PENGANTAR TEORI FUZZY

Makalah ini disusun untuk memenuhi tugas mata kuliah Teori Fuzzy
Dosen Pengampu : Aning Wida Yanti, S.Si, M.Pd

Disusun oleh :
Kelompok 2
1. Ericha Rizqi Alifiah D74218023
2. Fatimatus Sa’adah D74218024
3. Inka Nurul Ulil Alfi D74218029

PROGRAM STUDI PENDIDIKAN MATEMATIKA

FAKULTAS TARBIYAH DAN KEGURUAN
UNIVERSITAS ISLAM NEGERI SUNAN AMPEL SURABAYA
2021
 KATA PENGANTAR

Puji syukur kami panjatkan kehadirat Allah SWT, karena telah melimpahkan rahmat-
Nya berupa kesempatan dan pengetahuan sehingga makalah ini bisa selesai pada waktunya.

Terima kasih juga kami ucapkan kepada teman-teman yang telah berkontribusi
dengan memberikan ide-idenya sehingga makalah ini bisa disusun dengan baik dan rapi.

Kami berharap semoga makalah ini bisa menambah pengetahuan para pembaca.
Namun terlepas dari itu, kami memahami bahwa makalah ini masih jauh dari kata sempurna,
sehingga kami sangat mengharapkan kritik serta saran yang bersifat membangun demi
terciptanya makalah selanjutnya yang lebih baik lagi.

Sidoarjo, 05 Maret 2021

Penulis

i
 DAFTAR ISI

KATA PENGANTAR................................................................................................................i
DAFTAR ISI..............................................................................................................................ii
BAB I PENDAHULUAN..........................................................................................................1
A. Latar Belakang................................................................................................................1
B. Rumusan Masalah...........................................................................................................1
C. Tujuan.............................................................................................................................2
BAB II PEMBAHASAN...........................................................................................................3
A. Pengertian Fuzzy Logic dan Sejarahnya.........................................................................3
B. Derajat keanggotaan dan Variabel Linguistik.................................................................4
C. Alasan digunakannya Fuzzy Logic.................................................................................6
D. Aplikasi fuzzy logic........................................................................................................7
E. Perbedaan Fuzzy Logic (logika Fuzzy) dengan Crisp Logic (Logika Tegas)................9
F. Atribut dari Himpunan Fuzzy Logic...............................................................................9
G. Contoh Sistem Fuzzy Logic..........................................................................................12
BAB III PENUTUP..................................................................................................................13
A. Kesimpulan...................................................................................................................13
B. Saran..............................................................................................................................13
DAFTAR PUSTAKA..............................................................................................................14

ii
 BAB I

PENDAHULUAN

A. Latar Belakang

Logika Fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau kesamaran
(fuzzyness) antara benar atau salah Dalam logika klasik dinyatakan bahwa segala hal
dapat diekspresikan dalam istilah biner (0 atau 1, hitam atau putih, ya atau tidak),
sedangkan logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat
keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti
seperti "sedikit", "lumayan", dan "sangat".
Logika ini berhubungan dengan himpunan fuzzy dan teori kemungkinan. Logika
fuzzy ini diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley
pada 1965. Logika fuzzy dapat digunakan dalam bidang teori kontrol, teori keputusan,
dan beberapa bagian dalam managemen sains. Selain itu, kelebihan dari logika fuzzy
adalah kemampuan dalam proses penalaran secara bahasa (linguistic reasoning),
sehingga dalam perancangannya tidak memerlukan persamaan matematik dari objek
yang dikendalikan. Adapun salah satu contoh aplikasi logika fuzzy dalam kehidupan
sehari-hari adalah Pada tahun 1990 pertama kali dibuat mesin cuci dengan logika
fuzzy di Jepang (Matsushita Electric Industrial Company). Sistem fuzzy digunakan
untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan
banyaknya kotoran serta jumlah yang akan dicuci. Input yang digunakan adalah:
seberapa kotor, jenis kotoran, dan banyaknya yang dicuci. Mesin ini menggunakan
sensor optik, mengeluarkan cahaya ke air dan mengukur bagaimana cahaya tersebut
sampai ke ujung lainnya. Makin kotor, maka sinar yang sampai makin redup.
Disamping itu, sistem juga dapat menentukan jenis kotoran (daki atau minyak)

B. Rumusan Masalah

1. Apa pengertian dari fuzzy logic?

2. Bagaimana sejarah fuzzy logic?
3. Apa perbedaan fuzzy logic dengan crisp logic?
4. Apakah yang dimaksud himpunan fuzzy logic?
5. Apa kelebihan dan kekurangan menggunakan fuzzy logic?

