Fuzzy
Fuzzy
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,
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.
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.
Fungsi Keanggotaan :
Kurva trapesium pada dasarnya seperti kurva segitiga, hanya saja ada beberapa titik yang
memiliki nilai keanggotaan 1.
Gambar 4. Kurva Trapesium
Fungsi Keanggotaan :
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.
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.
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
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}.
a. Memilih himpunan rating untuk bobot-bobot kriteria dan derajat kecocokan setiap
alternatif dengan kriterianya.
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 :
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 :
Bentuk model :
Keterangan :
Bentuk model :
Keterangan :
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
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
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)