Fuzzy (Alz) PDF

3.
Teori Himpunan Fuzzy
Alz Danny Wowor
Program Studi Teknik Infomartika

Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana
March 11, 2020
Alz Danny Wowor 3. Teori Himpunan Fuzzy

Cakupan Bahan Teori Fuzzy
1 Teori Himpunan Fuzzy
Pengantar Himpunan Fuzzy
Himpunan Crisp
Himpunan Karakteristik
2 Fungsi Keanggotaan Fuzzy
Representasi Linier
Segitiga
Trapesium
Bentuk Bahu
3 Sistem Inferensi Fuzzy
Metode Tsukamoto
Metode Sugeno
Metode Mamdani
4 Sistem Defuzzifikasi
Metode Centroid
Metode Mean of Maximum (MOM)

Pengantar Teori Fuzzy
Akhir abad-19 sampai abad-20, teori

probabilitas memegang peranan penting bagi
masalah ketidakpastian.
Tahun 1965, Lotfi Askar Zadeh
memperkenalkan teori Fuzzy, yang dapat juga
digunakan untuk merepresentasikan masalah
ketidakpastian.
Teory Himpunan Fuzzy bukan pengganti Teori
Probabilitas Figure: Lotfi A. Zadeh

Teori Fuzzy dan Teori Probabilitas
Pada teori fuzzy, komponen utama yang sangat berpengaruh adalah

fungsi keanggotaan,
Fungsi keaangotaan merepresentasikan derajat kedekatan suatu
obyek terhadap atribut tertentu.
Teori fuzzy merupakan kerangka matematis yang digunakan untuk
merepresentasikan ketidakjelasan, ketidakpastian, ketidaktepatan,
kekurangan informasi, dan kebenaran parsial.

Konsep Ketidakjelasan dalam Teori Fuzzy
Pembahasan konsep Ketidakjelasan sudah dimulai tahun 1937, oleh

filosof Max Black.
Ketidakjelasan suatu proposisi adalah status kemungkinan dari suatu
proposisi tidak didefenisikan dengan jelas (Max Black).
Misalnya: Menyatakan sesorang dalam kategori muda.
Pernyataan muda, akan memberikan interpretasi yang berbeda dari
setiap individu.
Sulit untuk memberikan umur tertentu untuk menyatakan sesorang
masih muda atau tidak.

Konsep Ketidakjelasan dalam Teori Fuzzy
Informasi Linguistik
Ketidakjelasan juga dapat digunakan untuk mendeskripsikan sesuatu

yang berhubungan dengan ketidakpastian dalam bentuk informasi
lingiuistik atau intuisi.
Sebagai Contoh: Menyatakan kualitas suatu data dikatakan baik.

Derajat kepentingan untuk pengambil keputusan dikatakan sangat
baik

Konsep Dasar Himpunan Fuzzy
Logika fuzzy bukanlah logika yang tidak jelas (kabur), tetapi logika
yang digunakan untuk menggambarkan ketidakjelasan.
Konsep Logika fuzzy mudah dimengerti, konsep matematika yang
mendasari sangat sederhana.
Logika Fuzzy sangat fleksibel
Memiliki toleransi terhadap data yang tidak tepat.
Mampu memodelkan model fungsi-fungsi non linier yang sangat
kompleks.
Dapat membangun dan mengaplikasikan pengalaman para pakar
secara langsung tanpa harus melalui proses pelatihan.

Himpunan Klasik (Crisp)
Pada himpunan tegas (crisp set), keanggotaan suatu unsur dalam

himpunan dinyatakan secara tegas, apakah menjadi anggota atau
bukan.
Untuk sembarang himpunan A, sebuah unsur x adalah anggota
himpunan apabila terdapat atau terdefenisi di dalam A.

Contoh 1
Misalkan dipilih himpunan A = {0, 4, 7, 8, 11},

0 ∈ A,
1∈
/ A.

