LITERATURE REVIEW

SOFT COMPUTING – FUZZY LOGIC

Ditujukan Untuk Memenuhi Tugas Mata Kuliah Metodologi Penelitian

Disusun Oleh :
RIKO REKY LONDONG
NIM : 311510171 - KELAS : TI.15.A.2

PROGRAM STUDI TEKNIK INFORMATIKA

SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA
BEKASI
2018
1. Logika Fuzzy
Logika fuzzy merupakan salah satu komponen pembentuk soft Computing.
Dasar Logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy,
peranan derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu
himpunan sangatlah penting. Nilai keanggotaan atau derajat keanggotaan atau
membership function menjadi ciri utama dari penalaran dengan logika fuzzy.

Fuzzy berarti kabur, samar. Istilah Logika Fuzzy diperkenalkan pada tahun
1965 oleh Lofti A. Zadeh. Logika Fuzzy dikenal sebagai 'logika baru yang telah
lama'. Walaupun tergolong baru dibandinkan dengan logika digital (yang hanya
melibatkan nilai 0 dan 1), namun konsep 'fuzzy' telah menjadi dasar pertimbangan
kita dalam menganalogikan sesuatu. Fuzzy memiliki konsep bahwa sesuatu dapat
memiliki nilai diantara 0 dan 1. Hal ini berbeda dengan logika digital yang
mengharuskan segala sesuatu harus memiliki nilai 1 atau 0. Fuzzy mengizinkan kita
untuk memberi nilai diantara 0 dan 1, misalnya 0.1, 0.3, 0.8, dan sebagainya. Inilah
watak 'kekaburan' dari suatu logika fuzzy

Terdapat beberapa istilah-istilah dalam sistem fuzzy:

1. Variabel Fuzzy, yaitu Variabel yang akan dibahas. Contoh: Temperatur,

Tinggi Badan, Umur
2. Himpunan Fuzzy, yaitu Bagian-bagian yang mewakili suatu kondisi
dalam variabel fuzzy. Contoh: varibel umur, dapat dibagi menjadi 3
himpunan fuzzy: muda, paruh baya, dan tua
3. Semesta pembicaraan, yaitu Keseluruhan rentang nilai dalam suatu
variabel fuzzy. Contoh: Semesta umur [0 100]
4. Domain, yaitu Nilai yang boleh dioperasikan dalam himpunan fuzzy.
Contoh: muda = [0 45], paruh baya = [35 55], tua = [45 100]

Dalam Banyak hal, logika fuzzy digunakan sebagai suatu cara untuk
memetakan permasalahan dari input menuju ke output yang diharapkan. Logika
fuzzy dapat dianggap sebagai kotak hitam yang menghubungkan antara ruang input
menuju ruang output, Gelley (2000) dalam Sri Kusumadewi dan Hari Purnomo
(2010,p.2).

2
 2. Fuzzy Inference System
Proses untuk memetakan input fuzzy menjadi suatu output dikenal sebagai
Fuzzy Inference Systems (FIS). Fuzzy Inference System adalah sistem yang dapat
melakukan penalaran dengan prinsip serupa seperti manusia melakukan penalaran
dengan nalurinya. terdapat beberapa jenis FIS yang dikenal yaitu Mamdani, Sugeno
dan Tsukamoto. FIS mencakup beberapa hal, seperti yang telah dibahas sebelumnya,
yaitu membership function (fungsi keanggotaan), operasi logika, serta aturan JIKA-
MAKA.

3. Metode Tsukamoto
Pada Metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-
Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi
keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap
aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil
akhirnya diperoleh dengan menggunakan rata-rata terbobot.

4. Paper Ilmiah
Referensi 1 : Azizah, E. N., Cholissodin, I., & Mahmudy, W. F. (2015). Optimasi
Fungsi Keanggotaan Fuzzy Tsukamoto Menggunakan Algoritma Genetika Untuk
Penentuan Harga Jual Rumah. Journal of Environmental Engineering & Sustainable
Technology, 2, 79-82.

Referensi 2 : Ardi, M. K., Setiawan, B. D., & Fauzi, A. M. (2018). Optimasi Fuzzy
Inference System Tsukamoto Menggunakan Algoritma Genetika Untuk Mengetahui
Lama Waktu Siram Pada Tanaman Strawberry. Jurnal Pengembangan Teknologi
Informasi dan Ilmu Komputer, Vol. 2, No. 10,.

3
5. Masalah Penelitian dan Landasannya

Research Problems (RP) Literature Supports

Namun ternyata penggunaan FIS
Tsukamoto saja dapat menghasilkan
Tingginya nilai Error pada Fuzzy nilai error yang cukup tinggi
Interference System (Azizah, Cholissodin dan
Mahmudy, 2015).

6. Formulasi RP-RQ-RO

Research
Research Questions (RQ) Research Objectives (RO)
Problems (RP)
Tingginya nilai Algoritma optimasi apa yang Untuk mengidentifikasi algoritma
Error pada Fuzzy performanya terbaik untuk optimasi apa yang terbaik apabila
Interference meyelesaikan masalah digunakan untuk menyelesaikan
System tingginya nilai error pada masalah tingginya nilai error
Fuzzy Interference System ? pada Fuzzy Interference System

4
5