Anda di halaman 1dari 42

SISTEM FUZZY

Cara pemrosesan data dengan memperkenankan penggunaan partial set


membership dibanding crisp set membership atau non-membership merupakan konsep
yang diperkenalkan oleh Prof. Lotfi Zadeh dari Universitas California di Berkeley pada
1965, yang mengawali munculnya konsep Fuzzy Logic. Profesor Zadeh berpikir bahwa
orang tidak membutuhkan kepastian, masukan informasi numerik dan belum mampu
terhadap kontrol adaptif yang tinggi. Dasar teori logika fuzzy adalah himpunan fuzzy.
Teori himpunan fuzzy merupakan perluasan dari teori himpunan klasik dengan teori
yang menyatakan bahwa keberadaan elemen dalam suatu himpunan sangatlah penting
karena menjadi penentu derajat keanggotaan yang hanya akan memiliki 2 kemungkinan
keanggotaan.

Fuzzy logic merupakan sebuah metodologi berhitung dengan variabel kata-


kata (linguistic variable), sebagai penggantian berhitung dengan bilangan. Kata-kata
yang digunakan dalam logika fuzzy memang tidak sepresisi bilangan, namun kata-kata
jauh lebih dekat dengan intuisi manusia.(Dr. Eng Agus Naba, 2009). Fuzzy Logic
memberikan metodologi pemecahan masalah dengan beribu-ribu aplikasi dalam
pengendali yang tersimpan dan pemrosesan informasi. Cocok untuk diimplementasikan
pada sistem yang sederhana, kecil, tertanam pada mikro controller, PC multi-channel
atau workstation berbasis akuisisi data dan kontrol sistem. Fuzzy logic menyediakan
cara sederhana untuk menggambarkan kesimpulan pasti dari informasi yang ambigu,
samar -samar, atau tidak tepat. Sedikit banyak, fuzzy logic menyerupai pembuatan
keputusan pada manusia dengan kemampuannya untuk bekerja dari data yang
ditafsirkan dan mencari solusi yang tepat. Fuzzy logic pada dasarnya merupakan logika
bernilai banyak (multivalued logic) yang dapat mendefinisikan nilai diantara keadaan
konvensional seperti ya atau tidak, benar atau salah, hitam atau putih, dan sebagainya.
Secara umum dalam sistem logika fuzzy terdapat empat buah elemen dasar, yaitu (Jang,
J.S.R., Sun, C.T., Mizutani,E, 1997):
1. Basis kaidah (rule base), yang berisi aturan-aturan secara linguistik yang
bersumber dari para pakar,
2. Suatu mekanisme pengambilan keputusan (inference engine), yang memperagakan
bagaimana para pakar mengambil suatu keputusan dengan menerapkan
pengetahuan (knowledge),
3. Proses fuzzifikasi (fuzzification), yang mengubah besaran tegas (crisp) ke besaran
fuzzy,
4. Proses defuzzifikasi (defuzzification), yang mengubah besaran fuzzy hasil dari
inference engine, menjadi besaran tegas (crisp).
Fuzzy logic menjadi penghubung pemrosesan input menuju output dengan cara
memetakan permasalahan yang ada menggunakan metode yang dapat menghasilkan
informasi yang baik. Berikut merupakan alasan mengapa orang menggunakan logika
fuzzy (Sri Kusumadewi dan Hari Purnomo, 2010):

1. Konsep logika fuzzy mudah dimengerti. Karena logika fuzzy menggunakan


dasar teori himpunan, maka konsep matematis yang mendasari penalaran fuzzy
tersebut cukup mudah untuk dimengerti.
2. Logika fuzzy sangat fleksibel, artinya mampu beradaptasi dengan perubahan-
perubahan, dan ketidakpastian yang menyertai permasalahan.
3. Logika fuzzy memiliki toleransi terhadap data yang tidak tepat. Jika diberikan
sekelompok data yang cukup homogen, dan kemudian ada beberapa data yang
ekslusif, maka logika fuzzy memiliki kemampuan untuk menangani data
eksklusif tersebut.
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. Dalam hal ini,
sering dikenal dengan nama Fuzzy Expert System menjadi bagian terpenting.
6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara
konvensional. Hal ini umumnya terjadi pada aplikasi di bidang teknik mesin
maupun teknik elektro.
Logika fuzzy didasarkan pada bahasa alami. Logika fuzzy menggunakan bahasa sehari-
hari sehingga mudah dimengerti.
Fuzzy Set
Fuzzy set (himpunan fuzzy) adalah sebuah himpunan di mana keanggotaan dari
tiap elemennya tidak mempunyai batas yang jelas. Pada himpunan tegas (crisp), nilai
keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan A(x),
memiliki dua kemungkinan, yaitu (Sri Kusumadewi dan Hari Purnomo, 2010):

Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan,
atau
Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu
himpunan
Terkadang kemiripan antara keanggotaan fuzzy dengan probabilitas
menimbulkan kerancuan. Keduanya memiliki nilai pada interval [0,1]. Namun
interpretasi nilainya sangat berbeda antara kasus-kasus tersebut. Keanggotaan fuzzy
memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan probabilitas
mengindikasikan proporsi terhadap keseringan suatu hasil bernilai benar dalam jangka
panjang.

