Fuzzy Multi-Criteria Decision Making (FMCDM)

I. PENDAHULUAN
Banyak metode yang digunakan untuk membantu dalam mengambil keputusan
khususnya yang berdasarkan beberapa alternatif. Salah satu metode yang dapat digunakan
dalam pengambilan keputusan adalah metode Fuzzy Multi-Criteria Decision Making
(FMCDM). Metode ini dikembangkan untuk membantu pengambil keputusan dalam
melakukan pengambilan keputusan terhadap beberapa alternatif keputusan untuk
mendapatkan suatu keputusan yang akurat dan optimal. Logika fuzzy adalah salah satu
cabang dari AI (Artificial Intelligence). Logika fuzzy merupakan modifikasi dari teori
himpunan dimana setiap anggotanya memiliki derajat keanggotaan yang bernilai kontinu
antara 0 sampai 1. Sejak ditemukan pertama kali oleh Lotfi A. Zadeh pada tahun 1965, logika
fuzzy telah digunakan pada lingkup domain permasalahan yang cukup luas, seperti kendali
proses, klasifikasi dan pencocokan pola, manajemen dan pengambil keputusan, riset operasi,
ekonomi dan lain lain. Sejak tahun 1985, terjadi perkembangan yang sangat pesat pada
logika fuzzy, terutama dalam hubungan yang bersifat non-linear, ill-defined, time-varying dan
situasi-situasi yang sangat kompleks.
Fuzzy multi-criteria decision making adalah salah satu metode yang bisa membantu
pengambil keputusan dalam melakukan pengambilan keputusan terhadap beberapa alternatif
keputusan yang harus diambil dengan beberapa kriteria yang akan menjadi bahan
pertimbangan. Dalam kaitannya dengan pengambilan keputusan dari beberapa alternatif
dengan banyak kriteria, serta informasi yang diberikan bersifat kualitatif,

II. LOGIKA FUZZY

Logika fuzzy dikatakan sebagai logika baru yang lama, sebab ilmu tentang logika fuzzy
modern dan metodis baru ditemukan beberapa tahun yang lalu, padahal sebenarnya konsep
tentang logika fuzzy itu sendiri sudah ada sejak lama (Kusumadewi, 2002). Logika fuzzy
adalah suatu cara yang tepat untuk memetakan ruang input kedalam suatu ruang output
(Kusumadewi, 2003). Konsep ini diperkenalkan dan dipublikasikan pertama kali oleh Lotfi
A. Zadeh, seorang profesor dari University of California di Berkeley pada tahun 1965.
Logika fuzzy merupakan pengembangan dari logika boolean yang hanya memiliki nilai true
(1) atau false (0).
Logika fuzzy menggunakan ungkapan bahasa untuk menggambarkan nilai variabel.
Logika fuzzy bekerja dengan menggunakan derajat keanggotaan dari sebuah nilai yang
kemudian digunakan untuk menentukan hasil yang ingin dihasilkan berdasarkan atas
spesifikasi yang telah ditentukan. Telah disebutkan sebelumnya bahwa logika fuzzy
memetakan ruang input ke ruang output. Antara input dan output ada suatu kotak hitam yang
harus memetakan input ke output yang sesuai. Alasan mengapa orang menggunakan logika
fuzzy, yaitu (Kusumadewi, 2003) :
1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran
fuzzy sangat sederhana dan mudah dimengerti.
2. Logika fuzzy sangat fleksibel.
3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinier yang sangat kompleks.
5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar
secara langsung tanpa harus melalui proses pelatihan.
6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
7. Logika fuzzy didasarkan pada bahasa alami.

HIMPUNAN FUZZY
Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan
A, yang sering ditulis dengan μ A [x], memiliki 2 kemungkinan, yaitu (Kusumadewi, 2003:
156 ) :
1. Nilai nol (0) = item tidak menjadi anggota dalam suatu himpunan.
2. Nilai satu (1) = suatu item menjadi anggota dalam suatu himpunan.

