyeksi titik sudut
paling kanan ke
sumbu mendatar,
lts05

26

2) Fungsi trapesoid
Dengan empat
parameter

P = [a, b, c, d],
a, b, c dan d adalah
proyeksi titik titik
sudut trapesium pada
sumbu mendatar

P = [ 1, 5, 7, 8 ]
Slope b/2a

3) Fungsi Bell umum,

P = [a, b, c]
P = [ 2, 4, 6 ]
lts05

27

c-a

c+a

4) Fungsi Gaussian
Fungsi ini mempunyai
dua parameter

P = [c, ]
P = [2, 5]

Fungsi Gaussian dan Bell

mempunyai kurve yang
halus, tetapi tidak dapat
digunakan untuk
fungsi keanggotaan
yang asimetris.

5) Fungsi Sigmoid

P = [a, b ]
P = [2, 5]
lts05

28

Fungsi segitiga :
(x)
Fungsi trapesoida :
(x)
Fungsi Gausian :
(x)
Fungsi Bell umum :
(x)
a
Fungsi sigmoid :
lts05

(x)

29

Operasi2 Dasar Himpunan Fuzzy

Equality

A=B
A (x) = B (x)

A
A (x) = 1 - A(x)

untuk seluruh x X

Containment
AB
A (x) B (x)

xX

Complement

untuk seluruh

untuk seluruh x X

Union
A B
A B (x) = max( A (x), B (x))

untuk seluruh x X

Intersection
AB
lts05
A B (x) = min( A (x), B (x))

30

untuk seluruh x X

A = (1-0.5) = 0.5

A=0.5,

B=0.8
AB

0,5
A

0,8
0,5

AB
0,8

A V B = max(0.5, 0.8) = 0.8

0,5
A ^ B = min(0.5, 0.7) = 0.5
lts05

31

lts05

32

Operasi AND, OR dan NOT pada logika tajam biner

min(A,B)
A

A or B

not A

lts05

A and B

1-A

max(A,B)

33

EKSTENSI SILINDRIS
(a) Himpunan fuzzy A

(b) Ekstensi silindris himpunan A

Himpunan A terletak dalam universe X (gambar a).

Ekstensi silindris himpunan A sepanjang universe Y membentuk
himpunan baru R dengan fungsi keanggotaan 2-dimensi (gambar b),
lts05

R(A) = IXxY A(x)/(x, y)

34

Fungsi keanggotaan 2-dimensi

adalah fungsi keanggotaan sebuah himpunan yang terletak dalam
dua universe X dan Y (disebut product space dua dimensi X x Y).
Derajat keanggotaan elemen elemennya adalah R(x, y)
Contoh : Himpunan fuzzy
Keadaan-ideal,
dalam dua universe kontinu
X : 0, . . . , 100oC
(suhu)
Y : 0, . . . ,100 rpm (kecepatan)
Kombinasi yang 100% ideal
adalah,
suhu = 60oC dan
kecepatan = 75 rpm
R(60, 75) = 1

lts05

Selain kombinasi ideal tersebut,

nilai derajat keanggotaannya
adalah
0 < R(suhu, kecepatan) < 1 35

PROYEKSI FUNGSI KEANGGOTAAN 2-DIMENSI

R(x, y)

R ( x, y )

Proyeksi R(x, y)
ke bidang x

A( x)
max R ( x , y )
y

lts05

Proyeksi R(x, y)
ke bidang y

B( y)
max R ( x , y )
x

36

Fungsi keanggotaan 2-dimensi terbentuk dengan menggabungkan ekstensisilindris dua himpunan fuzzy dari dua universe.
Penggabungan dapat melalui operator AND (T-norm) atau OR (T-conorm).
Derajat keanggotaan untuk fungsi keanggotaan 2-dimensi tersebut adalah
R(x,y) = min [ A(x), B(y) ] untuk operasi penggabungan AND
R(x,y) = max [ A(x), B(y) ] untuk operasi penggabungan OR

Contoh :
- Ekstensi silindris
1. dua fungsi trapesoid
2. dua fungsi Bell
(a)

(c)

Penggabungan
T-co-norm :
Gambar (a) dan (b)
T norm :
Gambar (c) dan (d) 37

lts05

(b)

(d)

- EKSTENSI
Ekstensi adalah pemetaan sebuah himpunan fuzzy A dalam universe X
ke universe Y, hasilnya adalah himpunan fuzzy baru B dalam universe Y.

