KECERDASAN BUATAN

“KONSEP DASAR FUZZY LOGIC”

DISUSUN OLEH :

KELOMPOK 4 :
HERY HAMZAH (172453)
MUH RIDWAN S (172438)
NURUL RAHMAH RAMADHAN (172470)
SUDIRMAN (172434)
RISMA PUTRI GALUNG (172458)
SUCIATI SALAM (172447)
NUR FITRI (172471)
TRY NUGRAHA SYAFITRI (172366)
FIKRI ASSIDDIQ (172465)
ANNISA NURDIANTI (172443)

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER

(STMIK) DIPANEGARA MAKASSAR 2019
 KATA PENGANTAR

Puji syukur atas kehadirat Allah SWT yang telah memberikan rahmat serta
hidayahnya sehingga makalah “Konsep Dasar Fuzzy Logic” dapat kami susun tepat
waktu. Diharapkan makalah ini bisa memberikan wawasan kepada rekan-rekan
mahasiswa khususnya mahasiswa Teknik Informatika.

Dalam kesempatan ini kami selaku penyusun mengucapkan terima kasih

kepada semua pihak yang tidak dapat kami sebutkan satu persatu yang telah banyak
membantu memberi bimbingan, ilmu, dorongan serta saran-saran kepada penyusun.
Kami selaku penyusun menyadari sepenuhnya bahwa makalah ini jauh dari
sempurna.

Oleh karena itu kami mengharapkan kritik dan saran yang membangun
kesempurnaan makalah ini

Makassar, 18 juni 2019

Kelompok IV

ii
 DAFTAR ISI
KATA PENGANTAR ii
DAFTAR ISI iii
BAB I PENDAHULUAN
A. Latar Belakang 1
B. Rumusan Masalah 2
C. Tujuan 2
BAB II PEMBAHASAN
A. Pengantar Fuzzy Logic 3
B. Dasar-dasar Fuzzy Logic 4
C. Himpunan dan Fungsi Keanggotaan Fuzzy Logic 6
D. Operator Himpunan Fuzzy Logic 13
E. Metode Inferensi Fuzzy Logic 15
F. Penalaran Monoton dan Fungsi Implikasi 19
BAB III PENUTUP
A. Kesimpulan 21
B. Saran 21
DAFTAR PUSTAKA 22

iii
 BAB I

PENDAHULUAN

A. Latar Belakang
Logika Fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau
kesamaran (fuzzyness) antara benar atau salah. Dalam logika klasik dinyatakan
bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau
putih, ya atau tidak), sedangkan logika fuzzy memungkinkan nilai keanggotaan
antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk
linguistik, konsep tidak pasti seperti "sedikit", "lumayan" dan "sangat". Logika
ini berhubungan dengan himpunan fuzzy dan teori kemungkinan. Logika fuzzy
ini diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley
pada 1965. Logika fuzzy dapat digunakan dalam bidang teori kontrol, teori
keputusan, dan beberapa bagian dalam managemen sains. Selain itu, kelebihan
dari logika fuzzy adalah kemampuan dalam proses penalaran secara bahasa
(linguistic reasoning), sehingga dalam perancangannya tidak memerlukan
persamaan matematik dari objek yang dikendalikan. Adapun salah satu contoh
aplikasi logika fuzzy dalam kehidupan sehari-hari adalah Pada tahun 1990
pertama kali dibuat mesin cuci dengan logika fuzzy di
Jepang (Matsushita Electric Industrial Company).
Fuzzy Logic dapat dikatakan sebagai logika baru yang lama, sebab ilmu
tentang logika modern dan metodis baru ditemukan pada tahun 1965, padahal
sebenarnya konsep tentang fuzzy logic itu sendiri sudah ada sejak lama.
Beberapa alasan digunakannya fuzzy logic adalah konsep fuzzy logic
mudah dimengerti, sangat fleksibel, memiliki toleransi terhadap data yang
kurang tepat, mampu memodelkan fungsi nonlinier yang kompleks, dan
didasari pada bahasa alami.

1
B. Rumusan Masalah
Dari latar belakang tersebut, maka dapat diuraikan rumusan masalah
sebagai berikut :
1. Apa yang dimaksud dengan Fuzzy Logic dan bagaimana penerapannya?
2. Apa saja dasar-dasar dalam Fuzzy Logic?
3. Apa yang dimaksud himpunan dan jenis-jenis fungsi keanggotaan Fuzzy
Logic?
4. Bagaimana cara kerja jenis-jenis operator Fuzzy Logic?
5. Apa saja metode inferensi pada Fuzzy Logic dan proses kerjanya?
6. Bagaimana penalaran monoton dan fungsi implikasi pada Fuzzy Logic?

