1.

Logika Fuzzy
Berbeda dengan logika kuno / logika digital yang hanya memiliki nilai 0
dan 1, atau "true" dan "false", maka dengan logika fuzzy sesuatu dapat
memiliki nilai diantara range 0 dan 1.
Secara bahasa, Fuzzy berarti kabur atau samar. Logika fuzzy adalah logika multivalued
yang memungkinkan untuk mendefinisikan nilai menengah diantara dua logika/ evaluasi
konvensional yang berbeda, seperti benar/salah, iya/tidak, tinggi/rendah, panas/dingin, dll.
Oleh karena itulah logika ini disebut logika samar. Sehingga dalam teori fuzzy sesuatu dapat
bernilai salah atau benar secara bersamaan.
Atau dengan istilah lain, Logika fuzzy adalah suatu cara untuk memetakan suatu ruang
input kedalam suatu ruang output, mempunyai nilai continue. Fuzzy dinyatakan dalam derajat
dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan
sebagian benar dan sebagian salah pada waktu yang sama (Kusumadewi. 2004)
2. Himpunan Fuzzy
Dalam ilmu logika fuzzy kita mengenal dua himpunan, yaitu himpunan crisp (tegas) dan
himpunan fuzzy (samar).

himpunan crisp adalah himpunan yang menyatakan suatu obyek merupakan anggota
dari satu himpunan memiliki nilai keanggotaan () = ya (1) atau tidak (0), oleh
karena itu himpunan crisp disebut himpunan tegas.

himpunan fuzzy adalah himpunan yang menyatakan suatu obyek dapat menjadi
anggota dari beberapa himpunan dengan nilai keanggotaan () yang berbeda.

untuk lebih jelasnya, perhatikan contoh dibawah:

Misalkan variable umur dibagi 3 kategori, yaitu: MUDA < 35 tahun ; PAROBAYA 35 umur
55 tahun ; TUA > 55 tahun.
Secara grafis:

Jika menggunakan himpunan crisp, dapat diambil kesimpulan bahwa:

-> Usia 34 tahun, dikatakan MUDA MUDA[34]=1

-> usia 35 tahun kurang 1 hari, dikatakan MUDA MUDA[35th-1hr]=1

-> Usia 35 tahun, dikatakan TIDAK MUDA MUDA[35]=0
-> Usia 55 tahun, dikatakan PAROBAYA PAROBAYA[55]=1
-> Usia 55 tahun lebih 1 hari, dikatakan TIDAK PAROBAYA PAROBAYA[55th+1hr]=0
atau
-> Usia 55 tahun lebih 1 hari, dikatakan TUA TUA[55th+1hr]=1
dari kesimpulan diatas, himpunan crisp menyatakan umur seseorang kedalam suatu kategori
secara tidak adil, karena orang yang berusia 35 tahun dikatakan parobaya, sedangkan orang
yang berusia 35 tahun kurang 1 hari dikatakan tidak parobaya (karena masuk kategori muda).
selisih 1 hari saja menimbulkan berbedaan kategori yang signifikan.
nah,
Himpunan Fuzzy digunakan untuk mengatasi hal tersebut, sehingga dengan menggunakan
himpunan fuzzy, seseorang dapat masuk ke dua kategori secara bersamaan, misalnya
seseorang yang berusia 35 tahun kurang 1 hari dapat masuk kategori MUDA dan
PAROBAYA sekaligus, tetapi dengan nilai keanggotaan yang berbeda.
lihat gambar dibawah:

contoh:
seseorang yang berumur 40 tahun termasuk dalam himpunan MUDA dengan
MUDA[40]=0,25; namun dia juga termasuk dalam himpunan PAROBAYA dengan
PAROBAYA[50]=0,5.
Operasi-operasi yang dapat dilakukan pada himpunan fuzzy sama seperti operasi pada logika
biner biasa. Kasus soal terdapat tiga buah himpunan logika fuzzy A, dan B, dan C pada
semesta X. Diberikan elemen x untuk fungsi teori operasi untuk teori operasi himpunan
union, intersection, dan complement.

