FUZZY INFERENCE SYSTEM

(FIS)

Oleh:
Dr.Yuli Wibowo, STP., MSi.

Program Studi Teknologi Industri Pertanian

Fakultas Teknologi Pertanian
Universitas Jember
FUZZY INFERENCE SYSTEM (FIS)

Model Fuzzy Tsukamoto

Model Fuzzy Mamdani

Model Fuzzy Sugeno

 Model Fuzzy Mamdani
 Metode Mamdani sering juga dikenal dengan
nama Metode Min-Max.
 Menggunakan MIN pada fungsi implikasi, dan
MAX pada komposisi antar fungsi implikasi.
 Diperkenalkan oleh Ebrahim Mamdani pada
tahun 1975.
Tahapan Metode Mamdani
 Pembentukan variabel-variabel dan himpunan fuzzy.
 Menentukan derajat keanggotaan variabel input (fuzzifikasi).
 Pembentukan basis pengetahuan Fuzzy (Rule dalam bentuk
IF….THEN)
 Operasi logika fuzzy, perlu dilakukan jika bagian antecedent lebih dari
satu pernyataan
 Aplikasi fungsi implikasi: Proses mendapatkan keluaran dari IF-
THEN rule
 Agregasi: yaitu proses mengkombinasikan keluaran semua aturan if
- then menjadi sebuah kumpulan fuzzy tunggal.
 Defuzzifikasi: input dari proses ini adalah suatu himpunan fuzzy
yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan outputnya
adalah bilangan pada domain himpunan fuzzy tersebut.
Fungsi Implikasi
 Bentuk umum:
IF (x1 is A1)  (x2 is A2)  ......  (xN is AN)
THEN y is B
dengan  adalah operator (misal: OR atau AND), x1, x2, …,
xN adalah variabel-variabel input, y adalah variabel output,
A1, A2, …, AN, B, adalah himpunan-himpunan fuzzy.
 Ada 2 fungsi implikasi:
1. Min (minimum)
2. Dot (product)
 1. MIN (Minimum)
 Fungsi ini akan memotong output himpunan fuzzy

Aplikasi Aplikasi fungsi

Operator AND implikasi Min

NAIK SEDANG NORMAL

IF Biaya Produksi NAIK AND Persediaan SEDANG THEN Produksi Barang NORMAL
 2. DOT (Product)
 Fungsi ini akan menskala output himpunan fuzzy

Aplikasi Aplikasi fungsi implikasi

Operator AND Dot (Product)

NAIK SEDANG NORMAL

IF Biaya Produksi NAIK AND Persediaan SEDANG THEN Produksi Barang NORMAL
Metode Komposisi (Agregasi)
Metode MAX (Maximum)
 Solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum
aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan
mengaplikasikannya ke output dengan menggunakan operator OR (union).
 Secara umum dapat dituliskan:
msf[xi]  max(msf[xi], mkf[xi])
dengan:
msf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
mkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i;

 Apabila digunakan fungsi implikasi MIN, maka metode komposisi ini sering
disebut dengan nama MAX-MIN atau MIN-MAX atau MAMDANI.
Contoh

Misalkan ada 3 aturan (proposisi) sebagai berikut:

[R1] IF Biaya Produksi RENDAH And Permintaan NAIK

THEN Produksi Barang BERTAMBAH;
[R2] IF Biaya Produksi STANDAR
THEN Produksi Barang NORMAL;
[R3] IF Biaya Produksi TINGGI And Permintaan TURUN
THEN Produksi Barang BERKURANG;
 2. Aplikasi op. fuzzy 3. Aplikasi metode implikasi (min)
1. Input fuzzy
(and = min)
rendah naik bertambah

IF biaya produksi RENDAH AND permintaan NAIK THEN produksi barang BERTAMBAH

standar normal

Tak ada input

IF biaya produksi STANDAR THEN produksi barang NORMAL

tinggi turun berkurang

IF biaya produksi TINGGI AND permintaan TURUN THEN produksi barang

BERKURANG 4. Aplikasi metode
komposisi (max)
Metode Komposisi (Agregasi)
Metode Additive
 Solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum
terhadap semua output daerah fuzzy.
 Secara umum dituliskan:

msf[xi]  min(1,msf[xi]+ mkf[xi])

dengan:
msf[xi] = nilai keanggotaan solusi fuzzy sampai
aturan ke-i;
mkf[xi] = nilai keanggotaan konsekuen fuzzy
aturan ke-i
Metode Komposisi (Agregasi)
Metode PROBABILISTIK OR (PROBOR)
 Solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap
semua output daerah fuzzy.
 Secara umum dituliskan:

msf[xi]  (msf[xi]+ mkf[xi]) - (msf[xi] * mkf[xi])

dengan:
msf[xi] = nilai keanggotaan solusi fuzzy sampai
aturan ke-i;
mkf[xi] = nilai keanggotaan konsekuen fuzzy
aturan ke-i;
Penegasan (Defuzzifikasi)
 Input dari proses defuzzifikasi adalah suatu himpunan fuzzy
yang diperoleh dari komposisi aturan-aturan fuzzy.
 Sedangkan output yang dihasilkan merupakan suatu bilangan
pada domain himpunan fuzzy tersebut.
 Jika diberikan suatu himpunan fuzzy dalam range tertentu,
maka harus dapat diambil suatu nilai crisp tertentu sebagai
output
1. Metode CENTROID
• Disebut pula metode Composite Moment,
Center of Gravity (CoG)
• Solusi crisp diperoleh dengan cara
mengambil titik pusat gravitasi atau titik
berat (z*) daerah fuzzy (agregasi).

n

 zm
n
 z i * m C (z i ) C ( z )dz
z  i0
1
z  n
n
 m C (z i )
i 0
m
1
C ( z )dz
2. Metode BISEKTOR
Solusi crisp diperoleh dengan cara mengambil nilai pada
domain fuzzy yang memiliki nilai keanggotaan separo dari
jumlah total nilai keanggotaan pada daerah fuzzy.

p n

z p sdh 
1
m C (z)dz   m C
p
(z)dz
3. Metode MEAN OF MAXIMUM (MOM)
Solusi crisp diperoleh dengan cara mengambil nilai rata-rata domain
yang memiliki nilai keanggotaan maksimum.

z = mean{zi | mC(zi) = maksimum mC}

Nilai MOM= (5000+3000)/2 = 4000

4. Metode SMALLEST OF MAXIMUM
(SOM)
Solusi crisp diperoleh dengan cara mengambil nilai terkecil dari domain
yang memiliki nilai keanggotaan maksimum.

z = min{abs(zi) | mC(zi) = maksimum mC}

Nilai SOM= 3000

5. Metode LARGEST OF MAXIMUM
(LOM)
Solusi crisp diperoleh dengan cara mengambil nilai terbesar dari
domain yang memiliki nilai keanggotaan maksimum.

z = max{abs(zi) | mC(zi) = maksimum mC}

Nilai LOM= 5000

Contoh Kasus
 Sebuah perusahaan makanan kaleng akan memproduksi makanan
jenis ABC. Permintaan tertinggi pernah mencapai 5000
kemasan/hari, dan permintaan terkecil 1000 kemasan/hari.
Persediaan barang di gudang terbanyak mencapai 600 kemasan,
dan terkecil pernah mencapai 100 kemasan/hari. Saat ini
perusahaan baru mampu produksi barang maksimum 7000
kemasan/hari, untuk efisiensi mesin dan SDM tiap hari diharapkan
perusahaan memproduksi paling tidak 2000 kemasan.
 Berapa kemasan makanan jenis ABC yang harus diproduksi jika
jumlah permintaan sebanyak 4000 kemasan dan persediaan di
gudang masih 300 kemasan.
Rules
[R1] If Permintaan TURUN And Persediaan BANYAK Then
Produksi Barang BERKURANG
[R2] If Permintaan TURUN And Persediaan SEDIKIT Then
Produksi Barang BERKURANG
[R3] If Permintaan NAIK And Persediaan BANYAK Then Produksi
Barang BERTAMBAH
[R4] If Permintaan NAIK And Persediaan SEDIKIT Then Produksi
Barang BERTAMBAH
Fuzzifikasi
 Fuzzifikasi adalah proses memetakan nilai crisp (numerik) ke
dalam himpunan fuzzy dan menentukan derajat
keanggotaannya di dalam himpunan fuzzy.
 Hal ini dilakukan karena data diproses berdasarkan teori
himpunan fuzzy sehingga data yang bukan dalam bentuk fuzzy
harus diubah ke dalam bentuk fuzzy.
 Variabel Permintaan
µ(x)
TURUN NAIK
1

0,75

0,25

0 1000 4000 5000

Permintaan
(Kemasan/Hari)

1; x ≤ 1000
μPmtTURUN(x)= (5000-x)/4000; 1000 ≤ x ≤ 5000 μPmtTURUN(4000)=(5000-4000)/4000
0; x ≥ 5000 = 0,25

0; x ≤ 1000
(x-1000)/4000; 1000 ≤ x ≤ 5000 μPmtNAIK(4000)=(4000-1000)/4000
μPmtNAIK(x)=
1; x ≥ 5000 = 0,75
 Variabel Persediaan
µ(y)
SEDIKIT BANYAK
1

