Dengan memanjatkan puji syukur kepada tuhan yang maha esa penulis dapat menyelesaikan
tugas makalah kelompok yang berjudul” LOGIKA FUZZY METODE MANDANI DALAM
PENENTUAN PRODUKSI BARANG”.
Dalam pembuatan makalah ini,penulis mendapat bantuan dari berbagai pihak,maka pada
kesempatan kali ini penulis mengucapkan terima kasih yang sebesar-besarnya kepada pihak-
pihak yang telah memberikan dukungan
Akhir kata semoga makalah ini bisa bermanfaat bagi para pembaca pada umumnya, penulis
menyadari bahwa dalam pembuatan makalah ini masih jauh dari sempurna maka penulis
menerima saran dan kritik yang bersifat membangun.sekian dan terima kasih.
Latar belakang
Perkembangan ilmu pengetahuan dan teknologi saat ini semakin pesat, banyak para ahli yang
muncul dengan temuan-temuan baru baik dari segi ilmu pengetahuan maupun teknologi.Seiring
dengan perkembangan tersebut pada tahun 1965 Lotfi A Zadeh perkenalkan suatu konsep baru yang
disebut konsep fuzzy.Gagasan ini akhirnya memberi pengetahuan baru pada ilmu pengetahuan baru
dan terapannya yang pada akhirnya muncul himpunan fuzzy dan logika fuzzy.
Konsep fuzzy menurut zadeh adalah himpunan tidak tegas yang setiap anggotanya punya
derajat keanggotaan yang punya interval Antara 0 sampai 1.
Salah satu penerapannya adalah dalam perencanaan produksi yaitu dalam penentuan jumlah
produksi.Ilmu yang mempelajari tentang perencanaan produksi disebut manajemen produksi.
Dari beberapa metode yang dapat digunakan untuk optimasi jumlah produksi,logika fuzzy
mampu memetakan suatu input ke dalam suatu output tanpa abaikan factor-faktor yang ada.Dengan
menggunakan logika fuzzy akan dihasilkan suatu model dari suatu sistem yang mampu
memperkirakan jumlah produksi.Faktor yang mempengaruhi antara lain jumlah permintaan dan
jumlah persediaan.
Kebalikannya, penambahan masukan baru pada sistem fuzzy, yaitu sistem yang
bekerja berdasarkan prinsip-prinsip logika fuzzy, hanya membutuhkan penambahan fungsi
keanggotaan yang baru dan aturan-aturan yang berhubungan dengannya.
Secara umum, sistem fuzzy sangat cocok untuk penalaran pendekatan terutama untuk
sistem yang menangani masalah-masalah yang sulit didefinisikan dengan menggunakan
model matematis Misalkan, nilai masukan dan parameter sebuah sistem bersifat kurang
akurat atau kurang jelas, sehingga sulit mendefinisikan model matematikanya. Sistem fuzzy
mempunyai beberapa keuntungan bila dibandingkan dengan sistem tradisional, misalkan
pada jumlah aturan yang dipergunakan.
Pemrosesan awal sejumlah besar nilai menjadi sebuah nilai derajat keanggotaan pada
sistem fuzzy jumlah nilai menjadi sebuah nilai derajat keanggotaan pada sistem fuzzy
mengurangi jumlah nilai yang harus dipergunakan pengontrol untuk membuat suatu
keputusan.
Himpunan logika fuzzy didasarkan pada gagasan untuk memperluas jangkauan fungsi
karakteristik sedemikian sehingga fungsi tersebut akan mencakup bilangan real pada
interval [0,1]. Nilai keanggotaannnya menunjukkan bahwa suatu item dalam semesta
pembicaraan tidak hanya berada pada 0 atau 1, namun juga nilai yang terletak diantaranya.
Dengan kata lain, nilai kebenaran suatu item tidak hanya bernilai benar atau salah. Nilai 0
menunjukkan salah, nilai 1 menunjukkan benar dan masih ada nilai-nilai yang terletak antara
benar dan salah. Beberapa hal yang perlu diketahui dalam memahami sistem fuzzy :
Variabel Fuzzy. Merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy,
contoh : umur, temperature, permintaan dan sebagainya.
Himpunan Fuzzy. Merupakan suatu grup yang mewakili suatu kondisi atau keadaan
tertentu dalam suatu variabel fuzzy,
contoh : – Variabel umur dibagi menjadi 3 himpunan fuzzy : muda,
parobaya, tua.
– Variabel temperature ibagi menjadi 5 himpunan fuzzy : dingin, sejuk,
normal, hangat dan panas.
Nilai Ambang Alfa-Cut. Merupakan nilai ambang batas domain yang didasarkan
pada nilai keanggotaan untuk tiap-tiap domain, dimana α – cut memiliki 2 kondisi : α
-cut lemah dapat dinyatakan sebagai : μ (x) ≥ α, α – cut kuat dapat dinyatakan sebagai :
μ (x) > α [2]
a) Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaaan atau kondisi tertentu
dengan menggunakan Bahasa.
b) Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel.