A A ( x1 ) / x1 A ( x2 ) / x2 A ( x n ) / x n
f(x)

B B ( x1 ) / y1 B ( x2 ) / y2 B ( x n ) / y n
yi = f(xi) adalah fungsi pemetaan , untuk i = 1, , n.
Untuk pemetaan many-to-one (beberapa harga x dipetakan ke satu nilai y),
derajat keanggotaan himpunan B :
pemetaan f

B ( y ) max A ( x )
x f

( y)

Contoh :
Ekstensi himpunan fuzzy A dalam
A
universe diskrit.
B(q) = max [ A(a), A(d), A(e) ]
B(p) = A(b)
lts05 B(r) = A(c)

x
a
b
c
d
e

y
p

q
r
38

Contoh untuk ekstensi himpunan fuzzy dengan universe kontinu :

Bila A(x) = bell (x ; 1,5 , 2, 0,5)

(x 1)2 1, untuk x > 0

dan fungsi pemetaan

f(x) =

x,
maka

A(x)

3
2
1
y 0
-1
-2
-3

y = f(x)

-2

untuk x < 0
3
2
1
y 0
-1
-2
-3
0

0,5

B(y)

1
0,8
0,6
0,4
0,2

B(0)=max [1 , 0.6]
B(-1)=max [1 , 1]

lts050,6

-2

39

Definisi umum Ekstensi :

Bila f adalah fungsi pemetaan dari product-space n-dimensi X1 x X2 x . . . Xn
ke universe Y, sehingga f(x1, x2, ,xn) = y , maka akan terbentuk himpunan
fuzzy baru B di universe Y yang beranggotakan y = f(x1, x2, ... ,xn)
Bila xi adalah elemen himpunan fuzzy Ai dalam universe Xi , dengan
derajat keanggotaan Ai(xi), maka derajat keanggotaan elemen y dalam
himpunan fuzzy B adalah

B(y) = max [ min ( A1 (x1) , A2(x2) , . . . , An(xn) ) ]

Contoh : Untuk product space 2-dimensi
X1 x X2

X1xX2(x1,x2)
A1

A2

A2( x2a)
x1a
lts05

X2

A1( x1a)
X1

(a) Derajat keanggotaan

elemen
pada product space.

X1xX2( x1a , x2a ) =

min [ A1( x1a) ,

x2a
(a)

A2( x2a) ]

40

(b) Pemetaan dari product space X1 x X2 ke universe Y

X1 x X2

pemetaan
f(.)

yp = f( x ,x )
2c
1c

x1a ,x2a
elemen
elemen
dalam
product
space

x1c ,x2c

X1 x X2

x1d ,x2d

Derajat keanggotaan
himpunan B
hasil pemetan.

y (yp) = X1xX2( x1c ,x2c )

x1b ,x2b

yq = f( x ,x ) = f( x ,x )
2a
2b
1a
1b
= f( x1d ,x2d)

y (yq) = max [ X1xX2( x1a ,x2a ) ,

(b)

lts05

X1xX2( x1b ,x2b ) ,

X1xX2( x1d ,x2d ) 41]

RELASI FUZZY
-

Relasi fuzzy R menyatakan hubungan antar himpunan himpunan .

Contoh : Bila X dan Y adalah dua himpunan, maka himpunan R
dalam product space X x Y adalah relasi dari X ke Y.

Bila X = Y, maka R disebut relasi biner pada X.

Bila himpunan himpunan tersebut berasal dari n-universe yang

berbeda, maka R adalah himpunan fuzzy dalam product space
n-dimensi, dengan fungsi keanggotaan n-dimensi.

Relasi R memetakan setiap elemen dalam product space ke

harga derajat keanggotaan antara 0 dan 1.