 Pada himpunan crisp, nilai keanggotaan hanya terdapat 2 kemungkinan, yaitu 0 atau
1.
 Himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1.
Himpunan fuzzy didasarkan pada gagasan untuk memperluas jangkauan fungsi
karakteristik sedemikian hingga fungsi tersebut akan mencakup bilangan real pada interval
(0,1). Nilai keanggotaannya menunjukkan bahwa suatu item dalam semesta pembicaraan
tidak hanya berada pada 0 atau 1, namun juga nilai yang terletak diantaranya. Dengan kata
lain, nilai kebenaran suatu item tidak hanya benar atau salah. Nilai 0 menunjukkan salah,
nilai 1 menunjukkan benar, dan masih ada nilai-nilai yang terletak antara benar dan salah.
Himpunan fuzzy memiliki 2 atribut, yaitu (Kusumadewi, 2003):
a. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu
dengan menggunakan bahasa alami.
b. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel.
Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu:
a. Variabel Fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy.
b. Himpunan Fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu
dalam suatu variabel.
c. Semesta Pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan
dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real
yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta
pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta
pembicaraan ini tidak dibatasi batas atasnya.
d. Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta
pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta
pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik
(bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan
positif maupun negatif.

FUNGSI KEANGGOTAAN
Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan
pemetaan titik-titik input data ke dalam nilai keanggotaannya (derajat keanggotaan) yang
memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk
mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa
fungsi yang bisa digunakan yaitu :
a. Representasi Linier
Pada representasi linier, pemetaan input ke derajat keanggotaannya digambarkan sebagai
garis lurus. Ada 2 keadaan himpunan fuzzy yang linier.
1. Kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol
(0) bergerak ke kanan menuju nilai domain yang memiliki derajat keanggotaan lebih
tinggi.

Gambar 1. Representasi Linier Naik

Fungsi Keanggotaan :

2. Garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi
kiri, kemudian begerak menurun ke nilai domain yang memiliki derajat keanggotaan
lebih rendah.

Gambar 2. Representasi Linier Turun

Fungsi Keanggotaan :
b. Representasi Kurva Segitiga

Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linier).

Gambar 3. Kurva Segitiga

Fungsi Keanggotaan :

c. Representasi Kurva Trapesium

Kurva trapesium pada dasarnya seperti kurva segitiga, hanya saja ada beberapa titik yang
memiliki nilai keanggotaan 1.
 Gambar 4. Kurva Trapesium

Fungsi Keanggotaan :

d. Representasi Kurva Bentuk Bahu

Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk
segitiga, pada sisi kanan dan kirinya akan naik dan turun. Tetapi terkadang salah satu sisi
dari variabel tersebut tidak mengalami perubahan. Himpunan fuzzy ‘bahu’, bukan segitiga,
digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak dari benar ke
salah, demikian juga bahu kanan bergerak dari salah ke benar. Sebagai contoh, himpunan
fuzzy pada variabel TEMPERATUR dengan daerah bahunya.

Gambar 5. Kurva Bentuk Bahu

OPERATOR DASAR ZADEH

Seperti halnya himpunan konvensional, ada beberapa operasi yang didefinisikan
secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan
sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama fire strength atau a-
predikat. Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu :
a. Operator AND
Operator ini berhubungan dengan operasi interseksi pada himpunan. a- predikat sebagai hasil
operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar
elemen pada himpunan-himpunan yang bersangkutan.

b. Operator OR
Operator ini berhubungan dengan operasi union pada himpunan. a- predikat sebagai hasil
operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antar
elemen pada himpunan-himpunan yang bersangkutan.

c. Operator NOT
Operator ini berhubungan dengan operasi komplemen pada himpunan. a- predikat sebagai
hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan
elemen pada himpunan yang bersangkutan dari 1.

LANGKAH-LANGKAH FUZZY MULTI CRITERIA DECISION MAKING

Pada Metode Fuzzy Decision Making (FDM), ada 3 langkah penting yang harus
dikerjakan, yaitu: representasi masalah, evaluasi himpunan fuzzy pada setiap alternatif
keputusan dan melakukan seleksi terhadap alternatif yang optimal (Kusumadewi, 2003).

