Fuzzy Logic

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 2A
– 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

• If Suhu ≥ 80 oF, disebut panas

• If Suhu < 80 oF, disebut 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

[x] [x] [x]

0 0 55
0 35 55
35

– Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA

– Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA
– Apabila seseorang berusia 35 tahun, maka ia dikatakan PARUHBAYA
– Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK PARUHBAYA
– Apabila seseorang berusia 55 tahun, maka ia dikatakan TIDAK TUA
– Apabila seseorang berusia 55 tahun lebih ½ hari, maka ia dikatakan TUA
Fuzzy Logic
 Fuzzy Logic
Himpunan Fuzzy

• 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

Linier Naik Linier Turun

[x]= 0; x  a [x]= (b-x)/(b-a); a  x  b

(x-a)/(b-a); a  x  b 0; x  b
1; x  b

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

c-b c-b/2 c c+b/2 c+b

0
Phi

[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 :
MUDAGAJITINGGI
= min( MUDA[27],  GAJITINGGI[2juta])
= min (0,6 ; 0,8)
= 0,6 Fuzzy Logic
 Fuzzy Logic
NOT
(Complement)

• Komplemen dari variabel fuzzy dengan derajat keanggotaan=x adalah (1-x).

• Komplemen ( _c): komplemen dari himpunan fuzzy terdisi dari semua komplemen elemen.
• Contoh
– Ac = {1 – 1.0, 1 – 0.2, 1 – 0.75} = {0.0, 0.8, 0.25}
– Misal nilai keanggotaan umur 27 pada himpunan muda adalah MUDA[27]= 0,6 maka  -
predikat untuk usia TIDAK MUDA adalah :
MUDA’[27] = 1 - MUDA[27]
= 1 - 0,6
= 0,4

Fuzzy Logic
 Fuzzy Logic
Contoh

Nilai keanggotaan sebagai hasil dari operasi 2 himpunan: fire strength

atau a-predikat
AND
Misalkan nilai keanggotaan IP 3.2 pada himpunan IPtinggi adalah 0.7 dan nilai
AB [x]= min(A[x], B[x]) keanggotaan 8 semester pada himpunan LulusCepat adalah 0.8 maka a-predikat
untuk IPtinggi dan LulusCepat:
IPtinggiLulusCepat = min(IPtinggi[3.2], LulusCepat[8])
= min(0.7,0.8) = 0.7
OR

AB [x] = max(A[x], B[x]) a-predikat untuk IPtinggi atau LulusCepat:

IPtinggiLulusCepat = max(IPtinggi[3.2], LulusCepat[8])

= max(0.7,0.8) = 0.8
NOT (Complement)

A’[x] = 1 - A[x] a-predikat untuk BUKAN IPtinggi :

IPtinggi‘ = 1 - IPtinggi[3.2] = 1 - 0.7 = 0.3

Fuzzy Logic
 Fuzzy Logic
Fuzzy Inference Systems

Ada beberapa metode untuk merepresentasikan hasil logika fuzzy, yaitu :

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:

1. Jika PELAYANAN jelek ATAU MAKANAN tengik, maka TIP murah.

2. Jika PELAYANAN sedang, maka TIP standar.

3. Jika PELAYANAN bagus ATAU MAKANAN lezat, maka TIP mahal

Dapat disimpulkan bahwa pasangan input-output adalah sebagai berikut:

➢ Input PELAYANAN (jelek, sedang, bagus) dan MAKANAN (tengik, lezat)

➢ Output TIP (Murah, Standar, Mahal)

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

Telah disampaikan sebelumnya bahwa

Romi memberi PELAYANAN dengan
nilai 7. Nilai 7 ini akan menjadi patokan
awal untuk mencari derajat
keanggotaan dari tiap-tiap input.
Amatilah Gambar. Pada Gambar, nilai
PELAYANAN sebesar 7 akan memotong
fungsi keanggotaan Sedang dan Bagus.
Selanjutnya, dari titik ini, dicarilah nilai-
nilai derajat keanggotaannya, dengan
Untuk mencari nilai pada sumbu-Y (nilai derajat keanggotaan), kita
menarik garis ke arahharus mengetahui
sumbu-Y.
persamaan garis yang melalui titik potong himpunan Sedang dan Bagus. Amatilah Gambar.
Sebuah fungsi keanggotaan segitiga memiliki nilai fungsi yang berbeda-beda, tergantung
pada nilai x. Fuzzy Logic
 Fuzzy Logic
Studi Kasus : Dinner for Two
Membuat Himpunan Fuzzy dan Input Fuzzy