Untuk relasi dua himpunan fuzzy dalam universe X dan Y (n = 2),

R {(( x , y ), R ( x , y ))|( x , y ) X Y}
lts05

42

Contoh (a) :
Dua himpunan
Misalkan :
di Universe

X: {1, 12, 25} dan Y: {3, 10, 20}

Keuntungan

Kerugian

Dengan relasi
R: x jauh lebih kecil dari y,
maka relasi R adalah himpunan dengan pasangan pasangan x, y
sebagai anggotanya, dengan derajat keanggotaan

R(x,y) yang

menunjukkan derajat kebenaran relasi tersebut.

Matriks relasi :
y
x

lts05

3
0,4

10
0,6

20
1

12

0,5

25

derajat keanggotaan
R (1,20) = 1

x<y
x>y

43

(b) Bila A adalah himpunan fuzzy di universe X dan B adalah

himpunan fuzzy di universe Y. Maka cartesian product antar
kedua himpunan adalah relasi R:

A B R

0 . 2 0 .5

A
,
x1 x2

0 .1 0 .9

y1 y 2

Dengan derajat keanggotaan

R x, y A B x, y min A x , B y
0.1 0.2
A B R
=

0.1 0.5
lts05

A B(x1,y1)
A B(x2,y1)
x

A B(x1,y2)
A B(x2,y2)44
x

Contoh (c) :
R adalah relasi asosiatif antara warna dan kematangan buah
(misalnya buah tomat),
X adalah himpunan dalam universe warna,
Y adalah himpunan dalam universe kematangan.
X: { hijau kuning merah}

Y: {mentah sedang matang},

maka R adalah himpunan asosiasi yang benar.

Matriks relasi asosiatifnya :
y

mentah sedang matang

lts05

hijau

0,5

kuning

0,3

0,4

merah

0,2

1
45

Contoh (d) :
X dan Y adalah dua himpunan yang sama.
Relasi R: x mirip y

Matriks relasinya :

lts05

46

Dua himpunan

X: {1, 12, 25, 5}

Keuntungan
barang A

Matriks relasi

dan

Y: {3, 10, 20, 20}

Kerugian
barang B

R: Untung,

10

20

20

1
12
25
5

lts05

47

KOMPOSISI
Komposisi adalah operasi terhadap relasi relasi fuzzy
R1 o R2
simbol komposisi
Misal, R1 adalah relasi yang didefinisikan dalam product-space X

dan R2 adalah relasi yang didefinisikan dalam product-space Y

Z.

Hasil komposisi R1 o R2 , adalah sebuah himpunan fuzzy yang anggotanya

adalah pasangan-pasangan (x, z), dan derajat keanggotaannya dapat dihitung
berdasarkan :

Komposisi max-min

R R ( x , z ) [ R ( x , y ) R ( y , z )]
1

simbol komposisi
lts05

operasi
max

operasi
min

48

T Komposisi relasi R dan relasi SS

Max-Min Composition:

T ( x, z ) ( R ( x, y ) S ( y, z ))
yY

Max-Product Composition:
lts05

T ( x, z ) ( R ( x, y ) S ( y, z ))
yY

49

 Komposisi max-product

R R ( x , z ) [ R ( x , y ) R ( y , z )]
1

operasi
perkalian

operasi
max

Catatan : Ada banyak cara perhitungan derajat keanggotaan hasil komposisi

Contoh : Himpunan fuzzy X = { a, b, c }

Himpunan fuzzy Y = { d, e, f, g }
Himpunan fuzzy Z = { p, q }

relasi R1
relasi R2

R1

R2

0,6

0,2

0,1

0,3

0.1

0,7

0,9

0,6

0,2

0,8

0,3

0,2

0,7

0,4

0.1

0,1

lts05

50

R1 o R2 = { (a,p), (a,q), (b,p), (b,q), (c,p), (c,q) } ,

dengan derajat keanggotaan :

R2 (e,p) ) = ( 0,2

R2 (f,p) ) = ( 0,1

R2 (g,p) ) = ( 0

R1 R2 (b,p) = Vy ( R1(b,y)

R1 R2 (b,q) = Vy ( R1(b,y)
R1 R2 (c,p) = Vy ( R1(c,y)

R2 (y,q) ) = . . .
R2 (y,p) ) = . . .

R2 (y,q) ) = . . .

0,3) = 0,3

max

0,6) = 0,2

0,7) = 0,1

0,1 ) = 0

R2 (y,q) ) = . . . Komposisi Max-min

R2 (y,p) ) = . . .

