1.1.

Pendahuluan

When Not to Use Fuzzy Logic

Fuzzy logic is not a cure-all. When should you not use fuzzy logic? The safest statement is
the first one made in this introduction: fuzzy logic is a convenient way to map an input
space to an output space. If you find it's not convenient, try something else. If a simpler
solution already exists, use it. Fuzzy logic is the codification of common sense — use
common sense when you implement it and you will probably make the right decision. Many
controllers, for example, do a fine job without using fuzzy logic. However, if you take the
time to become familiar with fuzzy logic, you'll see it can be a very powerful tool for dealing
quickly and efficiently with imprecision and nonlinearity.

Why Use Fuzzy Logic?

1. Fuzzy logic is conceptually easy to understand.

2. Fuzzy logic is flexible.
3. Fuzzy logic is tolerant of imprecise data.
4. Fuzzy logic can model nonlinear functions of arbitrary complexity.
5. Fuzzy logic can be built on top of the experience of experts.
6. Fuzzy logic can be blended with conventional control techniques.
7. Fuzzy logic is based on natural language.

1.2. Pengantar logika fuzzy

Logika Fuzzy
Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun
1965 tentang teori himpunan fuzzy.

Lotfi Asker Zadeh adalah seorang ilmuwan Amerika Serikat berkebangsaan Iran dari
Universitas California di Barkeley, 

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 elektronik buatan Jepang yang menerapkan prinsip
logika fuzzy, seperti mesin cuci, AC, dan lain-lain.

Fuzzy logic sudah diterapkan pada banyak bidang, mulai dari teori kendali hingga
inteligensia buatan.

Mengapa logika fuzzy yang ditemukan di Amerika malah lebih banyak ditemukan
aplikasinya di negara Jepang?

Salah satu penjelasannya: kultur orang Barat yang cenderung memandang suatu persoalan
sebagai hitam-putih, ya-tidak, bersalah bersalah-tidak bersalah bersalah, sukses-gagal, atau
yang setara dengan dunia logika biner Aristoteles,
sedangkan kultur orang Timur lebih dapat menerima dunia “abu-abu” atau fuzzy.

1.2.1. Logika Fuzzy

Logika Fuzzy

Logika fuzzy umumnya diterapkan pada masalahmasalah yang mengandung unsur

ketidakpastian (uncertainty), ketidaktepatan (imprecise), noisy, dan sebagainya. 

Logika fuzzy menjembatani menjembatani bahasa mesin yang presisi dengan bahasa
manusia yang menekankan pada makna atau arti (significance).

Logika fuzzy dikembangkan berdasarkan bahasa manusia (bahasa alami)

1.3. Himpunan Fuzzy

Himpunan Fuzzy

Logika fuzzy dikembangkan dari teori himpunan fuzzy.

Himpunan klasik yang sudah dipelajari selama ini disebut himpunan tegas (crisp set).
Di dalam himpunan himpunan tegas, keanggotaan keanggotaan suatu unsur di dalam himpunan
dinyatakan secara tegas, apakah objek tersebut anggota himpunan atau bukan.

Untuk sembarang himpunan A, sebuah unsur x adalah anggota himpunan apabila x terdapat atau
terdefinisi di dalam A.

Contoh: A = {0, 4, 7, 8, 11}, maka 7 ∈ A, tetapi 5 ∉ A.

Fungsi karakteristik, dilambangkan dengan χ, mendefinisikan apakah suatu unsur dari semesta

pembicaraan merupakan anggota suatu himpunan atau bukan:

Di dalam teori himpunan fuzzy, keanggotaan suatu elemen di dalam himpunan dinyatakan dengan
derajat keanggotaan (membership values) yang nilainya terletak di dalam selang [0, 1].

Derajat keanggotaan ditentukan dengan fungsi keanggotaan:

µA : X → [0, 1]
bandingkan fungsi keanggotaan pada teori himpunan tegas:

χA : X → {0, 1}

1.3.1. Contoh
Contoh Himpunan Fuzzy
Cara-Cara Menuliskan Himpunan Fuzzy:

Cara 1: Sebagai himpunan pasangan berurutan 

A = { ( x 1, µA (x 1)), ( x 2, µA (x 2)), …, ( xn, µA (xn)) }

Contoh. Misalkan:
X = { becak, sepeda motor, mobil kodok(VW), mobil kijang, mobil carry }
A = himpunan kendaraan yang nyaman dipakai untuk bepergian jarak jauh oleh keluarga
besar (terdiri dari ayah, ibu, dan empat orang anak)
Didefinisikan bahwa,

x 1 = becak, µA (x 1) = 0;
x 2 = sepeda motor, µA (x 2) = 0.1
 x 3 = mobil kodokbecak, µA (x 3) = 0.5;
x4 = mobil kijang, µA (x4) = 1.0
x 5 = mobil carry, µA (x 5) = 0.8;

maka, dalam himpunan fuzzy, A = { (becak, 0), (sepeda motr, 0.1), (mobil kodok, 0.5), (mobil
kijang, 0.5), (mobil carry, 0.8) }
Cara 2: Dinyatakan dengan menyebut fungsi keanggotaan.
Cara ini digunakan bila anggota himpunan fuzzy bernilai menerus (riil).

1.4. FUNGSI KEANGGOTAAN HIMPUNAN FUZZY

(MEMBERSHIP FUNCTION)
FUNGSI KEANGGOTAAN HIMPUNAN FUZZY (MEMBERSHIP FUNCTION)

Adalah suatu fungsi (kurva) yang menunjukkan pemetaan titik-titik input data ke dalam nilai
keanggotaannya (derajat keanggotaan) yang memiliki interval antara 0 sampai 1.

Ada beberapa fungsi yang bisa digunakan :

1.Representasi linier
2.Representasi segitiga (triangular)

  Ditentukan oleh 3 parameter {a, b, c} sebagai berikut :

3.Representasi Trapesium

  Ditentukan oleh 4 parameter {a,b,c,d} sebagai berikut :

1.5. Operasi Logika (Operasi Himpunan Fuzzy)

Operasi Logika (Operasi Himpunan Fuzzy)

Operasi logika adalah operasi yang mengkombinasikan dan memodifikasi 2 atau lebih himpunan fuzzy.
Nilai keanggotaan baru hasil operasi dua himpunan disebut firing strength atau a predikat, menurut
Kusumadewi (2004) ada 3 operasi dasar yang diciptakan oleh Zadeh :

1.Operator AND, berhubungan dengan operasi intersection  pada himpunan,  a predikat diperoleh

dengan mengambil nilai minimum antar kedua himpunan.

  mAÇB = min(mA[x], mB[y])

Misal nilai keanggotaan umur 27 pada himpunan muda adalah  mMUDA[27] =   0,6 dan nilai
keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah   mGAJITINGGI[2juta] = 0,8  

  maka -predikat untuk usia MUDA   dan berpenghasilan TINGGI adalah nilai   keanggotaan
minimun :

 mMUDAÇGAJITINGGI = min(m MUDA[27], m GAJITINGGI[2juta])

           = min (0,6 ;  0,8)

           = 0,6

2. Operator OR, berhubungan dengan operasi union pada himpunan,  a predikat diperoleh dengan
mengambil nilai maximum antar kedua himpunan.

  mAÈB = max(mA[x], mB[y])

  Misal nilai keanggotaan umur 27 pada himpunan muda adalah mMUDA[27] = 0,6 dan nilai keanggotaan
2 juta pada himpunan penghasilan TINGGI adalah mGAJITINGGI[2juta] = 0,8  

  maka -predikat untuk usia MUDA atau berpenghasilan TINGGI adalah nilai keanggotaan maksimum :

  mMUDA È GAJITINGGI = max(MUDA[27], GAJITINGGI[2juta])

           = max (0,6 ;  0,8)

           = 0,8

3.Operasi NOT, berhubungan dengan operasi komplemen  pada himpunan,  a predikat diperoleh

dengan mengurangkan nilai keanggotaan elemen pada himpunan dari 1.