1
C. Tujuan

1. Untuk mengetahui pengertian dari fuzzy logic

2. Untuk mengetahui sejarah fuzzy logic
3. Untuk mengetahui perbedaan fuzzy logic dengan crisp logic
4. Untuk mengetahui himpunan fuzzy logic
5. Untuk mengetahui kelebihan dan kekurangan menggunakan fuzzy logic

2
 BAB II

PEMBAHASAN

A. Pengertian Fuzzy Logic dan Sejarahnya

Sebelum munculnya Teori logika fuzzy (fuzzy logic) dikenal sebuah logika
tegas (Crisp Logic) yang memiliki nilai benar atau salah secara tegas. Saat logika
klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah biner (0 atau
1, hitam atau putih, ya atau tidak). Logika Fuzzy memungkinkan nilai keanggotaan
antara 0 dan 1, tingkat keabuan dan juga hitam dan putih dan dalam bentuk
linguistik, konsep tidak pasti seperti "sediki", "lumayan", dan "sangat". Logika ini
berhubungan dengan set fuzzy dan teori kemungkinan. Logika fuzzy diperkenalkan
oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley pada 1965 atas usulan
dalam papernya yang monumental "Fuzzy Set". Dalam paper tersebut dipaparkan
ide dasar fuzzy set yang meliputi inclusion, union, intersection, complement,
relation dan convexity. Lotfi Zadeh mengatakan Integrasi Logika Fuzzy kedalam
sistem informasi dan rekayasa proses adalah menghasikan aplikasi seperti sistem
kontrol, alat-alat rumah tangga, dan sistem pengambil keputusan yang lebih
fleksibel, mantap, dan canggih dibandingkan dengan sistem konvensional.

Dalam hal ini kami dapat mengatakan bahwa logika fuzzy memimpin
dalam pengembangan kecerdasan mesin vang lebih tinggi (Machine Intelligency
Quotient / MIQ). Produk-produk berikut telah menggunakan logika fuzzy dalam
alat-alat rumah tangga seperti mesin cuci, video dan kamera refleksi lensa tunggal,
pendingin ruangan, oven microwave, dan banyak sistem diagnosa mandiri. Logika
fuzzy telah diterapkan pada berbagi bidang, dari teori kontrol untuk kecerdasan
buatan. Logika fuzzy telah diteliti sejak tahun 1920-an, sebagai nilai yang tak
terbatas terutama logika oleh Lukasiewicz dan Tarski.

Jepang adalah negara pertama yang memanfaatkan logika fuzzy untuk

aplikasi praktis. Apikasi penting pertama adalah di kereta kecepatan tinggi di
Sendai, di mana logika fuzzy mampu meningkatkan ekonomi, kenyamanan, dan
ketepatan perjalanan. Hal ini juga telah digunakan dalam pengakuan simbol tertulis
di komputer mini sony; bantuan pesawat helikopter, mengendalikan sistem kereta
bawah tanah dalam rangka meningkatkan kenyamanan berkendara, ketepatan

3
 menghentikan, dan ekonomi kekuasaan; konsumsi hemat energi untuk ponsel
otomatis: kontrol tunggal tombol untuk mesin cuci; kontrol motor otomatis untuk
pembersih vakum dengan pengakuan kondisi permukaan dan tingkat kekotoran; dan
sistem prediksi untuk pengakuan awal dari gempa bumi melalui Institut Seismologi
Biro Metrologi Jepang

B. Derajat keanggotaan dan Variabel Linguistik

Logika fuzzy dan logika probabilitas secara matematis sama-keduanya

mempunyai nilai kebenaran yang berkisar antara 0 dan 1, namun secara konsep
berbeda. Logika fuzzy berbicara mengenai "derajat keanggotaan", sedangkan logika
probabilitas mengenai "probabilitas, kecenderungan". Karena kedua hal itu berbeda,
logika fuzzy dan logika probabilitas mempunyai contoh penerapan dalam dunia
nyata yang berbeda. Logika klasik hanya mengizinkan proposisi memiliki nilai
kebenaran atau kesalahan. Gagasan 1 + 1 = 2 adalah kebenaran mutlak, kekal dan
matematika. Namun, terdapat proposisi tertentu dengan jawaban variabel, seperti
meminta sebagian orang untuk mengidentifikasi warna. Gagasan kebenaran tidak
jatuh di tengah jalan, tapi lebih pada sarana yang mewakili dan penalaran lebih
pengetahuan parsial ketika diberikan, dengan menggabungkan semua hasil yang
mungkin menjadi spektrum dimensi.

