PENDAHULUAN

Logika Fuzzy
A. Apa logika Fuzzy ?
Dalam kehidupan sehari-hari kita sering tidak dapat menentukan batasbatas suatu masalah secara jelas. Sebagai contoh, untuk menyatakan air itu
panas atau dingin, amat bersifat relative. Logika fuzzy merupakan suatu cara
yang tepat untuk memetakan suatu ruang input ke dalam ruang output. Dalam
gambar 1, kotak hitam menyatakan proses yang dilakukan terhadap input
supaya menghasilkan output.

Ruang Input

Kotak Hitam

Ruang Output

Gambar 1. Pemetaan input-output

Pada tahun 1965, Zadeh memodifikasi teori himpunan dimana setiap

anggotanya memiliki derajat keanggotaan kontinu antara 0 - 1, himpunan ini
disebut himpunan samar (Fuzzy set). Sebagai contoh : himpunan temperatur
yang akan mempengaruhi kondisi panas tidak bersifat diskrit dan dibatasi kondisi
hangat.
Skema dasar dari fuzzy logic dapat dilihat pada Gambar 2.

Knowledge Base

Fuzzy Inference System

Fuzzyfication

Defuzzification

Input

Output

Gambar 2. Skema dasar Fuzzy Logic

1

Input fuzzy berupa bilangan crisp (tegas) yang dinyatakan dalam

himpunan input. Fuzzifikasi merupakan proses untuk mengubah bilangan crisp
menjadi nilai keanggotaan dalam himpunan fuzzy. Fuzzy inference system
merupakan bagian pengambilan kesimpulan (reasoning) dan keputusan.
Knowledge base berisi aturan-aturan yang biasanya dinyatakan dengan perintah
IF . THEN.
Defuzzification merupakan proses untuk merubah nilai output fuzzy
menjadi nilai crisp.
B. Himpunan Crisp dan Himpunan Fuzzy
Jika diberikan suatu himpunan semesta pembicaraan, himpunan crisp A
didefinisikan oleh item-item yang ada pada himpunan itu.
Jika a A, maka nilai yang berhubungan dengan a adalah 1, namun jika a A,
maka nilai yang berhubungan dengan a adalah 0.
Sebagai contoh misalnya kita membuat klasifikasi himpunan umur dengan
kategori yang tegas :
Muda

<30 tahun

Paruh baya

35-50 tahun

Tua

>50 tahun

Sebagai contoh, himpunan crisp untuk kategori paruh baya yang dibentuk
adalah:
1
Paruh
baya

Muda

30

Tua

50

Th

Gambar 3. Himpunan crisp

Dari contoh di atas terdapat batas yang tegas untuk tiap kategori umur. Tetapi
hal ini bisa menimbulkan kontradiktif jika kita mengambil contoh umur di sekitar
batas kategori. Misalkan kita ambil contoh umur 50 tahun masuk kategori tua

sedangkan umur 50 tahun kurang 1 bulan masuk kategori paruh baya. Hal ini
kurang logis sehingga diperlukan suatu himpunan yang bisa mengatasi hal
kontradiktif tersebut.
Dengan adanya himpunan fuzzy, hal kontradiktif tersebut bisa diatasi karena
batas tiap kategori bisa saling overlapping.
Paruh
baya

Tua

Muda

30

50

Th

Gambar 4. Himpunan fuzzy

C. Logika Fuzzy
Fungsi keanggotaan (f = membership function) merupakan suatu kurva
yang menunjukkan pemetaan antara titik-titik input data ke dalam nilai
keanggotaannya (derajat keanggotaan).
Ambil U sebagai semesta dari himpunan objek { u }. Himpunan fuzzy F
dalam semesta pembicaraa U dinyatakan dalam nilai keanggotaan f yang
mempunyai interfal nilai 0 ,1 . Himpunan fuzzy biasanya dinyatakan dengan :

F u , f u | u U

jika U kontinyu maka himpunan F dapat ditulis dengan :

F

u / u
f

jika U diskrit maka himpunan F dapat ditulis dengan :

F f ui / ui

Contoh nilai keanggotaan dari suatu himpunan fuzzy dapat dilihat pada Gambar
5.