4. Fungsi keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan peme- taan titik-
titik input data ke dalam nilai 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 diantaranya:
Himpunan fuzzy linear turun, garis lurus dimulai dari nilai domain
dengan derajat keanggotaan tertinggi pada sisi kiri kemudian bergerak
menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah.
Seperti yang ditunjukan Gambar ini
Derajat
Keanggotaan
Domain
Figure 3 Grafik Fungsi Keanggotaan Segitiga
Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada
beberapa titik yang memiliki nilai keanggotaan 1. Bentuk grafik sebagai berikut:
Derajat
Keanggotaan
Domain
Pada kurva yang memiliki representasi gaussian memiliki bentuk yang hampir
sama dengan segitiga dengan permukaan yang tumpul. Biasanya kurva gaussian
digunakan untuk mengolah data-data yang acak. Bentuk grafik sebagai berikut:
Domain
Figure 5 Grafik Fungsi Keanggotaan Gaussian
Seperti halnya himpunan konvensional, ada beberapa operasi yang didefinisikan secara khusus untuk
mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi
dua himpunan sering dikenal dengan namafire strength atau -predikat. Ada tiga operator dasar
yang diciptakan oleh Zadeh, yaitu:
1. Operator AND
2. Operator OR
3. Operator NOT
6. Fungsi implikasi
Tiap-tiap aturan (proporsi) pada basis pengetahuan fuzzyakan berhubungan dengan suatu relasi
fuzzy. Bentuk umum dari aturan yang digunakan dalam fungsi implikasi adalah:
IF x is A THEN y is B
Dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy. Proporsi yang mengikuti IF
disebut sebagai anteseden, sedangkan proporsi yang mengikuti THEN disebut sebagai
konsekuen. Proposisi ini dapat diperluas dengan menggunakan operator fuzzy, seperti:
Secara umum ada dua fungsi implikasi yang digunakan dalam operrasi fuzzy yaitu:
Rule base
post
Inference
-Fuzzyfikasi
Defuzzifikasi adalah mengubah fuzzy output menjadi nilai tegas berdasarkan fungsi
keanggotaan yang telah ditentukan. Sistem inferensi hanya dapat membaca nilai yang
tegas, maka diperlukan suatu mekanisme untuk mengubah nilai fuzzy output itu
menjadi nilai yang tegas. Itulah peranan defuzzifikasi yang memuat fungsi-fungsi
penegasan dalam sistem, sehingga defuzzifikasi merupakan metode yang penting dalam
pemodelan sistem fuzzy.
Menurut Solikin Salah satu aplikasi logika fuzzy yang telah berkembang
amat luas dewasa ini adalah sistem inferensi fuzzy (Fuzzy Inference System / FIS)
yaitu kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy
berbentuk IF THEN dan penalaran fuzzy. Misalnya penentuan produksi barang, sistem
pendukung keputusan, sistem klasifikasi data, sistem pakar, sistem pengenalan pola,
robotika dan sebagainya.
Ada tiga metode dalam sistem inferensi fuzzy yang sering digunakan yaitu metode
Tsukamoto, metode Mamdani dan metode Takagi Sugeno. Dalam penelitian ini
menggunakan metode Mamdani mempergunakan aturan inferensi berdasarkan logika
fuzzy.
8.Metode mamdani
Metode Mamdani sering juga dikenal dengan Metode Max-Min. Metode ini
dikenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output,
diperlukan 4 tahapan yaitu:
1. Pembentukan himpunan fuzzy
Pada metode mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau
inferensi diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode yang digunakan
dalam melakukan inferensi sistem fuzzy yaitu : max, additive dan probabilistic OR.
4. Defuzzifikasi
Input dari proses defuzzy adalah suatu himpunan fuzzy, sedangkan output yang dihasilkan
merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Salah satu metode dari
defuzzyfikasi adalah metode centroid. Metode centroid dapat disebut Center of Area (Center of
Gravity) adalah metode yang paling lazim dan paling banyak diusulkan oleh banyak peneliti untuk
digunakan.
