PRAKTIKUM X & XI

Ahmad Rifa’i (1403004) - D3TI3A

Abstrak
Logika Fuzzy adalah suatu proses pengambilan keputusan berbasis aturan yang
bertujuan untuk memecahkan masalah, dimana sistem tersebut sulit untuk dimodelkan atau
terdapat ambiguitas dan ketidakjelasan yang berlimpah. Logika Fuzzy ditentukan oleh
persamaan logika bukan dari persamaan diferensial komplek dan berasal dari pemikiran yang
mengidentifikasi serta mengambil keuntungan dari grayness antara dua ekstrem. Sistem logika
fuzzy terdiri dari himpunan fuzzy dan aturan fuzzy. Subset fuzzy merupakan himpunan bagian
yang berbeda dari variabel input dan output. Aturan fuzzy berhubungan dengan variabel
masukan dan variabel output melalui subset. Mengingat seperangkat aturan fuzzy, sistem dapat
mengkompensasi dengan cepat dan efisien. Meskipun dunia Barat pada awalnya tidak
menerima logika fuzzy dan ide fuzzy, hari ini logika fuzzy diterapkan dalam banyak sistem.
Dalam praktikum ini akan dilakukan percobaan dan belajar tentang logika fuzzy.

Kata kunci: fungsi keanggotaan, grayness, subset fuzzy, fuzzification, aturan fuzzy,
defuzzifikasi, Fuzzy Teorema Aproksimasi (FAT), angka fuzzy, dan sistem fuzzy

Latar belakang
Persoalan-persoalan yang harus
diselesaikan dengan secara singkat dan
tepat semakin banyak ditemui. Guna
memenuhi keinginan untuk terus
meningkatkan mutu kinerja suatu alat
ataupun seseorang dalam suatu bidang
tertentu sangat diperlukan maka diperlukan
suatu sistem yang dapat menghitung dan
mengambil keputusan. Keputusan yang
diambil adalah keputusan yang akan
dilaksanaan atau dijalankan dalam bidang
tersebut.
Kecerdasan buatan merupakan
salah satu disiplin ilmu yang menerapkan
prinsip-prinsip manusia atau meniru
kecerdasan manusia sehingga diharapkan
komputer dapat melakukan hal-hal yang
seperti manusia lakukan.
Pengambilan keputusan yang selalu
konstan dan konsisten adalah pengambilan
keputusan yang dilakukan oleh suatu sistem
yang mempunyai formula-formula tertentu.
Apabila pengambilan keputusan dilakukan
oleh manusia yang mempunyai tingkat
error yang lebih tinggi tentu akan
menghasilkan banyak kesenjangan antara
keputusan yang diambil saat sekarang
dengan keputusan yang diambil berikutnya.
Suatu sistem yang terkomputerisasi
adalah solusi yang tepat untuk
menghasilkan keputusan-keputusan yang
konsisten serta cepat. Oleh karena itu
praktikum ini akan menunjukan bagaimana
menghasilkan sistem yang dapat
mengambil suatu keputusan.

Teori
1. Fuzzy Logic
Fuzzy Logic adalah suatu cabang
ilmu Artificial Intellegent, yaitu suatu
pengetahuan yang membuat komputer
dapat meniru kecerdasan manusia sehingga
diharapkan komputer dapat melakukan hal-
hal yang apabila dikerjakan manusia
memerlukan kecerdasan.
Fuzzy logic adalah peningkatan dari
logika boolean yang berhadapan dengan
konsep kebenaran sebagian, saat logika Kecepatan “pelan” didefinisikan di
klasik menyatakan bahwa segala hal dapat bawah 20 km/jam. Bagaimana
diekspresikan dalam istilah biner (0 atau 1, dengan kecepatan 20,001 km/jam,
hitam atau putih, ya atau tidak), logika apakah masih dapat dikatakan
fuzzy menggantikan kebenaran boolean pelan? Manusia mungkin
dengan tingkat kebenaran. mengatakan bahwa kecepatan
Logika Fuzzy memungkinkan nilai 20,001 km/jam itu “agak pelan”.
keanggotaan anatara 0 dan 1, tingkat
keabuan dan juga hitam dan putih, dan c. Arsitektur Fuzzy Logic
dalam bentuk linguistik, konsep tidak pasti
seperti “sedikit”, “lumayan”, dan “sangat”.
Logika ini berhubungan dengan set fuzzy
dan teori kemungkinan. Logika fuzzy
diperkenalkan oleh Dr. Lotfi Zadeh dari
Universitas California, Berkeley pada
1965.

