HIMPUNAN FUZZY DAN

LOGIKA FUZZY

<Artificial intelligence>
Buku referensi:
• George J Klir and Bo Yuan, Fuzzy Sets and
Fuzzy Logic, Theory and Application,
Prentice Hall, 1995.
• Timothy J. Ross, Fuzzy Logic with
Engineering Application, Mc Graw-Hill, 1995
• Sri Kusumadewi, Hari Purnomo, Aplikasi
Logika Fuzzy untuk Pendukung Keputusan,
Graha Ilmu
2
 Pendahuluan
• Logika fuzzy pertama kali
dikembangkan oleh Lotfi A. Zadeh
melalui tulisannya pada tahun
1965 tentang teori himpunan
fuzzy.

• Lotfi Asker Zadeh adalah seorang

ilmuwan Amerika Serikat
berkebangsaan Iran dari
Universitas California di Barkeley,

3
 Himpunan Fuzzy
• Pada himpunan tegas (crisp set), nilai keanggotaan suatu item x dalam suatu
himpunan A (ditulis µA[x]) memiliki 2 kemungkinan :
– Satu (1), artinya x adalah anggota A
– Nol (0), artinya x bukan anggota A

• Contoh 1 :
Jika diketahui :
S={1,2,3,4,5,6} adalah semesta pembicaraan
A={1,2,3}
B={3,4,5}

maka :
– Nilai keanggotaan 2 pada A, µA[2] = 1, karena 2ÎA
– Nilai keanggotaan 4 pada A, µA[4] = 0, karena 4 ÏA
– Nilai keanggotaan 2 pada B ????????
– Nilai keanggotaan 5 pada B ????????
• Variabel Fuzzy
Variabel dalam suatu sistem fuzzy. Contoh : berat badan, tinggi badan, suhu dsb

• Himpunan Fuzzy (Fuzzy set)

Himpunan fuzzy yang mewakili suatu kondisi pada suatu variabel fuzzy.
Contoh: Variabel suhu terbagi menjadi 3 himpunan fuzzy, yaitu : panas, hangat, dingin.

• Himpunan fuzzy memiliki 2 atribut, yaitu :

o Linguistik, yaitu penamaan suatu group yang mewakili suatu kondisi, misalnya
panas, hangat, dingin
o Numeris, yaitu ukuran dari suatu variabel seperti : 17,19, 21, 33, dst

• Himpunan Semesta
keseluruhan nilai yang boleh dioperasikan dalam suatu variabel fuzzy.
Contoh:
o Semesta untuk variabel berat badan : [1, 150]
o Semesta untuk variabel suhu : [0,100].

• Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam Semesta dan boleh
dioperasikan dalam suatu himpunan fuzzy. Contoh :
DINGIN = [0,60]
HANGAT = [50,80]
PANAS = [80, +¥)
5
 Himpunan Fuzzy
• Logika fuzzy dikembangkan dari teori himpunan fuzzy.
• Himpunan klasik yang sudah dipelajari selama ini disebut
himpunan tegas (crisp set).
• Di dalam himpunan tegas, keanggotaan suatu unsur di
dalam himpunan dinyatakan secara tegas, apakah objek
tersebut anggota himpunan atau bukan.
• Untuk sembarang himpunan A, sebuah unsur x adalah
anggota himpunan apabila x terdapat atau terdefinisi di
dalam A.
• Contoh: A = {0, 4, 7, 8, 11}, maka 7 ϵ A, tetapi 5 ϵ A.
 Contoh lain
• misal variabel umur dibagi menjadi 3 kategori, yaitu :
– MUDA umur < 35 tahun
– PAROBAYA 35 ≤ umur ≤ 55 tahun
– TUA umur > 55 tahun
– Nilai keanggotaan secara grafis, himpunan MUDA,
PAROBAYA, TUA :
 – usia 34 tahun maka dikatakan MUDA, µMUDA[34] = 1
– usia 35 tahun maka dikatakan TIDAKMUDA, µMUDA[35] = 0
– usia 35 tahun maka dikatakan PAROBAYA, µPAROBAYA[35] = 1
– usia 34 tahun maka dikatakan TIDAKPAROBAYA, µPAROBAYA[34] = 0
– usia 35 tahun kurang 1 hari maka dikatakan TIDAKPAROBAYA,
µPAROBAYA[35 th – 1 hari] = 0
– usia 35 tahun lebih 1 hari maka dikatakan TIDAKMUDA, µMUDA[35 th +
1 hari] = 0

