Pertemuan 9

LOGIKA FUZZY

Betha Nurina Sari, M.Kom

Dkk.
LOGIKA FUZZY

Definisi Logika Keuntungan

Aplikasi
Fuzzy Logika Fuzzy

Himpunan Fungsi Operator

Fuzzy Keanggotaan Fuzzy

Fuzzy
Fungsi
Inference
Implikasi
System
Logika Fuzzy

Fuzzy Logic
An Introduction

Fuzzy Logic
Logika Fuzzy

• Logika Fuzzy adalah peningkatan dari logika

Boolean yang mengenalkan konsep kebenaran
sebagian.
• Logical system yang mengikuti cara penalaran
manusia yang cenderung menggunakan
‘pendekatan’ dan bukan ‘eksak’
Sebuah pendekatan terhadap ketidakpastian
yang mengkombinasikan nilai real [0…1] dan
operasi logika
Logika Fuzzy
⦿ Konsep Logika Fuzzy dicetuskan oleh Lotfi Zadeh,
seorang profesor University of California di Berkeley
⦿ Sebuah himpunan fuzzy dari semesta U
dikelompokkan oleh fungsi keanggotaan μA(x) yang
berada pada nilai antara [0, 1] (Wang, 1997).
⦿ Fungsi keanggotaan dari himpunan klasik hanya
memiliki 2 nilai yaitu 0 dan 1, sedangkan fungsi
keanggotaan himpunan fuzzy merupakan fungsi
kontinu dengan range [0, 1].
Keuntungan Fuzzy
Mudah dimengerti

Pemodelan matematik sederhana

Toleransi data-data yang tidak tepat

Dapat memodelkan fungsi-fungsi non liner yang kompleks

Mengaplikasikan pengalaman pakar tanpa proses pelatihan

Didasarkan pada bahasa alami

Logika fuzzy sangat fleksibel

APLIKASI
• Tahun 1990 Mesin Cuci dengan logika Fuzzy di
Jerman (Matshushita Electric Industri Company)
• Transmisi otomatis pada mobil. Nissan telah
menggunakannya dan mampu menghemat
bensin 12-17%.
• Kereta bawah tanah Sendai mengontrol
pemberhentian otomatis.
• Ilmu kedokteran, manajemen keputusan,
ekonomi, klasifikasi pola, psikologi, ilmu
lingkungan,teknik, riset operasi, dst
Crisp set vs. Fuzzy set

8
Contoh: Crisp Set
Orang dengan tinggi 150cm maka ia tergolong
sedang (μsedang[150]=1)

Orang dengan tinggi 150cm maka ia tergolong

tidak tinggi (μtinggi[150]=0)

Orang dengan tinggi 165cm kurang 2mm maka ia

tergolong tidak tinggi
(μtinggi[165-2mm]=0)

9
Contoh: Himpunan Fuzzy

10
HIMPUNAN FUZZY
• Pada himpunan tegas (crisp set), nilai keanggotaan suatu item x
dalam suatu himpunan A (ditulis μA[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, μA[2] = 1, karena 2∈A
– Nilai keanggotaan 4 pada A, μA[4] = 0, karena 4 ∉A
HIMPUNAN FUZZY
Contoh 2:
“Jika suhu lebih tinggi atau sama dengan 80 oF, maka suhu
disebut panas, sebaliknya disebut tidak panas”
– 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 crips gagal membedakan
antara anggota pada himpunan yang sama
• Ada problem-problem yang terlalu kompleks untuk didefinisikan
secara tepat.
HIMPUNAN FUZZY
Contoh 3 :
Misal variable umur dibagi menjadi 3 katagori :
• MUDA umur <35 tahun
• PAROBAYA 35 ≤ umur ≤ 55 tahun
• TUA umur > 55 tahun
Muda Parobaya Tua
1 1 1

μ[x] μ[x] μ[x]