3. Operasi Himpunan Logika Fuzzy

Union

Operasi union (gabungan) antara himpunan A dan himpunan B menghasilkan output

himpunan C, dimana anggota himpunan C adalah seluruh anggota himpunan A dan himpunan
B. Sedangkan untuk notasi matematikanya adalah pada persamaan berikut:
C = AUB (x) = A (x) V B (x) = max (A (x),B (x))

Intersection

Operasi intersection (irisan) antara himpunan A dan himpunan B menghasilkan output

himpunan C, dimana anggota himpunan C adalah anggota himpunan A yang juga termasuk
dalam anggota himpunan B. Notasi matematika intersection himpunan A dan himpunan B
adalah persamaan berikut:
C = AB (x) = A (x) B (x) = min (A (x),B (x))

Complement

Operasi complement (komplemen) dari himpunan A adalah . Dimana seluruh anggota

himpunan adalah komplemen anggota himpunan A. Persamaan untuk notasi matematika
complement himpunan A adalah sebagai berikut:
(x) = 1 - A (x)
4. Jenis-jenis Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang
menunjukkan pemetaan titik-titik input data ke dalam nilai
keanggotaannya (sering juga disebut derajat keanggotaan) yang memiliki
interval antara 0 sampai 1. Salah satu cara yang dapat digunakan adalah
dengan melalui pendekatan fungsi yang bisa digunakan.
Pada representasi linier, pemetaan input ke derajat keanggotaannya
digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan
menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang
jelas. Keadaan linier himpunan fuzzy terdiri dari dua keadaan linier naik
dan linier turun.

Pada linier naik, kenaikan himpunan dimulai pada nilai domain

yang memiliki derajat keanggotaan nol [0] bergerak ke kanan

menuju nilai domain yang memiliki derajat keanggotaan lebih tinggi

dengan fungsi keanggotaan:

Sedangkan linier turun, garis lurus dimulai dari nilai domain

dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian
bergerak menurun ke nilai domain yang memiliki derajat
keanggotaan lebih rendah dengan fungsi keanggotaan.

Fungsi keanggotaan segitiga ditandai oleh adanya tiga

parameter {a,b,c} yang akan menentukan koordinat x dari tiga
sudut. Kurva ini pada dasarnya merupakan gabungan antara dua
garis lurus. Adapun persamaan untuk bentuk segitiga ini adalah:

Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya

saja ada beberapa titik yang memiliki nilai keanggotaan satu.
Adapun persamaan untuk kurva trapesium ini adalah:

Himpunan Fuzzy memiliki 2 atribut (Kusuma Dewi, 2003), yaitu:

1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi
tertentu dengan menggunakan bahasa alami, speerti: MUDA, PAROBAYA, TUA.
2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel
seperti: 40, 25, 50, dsb.
Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy (Kusuma Dewi, 2003),
yaitu:
1. Variabel fuzzy yaitu variabel yang hendak dibahas dalam suatu sistem fuzzy.
Contohnya: umur, temperature, permintaan, dsb.

2. Himpunan fuzzy yaitu suatu grup yang mewakili suatu kondisi atau keadaan tertentu
dalam suatu variabel fuzzy. Contohnya: variabel temperatur, terbagi menjadi 5
himpuan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.
3. Semesta Pembicaraan yaitu keseluruhan nilai yang diperoleh untuk dioperasikan
dalam suatu variabel fuzzy, semesta pembicaraan merupakan himpunan bilangan real
yang senantiasa naik (bertambah) secara monoton dari kiri kekanan. Nilai semesta
pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta
pembicaraan ini tidak dibatasi batas atasnya. Contohnya semesta pembicaraan untuk
variabel umur: [0 +].
Domain Himpunan Fuzzy yaitu keseluruhan nilai yang diijinkan dan boleh dioperasikan
dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan
himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan.
Nilai domain dapat berupa bilangan positif maupun negatif. Contoh domain himpuanan fuzzy:
DINGIN = [0,20], SEJUK = [15,20], NORMAL = [20,30], HANGAT = [25,35] dan PANAS
= [30,40].
Pemodelan Dasar Sistem Fuzzy
Soft Computing merupakan inovasi baru dalam membangun sistem cerdas. Sistem cerdas ini
merupakan sistem yang memiliki keahlian seperti manusia pada domain tertentu, mampu
beradaptasi dan belajar agar dapat bekerja lebih baik jika terjadi perubahan lingkungan.
Unsur-unsur pokok dalam Soft Computing adalah : Sistem fuzzy, Jaringan Saraf Tiruan,
Probabilistic Reasoning, Evolutionary Computing.
Sistem fuzzy secara umum terdapat 5 langkah dalam melakukan penalaran, yaitu:
1. Memasukkan input fuzzy.
2. Mengaplikasikan operator fuzy.
3. Mengaplikasikan metode implikasi.
4. Komposisi semua output.
5. Defuzifikasi.
Logika Fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam
ruang output. Untuk sistem yang sangat rumit, penggunaan logika fuzzy (fuzzy logic) adalah
salah satu pemecahannya. Sistem tradisional dirancang untuk mengontrol keluaran tunggal
yang berasal dari beberapa masukan yang tidak saling berhubungan. Karena
ketidaktergantungan ini, penambahan masukan yang baru akan memperumit proses kontrol
dan membutuhkan proses perhitungan kembali dari semua fungsi . Kebalikannya,
penambahan masukan baru pada sistem fuzzy, yaitu sistem yang bekerja berdasarkan prinsipprinsip logika fuzzy, hanya membutuhkan penambahan fungsi keanggotaan yang baru dan
aturan-aturan yang berhubungan dengannya.
Secara umum, sistem fuzzy sangat cocok untuk penalaran pendekatan terutama untuk sistem
yang menangani masalah-masalah yang sulit didefinisikan dengan menggunakan model

