MODUL PERKULIAHAN

Sistem Cerdas

LOGIKA FUZZY

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

02
Fakultas Teknik Teknik Elektro Triyanto Pangaribowo,ST,MT

Abstract Kompetensi
Pada modul 2 ini dijelaskan mengenai sejarah Logika Mampu memahami dan
Fuzzy dan alasan menggunakan Algoritma Logika menjelaskan alasan
Fuzzi menggunakan Logika
Fuzzy

2015 Sistem Cerdas

1 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
2.1. PENDAHULAN
Dalam kehidupan sehari-hari, kita tidak dapat memutuskan sesuatu masalah dengan
jawaban sederhana yaitu "Ya" atau "Tidak". Sebagai contoh, untuk menyatakan
seseorang berbadan "tinggi", amat bersifat relatif. Demikian juga untuk
mengatakan warna "abu-abu" yang merupakan campuran antara warna hitam dengan
putih.
Pada tahun 1965, Zadeh memodifikasi teori himpunan dimana setiap anggotanya
memiliki derajat keanggotaan yang bernilai kontinu antara 0 sampai 2. Himpunan
ini disebut dengan Himpunan Kabur (Fuzzy Set).
Selama beberapa dekade yang lalu, himpunan fuzzy dan hubungannya dengan
logika fuzzy telah digunakan pada lingkup domain permasalahan yang cukup luas.
Lingkup ini antara lain mencakup kendali proses, klasifikasi dan pencocokan pola,
manajemen dan pengambilan keputusan, riset operasi, ekonomi, dll. Sejak tahun
1985, terjadi perkembangan yang sangat pesat pada logika fuzzy tersebut terutama
dalam hubungannya dengan penyplesaian masalah kendali, terutama yang bersifat non-
linear, ill-defined, time-varying, dan situasi-situasi yang sangat kompleks.

2.2. APA LOGIKA FUZZY ITU?

Orang yang belum pernah mengenal logika fuzzy pasti akan mengira bahwa logika,
fuzzy adalah sesuatu yang amat rumit dan tidak menyenangkan. Namun, sekali
seseorang mulai mengenalnya, is pasti akan sangat tertarik dan akan menjadi pendatang
baru untuk ikut serta mempelajari logika fuzzy. Logika fuzzy dikatakan sebagai logika
baru yang lama, sebab ilmu tentang logika fuzzy modern dan metodis baru ditemukan
beberapa tahun yang lalu, padahal sebenarnya konsep tentang logika fuzzy
itu sendiri sudah ada pada diri kita sejak lama.

Logika fuzzy adalah suatu cara yang tepat untuk memetakaA, suatu ruang input ke
dalam suatu ruang output. Sebagai 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.
2. Pelayan restoran memberikan pelayanan terhadap tamu, kemudian tamu
akan memberikan tip yang sesuai atas baik tidaknya pelayan yang diberikan;

2015 Sistem Cerdas

2 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 3. Anda mengatakan pada saya seberapa sejuk ruangan yang anda inginkan, saya
akan mengatur putaran kipas yang ada pada ruangan ini.
4. Penumpang taksi berkata pada sopir taksi seberapa cepat laju kendaraan yang
diinginkan, sopir taksi akan mengatur pijakan gas taksinya.

Gambar 2.1 Hubungan input dan output sebuah sistem

Antara input dan output terdapat satu kotak hitam yang harus memetakan input
ke output yang sesuai. Selama ini, ada beberapa cara yang mampu bekerja pada
kotak hitam tersebut, antara lain:
1. Sistem fuzzy;
2. Sistem linear;
3. Sistem pakar;
4. Jaringan syaraf;
5. Persamaan differensial;
6. Tabel interpolasi multi-dimensi;
Meskipun ada beberapa cara yang mampu bekerja dalam kotak hitam tersebut,
namun fuzzy akan memberikan solusi yang paling baik. Mengapa demikian?
Sebagaimana telah dikemukakan oleh Lotfi A. Zadeh, bapak dari logika fuzzy: "Pada
hampir semua kasus kita dapat menghasilkan suatu produk tanpa menggunakan logika
fuzzy, namun menggunakan fuzzy akan lebih cepat dan lebih murah".