  Misal nilai keanggotaan umur 27 pada himpunan muda adalah mMUDA[27]= 0,6   maka -predikat untuk
usia TIDAK MUDA adalah :

   mMUDA’[27]   = 1 - MUDA[27

            = 1 - 0,6

            = 0,4

1.5.1. Fungsi Keanggotaan

Fungsi Keanggotaan

Sebuah representasi grafis dari besarnya partisipasi masing-masing input.

  dalam menentukan fungsi keanggotaan, diberikan himpunan semesta U adalah umur manusia
antara [0, 100]
  Seseorang dikatakan tua jika dia berumur lebih dari 50 tahun. Sedangkan orang yang berumur
30 tahun atau kurang, dianggap tidak tua
Berapa dejarad ketuaan orang yang berumur :

1.10 tahun

2.35 tahun

3.45 tahun

4. 60 tahun

Paruh Baya

Seseorang dikatakan paruh baya jika dia berumur 40 tahun. Sedangkan orang yang
berumur kurang dari 35 tahun atau lebih dari 45 tahun, dianggap tidak paruh baya

1. Gambar Grafik?
2. Fungsi Keanggotaan?
3. Nilai paruh baya orang yang berumur

 25 tahun
 37 tahun
 42 tahun

Rangkuman
Logika Fuzzy

1. Konsep mudah dimengerti

2. Sangat fleksibel
3. Memiliki toleransi terhadap data-data yang tidak tetap
4. Mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks
5. Dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar
secara langsung tanpa harus melewati proses pelatihan
6. Didasarkan pada bahasa alami
7. Dapat bekerja sama dengan teknik-teknik kendali secara konvensional

3.1. Defenisi
Definisi

Logika Fuzzy adalah peningkatan dari logika Boolean yang mengenalkan konsep

kebenaran sebagian. Di mana logika klasik menyatakan bahwa segala hal dapat
diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy
menggantikan kebenaran boolean dengan tingkat kebenaran.

Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga
hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan",
dan "sangat". Dia berhubungan dengan set fuzzy dan teori kemungkinan. Dia diperkenalkan
oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley pada 1965.

3.2. Himpunan Fuzzy

Himpunan Fuzzy

Pada himpunan tegas (crisp set), nilai keanggotaan suatu item x dalam suatu
himpunan A (ditulis mA[x]) memiliki 2 kemungkinan :

 Satu (1), artinya x adalah anggota A

 Nol (0), artinya x bukan anggota A

Contoh 1 :
Jika diketahui :

 S={1,2,3,4,5,6} adalah semesta pembicaraan

   A={1,2,3}
   B={3,4,5}

maka :

 Nilai kaanggotaan 2 pada A, mA[2] = 1, karena 2ÎA

 Nilai kaanggotaan 4 pada A, mA[4] = 0, karena 4 ÏA

3.3. Contoh Himpunan Fuzzy

Himpunan Fuzzy

Contoh 2:

  “Jika suhu lebih tinggi atau sama dengan 80 oF, maka suhu disebut panas, sebaliknya
disebut tidak panas”

Kasus :

 Suhu = 100 oF, maka Panas

 Suhu = 80.1 oF, maka Panas
 Suhu = 79.9 oF, maka tidak panas
 Suhu = 50 oF, maka tidak panas

•If Suhu ≥ 80 oF, disebut panas

•If Suhu < 80 oF, disebut tidak panas

Fungsi keanggotaan dari himpunan tegas gagal membedakan antara anggota pada
himpunan yang sama.
Ada problem-problem yang terlalu kompleks untuk didefinisikan secara tepat.

3.4. Contoh 2
Contoh 3 :

Misal variable umur dibagi menjadi 3 katagori :

 MUDA   umur <35 tahun

 PAROBAYA  35 ≤ umur ≤ 55 tahun
 TUA  umur > 55 tahun
pabila seseorang berusia 34 tahun, maka ia dikatakan MUDA
–Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA
–Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA
–Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK PAROBAYA
–Apabila seseorang berusia 55 tahun, maka ia dikatakan TIDAK TUA
–Apabila seseorang berusia 55 tahun lebih ½ hari, maka ia dikatakan TUA

3.5. FUNGSI KEANGGOTAAN HIMPUNAN FUZZY

(MEMBERSHIP FUNCTION)
FUNGSI KEANGGOTAAN HIMPUNAN FUZZY (MEMBERSHIP FUNCTION)

Adalah suatu fungsi (kurva) yang menunjukkan pemetaan titik-titik input data ke dalam nilai
keanggotaannya (derajat keanggotaan) yang memiliki interval antara 0 sampai 1.
•Ada beberapa fungsi yang bisa digunakan :

1. Linier
2. Segitiga
3. Trapesium
4. Sigmoid
5. Phi

Fungsi Keanggotaan: Fungsi Linier

3.5.1. Fungsi Keanggotaan: Segitiga
Fungsi Keanggotaan: Segitiga
3.5.2. Fungsi Keanggotaan: Trapesium
Fungsi Keanggotaan: Trapesium
3.5.3. Fungsi Keanggotaan: Sigmoid
Fungsi Keanggotaan: Sigmoid
3.5.4. Fungsi Keanggotaan: Phi
Fungsi Keanggotaan: Phi
Rangkuman
Logika Fuzzy adalah peningkatan dari logika Boolean yang mengenalkan konsep kebenaran
sebagian. Di mana logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam
istilah binary (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy menggantikan
kebenaran boolean dengan tingkat kebenaran. Himpunan Fuzzy
yaitu  Linier, Segitiga, Trapesium, Sigmoid dan Phi.

4.1. Defenisi
Definisi

Logika Fuzzy adalah peningkatan dari logika Boolean yang mengenalkan konsep

kebenaran sebagian. Di mana logika klasik menyatakan bahwa segala hal dapat
diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy
menggantikan kebenaran boolean dengan tingkat kebenaran.
Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga
hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan",
dan "sangat". Dia berhubungan dengan set fuzzy dan teori kemungkinan. Dia diperkenalkan
oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley pada 1965.

4.2. Relasi Fuzzy

Relasi Fuzzy

Relasi adalah asosiasi antara dua atau lebih obyek dari dua buah himpunan.

Contoh: ‘s lebih kecil dari t’ adalah contoh relasi biner

Relasi pada himpunan tegas

Contoh: R(s,t) adalah relasi pada himpunan S dan T, s ∈ S, t ∈ T, yang T, yang berarti berarti
“s lebih kecil daripada daripada t”

S = {1, 2, 5}; T = {2, 3}; R= {(1, 2), (2, 3) }

4.3. Relasi pada himpunan fuzzy

Relasi pada himpunan fuzzy

Relasi fuzzy memetakan elemen dari semesta X ke semesta lain Y dengan menggunakan
perkalian kartesian dari dua buah semesta.
Misal: A himpunan fuzzy pada semesta X

 B himpunan himpunan fuzzy pada semesta semesta Y

Relasi fuzzy R:
R = {(x,y), µR(x,y) | (x, y) ⊆ A × B }
µR(x,y) = µA × B (x,y) = min(µA(x), µB   )

Contoh: Misal x, y ∈ bilangan bulat dan relasi R adalah “x dianggap lebih besar daripada y”

X = {x1, x2, x3} Y = {y1, y2, y3, y4}

4.3.1. Contoh 2
Contoh: Misal x, y ∈ bilangan riil dan relasi R adalah relasi “x dianggap
lebih besar daripada y”

4.4. Komposisi Relasi Fuzzy

Komposisi Relasi Fuzzy

Misalkan R adl relasi fuzzy yang memetakan elemen dalam semesta X ke semesta Y, dan S
adl relasi fuzzy yang memetakan elemen dalam semesta Y ke semesta Z.
Adakah satu relasi fuzzy yang memetakan elemen dalam semesta X ke semesta Z? Ya, ada.
Misalkan relasi fuzzy T.

Komposisi yang bisa terbentuk adalah:

1. Komposisi fuzzy maks – min 

2. Komposisi fuzzy maks – hasil-kali
3. Komposisi fuzzy maks – min

4. Komposisi fuzzy maks – hasil-kali

4.5. Example
Example

Misalkan terdapat tiga semesta pembicaraan X, Y, dan Z sbb:

Relasi fuzzy R dari semesta X ke Y dinyatakan sbg:

Relasi fuzzy S dari semesta Y ke Z dinyatakan sbg:

Relasi fuzzy T dari semesta X ke Z dpt ditemukan menggunakan komposisi fuzzy maks – min
atau maks – hasil-kali.

Menggunakan komposisi fuzzy maks – min :

Hasil selengkapnya:

Menggunakan komposisi fuzzy maks – hasil-kali:

Dan hasil selengkapnya:

5.1. Relasi Fuzzy
Relasi Fuzzy

Relasi adalah asosiasi antara dua atau lebih obyek dari dua buah himpunan.

Contoh: ‘s lebih kecil dari t’ adalah contoh relasi biner

Relasi pada himpunan tegas

Contoh: R(s,t) adalah relasi pada himpunan S dan T, s ∈ S, t ∈ T, yang T, yang berarti berarti
“s lebih kecil daripada daripada t”

S = {1, 2, 5}; T = {2, 3}; R= {(1, 2), (2, 3) }

5.2. Relasi pada himpunan fuzzy

Relasi pada himpunan fuzzy

Relasi fuzzy memetakan elemen dari semesta X ke semesta lain Y dengan menggunakan
perkalian kartesian dari dua buah semesta.

