TUGAS 2

KLASIFIKASI FUZZY

MUHAMMAD NASHRUL FIKRI

02311540000074

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA
2018
 Menurut Asus Naba, logika fuzzy adalah: “Sebuah metodologi berhitung dengan
variabel kata-kata (linguistic variable) sebagai pengganti berhitung dengan bilangan.
Kata-kata digunakan dalam fuzzy logic memang tidak sepresisi bilangan, namun kata-
kata jauh lebih dekat dengan intuisi manusia”. Mengenai logika fuzzy pada dasarnya tidak
semua keputusan dijelaskan dengan 0 atau 1, namun ada kondisi diantara keduanya,
daerah diantara keduanya inilah yang disebut dengan fuzzy atau tersamar. Secara umum
ada beberapa konsep sistem logika fuzzy , sebagai berikut dibawah ini:
a. Himpunan tegas yang merupakan nilai keanggotaan suatu item dalam suatu
himpunan tertentu.
b. Himpunan fuzzy yang merupakan suatu himpunana yang digunakan untuk
mengatasi kekakuan dari himpunan tegas.
c. Fungsi keanggotaan yang memiliki interval 0 sampai 1
d. Variabel linguistic yang merupakan suatu variabel yang memiliki nilai berupa
kata-kata yang dinyatakan dalam bahasa alamiah dan bukan angka.
e. Operasi dasar himpunan fuzzy merupakan operasi untuk menggabungkan dan
atau memodifikasi himpunan fuzzy.
f. Aturan (rule) if-then fuzzy merupakan suatu pernyataan if-then, dimana beberapa
kata-kata dalam pernyataan tersebut ditentukan oleh fungsi keanggotaan.
Dalam proses pemanfaatan logika fuzzy, ada beberapa hal yang harus
diperhatikan salah satunya adalah cara mengolah input menjadi output melalui sistem
inferensi fuzzy. Metode inferensi fuzzy atau cara merumuskan pemetaan dari masukan
yang diberikan kepada sebuah keluaran. Proses ini melibatkan fungsi keanggotaan,
operasi logika, serta aturan IF-THEN. Hasil dari proses ini akan menghasilkan sebuah
sistem yang disebut dengan FIS (Fuzzy Inferensi System). Di dalam perhitungan logika
fuzzy terdapat beberapa metode, yaitu metode murni, metode Mamdani, dan metode
Takagi-Sugeno. Setiap metode tersebut memiliki cara dan hasil perhitungan yang
berbeda.
1. Fuzzy Murni
Logika fuzzy pertama kali diperkenalkan oleh Lotfi Zadeh dari Universitas
Berkeley, California pada tahun 1965. Logika ini digunakan untuk pengolahan atau
manajemen ketidakpastian yang didasarkan pada pola pikir manusia. Dalam
penyajiannya vaiabel-variabel yang akan digunakan harus cukup menggambarkan ke-
fuzzy-an tetapi di lain pihak persamaanpersamaan yang dihasilkan dari variable-variabel
itu haruslah cukup sederhana sehingga komputasinya menjadi cukup mudah. Karena itu
Profesor Lotfi A Zadeh kemudian memperoleh ide untuk menyajikannya dengan
menentukan “derajat keanggotaan” dari masing-masing variabelnya. Beberapa
kelebihan yang dimiliki oleh logika fuzzy yaitu:
a. Konsep logika fuzzy mudah dimengerti, dimana konsep matematis yang
mendasari fuzzy sangat sederhana dan mudah dimengerti.
b. Logika fuzzy bekerja didasarkan pada bahasa alami.
c. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
d. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinier yang sangat kompleks.
 e. Logika fuzzy dapat bekerja sama dengan teknik-teknik kendali secara
konventional.
Masukan logika fuzzy murni berupa linguistik dan keluarannya juga berupa
linguistik. Kaidah logika fuzzy murni dinyatakan sebagai berikut: If Input x1 is F1 and
Input x2 is F2, then Output y is G.
2. Fuzzy Takagi-Sugeno
Metode ini diperkenalkan oleh Takagi-Sugeno pada tahun 1985. Aturan sistem
inferensi fuzzy Sugeno merupakan toolbox untuk membangun sistem fuzzy logic
berdasarkan Metode Sugeno. Karakteristik sistem utama adalah pada fleksibilitas yang
berarti sistem memudahkan pengguna untuk memodifikasi sistem data (sistem dinamik),
dapat digunakan dalam setiap jenis platform (portabilitas). Keuntungan menggunakan
metode Takagi – Sugeno ini di antaranya:
a. Lebih efisien dalam masalah komputasi
b. Bekerja paling baik untuk teknik-teknik linear
c. Bekerja paling baik untuk teknik optimasi dan adaptif
d. Menjamin kontinuitas permukaan output Output fuzzy Sugeno berupa defuzzyfikasi.

