Dosen Pengampu:
Dr. Jauhara Dian Nurul Iffah, M.Pd
Disusun oleh:
Nandita Ayunengdyah (201009)
2021
SEJARAH, KONSEP DAN MANFAAT FUZZY SET, PERBEDAAN
HIMPUNAN CRISP DENGAN HIMPUNAN FUZZY
NANDITA AYUNENGDYAH 3
Ketidapastian dalam kasus –kasus ini disebabkan oleh kaburnya pengertian “agak”,
“kurang lebih”, “sedikit”, dan sebagainya.
Dalam teori himpunan klasik, keanggotaan unsur-unsur dalam suatu himpunan dinilai
berdasarkan kondisi bivalen: suatu unsur termasuk milik suatu himpunan atau bukan.
Sebaliknya, teori himpunan fuzzy mengijinkan penilaian bertahap dari keanggotaan
elemen dalam himpunan; hal ini dijelaskan dengan bantuan fungsi keanggotaan yang
dinilai dalam interval bilangan real [0,1]. Himpunan fuzzy menggeneralisasi himpunan
klasik, karena fungsi karakteristik himpunan klasik adalah kasus khusus dari fungsi
keanggotaan himpunan fuzzy, jika himpunan fuzzy hanya mengambil nilai 0 atau 1.
Dalam kehidupan sehari-hari, biasanya ingin dicari pendapat dari orang-orang
profesional/ahli dengan kualifikasi terbaik, misalnya, dokter medis terbaik dapat
memberikan diagnostik terbaik, pilot terbaik dapat memberikan saran navigasi terbaik
untuk pesawat, dan lain-lain. Oleh karena itu, sangat diharapkan untuk memasukkan
pengetahuan para ahli ini ke dalam beberapa sistem otomatis sehingga akan membantu
orang lain untuk membuat keputusan yang tepat yang (hampir) sebaik keputusan yang
NANDITA AYUNENGDYAH 4
dibuat oleh para ahli terkemuka. Dengan mengingat tujuan ini, tugas kita adalah
merancang sistem yang akan memberikan saran terbaik dari para ahli terbaik di
bidangnya. Namun, salah satu rintangan utama dari penggabungan ini adalah bahwa para
ahli biasanya tidak dapat menggambarkan pengetahuan mereka dengan menggunakan
istilah yang benar dan tepat. Misalnya, untuk menggambarkan ukuran suatu jenis tumor,
seorang dokter jarang menggunakan angka pasti. Sebaliknya dia akan mengatakan
sesuatu seperti “ukurannya antara 1,4 dan 1,6 cm ". Selain itu, seorang ahli biasanya akan
menggunakan beberapa kata dari bahasa alami, misalnya, “ukuran tumor kira-kira 1,5 cm,
dengan kesalahan sekitar 0,1 cm". Dengan demikian, dalam keadaan seperti itu, cara
memformalkan pernyataan yang diberikan oleh seorang pakar merupakan salah satu
tujuan utama logika fuzzy.
Contoh 1. Misalkan 𝑋𝑋 adalah himpunan semua mahasiswa Institut Teknologi Sepuluh
Nopember, dan misalkan
𝐴𝐴 = Himpunan semua mahasiswa perempuan;
𝐵𝐵 = Himpunan semua mahasiswa Departemen Matematika;
𝐶𝐶 = Himpunan semua mahasiswa Departemen Statistika;
𝐷𝐷 = Himpunan semua mahasiswa cerdas;
𝐸𝐸 = Himpunan semua mahasiswa tinggi.
Himpunan-himpunan 𝐴𝐴, 𝐵𝐵, dan 𝐶𝐶 adalah himpunan crisp, sedangkan himpunan 𝐷𝐷
dan 𝐸𝐸 bersifat samar/kabur. Jadi, 𝐷𝐷 dan 𝐸𝐸 adalah himpunan fuzzy.
Konsep logika fuzzy dapat dengan mudah ditemukan pada perilaku manusia
dikesehariannya, misalnya: Dalam suatu perusahaan, kepala bagian produksi melaporkan
kepada atasannya bahwa produksi bulan ini rendah (seberapa rendah produksi tersebut?).
Pertanyaan di atas tidak dapat dijawab dengan pasti, beberapa contoh kasus di atas bisa
dijelaskan dengan menggunakan konsep logika fuzzy.
