INFORMATIKA

MODEL FUZZY DENGAN METODE TSUKAMOTO

Yuni Widhiastiwi ')

Abstract
Fuzzy represents a knowledge which is constructed by utilizing the if-then
rules. It is one of the method that can process uncertain and imprecise data. It
can be implemented at a lower cost. Fuzzy Logic is vary useful because it effec-
tively and accurately describes the human perception to make a decision. The
mathod of Tsukamoto is one of the inference system that can be used to make a
decison, where any consequence in If-Then Rules has to be reperesented with
fuzzy set in monotonous membership function.

Key Words: logika fuzzy, sistem inferensi, metode tsukamoto

A. Pendahuluan pendapat bahwa logika benar dan

Dalam logika konvensional, nilai
kebenaran mempunyai kondisi yang
pasti yaitu benar atau salah (true or
false), dengan tidak ada kondisi an-
tara. Prinsip ini telah mendominasi
pemikiran logika di dunia sampai
sekarang. Tentu saja, pemikiran me-
ngenai logika konvensional dengan
nilai kebenaran yang pasti yaitu
benar atau salah dalam kehidupan
yang nyata sangatlah tidak mung-
kin. logika fuzzy menawarkan suatu
logika yang dapat merepresentasikan
keadaan dunia nyata.
Teori himpunan logika fuzzy di-
kembangkan oleh Professor Lofti
A. Zadeh pada tahun 1965. Ia ber-
salah dari logika booleanlkonven-
sional tidak dapat mengatasi masalah
gradasi yang berada pada dunia nya-
tao Untuk mengatasi masalah gradasi
yang tidak terhingga tersebut, Zadeh
mengembangkan sebuah himpunan
fuzzy. Tidak seperti logika boolean,
logika fuzzy mempunyai nilai yang
kontinu. Fuzzy dinyatakan dalam
derajat dari suatu keanggotaan dan
derajat dari kebenaran. Oleh sebab
itu sesuatu dapat dikatakan sebagian
benar dan sebagian salah pada waktu
yang sama.
Berdasarkan hal tersebut diatas
Logika fuzzy dapat digunakan un-
tuk memodelkan suatu permasalah-
an yang matematis, dimana konsep

88 I Bina http://www.univpancasila.ac.id
Widya Vol 18 No. 02, Juli 2007 7/27
.) Fakultas IImu Komputer UPN "Veteran" Jakarta

matematis yang mendasari penalaran
juzzy sangat sederhana dan mudah
dimengerti.
B. Kajian Teoritis
1. Pengertianlogika Fuzzy
Konsep logikajuzzy pertama kali
diperkenalkan oleh Professor Lotti
A. Zadeh dari Universitas California
tahun 1965. Logikafuzzy merupakan
generalisasi dari logika klasik (Crisp
Set) yang hanya memiliki dua nilai
keanggotaan yaitu 0 dan 1. Dalam
logika fuzzy nilai kebenaran suatu
pernyataan berkisar dari sepenuhnya
benar sampai dengan sepenuhnya
salah.
Fuzzy Logic berhubungan de-
ngan ketidakpastian yang telah men-
jadi sifat alamiah manusia, mensimu-
lasikan proses pertimbangan normal
manusia denganjalan memungkinkan
komputer untuk berperilaku sedikit
lebih seksama dan logis daripada
yang dibutuhkan metode komputer
konvensional.
Pemikiran di balik pendekatan
ini adalah pengambilan keputusan
tidak sekadar persoalan hitam dan
putih atau benar dan salah, namun ke-
rapkali melibatkan area abu-abu, dan
hal itu dimungkinkan.
•
o group yang mewakili suatu ke-
Gambar 1. Crisp Set Versus Fuzzy Set
http://www.univpancasila.ac.id
INFORMATIKA
2. HimpunanFuzzy
Himpunan fuzzy merupakan
suatu group yang mewakili suatu
kondisi atau keadaa tertentu dalam
suatu variabel fuzzy.
Pada himpunan tegas (crisp), ni-
lai keanggotaan suatu item x dalam
suatu himpunan A, yang sering di-
tulis dengan flA[x], memiliki dua
kemungkinan, yaitu : Satu (I), yang
berarti bahwa suatu item menjadi an-
gota dalam suatu himpunan atau Nol
(0), yang berarti bahwa suatu item
tidak menjadi anggota dalam suatu
himpunan.
Pada himpunan fuzzy nilai ke-
anggotaan terletak pada rentang 0
sampai 1. Apabila x memiliki nilai
keanggotaan fuzzy flA[ x] = 0 berarti
x tidak menjadi anggota himpunan A,
demikian pula apabila x memiliki ni-
lai keanggotaan fuzzy flA[ x] = 1 be-
rarti x menjadi anggota penuh pada
himpunanA.
Kemiripan antara keanggotaan
fuzzy dengan probabilitas terkadang
menimbulkan kerancuan, karena me-
miliki nilai pada interval [0,1], namun
interpretasi nilainya sangat berbeda.
Keanggotaan fuzzy memberikan
suatu ukuran terhadap pendapat atau
keputusan, sedangkan probabilitas
mengindikasikan proporsi terhadap
keseringan suatu hasil bernilai benar
dalam jangka panjang.
Himpunan fuzzy memiliki 2
atribut, yaitu :
a. Linguistik, yaitu penamaan suatu
adaan atau kondisi tertentu den-
gan menggunakan bahasa alami,
seperti : Muda, Parobaya, Tua.
MODEL FUZZY, Yuni Widhiastiwi
7/27 I 89
 INFORMATIKA