2.3. MENGAPA MENGGUNAKAN LOGIKA FUZZY?

Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara
lain:
2015 Sistem Cerdas
3 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari
penalaran fuzzy sangat sederhana clan 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-pengalaman
para pakar secara langsung tanpa harus melalui proses pelatihan.
6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali
secara konvensional.
7. Logika fuzzy didasarkan pada bahasa alami.
2.4. HIMPUNAN CRISP VS HIMPUNAN FUZZY
 Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu

himpunan A, yang sering ditulis dengan  [x], memiliki 2 kemungkinan, yaitu:

A

 satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan,
atau
 nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu
himpunan.

Contoh 1 :
Jika diketahui:
S = {1, 2, 3, 4, 5, 6} adalah semesta pembicaraan.
A = {1, 2, 3}
B = {3, 4, 5}
Bisa dikatakan bahwa:
• Nilai keanggotaan 2 pada himpunan A,  [2]=1, karena 2A.
A
• Nilai keanggotaan 3 pada himpunan A,  [3]=1, karena 3A.
A
• Nilai keanggotaan 4 pada himpunan A,  [4]=0, karena 4A.
A
• Nilai keanggotaan 2 pada himpunan B,  [2]=0, karena 2B.
B
• Nilai keanggotaan 3 pada himpunan B,  [3]=1, karena 3B.
B

2015 Sistem Cerdas

4 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
• apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA
( [34] =1);
MUDA
• apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK
MUDA ( [35]=0);
MUDA
• apabila seseorang berusia 35 tahun kurang 1 hari, maka ia
dikatakan TIDAK MUDA ( [35 th -1hr]=0);
MUDA
• apabila seseorang berusia 35 tahun, maka ia dikatakan
PAROBAYA ( [35]=1);
PAROBAYA
• apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK
PAROBAYA ( [34]=0);
PAROBAYA
• apabila seseorang berusia 35 tahun, maka ia dikatakan
PAROBAYA ( [35]=1);
PAROBAYA
• apabila seseorang berusia 35 tahun kurang 1 hari, maka ia
dikatakan TIDAK PAROBAYA ( [35 th - 1 hr]=0);
PAROBAYA

• Apabila x memiliki nilai keanggotaan fuzzy  [x]=0 berarti x tidak menjadi

A
anggota himpunan A, demikian pula apabila x memiliki nilai keanggotaan fuzzy

 [x]=1 berarti x menjadi anggota penuh pada himpunan A.

A

• Dari 2 contoh di atas dapat disimpulkan bahwa pemakaian himpunan crisp untuk
menyatakan umur sangat tidak adil, adanya perubahan kecil saja pada suatu nilai
mengakibatkan perbedaan kategori yang cukup signifikan.
Contoh 2 :
Sebelum munculnya teori logika fuzzy (Fuzzy Logic), dikenal sebuah logika tegas
(Crisp Logic) yang memiliki nilai benar atau salah secara tegas. Sebaliknya
Logika Fuzzy merupakan sebuah logika yang memiliki nilai kekaburan atau
kesamaran (fuzzyness) antara benar dan salah. Dalam teori logika fuzzy sebuah
nilai bisa bernilai benar dan salah secara bersamaan namun berapa besar kebenaran
dan kes alahan suatu nilai tergantung kepada bobot keanggotaan yang dimilikinya.
P erbedaan antara kedua jenis logika tersebut adalah: logika tegas memiliki nilai
tidak=0.0 dan ya=1.0, sedangakan logika fuzzy memiliki nilai antara 0.0 hingga
1.0. Secara grafik perbedaan antara logika tegas dan logika fuzzy
ditunjukkan oleh gambar dibawah ini
2015 Sistem Cerdas
5 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 a. (logika tegas) b. (logika fuzzy)