Himpunan fuzzy memiliki 2 atribut yaitu (Sri Kusumadewi dan Hari Purnomo, 2010):

1. Linguistik, yaitu penamaan suatu grup yang memiliki suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami.
2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu
variabel
Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu (Sri
Kusumadewi dan Hari Purnomo, 2010):

a. Variabel Fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem
fuzzy
b. Himpunan Fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau
keadaan tertentu dalam suatu variabel fuzzy.
c. Semesta Pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan
himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari
kiri ke kanan atau sebaliknya. Nilai semesta pembicaraan dapat berupa bilangan
positif maupun negatif.
d. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diizinkan 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:

Temperatur suhu didaerah lhokseumawe memiliki range 20 45 . Pada saat

ini suhu mencapai 30 , apakah dengan temperatur demikian suhu dikatakan dingin

atau panas?
Jika kita melakukan perhitungan dengan himpunan tegas (crisp) yang hanya memiliki
nilai 0 dan 1. Maka dapat disimpulkan bahwa suhu tersebut adalah dingin.
Namun, kurang layak jika menilai kondisi tersebut secara tidak lengkap. Kita pun harus
tau saat ini keadaan siang atau malam. Karena jika siang maka kondisi tersebut bisa saja
dikatakan dingin, tetapi jika malam apakah suhu tersebut juga dikatakan dingin?
Disini lah peranan logika fuzzy yang dapat melakukan perhitungan yang datanya kurang
jelas atau masih samar-samar.
Jawab:
Jika Siang:
Kondisi suhu semakin lama semakin meningkat maka kita gunakan perhitungan
represantasi linear naik.
0; x a

[x] (x a) /(b a); a x b
1; x b

(30) = (30-20)/(45-20)
= 10/25
= 0,40
Dari rentang nilai 0 1 nilai 0,40 lebih mendekati 0 sehingga dapat dikatakan bahwa
suhu tersebut dingin.
Jika Malam:
Kondisi suhu semakin lama semakin menurun maka kita gunakan perhitungan
represantasi linear turun.
(b x ) /(b a); a x b
[x]
0; x b

(30) = (45-30)/(45-20)
= 15/25
= 0,60
Dari rentang nilai 0 1 nilai 0,60 lebih mendekati 1 sehingga dapat dikatakan bahwa
suhu tersebut panas.
Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang
menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya yang
memiliki interval 0 sampai 1. Salah satu cara yang dapat digunakan untuk
mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa
fungsi yang dapat digunakan, yaitu (Sri Kusumadewi dan Sri Hartati, 2010):

a. Representasi Linier
Pada representasi linier, pemetaan input ke derajat keanggotaanya digambarkan
sebagai garis lurus. Ada 2 keadaan himpunan fuzzy yang linier.

1. Kenaikan himpunan dimulai pada nilai domain yang memiliki derajat


keanggotaan nol [0] bergerak ke kanan menuju nilai domain yang memiliki
derajat keanggotaan lebih tinggi seperti gambar 1.

Gambar 1 Representasi Linear Naik


Fungsi Keanggotaan dinyatakan dengan :
0; x a

[x] (x a) /(b a); a x b
1; x b

(F.1)
2. 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, yang dapat dilihat pada gambar 2.
Gambar 2 Representasi Linear Turun
Fungsi Keanggotaan dinyatakan dengan :
(b x ) /(b a); a x b
[x]
0; x b
(F.2)
b. Representasi Kurva Segitiga
Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linier) seperti
terlihat pada gambar 3.

Gambar 3 Kurva Segitiga


Fungsi Keanggotaan dinyatakan dengan :
0; x a atau x c

[ x] (x - a)/(b - a); a x b
(c - x)/(c - b); b x c

(F.3)

c. Representasi Kurva Trapesium

Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja pada rentang
tertentu ada beberapa titik yang memiliki nilai keanggotaan 1 (Gambar 4).
Gambar 4 Kurva Trapesium

Fungsi Keanggotaan dinyatakan dengan :


0; x a atau x d

(x - a)/(b - a); axb
[x]
1; bxc
(d - x)/(d - c); x d
(F.4)
d. Representasi Kurva Bentuk Bahu
Daerah yang terletak di tengah-tengah suatu variabel yang dipresentasikan
dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun.
Tetapi terkadang salah satu sisi dari variabel tersebut tidak mengalami
perubahan. Himpunan fuzzy bahu bukan segitiga, digunakan untuk
mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak dari benar ke
salah, demikian juga bahu kanan bergerak dari salah ke benar.

Gambar 5 Kurva Bentuk Bahu

e. Representasi Kurva-S
Kurva PERTUMBUHAN dan PENYUSUTAN merupakan kurva-S atau
sigmoid yang berhubungan dengan kenaikan dan penurunan permukaan
secara tak linear.
Kurva-S untuk PERTUMBUHAN akan bergerak dari sisi paling kiri (nilai
keanggotaan = 0) ke sisi paling kanan (nilai keanggotaan = 1). Fungsi
keanggotaannya akan tertumpu pada 50% nilai keanggotaannya yang sering
disebut dengan titik infleksi, untuk lebih jelas dapat memperhatikan gambar
6.

Gambar 6 Kurva-S: PERTUMBUHAN

Kurva-S untuk penyusutan akan bergerak dari sisi paling kanan (nilai
keanggotaan = 1) ke sisi paling kiri (nilai keanggotaan = 0) seperti terlihat
pada Gambar 7.

Gambar 7 Kurva-S: PENYUSUTAN

Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu: nilai


keanggotaan nol(), nilai keanggotaan lengkap(), dan titik infleksi atau
crossover() yaitu titik yang memiliki domain 50% benar. Gambar 8
menunjukkan karakteristik kurva-S dalam bentuk skema.
Gambar 8 Karakteristik Fungsi Kurva-S

Fungsi keanggotaan pada kurva PERTUMBUHAN adalah:


0; xa
- x
2((x - )/( - ))
2
S ( x; ; ; )
1 - 2(( - x)/( - )) - x
2

1 x
(F.5)
Fungsi keanggotaan pada kurva PENYUSUTAN adalah:
1; xa
1 - 2(( - x)/( - )) 2 - x

S ( x; ; ; )
2((x - )/( - ))
2
- x
0 x
(F.6)

f. Representasi Kurva Bentuk Lonceng (Bell Curve)


Untuk merepresentasikan bilangan fuzzy, biasanya digunakan kurva
berbentuk lonceng. Kurva berbentuk lonceng ini terbagi atas 3 kelas, yaitu:
himpunan fuzzy PI, beta dan Gauss. Perbedaan ketiga kurva ini terletak pada
gradiennya.
1. Kurva PI
Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak
pada pusat dengan domain (), dan lebar kurva () seperti terlihat
pada Gambar 9.
Gambar 9 Karakteristik Fungsional Kurva PI

Fungsi keanggotaan:


S x; - , - , - x
2
( x, , )

1 - S x; , ,

- x
2

(F.6)
2. Kurva BETA
Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng namun
lebih rapat. Kurva ini juga didefinisikan dengan 2 parameter, yaitu
nilai pada domain yang menunjukkan pusat kurva(), dan setengah
lebar kurva() seperti terlihat pada Gambar 10.