0 35 55 0 55
0 35

Gambar 2a. Keanggotaan himpunan biasa (crisp) umur muda dan parobaya
– 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 PAROBAYA
– Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK PAROBAYA
– Apabila seseorang berusia 55 tahun, maka ia dikatakan TIDAK TUA
– Apabila seseorang berusia 55 tahun lebih ½ hari, maka ia dikatakan TUA
HIMPUNAN FUZZY
• Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut.
Sesorang dapat masuk dalam 2 himpunan yang berbeda. MUDA
dan PAROBAYA, PAROBAYA dan TUA, dsb. Seberapa besar
eksistensinya dapat dilihat pada nilai/derajat keanggotaannya.
Gambar berikut menunjukkan himpunan fuzzy untuk variabel
umur : Parobaya
Muda Tua
1

μ[x]

0,5

0,25

0 25 35 40 45 50 55 65

Gambar 2b. Himpunan Fuzzy untuk variable umur

HIMPUNAN FUZZY
• Variabel Fuzzy
Variabel dalam suatu sistem fuzzy. Contoh :
berat badan, tinggi badan, suhu dsb
• Himpunan Fuzzy (Fuzzy set)
Himpunan fuzzy yang mewakili suatu kondisi
pada suatu variabel fuzzy.
Contoh :
∙ Variabel suhu terbagi menjadi 3 himpunan fuzzy,
yaitu : panas, hangat, dingin.
∙ Variabel nilai terbagi menjadi : tinggi, sedang, rendah
HIMPUNAN FUZZY

• Himpunan Fuzzy memiliki 2 atribut

– Linguistik : Penamaan suatu grup yang mewakili
suatu keadaan/ kondisi tertentu dengan bahasa
alami. Contoh : MUDA, PAROBAYA, TUA
– Numerik : sesuatu nilai (angka) yang menunjukkan
ukuran dari suatu variabel, seperti 25,40,50,dst.
 Himpunan Fuzzy

•Himpunan Semesta
keseluruhan nilai yang boleh dioperasikan dalam suatu variabel
fuzzy.
Contoh:
∙Semesta untuk variabel berat badan : [1, 150]
∙Semesta untuk variabel suhu : [0,100].
• Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan
dalam Semesta dan boleh
dioperasikan dalam suatu himpunan fuzzy.
Contoh : ∙DINGIN = [0,60]
∙HANGAT = [50,80]
∙PANAS = [80, +∞)
17
FUNGSI KEANGGOTAAN
Fuzzy values
DOM
Degree of
Membership
Young Middle Old
1

0.5

0
25 40 55 Age

Nilai Fuzzy berasosiasi dengan derajat keanggotaan pada himpunan

FUNGSI KEANGGOTAAN HIMPUNAN
FUZZY (MEMBERSHIP FUNCTION)
• Adalah 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
<Intelligence System>
Fungsi Keanggotaan: Fungsi Linier

μ[x]= 0; x ≤ a μ[x]= (b-x)/(b-a); a ≤ x < b

(x-a)/(b-a); a < x ≤ b 0; x ≥ b
1; x > b
20
Fungsi Keanggotaan: Segitiga

μ[x] = 0; x ≤ a atau x ≥ c
(x-a)/(b-a); a < x ≤ b
(c-x)/(c-b); b < x < c
21
Fungsi Keanggotaan: Trapesium

μ[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
22
Fungsi Keanggotaan: Sigmoid

μ[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
23
Fungsi Keanggotaan: Phi

μ[x;a,b,c]phi = μ[x;c-b,c-b/2,c]sigmoid; x ≤ c
μ[x;c,c+b/2,c+b]sigmoid; x > c
24
SEKILAS CONTOH LOGIKA FUZZY

