Kelompok 4
Definisi
Fuzzy Logic
Definisi
Logika Fuzzy adalah peningkatan dari logika Boolean yang mengenalkan konsep kebenaran
sebagian. Di mana logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah
binary (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 ini
diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley pada 1965.
Fuzzy Logic
Fuzzy Logic
Himpunan Tegas
• Pada himpunan tegas (crisp set), nilai keanggotaan suatu item x dalam suatu himpunan A (ditulis A[x])
memiliki 2 kemungkinan :
– Satu (1), artinya x adalah anggota A
– Nol (0), artinya x bukan anggota A
• Contoh 1 :
Jika diketahui :
S={1,2,3,4,5,6} adalah semesta pembicaraan
A={1,2,3}
B={3,4,5}
maka :
– Nilai keanggotaan 2 pada A, A[2] = 1, karena 2A
– Nilai keanggotaan 4 pada A, A[4] = 0, karena 4 A
Fuzzy Logic
Fuzzy Logic
Himpunan Tegas
Contoh 2:
“Jika suhu lebih tinggi atau sama dengan 80 oF, maka suhu disebut panas, sebaliknya disebut
tidak panas”
Kasus :
– Suhu = 100 oF, maka Panas
– Suhu = 80.1 oF, maka Panas
– Suhu = 79.9 oF, maka tidak panas
– Suhu = 50 oF, maka tidak panas
• Fungsi keanggotaan dari himpunan tegas gagal membedakan antara anggota pada himpunan
yang sama
• Ada problem-problem yang terlalu kompleks
Fuzzy untuk
Logic didefinisikan secara tepat
Fuzzy Logic
Himpunan Tegas
Contoh 3 :
Misal variable umur dibagi menjadi 3 katagori :
• MUDA umur <35 tahun
• PARUHBAYA 35 ≤ umur ≤ 55 tahun
• TUA umur > 55 tahun
Paruhbaya Tua
Muda
1 1
1
0 0 55
0 35 55
35
• Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk menyatakan umur sangat
tidak adil, adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan katagori
yang cukup signifikan
• Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Sesorang dapat masuk dalam 2
himpunan yang berbeda. MUDA dan PARUHBAYA, PARUHBAYA dan TUA, dsb. Seberapa besar
eksistensinya dapat dilihat pada nilai/derajat keanggotaannya.
Paruhbaya
Gambar berikut menunjukkan
himpunan fuzzy untuk variabel umur :
Muda Tua
1
[x]
0,5
0,25
0 25 35 40 45 50 55 65
Fuzzy Logic
Fuzzy Logic
Fungsi Keanggotaan Himpunan Fuzzy
(Membership Function)
• Membership function dalah suatu fungsi (kurva) yang menunjukkan pemetaan titik-titik input
data ke dalam nilai keanggotaannya (derajat keanggotaan) yang memiliki interval antara 0
sampai 1.
• Ada beberapa fungsi yang bisa digunakan :
1. Linier
2. Segitiga
3. Trapesium
4. Sigmoid
5. Phi
Fuzzy Logic
Fuzzy Logic
Fungsi Keanggotaan : Fungsi Linear
1.0 1.0
0 a b 0 a b
Domain Domain
Fuzzy Logic
Fuzzy Logic
Fungsi Keanggotaan : Segitiga
1.0
0 a b c
Segitiga
[x] = 0; x a atau x c
(x-a)/(b-a); a x b
(c-x)/(c-b); b x c
Fuzzy Logic
Fuzzy Logic
Fungsi Keanggotaan : Trapesium
1.0
0 a b c d
Trapesium
[x]= 0; x a atau x d
(x-a)/(b-a); a x b
1; b x c
(d-x)/(d-c); c x d
Fuzzy Logic
Fuzzy Logic
Fungsi Keanggotaan : Sigmoid
1.0
0 a b c
Sigmoid
[x;a,b,c]sigmoid = 0; x a
2 ((x - a)/(c - a))2; a x b
1 - 2((c - x)/(c - a))2; b x c
1; x c
Fuzzy Logic
Fuzzy Logic
Fungsi Keanggotaan : Phi
1.0
[x;a,b,c]phi = [x;c-b,c-b/2,c]sigmoid; x c
[x;c,c+b/2,c+b]sigmoid; x > c
Fuzzy Logic
Fuzzy Logic
Operasi Logika
(Operasi Himpunan Fuzzy)
• Operasi logika adalah operasi yang mengkombinasikan dan memodifikasi 2 atau lebih
himpunan fuzzy.