Representasi masalah

Pada bagian ini, ada 3 aktivitas yang harus dilakukan, yaitu :

a. Identifikasi tujuan dan kumpulan alternatif keputusannya;

Tujuan keputusan dapat direpresentasikan dengan menggunakan bahasa alami atau nilai
numeris sesuai dengan karakteristik dari masalah tersebut. Jika ada n alternatif keputusan
dari suatu masalah, maka alternatif-alternatif tersebut dapat ditulis sebagai A = {Ai | i=1,2,
..., n}.
b. Identifikasi kumpulan kriteria;

Jika ada k kriteria, maka dapat dituliskan C = {Ct | t = 1,2, ..., k}.

c. Membangun stuktur hirarki dari masalah tersebut berdasarkan pertimbangan-pertimbangan

tertentu.

Evaluasi himpunan fuzzy

Pada bagian ini, ada 3 aktivitas yang harus dilakukan, yaitu :

a. Memilih himpunan rating untuk bobot-bobot kriteria dan derajat kecocokan setiap
alternatif dengan kriterianya.

Secara umum, himpunan-himpunan rating terdiri atas 3 elemen, yaitu:

1. variabel linguistik (x) yang merepresentasikan bobot kriteria dan derajat kecocokan
setiap alternatif dengan kriterianya
2. T(x) yang merepresentasikan rating dari variabel linguistik
3. fungsi keanggotaan yang berhubungan dengan setiap elemen dari T(x). Misal, rating
untuk bobot pada Variabel Penting untuk suatu kriteria didefinisikan sebagai :
T(penting) = {SANGAT RENDAH, RENDAH, CUKUP, TINGGI, SANGAT
TINGGI}. Sesudah himpunan rating ini ditentukan, maka kita harus menentukan
fungsi keanggotaan untuk setiap rating. Biasanya digunakan fungsi segitiga. Misal, Wt
adalah bobot untuk kriteria Ct; dan Sit adalah rating fuzzy untuk derajat kecocokan
alternatif keputusan Ai dengan kriteria Ct; dan Fi adalah indeks kecocokan fuzzy dari
alternatif Ai yang merepresentasikan derajat kecocokan alternatif keputusan dengan
kriteria keputusan yang diperoleh dari hasil agregasi Sit dan Wt.
b. Mengevaluasi bobot-bobot kriteria dan derajat kecocokan setiap alternatif dengan
kriterianya.
c. Mengagregasikan bobot-bobot kriteria dan derajat kecocokan setiap alternatif dengan
kriterianya. Ada beberapa metode yang dapat digunakan untuk melakukan agregasi
terhadap hasil keputusan para pengambil keputusan, antara lain: mean, median, max, min,
 dan operator campuran. Dari beberapa metode tersebut, metode mean yang paling banyak
digunakan. Operator yang digunakan untuk penjumlahan dan perkalian fuzzy. Dengan
menggunakan operator mean, Fi dirumuskan sebagai :

Dengan cara mensubstitusikan Sit dan Wt dengan bilangan fuzzy segitiga, yaitu Sit = (oit,
pit,qit); dan Wt = (at, bt, ct); maka Ft dapat didekati sebagai :

Seleksi alternatif yang optimal

Pada bagian ini, ada 2 aktivitas yang dilakukan, yaitu:

a. Memprioritaskan alternatif keputusan berdasarkan hasil agregasi
Prioritas dari hasil agregasi dibutuhkan dalam rangka proses perangkingan alternatif
keputusan. Karena hasil agregasi ini direpresentasikan dengan menggunakan bilangan
fuzzy segitiga, maka dibutuhkan metode perangkingan untuk bilangan fuzzy segitiga. Salah
satu metode yang dapat digunakan adalah metode nilai total integral. Misalkan F adalah
bilangan fuzzy segitiga, F = (a, b, c), maka nilai total integral dapat dirumuskan sebagai
berikut : Nilai a adalah indeks keoptimisan yang merepresentasikan derajat keoptimisan
bagi pengambil keputusan (0=a=1).
Apabila nilai a semakin besar mengindikasikan bahwa derajat keoptimisannya semakin
besar.
b. Memilih alternatif keputusan dengan prioritas tertinggi sebagai alternatif yang optimal.
Semakin besar nilai Fi berarti kecocokan terbesar dari alternative keputusan untuk kriteria
keputusan, dan nilai inilah yang akan menjadi tujuannya.