Misal: A himpunan fuzzy pada semesta X

 B himpunan himpunan fuzzy pada semesta semesta Y

Relasi fuzzy R:
R = {(x,y), µR(x,y) | (x, y) ⊆ A × B }
µR(x,y) = µA × B (x,y) = min(µA(x), µB   )

Contoh: Misal x, y ∈ bilangan bulat dan relasi R adalah “x dianggap lebih besar daripada y”

X = {x1, x2, x3} Y = {y1, y2, y3, y4}

5.3. Jenis-jenis Relasi

Jenis-jenis Relasi

1. Relasi Invers 
o Misalkan R adalah relasi dari himpunan A ke himpunan B. Invers dari R yang
dinyatakan dengan R-1 adalah relasi dari B ke A yang mengandung semua
pasangan terurut yang bila dipertukarkan masih termasuk dalam R. Ditulis
dalam notasi himpunan sbb ;
 R-1 = {(b,a) : (a,b) R}
2. Relasi Refleksif
o Misalkan R = (A, A, P(x,y)) suatu relasi. R disebut relasi refleksif, jika setiap a A
berlaku (a,a) R. Dengan kata lain, R disebut relasi refleksif jika setiap anggota
dalam A berelasi dengan dirinya sendiri.
 3. Relasi Simetrik
o Misalkan R = (A, B, P(x,y)) suatu relasi. R disebut relasi simetrik, jika setiap (a,b)
R berlaku (b,a) R. Dengan kata lain, R disebut relasi simetrik jika a R b
berakibat b R a.
4. Relasi anti Simetrik
o Suatu relasi R disebut relasi anti simetrik jika (a,b) R dan (b,a) R maka a=b.
Dengan kata lain ; 
  Jika a, b A, a≠b, maka (a,b) R atau (b,a) R, tetapi tidak kedua-duanya.
5. Relasi Transitif 
o Misalkan R suatu relasi dalam himpunan A. R disebut relasi transitif jika
berlaku ; Jika (a,b) R dan (b,c) R maka (a,c) R. Dengan kata lain  Jika a berelasi
dengan b dan b berelasi dengan c, maka a berelasi dengan c.
6.  Relasi Equivalen
o Suatu relasi R dalam himpunan A disebut relasi equivalen jika memenuhi 

2. Sifat Refleksif 
3. Sifat Simetrik 
4. Sifat Transitif;

5.4. Penutup transitif

Relasi transitif

Suatu relasi R pada himpunan A dinamakan bersifat transitif jika (a, b) ∈ R dan (b, c) ∈ R,

maka (a, c) ∈ R, untuk a, b,c ∈ A.

Contoh :

Misalkan A = { 2, 3, 4, 5, 6, 7, 8, 9}, dan relasi R didefinisikan oleh :

a R b jika dan hanya jikan a membagi b, dimana a, b ∈ A,

Jawab :

Dengan memperhatikan definisi relasi R pada himpunan A, maka :

R = {(2, 2), (2, 4), (2, 6), (2, 8), (3, 3), (3, 6), (3, 9), (4, 4), (4, 8)}

Ketika (2, 4) ∈ R dan (4, 8) ∈ R terlihat bahwa (2, 8) ∈ R.

Dengan demikian R bersifat transitif.

5.5. Contoh
Contoh

Misalkan A = f1; 2; 3; 4g, R1, R2, R3, dan R4 adalah relasi pada A dengan defenisi berikut:

 R1 = {(2; 1);(3; 1);(3; 2);(4; 1);(4; 2);(4; 3)}

 R2 = {(1; 1);(2; 3);(2; 4);(4; 2)}
 R3 = {(1; 1);(2; 2);(3; 3);(4; 4)}
 R4 = {(1; 2);(3; 4)}
 R5 = {(4; 4)}.

Kita memiliki:

R1 transitif karena:

(3R12) ^ (2R11) -->  (3R11) bernilai T

(4R12) ^ (2R11) --> (4R11) bernilai T

(4R13) ^ (3R11) --> (4R11) bernilai T

(4R13) ^ (3R12) --> (4R22) bernilai T.

Tidak ada a, b, c yang menyebabkan (aR1b) ^ (bR1c) --> (aR1c) bernilai F.

R2 tidak transitif karena (4R22) ^ (2R23) --> (4R23) bernilai F, kita juga memiliki

counterexample yang lain, yaitu (4R22) ^ (2R24) -->(4R24) yang bernilai F, demikian pula
dengan (2R24) ^ (4R22) -->(2R22).

R3 transitif karena tidak ada a, b, dan c yang menyebabkan (aR3b) ^ (bR3c) --> (aR3c)

bernilai F.

6.1. Bilangan Fuzzy

Bilangan Fuzzy

Himpunan fuzzy merupakan suatu pengembangan lebih lanjut tentang konsep himpunan
dalam matematika. Himpunan Fuzzy adalah rentang nilai yang masing-masing nilai
mempunyai derajat keanggotaan (membership) antara 0 sampai 1. Jika dalam logika
Boolean menggambarkan nilai-nilai “benar” atau “salah”, logika fuzzy menggunakan
ungkapan misalnya : “sangat lambat”,”agak sedang”, “sangat cepat”dan lain-lain untuk
mengungkapkan derajat intensitasnya

Bilangan Fuzzy Bilangan fuzzy adalah ekspresi dari sebuah himpunan fuzzy yg
terdefinisi sebagai interval fuzzy dalam bilangan real.

6.2. Interval Fuzzy

Interval Fuzzy

Jika suatu inteval dinotasikan A = [a1,a3] dengan a1<a3 dan a1a3 bagian dari R. Suatu
fungsi keanggotaan (membership function) dalam bentuk interval dinyatakan :

Selama batas dari interval adalah ambigu/kabur, intervalnya juga merupakan sebuah
himpunan fuzzy. Interval fuzzy dinyatakan dengan 2 titik batas akhir (a1 dan a3) dan satu
titik puncak a2 dinotasikan [a1,a2,a3]
Suatu operasi lamda-cut pada himpunan untuk membuat keanggotaan tidak lebih dari
lamda. Pada bilangan fuzzy, lamda-cut pada bilangan fuzzy A dinyatakan:

6.3. Operasi pada Interval

Operasi pada Interval

ika interval/himpunan A dan B terdefinisi di R+ , maka operasi perkalian, pembagian dan

invers dapat disederhanakan menjadi :
6.4. Operasi pada lamda-cut Interval

Hasil dari bilangan fuzzy adalah daerah himpunan fuzzy yg dinyatakan dalam fungsi
keanggotaan.

6.5. Contoh Operasi Bilangan Fuzzy

Contoh Operasi Bilangan Fuzzy

Himpunan fuzzy A dan B yg dinyatakan dalam bilangan diskret. 

A={(2,1),(3,0.5)}, B={(3,1),(4,0.5)}
6.6. Fungsi Implikasi Fuzzy
Fungsi Implikasi Fuzzy

Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan 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 . 

Proposisi yang mengikuti IF disebut sebagi anteseden, sedangkan proposisi 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 2 fungsi implikasi yang dapat digunakan, yaitu:

 Min (minimum). Fungsi ini akan memotong output himpunan fuzzy.

 Dot (product). Fungsi ini akan menskala output himpunan fuzzy.

Contoh aplikasi fungsi implikasi MIN:

Contoh aplikasi fungsi implikasi DOT(Product):

Kesimpulan
Himpunan fuzzy merupakan suatu pengembangan lebih lanjut tentang konsep himpunan
dalam matematika. Himpunan Fuzzy adalah rentang nilai yang masing-masing nilai
mempunyai derajat keanggotaan (membership) antara 0 sampai 1. Jika dalam logika
Boolean menggambarkan nilai-nilai “benar” atau “salah”, logika fuzzy menggunakan
ungkapan misalnya : “sangat lambat”,”agak sedang”, “sangat cepat”dan lain-lain untuk
mengungkapkan derajat intensitasnya. Bilangan fuzzy adalah ekspresi dari sebuah
himpunan fuzzy yg terdefinisi sebagai interval fuzzy dalam bilangan real.

7.1. Pengertian Fuzzy Inference System

Pengertian Fuzzy Inference System

Sistem inferensi fuzzy (FIS) adalah sebuah framework komputasi popular berdasarkan pada
konsep teori himpunan fuzzy, aturan if - then fuzzy, dan penalaran fuzzy. Terdapat tiga
komponen konsep FIS yaitu :

 baris aturan, mengandung seleksi dari aturan – aturan fuzzy; 

 basis data, mendefinisikan MF – MF yang digunakan dalam
aturan fuzzy; dan 
 mekanisme penalaran, melakukan prosedur inferensi pada
aturan – aturan dan fakta – fakta yang diberikan untuk menarik
output atau konklusi yang reasonable.

FIS dapat mengambil input fuzzy maupun input tegas ( sebagai fuzzy singleton ), tapi
output yang dihasilkan hampir selalu himpunan fuzzy. Kadang kala output tegas
dibutuhkan, sehingga dibutuhkan metode defuzifikasi untuk mengekstrak nilai tegas paling
baik merepresentasikan himpunan fuzzy.
Sistem inferensi fuzzy ( Fuzzy Inference System ) pada dasarnya mendefinisikan
pemetaan nonlinear dari vektor data input menjadi scalar output. Proses pemetaan
melibatkan input / output fungsi keanggotaan, operator - operator fuzzy, aturan fuzzy if -
then, agregasi dari himpunan output dan defuzzification.