• Nilai keanggotaan baru hasil operasi dua himpunan disebut firing strength atau predikat,
terdapat 3 operasi dasar pada himpunan fuzzy :
– OR (Union)
– AND (Intersection)
– NOT (Complement)
Fuzzy Logic
Fuzzy Logic
OR
(Union)
• Fuzzy union (): union dari 2 himpunan adalah maksimum dari tiap pasang elemen element
pada kedua himpunan
• Contoh:
–A = {1.0, 0.20, 0.75}
–B = {0.2, 0.45, 0.50}
– A B = {MAX(1.0, 0.2), MAX(0.20, 0.45), MAX(0.75, 0.50)}
= {1.0, 0.45, 0.75}
Fuzzy Logic
Fuzzy Logic
OR
(Union)
Misal nilai keanggotaan umur 27 pada himpunan muda adalah MUDA[27] = 0,6 dan nilai
keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah GAJITINGGI[2juta] = 0,8
maka -predikat untuk usia MUDA atau berpenghasilan TINGGI adalah nilai keanggotaan
maksimum :
MUDA GAJITINGGI
= max(MUDA[27], GAJITINGGI[2juta])
= max (0,6 ; 0,8)
= 0,8
Fuzzy Logic
Fuzzy Logic
AND
(Intersection)
• Fuzzy intersection (): irisan dari 2 himpunan fuzzy adalah minimum dari tiap pasang elemen
pada kedua himpunan.
• contoh.
▪ A B = {MIN(1.0, 0.2), MIN(0.20, 0.45), MIN(0.75, 0.50)} = {0.2, 0.20, 0.50}
▪ Misal nilai keanggotaan umur 27 pada himpunan muda adalah MUDA[27] = 0,6 dan nilai
keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah GAJITINGGI[2juta] = 0,8
maka -predikat untuk usia MUDA dan berpenghasilan TINGGI adalah nilai keanggotaan
minimum :
MUDAGAJITINGGI
= min( MUDA[27], GAJITINGGI[2juta])
= min (0,6 ; 0,8)
= 0,6 Fuzzy Logic
Fuzzy Logic
NOT
(Complement)
Fuzzy Logic
Fuzzy Logic
Contoh
Fuzzy Logic
Fuzzy Logic
Fuzzy Inference Systems
Model Model
Mamdani Model Sugeno Tsukamoto
Fuzzy Logic
Studi Kasus
Dinner for Two
(Model Sugeno)
Fuzzy Logic
Studi Kasus : Dinner for Two
Karena hari ini hari valentine, Romi ingin mengajak Juli dinner di suatu restoran. Sebelum
berangkat dinner, Romi berpikir akan membagi kebahagiaannya pada malam ini kepada pelayan
restoran dengan memberikan uang tip. Dia akan memberikan uang tip sebesar 5-25% dari total
pembelanjaannya. Besarnya uang tip akan dilihat dari tingkat PELAYANAN (service) dan kualitas
MAKANAN (food) yang dihidangkan.
Bantulah Romi untuk memutuskan besarnya uang tip yang akan diberikan kepada pelayan
restoran, jika setelah menikmati hidangan dan fasilitas PELAYANAN, Romi memberi nilai sebagai
berikut:
PELAYANAN = 7
Fuzzy Logic
Fuzzy Logic
Studi Kasus : Dinner for Two
Penilaian PELAYANAN dan MAKANAN berada pada rentang nilai 0-10 dengan kisaran uang tip 5-
25%. Adapun aturan pemberian tip yang ditetapkan oleh Romi adalah sebagai berikut:
Fuzzy Logic
Fuzzy Logic
Studi Kasus : Dinner for Two
Berikut langkah-langkah yang dapat dilakukan untuk menyelesaikan kasus di atas. Kita akan bagi
menjadi lima tahapan, yaitu sebagai berikut :
1. Membuat himpunan fuzzy dan input fuzzy
2. Menerapkan operator fuzzy
3. Menerapkan fungsi implikasi
4. Mengkomposisikan semua output
5. Defuzzyfication
Fuzzy Logic
Fuzzy Logic
Studi Kasus : Dinner for Two
Membuat Himpunan Fuzzy dan Input Fuzzy
PELAYANAN dikategorikan menjadi PELAYANAN yang Jelek, Sedang dan Bagus. MAKANAN
hanya dikategorikan menjadi dua, yaitu MAKANAN yang Tengik dan MAKANAN yang Lezat.