R1 R2 (c,q) = Vy ( R1(c,y)

lts05

R1 R2 (a,q) = Vy ( R1(a,y)

( R1(a,g)

( R1(a,f)

R2 (d,p) ) = ( 0,6

( R1(a,e)

( R1(a,d)

R2 (y,p) ) = 0,3
V

R1 R2 (a,p) = Vy ( R1(a,y)

51

Contoh Komposisi Max-Min :

T ( x, z ) ( R ( x, y ) S ( y , z ))
yY

y1

x1 1
R x2 0
x3 0

y2

0
0
0

y3

1
0
0

z1

y4

y1
y2
S
y3
y4

0
1
0

0
0

z2

1
0

1
0

AND
OR

AND

x1

(0,0,0,0) (1,0,1,0)
x2

(
0
,
0
,
0
,
0
)
(
0
,
0
,
0
,
0
)

x3
(0,0,0,0) (0,0,0,0)
lts05

z1

z2

0 1

T 0 0
0 0

Bila x1 memiliki
relasi dengan y3
dan y3 memiliki
relasi dengan z2,
maka x1 memiliki
relasi dengan z2 52

y1

y2

y3

0. 5

0 .4

R = x2

0 .8

x3

x1

Komposisi Max-Min :

z1

y4

y1

0
y2
0

S
y3
0
y4
0

z2

0.3
0

1
0

T ( x, z ) ( R ( x, y ) S ( y , z ))
yY

(0,0,0,0) (0.3,0,0.4,0)
(0,0,0,0) (0,0,0,0)

(0,0,0,0) (0,0,0,0)
z1

z2

0 0.4

T 0 0
lts05
0 0

x1
x2
x3

Bila x1 memiliki relasi dengan {y1, y2,

y3, y4} dengan derajat keanggotaan
{0.5, 0, 0.4, 0} dan y memiliki relasi
dengan z2 dengan derajat
keanggotaan {0.3, 0, 1, 0}, mk relasi
antara x1 dan z2 adalah max
(min(0.5, 0.3), min(0,0), min(0.4,1),
min(0,0)) = max (0.3, 0, 0.4, 0)
53

x1

y1

R x2 0

x3 0

y4

y2

y3

y1

y2
S
y3

y4

Max-Min Composition:

T ( x, z ) ( R ( x, y ) S ( y, z ))
yY

(0,0,0,0) (1,0,0,0)
(0,0,0,0) (0,0,0,0)

(0,0,0,0) (0,0,0,0)
lts05

0
T 0

z1

0
0
0
0

Bila x1
y3 dan
dengan
terkait

z2

1
0

1
0

terkait dengan
y3 terkait
z2 maka x1
dengan z2

1
0

0
54

y1

x1 0 .5
R x2 0

x3 0

y3

y4

0.4

0
0.8

y2

Max-Min Composition:

T ( x, z ) ( R ( x, y ) S ( y, z ))
yY

(0,0,0,0) (0.3,0,0.4,0)
(0,0,0,0) (0,0,0,0)
(0,0,0,0)
lts05

(0,0,0,0)

z1

y1 0

y2 0
S
y3 0

y4 0

0.3
0

1
0
z2

Bila x1 terkait dengan {y1, y2, y3, y4}

dengan derajat {0.5, 0, 0.4, 0} dan
masing masing y tersebut terkait dengan
z2 dengan derajat {0.3, 0, 1, 0} maka x1
terkait dengan z2 dengan derajat
keanggotaan =

0 0.3
T 0 0

0 0

max (min(0.5, 0.3), min(0,0),

min(0.4,1), min(0,0))
= (0.3, 0, 0.4, 0)

55

VARIABEL LINGUISTIK
Variabel linguistik vs variabel numeris
Variabel numeris

Harga numeris

x = 60 tahun
Variabel linguistik

Harga linguistik (= istilah)

x adalah tua

...(umur)

...