METODE SUGENO

Metode Sugeno diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985. Metode Sugeno
juga sering disebut dengan metode TSK. Penalaran dengan metode SUGENO hampir sama
dengan metode MAMDANI. Yang membedakan adalah pada output (konsekuen) sistem
tidak berupa himpunan fuzzy tetapi berupa konstanta atau persamaan linear. Metode TSK
terdiri dari 2 jenis yaitu :

1. Model Fuzzy Sugeno Orde-Nol

Bentuk model :

IF (x1 is A1)o(x2 is A2)o(x3 is A3)…o (xN is AN) THEN z=k

Keterangan :

 Ai adalah himpunan fuzzy ke-I sebagai anteseden,

 k adalah konstanta (tegas) sebagai konsekuen

2. Model Fuzzy Sugeno Orde-Satu

Bentuk model :

IF (x1 is A1) o…o (xN is AN) then z= p1*x1+…+pN*xN +q

Keterangan :

 Ai adalah himpunan fuzzy ke-I sebagai anteseden,

 pi adalah suatu kontanta tegas ke-i

 q merupakan konstanta konsekuen.

CONTOH KASUS
Suatu penelitian dilakukan untuk mencari jumlah produksi berdasar pengaruh faktor suhu,
kebisingan dan pencahayaan. Dalam penelitian ini terdapat 30 pekerja yang dijadikan sampel
yang masing-masing melakukan 10 kali percobaan dengan kombinasi suhu, kebisingan dan
pencahayaan yang berbeda untuk menghasilkan sejumlah produk. Banyaknya data yang
diperoleh sejumlah 30x27 data= 810 data.Data tersebut dapat dilihat pada tabel 1.
Tabel 1. Rata-rata Jumlah Produk dan Standar Deviasi

O
No. Suhu ( C) Kebisingan
1 22 55
2 22 55
3 22 55
4 22 75
5 22 75
6 22 75
7 22 90
8
Suhu akan diwakili dengan variable S
22 90
9 22 90
Kebisingan diwakili dengan variable G
Pencahayaan diwakili dengan variable C

SOLUSI
a. Pembentukan Fungsi Keanggotaan

Gambar 6. Fungsi Keanggotaan Pada Himpunan Fuzzy pada Variabel Suhu

Pada grafik terlihat bahwa terdapat 3 Himpunan Fuzzy yaitu :

1) RENDAH
Himpunan RENDAH memiliki domain (18,26) dengan derajat keanggotaan Rendah
tertinggi (=1) terletak pada nilai 22. Apabila suhu semakin kurang dari 22 maka
kondisi suhu sudah mendekati sangat rendah. Apabila suhu semakin mendekati 22
maka kondisi suhu akan mendekati normal. Fungsi keanggotaan untuk himpunan
RENDAH adlah berikut ini

2) NORMAL
Himpunan Fuzzy Normal memiliki domain (22,32) dengan derajat keanggotaan
Normal tertinggi (=1) terletak pada nilai 26. Apabila suhu kurang dari 26 dan
 mendekati 22 maka kondisi suhu sudah semakin RENDAH. Sehingga derajat
keanggotaannya pada himpunan NORMAL akan semakin berkurang dan himpunan
RENDAH akan bertambah.

