Logika Fuzzy

Logika Klasik

Misalkan himpunan klasik A dan B. P adl nilai kebenaran bahwa xA dan

Q adl nilai kebenaran bahwa xB.
jika xA maka T(P) = 1, jika xA maka T(P) = 0

jika xB maka T(Q) = 1, jika xB maka T(Q) = 0

Atau menggunakan fungsi karakteristik sebagai berikut (untuk P adl nilai
kebenaran bahwa xA) :

Operator OR

maka

Operator AND

maka

Operator NOT

Jika T(P) = 1 maka T ( P) 0

Jika T(Q) = 1 maka T (Q) 0

Logika Fuzzy

Misalkan himpunan fuzzy A dan B. P adl kebenaran yang didefinisikan

pada himpunana fuzzy A

Dengan cara yang sama Q adl kebenaran kebenaran yang didefinisikan

pada himpunana fuzzy B.
Operator-operator dasar pada logika klasik juga berlaku pada logika
fuzzy, yaitu OR, AND, dan NOT

Operator OR

maka

Operator AND

maka

Operator NOT

Logika Fuzzy

Ada banyak cara untuk menentukan nilai-nilai atau fungsi-fungsi keanggotaan ke

variabel fuzzy

Proses ini dapat dilakukan dengan cara intuitif atau berdasarkan suatu algoritma
atau operasi logika tertentu

Beberapa metode yang dapat digunakan adalah:

Intuisi
Inferensi
Urutan rangking (rank ordering)
Penalaran induktif
Jaringan saraf
Algoritma genetik
7

Metode ini hanya berdasarkan intuisi manusia belaka

Diturunkan dari kapasitas manusia untuk membentuk fungsi

keanggotaan melalui kecerdasaan dan pengetahuannya sebagai manusia
saja

Intuisi meliputi pengetahuan kontekstual dan semantik terkait masalah

yang bersangkutan; juga termasuk nilai kebenaran linguistik

Contoh:

Fungsi keanggotaan untuk variabel fuzzy suhu dalam serajat celcius yang
berbagi menjadi sangat dingin, dingin, normal, panas, dan sangat panas
8

Ilustrasi:

Fungsi keanggotaan di atas tentu saja untuk suatu konteks tertentu,

misalnya untuk jangkauan suhu dimana manusia merasa nyaman. Jika
konteksnya berbeda misalnya untuk jangkauan suhu dimana mesin dapat
beroperasi aman maka kurvanya akan berubah.
9

Contoh
Misalkan semesta berat badan manusia dalam kilogram. Gunakan intuisi untuk
menentukan fungsi keanggotaan yang mungkin.
Penyelesaian:
Misalkan dalam bahasa manusia dikatakan:
Sangat Ringan (VL) adalah berat badan kurang atau sama dgn 30 kg
Ringan (L) adalah berat badan 30 45 kg
Rata-rata (A) adalah berat badan 45 60 kg
Berat (H) adalah berat badan 60 75 kg
Sangat berat (VH) adalah berat badan lebih dari 75 kg
Maka berdasar intuisi tsb dapat dibuat fungsi keanggotaan sbb:

10

Dalam metode inferensi digunakan penalaran deduktif, artinya akan

dilakukan deduksi atau menarik kesimpulan dimana ada sejumlah fakta

dan pengetahuan yang telah dimiliki

Contoh: akan dilakukan identifikasi sebuah segitiga, maka akan dilihat

fakta apa saja yang ada dan diperlukan pengetahuan mengenai geometri
serta bentuk-bentuk geometri

Jika fungsi keanggotaan tentang suhu di atas ditentukan menggunakan

metode inferensi, fakta-fakta apa yang harus diketahui dan pengetahuan

tentang apa pula yang harus diketahui sebelumnya?