muda

agak-tua

tua

tua-sekali
umur

Harga harga linguistik membentuk sebuah himpunan istilah (term)

lts05

T(umur) : { . . . ,muda , agak-tua , tua , tua sekali . . . }

56

OPERASI OPERASI TERHADAP HARGA (istilah) LINGUISTIK

Operasi operasi ini akan mengubah harga linguistik dasar untuk
mendapatkan harga (istilah) linguistik baru.
Disini akan terjadi perubahan bentuk fungsi keanggotaan dasar.
Contoh : harga linguistik dasar : muda
harga linguistik baru : sangat-muda , agak-muda,
tidak-muda, kurang-lebih-muda

Jenis operasi perubah (modifier atau hedge) :

- Operasi Konsentrasi
CON(A) : Ak =
- Operasi Dilasi

k
DIL(A) : A =

[ A(x)] k / x , k = integer

[ A(x)] k / x , k = pecahan positif

- Operasi NOT
lts05

57

Contoh

Panas

modifier
(A(x))2

agak
optimal
(( A(x))1/2

Sangat
Panas

optimal

Contoh : Bila muda = bell(x: 20, 2, 0) =

dan tua = bell(x: 30, 3, 100) =

4
{1/(1
+
(x/20)
} /x
X

1/{1 + ((x 100)/30)6 } / x,

maka
- lebih kurang muda = DIL(muda) = muda 0,5 =
lts05

1/(1 + (x/20)2 / x
58

FUZZY INFERENCE SYSTEM (sistem pengambil kesimpulam fuzzy)

fuzzy
Fuzzifikasi
tajam

Himp.1

Aturan 1

Himp.2

Aturan 2

Himp.N

fuzzy

tajam

Defuzzifikasi

Aturan K

agregasi

lts05

59

DEFUZZIFIKASI
mengubah harga fuzzy ke harga tajam
1. Metode Centroid
Untuk fungsi keanggotaan kontinu :

pengintegralan
Untuk fungsi kenggotaan diskrit :
yout

y
penjumlahan
lts05

60

2. Metode Maxima Decomposition

y tajam adalah y yang derajat keanggotaannya maksimum

yout
3. Center of Maxima
Dicari dua dataran tertinggi,
titik tengah diantara garis
yang menghubungkan dua
pusat dataran tersebut adalah nilai yout yang dicari
lts05

yout

61

lts05

62

ATURAN FUZZY If Then (atau implikasi fuzzy)

if x is A then y is B
premis
(antecedent)

simbol

AB

konklusi
(consequence)

- Sebuah aturan if-then didefinisikan sebagai relasi fuzzy R dalam sebuah

product space .
R:

if x is A then y is B

-Sebuah aturan fuzzy if then menunjukkan relasi antara himpunan himpunan

fuzzy pada bagian antecedent dan bagian consequence.
- Relasi tersebut merupakan himpunan dengan fungsi keanggotaan
AB (x,y) = min [ A(x), B(y) ]
Contoh : - if pressure is high then volume is small
Relasi pressure dan volume dalam product space Pressure x Volume
- if a tomato is red then it is ripe
Relasi asosiatif antara warna-tomat dengan kematangan dalam
product space Warna x Kematangan
lts05
63

PENALARAN FUZZY (FUZZY REASONING)

Penalaran fuzzy (dikenal sebagai penalaran pendekatan) adalah prosedur
pengambilan kesimpulan berdasarkan 1 set aturan fuzzy dan fakta yang
diketahui.
Disini kita menyimpulkan kebenaran consequence berdasarkan kebenaran
antecedent
aturan fuzzy :
if x is A then y is B
fakta
:
x is A
kesimpulan :
y is B
Penalaran pendekatan :
aturan fuzzy :
if x is A then y is B
fakta
:
x is A* (A* adalah himpunan yang dekat dengan A)
kesimpulan :
y is B* (B* adalah himpunan yang dekat dengan B)
Misalkan A dan A* adalah himpunan fuzzy dalam universe X, dan B adalah
himpunan fuzzy dalam universe Y.
Bila implikasi fuzzy (aturan fuzzy) AB diekspresikan sebagai relasi fuzzy R
pada product space X x Y, maka himpunan fuzzy B* yang diinduksikan oleh
fakta x is A* dan aturan fuzzy if x is A then y is B adalah
B* = A*o R = A*o (AB),
lts05
64
dengan
derajat keanggotaan B*(y) = maxx min [ A*(x), R(x,y)]

