SISTEM INTELIJEN

(AK043253)
1
PENDAHULUAN
• State of The Art
• Technology of computasional intelligence
• Kecerdasan buatan vs kecerdasan alami
• Aplikasi komersial kecerdasan buatan
Computational Intelligence : State of The Art
 Sejak puluhan tahun yang lalu manusia telah berusaha membuat MESIN
PINTAR (mesin yang memiliki kemampuan BELAJAR dan BERPIKIR seperti
manusia)  dipicu dengan ditemukannya KOMPUTER

 Pada awalnya, komputer hanya mempunyai kemampuan untuk BERHITUNG

(TO COMPUTE)  EDP

 Seiring dengan kemajuan teknologi, kemampuan komputer terus

bertambah menjadi SYMBOLIC PROCESSING (HUMAN-LIKE ACTIVITY)

Meniru proses belajar dan berpikir seperti

yang dilakukan manusia

 Hal ini memicu lahirnya ilmu baru  Artificial or Computational

Intelligence
The Technology behind The Intelligent Systems
1) Fuzzy Logic (Logika Samar)
 Meniru manusia dalam hal interpretasi / sensorik
 Dipakai dalam bidang teknik (ex: automatic control, kamera, mesin cuci,
microwave), dan manajemen (ex : Group Decision Making / konsensus)
2) Neural Network (Jaringan saraf Tiruan)
 Meniru otak manusia dalam memproses data atau informasi (parallel
processing).
 Dipakai dalam bidang pattern recognition, vision recognition, voice
recognition, dll.
3) Expert System (Sistem Pakar)
 Meniru keahlian yang dimiliki seorang pakar di suatu bidang tertentu
 Dipakai dalam bidang kesehatan (diagnosa penyakit), manajemen
(perekrutan pegawai baru, strategi pemasaran), dll
4) Genetic Algorithms (Algoritma Genetika)
 Teknik optimasi (berbasis komputer) yang meniru proses evolusi
makhluk hidup
 Dipakai dalam bidang penjadwalan, desain sistem produksi, lay-out
pabrik, investasi, dll.
 SEJARAH KECERDASAN BUATAN
• Tahun 1950 – an Alan Turing, seorang pionir AI dan ahli
matematika Inggris melakukan percobaan Turing (Turing Test)
yaitu sebuah komputer melalui terminalnya ditempatkan pada
jarak jauh.
• Di ujung yang satu ada terminal dengan software AI dan
diujung lain ada sebuah terminal dengan seorang operator.
• Operator itu tidak mengetahui kalau di ujung terminal lain
dipasang software AI.
• Mereka berkomunikasi dimana terminal di ujung memberikan
respon terhadap serangkaian pertanyaan yang diajukan oleh
operator.
• Dan sang operator itu mengira bahwa ia sedang
berkomunikasi dengan operator lainnya yang berada pada
terminal lain.
• Turing beranggapan bahwa jika mesin dapat membuat
seseorang percaya bahwa dirinya mampu berkomunikasi
dengan orang lain, maka dapat dikatakan bahwa mesin
tersebut cerdas (seperti layaknya manusia).
 DEFINISI

 Kecerdasan buatan (Artificial Intelligence) : Bagian dari ilmu

komputer yang mempelajari bagaimana membuat mesin
(komputer) dapat melakukan pekerjaan seperti dan sebaik
yang dilakukan oleh manusia bahkan bisa lebih baik daripada
yang dilakukan manusia.
 Menurut John McCarthy, 1956, AI : Untuk mengetahui dan
memodelkan proses – proses berpikir manusia dan
mendesain mesin agar dapat menirukan perilaku manusia.
 ...Lanjutan (DEFINISI)