11

Identifikasi Jenis Segitiga. Sudut segitiganya adalah A, B, dan C, dengan

urutan A B C , serta U adalah semesta segitiga yaitu

U = {(A, B, C) | A B C ; A + B + C = 18 }
Segitiga akan dikelompokkan ke dalam 5 jenis yaitu:
I : mendekati segitiga sama kaki
R : mendekati segitiga siku-siku
IR : mendekati segitiga sama kaki dan siku-siku
E : mendekati segitiga sama sisi
T : segitiga lainnya (tidak termasuk dlm 4 jenis yg sblmnya)
12

Penentuan nilai keanggotaan akan dilakukan dengan metode inferensi

karena kita mempunyai pengetahuan tentang geometri untuk membantu
menentukan nilainya.

harus diingat bahwa A B C dan A + B + C = 18

Maka:

Utk segitiga yg mendekati segitiga sama kaki (I) maka:

Misalnya, jika A = B atau B = C maka nilai keanggotaan dlm segitiga sama

kaki I = 1; dan jika A = 120, B = 60, C = 0 maka I = 0

(Ingat bhw pd segitiga samakaki, dua sudutnya pasti sama besar)

13

Untuk segitiga siku-siku (R)

Misalnya:
Jika A = 90 maka nilai keanggotaan dlm segitiga siku-siku R = 1; dan jika
A = 180 maka R = 0 (Ingat bhw pd segitiga siku-siku, satu sudutnya pasti

sebesar =90 ).

Untuk segitiga sama kaki dan siku-siku (IR)

Untuk ini bisa ditentukan dengan mengambil logika irisan (operator AND)
antara fungsi keanggotaan segitiga sama kaki dan fungsi keanggotaan
segitiga siku-siku
14

Untuk segitiga sama sisi (E)

Misalnya:
Jika A = B = C maka nilai keanggotaan dlm segitiga siku-siku E= 1; dan jika

A = 180 maka E = 0. (Ingat bhw pd segitiga sama sisi maka A = B = C =

60).
15

Untuk segitiga lainnya (T)

Untuk ini akan digunakan aturan De Morgan atau komplemen dari union
I, R, E.

Hasilnya:

16

Menggunakan ketentuan fungsi keanggotaan di atas, maka misalkan ada

suatu segitiga x pada gambar di bawah. Termasuk dalam himpunan
fuzzy yang manakah segitiga x tersebut? Dapat ditentukan dengan

menghitung nilai keanggotaan segitiga x tersebut dlm himpunan fuzzy I,

R, IR, E dan T, kemudian meemilih nilai keanggotaan yang terbesar untuk
menentukan jenis segitiga x.
{X | A = 85 B = 50 C = 45; A + B + C = 180}
Tentukanlah nilai keanggotaan dalam himpunan:
-

segitiga sama kaki (I)

segitiga siku-siku (R)
segitiga sama kaki dan siku-siku ((IR)
segitiga sama sisi (E)
segitiga lainnya (T)
17

Nilai keanggotaan segitiga x dalam himpunan segitiga sama kaki (I):

1

min(
35
,5 )

60
1
1 (5 ) 1 0,0833 0,92
60

I ( x) 1

Nilai keanggotaan segitiga x dalam himpunan segitiga sama sisi (E) :

E ( x) 1
(
40
)

180
1 0,222 0,78
Tugas: Tentukan nilai keanggotaan segitiga x dalam jenis segitiga yang lain.
18

Selengkapnya:

I ( x) 0,92
R ( x) 0,94
E ( x) 0,78
IR ( x) 0,92
T ( x) 0,05
Terlihat bahwa nilai keanggotaan segitiga x yang tertinggi adalah dalam
jenis segitiga siku-siku yaitu sebesar 0,94. Bagaimana dengan yang lain?

19

Menggunakan ketentuan fungsi keanggotaan segitiga seperti di atas, maka

tentukan jenis suatu segitiga y jika sudut-sudutnya adalah 45, 75, dan 60.
Tentukanlah nilai keanggotaan dalam:
- segitiga sama kaki (I)

- segitiga siku-siku (R)

- segitiga sama kaki dan siku-siku (IR)
- segitiga sama sisi (E)
- segitiga lainnya (T)
segitiga y termasuk dalam himpunan segitiga yang mana?

20

Nilai keanggotaan variabel fuzzy dapat ditentukan menggunakan

metode-metode untuk mengakses preferensi dari seseorang (individual),

suatu komite, atau polling dan cara-cara memperoleh opini yang lain.