1. Aturan tunggal dengan antecedence tunggal

aturan :
fakta :
kesimpulan :

if x is A then y is B
x is A*
y is B*

AND

B* adalah himpunan dengan fungsi keanggotaan

B*(y) = A(x) v A* (x) v B(y)
= w v B(y)
w (firing strength) menunjukkan derajat kecocokan (kompatibilitas) antecedent
terhadap faktanya.
Makin mirip A* dengan A maka derajat kecocokannya lebih besar.
V

min
A A*

A*

w
B*
x
lts05

B*
65

2. Aturan tunggal dengan multiple antecedents

aturan :
fakta :
kesimpulan :

if x is A and y is B then z is C
x is A* dan y is B*
z is C*

Aturan ini membentuk relasi fuzzy dalam product space 3-dimensi ,

R(A, B, C) = ( A x B ) x C
Berdasarkan fungsi implikasi Mamdani,
Rm(A, B, C) = X Y Z A(x) v B(y) v C(z) / (x, y, z) ,
V

Hasil kesimpulannya diekspresikan sebagai

C* = (A* x B*) o ( A x B C ) , (misal dengan komposisi max-min)
sehingga,

C*(z) = Vx,y { A*(x) v B*(y)} v { A(x) v B(y) v C(z) ]

V

= {Vx [ A*(x) v A(x)] } v { Vy [ B*(y) v B(y)] } v C(z) ]

V

w1
= (w1 v w2) v C(z)

w2

lts05

66

firing strength

min

A*

B*

C*

w1
w2
x

Aturan banyak dengan antecedent banyak.

aturan 1 : if x is A1 and y is B1 then z is C1
aturan 2 : if x is A2 and y is B2 then z is C2
fakta
:
x is A* dan y is B*
kesimpulan : z is C*
Bila Ri adalah relasi pada aturan ke i,
R1 = A1 x B1 C1 dan R2 = A2 x B2 C2 ,
maka
C* = (A* x B*) o (R1 U R2) = [ (A* x B*) o R1 ] U [ (A* x B*) o R2 ]
= C1* U C2*
lts05

C1* adalah kesimpulan dari aturan 1

C2* adalah kesimpulan dari aturan 2
komposisi aturan 1 dan aturan 2

67

min

A1 A1*

B1

B1*

C1

C1*

w1
y

A2 A2*

B2

w2

B2*

C2

C2*

w3
x

w4

max
C*

lts05

68

A1

B B1

C1
w1

Z
X

A A2

B B2

C2
w2

Z
X

Y
min

B
C
Z

x is
lts05

y is B

z is C

69

Fungsi implikasi model Sugeno

z1 = p1 x + q1 y + r1 konsekuensi aturan 1
z2 = p2 x + q2 y + r2 konsekuensi aturan 2

z = (w1 z1 + w2 z2) / (w1 + w2)

min

Fungsi implikasi model Tsukamoto

w1
z1

w2
z2

lts05

z = (w1 z1 + w2 z2) / (w1 + w2)

70

if project-duration is long and project funding is inadequate then the risk is high
if service is excellent or food is delicious then tip is high
Perhatikan relasi antecedentnya and atau or !!!
Aturan dengan multiple consequences :
if temperature is hot then hot water is reduced ;
cold water is increased

lts05

71

Model model Penyimpulan

Berikut ini contoh lima mekanisme inference yang sering digunakan pada
sistem sistem fuzzy berbasis aturan.
Sebagai contoh, untuk sistem dengan dua aturan
R1

R2

Fakta :
Konsekuensi :

1. MAMDANI
Implikasi fuzzy (relasi antecedent dalam sebuah aturan) dimodelkan
sebagai operator min, sedangkan untuk relasi aturan aturannya
digunakan operator max.
lts05

72

Kompatibilitas aturan ke-i (firing level) dinyatakan sebagai

Output masing masing aturan adalah,

Output total dihitung dengan meng OR kan output masing masing aturan,

lts05

73

Akhirnya, untuk memperoleh harga output tajam kita lakukan defusifikasi,

Fuzzy Inference dengan model Mamdani :

lts05

74

2. TSUKAMOTO
Semua istilah linguistiknya (himpunan fuzzy) diasumsikan mempunyai
fungsi keanggotaan yang monoton.
Kompatibilitas aturan ke-i (firing level) dinyatakan sebagai