Himpunan Klasik (Crisp)
Fungsi Karakteristik
Fungsi karakteristik (µ) mendefenisikan apakah ada suatu unsur (x) dari
semesta pembicaraan yang merupakan anggota suatu himpunan (A) atau
bukan.

0
 ; x∈
/A
µA [x] =

1 ; x∈A


Contoh 2
Misalakan S = {1, 2, 3, 4, 5, 6}, dan A ⊆ S dimana A = {1, 2, 5} dengan

fungsi karakteristik.
Sehingga diperoleh µA (1) = 1 dan µA (4) = 0, secara keseluruhan dapat

dinyatakan sebagai.
A = {(1, 1), (2, 1), (3, 0), (4, 0), (5, 1), (6, 0)}

Contoh 3
Diketahui S = {1, 3, 5, 7, 9}, diambil A = {1, 2, 3} dan B = {3, 4, 5},

diperoleh
Nilai keanggotaan 1 pada A, µA (1) = 1, karena 1 ∈ A

Nilai keanggotaan 2 pada A, µA (2) = 0, karena 2 ∈ A
Nilai keanggotaan 5 pada B, µB (5) = 1, karena 5 ∈ B
Nilai keanggotaan 4 pada B, µB (4) = 0, karena 4 ∈ B

Contoh 4
Misalkan dimiliki variabel umur yang dibagi menjadi 3 kategori, yaitu
MUDA umur < 35 tahun

PAROBAYA 35 ≤ umur ≤ 55 tahun
TUA umur > 35 tahun
Nilai keanggotaan secara grafis, himpunan MUDA, PAROBAYA, dan

TUA dapat dilihat pada gambar berikut.

Pambahasan Contoh 4
µ(x) µ(x) µ(x)

MUDA PAROBAYA TUA
1 1 1
0 0 0
35 umur 35 55 umur 55 umur
Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA, µM (34) = 1

Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA,
µM (35) = 0
Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA, µP (35) = 1
Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK
PAROBAYA, µP (35 − 1) = 0 PAROBAYA(35-1)=0
Apabila seseorang berusia 55 tahun, maka ia dikatakan TIDAK TUA,
µT (55) = 0

Fungsi Keanggotaan
Representasi Linear
µ(x) µ(x)
1 1
0 0
a b domain a b domain
Fungsi keanggotaan

0 ; x≤a


  1 ; x≤a
x − a
 
b − x
µ[x] = ; a≤x≤b µ[x] = ; a≤x≤b

 b−a b − a

1 ; x≥b 0 ; x≥b
 

Fungsi Keanggotaan
Representasi Segitiga
µ(x)
0
a b c domain
Fungsi keanggotaan

0
 ; x≤a

 x−a


b−a
 ; a≤x≤b
µ[x] = c−x

 ; b≤x≤b
c−b




0 ; x≥c


Fungsi Keanggotaan
Representasi Trapesium
µ(x)
0
a b c d domain
Fungsi keanggotaan


 0 ; x≤a
x − a


; a≤x≤b

b−a





µ[x] = 1 ; b≤x≤c

 d−x
; c≤x≤d






 d−c
0
 ; x≥d

Fungsi Keanggotaan
Representasi Bentuk Bahu
µ(x)
bahu kiri bahu kanan
1
0
a b c d e f domain
Fungsi keanggotaan
; x ≤ b

0
x−b



; b ≤ x ≤ c
 
0 ; x ≤ d
 
1 ; x ≤ a 
 
c−b
 
c − x x − d

 
 

 
; a ≤ x ≤ c, ; d ≤ x ≤ f

µkr [x] = µ[x] = 1 ; c ≤ x ≤ d µkn [x] =
c−a f −d
e−x

 
 

