Contoh grafik :
4. Crisp set
Crisp set dapat disebut juga himpunan klasik yaitu himpunan yang
membedakan anggota dan non-anggotanya dengan batasan yang jelas.
Contoh : jika A={xIx bilangan bulat, x>6}, maka anggota himpunan A adalah
7, 8, 9 dan seterusnya. Sedangkan yang bukan anggota A adalah 6,5,4, dan
seterusnya.
Keterbatasan dalam crisp set ini adalah adanya kesulitan dalam
merepresentasikan suatu elemen yang tidak termasuk ke dalam A maupun
nonA
Contoh : Jika A adalah suatu himpunan gelas yang penuh air. Dengan
demikian A adalah himpunan gelas kosong (tanpa air sedikitpun). Bagaimana
jika terdapat gelas yang berisi air setengah gelas? Tentu saja gelas tersebut
tidak termasuk kedalam A maupun nonA.
5. Derajat keanggotaan
Derajt keanggotaan merupakan keanggotaan suatu elemen dalam suatu
himpunan. Derajat keanggotaan memiliki rentang 0 hingga 1. Berbeda
dengan logika digital yang hanya memiliki dua nilai 1 atau 0 (ya atau tidak).
Contoh derajat keanggotaan :
Menurut gambar diatas kita dapat melihat derajat keanggotaan suatu nilai x
6. Fungsi keanggotaan
Suatu fungsi yang digunakan untuk menghitung derajat keanggotaan suatu
himpunan fuzzy.
Beberapa fungsi keanggotaan:
- Fungsi linear
Linear naik
linear turun
Gambar kurva :
gambar kurva :
Fungsi segitiga
Gambar kurva :
Fungsi:
-
Fungsi trapesium
Gambar kurva :
Fungsi :
Fungsi gaussian
Gambar kurva :
Fungsi :
Fungsi sigmoid
Gambar kurva :
Membuka kekanan
Fungsi :
Fungsi bell
Gambar kurva :
membuka kekiri
Fungsi :
Fungsi phi
Gambar kurva :
Fungsi :
Defuzzification
Tahap selanjutnya ialah defuzzification. Berbeda dengan fuzzification,
pada tahap ini proses memetakan suatu nilai ruang fuzzy ke dalam nilai
crisp. Dengan kata lain untuk mengubah nilai fuzzy menjadi nilai crisp.
Nilai crisp inilah yang nantinya akan digunakan dalam implementasi dan
analisis akhirnya.
Terdapat beberapa metode yang dapat digunakan untuk mengubah suatu
nilai fuzzy dalam nilai crisp, metode defuzzification tersebut antara lain,
Center-of-Gravity, Center-of-Average, First-of-Max, Last-of-Max, dan lain
sebagainya.
Pada dasarnya setiap metode defuzzification memiliki kelebihan dan
kekurangannya masing-masing, serta kebutuhan implementasinya itu
berbeda-beda. Kinerja metode defuzzification untuk satu sistem dengan
sistem lainnya tidak selalu sama, tergantung kebutuhan mana yang paling
sesuai dalam suatu sistem.
Yang 8 ke atas ini masih ngasal ay, masih seenak udel nyam nyam nyam aku,
ahehehehhehe aku isiin sengerti aku aja ay, kalo mau benerin sekalian kasih
contohnya sok geura ay
8. Crisp input
Nilai himpunan klasik yang akan dikonversikan pada saat fuzzification
9. Fuzzy input
Nilai himpunan fuzzy yang didapat setelah proses fuzzification dilakukan yang
nantinya akan digunakan pada proses inference
10.Fuzzy rule
Aturan / metode yang memuat sejumlah fungsi yang memetakan sejumlah
antecedent dengan consequent-nya dengan bentuk if-then, bila (if)
antecedent bernilai x maka (then) consequent bernilai y.
11.Fuzzy output
Nilai himpunan fuzzy yang didapatkan setelah proses inference yang
kemudian akan digunakan untuk konversi ke himpunan klasik saat
defuzzification
12.Crisp output
Hasil yang berupa himpunan klasik yang didapatkan setelah proses
defuzzification
13.Mamdani model
14.Sugeno model
15.Center-of-Gravity method