• Himpunan crisp untuk menyatakan umur bisa tidak adil karena

adanya perubahan kecil saja pada suatu nilai mengakibatkan
perbedaan kategori yang cukup signifikan.
 HIMPUNAN FUZZY
• Himpunan fuzzy digunakan untuk mengantisipasi hal
tersebut diatas.
• Seseorang dapat masuk dalam 2 himpunan yang
berbeda, MUDA dan PAROBAYA, PAROBAYA dan
TUA, dsb.
• Seberapa besar eksistensinya dalam himpunan
tersebut dapat dilihat pada nilai/derajat
keanggotaannya.
usia 40 tahun termasuk dalam himpunan MUDA dengan µMUDA[40] = 0,25
termasuk juga dalam himpunan PAROBAYA dengan µ PAROBAYA [40] = 0,5
usia 50 tahun termasuk dalam himpunan TUA dengan µTUA[50] = 0,25
termasuk juga dalam himpunan PAROBAYA dengan µ PAROBAYA [50] = 0,5
• Himpunan crisp, nilai keanggotaan hanya
0 dan 1.
• Himpunan fuzzy, derajat/nilai keanggotaan
terletak pada rentang 0 sampai 1 sehingga
:
– Bila x memiliki derajat keanggotaan fuzzy µ A
[x] = 0 x bukan anggota himpunan A
– Bila x memiliki derajat keanggotaan fuzzy µ A
[x] = 1 x anggota penuh himpunan A
 FUNGSI KEANGGOTAAN (Membership
function)

• suatu kurva yang menunjukkan pemetaan

titik-titik input data ke dalam nilai/derajat
keanggotaannya yang memiliki interval
antara 0 sampai 1.
• Contoh grafik diatas adalah suatu fungsi
keanggotaan untuk variabel UMUR yang
dibagi menjadi 3 kategori atau 3 himpunan
fuzzy yaitu MUDA, PAROBAYA, TUA,
dimana dapat direpresentasikan sebagai
berikut :
 FUNGSI KEANGGOTAAN HIMPUNAN FUZZY
(MEMBERSHIP FUNCTION)

• Adalah suatu fungsi (kurva) yang menunjukkan pemetaan

titik-titik input data ke dalam nilai keanggotaannya (derajat
keanggotaan) yang memiliki interval antara 0 sampai 1.
• Ada beberapa fungsi yang bisa digunakan :
1. Linier
2. Segitiga
3. Trapesium
4. Sigmoid
5. Phi
 Fungsi Keanggotaan: Fungsi Linier

1.0 1.0

µ µ

0 a b 0 a b
Domain Domain

Linier Naik Linier Turun

µ[x]= 0; x £ a
(x-a)/(b-a); a < x £ b µ[x]= (b-x)/(b-a); a £ x < b
0; x ³ b
1; x > b

15
 CONTOH

• Fungsi keanggotaan untuk himpunan PANAS pada variabel temperatur ruangan

seperti terlihat pada Gambar

• µ Panas (27) = ????

• µ Panas (34) = ????
 CONTOH

• Fungsi keanggotaan untuk himpunan DINGIN pada variabel temperatur ruangan

seperti terlihat pada Gambar

• µ Panas (15) = ????

• µ Panas (17) = ????
 Fungsi Keanggotaan: Segitiga

1.0

0 a b c
Segitiga
µ[x] = 0; x £ a atau x ³ c
(x-a)/(b-a); a < x £ b
(c-x)/(c-b); b < x < c

18
 CONTOH

• Fungsi keanggotaan untuk himpunan NORMAL pada variabel temperatur

ruangan seperti terlihat pada Gambar
 Fungsi Keanggotaan: Trapesium

1.0

0 a b c d
Trapesium

µ[x]= 0; x £ a atau x ³ d
(x-a)/(b-a); a < x £ b
1; b < x £ c
(d-x)/(d-c); c < x < d