b. Numeris, yaitu suatu nilai (ang- Fungsi Keanggotaaan :

ka) yang menunjukkan ukuran
dari suatu variabel seperti : 25, O; jika x:::; a
40,60. Il(x] = (x - a) I (b - a); jika a:::;x:::;b
{
1; jikax2:b
3. Fungsi Keanggotaan
Fungsi keanggotaan adalah suatu Kedua, merupakan kebalikan
kurva yang menunjukkan pemetaan yang pertama. Garis lurus dimu-
titik-titik input data ke dalam nilai lai dari nilai domain dengan derajat
keanggotaan yang memiliki nilai keanggotaan tertinggi pada sisi kiri,
interval antara 0 dan I. Salah satu kemudian bergerak menurun ke nilai
cara yang dapat digunakan untuk domain yang memiliki derajat keang-
mendapatkan nilai keanggotaan gotaan lebih rendah.
adalah dengan melalui pendekatan Gambar grafik fungsi keanggota-
fungsi. annya adalah :
Salah satu representasi fungsi
keanggotaan dalam fuzzy yang akan
.................................................
dipakai adalah represntasi linier. Pada
representasi linear, pemetaan input ke
derajat keanggotaannya digambarkan
l![x]
sebagai suatu garis lurus. Bentuk ini
paling sederhana dan menjadi pili-
han yang baik untuk mendekati suatu o a Domain b
konsep yang kurang jelas. Gambar 2..Representasi Linear Turun
Ada dua keadaan himpunan
fuzzy yang linear. Pertama, kenaikan Fungsi Keanggotaaan :
himpunan dimulai pada nilai domain
yang memiliki derajat keanggotaan (X-a)/(b-a); jikaa:::;x:::;b
Il[x] ={
nol [0] bergerak ke kanan menuju ke
0; jikax2:b
nilai domain yang memiliki derajat
keanggotaan lebih tinggi.
Gambar grafik fungsi keanggota-
4. Sistem Inferensi Fuzzy
annya adalah :
Sistem inferensi fuzzy meru-
pakan proses pengolahan data dalam
bentuk crisp input yang melalui be-
berapa tahapan dalam sistem fuzzy
untuk menghasilkan data dalam
l![X] bentuk crips output. Terdapat tiga
metode sistem inferensi fuzzy, yaitu :
Mamdani, Sugeno dan Tsukamoto.
o a Domain b
Tahap sistem inferensi fuzzy
Gambar 2. Representasi Linear Naik