Gambar 10 Karakteristik Fungsional Kurva BETA


Fungsi keanggotaan:
1
B ( x ; , )= 2
x
1+ ( )

(F.7)

Salah satu perbedaan mencolok kurva BETA dari kurva PI adalah,


fungsi keanggotaannya akan mendekati nol hanya jika nilai () sangat
besar.
3. Kurva GAUSS
Jika kurva PI dan kurva BETA menggunakan 2 parameter yaitu ()
dan (), kurva GAUSS juga menggunakan () untuk menunjukkan
nilai domain pada pusat kurva, dan (k) yang menunjukkan lebar
kurva (Gambar 11).

Gambar 11 Karakteristik Fungsional Kurva GAUSS

Fungsi keanggotaan:
2

G ( x ; k , )=ek( x) (F.8)

Contoh 1:
Sebuah variabel fuzzy temperatur dalam sistem fuzzy memiliki 2 himpunan fuzzy,
yaitu: DINGIN dan PANAS. Semesta pembicara untuk variabel temperatur adalah [20,

45]. Suhu saat ini adalah 30 .

Jawab
Jika Siang:
Kondisi suhu semakin lama semakin meningkat maka kita gunakan perhitungan
represantasi linear naik.
(30) = (30-20)/(45-20)
= 10/25
= 0,40

Jika Malam:
Kondisi suhu semakin lama semakin menurun maka kita gunakan perhitungan
represantasi linear turun.
(30) = (45-30)/(45-20)
= 15/25
= 0,60
Contoh 2:
Sebuah variabel fuzzy temperatur dalam sistem fuzzy memiliki 3 himpunan fuzzy,
yaitu: DINGIN, NORMAL, PANAS. Semesta pembicara untuk variabel temperatur

adalah [20,45]. Suhu saat ini adalah 30 .

Jawab
(30) = (30-20)/(32-20) karena a x b
= 10/12
= 0,8

Contoh 3:
Sebuah variabel fuzzy temperatur dalam sistem fuzzy memiliki 3 himpunan fuzzy,
yaitu: DINGIN, NORMAL, PANAS. Semesta pembicara untuk variabel temperatur
adalah [20,45], untuk himpunan fuzzy NORMAL rentang nilai temperatur yang

diperoleh adalah 28 38 . Suhu saat ini adalah 30 .

Jawab
(30) = 1 karena b x c
Latihan 1:
Sebuah variabel fuzzy temperatur dalam sistem fuzzy memiliki 5 himpunan fuzzy,
yaitu: DINGIN, SEJUK, NORMAL, HANGAT, PANAS. Semesta pembicara untuk
variabel temperatur adalah [0, 45]. Nilai domain himpunan fuzzy sebagai berikut:
DINGIN = [0, 25]
SEJUK = [20, 30]
NORMAL = [25, 35]
HANGAT = [30, 40]
PANAS = [35, 45]

Suhu saat ini adalah 27 . Tentukan Fungsi Keanggotaan untuk setiap kondisi

menggunakan logika fuzzy.


n

Jawab
1; 27 0

dingin[27] (25 27) /( 25 0); 0 27 25
0; 27 25

dingin[27] 0

0; 27 20 atau 27 30

sejuk [ 27] (27 - 20)/(25 - 20); 20 27 25
(30 - 27)/(30 - 25); 25 27 30

(30 27)
sejuk [ 27]
(30 25)
sejuk [ 27] 0,6
0; 27 25 atau 27 35

normal[27] (27 - 25)/(30 - 25); 25 27 30
(35 - 27)/(35 - 30); 30 27 35

(27 25)
normal[27]
(30 25)
normal[27] 0,4

0; 27 30 atau 27 40

hangat[27] (27 - 30)/(35 - 30); 30 27 35
(40 - 27)/(40 - 35); 35 27 40

hangat[27] 0

0; 27 35 atau 27 45

panas[ 27] (27 - 35)/(40 - 35); 35 27 45
(45 - 27)/(45 - 40); 40 27 45

panas[ 27] 0

Operator Dasar Zadeh Untuk Operasi Himpunan Fuzzy


Seperti halnya himpunan konvensional, ada beberapa operasi yang didefinisikan
secara khusus untuk mengkombinasikan dan memodifikasi himpunan Fuzzy. Nilai
keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama Fire
Strenght. Ada 3 operator dasar yang diciptakan oleh Zadeh yaitu (Sri Kusumadewi dan
Sri Hartati, 2010):

a. Operator AND
Operator ini berhubungan dengan operasi interseksi pada himpunan -predikat
sebagai operasi dengan operator AND diperoleh dengan mengambil nilai
keanggotaan terkecil antar elemen pada himpunan-himpunan yang
bersangkutan. Untuk persamaan pada operator AND,dapat dilihat pada
persamaan F.9

AB= min (A[x], B[y]) (F.9)


b. Operator OR
Operator ini berhubungan dengan operasi union pada himpunan -predikat
sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai
keanggotaan terbesar antar elemen pada himpunan-himpunan yang
bersangkutan. Untuk persamaan pada operator OR, dapat dilihat pada persamaan
F.10

AB = max (A[x], B[y]) (F.10)

c. Operator NOT
Operator ini berhubungan dengan operasi komplemen pada himpunan -
predikat sebagai hasil operasi dengan operator NOT diperoleh dengan
mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan.
Untuk persamaan pada operator NOT ,dapat dilihat pada persamaan F.11

A= 1- A [x] (F.11)

Penalaran Monoton
Metode penalaran monoton digunakan sebagai dasar untuk teknik implikasi Fuzzy.
Meskipun penalaran ini sudah jarang sekali digunakan namun terkadang masih
digunakan untuk penskalaan Fuzzy. Jika 2 daerah Fuzzy dideklarasikan dengan
implikasi sederhana sebagai berikut (Cox, 1994):

IF x is A THEN y is B (F.12)

Transfer fungsi:

Y= f ( ( x ,A) , B ) (F.13)

maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan dekomposisi fuzzy.
Nilai output dapat diestimasi secara langsung dari derajat keanggotaan yang
berhubungan dengan antesedennya.