20
 CONTOH

• Fungsi keanggotaan untuk himpunan NORMAL pada variabel temperatur ruangan

seperti terlihat pada Gambar
Fungsi Keanggotaan: Representasi Bahu

22
 Fungsi Keanggotaan: Sigmoid

1.0

0 a b c
Sigmoid

µ[x;a,b,c]sigmoid = 0; x £ a
2 ((x - a)/(c - a))2; a < x £ b
1 - 2((c - x)/(c - a))2; b < x < c
1; x ³ c

23
 contoh

Contoh
Fungsi keanggotaan untuk himpunan
TUA pada variabel umur seperti
terlihat pada Gambar

µ tua (42) = ????

 contoh

Contoh
Fungsi keanggotaan untuk himpunan
MUDA pada variabel umur seperti
terlihat pada Gambar
 Fungsi Keanggotaan Lonceng (Bell Curve)

Untuk merepresentasikan bilangan fuzzy, biasanya

digunakan kurva berbentuk lonceng. Kurva berbentuk
lonceng ini terbagi atas 3 kelas, yaitu:

• Himpunan fuzzy PHI,

• Beta,
• Gauss.
 Himpunan Fuzzy PI

• Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng namun lebih
rapat. Kurva ini juga didefinisikan dengan 2 parameter, yaitu nilai pada
domain yang menunjukkan pusat kurva (γ), dan setengah lebar kurva (β)
seperti terlihat pada Gambar
1.0

c-b c-b/2 c c+b/2 c+b

0
Phi

µ[x;a,b,c]phi = µ[x;c-b,c-b/2,c]sigmoid; x £ c
µ[x;c,c+b/2,c+b]sigmoid; x > c

28
 Kurva Beta

• Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak

pada pusat dengan domain (γ), dan lebar kurva (β) seperti
terlihat pada gambar

• Salah satu perbedaan mencolok kurva BETA dari kurva PI adalah,

fungsi keanggotaannya akan mendekati nol hanya jika nilai (β)
sangat besar.
 Kurva Beta

Fungsi keanggotaan untuk himpunan SETENGAH BAYA pada variabel

umur seperti terlihat pada Gambar
 Kurva Gauss

Jika kurva PI dan kurva BETA menggunakan 2 parameter yaitu (γ) dan
(β), kurva GAUSS juga menggunakan (γ) untuk menunjukkan nilai
domain pada pusat kurva, dan (k) yang menunjukkan lebar kurva
 LOGIKA FUZZY
• Logika Fuzzy adalah peningkatan dari logika Boolean yang
mengenalkan konsep kebenaran sebagian. Di mana logika klasik
menyatakan bahwa segala hal dapat diekspresikan dalam istilah
binary (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy
menggantikan kebenaran boolean dengan tingkat kebenaran.
• 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".
• Berhubungan dengan set fuzzy dan teori kemungkinan.
 Logika Fuzzy

• Logika fuzzy adalah salah cara untuk memetakan

suatu ruang input ke dalam suatu ruang output.
• Skema logika fuzzy :
 Logika Fuzzy
• Antara input dan output terdapat suatu kotak hitam yang harus
memetakan input ke output yang sesuai.
• Misal :

• Pemetaan input-output pada masalah produksi : “diberikan

data persediaan barang, berapa jumlah barang yang harus
diproduksi ?”
 Logika Fuzzy

• Ada beberapa cara/metode yang mampu bekerja di

kotak hitam tersebut, misal : logika fuzzy, jaringan
syaraf tiruan, sistem linear, sistem pakar, persamaan
diferensial, dll.
 Logika Fuzzy

• Logika fuzzy umumnya diterapkan pada masalah-

masalah yang mengandung unsur ketidakpastian
(uncertainty), ketidaktepatan (imprecise), noisy, dan
sebagainya.
• Logika fuzzy menjembatani bahasa mesin yang presisi
dengan bahasa manusia yang menekankan pada
makna atau arti (significance).
• Logika fuzzy dikembangkan berdasarkan bahasa
manusia (bahasa alami) – variabel linguistik
 WATAK KEKABURAN

• LOGIKA FUZZY (logika samar) dapat digunakan untuk

mengatasi kekaburan
• Perhatikan pernyataan dibawah ini :
– Mesin yang digunakan terus-menerus akan cepat panas à kita
tidak dapat menentukan dengan tepat batasan terus-menerus,
cepat, dan panas
– Jika air pancuran terlalu panas maka naikkan aliran air dingin
perlahan-lahanà kita tidak dapat menentukan dengan tepat
batasan terlalu panas, menaikkan, air yang dingin, dan perlahan-
lahan
 VARIABEL LINGUSTIK

