LAPORAN PERKULIAHAN

Mata Kuliah : Kecerdasan Buatan

Dosen Pengampu : Dr. Eng. Admi Syarif

Oleh :
Nur Mita Utami
2017051058

JURUSAN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENFETAHUAN ALAM
UNIVERSITAS LAMPUNG
2022
 A. Pengertian Logika Fuzzy
Logika fuzzy diperkenalkan pertama kali pada tahun 1965 oleh Prof Lutfi A. Zadeh seorang
peneliti di Universitas California di Barkley dalam bidang ilmu komputer. Professor Zadeh
beranggapan logika benar salah tidak dapat mewakili setiap pemikiran manusia, kemudian
dikembangkanlah logika fuzzy yang dapat mempresentasikan setiap keadaan atau mewakili
pemikiran manusia. Perbedaan antara logika tegasdan logika fuzzy terletak pada keanggotaan
elemen dalam suatu himpunan. Jika dalam logika tegas suatu elemen mempunyai dua pilihan
yaitu terdapat dalam himpunan atau bernilai 1 yang berarti benar dan tidak pada himpunan atau
bernilai 0 yang berarti salah. Sedangkan dalam logika fuzzy, keanggotaan elemen berada di
interval [0,1].

B. Sejarah perkembangan Logika Fuzzy

Sejarah perkembangan fuzzy logic Fuzzy logic adalah cabang dari matematika dengan
bantuan computer memodelkan dunia nyata seperti yang dilakukan manusia. Fuuzy logic
meformulasikan masalah memnjadi lebih mudah, mempunyai pesisi yan tinggi, dan solusi yang
akurat. Fuzzy logic menggunakn dasar pendekatan hukum-hukum untuk mengontrol system
dengan bantuan model matematika.

Pada Boolean Logic setiap petrnyataan benaru atau salah, seaai contoh pernyataan dengan
1 atau 0. Jelasnya himpunan fuzzy memiliki fleksibilitan keanggotaan yang diperlukan untuk
keanggotaan pada suatu himpunan. Setiap kejadian dari tingkat dan alasan yang jelas adalah
menunjukan kasus terbatan pada pendekatan yang benar. Karena itu dapat disimpulkan bahwa
Boolean Logic adalah subset dar I Fuzzy Logic. Sejarah perkembangan fuzzy logic sebagai
berikut:

• 1965 Paper pertama “Fuzzy Logic” oleh Prof. Lotfi Zadeh, Faculty in Electrical
Engineering, U.C. Berkeley, sets the foundation stone for the “fuzzy Set Theory”

• 1970 Fuzzy Logic applied in conrol Engineering.

• 1975 Japan makes an entry

• 1980 Empirical Verification of Fuzzy Logic in Europe Broad Application of Fuzzy Logic
in Japan. • 1990 Broard Application of Fuzzy Logic in Europe and Japan

• 1995 U.S increases interest and research in Fuzzy Logic.

• 2000 Fuzzy Logic becomes a Standard Technology and is widely applied in Business and
Finance
C. Jenis Logika Fuzzy

1. Fuzzy Inference System Tsukamoto

Saat proses evaluasi aturan dalam mesin inferensi, metode fuzzy Tsukamoto
menggunakan fungsi implikasi MIN untuk mendapatkan nilai α-pedikat tiap-tiap elemen
rule (α1, α2, α3, α4,…. αn). Masing- masing nilai α digunakan untuk menghitug hasil
inferensi secara tegas (Crisp).
Proses defuzzyfikasi pada metode Tsukamoto menggunakan rata-rata (Average)
dengan rumus :
∑ 𝛼1 . 𝑍1
𝑍=
∑ 𝛼1

2. Fuzzy Inference System Sugeno

Secara umum ada 2 model pada metode Sugeno yaitu Metode Fuzzy SugenoOrde-
Nol dan Metode Fuzzy Sugeno Orde-Satu.

a. Metode SugenoOrde-Nol
Secara umum bentuk model inferensi fuzzy SugenoOrde-Noladalah :
𝐼𝐹 (𝑥1 𝑖𝑠 𝐴1𝑖 ) 𝑜 (𝑥2 𝑖𝑠 𝐴2𝑖)𝑜 … … . 𝑜 (𝑥𝑁 𝑖𝑠
𝐴𝑁𝑖)𝑇ℎ𝑒𝑛 𝑧 = 𝑘
Dengan 𝐴𝑖 adalah himpunan fuzzy ke-i sebagai anteseden, dan kadalah suatu
konstanta (bersifat crisp) sebagai konsekuen.