90 I Bina Widya Vol 18 No. 02, Juli 2007

http://www.univpancasila.ac.id 7/27

yang harus dilalui, yaitu :
a. Nilai Input
Berupa masukan dalam bentuk
nilai pasti (crisp).
b. Komposisi Fuzzy
Proses merubah crisp input
menjadi fuzzy menggunakan fungsi
keanggotaan, setiap variabel fuzzy
dimodelkan ke dalam fungsi keang-
gotaan yang dipilih.
c. Aturan - aturan (rules)
Aturan-aturan yang akan dija-
dikan dasar untuk mencari nilai dari
crisp output yang akan dihasilkan
d. Dekomposisi Fuzzy
Merupakan proses merubah
kembali data yang dijadikan fuzzy ke
dalam bentuk crisp kembali.
e. Nilai output
Merupakan hasil akhir yang
dapat dipakai untuk pengambilan
keputusan
Namun terkadang sistem fuzzy
dapat berjalan tanpa harus melalui
komposisi atau dekomposisi fuzzy.
Nilai output dapat diestimasi secara
langsung dari nilai keanggotaan yang
berhubungan dengan antesedennya.
5. Metode Tsukamoto
Pada metode Tsukamoto, setiap
konsekuen pada aturan yang berben-
tuk If-Then harus direpresentasikan
dengan suatu himpunan fuzzy dengan
fungsi keanggotaan yang monoton.
Sebagai hasilnya, output hasil infe-
rensi dari tiap-tiap aturan diberikan
http://www.univpancasila.ac.id
INFORMATIKA
secara tegas (crips) berdasarkan
a-predikat (fire strength). Hasil akh-
imya diperoleh dengan menggunak-
an rata-rata terbobot.
B. Pembahasan
1. Model Kasus
Suatu perusahaan akan mengada-
kan penerimaan pegawai, berdasar-
kan data 1 tahun terakhir adalah se-
bagai berikut :
a. Lulusan terbanyak mencapai
1000 orang/tahun
b. Lulusan terkecil mencapai 600
orang/tahun
c. Lowongan terbanyak mencapai
800 orang/departemen
d. Lowongan terkecil mencapai
100 orang/departemen
e. Penerimaan pegawai terbesar
1500 orang/departemen
f. Penerimaan pegawai terkecil
500orang/departemen
Jika jumlah lulusan sebanyak
850 orang dan lowongan yang terse-
dia sebanyak 450, maka akan dibuat
model sistem fuzzy dengan meng-
gunakan metode Tsukamoto untuk
mencari nilai output berupa jumlah
pegawai yang dapat diterima ber-
dasarkan data-data tersebut, dimana
penerimaan pegawai menggunakan
aturan fuzzy sebagai berikut :
[R1] If Lulusan Sedikit And Lowongan Banyak
Then Penerimaan Pegawai Berkurang
[R2] If Lulusan Sedikit And Lowongan Sedikit
Then Penerimaan Pegawai Berkurang
7/27 I 91
MODEL FUZZY. Yuni Widhiastiwi
 INFORMATIKA

[R3] If Lulusan Banyak And Lowongan Banyak

Then Penerimaan Pegawai Bertambah

Sedikit
[R4] If Lulusan Banyak And Lowongan Sedikit Il[Y]
Then Penerimaan Pegawai Bertambah
0.5
2. Model Fuzzy
Dalam kasus ini terdapat 3 vari-
abel fuzzy yang akan dimodelkan, o
yaitu : Gambar 5. Fungsi Keanggotaan variabellowongan

a. Lulusan Fungsi Keanggotaan:

Lulusan terdiri atas dua himpunan 1; y:5 600
fuzzy, yaitu Terbanyak dan Terkecil 1.1 sedikit [x] ={ (800 - y) 1700 600s Y s 1000
Gambar grafik fungsi keanggota- 0; y 2:1000

annya adalah : y:5 600

O;
1.1 sedikit [x] = { (y -100)1700 600:5 Y S 800
l', Y 2: 100

Il[X] Nilai Keanggotaan:

0.625 I..Jsedikit [450] = (800-450)1700

= 0.5
0.375 1.1 sedikit [450] = (450 -100) 1700
=0.5
o 600 850 1000
Gambar 4. Fungsi Keanggotaan variabellulusan C. Penerimaan
Penerimaan terdiri atas dua him-
Fungsi Keanggotaan: punan fuzzy, yaitu Terbesar dan Ter-
(x - a ) I ( b - a); x:5 600
kecil
1.1 sedikit [x] ={ (1000 • x)/400 600:5 x :5 1000
Gambar grafik fungsi keanggot-
0; x 2:1000
aannya adalah :
O; x:5 600 I
1.1 sedikit [x] ={ (1000. x)/400 600:5 X S 1000
1; x 2:1000 Berkurang Bertambah

b. Lowongan "['1 ,"

Lowongan terdiri atas dua him-
punan fuzzy, yaitu Terbanyak dan
Terkecil
Gambar grafik fungsi keanggota-
o 500
annya adalah : Gambar 6. Fungsi Keanggotaan variabellowongan

92 I Bina Widya Vol 18 No. 02,

http://www.univpancasila.ac.id
Juli 2007 7/27
 INFORMATIKA

;
Fungsi Keanggotaan: [R3] If Lulusan Banyak And Lowongan Banyak
Then Penerimaan Pegawai Berlambah

il
z$; 500
~ berkurang [z]= (1500 - z)/1000 500$; z $; 1500
; z ~1500 a-Predikal3 ~LulusanBanyak
nlJLowonganBanyak
Z $; 500 min(IJLulusanBanyak[850].
~ Bertambah [Zl=~~ - 500)/1000 500$; Z $; 1500 IJLowonganBanyak (450))
J1S; z ~ 1500 min(0.625 ; 0.5)
0.5