C. Tujuan
Tujuan dibuatnya makalah ini yaitu :
1. Untuk pengetahui pengertian Fuzzy Logic dan penerapannya dalam
kehidupan sehari-hari
2. Untuk mengetahui dasar-dasar Fuzzy Logic
3. Untuk mengetahui pengertian himpunan dan jenis-jenis fungsi keanggotaan
pada Fuzzy Logic
4. Untuk mengetahui cara kerja operator pada Fuzzy Logic
5. Untuk mengetahui metode inferensi Fuzzy Logic dan proses kerjanya
masing-masing
6. Untuk mengetahui bagaimana penalaran monoton dan fungsi implikasi pada
Fuzzy Logic

2
 BAB II

PEMBAHASAN

A. Pengantar Fuzzy Logic

Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui
tulisannya pada tahun 1965 tentang teori himpunan fuzzy. Lotfi Asker Zadeh
adalah seorang ilmuwan Amerika Serikat berkebangsaan Iran dari Universitas
California di Barkeley. Meskipun logika fuzzy dikembangkan di Amerika,
namun ia lebih populer dan banyak diaplikasikan secara luas oleh praktisi
Jepang dengan mengadaptasikannya ke bidang kendali (control). Saat ini
banyak dijual produk elektronik buatan Jepang yang menerapkan prinsip logika
fuzzy, seperti mesin cuci, AC, dan lain-lain. Fuzzy logic sudah diterapkan pada
banyak bidang, mulai dari teori kendali hingga inteligensia buatan.
Mengapa logika fuzzy yang ditemukan di Amerika malah lebih banyak
ditemukan aplikasinya di negara Jepang?
Salah satu penjelasannya: kultur orang Barat yang cenderung memandang
suatu persoalan sebagai hitam-putih, ya-tidak, bersalah-tidak bersalah, sukses-
gagal, atau yang setara dengan dunia logika biner Aristoteles, sedangkan kultur
orang Timur lebih dapat menerima dunia “abu-abu” atau fuzzy.
Logika fuzzy umumnya diterapkan pada masalah-masalah yang
mengandung unsur ketidakpastian (uncertainty), ketidaktepatan (imprecise),
noisy, dan sebagainya. Logika fuzzy menjembatani bahasa mesin yang presisi
dengan bahasa manusia yang menekankan pada makna atau arti (significance).
Logika fuzzy dikembangkan berdasarkan bahasa manusia (bahasa alami).

3
 Contoh-contoh masalah yang mengandung ketidakpastian:
Contoh 1 : Seseorang dikatakan “tinggi” jika tinggi badannya lebih dari 1,7
meter. Bagaimana dengan orang yang mempunyai tinggi badan 1,6999 meter
atau 1,65 meter, apakah termasuk kategori orang tinggi? Menurut persepsi
manusia, orang yang mempunyai tinggi badan sekitar 1,7 meter dikatakan
“kurang lebih tinggi” atau “agak tinggi”.
Contoh 2 : Kecepatan “pelan” didefinisikan di bawah 20 km/jam. Bagaimana
dengan kecepatan 20,001 km/jam, apakah masih dapat dikatakan pelan?
Manusia mungkin mengatakan bahwa kecepatan 20,001 km/jam itu “agak
pelan”.
Ketidakpastian dalam kasus-kasus ini disebabkan oleh kaburnya pengertian
“agak”, “kurang lebih”, “sedikit”, dan sebagainya.

B. Dasar-dasar Fuzzy Logic

Profesor Lotfi A. Zadeh adalah guru besar pada University of California
yang merupakan pencetus sekaligus yang memasarkan ide tentang cara
mekanisme pengolahan atau manajemen ketidakpastian yang kemudian dikenal
dengan logika fuzzy. Dalam penyajiannya vaiabel-variabel yang akan
digunakan harus cukup menggambarkan ke-fuzzy-an tetapi di lain pihak
persamaan-persamaan 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