b. Metode SugenoOrde-Satu
Secara umum bentuk model inferensi fuzzy SugenoOrde-Satuadalah :
𝐼𝐹 (𝑥1 𝑖𝑠 𝐴1𝑖 ) 𝑜 (𝑥2 𝑖𝑠 𝐴2𝑖)𝑜 … … . 𝑜
(𝑥𝑁 𝑖𝑠 𝐴𝑁)𝑇ℎ𝑒𝑛 𝑧 = 𝑝1 ∗ 𝑥1 + ⋯ + 𝑝𝑁 ∗ 𝑥𝑁 + 𝑞
Dengan 𝐴 𝑖 adalah himpunan fuzzy ke-i sebagai anteseden, dan
𝑃 𝑖 adalah suatu konstanta (tegas) ke-I dan q juga merupakankonstanta dalam
konsekuen.

3. Fuzzy Inference System Mamdani

Metode Mamdani sering dikenal dengan sebagai Metode Max- min. Metode ini
diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output,
diperlukan 4 tahapan:
a. Pembentukan himpunan fuzzy
Pada metode Fuzzy–Mamdani, baik variabel input maupun variabel
 output dibagi menjadi satu atau lebih himpunan fuzzy.
b. Aplikasi fungsi implikasi (aturan)
Pada metode Fuzzy–Mamdani, fungsi implikasi yang digunakan
adalah Min.
c. Komposisi aturan
Ada 3 metode yang digunakan dalam melakukan inferensi sistem
fuzzy, yaitu max, additive dan probabilistik ATAU (probor).

d. Penegasan (defuzzyfikasi)
Input dari proses defuzzyfikasi adalah suatu himpunan fuzzy yang
diperoleh dari komposisi aturan– aturan fuzzy, sedangkan output yang dihasilkan
merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika
diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil
suatu nilai crisp tertentu sebagai output.

Proses defuzzyfikasi pada metode Mamdani menggunakan metode Centroid.

∫ 𝜇 (𝑧). 𝑧 𝑑𝑧
𝑍=
∫ 𝜇 (𝑧)𝑑𝑧

D. Kelebihan Logika Fuzzy

Logika fuzzy menjadi alternatif dari berbagai sistem yang ada dalam pengambilan
keputusan karena logika fuzzy mempunyai kelebihan sebagai berikut:
a. Logika fuzzy memiliki konsep yang sangat sederhana sehingga mudahuntuk dimengerti.
b. Logika fuzzy sangat fleksibel, artinya mampu beradaptasi denganperubahan-perubahan dan
ketidakpastian.
c. Logika fuzzy memiliki toleransi terhadap data yang tidak tepat.
d. Logika fuzzy mampu mensistemkan fungsi-fungsi non-linier yangsangat kompleks.
e. Logika fuzzy dapat mengaplikasikan pengalaman atau pengetahuandari para pakar.L
f. ogika fuzzy dapat bekerjasama dengan teknik-teknik kendali secarakonvensional
g. Logika fuzzy didasarkan pada bahasa sehari-hari sehingga mudah dimengerti.

Logika fuzzy memiliki beberapa komponen yang harus dipahamiseperti himpunan fuzzy, fungsi
keanggotaan, operator pada himpunan fuzzy, inferensi fuzzy dan defuzzifikasi.

E. Himpunan Fuzzy

Dalam logika fuzzy, ada 2 jenis himpunan yang biasa dikenal, yaitu himpunan
tegas (crisp set) dan himpunan kabur (fuzzy set).

a. Himpunan kabur (fuzzy set)

Himpunan yang menyatakan keanggotaan objek dengan nilai keanggotaan (𝜇) yang
berbeda pada interval 0 ≤ 𝜇 ≤1. Selain itu Himpunan fuzzy memiliki atribut,
diantaranya yaitu :

1. Linguistik
Penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan
menggunakan bahasa alami, seperti : MUDA, PAROBAYA, TUA.

2. Numeris Yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu
variabel seperti : 50, 25, 45, dsb.

3. Semesta Pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang

diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Contoh : semesta
pembicaraan untuk variabel umur : [0,100].

4. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam
semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.
Contoh :
• MUDA = [0,30] artinya seseorang dikatakan muda dengan umur 0
hingga 30
• PAROBAYA = [20,50] artinya seseorang dikatakan parobaya dengan
umur 20 hingga 50
• TUA = [40,+ ] artinya seseorang dikatakan tua dengan umur 40 hingga
+∞

b. Himpunan tegas (crisp set)

Himpunan yang menyatakan bahwa keanggotaan objek dengan dua nilai keanggotaan
yaitu 𝜇 = 1 dan 𝜇 = 0 . 1 merupakan anggota himpunan dan 0 yang bukan merupakan
angootaa himpunan. Himpunan yang terdefinisi secara tegas memiliki arti bahwa
setiap unsur elemen dalam semestanya selalu dapat ditentukan secara tegas bahwa
anggota dari himpunan tersebut termasuk atau tidak kedalam keanggotaan tersebut.

F. Aplikasi yang digunakan Logika Fuzzy

1. 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.
 2. Ekonomi, seperti pemodelan fuzzy pada sistem pemasaran yang kompleks, dll.
3. Klasifikasi dan pencocokan pola.
4. Psikologi, seperti logika fuzzy untuk menganalisis kelakuan masyarakat, pencegahan
dan investigasi kriminal, dll.
5. Ilmu-ilmu sosial, terutam untuk pemodelan informasi yang tidak pasti.
6. Ilmu lingkungan, seperti kendali kualitas air, prediksi cuaca, dll.

G. Arsitektur Logika Fuzzy

Ada Tiga Proses Utama jika ingin Mengimplementasikan Fuzzy Logic Pada Suatu
Perangkat, yaitu:
a. Fuzzification, merupakan suatu proses untuk mengubah suatu masukan dari bentuk
tegas(crisp) menjadi fuzzy yang biasanya disajikan dalam bentuk himpunan-
himpunan fuzzydengan suatu fungsi kenggotaannya masing-masing.
b. Interference System (Evaluasi Rule), merupakan sebagai acuan untuk menjelaskan
hubungan antara variable-variabel masukan dan keluaran yang mana variabel yang
diproses dan yang dihasilkan berbentuk fuzzy. Untuk menjelaskan hubungan antara
masukan dan keluaran biasanya menggunakan “IF-THEN”.
c. Defuzzification, merupakan proses pengubahan variabel berbentuk fuzzy tersebut
menjadi data-data pasti (crisp) yang dapat dikirimkan ke peralatan pengendalian.
CONTOH SOAL

1. Suatu perusahaan minuman akan memproduksi minuman jenis XYZ. Dari data 1 bulan
terakhir, permintaan terbesar hingga mencapai 6000 botol/hari, dan permintaan terkecil
sampai 500 botol/hari. Persediaan barang digudang terbanyak sampai 800 botol/hari, dan
terkecil pernah sampai 200 botol/hari. Dengan segala keterbatasannya, sampai saat ini,
perusahaan baru mampu memproduksi barang maksimum 9000 botol/hari, serta demi
efisiensi mesin dan SDM tiap hari diharapkan perusahaan memproduksi paling tidak 3000
botol. Apabila proses produksi perusahaan tersebut menggunakan 4 aturan fuzzy sbb:

[R1] IF Permintaan TURUN And Persediaan BANYAK

THEN Produksi Barang BERKURANG;

{R2] IF Permintaan TURUN And Persediaan SEDIKIT

THEN Produksi Barang BERKURANG;

[R3] IF Permintaan NAIK And Persediaan BANYAK

THEN Produksi Barang BERTAMBAH;

[R4] IF Permintaan NAIK And Persediaan SEDIKIT

THEN Produksi Barang BERTAMBAH;

Berapa botol minuman jenis XYZ yang harus diproduksi, jika jumlah permintaan sebanyak 4500
botol, dan persediaan di gudang masih 700 botol?

Jawaban
Ada 3 variabel fuzzy yang akan dimodelkan, yaitu:
• Permintaan; terdiri-atas 2 himpunan fuzzy, yaitu: NAIK dan TURUN (Gambar 2.19).
 0,72

0,27

Gambar 2.19 Fungsi keanggotaan variabel Permintaan pada Contoh

 1, x  500
 6000 − X
PmtTurunX =  , 500  x  6000
 5500 x  6000
 0,
 0, x  500
 x - 500
PmtNaikX =  , 500  x  6000
 5500
 1, x  6000

Kita bisa mencari nilai keanggotaan:

PmtTURUN[4500] = (6000-4500)/5500
= 0,27
PmtNAIK[4500] = (4500-500)/5500
= 0,72

• Persediaan; terdiri-atas 2 himpunan fuzzy, yaitu: SEDIKIT dan BANYAK (Gambar 2.20).

