SEJARAH, KONSEP DAN MANFAAT FUZZY SET, PERBEDAAN HIMPUNAN

CRISP DENGAN HIMPUNAN FUZZY

Disusun Sebagai Tugas Mata Kuliah Fuzzy Set

Dosen Pengampu:
Dr. Jauhara Dian Nurul Iffah, M.Pd

Disusun oleh:
Nandita Ayunengdyah (201009)

PROGRAM STUDI S2 PENDIDIKAN MATEMATIKA

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
STKIP PGRI JOMBANG

2021
 SEJARAH, KONSEP DAN MANFAAT FUZZY SET, PERBEDAAN
HIMPUNAN CRISP DENGAN HIMPUNAN FUZZY

A. Sejarah Fuzzy Set

Logika fuzzy pertama kali dikembangkan oleh Lotfi Asker Zadeh, seorang ilmuwan
Amerika Serikat berkebangsaan Iran , dan seorang profesor emeritus dari teknik elektro
UC Berkeley, departemen ilmu komputer melalui tulisannya “Fuzzy Sets”, pada tahun
1965 tentang teori himpunan fuzzy. Namun sebelum itu ada beberapa argumen para ahli
mengenai konsep logika.
1. Aristoteles (384-322 SM) Seorang ahli fisafat Yunani yang sering disebut sebagai
bapak logika, lebih tepatnya logika biner. Orang pertama yang memulai menulis ide-
ide dan aturan yang kemudian sering disebut proses logika. Menulis buku
berjudul Organon (instrumen atau alat) yang berisi analisis prior dan posterior. Logika
biner yaitu didasarkan pada ide bahwa segala sesuatu adalah A atau bukan A, dipakai
ketika kita ingin mengevaluasi dengan kategori benar atau salah (dalam
perkembangan lebih lanjut kategori benar sering disimbolkan dengan nilai 1
sedangkan salah disimbolkan dengan nilai 0, logika biner dapat berlaku dengan baik
jika diterapkan pada hal yang dapat dibedakan dengan jelas batas-batasnya. Misalnya
pertanyaan “Apakah anda seorang lelaki?” dapat dijawab dengan mudah dengan
menggunakan logika biner.
2. Plato (427 SM – 347 SM) Tetapi tidak semua orang setuju dengan logika biner. Plato
mengindikasikan adanya daerah ketiga yang terletak di antara benar dan salah.
3. George Boole (2 November 1815 – 8 Desember 1864) Perkembangan logika
mengalami masa transisi ketika pada tahun 1854 George Boole menciptakan sistem
aljabar dan teori himpunan yang dapat dikaitkan secara metematis dengan dua nilai
logika, pemetaan benar dan salah ke dalam nilai 1 dan 0. Hasil karyanya itu
dituangkan dalam bukunya yang berjudul “The Laws of Thought”.
4. Jan Lukasiewicz (21 December 1878 – 13 February 1956) Mengemukakan sebuah
konsep logika dalam tulisannya “On Three-Valued Logic” dimana ada daerah yang
ditambahkan diantara benar “1” dan salah “0”. Daerah yang ditambahkan tersebut
diistilahkan dengan “kemungkinan” dan mempunyai nilai diantara benar dan salah.
Lukasiewicz mengusulkan notasi dan aksioma yang diharapkannya menjadi pelopor
matematika modern. Pada tahun 1992 Lukasiewicz menegaskan adanya kejanggalan
NANDITA AYUNENGDYAH 2
 dalam operasi IMPLIKASI untuk interval antara 0 dan 1. Kejanggalan tersebut
disadarinya ketika menemukan ada nilai kebenaran (kemungkinan) yang tak terhingga
jumlahnya didalam rentang antara benar dan salah. Penyelidikan dengan opersai AND
dan OR membuktikan bahwa operasi AND mengambil nilai minimum dari inputnya
sedangkan operasi OR mengambil nilai maksimum dari inputnya. Tetapi Lukasiewicz
tidak menyatakan aturan maksimum dan minimum dalam teorinya. Apa yang
dikemukakan oleh Lukasiewicz ini tidak bisa diterima luas pada saat itu.
5. Tahun 1965, ketika Lotfi A. Zadeh mempublikasikan tulisannya “Fuzzy Sets” yang
mendeskripsikan teori himpunan fuzzy dan perluasannya tentang logika fuzzy,
konsep multivalue logic mulai disoroti secara luas. Pada awal-awal kemunculannya,
logika fuzzy mendapatkan banyak kritikan. Bahkan meskipun telah ada ratusan
aplikasi fuzzy yang cukup berhasil, beberapa ilmuwan masih meragukan konsep fuzzy.
Teori yang dikemukakan oleh Lotfi A. Zadeh mengusulkan adanya fungsi
keanggotaan yang dioperasikan dengan bilangan real diantara nilai benar “1” dan
salah “0”. Lotfi A. Zadeh pula yang mempopulerkan aturan maksimum dan minimum
yang diperoleh dari operasi himpunan fuzzy. Aturan maksimum dan minimum ini
pada dasarnya sama dengan rumusan yang dikemukakan oleh Lukasiewicz. Logika
fuzzy di dasarkan pada ide bahwa A dapat sama dengan bukan A. Hal ini berarti
bahwa sesuatu dapat mengandung bagian yang berlawanan. Logika fuzzy umumnya
diterapkan pada masalah-masalah yang mengandung unsur ketidakpastian
(uncertainty), ketidak tepatan (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).
Contoh-contoh masalah yang mengandung ketidakpastian:
Contoh 1:
Seseorang dikatakan “tinggi” jika tinggi badannya lebih dari 1,7 meter. Bagaimana
dengan orang yang mempunyai tinggi badan 1,6999 meter atau 1,65 meter, apakah
termasuk kategori orang tinggi? Menurut persepsi manusia, orang yang mempunyai tinggi
badan sekitar 1,7 meter dikatakan “kurang lebih tinggi” atau “agak tinggi”.
Contoh 2:
Kecepatan “pelan” didefinisikan di bawah 20 km/jam.
Bagaimana dengan kecepatan 20,001 km/jam, apakah masih dapat dikatakan pelan?