4
menentukan “derajat keanggotaan” (membership function) dari masing-masing
variabelnya.
Fungsi keanggotaan (membership function), adalah suatu kurva yang
menunjukkan pemetaan titik input data kedalam nilai keanggotaanya (sering
juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0
sampai 1.
1. Derajat Keanggotaan (membership function) adalah : derajat dimana nilai
crisp dengan fungsi keanggotaan ( dari 0 sampai 1 ), juga mengacu sebagai
tingkat keanggotaan, nilai kebenaran, atau masukan fuzzy.
2. Label adalah nama deskriptif yang digunakan untuk mengidentifikasikan
sebuah fungsi keanggotaan.
3. Fungsi Keanggotaan adalah mendefinisikan fuzzy set dengan memetakkan
masukan crisp dari domainnya ke derajat keanggotaan.
4. Masukan Crisp adalah masukan yang tegas dan tertentu.
5. Lingkup/Domain adalah lebar fungsi keanggotaan. Jangkauan konsep,
biasanya bilangan, tempat dimana fungsi keanggotaan dipetakkan.
6. Daerah Batasan Crisp adalah jangkauan seluruh nilai yang dapat
diaplikasikan pada variabel sistem.

5
 Pada teknik digital, Dubois dan Prade, dikenal dua macam logika
yaitu 0 dan 1 serta tiga operasi dasar yaitu NOT, AND dan OR. Logika
semacam ini disebut dengan crisp logic.

C. Himpunan dan Fungsi Keanggotan Fuzzy Logic

a. Himpunan Fuzzy
Himpunan fuzzy merupakan perkembangan dari himpunan tegas.
Himpunan tegas adalah himpunan yang nilai keanggotaan dari elemennya
hanya mempunyai dua kemungkinan derajat keanggotaan yaitu :

dengan µA adalah fungsi karakteristik dari himpunan A.

Di dalam himpunan tegas, keanggotaan suatu unsur di dalam

himpunan dinyatakan secara tegas, apakah objek tersebut anggota himpunan
atau bukan. Untuk sembarang himpunan A, sebuah unsur x adalah anggota
himpunan apabila x terdapat atau terdefinisi di dalam A.
Contoh: A = {0, 4, 7, 8, 11}, maka 7  A, tetapi 5  A.
Contoh lain :
Misalkan X = {1, 2, 3, 4, 5, 6} dan A  X, yang dalam hal ini A = {1, 2, 5}.
Kita menyatakan A sebagai A = {(1,1), (2,1), (3,0), (4,0), (5,1), (6,0) }
Keterangan: (2,1) berarti A(2) = 1; (4,0) berarti A(4) = 0.
Sekarang, tinjau V = himpunan kecepatan pelan (yaitu v  20 km/jam).
Apakah kecepatan v = 20,01 km/jam termasuk ke dalam himpunan
kecepatan pelan?
Menurut himpunan tegas, 20,01 km/jam  V, tetapi menurut
himpunan fuzzy, 20,01 km/jam tidak ditolak ke dalam himpunan V, tetapi
diturunkan derajat keanggotaannya.

6
 Di dalam teori himpunan fuzzy, keanggotaan suatu elemen di dalam
himpunan dinyatakan dengan derajat keanggotaan (membership values)
yang nilainya terletak di dalam selang [0, 1].
Derajat keanggotaan ditentukan dengan fungsi keanggotaan: μA :
X[0, 1] bandingkan fungsi keanggotaan pada teori himpunan tegas: A :
X{0, 1}
Arti derajat keanggotaan:
a. jika μA(x) = 1, maka x adalah anggota penuh dari himpunan A
b. jika μA(x) = 0, maka x bukan anggota himpunan A
c. jika μA(x) = μ, dengan 0 < μ < 1, maka x adalah anggota himpunan A
dengan derajat keanggotaan sebesar μ.
Cara-Cara Menuliskan Himpunan Fuzzy:
Cara 1 : Sebagai himpunan pasangan berurutan
A = { (x1, μA(x1)), (x2, μA(x2)), …, (xn, μA(xn)) }
Contoh 5. Misalkan
X = { becak, sepeda motor, mobil kodok(VW), mobil kijang, mobil carry }
A = himpunan kendaraan yang nyaman dipakai untuk bepergian jarak jauh
oleh keluarga besar (terdiri dari ayah, ibu, dan empat orang anak)
Didefinisikan bahwa,
x1 = becak, μA(x1) = 0;
x2 = sepeda motor, μA(x2) = 0.1
x3 = mobil kodok becak, μA(x3) = 0.5
x4 = mobil kijang, μA(x4) = 1.0
x5 = mobil carry, μA(x5) = 0.8
maka, dalam himpunan fuzzy, A = { (becak, 0), (sepeda motor, 0.1), (mobil
kodok, 0.5), (mobil kijang, 0.5), (mobil carry, 0.8) }
Cara 2 : Dinyatakan dengan menyebut fungsi keanggotaan.
Cara ini digunakan bila anggota himpunan fuzzy bernilai menerus
(riil).
Contoh 6. Misalkan