Gambar 5. Nilai keanggotaan untuk himpunan fuzzy segitiga

C.1. Himpunan penyokong

Himpunan penyokong (support set) dari fuzzy adalah himpunan nilai crisp
dari semua titik dalam semesta pembicaraan U yang nilai fungsi keanggotaannya
(f) > 0.

Gambar 6. Himpunan penyokong

C.2. Nilai ambang alfa-cut ( -cut of a fuzzy set)

Nilai ambang alfa-cut ( F ) merupakan himpunan crisp dari semua titik u
dalam semesta pembicaraan U dimana f . Dengan perkataan lain level alfa
merupakan nilai ambang batas domain yang didasarkan pada nilai keanggotaan
tiap-tiap domain. Himpunan ini berisi semua nilai domain yang merupakan
bagian dari himpunan fuzzy dengan nilai keanggotaan lebih besar atau sama
dengan alfa.

Gambar 7. Alfa-cut

C.3. Normalisasi
Normalisasi adalah proses untuk memetakan derajat keanggotaan tiap
elemen fuzzy agar nilai maksimum dari himpunan keanggotaan itu 1. Himpunan
nilai keanggotaan dapat tidak dinormalisasi dengan mengubah semua nilai
keanggotaan sehingga proporsional untuk tiap-tiap domain.
C.4. Fungsi Nilai Keanggotaan
Fungsi keanggotaan fuzzy ada beberapa macam antara lain :
1. fungsi keanggotaan segitiga

Gambar 8. Himpunan fungsi keanggotaan segitiga

0
u a / b a

S u; a, b, c
c u / c b
0

untuk __ u a
untuk __ a u b
untuk __ b u c
untuk __ u c

2. fungsi keanggotaan trapezium

Gambar 9. Himpunan Keanggotaan trapesium

0
u a / b a

S u : a, b, c, d 1
d u / d c

untuk
untuk
untuk
untuk
untuk

__ u a
__ a u b
__ b u c
__ c u d
__ u d

3. fungsi keanggotaan sigmoid

Gambar 10. Himpunan keanggotaan sigmoid

2 u a / c a

S u; a, b, c

untuk __ u a
untuk __ a u b

1 2 u c / c u
1

untuk __ b u c
untuk __ u c

4. fungsi keanggotaan gausian

Gambar 11. Himpunan keanggotaan gaussian

S u; c b, c b / 2, c
u;b, c
1 S u; c, c b / 2, c b
C.5. Operasi himpunan fuzzy
Himpunan fuzzy dapat dioperasikan dengan beberapa macam yaitu:
No.
1
2
3
4
5
6
7

Operasi
Equality
Union
Intersection
Complement
Normalitation
Concentration
Dilatation

Ekspresi operator
A(u)= B(u)
aUb(u)= max{ A(u), B(u)}
ab(u)= min{ A(u), B(u)}
A(u)= 1- A(u)
norml(A)(u) = A(u)/max(A(u))
conA(u)=( A(u))2
dilA(u)= (A(u))0.5

Keterangan
uU
uU
uU
uU
uU
uU
uU

Intensification

2( A (u))2

int( A) (u)

1 2(1 A (u))2

9
10
11
12

Algebraic
product
Bounded sum
Bounded
product
Drastic
product

A.B(u)= A(u). A(u)

uU

A+B(u)= min{1, A(u)+ B(u)}

AxB(u)=max{0, A(u)+ B(u)-1}

uU
uU

untuk __ B (u) 1

A (u )