Didalam gambar 1.a) 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 1.b)
nilai X = 9, atau 8 atau 7 atau nilai antara 0 dan 10 adalah dikatakan ada benarnya dan
ada juga salahnya.
Contoh 3:
Himpunan fuzzy adalah konsep yang mendasari lahirnya logika fuzzy. Himpunan

fuzzy adalah sebuah himpunan yang anggotanya memiliki derajat keanggotaan

tertentu. Setiap anggota memiliki derajat keanggotaan tertentu yang ditentukan oleh

fungsi keanggotaan (membership function) tertentu atau disebut juga fungsi

karakteristik (characteristik function). Himpunan crisp adalah himpunan klasik yang

telah dikenal secara umum. Himpunan crisp membedakan anggotanya dengan nilai

nol atau satu, anggota himpunan atau bukan. Sebagai contoh himpunan yaitu, pada

himpunan manusia. Himpunan wanita atau himpunan laki-laki dapat

direpresentasikan dengan mudah dengan cara himpunan klasik. Akan tetapi,

bagaimana merepresentasikan himpunan pada manusia muda atau tua. Muda atau tua

itu cukup relatif tidak langsung terpisah hanya karena berbeda satu hari. Dalam hal
2015 Sistem Cerdas
6 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
ini himpunan fuzzy dapat memberikan mengelompokkan dengan memberi nilai

derajat tertentu. Berbeda dengan himpunan klasik, keanggotaan himpunan fuzzy

dapat bernilai parsial

Gambar 2.2. Perbandingan Fungsi Keanggotaan Himpunan Fuzzy Terhadap

Himpunan Crips.

Fungsi keanggotaan didefinisikan sebagai berikut: Jika X adalah himpunan semesta,

maka fungsi keanggotaan µA (fungsi keanggotaan /fungsi karakteristik A pada X)

yang didefinisikan oleh himpunan fuzzy A memiliki ketentuan berikut:

dimana [0,1] adalah interval bilangan real dari nol sampai dengan satu. Dua himpunan A
dan B dinyatakan sama jika dan hanya jika µA(x) = µB(x). Jika µA(x) bernilai nol,
berarti x bukan anggota dari himpunan fuzzy A. Jika µA(x) bernilai satu, menunjukkan x
adalah anggota penuh dari himpunan fuzzy A. Sementara nilai antara nol hingga satu
menunjukkan bahwa x merupakan anggota dari himpunan fuzzy A secara parsial

2.5. WATAK KEKABURAN Perhatikan pernyataan di bawah ini:

Mesin yang digunakan terus-menerus akan cepat panas Kita tidak dapat
menentukan dengan tepat batasan terus-menerus, cepat dan panas. Sebagai contoh:
himpunan temperatur yang akan mempengaruhi kondisi panas tidak bersifat diskret
dan dibatasi oleh kondisi HANGAT atau agak PANAS. Gambar 2.3 menunjukkan
konsep PANAS yang digambarkan dengan kurva kontinu yang berhubungan
dengan temperatur- temperatur yang berbeda.
2015 Sistem Cerdas
7 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Gambar 2.3 Konsep PANAS pada motor
Temperatur 900C dikatakan benar-benar tidak PANAS jika disetujui bahwa
1800C adalah sangat PANAS. Andaikan kita ingin membagi temperatur dalam
2 bagian yaitu PANAS dan tidak PANAS, maka kita dapat membagi
jangkauan operasi motor menjadi bebcrapa daerah. Sebagai contoh, kita
dapat membagi kondisi motor sebagai HANGAT dan PANAS. Dengan
demikian kondisi HANGAT akan naik berangsur-angsur dari kondisi semakin
tidak DINGIN, dan kemudian turun jika motor menjadi PANAS.

2.4. Perbedaan daerah HANGAT dan PANAS

Gambar 2.4 memperlihatkan ide HANGAT. Dari Gambar 2.4 ini sepertinya tidak
ada hubungan antara HANGAT dengan PANAS. Padahal kita tahu bahwa,
jika temperatur semakin naik menjauhi kondisi HANGAT, maka motor akan
menjadi lebih PANAS. Dengan demikian, wilayah di sebelah kanan posisi
HANGAT akan overlap dengan wilayah sebelah kiri posisi PANAS pada beberapa
temperatur
Jika temperatur bertambah, maka kondisi motor akan bergerak dari HANGAT
2015 Sistem Cerdas
8 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 ke PANAS. Pada mulanya, HANGAT akan bercampur dengan PANAS beberapa
derajat, kondisi ini dapat dinyatakan sebagai: agak PANAS, terlalu HANGAT,
setengah PANAS, dll hingga kurva tersebut benar-benar melewati wilayah
PANAS. Pada temperatur 1120C kurva mencapai titik infleksi

Gambar 2.5 Temperatur motor sebagai daerah

HANGAT dan PANAS.

