TUGAS

PENGENALAN POLA
Resume Algoritma Fuzzy

PARALEL B
OLEH :
NAMA [ NPM ]

PROGRAM STUDI INFORMATIKA

FAKULTAS ILMU KOMPUTER
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
JAWA TIMUR
2021
 Algoritma Fuzzy

1. Penjelasan Umum
Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam
suatu ruang output dan mempunyai nilai kontinu. Fuzzy dinyatakan dalam derajat
keanggotaan dan derajat kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar
dan sebagian salah pada waktu yang sama.

2. Konsep Dasar
 Logika fuzzy bukanlah logika yang tidak jelas (kabur), tetapi logika yang digunakan
untuk menggambarkan ketidakjelasan.
 Logika fuzzy adalah teori himpunan fuzzy. Himpunan yang mengkalibrasi
ketidakjelasan.
 Logika fuzzy didasarkan pada gagasan bahwa segala sesuatu mempunyai nilai
derajat.
 Logika fuzzy merupakan peningkatan dari logika Boolean yang mengenalkan konsep
kebenaran sebagian.
 Logika klasik (Crisp Logic) menyatakan bahwa segala hal dapat diekspresikan dalam
istilah binary (0 atau 1, hitam atau putih, ya atau tidak) Tidak ada nilai diantaranya 2.
Logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran Ada nilai
diantara hitam dan putih (abu-abu).

3. Metodologi Desain Sistem Fuzzy

a. Mendefinisikan karakteristik model secara fungsional dan operasional.
Pada bagian ini perlu diperhatikan karakteristik apa saja yang dimiliki oleh sistem yang
ada, kemudian dirumuskan karakteristik operasi-operasi yang akan digunakan pada model
fuzzy.
b. Melakukan dekomposisi variabel model menjadi himpunan fuzzy.
Dari variabel-variabel yang telah dirumuskan, dibentuk himpunan-himpunan fuzzy yang
berkaitan tanpa mengesampingkan domainnya.
c. Membuat aturan fuzzy
Aturan pada fuzzy menunjukkan bagaimana suatu sistem beroperasi.
d. Menentukan metode defuzzy untuk tiap-tiap variabel solusi.
Pada tahap defuzzy akan dipilih suatu nilai dari suatu variabel solusi yang merupakan
konsekuen dari daerah fuzzy. Metode yang paling sering digunakan adalah metode centroid,
metode ini memiliki konsistensi yang tinggi, memiliki tinggi dan lebar total daerah fuzzy yang
sensitif. Dan untuk menyajikannya dengan menentukan “derajat keanggotaan” (membership
function) dari masing-masing variabelnya.

4. Contoh Masalah yang Mengandung Ketidakpastian

Kecepatan “pelan” didefinisikan di bawah 20 km/jam. Bagaimana dengan kecepatan 20,001
km/jam, apakah masih dapat dikatakan pelan? Manusia mungkin mengatakan bahwa
kecepatan 20,001 km/jam itu “agak pelan”. Ketidapastian dalam kasus –kasus ini disebabkan
oleh kaburnya pengertian “agak”, “kurang lebih”, “sedikit”, dan sebagainya.
5. Contoh Kasus
Diasumsikan ada 4 data skor yang sudah diketahui datanya Maka tentukan apakah skor
tersebut termasuk dalam golongan lulus atau tidak. Contoh inputan:

Penyelesaian :
1. Memasukkan data yang digunakan.
2. Menentukan kriterian penilaian.
3. Mengkonversi skor menjadi penilaian (Mengelompokkan skor inputan ke golongan
rendah/sedang/tinggi).
4. Menentukan rule base system untuk menentukan skor fuzzy.
5. Menentukan nilai diagram, untuk skor nilai lulus dan tidak lulus.
6. Menentukan nilai alpha predikat.
7. Menentukan nilai Z yang mana nilai z adalah konversi nilai fuzzy output sesuai
dengan table rule system yang telah dihitung sebelumnya
8. Menghitung skor akhir yang mana skor akhir = (nilai alpha predikat * nilai Z) / jumlah
(nilai alpha predikat).

6. Studi Kasus Paper “Deteksi Kebocoran gas LPG menggunakan Detektor Arduino dengan
ALgoritma Fuzzy Logic Mamdani”

7. Struktur Fuzzy :
1. Fuzzification = Memetakan variable input dalam nilai fuzzy. Contoh : kondisi suhu pada
api terbagi menjadi 3 bagian yaitu dingin, hangat, dan panas.
2. Inference Mechanism = Pendekatan reasoning dan deduksi aksi control (rules). Contoh :
Jika tekanan Gas < 300 atau suhu api < 25 maka terdeteksi aman.
3. Deffuzzifucation = Konversi nilai fuzzy output ke aksi control. Contoh : Gas =27.5 = 1 max
(0.25,1) = 1 (terdeteksi api)