ATURAN FUZZY
Aturan dari Sistem Logika Fuzzy (Fuzzy Logic System) menggambarkan pengetahuan
dari sistem. Mereka menggunakan variabel linguistik sebagai bahasanya, sebagai contoh
untuk mengekspresikan strategi control dari sebuah pengontrol logika fuzzy. Menjelaskan
aturan fuzzy berarti menunjukkan bagaimana menghitung dengan konsep linguistik.
Perhitungan fuzzy
Dalam aplikasi kontrol, komputasi fuzzy terdiri atas 3 bagian, yaitu :
1. Fuzzifikasi
NANDITA AYUNENGDYAH 5
Fuzzifikasi berarti menggunakan Membership function dari variabel linguistik untuk
menghitung masing-masing derajat kondisi validitas dari angka-angka spesifik proses.
Fuzzifikasi yang mentransformasi masukan himpunan klasik (crisp) ke derajat tertentu
yang sesuai dengan aturan besaran fungsi keanggotaan (Membership function).
2. Inference
Sistem inferensi fuzzy adalah sistem kerja komputer yang didasarkan pada konsep
teori fuzzy, aturan if-then, dan logika fuzzy. Struktur dasar dari sistem Inferensi Fuzzy
terdiri dari basis aturan yang berisi aturan if-then, basis data yang mendefinisikan
fungsi keanggotaan dari himpunan fuzzy.
3. Defuzzifikasi
Defuzzifikasi yang mentransformasi hasil fuzzy ke bentuk keluaran yang crisp.
Membership function digunakan dalam menterjemahkan keluaran fuzzy ke bentuk
keluaran crisp. Terjemahan kembali disini dapat menggunakan beberapa metode,
dimana diantaranya adalah CoM (Center of Maximum) / CoG (Center of Gravity),
CoA (Center of Area), MoM (Mean of Maximum), MoM BSUM (Mean of Maximum
Bounded Sum).
NANDITA AYUNENGDYAH 6
D. Perbedaan Himpunan Crisp dan Himpunan Fuzzy
Dalam ilmu logika fuzzy kita mengenal dua himpunan, yaitu himpunan crisp (tegas) dan
himpunan fuzzy (samar).
1) himpunan crisp adalah himpunan yang menyatakan suatu obyek merupakan anggota
dari satu himpunan memiliki nilai keanggotaan (µ) = ya (1) atau tidak (0), oleh karena
itu himpunan crisp disebut himpunan tegas.
2) himpunan fuzzy adalah himpunan yang menyatakan suatu obyek dapat menjadi
anggota dari beberapa himpunan dengan nilai keanggotaan (µ) yang berbeda. Nilai
keanggotaan fuzzy adalah 0 sampai 1.
untuk lebih jelasnya, perhatikan contoh dibawah:
Misalkan variabel umur dibagi 3 kategori, yaitu: MUDA < 35 tahun ; PAROBAYA 35 ≤
umur ≤ 55 tahun ; TUA > 55 tahun.
Secara grafis:
NANDITA AYUNENGDYAH 7
Kemudian, Himpunan Fuzzy digunakan untuk mengatasi hal tersebut, sehingga
dengan menggunakan himpunan fuzzy, seseorang dapat masuk ke dua kategori secara
bersamaan, misalnya seseorang yang berusia 35 tahun kurang 1 hari dapat masuk kategori
MUDA dan PAROBAYA sekaligus, tetapi dengan nilai keanggotaan yang berbeda.
lihat gambar dibawah:
contoh:
seseorang yang berumur 40 tahun termasuk dalam himpunan MUDA dengan
µMUDA [40]=0,25; namun dia juga termasuk dalam himpunan PAROBAYA dengan
µPAROBAYA [50]=0,5.
NANDITA AYUNENGDYAH 8
DAFTAR PUSTAKA
Siregar, Z. T. (2019). Sejarah Fuzzy Set. Diakses pada 25 September 2021, dari
https://www.scribd.com/presentation/435138917/Sejarah-Fuzzy-Set
Davvas, B., Mukhlas, I., Soleha. (2021). Himpunan Fuzzy dan Rough Sets. Jurnal Limits,
18(1), 79-94.
NANDITA AYUNENGDYAH 9