Output berupa uang TIP dengan kategori Murah, Standar dan Mahal.
Mari kita petakan tiap-tiap input dan output ke dalam suatu fungsi keanggotaan tertentu. Input
PELAYANAN terdiri dari fungsi keanggotaan berbentuk segitiga (trimf dalam MATLAB),
MAKANAN terdiri dari fungsi keanggotaan berbentuk trapesium (trapmf dalam MATLAB) dan
output uang tip berupa segitiga (trimf). Berikut jika kita gambarkan ketiganya ke dalam suatu
fungsi keaggotaan (membership function):
Fuzzy Logic
Fuzzy Logic
Studi Kasus : Dinner for Two
Membuat Himpunan Fuzzy dan Input Fuzzy
Fuzzy Logic
Fuzzy Logic
Studi Kasus : Dinner for Two
Membuat Himpunan Fuzzy dan Input Fuzzy
Fuzzy Logic
Fuzzy Logic
Studi Kasus : Dinner for Two
Membuat Himpunan Fuzzy dan Input Fuzzy
Fuzzy Logic
Fuzzy Logic
Studi Kasus : Dinner for Two
Membuat Himpunan Fuzzy dan Input Fuzzy
Nilai-nilai derajat keanggotaan yang telah kita peroleh dari langkah 1 sebelumnya adalah :
• Himp. Fuzzy JELEK: uT_Jelek [7] = 0
• Himp. Fuzzy SEDANG: uT_Sedang[7] = 0.5
• Himp. Fuzzy BAGUS : uT_Bagus [7] = 0.25
• Himp. Fuzzy TENGIK: uT_Tengik [8] = 0
• Himp. Fuzzy LEZAT: uT_Lezat[8] = 0.5
Sebagai contoh: uT_Lezat[8] = 0.5 berarti derajat keanggotaan untuk fungsi LEZAT dengan input 8 adalah
0.5.
Setelah memperoleh derajat keanggotaan untuk tiap-tiap input, langkah selanjutnya adalah menerapkan
operator-operator logika. Dalam hal ini, kita akan bekerja sesuai dengan aturan IF-THEN yang telah
ditetapkan sebelumnya. Berikut adalah aturan yang telah ditetapkan sebelumnya:
1.Jika PELAYANAN Jelek ATAU MAKANAN Tengik, maka Tip Rendah
2.Jika PELAYANAN Sedang, maka Tip Standar
3.Jika PELAYANAN Bagus ATAU MAKANAN Lezat, maka Tip Mahal
Fuzzy Logic
Fuzzy Logic
Studi Kasus : Dinner for Two
Menerapkan Operator Fuzzy
Fuzzy Logic
Fuzzy Logic
Studi Kasus : Dinner for Two
Menerapkan Fungsi Implikasi
Mencari koordinat sumbu-X pada
fungsi MAHAL
Fuzzy Logic
Fuzzy Logic
Studi Kasus : Dinner for Two
Menerapkan Fungsi Implikasi
z1 = z2 =
12,5+17,5
= 15 z3 =
22,5+27,5
= 25
2 2
0
Fuzzy Logic
Fuzzy Logic
Studi Kasus : Dinner for Two
Defuzzifikasi
Langkah ini adalah mencari nilai akhir dari output fuzzy. Hasil akhirnya adalah berupa angka.
Pada kasus ini, hasil akhirnya adalah berupa nilai besarnya % tip yang akan diberikan oleh Romi.
Untuk metode sugeno, rumus matematis untuk mendapatkan nilai outputnya adalah sebagai
berikut :
𝑎1 ∗ 𝑧1 + 𝑎2 ∗ 𝑧2 + 𝑎3 ∗ 𝑧3
𝑧=
𝑎1 + 𝑎2 + 𝑎3
0 ∗ 0 + 0,5 ∗ 15 + 0,5 ∗ 25
𝑧= = 𝟐𝟎
0 + 0,5 + 0,5
Berdasarkan perhitungan diatas, diperoleh hasil persentase uang tip yang harus dibayarkan Romi
dengan penilaian PELAYANAN = 7 dan MAKANAN = 8 adalah sebesar 20 %.
Fuzzy Logic
Terima Kasih
Kelompok 4
Mujahid Abdillah
Erwin
Ambrosius Tibakoto