Gambar 2.6 Kurva HANGAT menjadi PANAS

2015 Sistem Cerdas

9 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Gambar 2.7 Daerah Panas dan komplemennya, Dingin ( tidak PANAS)
Pada pemodelan klasik, kita harus menentukan suatu titik yang tepat
dimana temperatur dikatakan PANAS atau tidak PANAS (Gambar 2.7). Dengan
demikian akan terdapat suatu daerah dimana temperatur berada pada kondisi
PANAS dan tidak PANAS.

2.6. APLIKASI
Beberapa aplikasi logika fuzzy, 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 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).
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 basisdata 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.

2015 Sistem Cerdas

10 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
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.

2.7 MATLAB TOOLBOX: FUZZY

Agar dapat menggunakan fungsi-fungsi logika fuzzy yang ada pada MATLAB,
maka harus diinstallkan terlebih dahulu TOOLBOX FUZZY. Fuzzy logic
toolbox memberikan fasilitas Graphical User Interface (GUI) untuk
mempermudah dalam membangun suatu sistem fuzzy. Ada 5 GUI tools yang
dapat digunakan untuk membangun, mengedit, dan mengobservasi sistem
penalaran fuzzy (Gambar 2.7), yaitu:
1. Fuzzy Inference System (FIS) Editor;
2. Membership Function Editor;
3. Rule Editor;
4. Rule Viewer;
5. Surface Viewer.

2015 Sistem Cerdas

11 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Gambar 2.8. Fuzzy Inference System

2015 Sistem Cerdas

12 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
2.8 Logika Fuzzy

Logika Fuzzy adalah logika yang berbasiskan pada teori himpunan fuzzy dan

diperkenalkan oleh Lotfi Zadeh [ZAD65]. Pada logika fuzzy, terdapat proses

pemetaan dari suatu ruang input ke dalam suatu ruang output. Logika fuzzy terdiri

dari tiga operator, yaitu fuzzy negation, t-norm, dan s-norm. Logika fuzzy lebih

mendekati masalah kepentingan (significance) dibandingkan masalah ketelitian

(precision). Meskipun logika fuzzy memiliki ketelitian yang kurang teliti, tetapi lebih

dekat dengan intuisi manusia.

a) Fuzzy Negation

Fuzzy negation adalah operasi negasi yang digunakan di logika fuzzy dan dituliskan

dengan notasi (n). Berdasarkan definisi, fuzzy negation adalah sebuah fungsi (n) : [0,1]

[1,0] yang memenuhi sifat – sifat berikut:

b) T-norm

T-norm adalah operasi konjungsi yang digunakan di logika fuzzy. Pada laporan ini,

t-norm dituliskan dengan simbol T. Selain dapat melakukan operasi konjungsi di

logika fuzzy, t-norm juga dapat digunakan sebagai basis untuk operator agregasi

pada operasi himpunan fuzzy. Berdasarkan definisi, t-norm adalah sebuah fungsi T:

[0,1] x [0,1] [1,0] yang memenuhi sifat – sifat berikut:

1. T(x,0)=0 dan T(x,1=x

2. T(x1,x2)=T(x2,x1)

3. T(x1,T(x2,x3))=T(T(x1,x2),x3)
2015 Sistem Cerdas
13 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 4. T(x1,x3)≤T(x2,x3) jika x1≤x2

c) S-norm

S-norm (juga dikenal sebagai T-conorm) adalah operasi disjungsi yang digunakan di

logika fuzzy. Pada laporan ini, s-norm dituliskan dengan simbol ⊥. Berdasarkan t-

norm, S-norm dapat didefinisikan sebagai ⊥(a,b) = 1 – T(1-a , 1-b)). Berdasarkan

definisi, s-norm adalah sebuah fungsi ⊥: [0,1] x [0,1] [1,0] yang memenuhi sifat –

sifat berikut:

2.9. Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu:

a. Variabel fuzzy

Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu

sistem fuzzy. Contoh: umur, temperatur, permintaan, dsb.

b. Himpunan fuzzy

Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan

tertentu dalam suatu variabel fuzzy.