AxB (u ) B (u )
0

untuk _ A (u) 1
untuk _ A (u), B (u) 1

D. Fuzzy Reasoning
Ada 2 cara yang sering dipakai dalam pengambilan kesimpulan
(reasoning) yaitu generalisasi modus ponen (GMP) dan generalisasi modus tolen
(GMT). Modus ponen sering disebut penyimpulan langsung (direct reasoning)
sedangkan modus tolen sering disebut penyimpulan tidak langsung (indirect
reasoning).
Misalkan suatu himpunan fuzzy dinyatakan dengan A, A, B, B dan
variabel linguistic dinyatakan dengan X dan Y, maka ekspresi dari modus ponen
dan modus tolen adalah :
Modus ponen :
Premise 1 (pengetahuan) : jika X adalah A maka Y adalah B
Premise 2 (fakta)

X adalah A

Kesimpulan

Y adalah B

Kesimpulan B dapat dinyatakan oleh :

B = A o R

Dimana :
R

= hubungan implikasi fuzzy dari

jika A maka B

o
A

= operator komposisi
= himpunan fuzzy yang bisa berbentuk : A, sangat A, sedikit A, agak
A, not A dll.

Modus Tolen :
Premise 1 (pengetahuan) : jika X adalah A maka Y adalah B
Premise 2 (fakta)

Y adalah B

Kesimpulan

X adalah A

Biasanya pengambilan kesimpulan dengan metode ini hanya valid jika B = not B
dan A = not A sehingga nilai A dapat dinyatakan dengan :

A = R o B

E. Sistem Inferensi Fuzzy

Pada umumnya tiap-tiap aturan (proposisi) fuzzy dinyatakan dalam bentuk
IF..THEN.. dan menyatakan suatu hubungan tertentu. Hubungan fuzzy ini sering
disebut implikasi. Hubungan fuzzy dalam knowledge base dapat didefinisikan
sebagai himpunan implikasi fuzzy.
Ada 2 jenis proposisi fuzzy yaitu condition fuzzy proposition dan
uncondition fuzzy proposition.
1. Condotion Fuzzy Proposition
Jenis ini dicirikan dengan penggunaan IF.
IF

x is

A THEN

is

Jika suatu proposisi menggunakan bentuk terkondisi maka ada 2 fungsi

implikasi yang dapat digunakan yaitu :
a. Minimum : fungsi ini memotong output himpunan fuzzy.

Gambar 12. fungsi implikasi min

b. Dot : fungsi ini menskalakan output himpunan fuzzy

Gambar 13. fungsi implikasi dot

2. Uncondition Fuzzy Proposition.

Jenis uncondition ditandai dengan tidak adanya pernyataan IF.
x is A
proposisi uncondition selalu diaplikasi dengan model AND.
Jika dalam system fuzzy terdapat beberapa aturan, maka ada 3 metode yang
dipakai dalam menentukan inferensi yaitu : max-min, additive dan probabilistic
OR (probor)
1. metode Max-Min
Max dapat dianalogikan dengan operasi logika OR sedangkan Min
dianalogikan dengan operasi logika AND.
2. metode additive
metode additive dilakukan dengan melakukan bounded-sum terhadap semua
output daerah fuzzy. Secara umum dapat dituliskan dengan L:
sf[xi] min (1, sf[xi] +kf[xi] )
sf[xi]
kf[xi]

= nilai keanggotaan solusi fuzzy sampai aturan ke-i

= nilai keanggotaan konsekuen (output) fuzzy sampai aturan ke-i

3. metode Probor
metode probor diperoleh dengan melakukan product (perkalian) terhadap
semua output daerah fuzzy. Secara umum ditulikan dengan :
sf[xi]

( sf[xi] +kf[xi] ) - ( sf[xi] *kf[xi] )

10

sf[xi]
kf[xi]

= nilai keanggotaan solusi fuzzy sampai aturan ke-i

= nilai keanggotaan konsekuen (output) fuzzy sampai aturan ke-i

F. Basis Aturan
Basis aturan terdiri dari sejumlah aturan yang biasanya dinyatakan secara
linguistic. Aturan fuzzy seringkali dinyatakan dengan IFTHEN..