  
; d ≤ x ≤ e 1 ; x ≥ 65
  
0 ; x ≥ c 
 
e−d





0 ; x ≥ e


Operasi Himpunan Fuzzy
Terdapat 3 operator dalam himpunan fuzzy

Operator AND
Operator OR
Operator NOT

Operator AND
Berhubungan dengan operasi irisan himpunan,
Diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen

pada himpunan-himpunan yang bersangkutan.
Operasi AND nilai keanggotaan himpunan fuzzy A dan B,
µA∩B = min(µA [x], µA [y])

Operator OR
Berhubungan dengan operasi union/gabungan himpunan,
Diperoleh dengan mengambil nilai keanggotaan terbesar antar

elemen pada himpunan-himpunan yang bersangkutan.
Operasi OR nilai keanggotaan himpunan fuzzy A dan B,
µA∪B = max(µA [x], µA [y])

Operator NOT
Berhubungan operasi komplemen pada himpunan.
Operasi NOT pada nilai keanggotaan µA (x) menjadi
µA [x]c = 1 − µA [x]

Metode Inferensi Fuzzy
Metode Tsukomoto
Metode Mamdani

Metode Tsukomoto
Pertama kali diperkenalkan oleh Tsukamoto.

Setiap konsekuen (kesimpulan) pada setiap aturan IF-THEN harus
direpresentasikan dengan suatu himpunan fuzzy dengan fungsi
keanggotaan monoton.
Hasilnya, output hasil inferensi dari setiap aturan diberikan secara
tegas (crisp) berdasarkan α-predikat, kemudian menghitung
rata-rata terbobot.

Inferensi Metode Tsukomoto
µ[x] µ[y] µ[z]

A1 B1 C1
1 1 1
α1
0 0 0
z1
var-1 var-2 var-3
µ[x] µ[y] µ[z]

A2 B2 C2
1 1 1
α2
0 0 0
z2
var-1 var-2 var-3
α1 z1 + α2 z2
Rata-rata Terbobot: z=
α1 + α2

Contoh 5
Metode Tsukamoto
Sebuah perusahaan makanan kaleng akan memproduksi makanan jenis ABC.

Dari data 1 bulan terakhir, permintaan terbesar hingga mencapai 5000
kemasan/hari, dan permintaan terkecil sampai 1000 kemasan/hari.
Persediaan barang digudang paling banyak sampai 600 kemasan/hari, dan
paling sedikit sampai 100 kemasan/hari.
Dengan segala keterbatasannya, sampai saat ini, perusahaan baru mampu
memproduksi barang maksimal 7000 kemasan/hari, serta demi efisiensi mesin
dan SDM tiap hari diharapkan perusahaan memproduksi paling tidak 2000
kemasan.
Berapa kemasan makanan jenis ABC yang harus diproduksi, jika jumlah
permintaan sebanyak 4000 kemasan, dan persediaan di gudang masih 300
kemasan.

Proses produksi menggunakan 4 aturan fuzzy berikut:
IF permintaan TURUN and persediaan BANYAK THEN produksi barang
BERKURANG
IF permintaan TURUN and persediaan SEDIKIT THEN produksi barang
BERKURANG
IF permintaan NAIK and persediaan BANYAK THEN produksi barang
BERTAMBAH
IF permintaan NAIK and persediaan SEDIKIT THEN produksi barang
BERTAMBAH

Penyelesaian Contoh 5
Dari soal diketahui
Variabel Minimum Maksimum

permintaan (x) 1000 5000
persediaan (y) 100 600
produksi (z) 2000 7000
Berapakah z, bila x = 4000 dan y = 300

Variabel Permintaan
Permintaan teridiri dari 2 himpunan fuzzy, yaitu NAIK dan TURUN
µ[x]
TURUN NAIK
1
0 permintaan
1000 5000
 

 1 ; x ≤ 1000 
 0 ; x ≤ 1000
 5000 − x  x − 1000
µt [x] = ; 1000 ≤ x ≤ 5000 µn [x] = ; 1000 ≤ x ≤ 5000