Sistem fuzzy Sugeno memperbaiki kelemahan yang dimiliki oleh sistem fuzzy
murni untuk menambah suatu perhitungan matematika sederhana sebagai bagian THEN.
Pada perubahan ini, sistem fuzzy memiliki suatu nilai rata-rata tertimbang (Weighted
Average Values) di dalam bagian aturan fuzzy IF-THEN.
Rumus Metode Takagi-Sugeno
Rumus umum untuk fuzzifikasi metode Fuzzy Inference System Takagi-Sugeno
yaitu sebagai berikut :

Keterangan :
x = Bobot nilai yang sudah ditentukan pada setiap gejala yang dipilih
a = Batas nilai minimum pada setiap gejala
b = Nilai tengah dari batas minimum dan maksimum
c = Batas nilai maksimum pada setiap gejala
Rumus umum untuk defuzzifikasi metode Fuzzy Inference System TakagiSugeno-Kang
yaitu sebagai berikut :
Keterangan :
WA = (Weighted Average) Nilai rata-rata
an = Nilai predikat aturan ke-n
zn = Indeks nilai input (konstanta) ke-n
3. Metode Mamdani
Metode Mamdani sering juga dikenal dengan nama metode MIN - MAX. Metode ini
diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Sistem ini berfungsi untuk
mengambil keputusan melalui proses tertentu dengan mempergunakan aturan inferensi
berdasarkan logika fuzzy. Metode Mamdani sering dikenal dengan nama Metode Min –
Max. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk
mendapatkan output,diperlukan 4 tahapan:
a. Pembentukan himpunan fuzzy
Pada Metode Mamdani, baik variabel input maupun variabel output dibagi
menjadi satu atau lebih himpunan fuzzy.
b. Aplikasi fungsi implikasi
Pada metode Mamdani, fungsi implikasi yang digunakan adalah Min.
c. Komposisi Aturan
Apabila sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari
gabungan antar aturan.
Ada tiga metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu:
max, additive dan probabilistik 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 proposisi telah dievaluasi, maka output akan berisi suatu himpunan
fuzzy yang merefleksikan konstribusi dari tiap-tiap proposisi. Secara umum dapat
dituliskan:

Usf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i

Ukf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i
b. Metode Additive (Sum)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
bounded-sum terhadap semua output daerah fuzzy. Secara umum dituliskan:
 Keterangan :
Usf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
Ukf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i.
Metode Probabilistik OR (probor)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
product terhadap semua output daerah fuzzy.
Secara umum dituliskan:

Usf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i

Ukf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i
c. Penegasan (defuzzifikasi)
Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh
dari suatu komposisi aturan – aturan fuzzy, sedangkan output yang dihasilkan
merupakan suatu bilangan pada 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:

 Metode Centroid (Composite Moment)

Pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat
daerah fuzzy. Secara umum dirumuskan:

, untuk domain kontinyu

Keterangan:
Z = nilai domain ke – i,
𝜇 (Z) = derajat keanggotaan titik tersebut,
Z0 = nilai hasil penegasan (defuzzyfikasi).

, untuk domain diskret

Keterangan:
Z = nilai hasil penegasan (defuzzyfikasi)
 di = nilai keluaran pada aturan ke i
𝜇𝜇𝜇(di) = derajat keanggotaan nilai keluaran pada aturan ke –i
n = banyaknya aturan yang digunakan.

 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 dituliskan:

Keterangan :
d = nilai hasil penegasan (defuzzyfikasi),
di = nilai keluaran pada aturan ke-i,
U𝜇𝜇 (di) = derajat keanggotaan nilai keluaran pada aturan ke – i,
n = banyak aturan yang digunakan
 Metode Mean of Maksimum (MOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata –
rata domain yang memiliki nilai keanggotaan maksimum.
 Metode Largest of Maximum (LOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai
terbesar dari domain yang memiliki nilai keanggotaan maksimum.
 Metode Smallest of Maximum (SOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai
terkecil dari domain yang memiliki nilai keanggotaan maksimum.