Relita Buaton, ST, M.

Kom

AI By Relita Buaton, ST, M. Kom

 Teori tentang fuzzy set atau himpunan samar pertama kali
dikemukakan oleh Lotfi Zadeh sekitar tahun 1965 pada
sebelum makalah yang berjudul ‘Fuzzy Sets’.setelah itu,sejak
pertengahan 1970-an,
 Para peneliti jepang berhasil mengaplikasikan teori ini ke
dalam berbagai permasalahan praktis.
 Dengan teori fuzzy set, kita dapat merepresentasikan dan
menangani masalah ketidakpastian yang dalam hal ini bisa
berarti keraguan,ketidaktepatan,kekurangan lengkapan
informasi,dan kebenaran yang bersifat sebagian.
 Di dunia nyata,seringkali kita menghadapi suatu masalah yang
informasinya sangat sulit untuk diterjemahkan ke dalam suatu
rumus atau angka yang tepat kerena informasi tersebut bersifat
kualitatif (tidak bisa diukur secara kuantitatif).
AI By Relita Buaton, ST, M. Kom
Banyak peneliti berbeda pendapat tentang teori fuzzy dan teori
probabilitas. Apakah tidak cukup menyelesaikan masalah
ketidakpastian dengan menggunakan teori probabilitas? Kenapa
harus menggunakan teori fuzzy? Sebenarnya, kedua teori tersebut
memang sama-sama untuk menangani masalah ketidakpastian, tetapi
perbedaannya adalah pada jenis ketidakpastian yang ditangani

AI By Relita Buaton, ST, M. Kom

Kita ingin memutuskan apakah seorang mahasiswa layak
mendapatkan beasiswa atau tidak. Misalkan, kita hanya
memperhatikan dua parameter, yaitu indeks prestasi(IP) dan
dihasilkan tes psikologi(TP). Mahasiswa A memiliki IP=3,00 dan
TP=8,00, sedangkan masiswa B memiliki IP=2,999999 dan
TP=8,50. Suatu Universitas X membuat suatu aturan keputusan
bahwa mahasiswa yang layak mendapat beasiswa adalah
mahasiswa yang memiliki IP 3,00 dan TP 8,00, dengan aturan
tersebut, maka dapat diputuskan bahwa mahasiswa A layak
mendapatkan beasiswa sedangkan masiswa B tidak layak.
Membuat keputusan dengan cara seperti ini bisa dianggap tidak adil
oleh kalangan mahasiswa. Kenapa mahasiswa B tidak layak
mendapatkan beasiswa? Padahal dia memiliki TP yang jauh lebih
besar dibandingkan dengan mahasiswa A dan IP-nya sedikit lebih
kecil dari IP mahasiswa A (perbedaanya hanya sebesar 0,000001).
AI By Relita Buaton, ST, M. Kom
 Himpunan yang membedakan anggota dan non anggotanya
dengan batasan yang jelas disebut crisp set. Misalnya jika
C={X|x integer,x maka anggota C adalah 3,4,5, dan
seterusnya. Sedangkan yang bukan anggota C adalah 2,1,0,-
1,dan seterusnya.

AI By Relita Buaton, ST, M. Kom

 Fungsi keanggotaan memainkan peran yang sangat penting untuk
merepresentasikan masalah dan menghasilkan keputusan yang akurat
1.Fungsi Sigmoid
Sesuai dengan namanya, fungsi ini berbentuk kurva sigmoid seperti huruf
S. Setiap nilai x (anggota crisp set) dipetakan ke dalam interval [0,1].
Grafik dan notasi matematika untuk fungsi ini adalah sebagai berikut:

AI By Relita Buaton, ST, M. Kom

2.Fungsi phi
Disebut fungsi phi karena bentuk seperti simbol phi, pada fungsi
keanggotaan ini, hanya terdapat satu nilai x yang memiliki derajat
keanggotaan sama dengan 1,yaitu ketika x=c. Nilai-nilai di sekitar c
memiliki derajat keanggotaan yang masih mendekati 1. Grafik dan notasi
matematika dari fungsi ini adalah sebagai berikut:

AI By Relita Buaton, ST, M. Kom

3.Fungsi Segitiga
Sama dengan fungsi phi,pada fungsi ini juga terdapat hanya 1 nilai x yang
memiliki derajat keanggotaan sama dengan 1,yaitu ketika x=b, tetapi nilai-
nilai disekitar b memiliki derajat keanggotaan yang turun cukup tajam
(menjauhi 1). Grafik dan notasi matematika dari fungsi segitiga adalah
sebagai berikut:

AI By Relita Buaton, ST, M. Kom

4.Fungsi Trafesium
Berbeda dengan fungsi segitiga, pada pungsi ini terdapat beberapa nilai x
yang yang memiliki derajat keanggotaan untuk a <x<b dan c<x≤d
memiliki karakteristik yang sama denagn fungsi segitiga.garfik dan notasi
matematika dari fungsi trapesium adalah sebagai berikut:

AI By Relita Buaton, ST, M. Kom

AI By Relita Buaton, ST, M. Kom
Varibel linguistik adalah suatu interval numerik dan
mempunyai nilai-nilai linguistik, yang sematiknya
didefinisikan oleh fungsi keanggotaannya. Misalnya
suhu adalah suatu variabel linguistik yang bisa
didefinisikan pada interval [-10 ,40]. Variabel tersebut
bisa memiliki nilai-nilai linguistik seperti
‘Dingin’,’Hangat’,’Panas’ yang sematiknya
didefinisikan oleh fungsi-fungsi keanggotaan yang
telah ditentukan.

AI By Relita Buaton, ST, M. Kom

IF antecendent THEN consequent.
Terdapat dua model aturan fuzzy yang digunakan secara luas
dalam berbagai aplikasi,yaitu:
Model Mamdani
Pada model ini ,aturan fuzzy di definisikan sebagai :
IFx1 is A1 AND ….AND xn is An THEN y is B,
Model SugenoModel ini dikenal juga sebagai Takagi-
Sugeno-Kang (TSK)model,yaitu suatu varian dari model
mamdani.model ini menggunakan aturan yang berbentuk :
IF x1 is A1 AND….AND xn is An THEN y=f (x1,….xn),

AI By Relita Buaton, ST, M. Kom

Model Sugeno
 Model ini dikenal juga sebagai Takagi-Sugeno-Kang
(TSK)model,yaitu suatu varian dari model mamdani.model ini
menggunakan aturan yang berbentuk :
 IF x1 is A1 AND….AND xn is An THEN y=f (x1,….xn),
 Di mana f bisa berupa sembarang fungsi dari variabel-variabel
input yang nilainya berada dalam interval output.biasanya,fungsi
ini dibatasi dengan menyatakan f sebagai kombinasi linier dari
variabel-variabel input:
 F(x1,….,xn)=wo+w1x1 +…….+ wn xn
 Di mana w0,w1,…..,wn adalah konstanta yang berupa bilangan
real yang merupakan bagian dari spesifikasi aturan fuzzy.

AI By Relita Buaton, ST, M. Kom

 Terdapat berbagai metode Defuzzification yang telah
berhasil di aplikasikan untuk berbagai macam masalah .
di sini,kita hanya membahas 5 metode saja,yaitu:
 Centroid method
Metode ini di sebut juga sebagai Center of Area atau
Center Of Gravity.metode ini merupakan metode yang
paling penting dan menarik di antara semua metode
yang ada.metode ini menghitung nilai crisp
mengunakan rumus:

AI By Relita Buaton, ST, M. Kom

 Di mana y* suatu nilai crisp. Fungsi integration dapat
di ganti dengan fungsi summation jika nilai bernilai
diskrit,sehinga menjadi:

 Di mana y adalah nilai crisp dan (y) adalah derajat

keanggotaan dari y.

AI By Relita Buaton, ST, M. Kom

 Height method
Metode ini di kenal juga sebagai prinsip keanggotaan maksimum
karna metode ini secara sederhana memiliki nilai crisp yang
memiliki derajat keanggotaan maksimum.oleh karna itu, metode
ini hanya bisa di pakai untuk fungsi keanggotaan yang memilki
derajat keanggotan 1 pada suatu nilai crisp dan 0 pada semua
nilai crisp yang lain.
 First (or Last) of Maxima
Metode ini juga merupakan generalisasi dari height method
untuk kasus di mana fungsi ke anggotaan out put memilki lebih
dari 1 nilai maxsimum. sehingga, nilai crisp yang di gunakan
adalah salah satu dari nilai yang dihasilkan dari maksimum
pertama atau maksimum terahir(tergantung pada aplikasi yang
akan di bangun ).

AI By Relita Buaton, ST, M. Kom

 Mean-Max method
Metode ini di sebut juga sebagai Middle of Maxima.
Metode ini merupakan generalisasi dari Height methoad
untuk kasus di mana terdapat lebih dari 1 nilai crisp yang
memiki derajat keangotaan maxsimum.sehingga y*di
definisikan sebagai titik tengah antara nilai crisp terkecil
dan nilai crisp terbesar :

 Di mana m adalah nilai crisp yang paling kecil dan M

adalah nilai crisp yang paling besar

AI By Relita Buaton, ST, M. Kom

 Weighted Average
Metode ini mengambil nilai rata-rata dengan
menggunakan pembobotan berupa derajat keanggotaan
.sehingga y*di definisikan sebagai:

 Di mana y adalah nilai crisp dan µ(y) adalah derajat

keanggotaan dri nilai crisp y.