Dua derajat kebenaran dan probabilitas berkisar antara 0 dan 1 dan

karenanya mungkin tampak serupa pada awalnya. Sebagai contoh satu segelas 100
ml mengandung 30 ml air. Kemudian dapat mempertimbangkan dua konsep :
kosong dan penuh. Arti dari masing-masing dapat direpresentasikan oleh himpunan
fuzzy tertentu. Maka salah satu mungkin mendefinisikan kaca sebagai 0.7 kosong
dan 0.3 penuh. Perhatikan bahwa konsep kekosongan akan subjektif dengan
demikian akan tergantung pada pengamat atau desainer. Desainer lain mungkin,
sama baiknya, merancang fungsi keanggotaan set di mana kaca akan dianggap penuh
untuk semua nilai 50 ml Sangat penting untuk menyadari bahwa logika fuzzy
menggunakan derajat kebenaran sebagai model matematika dari fenomen
ketidakjekisan, sementara probabilitas adalah model matematika dan ketidaktahuan

Sebuah dasar aplikasi mungkin memiliki berbagai ciri sub-rentang variabel

kontinu Misalnya, pengukuran suhu untuk rem anti-lock mungkin memiliki beberapa

4
fungsi keanggotaan terpisah, rentang suhu tertentu yang diperlukan untuk
mengendalikan rem benar. Setiap fungsi nilai suhu yang sama untuk nilai kebenaran
dalam jangkauan 0-1. Nilai kebenaran ini kemudian dapat digunakan untuk
menentukan bagaimana rem harus dikontrol.

Dalam gambar ini arti dari ekspresi dingin, hangat, dan panas yang diwakili oleh
fungsi pemetaan skala suhu. Sebuah titik pada skala yang memiliki tiga "nilai
kebenaran" - satu untuk masing-masing dari tiga fungsi. Garis vertikal pada gambar
mewakili suhu tertentu bahwa tiga anak panah (nilai kebenaran) gauge. Karena
panah merah poin ke nol, suhu ini dapat ditafsirkan sebagai "tidak panas". Panah
orange (menunjukkan 0.2) dapat menggambarkannya sebagai "sedikit hangit" dan
panah biru (menunjukkan 0.8) "cukup dingin". Dalam logika matematika, ada
beberapa sistem formal "fuzzy logic"; kebanyakan disebut t-norma logika fuzzy.

Variabel dalam matematika biasanya mengambil nilai-nilai numerik, dalam apikasi

logika fuzzy, non-numerik sering digunakan untuk memfasilitasi aturan dan fakta.

Sebuah variabel linguistik seperti usia mungkin memiliki nilai seperti muda atau tua.
Namun, kegunaan besar variabel linguistik bahwa dapat dimodifikasi dengan
membatasi linguistik yang diterapkan untuk hal utama. pembatas nilai linguistik
dapat dikaitkan dengan fungsi-fungsi tertentu. Untuk memperluas Fuzzy logic
dengan menambahkan kuantitas universal dan eksistensial dengan cara serupa yaitu
logika predikat dibuat dari logika proposisionl

Contoh :

1. Manajer pergudangan mengatakan pada manajer produksi seberapa banyak

persediaan barang pada akhir minggu ini kemudian manajer produksi akan
menetapkan jumlah barang yang harus diproduksi esok hari.

5
 2. Pelayan restoran memberikan pelayanan terhadap tamu, kemudian tamu akan
memberikan tip yang sesuai atas baik tidak nya pelayanan yang diberikan
3. Penumpang taksi berkata pada sopir seberapa cepat laju kendaraan yang
dinginkan, sopir taksi akan mengatur pijakan gas taksinya
4. Anda mengatakan pada saya seberapa sejuk ruangan yang anda inginkan, saya
akan mengatur putaran kipas yang ada pada ruangan ini

Di dalam teori himpunan fuzzy, keanggotaan suatu elemen di dalam himpunan

dinyatakan dengan derajat keanggotaan (membership values) yang nilainya terletak
di dalam selang [0, 1].