Lihat himpunan Penerimaan

3. Inferensi Berdasarkan a-Pre-
Pegawai Bertambah,
dikat
(z-500) /1000 = 0.5
Nilai z yang dicari untuk setiap z3 = 1000
aturan menggunakan fungsi MIN
pada aplikasi fungsi implikasinya : [R4) If Lulusan BanyakAnd Lowongan Sedikit
Then Penerimaan Pegawai Berlambah
[R1) If Lulusan Sedikit And Lowongan Banyak
Then Penerimaan Pegawai Berkurang
a-Predikal4 = IJLulusanBanyak
n IJLowonganSedikil
a-Predikat1 = IJLulusanSedikit
= min(IJLulusanBanyak [850],
IJLowonganSedikit (450))
nlJLowonganBanyak
= min(IJLulusanSedikit[850).
= min(0.625; 0.5)
IJLowonganBanyak (450))
= 0.5
= min(0.375; 0.5)
= 0.375 Lihat himpunan Penerimaan
Pegawai Bertambah,
Lihat himpunan Penerimaan
Pegawai Berkurang, (z-500) /1000 = 0.5
z4 = 1000
(1500-z)/1000 = 0.375
z, = 1125 Lihat himpunan Penerimaan Pe-
gawai Bertambah,
[R2) If Lulusan Sedikit And Lowongan Sedikit
Then Penerimaan Pegawai Berkurang 4. Nilai Output
a-Predikat2 =
IJLulusanSedikit Berdasarkan rata-rata terbobot,
n IJLowonganSedikil
= min(IJLulusanSedikit[850], maka nilai z dapat dicari dengan cara
IJLowonganSedikil [450)) berikut ini :
=
min(0.375; 0.5) a-P red ,*z, + a-Pred2*z, + a-Pred3*~ + a-Pred, *z,
=
0.375 Z = a-Pred,+a-Pred,+a-Pred3+a-Pred,

Lihat himpunan Penerimaan 0.375*1125+ 0.375*1125+ 0.5*1000+ 0.5*1000

Pegawai Berkurang, z= 0.375+0375+0.5+0.5

(1500-z)/1000 = 0.375 z= 1843.75

Z2 = 1125 1.75
Z = 1053.571 '" 1054

http://www.univpancasila.ac.id 7/27 I 93
MODEL FUZZY, Yuni Widhiastiwi
 INFORMATIKA

Jadi jumlah pegawai yang dapat Daftar Pustaka

diterima adalah sebanyak 1054
Arhami M., 2005, Konsep Dasar Sistem
orang
Pakar. Ed I., Andi Offset, Yog-
yakarta.

C. Simpulan Kusumadewi S., 2003, Artificial Intelli-

gence (Teknik dan Aplikasinya).
1. Fuzzy Logic dapat bermanfaat Ed I., Graha Ilmu, Yogyakarta.
karena merupakan sebuah cara
yang efektif dan akurat untuk Kusumadewi S., Pumomo H., 2004,.
mendeskripsikan persepsi manu- Aplikasi Logika Fuzzy Untuk
sia terhadap persoalan pengam- Pendukung Keputusan. Ed I,.
Graha Ilmu, Yogyakarta.
bi1an keputusan
2. Fuzzy merupakan representasi
Nugroho A. S., 2003, Pengantar Soft-
suatu pengetahuan yang dikon-
computing. www.IlmuKompu-
struksikan dengan if-then rules. ter.Com
3. Terkadang Sistem fuzzy dapat
berjalan tanpaharus melalui kom- Turban E, Jay E.A. Liang T.P., 2005,
posisi atau dekomposisi fuzzy. Decision Support Systems and
4. Pada metode Tsukamoto, setiap Intelligent Systems. Ed 7, Andi
konsekuen pada aturan yang ber- Offset, Yogyakarta.
bentuk If-Then harus direpresen-
tasikan dengan suatu himpunan
fuzzy dengan fungsi keanggota-
an yang monoton
5. Kurangnya transparansi pada
metode Tsukamoto menyebab-
kan penggunaannya tidak seluas
metode inferensi fuzzy Mamdani
dan Sugeno.

94 I Bina http://www.univpancasila.ac.id
Widya Vol 18 No. 02, Juli 2007 7/27