Fuzzy Inference System


Sistem Inferensi Fuzzy (Fuzzy Inference System/FIS) disebut juga fuzzy
inference engine adalah sistem yang dapat melakukan penalaran dengan prinsip serupa
seperti manusia melakukan penalaran dengan nalurinya. (Priyo Sidik Sasongko, 2007).

Fuzzy Inference System memiliki beberapa jenis metode yang biasa digunakan yaitu
Metode Tsukamoto, Metode Mamdani, dan Metode Sugeno. Input yang diberikan
kepada Fuzzy Inference System adalah berupa bilangan tertentu dan output yang
dihasilkan juga harus berupa bilangan tertentu. Kaidah-kaidah dalam bahasa linguistik
dapat digunakan sebagai input yang bersifat teliti harus dikonversikan terlebih dahulu,
lalu melakukan penalaran berdasarkan kaidah-kaidah dan mengkonversi hasil penalaran
tersebut menjadi output yang bersifat teliti. (Priyo Sidik Sasongko, 2007).

Metode Tsukamoto
Pada metode Tsukamoto setiap konsekuen pada aturan yang berbentuk IF-THEN
harus direpresentasikan dengan himpunan fuzzy dengan fungsi keanggotaan yang
monoton 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.

Ada 2 var input: var-1 (x), dan var-2 (y); serta 1 var output: var-3 (z). Dimana var-1
terbagi atas himpunan A1 & A2; var-2 terbagi atas himpunan B1 & B2; var-3 terbagi
atas himpunan C1 & C2 (C1 dan C2 harus monoton). Ada 2 aturan yang digunakan:

if (x is A1) and (y is B2) then (z is C1) (F.10)

if (x is A2) and (y is B2) then (z is C2) (F.11)

Alur inferensi seperti ini untuk mendapatkan suatu nilai crips seperti terlihat
pada gambar 12.
Gambar 12 Alur Inference
Contoh Kasus
Suatu perusahaan konvensi pakaian memiliki data permintaan terbesar dalam 1 bulan
adalah 500 unit pesanan dan paling sedikit 100 unit pesanan pakaian jadi. Dengan
keterbatasan yang dimiliki, perusahaan ini hanya mampu membuat paling banyak 700
unit pakaian, dan saat pemintaan menurun perusahaan ini mampu paling sedikit
membuat 200 unit pakaian. Untuk persediaan pakaian siap yang ada terbanyak adalah
60 unit dan yang terkecil pernah mencapai 10 unit. Saat ini jumlah permintaan adalah
400 unit pakaian dengan persediaan yang masih ada 30 unit. Berapa unit pakaian yang
harus disiapkan dengan berbagai kemungkinan yang ada?
Solusi
Proses produksi :
- Jika permintaan TURUN dan persediaan BANYAK maka produksi BERKURANG;
- Jika permintaan TURUN dan persediaan SEDIKIT maka produksi BERKURANG;
- Jika permintaan NAIK dan persediaan BANYAK maka produksi BERTAMBAH;
- Jika permintaan NAIK dan persediaan SEDIKIT maka produksi BERTAMBAH;
Ada 3 (tiga) variabel fuzzy yang akan dimodelkan, yaitu: Permintaan, Persediaan dan
Produksi.
a. Permintaan
Variabel terdiri dari 2 (dua) himpunan fuzzy, yaitu Naik dan Turun.
Fungsi Keanggotaan:
1; x 100
(500 x)
pmtTURUN[ x] ; 100 x 500
(500 100)
0; x 500

(500 400)
pmtTURUN[400]
400
pmtTURUN[400] 0,25

0; x 100
( x 100)
pmtNAIK[ x] ; 100 x 500
(500 100)
1; x 500

(400 100)
pmtNAIK[400]
400
pmtNAIK[400] 0,75

b. Persediaan
Variabel Persediaan terdiri dari 2 (dua) himpunan fuzzy, yaitu Sedikit dan
Banyak.
Fungsi Keanggotaan:
1; y 100
(60 y )
psdSEDIKIT[ y ] ; 10 y 60
(60 10)
0; y 60

(60 30)
psdSEDIKIT[30]
50
psdSEDIKIT[30] 0,6

0; y 10
( y 10)
psdBANYAK[ y ] ; 10 y 60
(60 10)
1; y 60

(30 10)
psdBANYAK[30]
50
psdBANYAK[30] 0,4

c. Produksi
Variabel Produksi terdiri dari 2 (dua) himpunan fuzzy, yaitu Berkurang dan
Bertambah.

Fungsi Keanggotaan:
1; z 200
(700 z )
prdBERKURANG [ z ] ; 200 z 700
( 700 200 )
0; z 700

0; z 200
( z 200)
prdBERTAMBAH [ z ] ; 200 z 200
(700 200)
1; z 700

Cari nilai z untuk setiap aturan dengan menggunakan fungsi MIN pada aplikasi fungsi
implikasi.
[R1] IF Permintaan TURUN AND Persediaan BANYAK THEN Produksi
BERKURANG;
predikat1 pmtTURUN psdBANYAK
min( pmtTURUN (400), psdBANYAK (30))
min( 0,25;0,4)
0,25

(700 z )
prdBERKURANG [ z1 ]
(700 200)
700 z
0,25
500
700 z 0,25 * 500
z 700 125
z1 575

[R2] IF Permintaan TURUN AND Persediaan SEDIKIT THEN Produksi


BERKURANG;
predikat2 pmtTURUN psdSEDIKIT
min( pmtTURUN (400), psdSEDIKIT (30))
min( 0,25;0,6)
0,25
(700 z )
prdBERKURANG [ z 2 ]
(700 200)
700 z
0,25
500
z2 575

[R3] IF Permintaan NAIK AND Persediaan BANYAK THEN Produksi


BERTAMBAH;
predikat3 pmtNAIK psdBANYAK
min( pmtNAIK (400), psdBANYAK (30))
min( 0,75;0,4)
0,4

( z 200)
prdBERTAMBAH [ z3 ]
(700 200)
z 200
0,4
500
z3 400

[R4] IF Permintaan NAIK AND Persediaan SEDIKIT THEN Produksi


BERTAMBAH;
predikat4 pmtNAIK psdSEDIKIT
min( pmtNAIK ( 400), psdSEDIKIT (30))
min( 0,75;0,6)
0,6

( z 200)
prdBERTAMBAH [ z 4 ]
(700 200)
z 200
0,6
500
z4 500

Tentukan nilai z:
(predikat1 z1 ) (predikat 2 z2 ) (predikat3 z3 ) (predikat4 z 4 )
z
predikat1 predikat2 predikat3 predikat4
(0,25 575) (0,25 575) (0,4 400) (0,6 500)

0,25 0,25 0,4 0,6
747,5

1,5
498,33
498

Jadi jumlah pakaian yang harus disiapkan adalah 498 unit pakaian.

