Contoh : Pemberian Beasiswa

Misalkan suatu program pemberian beasiswa kepada mahasiswa di suatu perguruan tinggi dilakukan
berdasarkan dua kriteria, yaitu Kumulatif Indeks Prestasi Kumulatif (IPK) dan Gaji per bulan orang
tuanya (G). Beasiswa diberikan kepada mahasiswa dengan prestasi akademik bagus tetapi tingkat
ekonomi orang tua rendah. Misalkan terdapat dua mahasiswa, A dan B, dengan data-data seperti
tertera di tabel berikut :

Mahasiswa IPK Gaji Orang Tua (Rp/bln)

A 3,00 10 juta
B 2,99 1 juta

Jika aturan berbasis logika biner (berdasarkan classical sets) yang digunakan adalah :

IF IPK 3,00 AND G 10 juta THEN dapat beasiswa

Apakah aturan tersebut dapat memberikan keputusan dengan adil ? Berdasarkan aturan tersebut
baik A dan B bisa mendapat beasiswa padahal gaji orangtua A jauh lebih besar daripada B,
sedangkan IPK-nya hanya terpaut 0,01.

Pemecahan masalah menggunakan Model Mamdani

1. Fuzzification

Misalkan berdasarkan pengetahuan pakar, fungsi keanggotaan yang sebaiknya digunakan untuk
variabel IPK adalah berbentuk segitiga dan trapesium dengan tiga variabel linguistik : BURUK,
CUKUP, dan BAGUS

BURUK CUKUP BAGUS

1

0
2,00 2,75 3,25 4,00 IPK

Dengan menggunakan fungsi tersebut, maka crisp input untuk IPK sebesar 3,00 dan 2,99 dikonversi
ke nilai fuzzy dengan derajar keanggotaan :

Mhs IPK Himpunan Fuzzy dan Derajat Keanggotaannya

A 3,00 CUKUP BAGUS
=0,5 =0,5
B 2,99 CUKUP BAGUS
=0,52 =0,48
Berdasarkan pengetahuan pakar, fungsi keanggotaan yang sebaiknya digunakan untuk variabel Gaji
Orang tua adalah berbentuk trapesium dengan empat variabel linguistik : KECIL, SEDANG, BESAR,
dan SANGAT BESAR.

1 KECIL SEDANG BESAR SANGAT BESAR

0
1 3 4 6 7 12 Gaji Orangtua
(juta)

Dengan menggunakan fungsi tersebut, maka crisp input untuk Gaji Orang tua sebesar 10 juta dan 1
juta dikonversi ke nilai fuzzy dengan derajat keanggotaan :

Mhs Gaji Orang tua Himpunan Fuzzy dan Derajat Keanggotaannya

A 10 Juta BESAR SANGAT BESAR
=0,4 =0,6
B 1 Juta KECIL SEDANG
=1 =0

2. Inference

Misalkan untuk output yang berupa Nilai Kelayakan digunakan fungsi keanggotaan trapesium
dengan dua nilai linguistik : RENDAH dan TINGGI

RENDAH TINGGI
1 H

Nilai Kelayakan
0
50 80 100 Skala [0,100]

Misalkan aturan fuzzy berdasarkan pengetahuan pakar adalah sebagai berikut :

IPK Gaji Kecil Sedang Besar Sangat Besar

Buruk Rendah Rendah Rendah Rendah
Cukup Tinggi Rendah Rendah Rendah
Bagus Tnggi Tinggi Tinggi Rendah
Dengan mendefinisikan aturan fuzzy seperti tabel di atas, berarti terdapat 3x4 = 12 aturan fuzzy,
yaitu :