AI By Relita Buaton, ST, M. Kom

 Misalkan kita ingin membangun sistem untuk mengontrol
alat penyiram air.
 Input untuk sistem tersebut adalah: suhu udara(dalam oC)
dan Kelembaban tanah (dalam %).
 Sedangkan output diinginkan adalah durasi penyiraman
(dalam satuan menit).
 Misalkan,nilai crisp yang diterima oleh sensor suhu adalah
37oC dan nilai crisp yang diterima sensor kelembaban
adalah 12%. Berapa lama durasi penyiraman yang harus
dilakukan?

AI By Relita Buaton, ST, M. Kom

 Fuzzification :mengubah kedua nilai crisp input tersebut menjadi
fuzzy input menggunakan fungsi-fungsi keanggotaan:
 Misalkan,untuk suhu udara kita menggunakan fungsi
keanggotaan trapesium dengan lima variabel linguistik:
Cold,Cool,Normal,Warm, Hot dengan funsi ini,maka crisp input
suhu 37 dikonversi ke nilai fuzzy dengan cara :
 Suhu 37 berada pada nilai linguistik Warm dan Hot
 Semantik atau derajat keanggotaan untuk Warm di hitung
menggunakan rumus :
–(x-d)/(d-c),c<x ≤d (lihat notasi mate-matika untuk fungsi
trapezium),dimana c=36,dan d=39, sehingga derajat keanggotaan
Warm= -(37-39) / (39-36) = 2/3.
 Derajat keanggotaan untuk hot dihitungkan menggunakan rumus
(x-a)/(b-a),a<x<b,dimana a=36,dan b=39.sehingga derajat
keanggotaan Hot=(37-36)/(39-36)=1/3.

AI By Relita Buaton, ST, M. Kom

Fungsi keanggotaan trapesium untuk suhu udara

AI By Relita Buaton, ST, M. Kom

 Menggunakan fungsi keangggotaan Trapesium untuk
Kelembaban tanah dengan fungsi ini, maka crisp input
kelembaban 12% dikonversi menjadi nilai fuzzy dengan
cara berikut ini:
 Kelembaban 12% berada pada nilai linguistik Dry dan
Moist.
 Semantik atau derajat keanggotaan untuk Dry dihitung
menggunakan rumus
-(x-d)/(d-c),c<x<d,dimana c=10,dan d=20
Sehingga derajat keanggotaan untuk Moist dihitung menggunakan
rumus (x-a)/(b-a),a<x<b, di mana a=10,dan b=20.sehingga derajat
keanggotaan Moist=(12-10)/(20-10)=1/5.

AI By Relita Buaton, ST, M. Kom

Fungsi keanggotaan trapesium untuk kelembaban Tanah

AI By Relita Buaton, ST, M. Kom

Fungsi keanggotaan trapesium untuk Durasi
Penyiraman(output)

AI By Relita Buaton, ST, M. Kom

Penggunaan inferensi menggunakan model mamdani dan
model sugeno

Mempunyai 3x5=15 aturan fuzzy,yaitu:

IF Suhu=Cold AND Kelembaban=Dry THEN Durasi=Long
IF Suhu=Hot AND Kelembaban=Wet THEN Durasi=Short
………………..
………………..
dst
AI By Relita Buaton, ST, M. Kom
 Dari empat data fuzzy input
tersebut,Warm(2/3),hot(1/3),Dry(4/5)dan Moist(1/5),maka
kita mendapatkan empat aturan (dari 15 aturan)yang dapat
diaplikasiakan
 IF Suhu is Warm AND Kelembaban is Dry THEN Durasi
Long
 IF Suhu Warm AND Kelembaban is Moist THEN Durasi is
Medium
 IF Suhu is Hot AND Kelembaban is Dry THEN Durasi is
Long
 IF Suhu is Hot AND Kelembaban is THEN Durasi is
Medium

AI By Relita Buaton, ST, M. Kom

 Dari empat aturan fuzzy dan empat fuzzy input tersebut, maka proses inference yang terjadi
adalah sebgai berikut(misal kita menggunakan inferensing clipping).
 Gunakan aturan conjuction(^)dengan memilih derajat keanggotaan minimum dari nilai-nilai
linguistik yang di hubungkan oleh ^ dan lakukan Clipping pada fungsi keanggotaan
trapesium untuk durasi Peyiraman, sehingga di proleh
IF Suhu is Warm (2/3) AND Kelembaban is Dry (4/5) THEN Durasi is Long (2/3)
IF Suhu is Warm (2/3) AND Kelembaban is Moist (1/5) THEN Durasi is Medium (1/5)
IF Suhu is Hot (1/3) AND Kelembaban is Dry (4/5) THEN Durasi is Long (1/3)
IF Suhu is Hot (1/3)AND Kelembaban is Moist (1/5)THEN Durasi is Medium (1/5)
 Gunakan aturan Disjunction () dengan memilih derajat keanggotaan