Model umum dari sistem inferensi fuzzy ditunjukkan pada gambar berikut ini:

Sistem inferensi fuzzy memiliki empat komponen, yaitu: fuzzifier, inference engine,
rule base dan defuzzifier. Rule base memiliki aturan linguistik yang diberikan oleh para
ahli. Juga mungkin dapat mengambil aturan dari data numerik. Sekali aturan telah
ditetapkan, sistem inferensi fuzzy dapat dilihat sebagai sebuah sistem yang memetakan
sebuah vektor input ke vektor output. Fuzzifier memetakan angka - angka input kedalam
keanggotaan fuzzy yang sesuai. Inference engine mendefinisikan pemetaan dari input
himpunan fuzzy kedalam output himpunan fuzzy. Defuzzifier memetakan output himpunan
fuzzy kedalam nomor crisp.

Ada 3 metode dalam FIS :

1. Tsukamoto 
2. Sugeno
3.  Mamdani

7.2. Metode Tsukamoto

Metode Tsukamoto

Pertama kali diperkenalkan oleh Tsukamoto. Setiap konsekuen (kesimpulan) pada setiap
aturan IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi
keanggotaan monoton. Hasilnya, output hasil inferensi dari setiap aturan diberikan secara
tegas (crisp) berdasarkan a-predikat, kemudian menghitung rata-rata terbobot. 

Pada metode Tsukamoto, implikasi setiap aturan berbentuk implikasi

“Sebab-Akibat”/Implikasi “Input-Output” dimana antara anteseden dan konsekuen harus
ada hubungannya. Setiap aturan direpresentasikan menggunakan himpunan-himpunan
fuzzy, dengan fungsi keanggotaan yang monoton. Kemudian untuk menentukan hasil tegas
(Crisp Solution) digunakan rumus penegasan(defuzifikasi) yang disebut “Metode rata-rata
terpusat” atau “Metode defuzifikasi rata-rata terpusat (Center Average Deffuzzyfier).

Misalkan ada 2 variabel input, Var-1 (x) dan Var-2(x), serta variabel output,Var-3(z), dimana
Var-1 terbagi atas 2 himpunan yaitu A1 dan A2. Var2 terbagi atas 2 himpunan B1 dan B2,
Var-3 juga terbagi atas 2 himpunan yaitu C1 dan C2(C1 dan C2 harus monoton). Ada 2
aturan yang digunakan, yaitu:

[R1] IF (x is A1) and (y is B2) THEN (z is C1)

 [R2] IF (x is A2) and (y is B1) THEN (z is C2)

Langakh-langkah pengerjaan:

 Pertama-tama dicari fungsi keanggotaan dari masing-masing

himpunan fuzzy dari setiap aturan, yaitu himpunan A1, B2 dan C1 dari
aturan fuzzy [R1], dan himpunan A2, B1 dan C2 dari aturan fuzzy [R2]. 
  Karena pada metode Tsukamoto operasi himpunan
yang digunakan adalah konjungsi (AND), maka nilai
keanggotaan anteseden dari aturan fuzzy [R1] adalah
irisan dari nilai keanggotaan A1 dari Var-1 dengan nilai
keanggotaan B1 dari Var- 2. maka nilai keanggotaan
anteseden dari operasi konjungsi (And) dari aturan fuzzy
[R1] adalah nilai minimum antara nilai keanggotaan A1
dari Var-1 dan nilai keanggotaan B2 dari Var-2.
Demikian pula nilai keanggotaan anteseden dari aturan
fuzzy [R2] adalah nilai minimum antara nilai
keanggotaan A2 dari Var1 dengan nilai keanggotaan B1
dari Var-2.
 Selanjutnya, nilai keanggotaan anteseden dari aturan fuzzy [R1] dan
[R2] masing-masing disebut dengan α1 dan α2. Nilai α1 dan α2
 kemudian disubstitusikan pada fungsi keanggotaan himpunan C1 dan
C2 sesuai aturan fuzzy [R1] dan [R2] untuk memperoleh nilai z1 dan z2,
yaitu nilai z (nilai perkiraan produksi) untuk aturan fuzzy [R1] dan [R2].
  Untuk memperoleh nilai output crisp/nilai tegas Z, dicari dengan cara
mengubah input (berupa himpunan fuzzy yang diperoleh dari
komposisi aturan-aturan fuzzy) menjadi suatu bilangan pada domain
himpunan fuzzy tersebut. Cara ini disebut dengan metode
defuzifikasi (penegasan).

 Metode defuzifikasi yang digunakan dalam metode Tsukamoto adalah

metode defuzifikasi rata-rata terpusat (Center Average Defuzzyfier).

7.3. Contoh
Contoh:

Sebuah perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Dari data 1
bulan terakhir, permintaan terbesar hingga mencapai 5000 kemasan/hari, dan permintaan
terkecil sampai 1000 kemasan/hari. Persediaan barang digudang paling banyak sampai 600
kemasan/hari, dan paling sedikit sampai 100 kemasan/hari. Dengan segala keterbatasannya,
sampai saat ini, perusahaan baru mampu memproduksi barang maksimal 7000
kemasan/hari, serta demi efisiensi mesin dan SDM tiap hari diharapkan perusahaan
memproduksi paling tidak 2000 kemasan. Apabila proses produksi perusahaan tersebut.

Apabila proses produksi perusahaan tersebut menggunakan 4 aturan fuzzy sebagai berikut:
[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 kemasan makanan jenis ABC yang harus diproduksi, jika jumlah permintaan
sebanyak 4000 kemasan, dan persediaan di gudang masih 300 kemasan?

Penyelesaian:

Untuk menyelesaikan masalah tersebut perhatikan variabel yang digunakan dalam proses
fuzzifikasi yang harus kita lakukan 

Input :

1. Permintaan [1000 5000] {TURUN NAIK} 

 2. Persediaan [100 600] {SEDIKIT BANYAK}

Output :

Jumlah Produksi [2000 7000] BERKURANG BERTAMBAH}

Fungsi Permintaan :
μpmtTURUN[4000] = (5000-4000)/4000=1000/4000 = 0.25
μpmtNAIK[4000] = (4000-1000)/4000 =3000/4000 = 0.75
Nilai z untuk setiap aturan dengan diperoleh :
[R1] IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang BERKURANG;
α-predikat1 = μpmtTURUN  psdBANYAK 
 = min(μpmtTURUN [4000],μpsdBANYAK[300]) 
 = min(0.25 , 0.4)
 = 0.25
Perhatikan himpunan Produksi Barang BERKURANG, 
(7000 – z1)/5000 = 0.25 
7000 – z1 = 1250 
z1 = 7000 – 1250 
 = 5750
[R2] IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang BERKURANG;
α-predikat2 = μpmtTURUN 
 psdSEDIKIT = min(μpmtTURUN [4000],μpsdSEDIKIT[300]) 
= min(0.25 , 0.6) 
= 0.25
Lihat himpunan Produksi Barang BERKURANG,
(7000 – z2)/5000 = 0,25
 z2 = 5750
[R3] IF Permintaan NAIK And Persediaan BANYAK THEN Produksi Barang BERTAMBAH;
α-predikat3 = μpmtNAIK  psdBANYAK
 = min(μpmtNAIK[4000] , μpsdBANYAK[300]) 
= min(0.75 , 0.4) 
= 0.4
Lihat himpunan Produksi Barang BERTAMBAH,
(z3 – 2000)/5000 = 0,4
 z3 = 4000
[R4] IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi Barang BERTAMBAH;
α-predikat4 = μpmtNAIK  psdBANYAK 
= min(μpmtNAIK [4000],μpsdSEDIKIT[300]) 
= min(0.75 , 0.6) 
= 0.6
Lihat himpunan Produksi Barang BERTAMBAH,
(z4 – 2000)/5000 = 0,6
 z4 = 5000
Nilai z diperoleh :

Jadi jumlah makanan kaleng jenis ABC yang harus diproduksi sebanyak 4983
kemasan.

7.4. Metode Sugeno

Metode Sugeno

Penalaran dengan metode SUGENO hampir sama dengan penalaran MAMDANI, hanya saja
output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau
persamaan linear. Metode ini diperkenalkan oleh Takagi- Sugeno Kang pada tahun 1985.

a. Model Fuzzy Sugeno Orde-Nol Secara umum bentuk model fuzzy SUGENO OrdeNol
adalah:

IF (x1 is A1) • (x2 is A2) • (x3 is A3) • ...... • (xn is An) THEN z = k

dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta
(tegas) sebagai konsekuen.
b. Model Fuzzy Sugeno Orde-Satu
Secara umum bentuk model fuzzy SUGENO Orde-Satu adalah:

IF (x1 is A1) • (x2 is A2) • (x3 is A3) • ...... • (xn is An)

 THEN z = p1x1 + p2x2 +…+pn xn + k

dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi adalah suatu konstanta
(tegas) ke-i dan q juga merupakan konstanta dalam konsekuen. Apabila komposisi aturan
menggunakan metode SUGENO, maka deffuzifikasi dilakukan dengan cara mencari nilai
rata-rata terbobot.

