LOGIKA FUZZY (FUZZY DATABASE & FUZZY MATHEMATICAL

PROGRAMMING)

Dosen Pengampu : H. Fitriyadi, S.Pi, M.Kom

Disusun Oleh :

MUHAMMAD DENNY SAPUTRA 3101 1702 3143

MARDAWAIHI 3101 1702 3145

MUHAMMAD AMIN 3101 1702 3149

MUHAMMAD FAJAR RAZATILLAH 3101 1702 3150

MUAMMAR AJIANTO 3101 1702 3153

JURUSAN TEKNIK INFORMATIKA

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER

(STMIK) BANJARBARU

2019
A. Logika Fuzzy

Logika Fuzzy adalah peningkatan dari logika Boolean yang berhadapan

dengan konsep kebenaran sebagian. Saat logika klasikmenyatakan bahwa segala
hal dapat diekspresikan dalam istilah biner (0 atau 1, hitam atau putih, ya atau
tidak), logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran.

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 set
fuzzy dan teori kemungkinan. Logika fuzzy diperkenalkan oleh Dr. Lotfi
Zadeh dari Universitas California, Berkeley pada 1965.
B. Basisdata Fuzzy
1. Basisdata Fuzzy: TAHANI

Sebagian besar basis data standar diklasifikasikan berdasarkan bagaimana

data tersebut dipandang oleh user.

Misalkan kita memiliki data karyawan yang tersimpan pada tabel

DT_KARYAWAN dengan field NIP, nama, tgl lahir, th masuk, dan gaji per bulan
sebagai berikut.

Gaji/bl
NIP Nama Tgl Lahir Th. Masuk
(Rp)

01 Lia 03-06-1972 1996 750.000

02 Iwan 23-09-1954 1985 1.500.000

03 Sari 12-12-1966 1988 1.255.000

04 Andi 06-03-1965 1998 1.040.000

05 Budi 04-12-1960 1990 950.000

06 Amir 18-11-1963 1989 1.600.000

07 Rian 28-05-1965 1997 1.250.000

08 Kiki 09-07-1971 2001 550.000

09 Alda 14-08-1967 1999 735.000

10 Yoga 17-09-1977 2000 860.000

 NIP Nama Umur (th)* Masa Kerja (th)* Gaji/bl

01 Lia 30 6 750.000

02 Iwan 48 17 1.500.000

03 Sari 36 14 1.255.000

04 Andi 37 4 1.040.000

05 Budi 42 12 950.000

06 Amir 39 13 1.600.000

07 Rian 37 5 1.250.000

08 Kiki 32 1 550.000

09 Alda 35 3 735.000

10 Yoga 25 2 860.000

* Misal Sekarang tahun 2002

Dengan menggunakan basisdata standar, kita dapat mencari data-data

karyawan dengan spesifikasi tertentu dengan menggunakan query.

Misal kita ingin mendapatkan informasi tentang nama-nama karyawan yang

usianya kurang dari 35 tahun, maka kita bisa ciptakan suatu query:

SELECT NAMA

FROM KARYAWAN

WHERE (Umur < 35)

Sehingga muncul nama-nama Lia, Kiki, dan Yoga.

Apabila kita ingin mendapatkan informasi tentang nama-nama karyawan yang
gajinya lebih dari 1 juta rupiah, maka kita bisa ciptakan suatu query:

SELECT NAMA

FROM KARYAWAN

WHERE (Gaji > 1000000)

Sehingga muncul nama-nama Iwan, Sari, Andi, Amir, dan Rian.

Apabila kita ingin mendapatkan informasi tentang nama-nama karyawan yang yang
masa kerjanya kurang dari atau sama dengan 5 tahun tetapi gajinya sudah lebih dari
1 juta rupiah, maka kita bisa ciptakan suatu query:

SELECT NAMA

FROM KARYAWAN

WHERE (MasaKerja <= 5) and (Gaji > 1000000)

Sehingga muncul nama-nama Andi dan Rian.

Pada kenyataannya, seseorang kadang membutuhkan informasi dari data-data yang

bersifat ambiguous.

Apabila hal ini terjadi, maka kita bisa mengatasinya dengan menggunakan basisdata
fuzzy.

Basisdata fuzzy model Tahani masih tetap menggunakan relasi standar, hanya saja
model ini menggunakan teori himpunan fuzzy untuk mendapatkan informasi pada
query-nya.