 4000 
 4000
0 ; x ≥ 5000 1 ; x ≥ 5000
 

Mencari Nilai Permintaan
Mencari nilai keanggotaan jika permintaan 4000
µ[x]
TURUN NAIK
1
0.75
0.25
0 permintaan
1000 4000 5000
 

 1 ; x ≤ 1000 
 0 ; x ≤ 1000
 5000 − x  x − 1000
µt [x] = ; 1000 ≤ x ≤ 5000 µn [x] = ; 1000 ≤ x ≤ 5000
 4000
  4000

0 ; x ≥ 5000 1 ; x ≥ 5000
 
5000 − 4000 4000 − 1000

µt [4000] = = 0.25 µt [4000] = = 0.75
4000 4000

Variabel Persediaan
Variabel persediaan teridiri dari 2 himpunan fuzzy, yaitu SEDIKIT dan

BANYAK
µ[y]
SEDIKIT BANYAK
1
0 persediaan
100 600
 

1 ; y ≤ 100 
0 ; y ≤ 100
 600 − y  x − 100
µs [y] = ; 100 ≤ y ≤ 600 µb [y] = ; 100 ≤ y ≤ 600
 500  500

 

0 ; y ≥ 600 1 ; y ≥ 600

Mencari Nilai Persediaan
Mencari nilai keanggotaan jika permintaan 3000
µ[y]
SEDIKIT BANYAK
1
0.6
0.4
0 persediaan
100 300 600
 

1 ; y ≤ 100 
0 ; y ≤ 100
 600 − y  x − 100
µs [y] = ; 100 ≤ y ≤ 600 µb [y] = ; 100 ≤ y ≤ 600
 500
  500

0 ; y ≥ 600 1 ; y ≥ 600
 
600 − 300 300 − 100

µs [300] = = 0.6 µb [300] = = 0.4
500 500

Variabel Produksi Barang
Variabel Produksi Barang teridiri dari 2 himpunan fuzzy, yaitu

BERKURANG dan BERTAMBAH
µ[z]
BERKURANG BERTAMBAH
1
0 produksi
2000 7000
 

 1 ; z ≤ 2000 
 0 ; z ≤ 2000
 7000 − z  z − 2000
µbk [z] = ; 2000 ≤ z ≤ 7000 µbt [z] = ; 2000 ≤ z ≤ 7000
 5000
 5000
 

0 ; z ≥ 7000 1 ; z ≥ 7000

Berapakah yang harus diproduksi (z) ?

Pencarian Proses Produksi (z), Aturan 1
Nilai z untuk setiap aturan menggunakan fungsi MIN pada fungsi aplikasi.
ATURAN 1:
if permintaan TURUN and persediaan BANYAK then produksi barang BERKURANG
α-predikat1 = µpm TURUN ∩ µps BANYAK

= min (µpm TURUN (400), µps BANYAK (300))
= min (0.25; 0.4)
= 0.25
Produksi Barang BERKURANG
7000 − z
µbk [z] = 0.25 = → z1 = 5750
5000

ATURAN 2:
if permintaan TURUN and persediaan SEDIKIT then produksi barang BERKURANG
α-predikat2 = µpm TURUN ∩ µps SEDIKIT

= min (µpm TURUN (400), µps SEDIKIT (300))
= min (0.25, 0.6)
= 0.25
Produksi Barang BERKURANG
7000 − z
µbk [z] = 0.25 = → z2 = 5750
5000

ATURAN 3:
if permintaan NAIK and persediaan BANYAK then produksi barang BERTAMBAH
α-predikat3 = µpm NAIK ∩ µps BANYAK

= min (µpm NAIK (400), µps BANYAK (300))
= min (0.75, 0.4)
= 0.4
Produksi Barang BERTAMBAH
z − 2000
µbt [z] = 0.4 = → z3 = 4000
5000