Derajat keanggotaan ditentukan dengan fungsi keanggotaan:

A : X  [0, 1]

Bandingkan fungsi keanggotaan pada teori himpunan tegas:

A : X  {0, 1} 

Arti derajat keanggotaan:

• jika A(x) = 1, maka x adalah anggota penuh dari himpunan A

• jika A(x) = 0, maka x bukan anggota himpunan A

• jika A(x) = , dengan 0 <  < 1, maka x adalah anggota himpunan A dengan
derajat keanggotaan sebesar .

C. Alasan digunakannya Fuzzy Logic

Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain:

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 nonlinear yang sangat
kompleks.
5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman para pakar
secara langsung tanpa harus melalui proses pelatihan.

6
 6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara
konvensional.
7. Logika fuzzy didasarkan pada bahasa alami.

Sementara itu, dalam pengaplikasiannya, logika fuzzy juga memiliki beberapa

kelebihan, antara lain sebagai berikut :

1. Daya gunanya dianggap lebih baik daripada teknik kendali yang pernah ada.
2. Pengendali fuzzy terkenal karena keandalannya.
3. Mudah diperbaiki
4. Pengendali fuzzy memberikan pengendalian yang sangat baik dibandingkan
teknik lain
5. Usaha dan dana yang dibutuhkan kecil

Selain itu, logika fuzzy juga memiliki kekurangan, terutama dalam penerapannya.
Kekurangan-kekurangan tersebut antara lain :

1. Para enjiner dan ilmuwan generasi sebelumnya dan sekarang banyak yang tidak
mengenal teori kendali fuzzy, meskipun secara teknik praktis mereka memiliki
pengalaman untuk menggunakan teknologi dan perkakas kontrol yang sudah
ada.
2. Belum banyak terdapat kursus/balai pendidikan dan buku-buku teks yang
menjangkau setiap tingkat pendidikan (undergraduate, postgraduate, dan on site
training)
3. Hingga kini belum ada pengetahuan sistematik yang baku dan seragam tentang
metodologi pemecahan problema kendali menggunakan pengendali fuzzy.
4. Belum adanya metode umum untuk mengembangkan dan implementasi
pengendali fuzzy.

D. Aplikasi fuzzy logic

Beberapa aplikasi Fuzzy Logic, antara lain:

1. Pada tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang
(Matsushita Electric Industrial Company). Sistem fuzzy digunakan untuk
menentukan putaran yang tepat secara otomatis berdasarkan jenis dan

7
 banyaknya kotoran serta jumlah yang akan dicuci. Input yang digunakan adalah
: seberapa kotor, jenis kotoran, dan banyaknya yang dicuci Mesin ini
menggunakan sensor optik, mengeluakan cahaya ke air dan mengukur
bagaimana cahaya tersebut sampai ke ujung lainnya. Makin kotor, maka sinar
yang sampai makin redup. Disamping itu sistem juga dapat menentukan jenis
kotoran (daki atau minyak).
2. Transmisi otomatis pada mobil. Mobil Nissan telah menggunakan sistem fuzzy
pada transmisi otomatis. dan mampu menghemat bensin 12-17%.
3. Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area
tertentu.
4. Ilmu kedokteran dan biologi seperti sistem diagnosis yang didasarkan pada
logika fuzzy, penelitian kanker, manipulasi peralatan prostetik yang didasarkan
pada logika fuzzy, dll.
5. Manajemen dan pengambilan keputusan, seperti manajemen basis data yang
didasarkan pada logika fuzzy, tata letak pabrik yang didasarkan pada logika
fuzzy, sistem pembuat keputusan di militer yang didasarkan pada logika fuzzy,
pembuatan games yang didasarkan pada logika fuzzy, dll
6. Ekonomi, seperti pemodelan fuzzy pada sistem pemasaran yang kompleks,dll
7. Klasifikasi dan pencocokan pola.
8. Psikologi, seperti logika fuzzy untuk menganalisis kelakuan masyarakat,
pencegahan dan investigasi kriminal, dll
9. Ilmu-ilmu sosial terutama untuk pemodelan informasi yang tidak pasti.
10. Ilmu lingkungan, seperti kendali kualitas air, prediksi cuaca, dll
11. Teknik, seperti perancangan jaringan komputer, prediksi adanya gempa bumi,
dll.
12. Riset operasi, seperti penjadwalan dan pemodelan, pengalokasian dll
13. Peningkatan kepercayaan, seperti kegagalan diagnosis, inspeksi dan monitoring
produksi
14. Sebagai alat bantu pengambil keputusan seperti proses pembuatan program
fuzzy logic dalam bahasa pemrograman Java yang diaplikaskan untuk
menentukan Jumlah Produk yang dihasilkan berdasarkan kondisi Suhu,
Kebisingan dan Pencahayaan