Preferensi ditentukan dengan perbandingan berpasang-pasangan

(pairwise) dan hal ini akan menentukan urutan keanggotaan.

Contoh
1o000 orang responden diberi kuesioner untuk memilih sepasang warna

yang disukai diantara 5 warna yaitu X = {merah, oranye, kuning, hijau,

biru}. Tentukan himpunan fuzzy A pada semesta warna untuk warna
terbaik
21

Berikut hasil survai dan ilustrasi penentuan urutan rangkingnya:

Jumlah preferensi untuk setiap warna (jumlahan menurut baris) dihitung

dan hasilnya diurutkan rangkingnya pada kolom terakhir.
Presentase preferensi diplot dalam skala yg dinormalisasi maka fungsi
keanggotaan diperlihatkan pada gambar berikut.
22

Hasil fungsi keanggotaan:

Perhatikan bahwa:

urutan diambil menaik

fungsinya diskret

23

Penalaran induktif menarik sesuatu yang sifatnya umum (general) dari

sesuatu yang khusus (spesifik)

Induksi dilakukan menggunakan prinsip minimisasi entropi. Entropi

merupakan suatu ukuran ketidakpastian dari suatu distribusi; entropi

juga didefinisikan sebagai nilai ekspektasi informasi. Dikatakan bahwa

aturan induksi adalah suatu aturan yang konsisten dengan semua
informasi yang ada (available) dimana entropinya minimum

Dalam kasus satu dimensi; misalkan probabilitas kejadian sampel ke-i

yaitu wi adalah {p(wi)}. Jika kita observasi wi di masa datang dan ternyata
benar maka kita bisa menghitung nilai informasinya yaitu I(wi)
24

Dan jika ternyata tidak benar maka nilai informasinya adalah:

Entropi untuk keseluruhan N sampel adalah:

Dengan:
k : parameter normalisasi
pi = p(wi)
tanda negatif dalam k digunakan utk memastikan bahwa S karena
ln x untuk x 1
25

Untuk membagi data set ke dalam fungsi keanggotaan, diperlukan

prosedur untuk menentuan nilai ambang (threshold) antara kelas-kelas

data.

Garis nilai ambang dapat ditentukan menggunakan metode screening

minimisasi entropi, kemudian selanjutnya dilakukan proses segmentasi;

pertama data dibagi menjadi 2 kelas. Prosedur kemudian diulang-ulang

dengan cara yg sama sampai diperoleh segmentasi sesuai jumlah kelas
(himpunan fuzzy) yang diinginkan.

Cara ini dilakukan untuk membagi data ke dalam kelas-kelas sekaligus

meminimalisasi entropi saat prosesnya berlangsung

26

Misalkan contoh pada gambar berikut:

Misalkan akan dicari nilai ambang utk sampel pada jangkauan nilai x1
hingga x2. Tentukan entropi utk wilayah [x1, x] dan [x, x2]; wilayah
pertama disebut wilayah p dan wilayah kedua disebut wilayah q. Dengan

cara memindah-mindahkan nilai ambang x, maka dapat diperoleh entropi

utk tiap nilai ambang x yg berbeda pilihlah yg minimum

27

Entropi utk tiap nilai ambang x dlm wilayah x1 dan x2 ditentukan sbb:

Dengan

Dan
pk(x) : probabilitas kondisional utk kelas k pd wilayah [x1, x1+x]
qk(x) : probabilitas kondisional utk kelas k pd wilayah [x1+x, x2]
p(x) : probabilitas semua sampel berada dlm wilayah [x1, x1+x]
q(x) : probabilitas semua sampel berada dlm wilayah [x1+x, x2]
p(x) + q(x) = 1

28

Nilai x yang membeikan entropi minimum disebut nilai ambang optimum.

Berikut formula-formula yg dibutuhkan:

Dengan:
nk(x) : jumlah sampel kelas k yg berada di [x, x +x]
n(x) : jumlah total sampel yg berada di [x, x +x]
Nk(x) : jumlah sampel kelas k yg berada di [x +x, x2]
N(x) : jumlah total sampel yg berada di [x +x, x2]
n : jumlah total sampel di [x1, x2]
: jarak tertentu dalam interval [x1, x2]
29

30