 Maximum dari nilai-nilai linguistik yang dihubungkan oleh v, dari ‘Durasi is Long (2/3) v
Durasi is Long (1/3)’ dihasilkan ‘Durasi is Long (2/3)’. Sedangkan, dari ‘Durasi is Medium
(1/5) v Durasi is Medium (1/5)’ dihasilkan’Durasi is Medium (1/5)’. Dengan demikain, kita
memproleh dua pernyataan: Durasi Long (2/3) dan Durasi is Medium (1/5). Prose inferensi
menggunakan proses Clipping menghasilkan dua area abu-abu

AI By Relita Buaton, ST, M. Kom

 Model Sugeno menggunakan fungsi keanggotaan yang
lebih sederhana dibandingkan Model Mamdani. Fungsi
keanggotaan tersebut adalah Singleton, yaitu fungsi
keanggotaan 1 pada suatu nilai crisp tunggal dan 0 pada
semua nilai crisp yang lain. Misalkan kita definisikan
fungsi singleton untuk durasi Penyiraman berikut ini:
 Dengan cara yang sama seperti pada Model Mamdani,
di proleh: Durasi is Long (4/5) dan Durasi is Medium
(1/5). Proses inferensi menggunakan Model Sugeno
menghasilkan dua derajat keanggotaan

AI By Relita Buaton, ST, M. Kom

AI By Relita Buaton, ST, M. Kom
AI By Relita Buaton, ST, M. Kom
 Proses defuzzyfication menggunakan Model Mamdani
 Proses composition dari dua fuzzy set,durasi is Medium (1/5)
dan (b) Durasi is Long (2/3) menghasilkan satu fuzzy set
tunggal. Misalkan,kita menggunakan Centroid method untuk
proses defuzzyfication. Untuk mendapatkan nilai crisp
menggunakan Centroid method.Untuk memudahkan
penghitungan, menentukan titik sembarang pada area abu-abu
tersebut, misalkan:24,28,32,36,40,48,60,70,80 dan 90,
diproleh hasil sebagai berikut:

AI By Relita Buaton, ST, M. Kom

Jadi dengan menggunakan Model Mamdani, untuk
Suhu Udara 37 dan Kelembaban tanah 12%, maka
sprinkle secara otomatis akan menyiramkan air selama
60,97 menit

AI By Relita Buaton, ST, M. Kom

 Proses defuzzyfication menggunakan Model Sugeno
Proses composition dari dua fuzzy set, Durasi is Medium
(1/5) dan (b) Durasi is long (2/3), menghasilkan satu fuzzy
set tunggal. Jika kita menggunakan Height method untuk
proses defuzzyfication,maka dari dua fuzzy set,Medium
(1/5) dan long (2/3),dipilih nilai maksimumnya yaitu long
(2/3).karena nilai crisp untuk long adalah 60,maka proses
defuzzyfication menghasilkan nilai crisp sebesar 60.
Dengan demikian, Durasi penyiraman adalah 60 menit.
 Jika kita menggunakan Weighted Average untuk proses
defuzzyfication,maka

AI By Relita Buaton, ST, M. Kom

AI By Relita Buaton, ST, M. Kom
AI By Relita Buaton, ST, M. Kom
AI By Relita Buaton, ST, M. Kom
 Dengan demikian, jika kita menggunakan Model Sugeno dengan
defuzzyfication berupa Weighted Avarage, maka Durasi penyiraman adalah
55,38 menit
 Pada kasus di atas,model Mamdani dan model Sugeno menghasilkan output
yang berbeda. Hal ini tentu saja sangat dipengaruhi oleh dua hal:
 1)perbedaan dalam mendefinisikan fungsi keanggotaan untuk Durasi
penyiraman ;dan
 2) perbedaan dalam penggunaan metode defuzzyfication.
 Dari ilustrasi kedua model di atas, terlihat bahwa model Sugeno menggunakan
perhitungan yang libih sederhana dibandingkan model Mamdani. Tetapi,model
Mamdani dapat memberikan output yang lebih intutif dan lebih sesuai dengan
pola pikir manusia dibandingkan dengan model sugeno. Model Sugeno sering
digunakan untuk masalah non linier yang dinamis, seperti sistem kontrol,
karena waktu prosesnya yang sangat cepat dan output yang dihasilkan masih
bisa diterima.
 Pada kasus diatas,sistem berbasis aturan fuzzy menggunakan model Mamdani
bisa menghasilkan output yang berupa bilangan real (yaitu 60,97).

AI By Relita Buaton, ST, M. Kom

Sekian…

AI By Relita Buaton, ST, M. Kom