Output :

Pada mode ini, output tajam dari masing masing aturan, yaitu z1 dan z2,
dihitung dari persamaan :
,
sedangkan output tajam totalnya,
z0 , dihitung dengan metode
centre of gravity. adalah,
lts05

75

Untuk sistem dengan n buah aturan,

i adalah kompatibilitas aturan i,
zi adalah
output tajam aturan i.
Contoh :

lts05

76

Dari gambar diatas,

dengan demikian maka kompatibilitas aturan 1 adalah

dan dari
kompatibilitas aturan 2 adalah

Dari persamaan
diperoleh harga z1 = 8 dan z2 = 4 .
Output totalnya adalah,
lts05

77

3. SUGENO dan TAKAGI

Kompatibilitas aturan dihitung sebagai berikut

Output masing masing aturan adalah

dan output tajamnya

lts05

78

Model Sugeno

Untuk n buah aturan,

lts05

79

Contoh mekanisme Sugeno :

R1

R2

Fakta
:
Konsekuensi

lts05

80

sesuai dengan gambar diatas,

Dengan demikian maka kompatibilitas aturan 1 adalah,

Dari

maka kompatibilitas aturan 2 adalah

lts05

81

Output dari masing masing aturan adalah,

Dengan demikian maka output total tajamnya,

lts05

82

4. LARSEN
Larsen juga menggunakan operator min untuk relasi antar antecedent,
sedangkan implikasinya menggunakan operator product (perkalian aritmatik)
dan operator max untuk relasi antar aturan.
Kompatibilitas aturan :

Fungsi keanggotaan dari konsekuensinya adalah

Untuk mendapatkan nilai output tajamnya dilakukan defusifikasi.

Untuk sistem dengan n buah aturan,

lts05

83

lts05

84

5. Simplified Fuzzy Reasoning

Kompatibilitas aturan :

Dengan c1 dan c2 sebagai output aturan 1 dan aturan 2 ,

maka output tajamnya dihitung sbb.

Untuk n buah aturan,

lts05

85

lts05

86

Soal :
Mendekati sebuah persimpangan jalan mengendarai mobil,
bagaimana anda mengendalikan rem berdasarkan jarak antara mobil
anda dengan persimpangan dan kecepatan mobil saat itu.
Aturan aturan kendali :
1. Bila jarak (ti) adalah jauh dan kecepatan rendah maka injak rem
dengan tekanan halus.
2.
Bila jarak (ti) adalah dekat dan kecepatan rendah maka injak rem
dengan tekanan sedang.
3.
Bila jarak (ti) adalah jauh dan kecepatan tinggi maka injak rem
dengan tekanan sedang.
4.
Bila jarak (ti) adalah dekat dan kecepatan tinggi maka injak rem
dengan tekanan kuat.
lts05

87

Fuzzifikasi variabel input and output

Tentukan dulu fungsi keanggotaan input dan output :

Jarak ke persimpangan

Kecepatan

lts05

Tekanan pada rem

Jarak
D : Dekat

J : Jauh

Kecepatan
R : Rendah T : Tinggi
Tekanan rem
H : Halus
S : Sedang
88
K : Keras

Misalkan : Jarak = 0,3

dan kecepatan = 0,7

Berapakah besarnya tekanan pada rem ?

Pendekatan
Fuzzifikasikan variable variabel antecedent (input)
Gunakan salah satu model inferensi (misal Mamdani min-max)
Tentukan hasil fungsi keanggotaan konsekuensi (output)
Defuzzifkasikan fungsi keanggotaan konsekuensi untuk
memperoleh harga tajam (crisp).

lts05

89

Fuzzy Inferencing
If jarak is jauh dan kecepatan is rendah tekan rem halus

If jarak is jauh dan kecepatan is tinggi tekan rem sedang

lts05

90

If jarak is dekat dan kecepatan is rendah tekan rem sedang

If jarak is dekat dan kecepatan is tinggi tekan rem kuat

lts05

91

Defuzzifikasi
Dengan metode :

Maximum value atau Center of gravity atau Center of area

Misal, dengan metode Center of gravity dihasilkan

lts05

tekanan rem sebesar 0.68

92