Misalkan kita mengkategorikan usia karyawan diatas ke dalam himpunan:

MUDA,

PAROBAYA, dan

TUA
 MUDA PAROBAYA TUA
1

[x]

0
30 35 40 45 50
Umur (tahun)

1; x  30
 40  x
 MUDA[ x]   ; 30  x  40
 10
0; x  40


0; x  35 atau x  50

 x  35
 PAROBAYA[ x]   ; 35  x  45
 10
 50  x ; 45  x  50

 5

0; x  40
 x  40
 TUA [ x]   ; 40  x  50
 10
1; x  50
Tabel karyawan berdasarkan umur dengan derajat keanggotannya pada setiap
himpunan.

Derajat Keanggotaan
NIP Nama Umur
MUDA PAROBAYA TUA

01 Lia 30 1 0 0

02 Iwan 48 0 0,4 0,8

03 Sari 36 0,4 0,1 0

04 Andi 37 0,3 0,2 0

05 Budi 42 0 0,7 0,2

06 Amir 39 0,1 0,4 0

07 Rian 37 0,3 0,2 0

08 Kiki 32 0,8 0 0

09 Alda 35 0,5 0 0

10 Yoga 25 1 0 0

Variabel Masa Kerja bisa dikategorikan dalam himpunan:

 BARU
 LAMA

BARU LAMA
1

[y]

0
5 10 15 25
Masa Kerja
(tahun)
 1; y5
15  y
 BARU [ y ]   ; 5  y  15
 10
0; y  15

0; y  10
 y  10
 LAMA [ y ]   ; 10  y  25
 15
1; y  25

Tabel karyawan berdasarkan umur dengan derajat keanggotannya pada setiap

himpunan.

Derajat Keanggotaan
NIP Nama Masa Kerja
BARU LAMA

01 Lia 6 0,9 0

02 Iwan 17 0 0,467

03 Sari 14 0,1 0,267

04 Andi 4 1 0

05 Budi 12 0,3 0,133

06 Amir 13 0,2 0,200

07 Rian 5 1 0

08 Kiki 1 1 0

09 Alda 3 1 0

10 Yoga 2 1 0
Variabel Gaji bisa dikategorikan dalam himpunan:

 RENDAH,
 SEDANG, dan
 TINGGI

TINGGI
1 RENDAH SEDANG

[z]

0
300 500 800 1000 1500 2000
Gaji (x1000 Rp/bl)

1; z  300
 800  z
 RENDAH [ z ]   ; 300  z  800
 500
0; z  800


0; z  500 atau z  1500

 z  500
 SEDANG [ z ]   ; 500  z  1000
 500
1500  z ; 1000  z  1500

 500

0; z  1000
 z  1000
 TINGGI [ z ]   ; 1000  z  2000
 1000
1; z  2000
Tabel karyawan berdasarkan umur dengan derajat keanggotannya pada setiap
himpunan.

Derajat Keanggotaan
NIP Nama Gaji / bl
RENDAH SEDANG TINGGI

01 Lia 750.000 0,1 0,50 0

02 Iwan 1.255.000 0 0,49 0,255

03 Sari 1.500.000 0 0 0,500

04 Andi 1.040.000 0 0,92 0,040

05 Budi 950.000 0 0,90 0

06 Amir 1.600.000 0 0 0,600

07 Rian 1.250.000 0 0,50 0,250

08 Kiki 550.000 0,5 0 0

09 Alda 735.000 0,13 0 0

10 Yoga 860.000 0 0 0

Query1:

Siapa saja-kah karyawan yang masih muda tapi memiliki gaji tinggi?

SELECT NAMA

FROM KARYAWAN

WHERE (Umur = “MUDA”) and (Gaji = “TINGGI”)

 Derajat Keanggotaan
NIP NAMA UMUR GAJI
MUDA TINGGI MUDA & TINGGI

03 Sari 36 1.500.000 0,4 0,5 0,4

07 Rian 37 1.250.000 0,3 0,25 0,25

06 Amir 39 1.600.000 0,1 0,6 0,1

04 Andi 37 1.040.000 0,3 0,04 0,04

01 Lia 30 750.000 1 0 0

02 Iwan 48 1.255.000 0 0,255 0

05 Budi 42 950.000 0 0 0

08 Kiki 32 550.000 0,8 0 0

09 Alda 35 735.000 0,5 0 0

10 Yoga 25 860.000 1 0 0

Query2:

Siapa saja-kah karyawan yang masih muda atau karyawan yang memiliki gaji
tinggi?