7.5. Contoh Metode Sugeno

Seperti contoh yang sama (pada metode Tsukomoto).
Penyelesaian 

 Himpunan fuzzy pada setiap variabel juga sama seperti penyelesaian pada contoh
tersebut. 
 Aturan yang digunakan sedikit dimodifikasi, sebagai berikut (dengan asumsi bahwa
jumlah permintaan selalu lebih tinggi dibanding dengan jumlah persediaan): 

1. [R1] IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang =

Permintaan - Persediaan; 
2. [R2] IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang =
Permintaan;
3.  [R3] IF Permintaan NAIK And Persediaan BANYAK THEN Produksi Barang =
Permintaan; 
4. [R4] IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi Barang =
1,25*Permintaan - Persediaan;

Cari α-predikat dan nilai z untuk setiap aturan:

R1] IF Permintaan TURUN And Persediaan BANYAK 

THEN Produksi Barang = Permintaan - Persediaan;

α1 = μpmtTURUN ∩ μpsdBANYAK 
= min(μpmtTURUN[4000] , μpsdBANYAK[300]) 
= min(0.25 , 0.4) 
= 0.25
Nilai z1: z1 = 4000 – 300 = 3700

[R2] IF Permintaan TURUN And Persediaan SEDIKIT 

THEN Produksi Barang = Permintaan;

α2 = μpmtTURUN ∩ μpsdSEDIKIT 
= min(μpmtTURUN[4000] , μpsdSEDIKIT[300]) 
= min(0.25 , 0.6) 
= 0.25
Nilai z2: z2 = 4000

[R3] IF Permintaan NAIK And Persediaan BANYAK

 THEN Produksi Barang = Permintaan;

α3 = μpmtNAIK ∩ μpsdBANYAK 
= min(μpmtNAIK[4000] , μpsdBANYAK[300]) 
= min(0.75 , 0.4) 
= 0.4
Nilai z3: z3 = 4000

[R4] IF Permintaan NAIK And Persediaan SEDIKIT

THEN Produksi Barang = 1,25*Permintaan - Persediaan;
α4 = μpmtNAIK ∩ μpsdSEDIKIT 
= min(μpmtNAIK[4000] , μpsdSEDIKIT[300])
 = min(0.75 , 0.6)
 = 0.6
 Nilai z4: z4 = (1.25)4000 – 300
= 5000 – 300 = 4700

Nilai z diperoleh : Jadi jumlah makanan kaleng jenis ABC yang harus diproduksi
sebanyak 4230 kemasan

9.1. Pengertian Fuzzy Inference System

Pengertian Fuzzy Inference System

Sistem inferensi fuzzy (FIS) adalah sebuah framework komputasi popular berdasarkan pada
konsep teori himpunan fuzzy, aturan if - then fuzzy, dan penalaran fuzzy. Terdapat tiga
komponen konsep FIS yaitu :

 baris aturan, mengandung seleksi dari aturan – aturan fuzzy; 

 basis data, mendefinisikan MF – MF yang digunakan dalam
aturan fuzzy; dan 
 mekanisme penalaran, melakukan prosedur inferensi pada
aturan – aturan dan fakta – fakta yang diberikan untuk menarik
output atau konklusi yang reasonable.

FIS dapat mengambil input fuzzy maupun input tegas ( sebagai fuzzy singleton ), tapi
output yang dihasilkan hampir selalu himpunan fuzzy. Kadang kala output tegas
dibutuhkan, sehingga dibutuhkan metode defuzifikasi untuk mengekstrak nilai tegas paling
baik merepresentasikan himpunan fuzzy.

Sistem inferensi fuzzy ( Fuzzy Inference System ) pada dasarnya mendefinisikan

pemetaan nonlinear dari vektor data input menjadi scalar output. Proses pemetaan
melibatkan input / output fungsi keanggotaan, operator - operator fuzzy, aturan fuzzy if -
then, agregasi dari himpunan output dan defuzzification.

Model umum dari sistem inferensi fuzzy ditunjukkan pada gambar berikut ini:
Sistem inferensi fuzzy memiliki empat komponen, yaitu: fuzzifier, inference engine,
rule base dan defuzzifier. Rule base memiliki aturan linguistik yang diberikan oleh para
ahli. Juga mungkin dapat mengambil aturan dari data numerik. Sekali aturan telah
ditetapkan, sistem inferensi fuzzy dapat dilihat sebagai sebuah sistem yang memetakan
sebuah vektor input ke vektor output. Fuzzifier memetakan angka - angka input kedalam
keanggotaan fuzzy yang sesuai. Inference engine mendefinisikan pemetaan dari input
himpunan fuzzy kedalam output himpunan fuzzy. Defuzzifier memetakan output himpunan
fuzzy kedalam nomor crisp.

Ada 3 metode dalam FIS :

1. Tsukamoto 
2. Sugeno
3.  Mamdani

9.2. Sejarah Sistem Fuzzy Mamdani

Sistem Fuzzy Mamdani

Dikenalkan oleh Ebrahim Mamdani pada tahun 1975, sering juga dikenal sebagai Metode
Min-max. Fuzzy Inferense System (FIS) atau Fuzzy Inferense Engine adalah sistem yang
dapat melakukan penalaran dengan prinsip serupa seperti manusia melakukan penalaran
dengan nalurinya (Alavi, et al., 2010). Langkah pertama dari FIS adalah untuk menetapkan
nilai keanggotaan untuk data input dan output (Alidoosti, et al., 2012).

9.3. Empat Tahapan

Untuk mendapatkan output (hasil) dari Sistem Inferensi Fuzzy metode Mamdani, diperlukan empat
tahapan :

1. Pembentukan himpunan fuzzy (Fuzzyfikasi)

  Menentukan semua variabel yang terkait dalam proses yang akan ditentukan.
Untuk masing-masing variabel input, tentukan suatu fungsi fuzzifikasi yang
sesuai. Pada metode Mamdani, baik variabel input maupun variabel output
dibagi menjadi satu atau lebih himpunan fuzzy.
2. Aplikasi fungsi implikasi

 Menyusun basis aturan, yaitu aturan-aturan berupa implikasiimplikasi

Fuzzy yang menyatakan relasi antara variabel input dengan variabel
output. Pada Metode Mamdani, fungsi implikasi yang digunakan adalah
Min. Bentuk umumnya adalah sebagai berikut :
 Jika a adalah Ai dan b adalah Bi, maka c adalah
Ci dengan Ai,  Bi dan Ci  adalah predikat-predikat Fuzzy
yang merupakan nilai linguistik dari masing-masing
variabel. Banyaknya aturan ditentukan oleh banyaknya
nilai linguistik untuk masingmasing variabel masukan.

3. Komposisi aturan
Apabila sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari kumpulan dan kolerasi antar
aturan. Ada tiga metode yang digunakan dalam melakukan inferensi sistem Fuzzy menurut Kusumadewi
(2010), yaitu :

 Metode Max(Maximum)
o Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai
maksimum aturan, kemudian menggunakan nilai tersebut untuk memodifikasi daerah
Fuzzy dan mengaplikasikannya ke output dengan menggunakan operato OR (gabungan).
Jika semua proporsi telah dievaluasi, maka output akan berisi suatu himpunan fuzzy
yang merefleksikan kontribusi dari tiap-tiap proporsi.

