RANGKUMAN MATERI

FUZZY LOGICS

Dosen:
Mashuri, S.Si.MT
Disusun Oleh:
Ajusta Ananta Yogarizki (2039201023)
Muhammad Irsyad Aziz (2039201035)
Ahmad Fikri Fawaid (2039201036)

DEPARTEMEN TEKNIK MESIN INDUSTRI

FAKULTAS VOKASI
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
2022
1. About Fuzzy Logics
 Logika Fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh pada tahun 1965.
 Logika Fuzzy digunakan untuk manusia berkomunikasi dengan computer.
 Meskipun logika fuzzy dikembangkan di Amerika, namun ia lebih populer dan banyak
diaplikasikan secara luas oleh praktisi Jepang. Dikarenakan kultur orang Barat yang
cenderung memandang suatu persoalan sebagai hitam-putih, ya-tidak, sukses-gagal, atau
yang setara dengan dunia logika biner.
 Logika fuzzy umumnya diterapkan pada masalah-masalah yang mengandung unsur
ketidakpastian (uncertainty), ketidaktepatan (imprecise), noisy, dan sebagainya.
 Contoh penerapan logika fuzzy: mesin cuci, mesin cuci otomatis menerapkan logika fuzzy
dengan cara berikut.
- Menggunakan sensor untuk mendeteksi kotoran pada pakaian.
- Inputnya: tingkat kekotoran, jenis kotoran dan banyaknya cucian.
- Outputnya: menentukan putaran putaran yang tepat secara otomatis.
 Pada himpunan tegas, nilai suatu keanggotaan dalam suatu himpunan A (ditulis mA[x])
memiliki 2 kemungkinan:
- Satu (1) menyatakan x anggota A
- Nol (0) menyatakan x bukan anggota A
•Contoh:
Diketahui S = {1,2,3,4,5,6}
A = {1,2,3}
B = {4,5,6}
Maka:
- mA [2] = 1, karena 2 elemen A
- mA [4] = 0, karena 4 bukan elemen A
- mB [4] = 1, karena 4 elemen B

2. Example About Fuzzy Set

Misal: Variabel umur dibagi menjadi 3 dengan kategori sebagai berikut.
-Muda <30 Tahun
-Dewasa30 Tahun ≤ Umur ≤ 50 Tahun
-Tua >50 Tahun
Pernyataan:
 ØApabila seseorang berusia 29 tahun, maka ia dikatakan MUDA
ØApabila seseorang berusia 30 tahun, maka ia dikatakan TIDAK MUDA
ØApabila seseorang berusia 30 tahun, maka ia dikatakan DEWASA
ØApabila seseorang berusia 30 tahun kurang 1 hari, maka ia dikatakan TIDAK DEWASA
ØApabila seseorang berusia 50 tahun, maka ia dikatakan TIDAK TUA
ØApabila seseorang berusia 50 tahun lebih 1∕2 hari, maka ia dikatakan TUA

Tabel 1 Contoh pengelompokan umur dengan Himpunan Biner

Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Sesorang dapat masuk
dalam 2 himpunan yang berbeda. MUDA dan DEWASA, DEWASA dan TUA, dsb. Seberapa
besar eksistensinya dapat dilihat pada nilai/derajat keanggotaannya. Gambar berikut menunjukkan
himpunan fuzzy untuk variabel umur:

3. Operasi Logika (Operasi Himpunan Fuzzy)

Operasi Logika Fuzzy
Tabelialah Operasi
2 Contoh yang mengkombinasikan
Pengelompokan danFuzzy
umur dengan Himpunan memodifikasi 2 atau
lebih himpunan fuzzy. Nilai dari keanggotaan baru (derajat keanggotaan) sebagai hasil dari operasi
dua himpunan fuzzy disebut dengan firing strength atau α predikat. Terdapat 3 operasi dasar
didalam himpunan fuzzy yang diciptakan oleh Zadeh:
1) AND (intersection) yaitu α - predikat diperoleh dengan mengambil nilai minimum antar
kedua himpunan. Operator AND berhubungan dengan operasi intersection pada himpunan
α – predikat diperoleh dengan mengambil nilai minimum antar kedua himpunan.
 μA∩B = min (μA[x], μB[y])
Keterangan:
•μA = derajat keanggotaan x dari himpunan fuzzy A
•μB = derajat keanggotaan x dari himpunan fuzzy B
•μA[x] = derajat keanggotaan x dari himpunan fuzzy A pada aturan ke-i
•μB[y] = derajat keanggotaan x dari himpunan fuzzy B pada aturan ke-i
Contoh:
Jika A dan B adalah himpunan fuzzy pada Semesta U = {0,1, 2,..., 10} yang dinyatakan
dengan:
•A = {(0,0),(1,0),(2,0),(3,0.1),(4,0.3),(5,0.5),(6,0.7),(7,0.8),(8,0.9), (9,1),(10,1)}
•B = {(0,1),(1,1),(2,1),(3,1),(4,0.8),(5,0.6),(6,0.4),(7,0.2),(8,0), (9,0),(10,0)}
maka hasil operasi himpunan,
A∩B = min (a, b)
= {(0,0), (1,0),(2,0),(3,0.1),(4,0.3),(5,0.5),(6,0.4),(7,0.2),(8,0),(9,0),(10,0)}.
2) OR (union) yaitu α - predikat diperoleh dengan mengambil nilai maximum antar kedua
himpunan. Operator OR berhubungan dengan operasi union pada himpunan, α - predikat
diperoleh dengan mengambil nilai maximum antar kedua himpunan.
μA U B = max (μA [x], μB [y])
Keterangan:
•μA = derajat keanggotaan x dari himpunan fuzzy A
•μB = derajat keanggotaan x dari himpunan fuzzy B
•μA[x] = derajat keanggotaan x dari himpunan fuzzy A pada aturan ke-i
•μB[y] = derajat keanggotaan x dari himpunan fuzzy B pada aturan ke-i
Contoh:
Misalkan nilai keanggotaan 27 tahun pada himpunan MUDA adalah 0,6
(μMUDA[27]=0,6); dan nilai keanggotaan Rp 2.000.000,- pada himpunan penghasilan
TINGGI adalah 0,8 (μGAJITINGGI[2x106]=0,8) dari contoh soal operator, dapat dihitung
nilai α – predikat untuk usia MUDA atau berpenghasilan TINGGI adalah:
μMUDAorGAJITINGGI = max (μMUDA [27], μGAJITINGGI [2.000.000])
 = max (0,6 ; 0,8)
= 0,8
3) NOT (complement) yaitu α -predikat diperoleh dengan mengurangkan nilai keanggotaan
elemen pada himpunan dari 1. Operator NOT berhubungan dengan operasi komplemen
pada himpunan, α -predikat diperoleh dengan mengurangkan nilai keanggotaan elemen
pada himpunan dari 1.
μA’ = 1- μA[x]
Contoh:
Misalkan nilai keanggotaan 27 tahun pada himpunan MUDA adalah 0,6
(μMUDA[27]=0,6); dan nilai keanggotaan Rp 2.000.000,- pada himpunan penghasilan
TINGGI adalah 0,8 (μGAJITINGGI[2x106]=0,8);
Dari contoh operator not diatas, dapat dihitung nilai a–predikat untuk usia TIDAK MUDA
adalah:
μMUDA’ [27] = 1 – μMUDA [27]
= 1-0,6
= 0,4

4. Model Fuzzy Logics

Terdapat 3 model pengaplikasian fuzzy. Mereka adalah tsukamoto, sugeno, dan mamdani.
Dan berikut ini adalah penjelasan lengkap terkait ketiga model fuzzy tersebut.
1) Model Fuzzy Tsukamoto
Metode Fuzzy Tsukamoto yakni metode yang memiliki toleransi pada data dan sangat
fleksibel. Kelebihan dari metode Tsukamoto iniadalah bersifat intuitif dan dapat memberikan
tanggapan berdasarkan informasi yang bersifat kualitatif, tidak akurat, dan ambigu. Metode Fuzzy
Tsukamoto sangat cocok digunakan untuk menangani masalah yang bobotnya bisa dikelompokkan
menjadi sebuah himpunan tersendiri. Logika fuzzy bisa digunakan di berbagai bidang, missal
seperti pada sistem diagnosia penyakit (dalam bidang kedokteran), riset operasi (dalam bidang
ekonomi), pemodelan sistem pemasaran, prediksi terjadinya gempa bumi, kendali kualitas air,
klasifikasi dan pencocokan pola (dalam bidang teknik), dll.
Langkah Langkah dalam Penggunaan Algoritma Fuzzy Tsukamoto:
a) Mencari pakar yang sesuai dengan tema sistem yang akan dibuat.
b) Mendapatkan data hipotesa, misal penyakit, kerusakan, dll.
c) Mendapatkan data evidence tiap hipotesa.
 d) Mendapatkan bilangan himpunan fuzzy pada tiap evidence.
e) Mendapatkan data rule / aturan dari pakar berdasarkan data.
f) Setelah mendapat semua data yang dibutuhkan, langkah selanjutnya adalah menghitung
data tersebut kedalam teori Fuzzy Tsukamoto, sehingga menjadi hasil yang diharapkan.