matematis Misalkan, nilai masukan dan parameter sebuah sistem bersifat kurang akurat atau
kurang jelas, sehingga sulit mendefinisikan model matematikanya.
Sistem fuzzy mempunyai beberapa keuntungan bila dibandingkan dengan sistem tradisional,
misalkan pada jumlah aturan yang dipergunakan. Pemrosesan awal sejumlah besar nilai
menjadi sebuah nilai derajat keanggotaan pada sistem fuzzy mengurangi jumlah nilai menjadi
sebuah nilai derajat keanggotaan pada sistem fuzzy mengurangi jumlah nilai yang harus
dipergunakan pengontrol untuk membuat suatu keputusan. Keuntungan lainnya adalah sistem
fuzzy mempunyai kemampuan penalaran yang mirip dengan kemampuan penalaran manusia.
Hal ini disebabkan karena sistem fuzzy mempunyai kemampuan untuk memberikan respon
berdasarkan informasi yang bersifat kualitatif, tidak akurat, dan ambigu.
Ada beberapa alasan penggunaan Logika Fuzzy :
1. Logika Fuzzy sangat fleksibel.
2. Logika Fuzzy memiliki toleransi.
3. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran
fuzzy sangat sederhana dan mudah dimengerti.
4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.
5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para
pakar secara langsung tanpa harus melalui proses pelatihan.
6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
7. Logika fuzzy didasarkan pada bahasa alami.(Sri Kusumadwi,2002:3)
Sistem fuzzy pertama kali diperkenalkan oleh Prof. L. A. Zadeh dari Barkelay pada tahun
1965. Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamis. Sistem ini
mempunyai kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tak
pasti. Sistem ini menduga suatu fungsi dengan logika fuzzy. Dalam logika fuzzy terdapat
beberapa proses yaitu penentuan himpunan fuzzy, penerapan aturan IF-THEN dan proses
inferensi fuzzy (Marimin, 2005:10).
Ada beberapa metode untuk merepresentasikan hasil logika fuzzy yaitu metode Tsukamoto,
Sugeno dan Mamdani. Pada metode Tsukamoto, setiap konsekuen direpresentasikan dengan
himpunan fuzzy dengan fungsi keanggotaan monoton. Output hasil inferensi masing-masing
aturan adalah z, berupa himpunan biasa (crisp) yang ditetapkan berdasarkan -predikatnya.
Hasil akhir diperoleh dengan menggunakan rata-rata terbobotnya. (Sri
Kusumadewi,2002:108)
Metode Sugeno mirip dengan metode Mamdani, hanya output (konsekuen) tidak berupa
himpunan fuzzy, melainkan berupa konstanta atau persamaan liniar. Ada dua model metode
Sugeno yaitu model fuzzy sugeno orde nol dan model fuzzy sugeno orde satu. Bentuk umum
model fuzzy sugeno orde nol adalah :
IF (x1 is A1) o (x2 is A2) o .. o (xn is An) THEN z = k

Bentuk umum model fuzzy Sugeno orde satu adalah :

IF (x1 is A1) o (x2 is A2) o .. o (xn is An) THEN z = p1.x1 + pn.xn + q
Defuzzifikasi pada metode Sugeno dilakukan dengan mencari nilai rata-ratanya.