 Metode Addittive (sum)

o Pada metode ini,solusi himpunan fuzzy diperoleh dengan cara melakukan penjumlahan
terhadap semua output daerah Fuzzy
 Metode Probabilistik (probor)
o Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan perkalian
terhadap semua output daerah Fuzzy

4. Defuzzifikasi

 Input dari proses penegasan adalah “suatu himpunan fuzzy yang

diperoleh dari komposisi aturan-aturan Fuzzy, sedangkan
output yang dihasilkan merupakan suatu bilangan real yang
tegas” (Kusumadewi, 2010). Sehingga jika diberikan suatu
himpunan fuzzy dalam range tertentu, maka harus dapat
diambil suatu nilai tegas tertentu sebagai output.
10.1. Logika Fuzzy
Ilustrasi model implementasi Fuzzy Logic

1. Konsep mudah dimengerti

2. Sangat fleksibel
3. Memiliki toleransi terhadap data-data yang tidak tetap
4. Mampu memodelkan fungsi-fungsi nonlinear yang sangat
kompleks
5. Dapat membangun dan mengaplikasikan pengalaman-pengalaman
para pakar secara langsung tanpa harus melewati proses pelatihan
6. Didasarkan pada bahasa alami
7. Dapat bekerja sama dengan teknik-teknik kendali secara
konvensional
8. Logika fuzzy umumnya diterapkan pada masalah-masalah yang
mengandung unsur ketidakpastian (uncertainty), ketidaktepatan
(imprecise), noisy, dan sebagainya.
9. Logika fuzzy menjembatani bahasa mesin yang presisi dengan
bahasa manusia yang menekankan pada makna atau arti
(significance).
10. Logika fuzzy dikembangkan berdasarkan bahasa manusia (bahasa
alami)

10.2. Variabel Linguistik

Logika Fuzzy

Variabel Linguistik
Menurut Frans Susilo, SJ 2006, suatu variabel adalah suatu lambang atau kata yang
menunjuk kepada sesuatu yang tidak tertentu dalam semesta wacananya. Misalnya dalam
kalimat: “Mahasiswa itu lulus dengan pujian”, kata “mahasiswa” adalah suatu variabel karena
menunjuk kepada orang yang tidak tertentu dalam semesta wacananya yaitu himpunan
manusia. Demikian pula dalam proposisi: “x habis dibagi 2”, lambang “x” adalah suatu
variabel dengan semesta wacana himpunan bilangan-bilangan. Suatu variabel dapat diganti
oleh unsur-unsur dalam semesta wacananya, misalnya variabel “mahasiswa” dapat diganti
dengan “Anton”, dan variabel “x” dapat diganti dengan bilangan 4. Kata “Anton” dan
lambang “4” menunjuk pada unsur yang tertentu pada masing-masing semesta wacananya,
dan disebut konstanta.
10.3. Pengubah Linguistik
Pengubah Linguistik
Menurut Frans Susilo, SJ, 2006 dalam bukunya “Himpunan dan Logika Kabur serta
aplikasinya”, Pengubah linguistik linguistic hedgemodifier adalah suatu kata yang
dipergunakan untuk mengubah suatu kataistilah menjadi kataistilah yang baru dengan
makna yang baru pula. Dua pengubah linguistik yang paling sering dipakai adalah “sangat”
dan “agak”. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI Jika suatu istilah A dikaitkan
dengan himpunan kabur à dalam semesta X, maka istilah “sangat A” dikaitkan dengan
himpunan kabur konsentrasi dari Ã, dengan lambang Konà dan fungsi keanggotaan � � Ã
= � Ã ………………....... 

10.4. Proposisi Fuzzy

Proposisi Fuzzy
Proposisi fuzzy adalah kalimat yang memuat predikat fuzzy, yaitu predikat yang dapat
direpresentasikan dengan suatu himpunan fuzzy. Nilai kebenaran suatu pernyataan fuzzy
dapat dinyatakan dengan suatu bilangan real dalam rentang [0,1]. Nilai kebenaran itu
disebut juga derajat kebenaran pernyataan fuzzy. Bentuk umum suatu proposisi fuzzy
adalah: dengan x adalah suatu variabel linguistik dan A adalah predikat yang
menggambarkan keadaan x . Bila à adalah himpunan fuzzy yang dikaitkan dengan nilai
linguistik A, dan adalah suatu elemen tertentu dalam semesta X dari himpunan fuzzy Ã,
maka memiliki derajat keanggotaan dalam himpunan fuzzy Ã. Derajat kebenaran
pernyataan fuzzy “ adalah A ” didefinisikan sama dengan derajat keanggotaan dalam
himpunan fuzzy Ã, yaitu . Misalkan jika proposisi fuzzy “ ” dilambangkan dengan ,
pernyataan fuzzy “ ” dengan , dan derajat kebenaran dengan . Contoh 2.9 Dalam proposisi
fuzzy: Kecepatan mobil itu adalah sedang.

10.5. Implikasi Fuzzy

Implikasi Fuzzy
Proposisi fuzzy yang sering digunakan dalam aplikasi teori fuzzy adalah implikasi fuzzy.
Bentuk umum suatu implikasi fuzzy adalah: dengan x dan y adalah variabel linguistik, A dan
B adalah predikat-predikat fuzzy yang dikaitkan dengan himpunan-himpunan fuzzy dan
dalam semesta X dan Y berturut-turut. Proposisi yang mengikuti kata “Jika” disebut sebagai
anteseden, sedangkan proposisi yang mengikuti kata “maka” disebut sebagai konsekuen.
11.1. Pengertian Model
Pengertian Model

Simulasi adalah program (software) komputer yang berfungsi untuk menirukan

prilaku sistem nyata (realitas) tertentu.

Tujuan dari simulasi antara lain adalah untuk pelatihan (training), studi prilaku sistem
(behaviour), dan hiburan/permainan (game). Permodelan dan simulasi merupakan salah satu
alat yang sering digunakan oleh manajemen dalam mempelajari atau menganalisis prilaku
kerja dari prilaku sistem atau proses.

11.2. Permodelan dan Simulasi

Permodelan dan Simulasi

11.3. Tujuan Model

Tujuan Model

Secara umum ada tiga (3) tujuan dari permodelan dan simulasi adalah :
  Untuk pelatihan (Training)
 Studi prilaku sistem (Behaviour)
 Hiburan/Permainan (Game)

11.4. Tujuan
Dalam pandangan sistem, permodelan dan simulasi dapat digunakan untuk tujuan
berikut:

1. Studi prilaku sistem kompleks, yaitu sistem dimana suatu solusi analitik tidak dapat
dilakukan.
2. Membandingkan alternatif rancangan untuk suatu sistem yang tidak ada atau belum
ada.
3. Studi pengaruh perubahan terhadap sistem yang ada dengan tanpa merubah sistem.
4. Memperkuat atau menverifikasi suatu solusi analitik.

11.5. Keuntungan
Keuntungan

Beberapa keuntungan simulasi adalah sebagai berikut:

1. Simulasi mengizinkan keluwesan besar dalam permodelan sistem komplek, sehingga

model simulasi yang didapat sangat valid.
2. Mudah membandingkan berbagai alternatif.
3. Kendali kondisi eksperimental.
4. Dapat mempelajari sistem dengan bingkai waktu yang sangat panjang.

11.6. Kerugian Simulasi

Kerugian Simulasi

Beberapa kerugian simulasi adalah sebagai berikut:

1. Simulasi hanya menghasilkan dugaan.

2. Model simulasi dapat menjadi mahal untuk pengembangan.
3. Simulasi umumnya menghasilkan volume besar keluaran sehingga perlu untuk
meringkaskan sesuai analisis statistik.
4. Tingkat rincian yang tidak sesuai pada awalnya.
5. Analisis dan rancangan yang tidak sesuai dari eksperimen simulasi.
6. Pendidikan dan latihan yang tidak sesuai.
Kesimpulan
Permodelan dan simulasi merupakan salah satu alat yang sering digunakan oleh
manajemen dalam mempelajari atau menganalisis prilaku kerja dari prilaku sistem atau
proses. 

12.1. Konsep Model

Konsep Model

1. Model : proses penggambaran operasi sistem nyata untuk menjelaskan atau menunjukkan
relasi-relasi penting yang terlibat

 Sistem nyata biasanya bersifat kompleks

4 karakteristik model

 Punya tingkat generalisasi yang tinggi

 Punya mekanisme yang transparan
 Punya potensi untuk dikembangkan
 Punya kepekaan terhadap perubahan asumsi

12.2. Jenis-jenis Model

Jenis-jenis Model

1. Model Stokastik
2. Model Deterministik
3. Model Statis
4. Model Dinamis

12.3. Jenis-jenis Model

Jenis-jenis Model
 1. Model Stokastik : mencakup distribusi kemungkinan untuk input & memberikan
serangkaian nilai dari sekurang-kurangnya 1 variabel output dgn probabilitas yang
berkaitan pada tiap nilai
 Contoh : waktu kedatangan pelanggan, waktu antrian pelanggan
2. Model Deterministik :Model yang dipergunakan untuk memecahkan suatu persoalan
dalam situsai yang pasti
 Contoh : proses kimia, peta, dsb
3. Model Statis : yang berhubungan dengan keadaan sistem pada suatu saat tidak
mempertimbangkan perubahan waktu, biasa hanya melibatkan pembangkitan
bil.random untuk simulasi
4. —Contoh : penganggaran keuangan univ., penentuan jumlah persediaan
gudang, dsb.

5. Model Dinamis : yang berkaitan dgn keadaan sistem pada waktu berkelanjutan,
mengandung proses perubahan setiap saat akibat suatu aktivitas

—Contoh : Simulasi layangan perbankan yang buka dari jam 08.00-15.00

12.4. Kegunaan/keunggulan dari Simulasi

Kegunaan/keunggulan dari Simulasi

1. Sebagian besar sistem riil dg elemen2 stokastik tdk dapat dideskripsikan  secara
akurat dg model matematik yg dievaluasi secara analitik. Dgn demikian simulasi
seringkali merupakan satu satunya cara
2. Simulasi memungkinkan estimasi kinerja sistem yang ada dgn beberapa kondisi
operasi yang berbeda
3. Rancangan-rancangan sistem alternatif yg dianjurkan dapat dibandingkan via
simulasi untuk mendapatkan yang terbaik
4. Pada simulasi bisa dipertahankan kontrol yang lebih baik terhadap kondisi
eksperimen
5. Simulasi memungkinkan studi sistem dgn kerangka waktu lama dlm waktu yg lebih
singkat, atau mempelajari cara kerja rinci dlm waktu yg diperpanjang

12.5. Kapan Simulasi Tidak Digunakan ?

Kapan Simulasi Tidak Digunakan ?