8
E. Perbedaan Fuzzy Logic (logika Fuzzy) dengan Crisp Logic (Logika Tegas)

logika tegas memiki nilai tidak = 0.0 dan ya = 1.0, sedangkan logika fuzzy memiliki
nilai antara 0.0 hingg 1.0. Secara grafik perbedaan antara logika tegas dan logika
fuzzy ditunjukkan oleh gambar di bawah ini :

Didalam Ganbar 1 Crisp Logic, apabila X lebih dari atau sama dengan 10 baru
dikatakan benar yaitu bernilai Y = 1 , sebaliknya nilai X yang kurang dari 10 adalah
salah yaitu Y = 0, maka angka 9 atau 8 atau 7 dan seterusnya adalah dikatakan salah.

Didalam Gambar 2 Fuzzy Logic, apabila nilai X = 9, atau 8 atau 7 atau antara nilai 0
dan 10 adalah dikatakan ada benarnya dan ada juga salahnya.

F. Atribut dari Himpunan Fuzzy Logic

Lingustik: yaitu nama suatu kelompok yang mewakili suatu keadaan tertentu dengan
menggunakan bahasa alami, misalnya DINGIN. SEJUK, PANAS, dsb

Numerik : yatu suatu nilai yang menunjukkan ukuran dari suatu variabel, misalıya
10, 35, 40 dsb.

Contoh:

a. Variabel umur, terbagi menjadi 3 himpunan fuzzy. yaiu: MUDA, PAROBAYA,

dan TUA.

9
b. Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu DINGIN, SEJUK,
NORMAL HANGAT, dan PANAS

Dalam fuzzy logic variabel yang bersifat kabur tersebut direpresentasikan sebagai
sebuah himpunan yang anggotanya adalah suatu nilai crisp dan derajat
keanggotaannya (membership function) dalam himpunan tersebut

Proses-proses dalam fuzzy logic adalah fuzzifikasi, penalaran (reasoning), dan

defuzzifikasi.

Fuzzifikasi : merupakan proses untuk mendapatkan derajat keanggotaan dari sebuah

nilai numerik masukan (crisp)

Penalaran proses untuk mendapatkan aksi keluaran dari suatu kondisi input dengan
mengkuti aturan-aturan (IF-THEN Rules) yang telah ditetapkan yang disebut
sebagai inference/reasoning.

Defuzzifikasi : proses untuk merubah hasil penalaran yang berupa derajat

keanggotan keluaran menjadi variabel numerik kembali

Blok diagram proses fuzzy logic ditunjukkan pada Gambar 4

10
Himpunan fuzzy adalah pengelompokan sesuatu berdasarkan variabel bahasa
(linguistik variable), yang dinyatakan dengan fungsi keanggotaan, dalam semesta U.
Keanggotaan suatu nilai pada himpunan dinyatakan dengan derajat keanggotaan
yang nilainya antara 0.0 sampai 1.0 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 tidak hanya bernilai benar atau salah. Nilai 0 menunjukkan salah,
nilai 1 menunjukkan benar, dan masih ada nilai-nilai yang terletak antara benar dan
salah Pada hinpunan fuzzy, sebuah objek dapat berada pada sebuah himpunan secara
parsial. Derajat keanggotaan dalam himpunan fuzzy diukur dengan fungsi yang
merupakan generalisasi dari fungsi karakteristik yang disebut fungsi keanggotaan
atau fungsi kompatibilitas. Fungsi keanggotaan dari himpunan fuzzy Ṹ didefiniskan
sebagai Ṹ : x → [0,1].

Contoh, Jika diketahui :

S = [1, 2, 3, 4, 5, 6] adalah semesta pembicaraan

A = [1, 2, 3], B = [3, 4, 5]

Maka dapat dikatakan :

 Nlai keanggotaan 2 pada himpuran A, μA[2] = 1, karena 2 ϵ A.