Gambar 1 Model fuzzy sugeno orde 1

Pada metode Mamdani, aplikasi fungsi implikasi menggunakan MIN, sedang komposisi
aturan menggunakan metode MAX. Metode Mamdani dikenal juga dengan metode MAXMIN. Inferensi output yang dihasilkan berupa bilangan fuzzy maka harus ditentukan suatu
nilai crisp tertentu sebagai output. Proses ini dikenal dengan defuzzifikasi. Ada beberapa
tahapan untuk mendapatkan output yaitu:
A. Pembentukan himpunan fuzzy
Pada metode Mamdani baik variabel input maupun variabel output dibagai menjadi satu atau
lebih himpunan fuzzy.
2. Aplikasi fungsi implikasi
Pada metode Mamdani, fungsi implikasi yang digunakan adalah Min.
3. Komposisi Aturan
Tidak seperti penalaran monoton, apabila sistem terdiri dari beberapa aturan, maka inferensi
diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode yang digunakan dalam
melakukan inferensi sistem fuzzy yaitu : Max, Additive dan Probabilistik OR
a.Metode Max (Maximum)
Pada metode ini solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum
aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy dan mengaplikasikan
ke output dengan menggunakan operator OR(union). Jika semua proposisi telah dievaluasi,
maka output akan beisi suatu himpunan fuzzy yang merefleksikan konstribusi dari tiap-tiap
proposisi. Secara umum dapat dituliskan :
sf[xi] max ( sf[xi] , kf[xi])
dengan :

sf[xi]=nilai keanggotaan solusi fuzzy sampai aturan ke-i

kf[xi]=nilai keanggotaan konsekuen fuzzy aturan ke-i
b. Metode Additive (Sum)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum
terhadap semua output dareah fuzzy. Secara umum dituliskan:
sf[xi] max ( 1, sf[xi] + kf[xi] )
sf[xi]=nilai keanggotaan solusi fuzzy sampai aturan ke-i
kf[xi]=nilai keanggotaan konsekuen fuzzy aturan ke-i
c. Metode Probabilistik OR
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap
semua output daerah fuzzy. Secara umun dituliskan :
sf[xi] max ( sf[xi] + kf[xi] ) (sf[xi] * kf[xi] )
sf[xi]=nilai keanggotaan solusi fuzzy sampai aturan ke-i
kf[xi]=nilai keanggotaan konsekuen fuzzy aturan ke-i
4. Penegasan /Defuzzifikasi
Input dari proses Defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi
aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada
domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range
tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai output.
Ada beberapa metoda yang dipakai dalam defuzzifikasi:
a. Metode Centroid.
Pada metode ini penetapan nilai crisp dengan cara mengambil titik pusat daerah fuzzy.
b. Metode Bisektor.
Pada metode ini , solusi crisp diperoleh dengan cara mengambil nilai pada domain fuzzy
yang memiliki nilai keanggotaan seperti dari jumlah total nilai keanggotaan pada daerah
fuzzy.
c. Metode Means of Maximum (MOM).
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata-rata domain yang
memiliki niali keanggotaan maksimum.

d. Metode Largest of Maximum (LOM)

Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terbesar dari domain
yang memiliki niali keanggotaan maksimum.
e. Metode Smallest of Maksimum (SOM).
Solusi crisp diperoleh dengan cara mengambil nilai terkecil dari domain yang memiliki nilai
keanggotaan maksimum.