1. Permasalahan bisa diselesaikan dg penyelesaian analisis

 2. Permasalahan bisa diselesaikan dg akal sehat
3. Permasalahan lebih mudah jika dilakukan dg eksperimen langsung
4. Biaya-biaya yang akan digunakan melebihi anggaran yg ada
5. Perilaku sistem ekstrem kompleks atau tdk dapat didefinisikan
6. Ekspektasi terhadap persoalan tdk dapat dinalar
7. Sumber daya & waktu tdk tersedia
8. Jika perilaku sistem sangat kompleks atau tdk bisa digambarkan

12.6. Kapan Simulasi Digunakan ?

Kapan Simulasi Digunakan ?

1. Suatu keputusan operasional sdg dibuat

2. Proses yg sdg dianalisa mudah digambarkan & berulang
3. Peristiwa & aktivitas memperlihatkan bbrapa interdependensi & variabilitas
4. Biaya berdampak pd keputusan & lebih besar ongkos daripada melakukan simulasi
5. Beban yang diberikan untuk mengadakan percobaan  pada sistem nyata lebih besar
dibanding memberi beban kepada dilakukannya simulasi

Kesimpulan
Karakteristik model yaitu Punya tingkat generalisasi yang tinggi, Punya mekanisme yang
transparan, Punya potensi untuk dikembangkan dan Punya kepekaan terhadap perubahan
asumsi, sedangkan jenis ada Model Stokastik, Model Deterministik, Model Statis dan Model
Dinamis.

13.1. Sistem Kendali Logika Fuzzy

Sistem Kendali Logika Fuzzy

Sistim kendali tradisional (PID) dapat menangani perubahan-perubahan masukan, namun
penanganannya dilakukan dengan cara yang sangat bersifat satu dimensi, dalam hal ini
hanya dengan menggunakan persamaan atau model matematis. Sebagai contoh, suatu
pengendali proporsional dapat menanggapi suatu nilai dengan rentang antara 0 hingga
100%, namun cara penanganannya akan tetap sama, yakni melakukan perkalian dengan K P.

Sebaliknya, pengendali-pengendali logika fuzzy dimodelkan mengikuti cara-cara berpikir alamiah dari manusia

untuk memperoleh pemecahan suatu masalah:

  Kita menggunakan metode pemecahan masalah (aturan-aturan) yang berbeda-
beda, tergantung kepada besarnya pemicu yang kita terima. Dengan kata lain, kita
mungkin akan memiliki dua atau tiga jenis reaksi yang berbeda untuk suatu
masalah umum yang sama, namun, reaksi tertentu yang kita pilih akan tergantung
kepada pemicu atau alas an utama pada saat itu.

 Kita sering menggunakan lebih dari satu aturan pada waktu yang sama untuk
suatu masalah tunggal, sehingga arah penyelesaian merupakan suatu kombinasi
dari aturan-aturan tersebut, masing-masing diberikan bobot yang berbeda-beda
sesuai dengan alas an yang ada.

 Kita menerima sekian banyak ketidak-tepatan yang mengarahkan kita untuk

menemukan solusi yang dapat digunakan terhadap masalah-masalah yang tidak
dapat didefenisikan dengan pasti dan dengan waktu berfikir yang lebih sedikit dari
pada waktu yang diperlukan untuk memperoleh pemecahan yang tepat.

13.1.1. Keterangan
Mari kita tinjau point-point diatas dengan lebih detil. Point yang pertama: kita
memakai metodologi pemecahan masalah yang berbeda untuk masalah yang sama,
dengan kata lain seseorang memiliki pola pandang yang berbeda-beda untuk masalah
umum yang sama.

Sebagai contoh, kita dapat memiliki aksi yang berbeda bila menghadapi suhu udara dingin,
yang bisa kita rasakan sebagai suhu yang menyegarkan atau yang terlalu dingin untuk
berlama-lama disana tanpa baju hangat. Untuk kondisi udara dingin yang menyegarkan kita
mungkin akan membuka semua jendela dan menarik nafas dalam-dalam untuk menikmati
kesegaran udara. Sedangkan yang kedua, kita mungkin akan mengenakan baju hangat
untuk mengatasi rasa dingin akibat udara sekitar kita.

Point yang kedua, kita sering memakai lebih dari satu aturan untuk masalah yang sama
pada saat yang bersamaan. Arah pemilihan penyelesaian yang kita pilih pada akhirnya
merupakan gabungan atau kombinasi dari aturan-aturan tersebut, dan diberikan bobot
yang berbeda-beda sesuai dengan alasan atau motivasi yang kita miliki. Sebagai contoh,
pada saat suhu turun menjadi 65° F, kita mungkin akan merasakannya sebagai sesuatu yang
terlalu dingin atau kita dapat merasakannya sebagai sesuatu yang menyegarkan; dalam hal
ini kita akan mencari baju hangat jika kita merasa terlalu dingin.

Point yang ketiga: kita menerima sekian banyak ketidak-tepatan, yang merupakan hal yang
sangat penting yang membantu kita untuk mencapai suatu pemecahan masalah. Tinjau
masalah memarkirkan mobil. Kebanyakan orang dapat memarkirkan mobilnya dalam waktu
1 – 2 menit dan melakukannya dengan baik – mobil akan berada pada tempatnya. Namun,
masalahnya akan berbeda jika kita diminta untuk memarkir mobil dengan persyaratan
seperti 12 in dari batas aspal jalan. Tidak akan ada orang yang mampu untuk melaksanakan
hal ini, jika tidak dibantu dengan memasang sensor jarak yang sesuai pada mobil yang akan
diparkir tersebut. Tanpa alat Bantu, mungkin diperlukan waktu berbulan-bulan untuk dapat
memarkir mobil dengan jarak yang tepat seperti yang ditentukan.

13.2. Pengendali fuzzy

Pengendali fuzzy

Pengendali fuzzy beroperasi berdasarkan sekumpulan aturan-aturan if-then (jika-maka),

yang dinyatakan dalam bahasa sehari-hari manusia. Dalam contoh ini, kita dapat memiliki
tiga aturan sebagai berikut:

 Aturan 1: Jika suhu dingin, maka perbesar aliran gas.

 Aturan 2: Jika suhu sedang, maka aliran gas tetap (OK)
 Aturan 3: Jika suhu hangat, maka perkecil aliran gas.

Kesimpulan
Sistim kendali (umumnya mekanisme servo) secara tradisional didasarkan kepada model
matematika yang presisi (dan rumit). Walaupun demikian, dalam kenyataannya, sistim yang
aktual tidak pernah merupakan representasi yang tepat dari modelnya (sistim-sistim yang
nyata dipengaruhi oleh masalah-masalah non-linier yang tidak sepenuhnya dipahami);
sehingga, waktu yang dipakai oleh pengendali untuk mendapatkan solusi yang pasti hingga
suatu model hipotesa yang tidak akurat merupakan waktu yang tidak digunakan dengan
baik dan yang juga tidak selamanya memberikan jawaban yang terbaik.

14.1. Contoh (Kasus)

Kasus (Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005); A.
Sofwan))

PENERAPAN FUZZY LOGIC PADA SISTEM PENGATURAN JUMLAH AIR BERDASARKAN

Judul:
SUHU DAN KELEMBABAN

Permasalahan: Pekerjaan secara manual ini biasanya mengalami berbagai permasalahan ketika
pekerjaan dilakukan. Salah satu permasalahan yang paling serius yaitu permasalahan
 PENERAPAN FUZZY LOGIC PADA SISTEM PENGATURAN JUMLAH AIR BERDASARKAN
Judul:
SUHU DAN KELEMBABAN

kuantitas air.

