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 (deffuzy)

1. Pembentukan himpunan fuzzy

Pada Metode Mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau
lebih himpunan fuzzy.
2. Aplikasi fungsi implikasi Pada Metode Mamdani, fungsi implikasi yang digunakan adalah
Min.
3. Komposisi Aturan
Tidak seperti penalaran monoton, apabila sistem terdiri-dari beberapa aturan, maka inferensi
diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode yang digunakan dalam melakukan
inferensi sistem fuzzy, yaitu: max, additive dan probabilistik OR (probor).

 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:
μsf[xi] ← max(μsf[xi], μkf[xi])
dengan:
μsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;-
μkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i;

 Metode Additive (Sum)

Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum
terhadap semua output daerah fuzzy. Secara umum dituliskan:
μsf[xi] ← min(1,μsf[xi]+ μkf[xi])
dengan:
μsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
μkf[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:
μsf[xi] ← (μsf[xi]+ μkf[xi]) - (μsf[xi] * μkf[xi])
dengan:
μsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
μkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i;

4.Penegasan (defuzzy)
Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-
aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan
fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus
dapat diambil suatu nilai crsip tertentu sebagai output

Ada beberapa metode defuzzifikasi pada komposisi aturan MAMDANI, antara lain:
a. Metode Centroid (Composite Moment)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat (z*) daerah fuzzy. Secara
umum dirumuskan:

b. Metode Bisektor
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai pada domain fuzzy yang
memiliki nilai keanggotaan separo dari jumlah total nilai keanggotaan pada daerah fuzzy. Secara
umum dituliskan:

c. Metode Mean of Maximum (MOM)

Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata-rata domain yang memiliki
nilai keanggotaan maksimum.

d. Metode Largest of Maximum (LOM)

Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terbesar dari domain yang
memiliki nilai keanggotaan maksimum.
e. Metode Smallest of Maximum (SOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terkecil dari domain yang
memiliki nilai keanggotaan maksimum.

Hibridisasi neuro-fuzzy menghasilkan sistem cerdas hibrida yang mensinergikan kedua teknik ini
dengan menggabungkan gaya penalaran manusia seperti sistem fuzzy dengan pembelajaran dan
struktur koneksionis dari jaringan saraf. Hibridisasi neuro-fuzzy secara luas disebut sebagai fuzzy
neural network (FNN) atau sistem neuro-fuzzy (NFS) dalam literatur. Sistem neuro-fuzzy (istilah yang
lebih populer digunakan untuk selanjutnya) menggabungkan gaya penalaran manusia seperti sistem
fuzzy melalui penggunaan set fuzzy dan model linguistik yang terdiri dari serangkaian aturan fuzzy IF-
THEN. Kekuatan utama dari sistem neuro-fuzzy adalah bahwa mereka adalah aproksimator universal
dengan kemampuan untuk meminta aturan IF-THEN yang dapat ditafsirkan.

Kekuatan sistem neuro-fuzzy melibatkan dua persyaratan yang saling bertentangan dalam
pemodelan fuzzy: interpretabilitas versus akurasi. Dalam praktiknya, salah satu dari dua properti
berlaku. Neuro-fuzzy dalam bidang penelitian pemodelan fuzzy dibagi menjadi dua bidang:
pemodelan fuzzy linguistik yang berfokus pada interpretabilitas, terutama model Mamdani ; dan
pemodelan fuzzy presisi yang berfokus pada akurasi, terutama model Takagi-Sugeno-Kang (TSK) .

Meskipun secara umum dianggap sebagai realisasi dari sistem fuzzy melalui jaringan koneksionis,
istilah ini juga digunakan untuk menggambarkan beberapa konfigurasi lain termasuk:

 Turunkan aturan fuzzy dari jaringan RBF yang terlatih.

 Tuning berbasis logika fuzzy dari parameter pelatihan jaringan saraf .

 Kriteria logika fuzzy untuk meningkatkan ukuran jaringan.

 Menyadari fungsi keanggotaan fuzzy melalui algoritma pengelompokan dalam pembelajaran

tanpa pengawasan di SOM dan jaringan saraf .

 Merupakan fuzzifikasi , inferensi fuzzy dan defuzzifikasi melalui jaringan koneksionis umpan-
maju multi-layer.

Harus ditunjukkan bahwa interpretabilitas sistem neuro-fuzzy tipe Mamdani bisa hilang. Untuk
meningkatkan interpretabilitas sistem neuro-fuzzy, langkah-langkah tertentu harus diambil, di mana
aspek-aspek penting dari interpretabilitas sistem neuro-fuzzy juga dibahas. [2]

Sebuah jalur penelitian terbaru membahas kasus penambangan aliran data , di mana sistem neuro-
fuzzy secara berurutan diperbarui dengan sampel masuk baru sesuai permintaan dan on-the-fly.
Dengan demikian, pembaruan sistem tidak hanya mencakup adaptasi rekursif dari parameter model,
tetapi juga evolusi dinamis dan pemangkasan komponen model (neuron, aturan), untuk menangani
penyimpangan konsep dan secara dinamis mengubah perilaku sistem secara memadai dan menjaga
sistem / model "terkini" kapan saja. Survei komprehensif dari berbagai pendekatan sistem neuro-
fuzzy berkembang dapat ditemukan di [3] dan. [4]

Jaringan saraf fuzzy berbasis produk luar Pseudo

Pseudo fuzzy neural networks ( POPFNN ) berbasis produk luar adalah keluarga dari sistem neuro-
fuzzy yang didasarkan pada model fuzzy linguistik. [5]

Tiga anggota POPFNN ada dalam literatur:

  POPFNN-AARS (S) , yang didasarkan pada Perkiraan Skema Penalaran Analog [6]

 POPFNN-CRI (S) , yang didasarkan pada Aturan Komposisi Inferensi fuzzy yang diterima
secara umum [7]

 POPFNN-TVR , yang didasarkan pada Pembatasan Nilai Kebenaran

Arsitektur "POPFNN" adalah jaringan saraf lima lapis di mana lapisan dari 1 hingga 5 disebut: lapisan
input linguistik, lapisan kondisi, lapisan aturan, lapisan konsekuen, lapisan linguistik keluaran.
Fuzzifikasi input dan defuzzifikasi output masing-masing dilakukan oleh linguistik input dan layer
linguistik output, sedangkan inferensi fuzzy secara kolektif dilakukan oleh aturan, kondisi dan lapisan
konsekuensi.

Proses pembelajaran POPFNN terdiri dari tiga fase:

1. Generasi keanggotaan yang kabur

2. Identifikasi aturan fuzzy

3. Penyetelan halus yang diawasi

Berbagai algoritma pembentukan keanggotaan fuzzy dapat digunakan: Learning Vector Quantization
(LVQ), Fuzzy Kohonen Partitioning (FKP) atau Discrete Incremental Clustering (DIC). Secara umum,
algoritma POP dan variannya LazyPOP digunakan untuk mengidentifikasi aturan fuzzy.