Langkah Umum Pengembangan Model Fuzzy

Gambar 2. Langkah Langkah Pengembangan Sistem Fuzzy

FUNGSI IMPLIKASI
Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan dengan suatu
relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam
fungsi implikasi adalah:
IF x is A THEN y is B dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy.
Proposisi yang mengikuti IF disebut sebagi anteseden, sedangkan proposisi yang mengikuti
THEN disebut sebagai konsekuen. Proposisi ini dapat diperluas dengan menggunakan
operator fuzzy, seperti:

IF (x1 is A1) (x2 is A2) (x3 is A3) (xN is AN) THEN y is B dengan adalah
operator (misal: OR atau AND).
Secara umum, ada 2 fungsi implikasi yang dapat digunakan, yaitu:
1. Min (minimum). Fungsi ini akan memotong output himpunan fuzzy. Gambar
7.30 menunjukkan salah satu contoh penggunaan fungsi min.
- Metode Inferensi Fuzzy
Metode Tsukamoto
Pada Metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-Then harus
direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton
(Gambar 7.32). Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara
tegas (crisp) berdasarkan - predikat (fire strength). Hasil akhirnya diperoleh dengan
menggunakan rata-rata terbobot.
-

Metode Mamdani

Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Metode ini
diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output,
diperlukan 4 tahapan:
1. Pembentukan himpunan fuzzy
Pada Metode Mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau
lebih himpunan fuzzy.
2. Aplikasi fungsi implikasi
Pada Metode Mamdani, fungsi implikasi yang digunakan adalah Min.
3. Komposisi Aturan
Tidak seperti penalaran monoton, apabila sistem terdiri-dari beberapa aturan, maka inferensi
diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode yang digunakan dalam
melakukan inferensi sistem fuzzy, yaitu: max, additive dan probabilistik OR (probor).
Metode Max (Maximum)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum
aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan
mengaplikasikannya ke output dengan menggunakan operator OR (union). Jika semua
proposisi telah dievaluasi, maka output akan berisi suatu himpunan fuzzy yang merefleksikan
konstribusi dari tiap-tiap proposisi. Secara umum dapat dituliskan:
sf[xi] max(sf[xi], kf[xi])
dengan:

sf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;

kf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i;
Misalkan ada 3 aturan (proposisi) sebagai berikut:
[R1] IF Biaya Produksi RENDAH And Permintaan NAIK THEN Produksi Barang
BERTAMBAH; {R2] IF Biaya Produksi STANDAR THEN Produksi Barang NORMAL;
[R3] IF Biaya Produksi TINGGI And Permintaan TURUN THEN Produksi Barang
BERKURANG;
Proses inferensi dengan menggunakan metode Max dalam melakukan komposisi aturan
seperti terlihat pada Gambar 7.36. Apabila digunakan fungsi implikasi MIN, maka metode
komposisi ini sering disebut dengan nama MAX-MIN atau MIN-MAX atau MAMDANI.
Metode Additive (Sum)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum
terhadap semua output daerah fuzzy. Secara umum dituliskan:
sf[xi] min(1,sf[xi]+ kf[xi])
dengan:
sf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
kf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i;
Metode Probabilistik OR (probor)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap
semua output daerah fuzzy. Secara umum dituliskan:
sf[xi] (sf[xi]+ kf[xi]) (sf[xi] * kf[xi])
dengan:
sf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
kf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i;
Metode Sugeno
Penalaran dengan metode SUGENO hampir sama dengan penalaran MAMDANI, hanya saja
output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau
persamaan linear. Metode ini diperkenalkan oleh Takagi Sugeno Kang pada tahun 1985.

Model Fuzzy Sugeno Orde-Nol

Secara umum bentuk model fuzzy SUGENO Orde-Nol adalah:

IF (x1 is A1) (x2 is A2) (x3 is A3) (xN is AN) THEN z=k
dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta
(tegas) sebagai konsekuen.

Model Fuzzy Sugeno Orde-Satu

Secara umum bentuk model fuzzy SUGENO Orde-Satu adalah:

IF (x1 is A1) (xN is AN) THEN z = p1*x1 + + pN*xN + q
dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi adalah suatu konstanta
(tegas) ke-i dan q juga merupakan konstanta dalam konsekuen. Apabila komposisi aturan
menggunakan metode SUGENO, maka deffuzifikasi dilakukan dengan cara mencari nilai
rata-ratanya.

Database Fuzzy

Sebagian besar basis data standar diklasifikasikan berdasarkan bagaimana data tersebut
dipandang oleh user.

CONTOH :

Variabel Masa Kerja bisa dikategorikan dalam himpunan: BARU dan LAMA
Tabel menunjukkan tabel karyawan berdasarkan umur dengan derajat keanggotannya pada
setiap himpunan.