 Konsep Dasar Himpunan Fuzzy

 Knowledge Base
Tinjauan  Inferensi
Pustaka:  PERANCANGAN & ANALISA SISTEM
 SENSOR
 KESIMPULAN

14.1. Judul
PENERAPAN FUZZY LOGIC PADA SISTEM PENGATURAN JUMLAH AIR
BERDASARKAN SUHU DAN KELEMBABAN

PENDAHULUAN

Penyiraman tanaman merupakan pekerjaan yang biasa dilakukan setiap hari, baik itu
untuk tanaman pribadi dirumah, tanaman yang ada ditaman-taman kota dan sepanjang jalan
trotoar serta tanaman-tanaman yang dibuat usaha budidaya. Penyiraman tanaman tersebut
merupakan salah satu pekerjaan yang monoton dan routine serta biasanya pekerjaan ini
dilakukan secara manual dengan menggaji pegawai untuk melakukan penyiraman pada waktu-
waktu tertentu. Pekerjaan secara manual ini biasanya mengalami berbagai permasalahan ketika
pekerjaan dilakukan. Salah satu permasalahan yang paling serius yaitu permasalahan kuantitas
air. Berapa banyak air yang dibutuhkan oleh suatu tanaman yang dirawat agar air yang
digunakan tidak terlalu banyak terbuang sia-sia, sehingga hal tersebut menjadi Mubadzir. Jika
pemantauan ini tidak dilakukan maka dapat terjadi bahwa tanaman yang dirawat bisa mengalami
kelebihan ataupun kekurangan air, sehingga mengakibatkan kematian pada tanaman.

Pemantauan tersebut tidak bisa diselesaikan dengan sistem kendali biasa, karena pada
sistem pengendalian biasa yang diatur hanya kapan pompa air dihidupkan dengan tanpa
memperhitungkan keadaan tanaman sebelumnya. Padahal pekerjaan yang dihadapi dapat lebih
kompleks dari itu. Permasalahan akan lebih kompleks lagi jika tanaman yang dirawat tersebut
merupakan tanaman yang membutuhkan perawatan yang lebih spesifik. Untuk tanaman yang
membutuhkan perawatan yang lebih intensif, maka tidak semua orang bisa melakukannya,
kecuali hanya orang yang memiliki keahlian khusus. Dengan demikian akan dibutuhkan suatu
system pengendalian khusus. Dalam hal ini akan diterapkan suatu metode berbasis fuzzy logic
yang mempunyai 2 parameter utama, yaitu suhu udara dan kelembaban tanah. Diharapkan
dengan metode ini dapat diatur debit air yang dibutuhkan oleh tanaman tersebut. Informasi
knowledge base haruslah berasal dari seorang yang ahli dalam bidang tanaman.

14.2.1. DASAR FUZZY LOGIC

DASAR FUZZY LOGIC

Dasar teori fuzzy membahas tentang konsep dasar himpunan fuzzy, yang mencakup
pembahasan himpunan fuzzy, Operasi logika pada fuzzy dan Hukum-hukum pada
himpunan fuzzy.

Konsep Dasar Himpunan Fuzzy

Didalam himpunan fuzzy terdapat perbedaan dengan himpunan klasik. Himpunan fuzzy
merupakan perluasan dari himpunan klasik, sehingga dalam himpunan fuzzy dapat
mempunyai beberapa kemungkinan, bukan hanya 2 kemungkinan seperti didalam
himpunan klasik. Temperatur untuk air panas adalah “sekitar“ 100ºc, maka jika suatu air
dipanaskan hingga mencapai temperatur 90ºc dapat dikatakan sebagai anggota dari air
panas, bahkan air yang hanya bertemperatur 80ºc dapat pula dikatakan sebagai anggota
temperatur air panas. Jika demikian hingga batasan berapakah temperatur “sekitar“ untuk
anggota air panas bisa dikatagorikan sebagai temperatur air panas?. Demikian pula halnya
dengan kelembaban suatu tanah.

14.2.2. Grafik fungsi keanggotaan himpunan Crips dan

Fuzzy
Grafik fungsi keanggotaan himpunan Crips dan Fuzzy

Himpunan pada fuzzy logic menggunakan 3 parameter untuk membentuk keanggotaan

dalam himpunannya. Parameter-parameter yang digunakan untuk membentuk himpunan
fuzzy logic adalah:

a. Variabel linguistic

Variabel yang digunakan pada logika fuzzy untuk menggantikan variabel kuantitatif yang
digunakan pada logika crisp. Variabel linguistik mempunyai nilai yang dinyatakan dengan
katakata, misalnya untuk variabel linguistik ‘suhu udara’ akan mempunyai nilai berupa nilai
linguistik seperti: Panas (P), Sangat Panas (SP), Agak Panas (AP) dan Tidak Panas (TP).
b. Derajat keanggotaan

Derajat keanggotaan, yaitu nilai-nilai yang terdapat pada variabel linguistik yang dipetakan
ke interval [0,1]. Nilai pemetaan inilah yang disebut sebagai nilai keanggotaan atau derajat
keanggotaan.

c. Fungsi keanggotaan.

Hubungan-hubungan pemetaan pada nilai linguistik dan nilai keanggotaan (dari 0 sampai
1) yang digambarkan kedalam grafik fungsi sehingga didapatkan suatu fungsi. Fungsi inilah
yang disebut sebagai fungsi keanggotaan dalam himpunan fuzzy.

14.2.3. Knowledge Base

Knowledge Base

Knowledge base mempunyai fungsi penting dalam pengendalian dengan logika fuzzy karena
semua proses: fuzzifikasi, inferensi dan defuzzifikasi bekerja berdasarkan pengetahuan yang ada
pada knowledge base.

Aturan-aturan IF – THEN yang ada dikelompokkan dan disusun kedalam bentuk Fuzzy
Associative Memory (FAM). FAM ini berupa suatu matriks yang menyatakan input-output
sesuai dengan aturan IF – THEN pada basis aturan yang ada. Bentuk matrik dari FAM akan
dibahas kemudian. Aturan yang telah dibuat harus dapat mengatasi semua kombinasi-kombinasi
input yang mungkin terjadi, dan harus dapat menghasilkan sinyal kendali yang sesuai agar tujuan
pengendalian tercapai. Oleh karena itu, maka pembentukkan basis aturan ini sangat penting.

14.2.3.Inferensi
Inferensi

Inferensi adalah proses transformasi dari suatu input dalam domain fuzzy ke suatu output
(sinyal kendali) dalam domain fuzzy. Proses transformasi pada bagian inferensi
membutuhkan aturan–aturan fuzzy yang terdapat didalam basisbasis aturan. Blok inferensi
mengunakan teknik penalaran untuk menyeleksi basis-basis aturan dan rule dari blok
knowledge base. Teknik penalaran yang digunakan adalah teknik penalaran MAX – MIN
yang berfungsi sebagai logika pengambil keputusan.

Gambar 3 menunjukan proses inferensi dengan metode penalaran MAX – MIN

menggunakan inputan suhu udara dan inputan kelembaban tanah. Langkah awal dalam
proses penalaran MAX – MIN adalah pembacaan nilainilai yang masuk dari sensor yaitu:
sensor suhu udara dan sensor kelembaban tanah serta penempatan masukan tersebut di
grafik keanggotaan sensor suhu udara (X0=sensor suhu) dan grafik keanggotaan sensor
kelembaban tanah (Y0= sensor kelembaban).

Langkah selanjutnya setelah didapatkan hasil penempatan nilai X0 dan Y0, dilakukan proses
penyeleksian dengan mengambil nilai minimum dari grafik inputan X0 dan Y0. Setelah
didapatkan hasil seleksi nilai minimum, penalaran MAX – MIN menyeleksi kembali dengan
mengambil nilai maximum untuk mendapatkan hasil akhir berupa nilai output inferensi
dalam domain fuzzy.

14.2.4. Perancangan sistem Fuzzy Logic Control

Perancangan sistem Fuzzy Logic Control

Fuzzy logic control memiliki empat bagian utama dalam pembuatan struktur dasar sistem kendali
fuzzy, yaitu: Fuzzifikasi, Knowledge Base, Inferensi dan Defuzzifikasi. 

Fuzzifikasi:
Pada sistem pengendali air tanaman ini terdapat dua input masukan yang akan di fuzzifikasikan
ke himpunan fuzzy dan menjadi fungsi keanggotaan fuzzy. fuzzifikasi dari input-input masukan
yang dikeluarkan rangkaian sensor suhu udara dan kelembaban tanah. Dipilih lima buah nilai
linguistik untuk output sensor suhu udara yaitu Dingin (D), Sejuk (S), Normal (N), Hangat (H)
da Panas (P). Sedangkan untuk keluaran dari sensor kelembaban tanah menggunakan tiga buah
nilai linguistik untuk mendefenisikan keadaan tanah pada tanaman, yaitu Kering (K), Normal (N)
dan Basah (B).

14.3. Kesimpulan
Untuk penerapan sistem kendali fuzzy logic control tidak memerlukan model matematika
dan optimum pada kendali non-linier karna keputusan yang dikeluarkan hanya
menggunakan logika manusia. 

Variabel linguistik, Derajat keanggotaan dan Fungsi keanggotaan adalah

parameterparameter pembentuk untuk anggota himpunan logika fuzzy.

Langkah-langkah untuk membuat sistem fuzzy logic control terdiri dari pembentukan:
fuzzifikasi, knowledge base, inferensi dan defuzzifikasi.

Knowledge base disusun berdasarkan pengalaman seorang operator ahli pada bidangnya.