SELECT NAMA

FROM KARYAWAN

WHERE (Umur = “MUDA”) or (Gaji = “TINGGI”)

 Derajat Keanggotaan

NIP NAMA UMUR GAJI

MUDA atau
MUDA TINGGI
TINGGI

01 Lia 30 750.000 1 0 1

10 Yoga 25 860.000 1 0 1

08 Kiki 32 550.000 0,8 0 0,8

06 Amir 39 1.600.000 0,1 0,6 0,6

03 Sari 36 1.500.000 0,4 0,5 0,5

09 Alda 35 735.000 0,5 0 0,5

04 Andi 37 1.040.000 0,3 0,04 0,3

07 Rian 37 1.250.000 0,3 0,25 0,3

02 Iwan 48 1.255.000 0 0,255 0,255

05 Budi 42 950.000 0 0 0

Query3:

Siapa saja-kah karyawan yang masih muda tapi masa kerjanya sudah lama?

SELECT NAMA

FROM KARYAWAN

WHERE (Umur = “MUDA”) and

(MasaKerja = “LAMA”)
 Derajat Keanggotaan

NIP NAMA UMUR Masa Kerja

MUDA LAMA MUDA & LAMA

03 Sari 36 14 0,4 0,267 0,267

06 Amir 39 13 0,1 0,2 0,1

01 Lia 30 6 1 0 0

02 Iwan 48 17 0 0,467 0

04 Andi 37 4 0,3 0 0

05 Budi 42 12 0 0,133 0

07 Rian 37 5 0,3 0 0

08 Kiki 32 1 0,8 0 0

09 Alda 35 3 0,5 0 0

10 Yoga 25 2 1 0 0

Query4:

Siapa saja-kah karyawan yang parobaya dan gajinya sedang, atau karyawan yang
parobaya tapi masa kerjanya sudah lama?

SELECT NAMA

FROM KARYAWAN

WHERE (Umur = “PAROBAYA”) and

[(Gaji = “SEDANG”) or

(MasaKerja = “LAMA”)]
 Derajat Keanggotaan

NIP NAMA SEDANG PAROBAYA &

SEDANG LAMA atau PAROBAYA (SEDANG atau
LAMA LAMA)

05 Budi 0,9 0,133 0,9 0,7 0,7

02 Iwan 0,49 0,467 0,49 0,4 0,4

04 Andi 0,92 0 0,92 0,2 0,2

06 Amir 0 0,2 0,2 0,4 0,2

07 Rian 0,5 0 0,5 0,2 0,2

03 Sari 0 0,267 0,267 0,1 0,1

01 Lia 0,5 0 0,5 0 0

08 Kiki 0 0 0 0 0

09 Alda 0 0 0 0 0

10 Yoga 0 0 0 0 0

2. Basisdata Fuzzy: UMANO

Pada basisdata fuzzy Model Umano, data-data yang ambiguous diekspresikan

dengan menggunakan distribrusi posibilitas.

Distribusi posibilitas merupakan nilai atribut dari suatu model relasi.

Misalkan terdapat tabel Karyawan sebagai berikut:

Nama Umur Nama Anak

Ani 35 th Fitri

Lia 33 th -

Doni Muda Tidak Tahu

Sandra Tidak Tahu Ningrum

Riko 56 {Nia, Ana}P

Dian {50,51}P Undefined

Pada record pertama tidak ada data yang ambiguous, Ani berusia 35 th dan memiliki
seorang anak yang bernama Fitri.

Pada record kedua, juga tidak ada data yang ambiguous, Lia berusia 33 th dan belum
mempunyai anak.

Pada record ketiga, Doni tidak diketahui berapa umurnya, tapi dia masih muda.
Umur Doni diekspresikan dengan distribusi posibilitas MUDA, misalkan MUDA
merupakan himpunan dengan distribusi posibilitas sebagai berikut :

MUDA = {0,3/15; 0,6/17; 0,8/22; 1/25;

0,8/30; 0,7/33; 0,6/35; 0,2/40}

Doni memiliki anak, tapi kita tidak tahu siapa nama anaknya. Nama anak dari Doni
diekspresikan dengan distribusi posibilitas tidak tahu, yang berarti siapapun
mungkin (nilai posibilitas = 1).

