TUGAS KELOMPOK 1 KECERDASAN BUATAN

LOGIKA FUZZY METODE MANDANI DALAM PENENTUAN PRODUKSI

DISUSUN OLEH Kelompok 1

Nama Anggota :
1. Binyedi B. Yensenem (2019051074006)
2. Rianti Betteng (2019051074020)
3. Joshua Gracello Randa (2019051074003)
4. Calvin sikoway (2019051074019)
5. Klif Patrik Msiren (2019051074)
6. Yustivi Pago (2019051074022)
7. Mehza Refliyand (2019051074034)
8. Marsel (2019051074041)
9. M Bambang Irawan (2019051074017)
FAKULTAS MATEMATIKA ILMU PENGETAHUAN ALAM
PRODI SISTEM INFORMASI
UNIVERSITAS CENDERAWASIH
JAYAPURA PAPUA
2021
 Kata Pengantar

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.

1. Pengertian Logika Fuzzy

Logika Fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke
dalam ruang output. Untuk sistem yang sangat rumit, penggunaan logika fuzzy (fuzzy logic)
adalah salah satu pemecahannya. Sistem tradisional dirancang untuk mengontrol keluaran
tunggal yang berasal dari beberapa masukan yang tidak saling berhubungan. Karena
ketidaktergantungan ini, penambahan masukan yang baru akan memperumit proses kontrol
dan membutuhkan proses perhitungan kembali dari semua fungsi .

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.

Keuntungan lainnya adalah sistem fuzzy mempunyai kemampuan penalaran yang

mirip dengan kemampuan penalaran manusia. Hal ini disebabkan karena sistem fuzzy
mempunyai kemampuan untuk memberikan respon berdasarkan informasi yang bersifat
kualitatif, tidak akurat, dan ambigu.

2. Himpunan Logika Fuzzy

Himpunan logika fuzzy pertama kali dikembangkan pada tahun 1965 oleh Zadeh ,
teori himpunan fuzzy telah banyak dikembangkan dan di aplikasikan dalam berbagai
masalah real. Konsep himpunan fuzzy yang dikembangkan oleh Zadeh.

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.

 Semesta Pembicaraan. Keseluruhan nilai yang diperbolehkan untuk dioperasikan

dalam suatu variabel fuzzy, contoh : semesta pembicaraan untuk variabel temperature :
[0 40].
 Domain. Keseluruhan nilai yang diinginkan dalam semesta pembicaraan dan boleh
dioperasikan dalam suatu himpunan fuzzy.

 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]

3. Atribut himpunan fuzzy

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:

a.Fungsi Keanggotaan Linear

Pada fungsi linear, pemetaan input ke derajat keanggotannya digambarkan sebagai suatu
garis lurus. Ada dua keadaan himpunan fuzzy linear, yaitu linear naik dan linear turun.
Himpunan fuzzy linear naik, kenaikan himpunan dimulai pada nilai domain yang memiliki
derajat keanggotaan nol [0] bergerak kekanan menuju ke nilai domain yang memiliki
derajat keanggotaan lebih tinggi. Seperti yang ditunjukan Gambar bawah ini
 Domain

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

Figure 2 Grafik Fungsi Keanggotaan Linier

b.Fungsi Keanggotaan Segitiga

Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linier).

Bentuk grafik sebagai berikut :

Derajat

Keanggotaan

Domain
Figure 3 Grafik Fungsi Keanggotaan Segitiga

c.Fungsi Keanggotaan Trapesium

Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada

beberapa titik yang memiliki nilai keanggotaan 1. Bentuk grafik sebagai berikut:
Derajat

Keanggotaan

Domain

Figure 4 Grafik Fungsi Keanggotaan Trapesium

d.Fungsi Keanggotaan Gaussian

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

5. Operator Dasar Zadeh untuk operasi himpunan Fuzzy

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:

IF (x1 is A1) • (x2 is A2) • (x3 is A3) •

.... • (xN is AN) • THEN y is B

Dengan • adalah operator (misal: OR atau AND).

Secara umum ada dua fungsi implikasi yang digunakan dalam operrasi fuzzy yaitu:

1. Min (minimum). Fungsi ini memotong output himpunan fuzzy.

2. Dot (product). Fungsi ini menskala output himpunan fuzzy.
Sistem Berbasis Aturan Fuzzy Pendekatan logika fuzzy di implementasikan dalam tiga tahapan,
yakni: fuzzifikasi, evaluasi rule (inferensi) dan defuzzifikasi.