7
A = himpunan bilangan riil yang dekat dengan 2 maka, dalam himpunan
fuzzy,
A = {(x, μ(x)) | μ(x) = 1/(1 + (x – 2)2 ) }
Cara 3: Dengan menuliskan sebagai

untuk X diskrit, atau

untuk X menerus (continue).

Contoh :
(i) diskrit
X = himpunan bilangan bulat positif
A = bilangan bulat yang dekat 10
= { 0.1/7 + 0.5/8 + 1.0/10, 0.8/11 + 0.5/12 + 0.1/13 }
(ii) menerus
X = himpunan bilangan riil positif
A = bilangan riil yang dekat 10
=  1/(1 + (x – 10)2 / x

Perbandingan Crisp Set dan Fuzzy Set

8
b. Fungsi Keanggotaan Fuzzy Logic
Fungsi Keanggotaan (membership function) adalah suatu kurva
yang menunjukkan pemetaan titik-titik input data ke dalam nilai
keanggotaannya (derajat keanggotaan) yang memiliki interval antara 0
sampai 1. Nilai keanggotaan atau derajat keanggotaan bisa didapat dengan
melakukan beberapa pendekatan fungsi keanggotaan, seperti berikut :
1) Kurva Linear
Pada kurva linear, pemetaan input ke derajat keanggotannya
digambarkan sebagai garis lurus. Ada dua keadaan himpunan fuzzy
linear, yaitu :
a. Kurva Linear Naik, adalah kenaikan himpunan dimulai pada nilai
domain yang memiliki derajat keanggotaan nol [0] bergerak ke
kanan menuju ke nilai domain yang memiliki derajat keanggotaan
lebih tinggi.

Fungsi Keanggotaan :

Keterangan :
a = nilai domain yang mempunyai derajat keanggotaan nol

9
 b = nilai domain yang mempunyai derajat keanggotaan satu
x = nilai input yang akan di ubah ke dalam bilangan fuzzy

b. Kurva Linear Turun, adalah 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.

Fungsi Keanggotaan :

Keterangan:
a = nilai domain yang mempunyai derajat keanggotaan satu.
b = nilai domain yang mempunyai derajat keanggotaan nol.
x = nilai input yang akan di ubah ke dalam bilangan fuzzy.

2) Kurva Segitiga
Kurva segitiga merupakan gabungan antara 2 garis (linear). Nilai-nilai
disekitar b memiliki derajat keanggotaan turun cukup tajam (menjauhi
1).

10
 Fungsi keanggotaan :

Keterangan:
a = nilai domain terkecil yang mempunyai derajat keanggotaan nol.
b = nilai domain yang mempunyai derajat keanggotaan satu.
c = nilai domain terbesar yang mempunyai derajat keanggotaan nol.
x = nilai input yang akan di ubah ke dalam bilangan fuzzy.

3) Kurva Trapesium
Kurva Trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada
beberapa titik yang memiliki nilai keanggotaan 1.

Fungsi Keanggotaan :

11
 Keterangan:
a = nilai domain terkecil yang mempunyai derajat keanggotaan nol.
b = nilai domain terkecil yang mempunyai derajat keanggotaan satu.
c = nilai domain terbesar yang mempunyai derajat keanggotaan satu.
d = nilai domain terbesar yang mempunyai derajat keanggotaan nol.
x = nilai input yang akan di ubah ke dalam bilangan fuzzy.

4) Kurva Bentuk Bahu

Daerah yang terletak di tengah-tengah suatu variabel yang
direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya
akan naik 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.