1) IF IPK = Buruk AND Gaji = Kecil THEN NK=Rendah

2) IF IPK = Buruk AND Gaji = Sedang THEN NK=Rendah
3) IF IPK = Buruk AND Gaji = Besar THEN NK=Rendah
4) IF IPK = Buruk AND Gaji = Sangat Besar THEN NK=Rendah
5) IF IPK = Cukup AND Gaji = Kecil THEN NK=Tinggi
6) IF IPK = Cukup AND Gaji = Sedang THEN NK=Rendah
7) IF IPK = Cukup AND Gaji = Besar THEN NK=Rendah
8) IF IPK = Cukup AND Gaji = Sangat Besar THEN NK=Rendah
9) IF IPK = Bagus AND Gaji = Kecil THEN NK=Tinggi
10) IF IPK = Bagus AND Gaji = Sedang THEN NK=Tinggi
11) IF IPK = Bagus AND Gaji = Besar THEN NK=Tinggi
12) IF IPK = Bagus AND Gaji = Sangat Besar THEN NK=Rendah

Aturan fuzzy yang berlaku untuk input data mahasiswa A dan B adalah
Mhs Input Aturan Fuzzy
A IPK CUKUP =0,5 (7) IF IPK = Cukup ( =0,5) AND Gaji = Besar ( =0,4)
IPK BAGUS =0,5 THEN NK=Rendah ( =0,4)
GAJI BESAR =0,4 (8) IF IPK = Cukup ( =0,5) AND Gaji = Sangat Besar (
GAJI SANGAT BESAR =0,6 =0,6) THEN NK=Rendah ( =0,4)
(11)IF IPK = Bagus ( =0,5) AND Gaji = Besar ( =0,4)
THEN NK=Tinggi ( =0,4)
(12)IF IPK = Bagus ( =0,5) AND Gaji = Sangat Besar (
=0,6) THEN NK=Rendah ( =0,5)
B IPK CUKUP =0,52 (5) IF IPK = Cukup ( =0,52) AND Gaji = Kecil ( =1)
IPK BAGUS =0,48 THEN NK=Tinggi ( =0,52)
GAJI KECIL =1 (6) IF IPK = Cukup ( =0,52) AND Gaji = Sedang( =0)
GAJI SEDANG =0 THEN NK=Rendah ( =0,52)
(9) IF IPK = Bagus ( =0,48) AND Gaji = Kecil ( =1)
THEN NK=Tinggi ( =0,48)
(10)IF IPK = Bagus ( =0,48) AND Gaji = Sedang (
=0)THEN NK=Tinggi ( =0,48)

3. Composition
Gunakan aturan Disjunction untuk NK (Nilai Kelayakan)
Mhs Nilai Kelayakan (NK)
A NK = Rendah ( =0,4) v NK = Rendah ( =0,5) v NK = Rendah ( =0,5) =
NK = Rendah ( =0,5)
NK = Tinggi ( =0,4)
B NK = Tinggi ( =0,52) v NK = Tinggi ( =0,48) v NK = Tinggi ( =0,48) =
NK = TInggi ( =0,52)
NK = Rendah ( =0,52)
4. Defuzzification

Nilai Kelayakan Mhs A :

Dengan menggunakan 10 titik untuk mencari nilai crisp menggunakan Centroid Method of
Gravity (COG).

RENDAH TINGGI
1 H

0,5
0,4
Nilai Kelayakan
0
50 80 100 Skala [0,100]

(10 + 20 + 30 + 40 + 50 + 60)0,5 + (70 + 80 + 90 + 100)0,4

=
6(0,5) + 4(0,4)

105 + 136
= 4,6 = 52,39

Nilai Kelayakan Mhs B :

Dengan menggunakan 4 titik untuk mencari nilai crisp menggunakan Centroid Method of
Gravity (COG).

RENDAH TINGGI
1 H

0,52
2
Nilai Kelayakan
0
50 80 100 Skala [0,100]

1 1
60 (3) + 65 (2) + (70 + 80)(0,52)

=
1 1
3 + 2 + 2(0,52)

20 + 32,5 + 78
= 2,87334 = 69,66
Model Sugeno

RENDAH TINGGI
1
H

Nilai Kelayakan
0
50 80 Skala [0,100]

RENDAH TINGGI
1
H

0,5

Nilai Kelayakan
0
50 80 Skala [0,100]

RENDAH TINGGI
1
H

0,4
Nilai Kelayakan
0
50 80 Skala [0,100]