a. Konsep Fuzzy Logic

Ada tiga proses utama jika ingin
1) Fuzzy logic umumnya diterapkan
mengimplementasikan fuzzy logic
pada masalah-masalah yang
pada suatu perangkat, yaitu
mengandung unsur ketidakpastian
fuzzifikasi, evaluasi rule, dan
(uncertainty), ketidaktepatan
defuzzifikasi.
(imprecise), noisy, dan sebagainya.
2) Fuzzy logic menjembatani bahasa
1) Fuzzification, merupakan suatu
mesin yang presisi dengan bahasa
proses untuk mengubah suatu
manusia yang menekankan pada
masukan dari bentuk tegas (crisp)
makna atau arti (significance).
menjadi fuzzy yang biasanya
3) Fuzzy logic dikembangkan
disajikan dalam bentuk himpunan-
berdasarkan cara berfikir manusia
himpunan fuzzy dengan suatu
fungsi kenggotaannya masing-
b. Contoh-contoh masalah yang
masing.
mangandung ketidakpastian
2) Interference System (Evaluasi
1) Contoh 1
Rule), merupakan sebagai acuan
Seseorang dikatakan “tinggi” jika
untuk menjelaskan hubungan
tinggi badannya lebih dari 1,7
antara variable-variabel masukan
meter. Bagaimana dengan orang
dan keluaran yang mana variabel
yang mempunyai tinggi badan
yang diproses dan yang dihasilkan
1,6999 meter atau 1,65 meter,
berbentuk fuzzy. Untuk
apakah termasuk kategori orang
menjelaskan hubungan antara
yang tinggi? Menurut persepsi
masukan dan keluaran biasanya
manusia, orang yang mempunyai
menggunakan “IF-THEN”.
tinggi badan sekitar 1,7 meter
3) Defuzzification, merupakan
dikatakan “kurang lebih tinggi” atau
proses pengubahan variabel
“agak tinggi”.
berbentuk fuzzy tersebut menjadi
2) Contoh 2
data-data pasti (crisp) yang dapat
 dikirimkan ke peralatan
pengendalian.
d. Diagram proses
2. Himpunan Fuzzy
Dalam ilmu logika fuzzy mengenal
dua himpunan, yaitu himpunan crisp (tegas)
dan himpunan fuzzy (samar).
a. Himpunan Crisp (Tegas)
Himpunan Crisp adalah
himpunan yang menyatakan suatu
objek merupakaan anggota dari satu
himpunan memiliki nilai kenggotaan
(µ) = ya (1) atau tidak (0), oleh karena
itu himpunan crisp disebut himpunan
tegas.
b. Himpunan Fuzzy (Samar)
Himpunan Fuzzy adalah
himpunan yang menyatakan suatu
objek dapat menjadi anggota dari
beberapa himpunan dengan nilai
keanggotaan (µ) yang berbeda.
Untuk dapat menggambarkan
perbadaan antara Crisp dengan fuzzy
terdapat contoh sebagai berikut.
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 →
µMUDA[34]=1
 usia 35 tahun kurang 1 hari, dikatakan
MUDA → µMUDA[35th-1hr]=1
 Usia 35 tahun, dikatakan TIDAK
MUDA → µMUDA[35]=0
 Usia 55 tahun, dikatakan PAROBAYA
→ µPAROBAYA[55]=1
 Usia 55 tahun lebih 1 hari, dikatakan
TIDAK PAROBAYA →
µPAROBAYA[55th+1hr]=0 atau
 Usia 55 tahun lebih 1 hari, dikatakan
TUA → µTUA[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.
Sedangkan dengan himpunan
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.
Contoh:
seseorang yang berumur 40 tahun termasuk
dalam himpunan MUDA dengan
µMUDA[40]=0,25; namun dia juga
termasuk dalam himpunan PAROBAYA
dengan µPAROBAYA[50]=0,5.
3. Fungsi keanggotaan
Fungsi Keanggotaan (membership
function) adalah suatu kurva yang c. Operator NOT
menunjukan pemetaan titik-titik input data Operator ini berhubungan dengan
ke dalam nilai kenggotaannya (sering operasi komplemen pada himpunan. α-
disebut juga dengan derajat keanggotaan) predikat sebagai hasil operasi dengan
yang memiliki interval antara 0 sampai 1. operator NOT diperoleh dengan
Salah satu cara yang dapat digunakan untuk mengurangkan nilai keanggotaan elemen
mendapatkan nilai keanggotaan adalah pada himpunan-himpunan yang
dengan melalui pendekatan fungsi. bersangkutan dari 1.
Beberapa fungsi yang digunakan
adalah sebagai berikut.
a. Representasi Linear
d. Operator Implikasi
b. Representasi Kurva Segitiga
Tiap-tiap aturan (proposisi) pada
c. Representasi Kurva Trapesium
basis pengetahuan fuzzy akan berhubungan
d. Representasi Kurva Bentuk Bahu
dengan suatu relasi fuzzy. Bentuk umum
e. Representasi Kurva-S
dari aturan yang digunakan dalam fungsi
f. Representasi Bentuk Lonceng
implikasi adalah:
g. Koordinat Keanggotaan
If x is A THEN y is B
Dengan x dan y adalah skalar, dan A dan B
4. Operator Fuzzy
adalah himpunan fuzzy. Proporsisi yang
Seperti halnya konvensional, ada beberapa
mengikuti IF disebut sebagai anteseden,
operasi yang didefinisikan secara khusus
sedangkan proposisi yang mengikuti THEN
untuk mengkombinasi dan memodifikasi
disebut sebagai konsekuen. Proposisi ini
himpunan fuzzy. Nilai keanggotaan sebagai
dapat diperluas dengan menggunakan
hasil dari operasi dua himpunan sering
operator fuzzy, seperti:
dikenal dengan nama fire strength atau a-
IF(x1 is A1) and (x2 = A2) and … and (xn
predikat. Operasi dasar yang diciptakan
is An) THEN y is B
oleh zadeh, yaitu:
Secara umum ada dua fungsi implikasi
a. Operator AND
yang digunakan (Sri Kusumadewi, 2003),
Operator ini berhubungan dengan
yaitu:
operasi interseksi pada himpunan. α-
1) Min (minimum). Fungsi ini akan
predikat sebagai hasil operasi dengan
memotong output himpunan fuzzy.
operator AND diperoleh dengan
mengambil nilai keanggotaan terkecil
antara elemen pada himpunan-himpunan
yang bersangkutan.
2) Dot (product). Fungsi ini akan
menskala output himpunan fuzzy.
b. Operator OR
Operator ini berhubungan dengan
operasi union pada himpunan. α-predikat
sebagai hasil operasi dengan operator OR
diperoleh dengan mengambil nilai
keanggotaan terbesar antara elemen pada 5. Sistem inferensi
himpunan-himpunan yang bersangkutan. a. Metode Tsukamoto
 Pada metode penarikan kesimpulan konstanta atau persamaan linear. Michio
samar Tsukamoto, setiap konsekuen pada Sugeno mengusulkan penggunaan
aturan yang berbentuk IF-THEN harus singleton
direpresentasikan dengan suatu himpunan sebagai fungsi keanggotaan dari
samar dengan fungsi keanggotaan yang konsekuen. Singleton adalah sebuah
monoton. Sebagai hasilnya, output hasil himpunan fuzzy dengan fungsi
penarikan kesimpulan (inference) dari tiap- keanggotaan yang pada titik tertentu
tiap aturan diberikan secara tegas (cnsp) mempunyai sebuah nilai dan 0 di luar titik
berdasarkan α-predikat (fire strength). tersebut.
Hasil akhir diperoleh dengan menggunakan
rata-rata berbobot (weight average). c. Metode Mamdani
Metode Mamdani sering juga dikenal
b. Metode Sugeno dengan nama metode Max-Min. metode ini
Penalaran dengan metode Sugeno diperkenalkan oleh Ebrahim Mamdani pada
hampir sama dengan penalaran Mamdani, tahun 1975 (Kusuma Dewi, 2003).
hanya saja output (konsekuen) sistem tidak
berupa himpunan fuzzy, melainkan berupa