2) Model Fuzzy Sugeno

Secara umum logika fuzzy sugeno adalah suatu logika yang digunakan untuk menghasilkan
keputusan tunggal / crisp saat defuzzyfikasi. Metode ini diperkenalkan oleh Takagi-Sugeno Kang
pada tahun 1985. Berikut merupakan langkah-langkah dalam penggunaan fuzzy sugeno:
a) Fuzzyfikasi
b) Penerapan rule
c) Defuzzyfikasi dan output
Bentuk umum dari model fuzzy sugeno adalah sebagai berikut.
Orde-Nol
IF (X is A ) (X is A ) (X is A ) (X is A ) THEN z =k
Dengan Ai adalah himpunan fuzzy ke-I sebagai anteseden, dan k adalah konstanta (tegas)
sebagai konsekuen.
Orde-satu
IF (X is A ) .... (X is A ) THEN z = p
Dengan Ai adalah himpunan fuzzy ke-I sebagai anteseden, dan pi adalah suatu konstanta
ke-I dan q merupakan konstanta dalam konsekuen.
Pembentukan umum dari model fuzzy sugeno adalah sebagai berikut.
a) Membership Segitiga
b) Membership Trapesium
3) Model Fuzzy Mamdani
Model fuzzy mamdani sering juga dikenal dengan nama Metode Max-Min. Metode ini
diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output diperlukan 4
tahapan:
a) Pembentukan himpunan fuzzy Variabel input maupun output dibagi menjadi satu atau lebih
himpunan
b) Aplikasi fungsi implikasi Fungsi implikasi yang digunakan adalah Min
c) Komposisi aturan Ada tiga metode yang digunakan dalam melakukan inferensi sistem
fuzzy: a. Metode Max
 b. Metode Additive (SUM)
c. Metode Probabilistik OR
d) Penegasan (defuzzy) Input dari defuzzifikasi adalahsuatu himpunan yang diperoleh dari
komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu
bilangan pada domain himpunan fuzzy tersebut.
Berikut merupakan metode yang digunakan untuk defuzzifikasi pada model fuzzy mamdani:
a) Metode Centroid (Composite Moment)
Pada metode ini, solusi nilai crisp diperoleh dengan cara mengambil titik pusat daerah
fuzzy. Ada 2 keuntungan menggunakan metode centroid, yaitu: Nilai defuzzy akan bergerak secara
halus sehingga perubahan dari suatu topologi himpunan fuzzy ke topologi berikutnya juga akan
berjalan dengan halus serta mudah dihitung.
b) Metode Bisektor
Pada metode ini, solusi crips diperoleh dengan cara mengambil nilai pada domain fuzzy
yang memiliki nilai keanggotaan Setengah dari jumlah total nilai keanggotaan pada daerah fuzzy.
c) Metode Mean of Maximun (MOM)
Pada metode ini solusi nilai crips diperoleh dengan cara mengambil nilai-nilai rata domain
yang memiliki nilai keanggotaan maksimum.
d) Metode Largest of Maximum (LOM)
Pada metode ini solusi nilai crips diperoleh dengan cara mengambil nilai terbesar dari
domain yang memiliki nilai keanggotaan maksimum.
e) Metode Smallest of Maximum (SOM)
Pada metode ini solusi nilai crips diperoleh dengan cara mengambil nilai terkecil dari dari
domain yang memiliki nilai keanggotaan maksimum.
 DAFTAR PUSTAKA

 Rahardianweka. (2016). Operasi Logika Himpunan Fuzzy.

(https://www.ilmuskripsi.com/2016/05/operasi-himpunan-fuzzy.html)
 Sudrajat. (2008). Dasar-dasar Fuzzy Logic. (Universitas Padjajaran Fakultas Matematika
dan Ilmu Pengetahuan Alam)