3) TINGGI
Himpunan Fuzzy TINGGI memiliki domain (26,38) dengan derajat keanggotaan
Normal tertinggi (=1) terletak pada nilai 32. Apabila suhu kurang dari 32 dan
mendekati 26 maka kondisi suhu sudah semakin NORMAL. Sehingga derajat
keanggotaannya pada himpunan TINGGI akan semakin berkurang dan himpunan
NORMAL akan bertambah.
 Gambar 7. Fungsi Keanggotaan Pada Himpunan Fuzzy pada Variabel
Kebisingan

Gambar 8. Fungsi Keanggotaan Pada Himpunan Fuzzy pada Variabel

Pencahayaan

b. Pembentukan aturan fuzzy

Metode inferernsi fuzzy yang digunakan adalah metode Sugeno orde nol. Pada
metode ini antesedenn di representasikan dengan proposisi dalam himpunan fuzzy,
sedangkan konsekuen drepresentasikan dengan sebuah konstanta. Ke-27 aturan terseut
adalah :
 R1 IF SUHU REND
R2 IF SUHU REND
R3 IF SUHU REND
R4 IF SUHU REND
R5 IF SUHU
Kemudian dicari α-predikat (fire strength) untuk setiap aturan, sebagai berikut :
REND
R6 IF SUHU REND
(R1) IF Suhu RENDAH and Kebisingan TENANG and Pencahayaan REDUP
THEN Rata-rata Jumlah Produk = 148;
α-predikat1 = min (μrendah (22); μtenang (55); μredup (150))

R7 IF SUHU REND
=min (1;1;1)
=1
Z1= 148

R8 IF SUHU REND
(R2) IF Suhu RENDAH and Kebisingan TENANG and Pencahayaan AGAK TERANG
THEN Rata-rata Jumlah Produk = 150,9;
α-predikat2 = min (μrendah (22); μtenang (55); μredup (150))
=min (1;1;1)

R9
=0
Z2= 150,9
IF SUHU REND
(R3) IF Suhu RENDAH and Kebisingan TENANG and Pencahayaan TERANG

R10
THEN Rata-rata Jumlah Produk = 146,5;
α-predikat3 IF SUHU
= min (μrendah (22); μtenang (55); μredup (150)) NOR
=min (1;1;0)