• Variabel linguistik = sebuah variabel yang memiliki nilai berupa

kata-kata dalam bahasa alamiah bukan angka.
• Mengapa menggunakan kata/kalimat daripada angka ?
karena peranan linguistik memang kurang spesifik dibandingkan
angka, namun informasi yang disampaikan lebih informatif.
• Contoh, jika “KECEPATAN” adalah variabel linguistik, maka nilai
linguistik untuk variabel kecepatan adalah, misalnya “LAMBAT”,
“SEDANG”, “CEPAT”.
Hal ini sesuai dengan kebiasaan manusia sehari-hari dalam
menilai sesuatu, misalnya : “Ia mengendarai mobil dengan cepat”,
tanpa memberikan nilai berapa kecepatannya.
kurang spesifik tapi lebih
informatif
• Menurut Wang (1997) definisi formal dari variabel linguistik
diberikan sebagai berikut: Sebuah variabel linguistik dikarakterisasi
oleh (X, T(x), U, M), dimana :
– X = Nama variabel (variabel linguistik) yang menjadi objek
– T(x) = Himpunan semua istilah (nilai-nilai) linguistik yang terkait dengan
(nama) variabel (X) yang menggambarkan objek tersebut
– U = Domain fisik aktual/ruang lingkup dimana variabel linguistik X
mengambil nilai-nilai kuantitatifnya/nilai numeris (crisp) himpunan
semesta
– M = Suatu aturan semantik yang menghubungkan setiap nilai linguistik
dalam T dengan suatu himpunan fuzzy dalam U.
• Dari contoh diatas, maka diperoleh:
– X = kecepatan
– U = [0 , 100] à maksudnya domain/ruang lingkup kecepatan misal dari 0 sampai
100 km/jam
– T(kecepatan) = {lambat, sedang, cepat} à maksudnya variabel kecepatan
terbagi menjadi 3 himpunan fuzzy yaitu lambat, sedang, cepat
• Maka M untuk setiap X, M(x) adalah: M(lambat), M(sedang), M(cepat)
• M(lambat) = himpunan fuzzynya “kecepatan dibawah 40 Km/jam” dengan
fungsi keanggotaan µlambat
• M(sedang) = himpunan fuzzynya “kecepatan mendekati 55 Km/jam”
dengan fungsi keanggotaan µsedang.
• M(cepat) = himpunan fuzzynya “kecepatan diatas 70 Km/jam ” dengan
fungsi keanggotaan µcepat.
 APLIKASI
• 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).
 APLIKASI
• Transmisi otomatis pada mobil. Mobil Nissan telah menggunakan
sistem fuzzy pada transmisi otomatis, dan mampu menghemat
bensin 12 – 17%.
• Ilmu kedokteran dan biologi, seperti sistem diagnosis yang
didasarkan pada logika fuzzy, penelitian kanker, manipulasi
peralatan prostetik yang didasarkan pada logika fuzzy, dll.
• Ilmu lingkungan, seperti kendali kualitas air, prediksi cuaca, dll.
• Teknik, seperti perancangan jaringan komputer, prediksi adanya
gempa bumi, dll.
• Meskipun logika fuzzy dikembangkan di
Amerika, namun ia lebih populer dan banyak
diaplikasikan secara luas oleh praktisi Jepang
dengan mengadaptasikannya ke bidang kendali
(control).

• Saat ini banyak dijual produk elektronik buatan

Jepang yang menerapkan prinsip logika fuzzy,
seperti mesin cuci, AC, dan lain-lain.

• Fuzzy logic sudah diterapkan pada banyak

bidang, mulai dari teori kendali hingga
kecerdasan buatan.
45
• Mengapa logika fuzzy yang ditemukan di
Amerika malah lebih banyak ditemukan
aplikasinya di negara Jepang?

• Salah satu penjelasannya: kultur orang Barat

yang cenderung memandang suatu
persoalan sebagai hitam-putih, ya-tidak,
bersalah-tidak bersalah, sukses-gagal, atau
yang setara dengan dunia logika biner
Aristoteles,

• Sedangkan kultur orang Timur lebih dapat

menerima dunia “abu-abu” atau fuzzy.

46