ATURAN 4:
if permintaan NAIK and persediaan SEDIKIT then produksi barang BERTAMBAH
α-predikat4 = µpm NAIK ∩ µps SEDIKIT

= min (µpm NAIK (400), µps SEDIKIT (300))
= min (0.75, 0.6)
= 0.6
Produksi Barang BERTAMBAH
z − 2000
µbt [z] = 0.6 = → z4 = 5000
5000

Pencarian Proses Produksi (z)
Dengan metode inferansi Tsukomoto z diperoleh
α1 z1 + α2 z2 + α3 z3 + α4 z4
z=
α1 + α2 + α3 + α4
diperoleh
0.25 · 5750 + 0.25 · 5750 + 0.4 · 4000 + 0.6 · 5000 7475

z= = = 4983
0.25 + 0.25 + 0.4 + 0.6 1.5
Sehingga jumlah makan kaleng jenis ABC yang harus diproduksi

sebanyak 4983 kemasan.

Metode Mamdani
Metode Mamdani sering dikenal

sebagai Matode Max-Min.
Diperkenalkan oleh Ebrahim Mamdani
pada tahun 1975.
Figure: Ebrahim Mamdani

Tahapan Metode Mamdani
1 Pembentukan Himpunan Fuzzy
Variabel input dan output dibagi menjadi satu atau lebih himpunan fuzzy.
2 Aplikasi Fungsi Implikasi

Fungsi implikasi yang digunakan adalah MIN.
3 Komposisi Aturan
Inferensi diperoleh dari kumpulan dan korelasi antar aturan.
Ada 3 macam: MAX, ADDITIVE (sum), dan probabilistik OR (probor).
4 Penegasan (defuzzy)
Input disini adalah suatu himpunan fuzzy yang diperoleh dari komposisi
aturan-aturan fuzzy, outputnya adalah nilai tegs (crisp).
Metode defuzifikasi: Centroid, Bisektor, Mean of Maximum (MOM), Largest of
maximum (LOM), Smallest of Maximum (SOM).

Metode Komposisi Aturan
1. Metode Maximum (MAX)
Solusi himpunan diperoleh dengan cara mengambil nilai maksimum dan

menggunakannya untuk memodifikasi daerah fuzzy, kemudian
menerapkannya ke output dengan operator OR.
µsf [xi ] = max(µsf [xi ], µkf [xi ])
µsf [xi ] = nilai keanggotaan solusi fuzzy sampai aturan ke-i

µkf [xi ] = nilai keanggotaan konsekuen fuzzy sampai aturan ke-i

2. Metode Additive (SUM)
Solusi fuzzy diperoleh dengan melakukan bounded-sum pada semua

output daerah fuzzy.
µsf [xi ] = min(1, µsf [xi ] + µkf [xi ])

µkf [xi ] = nilai keanggotaan konsekuen fuzzy sampai aturan ke-i.

3. Metode Probabilistik OR (probOR)
Solusi fuzzy diperoleh dengan cara melakukan product terhadap semua

output daerah fuzzy.
µsf [xi ] = ((µsf [xi ] + µkf [xi ]) − (µsf [xi ] × µkf [xi ]))

µkf [xi ] = nilai keanggotaan konsekuen fuzzy sampai aturan ke-i.

Contoh 6
Komposisi Aturan
Misalkan diberikan 3 aturan proposisi sebagai berikut, dan proses

inferensi menggunakan metode MAX
IF biaya produksi RENDAH and permintaan NAIK THEN produksi barang

BERTAMBAH.
IF biaya produksi STANDAR THEN produksi barang NORMAL.
IF biaya produksi TINGGI and permintaan TURUN THEN produksi
barang BERKURANG.
Catatan: Inferensi dapat dilakukan dengan metode MIN (metode MAX-MIN)