Pada record keempat, kita tidak mengetahui berapa umur Sandra. Umur Sandra
diekspresikan dengan distribusi posibilitas tidak tahu, yang berarti berapapun
mungkin (nilai posibilitas = 1).

Sandra memiliki anak yang bernama Ningrum.

Pada record kelima, Riko diketahui berumur 56 tahun.

Riko memiliki seorang anak yang belum jelas siapa namanya, apakah Nia atau Ana.
Nama anak Riko diekspresikan dengan distribusi posibilitas {Nia,Ana}P, yang
berarti Nia atau Ana. Misalkan distribusi posibilitas yang diberikan adalah:

{0,8/Nia; 0,5/Ana}

yang berarti bahwa anak Riko bernama Ana dengan posibilitas 0,8; atau bernama
Ana dengan posibilitas 0,5. Nilai posibilitas Nia lebih besar dibanding dengan nilai
posibilitas Ana.

Pada record keenam, umur Dian diketahui 50 tahun atau 51 tahun. Umur Dian
diekspresikan dengan distribusi posibilitas {50,51}P, yang berarti umurnya 50 atau
51, misalkan distribusi posibilitas yang diberikan adalah:

{0,8/50; 0,4/51}

yang berarti bahwa nilai posibilitas Dian berumur 50 tahun adalah 0,8; dan nilai
posibilitas Dian berumur 51 tahun adalah 0,4 tahun. Nilai posibilitas 50 th lebih
besar dibanding dengan nilai posibilitas 51 tahun. Kita tidak tahu apakah Dian
memiliki anak atau tidak.

Nama anak Dian diekspresikan dengan distribusi posibilitas undefined, tidak jelas
punya anak atau tidak (nilai posibilitas = 0).

Apabila ada suatu query: “Siapa sajakah karyawan yang usianya lebih dari 36
tahun?”

Maka yang masuk dalam kategori ini adalah: Doni, Sandra, Riko, dan Dian.

 Doni termasuk dalam kategori ini, karena Doni masuk dalam kategori
MUDA dimana usia 40 tahun (> 36 th) menjadi anggota himpunan MUDA
meskipun nilai posibilitasnya Cuma 0,2.
 Sandra termasuk dalam kategori ini, sebab kita tidak tahu umur Sandra, jadi
berapapun umur yang diminta Sandra tetap masuk (nilai posibilitas = 1).
 Riko jelas masuk dalam kategori ini, sebab umurnya 56 th (> 36 th). Doni
juga masuk dalam kategori ini, sebab 50 th maupun 51 th keduanya lebih
dari 36 th.
C. Logika Fuzzy Mathematical Programming
1. Himpunan Fuzzy

Himpunan fuzzy adalah suatu himpunan yang sifatnya samar. Himpunan ini
mengembangkan logika banyak nilai (many-valued logic) yang titik utamanya
bukan hanya nilai benar atau salah, tetapi masih memiliki nilai ketiga yang bersifat
netral. Di pihak lain, ada yang diekspresikan seperti pada nilai probabilitas yang
memiliki nilai antara 0 dan 1.

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]

Arti derajat keanggotaan adalah sebagai berikut:

(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.

2. Cara menyatakan himpunan fuzzy

Cara 1: Sebagai himpunan pasangan berurutan

A= { (x1, µA(x1)), (x2, µA(x2)), … , (xn, µA(xn)) }

Cara ini hanya dapat digunakan apabila anggota himpunan fuzzy bernilai diskrit.
Untuk anggota himpunan fuzzy yang bernilai riil, tidak dapat menggunakan cara
ini.

Contoh:

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, µA(x3) = 0.5

x4 = mobil carry, µA(x4) = 0.8

x5 = mobil kijang, µA(x5) = 1.0

Maka, dalam himpunan fuzzy,

A = { (becak, 0), (sepeda motor, 0,1), (mobil kodok, 0.5), (mobil carry, 0.8), (mobil
kijang, 1.0) }

Cara 2: Dinyatakan dengan menyebut fungsi keanggotaan.

Cara ini digunakan apabila anggota himpunan fuzzy bernilai menerus (riil).