AN EGG-BOILING
FUZZY LOGIC ROBOT
OPERATOR 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 α
predikat, terdapat 3 operasi dasar pada
himpunan fuzzy :
– OR (Union)
– AND (Intersection)
– NOT (Complement)
 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}
27
OR (Union)
Misal nilai keanggotaan umur 27 pada himpunan muda
adalah μMUDA[27] = 0,6 dan nilai keanggotaan 2 juta
pada himpunan penghasilan TINGGI adalah
μGAJITINGGI[2juta] = 0,8
maka α -predikat untuk usia MUDA atau
berpenghasilan TINGGI adalah nilai keanggotaan
maksimum :
μMUDA ∪ GAJITINGGI
= max(MUDA[27], GAJITINGGI[2juta])
= max (0,6 ; 0,8)
= 0,8
 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
μMUDA[27] = 0,6 dan nilai keanggotaan 2 juta pada himpunan
penghasilan TINGGI adalah μGAJITINGGI[2juta] = 0,8
maka α -predikat untuk usia MUDA dan berpenghasilan TINGGI
adalah nilai keanggotaan minimun :
μMUDA∩GAJITINGGI
= min(μ MUDA[27], μ GAJITINGGI[2juta])
= min (0,6 ; 0,8) = 0,6
 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 μMUDA[27]= 0,6 maka α -predikat untuk usia TIDAK
MUDA adalah :
μMUDA’[27] = 1 - MUDA[27
= 1 - 0,6
= 0,4
30
Contoh
Nilai keanggotaan sebagai hasil dari operasi 2 himpunan: fire strength atau α-predikat

Misalkan nilai keanggotaan IP 3.2 pada himpunanIPtinggi

AND
adalah 0.7 dan nilai keanggotaan 8 semester pada himpunan
LulusCepat adalah 0.8 maka α-predikat untuk IPtinggi dan
μA∩B [x] = min(μA[x], μB[x]) LulusCepat:

μIPtinggi∩LulusCepat = min(μIPtinggi[3.2], μLulusCepat[8])

= min(0.7,0.8) = 0.7
OR

μA∪B [x] = max(μA[x], μB[x]) α-predikat untuk IPtinggi atau LulusCepat:

μIPtinggi∪LulusCepat = max(μIPtinggi[3.2], μLulusCepat[8])

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

μA’[x] = 1 - μA[x] α-predikat untuk BUKAN IPtinggi :

μIPtinggi‘ = 1 - μIPtinggi[3.2] = 1 - 0.7 = 0.3

31
Contoh

A B

A∧B A∨B ¬A
A’
A∩B
A∪
B
FUNGSI IMPLIKASI
Secara umum, ada dua fungsi
implikasi, yaitu :
1. Min (minimum), fungsi ini akan memotong
output himpunan fuzzy
2. Dot (product), fungsi ini akan menskala output
himpunan fuzzy
TAHAPAN LOGIKA FUZZY

Fuzzifikasi

Basis Pengetahuan
(Rule Based)

Logika Fuzzy Inference (reasoning)

Defuzzifikasi
TAHAPAN LOGIKA FUZZY
• Fuzzification: suatu proses pengubahan nilai
tegas/real ke dalam fungsi keanggotaan fuzzy
• Rule Based: suatu bentuk aturan relasi/implikasi
if-then. Contoh if X=A dan Y=B then Z=C
• Inference Engine: proses implikasi dalam menalar
nilai masukan untuk menentukan nilai keluaran
sebagai bentuk pengambil keputusan.
• Defuzzification: proses pemetaan dari himpunan
fuzzy ke himpunan tegas
FUZZIFIKASI
• Dipergunakan untuk memetakan variable input
yang berupa nilai numerik/ crisp kedalam FUZZY
set sehingga diperoleh nilai linguistik (label) dan
derajat keanggotaannya.
Basis Pengetahuan
• Terdiri atas basis data dan basis aturan.
• Basis Data berisi nilai linguistik dan derajat
keanggotaan variable input yang diperoleh
melalui proses Fuzzifikasi.
• Basis Aturan terdiri dari aturan kendali Fuzzy
yang digunakan untuk mencapai tujuan dari
objek pengendalian.
FUZZY INFERENCE ENGINE

Model penalaran yang digunakan, ada 3 model

yang sering digunakan
Model Fuzzy Mamdani
Model Fuzzy Sugeno
Model Fuzzy Tsukamoto
DEFUZIFIKASI
• Dipergunakan untuk proses pemetaan dari
himpunan fuzzy keluaran (Fuzzy reasoning) ke
dalam nilai numerik sebagai aksi kendali. Metoda
yang dapat digunakan pada proses defuzzifikasi
adalah:
• Center of Area (COA),
• Center of Sum (COS),
• Mean of Maxima (MOM).
NEXT

FUZZY INFERENCE
SISTEM (FIS)