Pembahasan Contoh 6
INPUT FUZZY OPERASI FUZZY (AND)
RENDAH NAIK BERTAMBAH
if biaya produksi RENDAH and permintaan NAIK then produksi barang BERTAMBAH
STANDAR NORMAL
tidak ada input
if biaya produksi STANDAR then produksi barang NORMAL
TINGGI TURUN BERKURANG
if biaya produksi TINGGI and permintaan TURUN then produksi barang BERKURANG
KOMPOSISI (MAX)

Proses Defuzzyfikasi
1. Metode Centroid
Solusi crisp diperoleh dengan cara mengambil titik pusat (z ∗ ) daerah fuzzy.
Secara umum dirumuskan
Z n
X
zµ(z)dz zj µ(zj )
j=1
z ∗ = ZZ untuk variabel kontinu. z∗ = n untuk variabel diskret
µ(z)dz
X
µ(zj )
z
j=1
Output
z∗

Proses Defuzzyfikasi
2. Metode Mean of Maximum (MOM)
Solusi crisp diperoleh dengan cara mengambil nilai rata-rata domain yang
mempunyai nilai keanggotaan maksimum.
Secara umum dirumuskan
l Output
X
zj
j=1
z∗ =
l
z∗

Contoh 7
Berdasarkan kasus pada Contoh 5, dengan rule dan bilangan fuzzy yang
sama. Gunakan metode Mamdani untuk mencari berapa kemasan
makanan jenis ABC yang harus diproduksi, jika jumlah permintaan
sebanyak 4000 kemasan, dan persediaan di gudang masih 300 kemasan.

Pembahasan Contoh 7
Aplikasi Fungsi Implikasi: Rule 1
if permintaan TURUN and persediaan BANYAK then produksi barang BERKURANG

= min (0.25; 0.4)
= 0.25
µ[x] µ[y] µ[z] µ[z]

TURUN BANYAK BERKURANG
1 1 1 1
0.4 0.25
0.25
0 0 0 0
4000 300
permintaan persediaan produksi barang

Pembahasan Contoh 7
if permintaan TURUN and persediaan SEDIKIT then produksi barang BERKURANG

= min (0.25, 0.6)
= 0.25

TURUN SEDIKIT BERKURANG
1 1 1 1
0.6
0.25
0.25
0 0 0 0
4000 300

Pembahasan Contoh 7
if permintaan NAIK and persediaan BANYAK then produksi barang BERTAMBAH
α-predikat3 = µpm NAIK ∩ µps BANYAK

= min (µpm NAIK (400), µps BANYAK (300))
= min (0.75, 0.4)
= 0.4

NAIK BANYAK BERTAMBAH
1 1 1 1
0.75
0.4
0.4
0 0 0 0
4000 300

Pembahasan Contoh 7
if permintaan NAIK and persediaan SEDIKIT then produksi barang BERTAMBAH
α-predikat4 = µpm NAIK ∩ µps SEDIKIT

= min (µpm NAIK (400), µps SEDIKIT (300))
= min (0.75, 0.6)
= 0.6

NAIK SEDIKIT BERTAMBAH
1 1 1 1
0.75 0.6
0.6
0 0 0 0
4000 300

Pembahasan Contoh 7
Kompusisi Antaraturan
Digunakan metode MAX untuk melakukan metode komposisi.
µ[z]
1
0.6
0.25
A1 A2 A3
0
a1 a2
Pencarian batas-batas nilai a1 dan a2
(a1 − 2000)/5000 = 0.25, → a1 = 3250

(a2 − 2000)/5000 = 0.60, → a2 = 5000
Diperoleh fungsi


 0.25 ; z ≤ 3250
 z − 2000
µbt [z] = ; 3250 ≤ z ≤ 5000

 5000
0.6 ; z ≥ 5000


Pembahasan Contoh 7
Proses Defuzzifikasi
Metode defuzzifikasi digunakan metode centroid. Sehingga perlu dihitung

momen untuk setiap daerah.
Z 3250
3250
(0.25)z dz = 0.125z 2

M1 = = 1320312.5
0 0
Z 5000 z − 2000
M2 = z dz
3250 5000
Z 5000
5000
(0.0002z 2 − 0.4z)dz = 0.000067z 3 − 0.2z 2