 Nilai keanggotaan 3 pada himpuran A, μA[3] = 1, karena 3 ϵ A.

 Nlai keanggotaan 4 pada himpuan A, μA[4] = 0, karena 4  A
 Nilai keanggotaan 2 pada hinpunan B, μB[2] = 0, karen 2  B.
 Nlai keanggotaan 3 pada himpuran B, μB[3] = 1, karena 3  B.

Hal - hal yang terdapat pada sistem fuzzy :

a. Variabel Fuzzy, merupakan variabel yang hendak dibahas dakm suatu sistem
fuzzy, seperti umur, temperatur, dsb
b. Himpunan Fuzzy, merupakan suatu grup yang mewakili suatu kondisi atau
keadaan tertentu dalam suatu variabel fuzzy.
c. Semesta Pembicaraan, adalah keseluruhun nilai yang diperbolehkan untuk
dioperasikan dalam suatu variabel fuzzy. Contoh :

1) Semesta pembicaraan untuk variabel umur : [0 , ]

11
 2) Semesta pembicaraan untuk variabel temperatur: [0 , 40]
d. Domain, adalah keseluruhan nilai yang diijinkan dalam semesta penbicaraan
dan boleh dioperasikan dalam suatu himpunan fuzzy. Contoh domain himpunan

fuzzy: MUDA = [0 , 45], TUA = [45 , ), DINGIN = [0 , 20], SEJUK = [15 ,

25], NORMAL = [20 , 30], HANGAT = [25 , 35], PANAS = [30 , 40]

G. Contoh Sistem Fuzzy Logic

Cara Menuliskan Himpunan Fuzzy

Sebagai Himpunan Pasangan Berurutan

  A = { (x1, A(x1)), (x2, A(x2)), …, (xn, A(xn)) }

Contoh :

Misalkan

  X = { becak, sepeda motor, mobil kodok(VW), mobil kijang, mobil carry }

A = himpunan kendaraan yang nyaman dipakai untuk bepergian jarak jauh

oleh keluarga besar (terdiri dari ayah, ibu, dan empat orang anak)

Didefinisikan bahwa,

x1 = becak, A(x1) = 0;

x2 = sepeda motor, A(x2) = 0.1

x3 = mobil kodok, A(x3) = 0.5;

x4 = mobil kijang, A(x4) = 1.0

x5 = mobil carry, A(x5) = 0.8;

maka, dalam himpunan fuzzy,

  A = { (becak, 0), (sepeda motor, 0.1), (mobil kodok, 0.5),

(mobil kijang, 0.5), (mobil carry, 0.8) }

12
 BAB III

PENUTUP

A. Kesimpulan

1. Logika fuzzy adalah logika yang mengandung unsur ketidakpastian

2. Keanggotaan dalam himpunan fuzzy dinyatakan dengan derajat keanggotaan.
Suatu nilai dapat menjadi anggota dua himpunan sekaligus dengan derajat yang
berbeda.
3. Kendali logika fuzzy dilakukan dengan proses fuzzyfikasi penalaran sesuai
dengan aturan, dan defuzzyfikasi
4. Sistem kendali logika fuzzy cukup praktis diaplikasikan dalam berbagai bidang
5. Program fuzzy yang telah diimplementasikan dalam bahasa pemrograman Java
dapat digunakan sebagai alat bantu untuk menentukan jumlah produk yang
dihasilkan berdasarkan kondisi Suhu, Kebisingan dan Pencahayaan tertentu

B. Saran

Dalam penulisan makalah ini kami meyadari bahwa masih banyak kekeliruan
dan kesalahan dalam hal penulisan dan penyusunannya masih jauh dari
kesempurnaan. Oleh karena itu, kami menantikan saran dan kritikan yang sifatnya
membangun untuk pembuatan makalah selanjutnya. Dan kami juga mengharapkan
mudah-mudahan makalah ini bermanfaat.

13
 DAFTAR PUSTAKA

1. Zimmermann. 1996. Fuzzy Set Theory and Its Applications. Kluwer Academic
Publisher,
2. Klir, G.J. & Yuan, B. 2001. Fuzzy Sets and Fuzzy Logic. Theory and Applications.
Prentice-Hall.
3. Timothy J. Ross. 2004. Fuzzy Logic with Engineering Aplications. John Wiley and
Sons.

14