Hasil praktikum Tugas

Hasil pencarian solusi dengan Fuzzy -

Kesimpulan
Dari percobaan yang telah dilakukan
didapatkan beberapa kesimpulan sebagai
berikut.
1. Dengan logika fuzzy dapat
menghasilkan suatu kesimpulan yang
adil karena adanya nilai keanggotaan.
2. Logika fuzzy menerapkan fungsi
matematika persamaan garis dalam
metode tertentu.

Daftar pustaka
[1]Amar. 2013. Apa Itu Fuzzy. [4]Ganda, Distri. 2012. Metode Sugeno.
https://amarnotes.wordpress.com. http://ndatan.blogspot.co.id. diakses
Diakses 4 Maret 2017 5 Maret 2017
[2]Arief. 2013. Operator Dasar Zadeh [5]Ratna, Evi. 2013. Metode Fuzzy
untuk Operasi Himpunan Fuzzy. Tsukamoto.http://a120903608.blogsp
http://informatika.web.id. Diakses 5 ot.co.id. Diakses 5 Maret 2017
Maret 2017 [6]Wikipedia. 2013. Logika Fuzzy.
[3]Arief. 2013. Metode Mamdani. https://id.wikipedia.org. Diakses 4
http://informatika.web.id. Diakses 5 Maret 2017
Maret 2017 [7]Winahyu, Ardi. 2013. Himpunan Fuzzy.
http://ardiwinahyu.blogspot.co.id.
Diakses 4 Maret 2017
[3]Zal, Fahmi. 2011. Logika Fuzzy.
https://fahmizaleeits.wordpress.com.
Diakses 4 Maret 2017