= = 3187515.625
3250 3250
Z 7000
7000
(0.6)z dz = 0.3 z 2

M3 = = 7200000
5000 5000

Pembahasan Contoh 7
Perhitungan Luasan
Luas dari setiap daerah adalah
Z 3250
3250

A1 = (0.25) dz = 0.25z = 812.5
0 0
Z 5000 z − 2000
A2 = dz
3250 5000
Z 5000
5000
(z/5000 − 0.4)dz = z 2 /10000 − 0.4z

= = 743.75
3250 3250
Z 7000
7000

A3 = (0.6) dz = 0.6 z = 1200
5000 5000

Pembahasan Contoh 7
Pencarian Centroid
Diperoleh Titik pusat (centroid) adalah
1320312.5 + 3187515.625 + 720000000

z= = 4247.74
812.5 + 743.75 + 1200
Jadi jumlah makan kaleng ABC yang harus diprosuksi sebanyak 4248
kemasan.

Metode Sugeno
Diperkenalkan oleh Tagaki-Sugeno Kang pada tahun 1985.

Mirip MAMDANI, hanya pada output (konsekuen) sistem tidak
berupa himpunan fuzzy, tetapi konstanta atau persamaan linear.
Metode Sugeno terdiri dari dua jenis
Fuzzy Sugeno Orde Nol
Fuzzy Sugeno Orde Satu

Metode Sugeno Orde Nol
Secara umum bentuk model fuzzy Sugeno orde nol adalah
IF (x1 is A1 ) ◦ (x2 is A2 ) ◦ · · · ◦ (xn is An ) THEN z = k
Ai = himpunan fuzzy ke-i sebagai antesenden,

k = suatu konstanta (tegas) sebagai konsekuen.

Metode Sugeno Orde Satu
Secara umum bentuk model fuzzy Sugeno orde nol adalah
IF (x1 is A1 ) ◦ · · · ◦ (xn is An ) THEN z = p1 x1 + · · · + pn xn + q
Ai = himpunan fuzzy ke-i sebagai antesenden,

pi = konstanta tegas ke-i
k = suatu konstanta (tegas) dalam konsekuen.

Contoh 8
Berdasarkan kasus pada Contoh 5, dengan rule dan bilangan fuzzy yang
sama. Gunakan metode Sugeno untuk mencari berapa kemasan makanan
jenis ABC yang harus diproduksi, jika jumlah permintaan sebanyak 4000
kemasan, dan persediaan di gudang masih 300 kemasan.
Apabila proses produksi perusahaan tersebut menggunakan 4 aturan sebagai
berikut:
1 if permintaan TURUN and persediaan BANYAK
then barang = permintaan − persediaan
2 if permintaan TURUN and persediaan SEDIKIT
then produksi = permintaan
3 if permintaan NAIK and persediaan BANYAK
4 if permintaan NAIK and persediaan SEDIKIT
then produksi = 1.25 · permintaan − persediaan

Mencari α-predikat & Nilai z: Rule 1
if permintaan TURUN and persediaan BANYAK then

barang = permintaan − persediaan

= min (0.25; 0.4)
= 0.25
Nilai z1 = 4000 − 300 = 3700

if permintaan TURUN and persediaan SEDIKIT


= min (0.25; 0.6)
= 0.25
Nilai z2 = 4000

if permintaan NAIK and persediaan BANYAK


= min (0.75; 0.4)
= 0.4
Nilai z3 = 4000

if permintaan NAIK and persediaan SEDIKIT

then produksi = 1.25 · permintaan − persediaan

= min (0.75; 0.6)
= 0.6
Nilai z4 = 1.25 × 4000 − 300 = 4700

Pembahasan Contoh 8
Pencarian Nilai z
Nilai z dapat ditentukan
α1 z1 + α2 z2 + α3 z3 + α4 z4
z=
α1 + α2 + α3 + α4
0.25 · 3700 + 0.25 · 4000 + 0.4 · 4000 + 0.6 · 4700 6345

z= = = 4230
0.25 + 0.25 + 0.4 + 0.6 1.5
Jadi jumlah makan kaleng ABC yang harus diprosuksi sebanyak 4230
kemasan.