Metode Mamdani
Metode Mamdani sering dikenal sebagai Metode Max-Min. Metode ini
diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output,
diperlukan 4 tahapan (Sri Kusumadewi dan Hari Purnomo, 2010):

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
inference diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode yang
digunakan dalam melakukan inferensi sistem fuzzy, yaitu: max, additive dan
probabilistic OR (probor).
a. 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 proposissi telah di evaluasi, maka outpu 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
sf(xi) = nilai keanggotaan konsekuen fuzzy aturan ke-i
Jika menggunakan fungsi implikasi MIN, maka metode komposisi ini sering
disebut dengan nama MAX-MIN atau MIN-MAX atau MAMDANI.
b. Metode Additive (Sum)
Pada motode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
bounded-sum terhadap semua output daerah fuzzy.
Secara umum dapat dituliskan:
sf ( xi ) min( 1, sf ( xi ) kf ( xi ))
dengan:
sf(xi) = nilai keanggotaan solusi fuzzy sampai aturan ke-i
sf(xi) = nilai keanggotaan konsekuen fuzzy aturan ke-i
c. Metode Probabilistik OR (probor)
Pada motode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
product terhadap semua output daerah fuzzy.
Secara umum dapat dituliskan:
sf ( xi ) ( sf ( xi ) kf ( xi )) ( sf ( xi ) kf ( xi ))
dengan:
sf(xi) = nilai keanggotaan solusi fuzzy sampai aturan ke-i
sf(xi) = nilai keanggotaan konsekuen fuzzy aturan ke-i

4. Penegasan (defuzzy)
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 metode defuzzifikasi pada komposisi aturan MAMDANI, antara
lain:
a. Metode Centroid
Pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat (z*)
daerah fuzzy.
Secara umum dapat dituliskan:

z ( z )dz
z z

( z )dz
z
untuk variabel kontinu
n

z ( z )dz
j 1
j j

z n

(z )
j 1
j

untuk variabel diskret


b. Metode Bisektor
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai pada
domain fuzzy yang memiliki nilai keanggotaan setengah dari jumlah total nilai
keanggotaan pada daerah fuzzy.
Secara umum dapat dituliskan:
p n

zp ( z )dz ( z )dz
1 p
sedemikian hingga
c. Metode Mean of Maximum (MOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata-rata
domain yang memiliki nilai keanggotaan maksimum.
d. Metode Largest of Maximum (LOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terbesar
dari domain yang memiliki nilai keanggotaan maksimum.
e. Metode Smallest of Maximum (SOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terkecil
dari domain yang memiliki nilai keanggotaan maksimum.
Contoh Kasus
Suatu perusahaan konvensi pakaian memiliki data permintaan terbesar dalam 1 bulan
adalah 500 unit pesanan dan paling sedikit 100 unit pesanan pakaian jadi. Dengan
keterbatasan yang dimiliki, perusahaan ini hanya mampu membuat paling banyak 700
unit pakaian, dan saat pemintaan menurun perusahaan ini mampu paling sedikit
membuat 200 unit pakaian. Untuk persediaan pakaian siap yang ada terbanyak adalah
60 unit dan yang terkecil pernah mencapai 10 unit. Saat ini jumlah permintaan adalah
400 unit pakaian dengan persediaan yang masih ada 30 unit. Berapa unit pakaian yang
harus disiapkan dengan berbagai kemungkinan yang ada?
Solusi
Proses produksi :
- Jika permintaan TURUN dan persediaan BANYAK maka produksi BERKURANG;
- Jika permintaan TURUN dan persediaan SEDIKIT maka produksi BERKURANG;
- Jika permintaan NAIK dan persediaan BANYAK maka produksi BERTAMBAH;
- Jika permintaan NAIK dan persediaan SEDIKIT maka produksi BERTAMBAH;
Pembentukan aturan
Ada 3 (tiga) variabel fuzzy yang akan dimodelkan, yaitu: Permintaan, Persediaan dan
Produksi. (lihat pembahasan sebelumnya)
Aplikasi fungsi implikasi
[R1] IF Permintaan TURUN AND Persediaan BANYAK THEN Produksi
BERKURANG;
predikat1 pmtTURUN psdBANYAK
min( pmtTURUN (400), psdBANYAK (30))
min( 0,25;0,4)
0,25

[R2] IF Permintaan TURUN AND Persediaan SEDIKIT THEN Produksi


BERKURANG;
predikat2 pmtTURUN psdSEDIKIT
min( pmtTURUN (400), psdSEDIKIT (30))
min( 0,25;0,6)
0,25

[R3] IF Permintaan NAIK AND Persediaan BANYAK THEN Produksi BERTAMBAH;


predikat3 pmtNAIK psdBANYAK
min( pmtNAIK (400), psdBANYAK (30))
min( 0,75;0,4)
0,4
[R4] IF Permintaan NAIK AND Persediaan SEDIKIT THEN Produksi BERTAMBAH;
predikat4 pmtNAIK psdSEDIKIT
min( pmtNAIK (400), psdSEDIKIT (30))
min( 0,75;0,6)
0,6

Komposisi aturan
Dari hasil aplikasi fungsi implikasi dari tiap aturan, digunakan metode Max untuk
melakukan komposisi antarsemua aturan.