Contoh:

Misalkan,

A = himpunan bilangan riil dekat 2

Maka, dalam himpunan fuzzy,

A = { (x, µ(x)) | µ(x)= 1/(1 + (x-2)2) }

Cara 3: Dengan menuliskan sebagai

A = { µA(x1)/ x1 + µA(x2)/ x2 + … + µA(xn)/ xn } = { ∑𝑛𝑖=1 µ𝐴(xi)/ xi }

untuk X diskrit, atau

A = ∫𝑥 µ𝐴(𝑥)/ 𝑥
 Untuk X menerus (continue) , lambang ∫ bukan integral seperti di dalam
kalkulus.

Contoh:

(a) Diskrit

X = himpunan bilangan 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

(b) Menerus
X = himpunan riil positif
A = bilangan riil yang dekat 10 = ∫ 1/(1 + 𝑥 − 10)2 / x

3. Fungsi Keanggotaan pada Himpunan Fuzzy

a. Representasi linear
Pada representasi linear, pemetaan input ke derajat keanggotaannya di
gambarkan sebagai suatu garis lurus. Bentuk ini adalah yang paling sederhana dan
yang paling baik untuk mendekati suatu konsep yang kurang jelas.

Ada dua keadaan himpunan fuzzy linear, yaitu linear naik dan linear turun.

a. Linear Naik

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 yang disebut dengan representasi fungsi linear
naik.

Representasi fungsi keanggotaan untuk linear naik adalah sebagai berikut :

 Representasi Linear Naik

Rumus Representasi Linear Naik

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

b. Representasi Kurva Segitiga

Represetasi Kurva Segitiga, pemetaan input ke derajat keanggotaannya
digambarkan dengan bentuk segitiga dimana pada dasarnya bentuk segitiga
tersebut gabungan antara 2 garis (linear). Nilai-nilai di sekitar b memiliki
derajat keanggotaan turun yang cukup tajam (menjahui 1).
Representasi fungsi keanggotaan untuk kurva segitiga adalah sebagai berikut:

Representasi Kurva Segitiga

Rumus Representasi Kurva Segitiga

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

c. Representasi Kurva Trapesium

Kurva trapesium pada dasarnya menyerupai bentuk segitiga, hanya saja
ada beberapa titik yang memiliki nilai keanggotaan 1.
Representasi fungsi keanggotaan untuk kurva trapesium adalah sebagai
berikut:
Representasi Kurva Trapesium

Rumus Representasi Kurva Trapesium

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

d. Representasi 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.
 Representasi fungsi keanggotaan untuk kurva bahu adalah sebagai berikut:

Representasi Kurva Bahu

Rumus Representasi Kurva Bahu

4. Jenis dan Istilah Himpunan Fuzzy

Terdapat 3 jenis himpunan fuzzy, yaitu:

1) Himpunan Fuzzy universe tak berorde

Misalkan X = {San Francisco, Boston, Los Angeles} adalah kota yang bisa
dipilih untuk ditempati. Rangkaian fuzzy C = "kota yang diinginkan untuk
ditempati" dapat digambarkan sebagai berikut:

C = { (San Francisco, 0.9), (Boston, 0.8), (Los Angeles, 0.6) }

Rupanya semesta pembicaraan X bersifat diskrit dan berisi benda-benda yang

tidak berurutan - dalam hal ini, tiga kota besar di AS. Seperti yang bisa dilihat,
nilai keanggotaan di atas yang tercantum di atas cukup subjektif; Siapa pun
bisa menemukan tiga nilai yang berbeda namun sah untuk mencerminkan atau
menentukan pilihannya.

2) Himpunan Fuzzy universe berordo

Misalkan X = {0, 1, 2, 3, 4, 5, 6} adalah himpunan jumlah anak yang dapat

dipilih oleh keluarga. Kemudian himpunan fuzzy A = "jumlah anak yang
masuk akal dalam keluarga" dapat digambarkan sebagai berikut:

A = { (0, 0.1), (1, 0.3), (2, 0.7), (3, 1), (4, 0.7), (5, 0.3), (
6, 0.1) }

Di sini kita memiliki semesta pembicaraan yang terpisah dengan X; derajat

keanggotaan untuk himpunan fuzzy A ditunjukkan pada Gambar 1 (a). Sekali
lagi, derajat keanggotaan dari himpunan fuzzy ini jelas merupakan tindakan
subjektif.
 3) Himpunan Fuzzy universe kontinyu

Biarkan X = R + menjadi himpunan usia yang mungkin bagi manusia.