Contoh:

Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu: MUDA,PAROBAYA, dan

TUA.

Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu: DINGIN, SEJUK,

NORMAL, HANGAT, dan PANAS.

2015 Sistem Cerdas

14 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Gambar Himpunan fuzzy pada variabel temperatur

c. Semesta Pembicaraan

Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan

dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real

yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta

pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta

pembicaraan ini tidak dibatasi batas atasnya

Contoh:

Semesta pembicaraan untuk variabel umur: [0 +∞)

Semesta pembicaraan untuk variabel temperatur: [0 40]

d. Domain

Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta

pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya

semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik

(bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan

positif maupun negatif.

Contoh domain himpunan fuzzy:

 MUDA = [0 45]

 PABOBAYA = [35 55]

2015 Sistem Cerdas

15 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
  TUA = [45 +∞)

 DINGIN = [0 20]

 SEJUK = [15 25]

 NORMAL = [20 30]

 HANGAT = [25 35]

 PANAS = [30 40]

2.10 FUNGSI KEANGGOTAAN

Fungsi Keanggotaan (membership function) adalah suatu kurva yang menunjukkan

pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut

dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu

cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan

melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan.

a. Representasi Linear

Pada representasi linear, pemetaan input ke derajat keanggotannya digambarkan sebagai

suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk

mendekati suatu konsep yang kurang jelas.

Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan dimulai pada

nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke

nilai domain yang memiliki derajat keanggotaan lebih tinggi

2015 Sistem Cerdas

16 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
Fungsi Keanggotaan:

Contoh

Fungsi keanggotaan untuk himpunan PANAS pada variabel temperatur ruangan seperti

terlihat pada Gambar dibawah

PANAS[32] = (32-25)/(35-25)

= 7/10 = 0,7

Temperatur 0C
Gambar Himpunan fuzzy: PANAS.

2015 Sistem Cerdas

17 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
Kedua, merupakan kebalikan yang pertama. Garis lurus dimulai dari nilai domain

dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai

domain yang memiliki derajat keanggotaan lebih

Fungsi Keanggotaan:

Contoh :

Fungsi keanggotaan untuk himpunan DINGIN pada variabel temperatur

ruangan seperti terlihat pada Gambar dibawah.

μDINGIN[20] = (30-20)/(30-15)

= 10/15 = 0,667

Gambar Himpunan fuzzy: DINGIN.

2015 Sistem Cerdas
18 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
b. Representasi Kurva Segitiga

Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linear) seperti terlihat

pada Gambar dibawah.

Gambar Kurva Segitiga

Fungsi Keanggotaan:

Contoh :

Fungsi keanggotaan untuk himpunan NORMAL pada variabel temperatur ruangan

seperti terlihat pada Gambar .

μNORMAL[23] = (23-15)/(25-15)

= 8/10 = 0,8

Gambar Himpunan fuzzy: NORMAL (kurva segitiga).

2015 Sistem Cerdas
19 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
DAFTAR PUSTAKA

1. Kusumadewi; Sri. 2003. Artificial Intelligence (Teknik & Aplikasinya).

Yogyakarta: Graha Ilmu

2. Suyoto. 2004. Intelegensi Buatan (Teori dan Pemrograman). Yogyakarta : Gava

media.

3. Kusumadewi; Sri. 2004. Membangun Jaringan Syaraf Tiruan dengan Matlab &
Excel Link. Yogyakarta: Graha Ilmu.

4. Kuswadi; Son. 2004. Kendali Cerdas: Teori dan Aplikasi Praktisnya. Yogyakarta
: Andi

5. Away, gunaldi, 2010, the shortcut of matlab programing, informatic bandung.

6. Kusumadewi; Sri. 2002, analisis dan disain sistem fuzzy menggunakan toolsbox
matlab, Yogyakarta: Graha Ilmu.

7. Murata, Tadao, 1989, petri net properties, analysis and application, proceding of
IEEEVol4 april 1989.

2015 Sistem Cerdas

20 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id