Fungsi Keanggotaan :

12
D. Operator Himpunan Fuzzy Logic
Operator dasar pada sistem Fuzzy Logic Controller menurut Zadeh untuk
Operasi Himpunan Fuzzy memiliki tiga operator dasar sebagai berikut :
a. Operator AND, Operasi dengan operator AND diperoleh dengan
mengambil nilai keanggotaan terkecil antara elemen pada himpunan-
himpunan yang bersangkutan.
μA∩B [x] = min(μA[x], μB[x])
b. Operator OR, Operasi dengan operator OR diperoleh dengan mengambil
nilai keanggotaan terbesar antara elemen pada himpunan-himpunan yang
bersangkutan.
μA∪B [x] = max(μA[x], μB[x])
c. Operator NOT, Operasi dengan operator NOT diperoleh dengan
mengurangkan nilai keanggotaan elemen pada anggota himpunan dengan 1.
μA’[x] = 1 - μA[x]

13
 Contoh :

E. Sistem Inferensi Fuzzy Logic

Sistem Inferensi Fuzzy atau yang lebih dikenal Fuzzy Inference System (FIS)
adalah penarikan kesimpulan dari sekumpulan kaidah fuzzy. Jadi, di dalam FIS
minimal harus ada dua buah kaidah fuzzy = Input FIS: crisp values dan Output
FIS: crisp values.

FIS dapat dibangun dengan tiga metode yaitu :

a. 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.
b. Metode Mamdani

14
 Metode Mamdani sering juga dikenal dengan nama Metode Max-Min.
Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk
mendapatkan output, diperlukan 4 tahapan:
1. Pembentukan Himpunan Fuzzy
2. Aplikasi fungsi implikasi (aturan)
3. Komposisi aturan
4. Penegasan (defuzzy)
c. Metode Sugeno
Penalaran ini hampir sama dengan penalaran Mamdani, hanya saja output
(konsekuen) sistem tidak berupa himpunan fuzzy melainkan berupa
konstanta atau persamaan linear. Metode ini disebut juga dengan sebutan
Takagi-Sugeno-Kang yang diperkenalkan pada tahun 1985.
1. Model Fuzzy Sugeno Orde Nol
IF (X1 is A1) - (X2 is A2) - (X3 is A3) - …. - (XN is AN) THEN z = k
Dimana :
- Ai adalah himpunan fuzzy ke-i sebagai anteseden
- k adalah konstanta (tegas) sebagai konsekuen
Atau dapat juga digambarkan bahwa :
Wi = And Method (F1(x),F2(x))
Dimana :
- Wi adalah firing strength atau pada beberapa buku dinotasikan dengan
α
- F1, F2 adalah membership function dari input 1 dan input 2.
Dan output dari sistem dapat dihitung dengan rumusan :
Output = Wi ,Zi
2. Model Fuzzy Sugeno Orde Satu
IF (X1 is A1) - …. - (XN is AN) THEN z = p1* x1 + …+ pN* XN+ q
Dimana :
- Ai adalah himpunan fuzzy ke-i sebagai anteseden
- p iadalah suatu konstanta ke-i
- q merupakan konstanta dalam konsekuen.

15
Proses-proses di dalam FIS:
a. Fuzzyfikasi
Fuzzyfikasi adalah proses memetakan nilai crisp (numerik) ke dalam
himpunan fuzzy dan menentukan derajat keanggotaannya di dalam
himpunan fuzzy. Hal ini dilakukan karena data diproses berdasarkan
teori himpunan fuzzy sehingga data yang bukan dalam bentuk fuzzy
harus diubah ke dalam bentuk fuzzy. Contoh :

b. Operasi fuzzy logic

Sama seperti penjelasan sebelumnya mengenai “operator fuzzy logic”,
yang terbagi menjadi tiga yaitu AND, OR, dan NOT.

16
c. Implikasi
Adalah proses mendapatkan keluaran dari IF-THEN rule. Metode yang
umum digunakan adalah metode Mamdani. Input: derajat kebenaran
bagian antesenden dan fuzzy set pada bagian konsekuen. Fungsi
implikasi yang digunakan adalah min.
Contoh : IF Biaya Produksi is RENDAH and Permintaan is NAIK
THEN Produksi Barang is BERTAMBAH

d. Agregasi
Jika terdapat lebih dari satu kaidah fuzzy yang dievaluasi, keluaran
semua IF-THEN rule dikombinasikan menjadi sebuah fuzzy set tunggal.
Metode agregasi yang digunakan adalah max atau OR terhadap semua
keluaran IF-THEN rule. Jika dilakukan fungsi min pada impikasi dan
max pada agregasi, maka metode Mamdani disebut juga
metode MIN-MAX (min-max inferencing).
Misalkan terdapat n buah kaidah yang berbentuk:

k
yang dalam hal ini A1 dan A2k adalah himpunan fuzzy yang
merepresentasikan pasangan antesenden ke-k, dan Bk adalah himpunan
fuzzy yang menyatakan konsekuen ke-k.
Berdasarkan metode implikasi Mamdani, maka keluaran untuk n
buah kaidah diberikan oleh:

17
e. Defuzzyfikasi
Defuzzyfikasi adalah proses memetakan besaran dari himpunan fuzzy
ke dalam bentuk nilai crisp. Strategi yang umum dipakai dalam
defuzzifikasi adalah menentukan bentuk kompromi terbaik.

Metode-metode untuk strategi ini adalah:

1. Metode keanggotaan maximum (maxmembership)

2. Metode pusat luas (Center of Area, CoA)

3. Metode keanggotaan maksimum rata-rata (Meanmax Membership

atau Middle-of-Maxima)

18
F. Penalaran Monoton dan Fungsi Implikasi
a. Penalaran Monoton
Metode penalaran secara 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 direlasikan dengan implikasi sederhana sebagai berikut:
IF x is A THEN y is B.
Transfer fungsi :
y = f((x,A),B)
maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan
dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari nilai
keanggotaan yang berhubungan dengan antesedennya.

b. Fungsi Implikasi
Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan
berhubungan dengan suatu relasi fuzzy. Bentuk umum dari aturan yang
digunakan dalam fungsi implikasi adalah:
IF x is A THEN y is B
dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy.
Proposisi yang mengikuti IF disebut sebagi anteseden, sedangkan proposisi
yang mengikuti THEN disebut sebagai konsekuen. Proposisi ini dapat
diperluas dengan menggunakan operator fuzzy, seperti:
IF (x1 is A1) • (x2 is A2) • (x3 is A3) • …… • (xN is AN) THEN y is B
dengan • adalah operator (misal: OR atau AND).

Secara umum, ada 2 fungsi implikasi yang dapat digunakan, yaitu:

1. Min (minimum). Fungsi ini akan memotong output himpunan fuzzy.
Gambar menunjukkan salah satu contoh penggunaan fungsi min.

19
2. Dot (product). Fungsi ini akan menskala output himpunan fuzzy.
Gambar Fungsi implikasi: DOT sebagai berikut :

20
 BAB III
PENUTUP
A. Kesimpulan
1. Logika Fuzzy merupakan suatu logika yang memiliki nilai kekaburan
atau kesamaran (fuzzyness) antara benar atau salah.
2. Fungsi Keanggotaan (membership function) adalah suatu kurva yang
menunjukkan pemetaan titik-titik input data ke dalam nilai
keanggotaannya (derajat keanggotaan) yang memiliki interval antara 0
sampai 1, terdiri atas kurva linear, segitiga, trapesium, dan bahu.
3. Operator himpunan Fuzzy logic terdiri atas tiga yaitu AND, OR, dan
NOT.
4. Metode inferensi Fuzzy logic terdiri dari metode Tsukamoto, Mamdani,
dan Sugeno.
5. Metode penalaran secara monoton digunakan sebagai dasar untuk teknik
implikasi fuzzy dan fungsi implikasi terdiri atas dua yaitu min dan dot.

B. Saran
Seiring dengan perkembangan zaman, teknologi benar-benar berkembang
pesat dari waktu ke waktu, dan diharapkan ilmu Fuzzy Logic ini dapat
dimanfaatkan dan diimplementasikan sebaik-baiknya untuk sesuatu yang
lebih berguna ke depannya.

21
 DAFTAR PUSTAKA
Sudrajat. 2008. Dasar-dasar Fuzzy Logic. Bandung : Universitas Padajajaran
Munir, Rinaldi. Sistem Inferensi Fuzzy. Bandung : STEI ITB
Januar Wicaksono, Muh. 2015. Logika Fuzzy. Jakarta : WordPress.com
Hanagumori, Des. 2011. Konsep Dasar Fuzzy Logic. Tangerang :
hanagumori.blogspot.com
Panggabean, Taufik. Fungsi Keanggotaan Fuzzy Logic. Jakarta : Universitas Budi
Luhur
Lesmono, Agus. 2018. Himpunan Operator Fuzzy. Jakarta : SlidePlayer
Bittey.2012. Penalaran Monoton. Medan : Universitas Sumatera Utara

22