0,6

0,4

0 100 300 600

Persediaan
(Kemasan/Hari)

1; y ≤ 100
μPsdSEDIKIT(y)= (600-y)/500; 100 ≤ y ≤ 600 μPsdSEDIKIT(300) =(600-300)/500
0; y ≥ 600 = 0,6

0; y ≤ 100
μPsdBANYAK(300)=(300-100)/500
μPsdBANYAK(y)= (y-100)/500; 100 ≤ y ≤ 600
1; y ≥ 600 = 0,4
 Variabel Produksi Barang
µ(z)
BERKURANG BERTAMBAH
1

0 2000 7000
Produksi Barang
(Kemasan/Hari)

1; z ≤ 2000
μPrBrgBERKURANG(z)= (7000-z)/5000; 2000 ≤ z ≤ 7000
0; z ≥ 7000

0; z ≤ 2000
μPrBrgBERTAMBAH(z)= (z-2000)/5000; 2000 ≤ z ≤ 7000
1; z ≥ 7000
Operasi Logika Fuzzy
[R1] If Permintaan TURUN And Persediaan BANYAK Then Produksi Barang
BERKURANG
α-predikat1 = μPmtTURUN∩PsdBANYAK
= min(μPmtTURUN(4000), μPSdBANYAK(300)
= min(0,25;0,4)
= 0,25
[R2] If Permintaan TURUN And Persediaan SEDIKIT Then Produksi Barang
BERKURANG
α-predikat2 = μPmtTURUN∩PsdSEDIKIT
= min(μPmtTURUN(4000), μPsdSEDIKIT(300)
= min(0,25;0,6)
= 0,25
[R3] If Permintaan NAIK And Persediaan BANYAK Then Produksi Barang
BERTAMBAH
α-predikat3 = μPmtNAIK∩PsdBANYAK
= min(μPmtNAIK(4000), μPSdBANYAK(300)
= min(0,75;0,4)
= 0,4
[R4] If Permintaan NAIK And Persediaan SEDIKIT Then Produksi Barang
BERTAMBAH
α-predikat4 = μPmtNAIK ∩ PsdSEDIKIT
= min(μPmtTURUN(4000), μPsdSEDIKIT(300)
= min(0,75;0,6)
= 0,6
Agregasi
Komposisi Antar Aturan
Dari hasil fungsi aplikasi dari tiap aturan, digunakan metode MAX
untuk melakukan komposisi antar semua aturan

μPrBrgBERTAMBAH(z) untuk 2000 ≤ z ≤ 7000

(a1 – 2000) / 5000 = 0,25  a1 = 3250

(a2 – 2000) / 5000 = 0,60  a2 = 5000
Defuzzifikasi
Fuzzifikasi
 Model Fuzzy Sugeno
 Penalaran dengan metode SUGENO hampir sama dengan
penalaran MAMDANI, hanya saja output (konsekuen) sistem tidak
berupa himpunan fuzzy, melainkan berupa konstanta atau
persamaan linear.
 Metode ini diperkenalkan oleh Takagi-Sugeno Kang (TSK) pada
tahun 1985.
 Pada metode Sugeno, fuzzifikasi, operasi fuzzy, dan implikasi sama
seperti metode Mamdani, perbedaannya hanya pada agregasi dan
defuzzifikasi.
 Jika pada metode Mamdani agregasi berupa daerah di bawah
kurva, maka pada metode Sugeno agregasi berupa singleton-
singleton.
 Model Fuzzy Sugeno Orde-Nol
Secara umum bentuk model fuzzy SUGENO Orde-Nol adalah:

IF (x1 is A1)  (x2 is A2)  ......  (xN is AN)

THEN z=k

dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah

suatu konstanta (tegas) sebagai konsekuen.
 Model Fuzzy Sugeno Orde-Satu
Secara umum bentuk model fuzzy SUGENO Orde-Satu adalah:

IF (x1 is A1)  ......  (xN is AN)