0,667
033
83

Gambar 2.20 Fungsi keanggotaan variabel Persediaan pada Contoh.

Kita bisa mencari nilai keanggotaan:

PsdSEDIKIT[400] = (600-400)/600
= 0,667

PsdBANYAK[400] = (400-200)/600
= 0,33
• Produksi barang; terdiri-atas 2 himpunan fuzzy, yaitu: BERKURANG dan BERTAMBAH
(Gambar 2.21).

Gambar 2.21. Fungsi keanggotaan variabel Produksi Barang pada Contoh.

1, z  3000
 9000 − z
Pr BrgBERKURANG [ z] =  , 3000  z  9000
 6000
0, z  9000
0, z  3000
 z − 3000
Pr BrgBERTAMBAH [ z] =  , 3000  z  9000
 6000
1, z  9000

Sekarang kita cari nilai z untuk setiap aturan dengan menggunakan fungsi MIN pada aplikasi
fungsi implikasinya:

[R1] IF Permintaan TURUN And Persediaan BANYAK

THEN Produksi Barang BERKURANG;

-predikat1 = PmtTURUN  PsdBANYAK

= min(PmtTURUN [4500],PsdBANYAK[700])

= min(0,27; 0,83)

= 0,27

Lihat himpunan Produksi Barang BERKURANG,

(9000-z)/6000 = 0,27 ---> z1 = 7380

{R2] IF Permintaan TURUN And Persediaan SEDIKIT

THEN Produksi Barang BERKURANG;
-predikat2 = PmtTURUN  PsdSEDIKIT

= min(PmtTURUN [4500],PsdSEDIKIT[700])

= min(0,667; 0,337)

= 0,333
 Lihat himpunan Produksi Barang BERKURANG,

(9000-z)/6000 = 0,333 ---> z2 = 7002

[R3] IF Permintaan NAIK And Persediaan BANYAK

THEN Produksi Barang BERTAMBAH;
-predikat3 = PmtNAIK  PsdBANYAK

= min(PmtNAIK [4500],PsdBANYAK[400])

= min(0,72; 0,33)

= 0,4

Lihat himpunan Produksi Barang BERTAMBAH,

(z-3000)/6000 = 0,333 ---> z3 = 4996

[R4] IF Permintaan NAIK And Persediaan SEDIKIT

THEN Produksi Barang BERTAMBAH;
-predikat4 = PmtNAIK  PsdBANYAK

= min(PmtNAIK [4500],PsdSEDIKIT[400])

= min(0,72; 0,667)

= 0,667

Lihat himpunan Produksi Barang BERTAMBAH,

(z-3000)/6000 = 0,667 ---> z4 = 7002

Dari sini kita dapat mencari berapakah nilai z, yaitu:

pred1 * z1 + pred2 * z2 + pred3 * z3 + pred4 * z4

z=
pred1 + pred2 + pred3 + pred4

0,27 * 7380 + 0,333 * 7002 + 0,33 * 4993 + 0,667 * 7002 10643,3

z= = = 6652
0,27 + 0,333 + 0,333 + 0,667 1,6
Jadi jumlah minuman jenis XYZ yang harus diproduksi sebanyak 6652 botol.

2. Misalkan terdapat himpunan tegas A={ x ∣ − 3< x < 9 ,x ∈ R}. Pernyataan berikut yang
bernilai benar terkait nilai keanggotaan pada A adalah….

Jawaban
A merupakan himpunan bilangan real di antara −3 dan 9.
Cek Opsi A:
1999 ∈ A sehingga seharusnya μA[1999]=1.
Cek Opsi B:
−0,2333 ∈ A sehingga seharusnya μA[−0,2333]=1.
Cek Opsi C:
 8,9999 ∈ A sehingga benar bahwa μA[8,9999]=1.
Cek Opsi D:
−4 ∉ A sehingga seharusnya μA[−4]=0.
Cek Opsi E:
2 + 3 ≈ 1,4+1,7=3,1∈A sehingga seharusnya μ A [2+3] = 1.
Jadi, pernyataan yang benar adalah 𝜇𝐴 = [8,999] = 1

3. Diketahui nilai keanggotaan untuk variabel UMUR secara grafis seperti gambar berikut.

Seseorang yang berumur 40 tahun mempunyai nilai μ Muda[40] dan μ Dewasa[40] masing-
masing sebesar ….

Jawaban
40 − 45 −5 1
μ Muda[40] = = = = 0,25
25 − 45 −20 4

40 − 35 5 1
μ Dewasa[40] = = = = 0,5
45 − 35 10 2