Dari hasil komposisi, dibagi menjadi 3 bagian, yaitu A1, A2 dan A3. Kemudian dicari
nilai a1 dan a2.
(a1 200) (a 2 200)
0,25 0,6
(700 200) (700 200)
(a1 200) (a 2 200)
0,25 0,6
500 500
a1 (0,25 * 500) 200 a 2 (0,6 * 500) 200
a1 325 a 2 500

Sehingga, fungsi keanggotaan untuk hasil komposisi adalah


0,25; z 325
( z 200)
[ z ] ; 325 z 500
(700 200) z 500
0,6;

penegasan (defuzzy)
Untuk kasus ini metode penegasan yang digunakan adalah metode centroid.
Hitung momen untuk setiap daerah:
325 325
M 1 (0,25) zdz M 1 (0,25) zdz 0,25 / 2
0 0

325 325
0,125 z 2 0,125 z 2 3252 * 0,125
0 0
132031,25 13203,125
ket
500
(z 200) 500
( z 200)
M2
325 500
zdz M2
325
500
zdz

500 500

(0,002z 0,4z)dz (0,002 z


2
2
0,4 z )dz
325 325

500 500
0,00067z 3 0,00067 z 3 0,2 z 2
325 325
31875,15625 31875,15625

500
( z 200)
M2
325
500
zdz (( 200 / 500) / 200) (200 / 500)

500
(0,002 z 0,4 z )dz (0,002 / 3) z 3 (0,4 / 2) z 2
2

325

500
0,00067 z 3 0,2 z 2 ((5003 3253 ) * 0,00067) ((500 2 325 2 ) * 0,2)
325
31875,15625
ket
700 700
M3 (0,6) zdz
500
M3 (0,6) zdz 0,6 / 2
500

700 700
0,3 z 2 0,3 z 2 (700 2 500 2 ) 0,3
500 500
72000 72000
ket
Hitung luas setiap daerah:
A1 325 0,25 81,25
(0,25 0,6) * (500 325)
A2 74,375
2
A3 (700 500) 0,6 120

Hitung titik pusat:


13203,125 31875,15625 72000
z
81,25 74,375 120
424,774

Jadi jumlah pakaian yang harus disiapkan adalah 423 unit pakaian.
Jadi jumlah pakaian yang harus disiapkan adalah 424 unit pakaian.

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 diperkenlkan oleh Takani-Sugeno Kang
pada tahun 1985, sehingga metode ini sering juga disebut dengan Metode TSK (Cox
1994). Metode TSK terdiri dari 2 jenis, yaitu (Sri Kusumadewi dan Hari Purnomo,
2010):

a. Mode Fuzzy Sugeno Orde-Nol


Secara umum bentuk model fuzzy SUGENO Orde-Nol adalah:
IF(x1 is A1)o(x2 is A2)o.o(xn is An) THEN z=k
dengan A1 adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu
konstanta (tegas) sebagai konsekuen.
b. Mode Fuzzy Sugeno Orde-Satu
Secara umum bentuk model fuzzy SUGENO Orde-Satu adalah:
IF(x1 is A1)o.o(xn is An) THEN z= p1*x1++pN*xN+q
dengan A1 adalah himpunan fuzzy ke-I sebagai anteseden, dan pi adalah suatu
konstanta (tegas) ke-i dan q juga merupakan konstanta dalma konsekuen.

Apabila komposisi aturan menggunakan metode SUGENO, maka deffuzifikasi


dilakukan dengan dengan cara mencari nilai rata-rata.

Contoh Kasus
Suatu perusahaan konvensi pakaian memiliki data permintaan terbesar dalam 1 bulan
adalah 500 unit pesanan dan paling sedikit 100 unit pesanan pakaian jadi. Dengan
keterbatasan yang dimiliki, perusahaan ini hanya mampu membuat paling banyak 700
unit pakaian, dan saat pemintaan menurun perusahaan ini mampu paling sedikit
membuat 200 unit pakaian. Untuk persediaan pakaian siap yang ada terbanyak adalah
60 unit dan yang terkecil pernah mencapai 10 unit. Saat ini jumlah permintaan adalah
400 unit pakaian dengan persediaan yang masih ada 30 unit. Berapa unit pakaian yang
harus disiapkan dengan berbagai kemungkinan yang ada?
Catt: jumlah permintaan selalu lebih banyak dari pada jumlah persediaan.
Solusi
Proses produksi :
- Jika permintaan TURUN dan persediaan BANYAK maka produksi sama dengan
permintaan dikurang persediaan;
- Jika permintaan TURUN dan persediaan SEDIKIT maka produksi sama dengan
permintaan;
- Jika permintaan NAIK dan persediaan BANYAK maka produksi sama dengan
permintaan;
- Jika permintaan NAIK dan persediaan SEDIKIT maka produksi sama dengan satu
setengah dikali permintaan, lalu dikurang persediaan;
Cari -predikat dan nilai z untuk setiap aturan
[R1] IF Permintaan TURUN AND Persediaan BANYAK
THEN Produksi = Permintaan-Persediaan;
predikat1 pmtTURUN psdBANYAK
min( pmtTURUN (400), psdBANYAK (30))
min( 0,25;0,4)
0,25

Nilai z1:z1 = 400-30 = 370


[R2] IF Permintaan TURUN AND Persediaan SEDIKIT
THEN Produksi = Permintaan;
predikat2 pmtTURUN psdSEDIKIT
min( pmtTURUN (400), psdSEDIKIT (30))
min( 0,25;0,6)
0,25
Nilai z2:z2 = 400
[R3] IF Permintaan NAIK AND Persediaan BANYAK
THEN Produksi = Permintaan;
predikat3 pmtNAIK psdBANYAK
min( pmtNAIK (400), psdBANYAK (30))
min( 0,75;0,4)
0,4

Nilai z3:z3 = 400


[R4] IF Permintaan NAIK AND Persediaan SEDIKIT
THEN Produksi = (1,5*Permintaan)-Persediaan;
predikat4 pmtNAIK psdSEDIKIT
min( pmtNAIK (400), psdSEDIKIT (30))
min( 0,75;0,6)
0,6