Latihan Soal
Gunakan rule yang sama dengan Contoh 1. Selesaikanlah menggunakan metode

Tsukomoto, Mamdani dan Sugeno untuk selesaikan permasalahan berikut.
1 Bagaimana jika jumlah PERMINTAAN = 2500, PERSEDIAAN = 500,
berapa kemasan makanan jenis ABC yang harus diproduksi ?
2 Jika jumlah PERMINTAAN = 4500, PERSEDIAAN = 150, berapa
kemasan makanan jenis ABC yang harus diproduksi ?
3 Jumlah PERMINTAAN = 5000, PERSEDIAAN = 75, berapa kemasan
makanan jenis ABC yang harus diproduksi ?

‫תודה רבה‬

Fuzzy (Alz) PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Fuzzy (Alz) PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

3.

Teori Himpunan Fuzzy

Alz Danny Wowor

Program Studi Teknik Infomartika

March 11, 2020

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Akhir abad-19 sampai abad-20, teori

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Pada teori fuzzy, komponen utama yang sangat berpengaruh adalah

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Pembahasan konsep Ketidakjelasan sudah dimulai tahun 1937, oleh

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Ketidakjelasan juga dapat digunakan untuk mendeskripsikan sesuatu

Sebagai Contoh: Menyatakan kualitas suatu data dikatakan baik.

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Pada himpunan tegas (crisp set), keanggotaan suatu unsur dalam

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Misalkan dipilih himpunan A = {0, 4, 7, 8, 11},

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Misalakan S = {1, 2, 3, 4, 5, 6}, dan A ⊆ S dimana A = {1, 2, 5} dengan

Sehingga diperoleh µA (1) = 1 dan µA (4) = 0, secara keseluruhan dapat

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Diketahui S = {1, 3, 5, 7, 9}, diambil A = {1, 2, 3} dan B = {3, 4, 5},

Nilai keanggotaan 1 pada A, µA (1) = 1, karena 1 ∈ A

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Misalkan dimiliki variabel umur yang dibagi menjadi 3 kategori, yaitu

MUDA umur < 35 tahun

Nilai keanggotaan secara grafis, himpunan MUDA, PAROBAYA, dan

Alz Danny Wowor 3. Teori Himpunan Fuzzy

µ(x) µ(x) µ(x)

Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA, µM (34) = 1

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Terdapat 3 operator dalam himpunan fuzzy

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Berhubungan dengan operasi irisan himpunan,

Diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen

Operasi AND nilai keanggotaan himpunan fuzzy A dan B,

µA∩B = min(µA [x], µA [y])

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Berhubungan dengan operasi union/gabungan himpunan,

Diperoleh dengan mengambil nilai keanggotaan terbesar antar

Operasi OR nilai keanggotaan himpunan fuzzy A dan B,

µA∪B = max(µA [x], µA [y])

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Berhubungan operasi komplemen pada himpunan.

Operasi NOT pada nilai keanggotaan µA (x) menjadi

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Pertama kali diperkenalkan oleh Tsukamoto.

Alz Danny Wowor 3. Teori Himpunan Fuzzy

µ[x] µ[y] µ[z]

µ[x] µ[y] µ[z]

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Sebuah perusahaan makanan kaleng akan memproduksi makanan jenis ABC.

Alz Danny Wowor 3. Teori Himpunan Fuzzy

Alz Danny Wowor 3. Teori Himpunan Fuzzy