Hal ini

didasarkan pada kebutuhan akan :

1. memfasilitasi kepakaran (expert) manusia

dengan cara yang tepat untuk

mengekspresikan pengetahuan dan pengalaman mereka.

2.

memfasilitasi desainer dengan cara yang mudah untuk membuat

dan memprogram aturan fuzzy.

3.

mengurangi biaya desain dan

4.

meningkatkan efisiensi pengambilan keputusan fuzzy (fuzzy

inference).
Jika variabel input lebih dari satu, biasanya ada penghubung yang

menyatakan relasi dari tiap-tiap input. Penghubung itu biasanya dinyatakan

dengan AND, OR, dan ALSO. Pemakaian penghubung itu misalnya ;
IF x1 IS

Ak1

OR x2

IS Ak2 THEN

y1 IS Bk1 ALSO y2 is Bk2

secara lebih singkat dapat dinyatakan

IF Ak1

OR

Ak2 THEN

Bk1 ALSO Bk

G. Defuzzifikasi
Ada beberapa metode defuzzifikasi antara lain :
1. metode centroid
metode centroid dilakukan dengan mengambil titik pusat daerah fuzzy.
Secara umum dirumuskan dengan :
n

z z dz
z
z dz

atau

z
j 1

(z j )

(z
j 1

11

2. metode bisector
metode bisector dilakukan dengan mengambil nilai dari domain fuzzy yang
memiliki nilai keanggotaan separo dari nilai keanggotaan fuzzy. Secara
dirumuskan dengan :
p

Rn

R1

z p _ sedemikian _ hingga __ ( z)dz (z)dz

3. metode Mean of Maximum (MOM)
metode MOM dilakukan dengan mengambil nilai rata-rata domain yang
memiliki nilai keanggotaan maksimum
4. metode Largest of Minimum (LOM)
metode LOM dilakukan dengan mengambil nilai terbesar dari domain yang
memiliki nilai keanggotaan maksimum.
5. metode Smallest of Maximum (SOM)]
metode LOM dilakukan dengan mengambil nilai terkecil dari domain yang
memiliki nilai keanggotaan maksimum

contoh fuzzy menggunakan toolbox matlab 6.5 :

1. matlab View Launch Pad Toolboxes Fuzzy Logic
2. pilih FIS Editor , akan muncul tampilan membership function.

12

Gambar 1.

13

Gambar 2.
3. membership function berfungsi untuk merubah bentuk dan nilai himpunan
keanggotaan.
4. untuk menambah/mengurangi variabel input output tekan menu Edit pada
FIS dan pilih FIS properties, aka akan muncul tampilan FIS Editor seperti
gambar di bawah.

14

Gambar 3.

5. untuk membuat aturan-aturan, tekan menu edit rules atau (ctrl+5).

15

Gambar 4.

6. untuk menampilkan aturan-aturan dalam bentuk himpunan keanggotaan

tekan View rules, maka akan muncul Rule viewer seperti gambar dibawah.

16

Gambar 5.

7. untuk menampilkan surface, pilih view surface, maka akan muncul

tampilan seperti pada gambar dibawah ini.

17

Gambar 6.

DAFTAR PUSTAKA :
1. Iterative Dichotomizer Three, Teori dan Aplikasi, Danny Manongga, 2005, FTI
UKSW.
2. Pengantar Algoritma Genetik, Danny Manongga, 2005, FTI UKSW.
3. Membangun Jaringan Saraf Tiruan menggunakan matlab, Sri Kusumadewi,
2004, Graha Ilmu.
4. Using Fuzzy Logic, Toward Intelligent System, Jun Yan dkk,1993, Prentice
Hall.
5. Fundamental of Neural Networks, Laurene Fauset, 1994, Prentice Hall.

18