Merancang Simulink
Pertama buka Matlab, kemudian menunggu sampai akan muncul seperti tampilan
dibawah :
Kita perlu menambahkan input dengan cara klik Edit => Add Variabel input maka
penambahan input akan ditambahkan
Figure 9 Penambahan variabel input
Kemudian mengganti nama pada setiap Input 1 , Input 2 dan Output 1 dengan cara
menggantinya pada kolom name
Membuat fungsi keanggotaan dengan cara klik => member function dan menunggu
sampai muncul tampilan member Function dan membuat fungsi keanggotaan sesuai
dengan program kita atau mengambil dari data real, dan ditahap ini menentukan himpunan
variabel baik variabel input atau pun output
Pada variabel permintaan terdiri dari tiga himpunan fuzzy yaitu rendah,sedang,dan tinggi.Dengan fungsi
keanggotaan rumuskan berikut ini:
µPSNrendah ( x ) = {425−x
125
300≤ x ≤ 425
µPSNsedang ( x )= { x−375
125
375 ≤ x ≤500
{625−x
125
500< x ≤ 625
{ x−575
125
575 ≤ x ≤ 700
Table 1 domain himpunan fuzzy variabel input
Pada variabel persedian terdiri dari tiga himpunan fuzzy yaitu:sedikit,sedang, dan banyak dan dirumuskan
dengan persamaan berikut ini:
µPSNsedikit ( x ) = {30−30 y 0≤ y ≤30
y >30
µPSNsedang ( x )= { y−20
30
20 ≤ y ≤ 50
µPSNbanyak ( x )= { y −70
30
70< y 100
µPSNberkurang ( x ) = {475−z
115
360≤ z ≤ 475
µPSNnormal ( x )= { z−425
115
425 ≤ z ≤540
{665−z
115
540< z ≤ 655
{ z−605
115
z< 605 atau z> 720
Kemudian masuk ke Rule editor dengan mengklik => Rules kemudian membuat rule
sesuai dengan kebutuhan dan disesuaikan pada rule tabel yang sudah dibuat.
Figure 14 Rule
Maka kita dapat melihat hasil dirule viewer yg sudah dibuat di rule editor dengan klik
View => Rules
Untuk tahap Defuzzifikasi digunakan metode centroid dengan domain kontinu dengan
persamaan:
∫ z µ ( z ) dz
M 1+ M 2+ M 3+ M 4
Z= 14 =
A 1+ A 2+ A 3+ A 4
∫ z µ ( z ) dz
1
Menghitung momen
442,8
M 1= ∫ ( 0,28 ) z dz =0,14 z 2=9.306 .06
360
461,2
M 2= ∫
442,8
( 475−z
115 )
z dz =1.638,88
641,2
M 3= ∫ ( 0,12 ) z dz =0,06 z2 =11.905,92
461,2
655
M 4= ∫
641,2
( 655−z
115 )
z dz=534,72
Hitung luas
A4 ( 12 ) x ( 655−641,2) × 0,12=0,828
Hitung titik pusat
M 1+ M 2+ M 3+ M 4
z=
A 1+ A 2+ A 3+ A 4
23.3385,58
=474,43
49,292
Figure 15 rule viewer
Untuk melihat surface viewer dari hasil yg sudah dibuat di rule editor, kita dapat
mengklik View => Surface
Simulink
Simulink adalah lingkungan diagram blok untuk simulasi multidomain dan Desain berbasis
Model. Ini mendukung desain tingkat sistem, simulasi, pembuatan kode otomatis, dan
pengujian berkelanjutan dan verifikasi sistem tertanam. Simulink menyediakan editor grafik,
pustaka blok yang dapat disesuaikan, dan pemecah untuk pemodelan dan simulasi dinamika.
Membuat simulink yg pertama kembali ke awal matlab, kemudian klik file => new =>
model dan tunggu sampai akan muncul seperti dibawah ini :
Figure 18 tampilkan model
Kembali pada tampilan awal matlab lalu klik “ Simulink library “ di command windows
sehingga akan muncul 2 windows yang terbuka yaitu model dan simulink , kemudian
tunggu sampai muncul tampilan dibawah ini :
Figure 19 Simulink(kiri) dan model(kanan)
Klik Sources di Simulink Libraries , setelah itu klik dan tahan pilihan constant dan drag
ke model lalu mengulangi tahap ini sekali lagi
Jika sudah melakukan tahap diatas lanjut klik signal routing di simulink libraries lalu
pilih dan drag mux ke model
Figure 21 drag Demux ke model
Klik fuzzy logic toolbox libraries lalu pilih fuzzy logic contoller dan drag pada model
Klik sink di simulink libraries , lalu pilih dan draf ke display ke model
Figure 23 drag display ke model
Kemudian sambungkan ke semua komponen lalu double klik di komponen fuzzy logic
controller kemudian paste name di program yang sudah dicopy atau saat diexport ke
workspace. Lalu klik appy dan ok
Figure 25 simulasi
Kesimpulan
3. Komposisi aturan
4. Defuzzifikasi
Saran
Pada tugas kelompok imi terkait fuzzy logika mamdani pada penentuan jumlah produksi
digunakan 2 variabel input yaitu permintaan dan persediaan serta 1 variabel output untuk jumlah
produksi.Untuk penelitian selanjutnya bisa dikembangkan dengan menambah variabel input
ataupun output untuk memecahkan masalah yang lebih kompleks