Dengan demikian, dapat kita simpulkan

himpunan fuzzy untuk input PELAYANAN
adalah sebagai berikut:
Himp. Fuzzy JELEK: uT_Jelek [7] = 0
Himp. Fuzzy SEDANG: uT_Sedang[7] =
0.5
Derajat keanggotaan pada himpunan Jelek bernilai nol sebab untuk PELAYANAN bernilai 7,
Himp. Fuzzy BAGUS : uT_Bagus [7] =
tidak ada yang memotong fungsi keanggotaan Jelek.
0.25
Fuzzy Logic
 Fuzzy Logic
Studi Kasus : Dinner for Two
Membuat Himpunan Fuzzy dan Input Fuzzy

Selanjutnya kita kumpulkan nilai-nilai

yang kita peroleh tadi, yaitu untuk input
PELAYANAN dan MAKANAN. Kita
simpulkan untuk input diperoleh
keterangan, yaitu sebagai berikut:
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
Fuzzy Logic
 Fuzzy Logic
Studi Kasus : Dinner for Two
Menerapkan Operator 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

Gambar disamping adalah proses untuk

memperoleh nilai alpha, yaitu nilai yang
akan digunakan pada proses selanjutnya.
Nilai yang dihasilkan pada tahap ini akan
digunakan untuk mencari daerah
Berdasarkan gambar
implikasi pada output. disamping,
diperoleh hasil :
𝑎₁ = 0
𝑎₂ = 0.5
𝑎₃ = 0.5
Penggunaan logika ATAU, atau OR mengindikasikan pemakaian fungsi Max dalam
perhitungan, yaitu mencari nilai yang paling besar. Sebagai contoh pada Aturan ke-3
diperoleh max(0.25, 0.5) = 0.5. Hal ini berbeda ketika menggunakan operator DAN, atau
AND. AND akan mengindikasikan penggunaan
Fuzzy Logic fungsi min.
 Fuzzy Logic
Studi Kasus : Dinner for Two
Menerapkan Fungsi Implikasi
Dari proses sebelumnya, diperoleh hasil
untuk alpha1 = 0, alpha2 = 0.5 dan
alpha3 = 0.5. Nilai-nilai ini adalah nilai-
nilai yang berada pada sumbu-Y.
Langkah selanjutnya adalah menarik
nilai-nilai ini ke fungsi keanggotaan
Alpha1
output, bernilai nol. Nilaiaturan
sesuai dengan nol tidak akan
IF-THEN
memotong satu fungsipun.
yang telah ditetapkan Oleh karena
(lihat gambar).
itu, alpha1 tidak akan memberi
pengaruh pada proses implikasi di
daerah output. Alpha2 akan digunakan
--nakan untuk memotong fungsi keanggotaan MAHAL, untuksebab memenuhifungsi
memotong kriteria aturan
STANDAR,ke-
3. Karena sama-sama memiliki nilai 0.5, maka garis sebabakanhalterlihat berhimpitan.
ini memenuhi Titik-titik
kriteria pada
potong ini selanjutnya ditarik turun untuk dicari nilainya
aturanpada
ke-2.sumbu-X. Ini adalah kebalikan
Alpha3 digu--
dari proses sebelumnya. Dengan mengetahui persamaan garis yang memotong fungsi
STANDAR dan MAHAL, maka nilai sumbu-X dengan sangat mudah dapat diketahui.
Fuzzy Logic
 Fuzzy Logic
Studi Kasus : Dinner for Two
Menerapkan Fungsi Implikasi
Mencari koordinat sumbu-X pada
fungsi STANDAR

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

Titik-titik implikasi yang diperoleh

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

Dengan rumus diatas, kita dapat memperoleh hasil sebagai berikut :

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