Sistem Cerdas
LOGIKA FUZZY
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
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;
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 2A.
A
• Nilai keanggotaan 3 pada himpunan A, [3]=1, karena 3A.
A
• Nilai keanggotaan 4 pada himpunan A, [4]=0, karena 4A.
A
• Nilai keanggotaan 2 pada himpunan B, [2]=0, karena 2B.
B
• Nilai keanggotaan 3 pada himpunan B, [3]=1, karena 3B.
B
• 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
tertentu. Setiap anggota memiliki derajat keanggotaan tertentu yang ditentukan oleh
telah dikenal secara umum. Himpunan crisp membedakan anggotanya dengan nilai
nol atau satu, anggota himpunan atau bukan. Sebagai contoh himpunan yaitu, pada
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
Himpunan Crips.
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
2.6. 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.
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
(precision). Meskipun logika fuzzy memiliki ketelitian yang kurang teliti, tetapi lebih
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]
b) T-norm
T-norm adalah operasi konjungsi yang digunakan di logika fuzzy. Pada laporan ini,
logika fuzzy, t-norm juga dapat digunakan sebagai basis untuk operator agregasi
pada operasi himpunan fuzzy. Berdasarkan definisi, t-norm adalah sebuah fungsi T:
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-
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
b. Himpunan fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan
Contoh:
TUA.
c. Semesta Pembicaraan
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
Contoh:
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
MUDA = [0 45]
DINGIN = [0 20]
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
a. Representasi Linear
suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk
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
Contoh
Fungsi keanggotaan untuk himpunan PANAS pada variabel temperatur ruangan seperti
PANAS[32] = (32-25)/(35-25)
= 7/10 = 0,7
Temperatur 0C
Gambar Himpunan fuzzy: PANAS.
dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai
Fungsi Keanggotaan:
Contoh :
μDINGIN[20] = (30-20)/(30-15)
= 10/15 = 0,667
Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linear) seperti terlihat
Fungsi Keanggotaan:
Contoh :
μNORMAL[23] = (23-15)/(25-15)
= 8/10 = 0,8
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
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.