THEN z = p1*x1 + … + pN*xN + q

dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi

adalah suatu konstanta (tegas) ke-i dan q juga merupakan konstanta
dalam konsekuen.
Contoh Kasus
 Sebuah perusahaan makanan kaleng akan memproduksi makanan
jenis ABC. Permintaan tertinggi pernah mencapai 5000
kemasan/hari, dan permintaan terkecil 1000 kemasan/hari.
Persediaan barang di gudang terbanyak mencapai 600 kemasan,
dan terkecil pernah mencapai 100 kemasan/hari. Saat ini
perusahaan baru mampu produksi barang maksimum 7000
kemasan/hari, untuk efisiensi mesin dan SDM tiap hari diharapkan
perusahaan memproduksi paling tidak 2000 kemasan.
 Berapa kemasan makanan jenis ABC yang harus diproduksi jika
jumlah permintaan sebanyak 4000 kemasan dan persediaan di
gudang masih 300 kemasan.
Rules
[R1] If Permintaan TURUN And Persediaan BANYAK Then
Produksi Barang = Permintaan – Persediaan
[R2] If Permintaan TURUN And Persediaan SEDIKIT Then
Produksi Barang = Permintaan
[R3] If Permintaan NAIK And Persediaan BANYAK Then Produksi
Barang = Permintaan
[R4] If Permintaan NAIK And Persediaan SEDIKIT Then Produksi
Barang = 1,25 * Permintaan – Persediaan
Catatan:
Aturan yang digunakan sedikit dimodifikasi, yaitu dengan asumsi bahwa jumlah permintaan
selalu lebih tinggi dibandingkan dengan jumlah persediaan
 Variabel Permintaan
µ(x)
TURUN NAIK
1

0,75

0,25

0 1000 4000 5000

Permintaan
(Kemasan/Hari)

1; x ≤ 1000
μPmtTURUN(x)= (5000-x)/4000; 1000 ≤ x ≤ 5000 μPmtTURUN(4000)=(5000-4000)/4000
0; x ≥ 5000 = 0,25

0; x ≤ 1000
(x-1000)/4000; 1000 ≤ x ≤ 5000 μPmtNAIK(4000)=(4000-1000)/4000
μPmtNAIK(x)=
1; x ≥ 5000 = 0,75
 Variabel Persediaan
µ(y)
SEDIKIT BANYAK
1

0,6

0,4

0 100 300 600

Persediaan
(Kemasan/Hari)

1; y ≤ 100
μPsdSEDIKIT(y)= (600-y)/500; 100 ≤ y ≤ 600 μPsdSEDIKIT(300) =(600-300)/500
0; y ≥ 600 = 0,6

0; y ≤ 100
μPsdBANYAK(300)=(300-100)/500
μPsdBANYAK(y)= (y-100)/500; 100 ≤ y ≤ 600
1; y ≥ 600 = 0,4
 Variabel Produksi Barang
µ(z)
BERKURANG BERTAMBAH
1

0 2000 7000
Produksi Barang
(Kemasan/Hari)

1; z ≤ 2000
μPrBrgBERKURANG(z)= (7000-z)/5000; 2000 ≤ z ≤ 7000
0; z ≥ 7000

0; z ≤ 2000
μPrBrgBERTAMBAH(z)= (z-2000)/5000; 2000 ≤ z ≤ 7000
1; z ≥ 7000
[R1] If Permintaan TURUN And Persediaan BANYAK Then Produksi Barang =
Permintaan – Persediaan
α-predikat1 = μPmtTURUN∩PsdBANYAK
= min(μPmtTURUN(4000), μPSdBANYAK(300)
= min(0,25;0,4)
= 0,25
z1=4000 – 300 = 3700;

[R2] If Permintaan TURUN And Persediaan SEDIKIT Then Produksi Barang =

Permintaan
α-predikat2 = μPmtTURUN∩PsdSEDIKIT
= min(μPmtTURUN(4000), μPsdSEDIKIT(300)
= min(0,25;0,6)
= 0,25
z2=4000;
[R3] If Permintaan NAIK And Persediaan BANYAK Then Produksi Barang =
Permintaan
α-predikat3 = μPmtNAIK∩PsdBANYAK
= min(μPmtNAIK(4000), μPSdBANYAK(300)
= min(0,75;0,4)
= 0,4
z3=4000;

[R4] If Permintaan NAIK And Persediaan SEDIKIT Then Produksi Barang =

1,25*Permintaan – Persediaan
α-predikat4 = μPmtNAIK ∩ PsdSEDIKIT
= min(μPmtNAIK(4000), μPsdSEDIKIT(300)
= min(0,75;0,6)
= 0,6
z4=1,25*4000 – 300 = 4700;
 Kesimpulan
αpred1 * z1 + αpred2 * z2 + αpred3 * z3 + αpred4 * z4
z=
αpred1 + αpred2 + αpred3 + αpred4

0,25 * 3700 + 0,25 * 4000 + 0,4 * 4000 + 0,6 * 4700

z=
0,25 + 0,25 + 0,4 + 0,6

6345
z=
1, 5

z= 4230

Jumlah produk yang harus diproduksi perusahaan sebanyak 4230 unit