Nilai z4:z4 = (1,5*400)-30 = 570

(predikat1 z1 ) (predikat 2 z 2 ) (predikat3 z3 ) (predikat4 z 4 )


z
predikat1 predikat2 predikat3 predikat4
(0,25 370) (0,25 400) (0,4 400) (0,6 570)

0,25 0,25 0,4 0,6
694,5

1,5
463

Jadi jumlah pakaian yang harus disiapkan adalah 463 unit pakaian.
Defuzzyfikasi
Kuswadi, (2000) mengatakan bahwa dalam sistem kontrol secara umum,
terdapat suatu hubungan sebab akibat yang spesifik antara masukan dan keluaran sistem
tersebut. Pengendali yang digunakan oleh logika fuzzy juga membutuhkan spesifikasi
hubungan antara masukan dan keluaran, yang secara umum dinyatakan dengan
IF...THEN
Proses untuk mendapatkan aksi keluaran dari suatu kondisi masukan dengan
mengikuti aturan-aturan yang telah ditetapkan disebut inference atau reasoning
(pengambilan Keputusan ). Keputusan yang dihasilkan dari proses penalaran ini masih
dalam bentuk fuzzy, yaitu berupa derajat keanggotaan keluaran. Hasil ini harus diubah
kembali menjadi variabel non-fuzzy melalui proses defuzzyfikasi.
Metode yang digunakan dalam defuzzifikasi adalah metode fuzzy centroid.
Defuzzifikasi data kedalam suatu crips output dipenuhi dengan mengkombinasikan
hasil dari proses kesimpulan kemudian menghitung area dari fuzzy centroid. Kekuatan
berat dari masing-masing fungsi anggota keluaran dikalikan dengan masing-masing
pusat dari fungsi keluaran kemudian dijumlahkan. Kemudian hasilnya dibagi dengan
jumlah dari anggota berat dari fungsi keluaran.
predikat ( n )Z (n)
Z=
( predikat ( n ) )
Rule-Based System
Rule Based System merupakan sistem yang digunakan sebagai cara untuk

menyimpan dan memanipulasi pengetahuan untuk diwujudkan dalam suatu informasi

yang dapat membantu dalam menyelesaikan berbagai permasalahan atau dapat juga

didefenisikan sebagai suatu sistem pakar yang menggunakan aturan-aturan untuk

menyajikan pengetahuannya. Dengan kata lain bahwa sistem berbasis aturan adalaah

suatu perangkat lunak yang menyajikan keahlian pakar dalam bentuk aturan-aturan pada

domain tertentu untuk menyelesaikan suatu permasalahan (Lusiani, 2006). Rule based

system sering digunakan dalam pembuatan aplikasi kecerdasan buatan dan penelitian,

salah satu contoh aplikasi dapat dihasilkan dari konsep ini misalnya aplikasi dalam

bidang medis. Pada bidang medis salah satunya adalah aplikasi yang dapat membantu

seorang dokter dalam mengidentifikasikan suatu permasalahan kesehatan berdasarkan

gejala yang telah diketahui.

Rule Based System atau sistem berbasis aturan melakukan proses reasoning

mulai dari fakta awal sampai menuju pada kesimpulan. Dalam proses ini mungkin akan

dihasilkan fakta-fakta baru menuju pada penyelesaian masalah. Jadi dapat


disimpulkan bahwa proses penyelesaian masalah pada sistem berbasis aturan

adalah menciptakan sederet fakta-fakta baru yang merupakan hasil dari sederetan proses

inferensi sehingga membentuk semacam jalur antara definisi masalah menuju pada

solusi masalah. Kebanyakan sistem berbasis aturan menggunakan strategi inferensi yang

dinamakan modus ponen, menggunakan strategi aturan IF-THEN.

Sebuah Rule-Based System dapat dibentuk dengan menggunakan sebuah assertions set,

yang secara kolektif membentuk working memory, dan sebuah rule set yang

menentukan aksi pada assertions set. Rule-Based System secara relatif adalah model

sederhana yang bisa diadaptasi ke banyak masalah. Namun, jika ada terlalu banyak

peraturan, pemeliharaan sistem akan rumit dan terdapat banyak failure dalam kerjanya.

Agar lebih memahami maka dapat di lihat pada gambar berikut.

Gambar Arsitektur Rule-Based System

Untuk membuat Rule Based System dalam suatu masalah, harus mempunyai:

1. Satu set fakta untuk mempresentasikan initial working memory. Ini harus

sesuatu yang relevan dengan keadaan awal sistem.


2. Sebuah set dari pengaturan. Ini harus meliputi seluruh aksi yang harus di lalui

dalam jangkauan masalah, tapi tidak adan yang tidak relevan. Jumlah pengaturan

dalam sistem dapat mempengaruhi kinerjanya, jadi tidak ada pemasukan

pengaturan yang tidak dibutuhkan.


3. Sebuah kondisi yang menentukan bahwa solusi telah ditemukan atau tidak

ditemukan. Hal ini penting untuk menghentikan beberapa rule based system

yang bekerja dalam infinite loop.

Rule based system berbeda dengan rule base expert system dan knowledge based

system. Perbedaan tersebut dapat dilihat pada penjelasan berikut ini. Rule-based system

adalah sistem berbasis kaidah merupakan sebuah sistem yang memodelkan proses

penalaran yang berdasarkan pada kaidah atau hubungan sebab-akibat. Jika rule-based

expert system adalah suatu program komputer yang dapat menganalisis informasi

tertentu pada memori dengan menggunakan kumpulan rule pada basis pengetahuan dan

menggunakan inference engine sebagai pencarian informasi dengan tujuan memperoleh

informasi baru. Sedangkan knowledge based system adalah suatu sistem berbasis

pengetahuan sebagai teknik rekayasa. Teknik ini menggunakan pengetahuan dan

manajemen yang membantu organisasi untuk mengembangkan dan menggunakan

keahliannya secara luas di seluruh proses bisnis, khususnya di bidang produksi, desain

pemasaran, dan sebagainya.