NANDITA AYUNENGDYAH 3
 Ketidapastian dalam kasus –kasus ini disebabkan oleh kaburnya pengertian “agak”,
“kurang lebih”, “sedikit”, dan sebagainya.

B. Konsep Fuzzy Set

Fuzzy set merupakan sebuah himpunan yang anggotanya memiliki derajat keanggotaan
tertentu yang ditentukan oleh fungsi keanggotaan (membership function) tertentu. Proses-
proses yang dimodelkan dalam dunia nyata seringkali tidak eksak. Biasanya, realitas yang
terkait dengan ketidakpastian tidak dapat dimodelkan sebagaimana adanya dan ada
keterbatasan dalam melakukan pemodelan. Himpunan fuzzy memungkinkan seseorang
untuk bekerja dalam situasi yang tidak pasti dan ambigu dan memecahkan masalah yang
tidak diharapkan atau masalah dengan informasi yang tidak lengkap. Himpunan fuzzy
adalah himpunan yang elemen-elemennya memiliki derajat keanggotaan. Himpunan
fuzzy adalah perluasan dari pengertian himpunan klasik. Teori fuzzy menggunakan
variabel linguistik yang nilainya adalah kata-kata fuzzy, atau lebih bersifat ekspresi alih-
alih angka, yang berakar pada bahasa alami. Kata-kata fuzzy tidak akurat tetapi sangat
mudah dimengerti dan digunakan secara luas dalam bahasa sehari-hari.
Ketinggian Pendek, rata-rata, tinggi,….
Usia Bayi, anak-anak, remaja, dewasa, separuh baya, tua,
….
Suhu Sangat dingin, dingin, sejuk, panas, sangat panas,….
Keamanan Rendah, sedang, tinggi,….

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).

C. Manfaat Fuzzy Set

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.
Tahun 1990, mesin cuci otomatis di Jepang menggunakan logika fuzzy, menggunakan
sensor untuk mendeteksi kotoran pada pakaian, inputnya: tingkat kekotoran, jenis kotoran
dan banyaknya cucian, sedangkan outputnya yaitu menentukan putaran putaran yang
tepat secara otomatis. Fuzzy sudah diterapkan pada banyak bidang, mulai dari teori
kendali hingga inteligensia buatan.
a) Dunia kedokteran gigi: diagnosis penyakit pasien, penelitian kanker, dsb.
b) Manajemen pengambilan keputusan: manajemen basis data untuk query data, tata
letak pabrik yang maksimal, penentuan jumlah produksi berdasarkan jumlah stok dan
permintaan.
c) Klasifikasi dan pencocokan pola
d) Mengukur kualitas air, peramalan cuaca, dsb.

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:

Jika menggunakan himpunan crisp, dapat diambil kesimpulan bahwa:

 Usia 34 tahun, dikatakan MUDA → µMUDA [34 ]=1
 Usia 35 tahun kurang 1 hari, dikatakan MUDA → µMUDA [35 th−1 hr ]=1
 Usia 35 tahun, dikatakan TIDAK MUDA → µMUDA [35 ]=0
 Usia 55 tahun, dikatakan PAROBAYA → µPAROBAYA [55]=1
 Usia 55 tahun lebih 1 hari, dikatakan TIDAK PAROBAYA →
µPAROBAYA [55 th+ 1hr ]=0 atau
 Usia 55 tahun lebih 1 hari, dikatakan TUA → µTUA[55th+1 hr ]=1

Berdasarkan kesimpulan diatas, himpunan crisp menyatakan umur seseorang kedalam

suatu kategori secara tidak adil, karena orang yang berusia 35 tahun dikatakan parobaya,
sedangkan orang yang berusia 35 tahun kurang 1 hari dikatakan tidak parobaya (karena
masuk kategori muda). selisih 1 hari saja menimbulkan berbedaan kategori yang
signifikan.

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

Winahyu, A. (2013). Himpunan Fuzzy. Diakses 25 September 2021, dari

http://ardiwinahyu.blogspot.com/2013/03/himpunan-fuzzy-adalah.html

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