Kemudian himpunan fuzzy B = "sekitar 50 tahun" dapat dinyatakan sebagai:

B = { (x, μB(x)) | x ∈ X }

dimana
 Dari contoh sebelumnya, jelas bahwa konstruksi himpunan fuzzy bergantung
pada dua hal:
1. Identifikasi wacana alam semesta yang sesuai Spesifikasi fungsi keanggotaan
yang tepat.
2. Spesifikasi derajat keanggotaan bersifat subjektif, yang berarti bahwa derajat
keanggotaan ditentukan untuk konsep yang sama (katakanlah, "jumlah anak
yang masuk akal dalam keluarga") oleh orang yang berbeda mungkin sangat
bervariasi. Subjektivitas ini berasal dari perbedaan individu dalam memahami
atau mengekspresikan konsep abstrak dan tidak ada hubungannya dengan
keacakan. Oleh karena itu, subjektivitas dan nonrandomness rangkaian fuzzy
adalah perbedaan utama antara studi tentang himpunan fuzzy dan teori
probabilitas, yang berhubungan dengan perlakuan objektif terhadap fenomena
acak.

Istilah pada himpunan fuzzy:

1) Linguistik, yaitu penamaan suatu kelompok (grup) yang mewakili suatu

keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti:
MUDA, PAROBAYA, TUA.
2) Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran suatu variabel
seperti: 40, 25, 50, dan sebagainya.
3) Variabel (keanggotaan) fuzzy, yaitu variabel yang hendak dibahas dalam suatu
sistem fuzzy.
4) Semesta pembicaraan, yakni kesuluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan
himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari
kiri ke kanan.
5) Domain, yakni keseluruhan nilai yang diizinkan dalam semesta pembicaraan
dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta
pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik
(bertambah) secara monoton dari kiri ke kanan.
5. Operasi Himpunan Fuzzy

Operasi- operasi pada himpunan fuzzy didefinisikan sebagai berikut:

1) Gabungan (U)

A U B → µAUB = µA(x) ꓦ µB(x) = max(µA(x), µB(x))

A U B diartikan sebagai “x dekat A atau x dekat B”

Contoh:

Tentukan hasil gabungan dari himpunan A dan B berikut

A menyatakan himpunan kelulusan matematika diskrit = {0.25 Anton, 0.5

Enny, 0.0 Rito, 0.75 Setyo, 1.0 Bambang}.

B menyatakan himpunan kelulusan logika matematika = {0.5 Anton, 0.25

Enny, 0.75 Rito, 0.75 Setyo, 0.5 Bambang}.

Jawab:

Karena mencari atau menentukan operasi gabungan, maka ambilah bobot

terbesar (maksimum) diantara kedua himpunan tersebut pada setiap
keanggotaannya.

Jadi, A U B = {0.5 Anton, 0.5 Enny, 0.75 Rito, 0.75 Setyo, 1.0 Bambang}
yang menyatakan kelulusan matakuliah matematika diskrit atau logika
matematika.
2) Irisan (∩)
A ∩ B → µA∩B = µA(x) ꓥ µB(x) = min(µA(x), µB(x))
A ∩ B diartikan sebagai “x dekat A dan x dekat B”

Contoh:

Tentukan hasil irisan dari himpunan A dan B berikut

A menyatakan himpunan kelulusan matematika diskrit = {0.25 Anton, 0.5

Enny, 0.0 Rito, 0.75 Setyo, 1.0 Bambang}.

B menyatakan himpunan kelulusan logika matematika = {0.5 Anton, 0.25

Enny, 0.75 Rito, 0.75 Setyo, 0.5 Bambang}.

Jawab:

Karena mencari atau menentukan operasi irisan, maka ambilah bobot

terkecil (minimum) diantara kedua himpunan tersebut pada setiap
keanggotaan nya.

Jadi, A ∩ B = {0.25 Anton, 0.25 Enny, 0.0 Rito, 0.75 Setyo, 0.5 Bambang}
yang menyatakan kelulusan matakuliah matematika diskrit dan logika
matematika.
3) Komplemen

Ā → µĀ = 1 - µĀ(x)

Ā diartikan sebagai “x tidak dekat A”

Contoh:

Tentukan hasil komplemen dari himpunan berikut

T = {0.6 Dadi, 0.9 Dani, 0.4 Dina, 0.1 Dida, 0.5 Didi}

Jawab:

Karena komplemen, maka setiap keanggotaannya dikurangi 1.

TC = {0.4 Dadi, 0.1 Dani, 0.6 Dina, 0.9 Dida, 0.5 Didi}