Pada kombinasi antara Fuzzy Logic dengan Rule-Based System atau disebut

dengan Fuzzy Rule-Based System memungkinkan penggunaan aturan linguistik untuk

menggambarkan hubungan antara parameter masukan dengan keluaran yang diharapkan

dari sistem yang dibangun. Salah satu cara untuk merepresentasikan pengetahuan dalam

bahasa semi natural pada fuzzy rule-based system adalah dengan memakai bentuk:

IF premis THEN konklusi

Bentuk IF-THEN tersebut sering kali disebut sebagai bentuk berbasis aturan. Apa bila

aturan yang dipakai merupakan aturan fuzzy, maka dapat dituliskan sebagai
IF X is A THEN Y is B

Dengan A dan B adalah himpunan fuzzy. Dalam contoh diatas bagian premis adalah X

is A dan bagian konklusi adalah Y is B.

Komponen utama dalam sistem berbasis aturan fuzzy terdiri dari 3 yaitu fuzzification,

inference dan defuzzification. Fuzzification mengubah masukan-masukan yang nilai

kebenarannya bersifat pasti (crisp input) ke dalam bentuk fuzzy input, yang berupa nilai

linguistik yang semantiknya ditentukan berdasarkan fungsi keanggotaan tertentu.

Inference melakukan penalaran menggunakan fuzzy input dan fuzzy rules yang telah

ditentukan sehingga menghasilkan fuzzy output. Sedangkan defuzzification mengubah

fuzzy output menjadi crisp value berdasarkan fungsi keanggotaan yang telah ditentukan

(Suyanto, 2007). Untuk lebih jelas, dapat dilihat pada gambar dibawah ini.

Gambar Fuzzy Rule-Based System


Fuzzy Inference System
Sistem Inferensi Fuzzy (Fuzzy Inference System/FIS) disebut juga fuzzy
inference engine adalah sistem yang dapat melakukan penalaran dengan prinsip serupa
seperti manusia melakukan penalaran dengan nalurinya. (Priyo Sidik Sasongko, 2007).

Fuzzy Inference System memiliki beberapa jenis metode yang biasa digunakan yaitu
Metode Tsukamoto, Metode Mamdani, dan Metode Sugeno. Input yang diberikan
kepada Fuzzy Inference System adalah berupa bilangan tertentu dan output yang
dihasilkan juga harus berupa bilangan tertentu. Kaidah-kaidah dalam bahasa linguistik
dapat digunakan sebagai input yang bersifat teliti harus dikonversikan terlebih dahulu,
lalu melakukan penalaran berdasarkan kaidah-kaidah dan mengkonversi hasil penalaran
tersebut menjadi output yang bersifat teliti. (Priyo Sidik Sasongko, 2007).

Fuzzy Clustering
Fuzzy Clustering adalah salah satu teknik untuk menentukan cluster optimal
dalam suatu ruang vektor yang didasarkan pada bentuk normal Euclidian untuk jarak
antar ventor. Fuzzy Clustering sangat berguna untuk pemodelan fuzzy terutama dalam
mengidentifikasi aturan-aturan fuzzy.
Ada beberapa algoritma clustering data, salah satu diantaranya adalah Fuzzy C-Means
(FCM). Fuzzy C-Means (FCM) adalah suatu teknik pengclusteran data yang mana
keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan.

Fuzzy Database
Fuzzy Database merupakan pemanfaatan logika fuzzy untuk mengantisipasi
pemanipulasian data dalam basisdata yang mengandung ketidakpastian, bari dari sisi
data maupun query-nya. Hal ini dilakukan karena apabila data yang dimiliki kurang
lengkap, mengandung ketidapastian dan ambigu, maka penggunaan basisdata biasa
menjadi sulit untuk dilakukan.
Fuzzy Database memiliki 2 model pembangunan database, yaitu: Model Tahani dan
Model Umano. Basisdata fuzzy model tahani masih tetap menggunakan relasi standar,
hanya saja model ini menggunakan teori himpunan fuzzy untuk mendapatkan informasi
pada query-nya. (Terano, 1992). Sedangkan pada basisdata fuzzy model umano, data-
data yang ambiguous diekpresikan dengan menggunakan distribusi posibilitas (Terano,
1992). Distribusi posibilitas merupakan nilai atribut dari suatu model relasi.

Fuzzy Decision Making (FDM)


Metode Fuzzy Decision Making dikembangkan untuk membantu pengambil
keputusan dalam melakukan pengambilan keputusan terhadap beberapa alternatif
keputusan untuk mendapatkan suatu keputusan yang akurat dan optimal.
Pada Metode Fuzzy Decision Making (FDM), ada 3 langkah penting yang harus
dikerjakan, yaitu: representasi masalah, evaluasi himpunan fuzzy pada setiap alternatif
keputusan dan melakukan seleksi terhadap alternatif yang optimal (Kusumadewi, 2003).

Fuzzy Rule-Based System


Fuzzy Rule-Based System merupakan penggunaan aturan linguistik untuk
menggambarkan hubungan antara parameter masukan dengan keluaran yang diharapkan
dari sistem yang dibangun. Sistem ini melakukan proses reasoning mulai dari fakta awal
sampai menuju pada kesimpulan.

Fuzzy Quantification Theory


Fuzzy Quantification Theory adalah model untuk mengendalikan data-data kualitatif
dengan menggunakan teori himpunan fuzzy. Pengendalian di sini lebih dimaksudkan
untuk menjelaskan kejadian-kejadian fuzzy menggunakan nilai dalam rentang [0,1]
yang mengekpresikan pendapat-pendapat secara kualitatif.

Fuzzy Linear Programming (FLP)


Fuzzy Linear Programming (FLP) merupakan salah satu model yang dapat digunakan
untuk menyelesaikan masalah optimasi yang dimodelkan dengan menggunakan
himpunan fuzzy.

Fuzzy Nueral Network (FNN)


Fuzzy Nueral Network (FNN) merupakan suatu model yang dilatih menggunakan
jaringan saraf tiruan, namun struktur jaringannya diinterpretasikan dengan sekelompok
aturan-aturan fuzzy(Kasbov, 2002).

Fuzzy Control Language (FCL)


Fuzzy Control Language (FCL) merupakan suatu bahasa yang digunakan untuk
mengimplementasikan logika fuzzy.