R11 IF SUHU NOR

 =0
Z3= 146,5
(R4) IF Suhu RENDAH and Kebisingan AGAK BISING and Pencahayaan REDUP
THEN Rata-rata Jumlah Produk = 143,1;
α-predikat4 = min (μrendah (22); μtenang (55); μredup (150))
=min (1;0;1)
=0
Z4= 143,1
(R5) IF Suhu RENDAH and Kebisingan AGAK BISING and Pencahayaan AGAK
TERANG
THEN Rata-rata Jumlah Produk = 146,53;
α-predikat5 = min (μrendah (22); μtenang (55); μredup (150))
=min (1;0;0)
=0
Z5=146,53
(R6) IF Suhu RENDAH and Kebisingan AGAK BISING and Pencahayaan TERANG
THEN Rata-rata Jumlah Produk = 142,73;
α-predikat6 = min (μrendah (22); μtenang (55); μredup (150))
=min (1;0;0)
=0
Z6= 142,73
(R7) IF Suhu RENDAH and Kebisingan BISING and Pencahayaan REDUP
THEN Rata-rata Jumlah Produk = 136,73;
α-predikat7 = min (μrendah (22); μtenang (55); μredup (150))
=min (1;0;1)
=0
Z7= 136,73
(R8) IF Suhu RENDAH and Kebisingan BISING and Pencahayaan AGAK TERANG
THEN Rata-rata Jumlah Produk = 140,77;
α-predikat8 = min (μrendah (22); μtenang (55); μredup (150))
=min (1;0;0)
 =0
Z8= 140,77
(R9) IF Suhu RENDAH and Kebisingan BISING and Pencahayaan TERANG
THEN Rata-rata Jumlah Produk = 135,97;
α-predikat9 = min (μrendah (22); μtenang (55); μredup (150))
=min (1;0;0)
=0
Z9= 135,97
(R10) IF Suhu NORMAL and Kebisingan TENANG and Pencahayaan REDUP
THEN Rata-rata Jumlah Produk = 149,73;
α-predikat10 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;1;1)
=0
Z10= 149,73
(R11) IF Suhu NORMAL and Kebisingan TENANG and Pencahayaan AGAK TERANG
THEN Rata-rata Jumlah Produk = 153,27;
α-predikat11 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;1;0)
=0
Z11= 153,27
(R12) IF Suhu NORMAL and Kebisingan TENANG and Pencahayaan TERANG
THEN Rata-rata Jumlah Produk = 152,13;
α-predikat12 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;1;0)
=0
Z12= 152,13
(R13) IF Suhu NORMAL and Kebisingan AGAK BISING and Pencahayaan REDUP
THEN Rata-rata Jumlah Produk = 148;
α-predikat13 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;0;1)
=0
 Z13= 148
(R14) IF Suhu NORMAL and Kebisingan AGAK BISING and Pencahayaan AGAK
TERANG
THEN Rata-rata Jumlah Produk = 150,63;
α-predikat14 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;0;0)
=0
Z14= 150,63
(R15) IF Suhu NORMAL and Kebisingan AGAK BISING and Pencahayaan TERANG
THEN Rata-rata Jumlah Produk = 147,63;
α-predikat15 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;0;0)
=0
Z15= 147,63
(R16) IF Suhu NORMAL and Kebisingan BISING and Pencahayaan TERANG
THEN Rata-rata Jumlah Produk = 147,63;
α-predikat16 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;0;1)
=0
Z16= 141,47
(R17) IF Suhu NORMAL and Kebisingan BISING and Pencahayaan AGAK TERANG
THEN Rata-rata Jumlah Produk = 145,67;
α-predikat17 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;0;0)
=0
Z17= 145,67
(R18) IF Suhu NORMAL and Kebisingan BISING and Pencahayaan TERANG
THEN Rata-rata Jumlah Produk = 140,2;
α-predikat16 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;0;0)
=0
 Z18= 140,2
(R19) IF Suhu TINGGI and Kebisingan TENANG and Pencahayaan REDUP
THEN Rata-rata Jumlah Produk = 142,10;
α-predikat19 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;1;1)
=0
Z19= 142,10
(R20) IF Suhu TINGGI and Kebisingan TENANG and Pencahayaan AGAK TERANG
THEN Rata-rata Jumlah Produk = 146,53;
α-predikat20 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;1;0)
=0
Z19= 146,53
(R21) IF Suhu TINGGI and Kebisingan TENANG and Pencahayaan TENANG
THEN Rata-rata Jumlah Produk = 142,17;
α-predikat21 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;1;0)
=0
Z19= 142,17
(R22) IF Suhu TINGGI and Kebisingan AGAK BISING and Pencahayaan REDUP
THEN Rata-rata Jumlah Produk = 138,7;
α-predikat22 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;0;1)
=0
Z19= 138,7
(R23) IF Suhu TINGGI and Kebisingan AGAK BISING and Pencahayaan AGAK
TERANG
THEN Rata-rata Jumlah Produk = 142,10;
α-predikat23 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;0;0)
=0
 Z19= 141,4
(R24) IF Suhu TINGGI and Kebisingan AGAK BISING and Pencahayaan TERANG
THEN Rata-rata Jumlah Produk = 138,3;
α-predikat24 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;0;0)
=0
Z19= 138,3
(R25) IF Suhu TINGGI and Kebisingan BISING and Pencahayaan REDUP
THEN Rata-rata Jumlah Produk = 133,33;
α-predikat25 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;0;1)
=0
Z25= 133,33
(R26) IF Suhu TINGGI and Kebisingan BISING and Pencahayaan AGAK TERANG
THEN Rata-rata Jumlah Produk = 138,33;
α-predikat26 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;0;0)
=0
Z26= 138,33
(R27) IF Suhu TINGGI and Kebisingan BISING and Pencahayaan TERANG
THEN Rata-rata Jumlah Produk = 133,77;
α-predikat19 = min (μrendah (22); μtenang (55); μredup (150))
=min (0;0;0)
=0
Z27= 133,77