Rule base
post

Pre-processing fuzzyfication defuzzification prossing

Inference

Figure 6 Tahapan sistem berbasis aturan fuzzy

-Fuzzyfikasi

Fuzzyfikasi merupakan fase pertama dari perhitungan fuzzy yaitu mengubah

masukan yang nilai kebenarannya bersifat pasti ke dalam bentuk fuzzy input yang
berupa tingkat keanggotaan/tingkat kebenaran. Dengan demikian, tahap ini
mengambil nilai-nilai crisp dan menentukan derajat di mana nilai-nilai tersebut
menjadi anggota dari setiap himpunan fuzzy yang sesuai.
-Inferensi

Inferensi adalah melakukan penalaran menggunakan fuzzy input dan fuzzy

rules yang telah ditentukan sehingga menghasilkan fuzzy output. Secara sintaks, suatu
fuzzy rule (aturan fuzzy) dituliskan sebagai berikut:

IF antecendent THEN consequent

-Defuzzifikasi

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.

7. Sistem Inferensi 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

lebih himpunan fuzzy.

2. Aplikasi fungsi implikasi (aturan)

Pada metode mamdani, fungsi implikasi yang digunakan adalah Min.
3. Komposisi Aturan
Tidak seperti penalaran monoton, apabila sistem terdiri dari beberapa aturan, maka

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 :

Figure 7 tampilan awal matlab

 Kemudian kita mengetik “ Fuzzy ‘’ pada tampilan windows untuk masuk ke Fuzzy
Toolbox dan menunggu sampai muncul tampilan Fuzzy Toolbox

Figure 8 tampilan fuzzy toolbox

 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

Figure 10 mengganti Nama

 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

Figure 11 Tampilan member function permintaan

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

0 , x< 300 atau x> 425

µPSNsedang ( x )= { x−375
125
375 ≤ x ≤500

{625−x
125
500< x ≤ 625

µPSNtinggi ( x )=0 , x <575 atau x >700

{ x−575
125
575 ≤ x ≤ 700
Table 1 domain himpunan fuzzy variabel input

Nama Variabel Nama himpunan fuzzy Domain

rendah 300-425
Permintaan sedang 375-625
tinggi 575-700
sedikit 0-30
Persediaan sedang 20-80
banyak 70-100

Figure 12 fungsi keanggotaan persediaan

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

{80−30 y 20< y ≤50

0 , y <20 atau y >80

µPSNbanyak ( x )= { y −70
30
70< y 100

0 , y <70 atau y >100

Table 2 domain himpunan fuzzy variabel output

NAMA VARIABEL NAMA HIMPUNAN FUZZY DOMAIN

berkurang 360-475
JUMLAH PRODUKSI normal 425-655
bertambah 605-720

Figure 13 fungsi keanggotaan jumlah produksi

Pada variabel produksi terdiri dari tiga himpunan fuzzy yaity berkurang,normal, dan bertambah dengan
persamaan berikut ini:

µPSNberkurang ( x ) = {475−z
115
360≤ z ≤ 475

0 , z< 300 atau z >475

µPSNnormal ( x )= { z−425
115
425 ≤ z ≤540

{665−z
115
540< z ≤ 655

0 , z< 425 atau z >655

µPSNbertambah ( x )=0 , z ≤ 605 ≤720

{ 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

A 1=( 442,8−360 ) ×0,28=23,184

A 2= ( 12 )× ( 0,28+0,12 ) × ( 461,2−442,8 ) =3,68

A 3= ( 641,2−461,2 ) ×12=21,6

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

Figure 16 surface viewer

  Kemudian menyimpan hasil kita dengan cara klik file => Export => to file lalu disimpan
ke tempat yg kita inginkan. Lalu ulangi kembali klik file => Export => to workspace
kemudian copy workspace variabelnya untuk membuat simulink

Figure 17 workspace variabel

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

Figure 20 drag Costant ke Model

 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

Figure 22 drag fuzzy logic controller ke 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 24 fuzzy logic controller

  Untuk simulasi kita perlu memasukkan nilai harga dan kualitas lalu klik start

Figure 25 simulasi

Kesimpulan

Berdasarkan hasil dan pembahasan dapat disimpulkan sebagai berikut ini:

Untuk menentukan jumlah produksi dapat menggunakan logika fuzzy metode mamdani dengan
menentukan aturan aturan fuzzy terlebih dahulu berdasarkan input permintaan dan
persediaan.Pada logika fuzzy mamdani untuk dapatkan output diperlukan 4 tahap yaitu:

1. Pembentukan himpunan fuzzy

2. Aplikasi fungus implikasi(aturan)

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