• H. A. Simon [1987] : “ Kecerdasan buatan (artificial

intelligence) merupakan kawasan penelitian, aplikasi dan
instruksi yang terkait dengan pemrograman komputer untuk
melakukan sesuatu hal yang -dalam pandangan manusia
adalah- cerdas”
• Rich and Knight [1991]: “Kecerdasan Buatan (AI) merupakan
sebuah studi tentang bagaimana membuat komputer
melakukan hal-hal yang pada saat ini dapat dilakukan lebih
baik oleh manusia.”
 ...Lanjutan (DEFINISI)
• Encyclopedia Britannica: “Kecerdasan Buatan
(AI) merupakan cabang dari ilmu komputer
yang dalam merepresentasi pengetahuan
lebih banyak menggunakan bentuk simbol-
simbol daripada bilangan, dan memproses
informasi berdasarkan metode heuristic atau
dengan berdasarkan sejumlah aturan”
• Cerdas = memiliki pengetahuan + pengalaman, penalaran
(bagaimana membuat keputusan & mengambil tindakan),
moral yang baik
• Agar mesin bisa cerdas (bertindak seperti & sebaik manusia)
maka harus diberi bekal pengetahuan & mempunyai
kemampuan untuk menalar.
• Ada 2 bagian utama yg dibutuhkan untuk aplikasi kecerdasan
buatan :
a. basis pengetahuan (knowledge base): berisi fakta-fakta,
teori, pemikiran & hubungan antara satu dengan lainnya.
b. motor inferensi (inference engine) : kemampuan menarik
kesimpulan berdasarkan pengetahuan
Masalah Basis Mesin
Pengetahuan Inferensi solusi

Sistem yang menggunakan kecerdasan buatan

BEDA KECERDASAN BUATAN & KECERDASAN ALAMI

• Kelebihan kecerdasan buatan :

1. Lebih bersifat permanen. Kecerdasan alami bisa berubah
karena sifat manusia pelupa. Kecerdasan buatan tidak
berubah selama sistem komputer & program tidak
mengubahnya.
2. Lebih mudah diduplikasi & disebarkan. Mentransfer
pengetahuan manusia dari 1 orang ke orang lain
membutuhkan proses yang sangat lama & keahlian tidak
akan pernah dapat diduplikasi dengan lengkap.Jadi jika
pengetahuan terletak pada suatu sistem komputer,
pengetahuan tersebut dapat disalin dari komputer
tersebut & dapat dipindahkan dengan mudah ke komputer
yang lain.
 ..lanjutan
3. Lebih murah. Menyediakan layanan komputer akan lebih
mudah & murah dibandingkan mendatangkan seseorang
untuk mengerjakan sejumlah pekerjaan dalam jangka waktu
yang sangat lama.
4. Bersifat konsisten dan teliti karena kecerdasan buatan adalah
bagian dari teknologi komputer sedangkan kecerdasan alami
senantiasa berubah-ubah
5. Dapat didokumentasi.Keputusan yang dibuat komputer dapat
didokumentasi dengan mudah dengan cara melacak setiap
aktivitas dari sistem tersebut. Kecerdasan alami sangat sulit
untuk direproduksi.
6. Dapat mengerjakan beberapa task lebih cepat dan lebih baik
dibanding manusia
Kelebihan kecerdasan alami :
1. Kreatif : manusia memiliki kemampuan untuk menambah
pengetahuan, sedangkan pada kecerdasan buatan untuk
menambah pengetahuan harus dilakukan melalui sistem
yang dibangun.
2. Memungkinkan orang untuk menggunakan pengalaman atau
pembelajaran secara langsung. Sedangkan pada kecerdasan
buatan harus mendapat masukan berupa input-input
simbolik.
3. Pemikiran manusia dapat digunakan secara luas, sedangkan
kecerdasan buatan sangat terbatas.
Dimensi, Kecerdasan buatan dan Pemrograman
Visual:
Dimensi Kecerdasan Buatan Pemrograman Visual
Pemrosesan Mengandung konsep2 simbolik algoritmik

Sifat input Bisa tidak lengkap Harus lengkap

Pencarian Heuristik Biasanya didasarkan pada

algoritmik
Keterangan Disediakan Biasanya tidak disediakan

Fokus Pengetahuan Data dan informasi

Struktur Kontrol dipisahkan dari Kontrol terintegrasi dengan

pengetahuan informasi (data)
Sifat Output Kuantitatif Kualitatif

Kemampuan Menalar Ya Tidak

Pemeliharaan dan Update kuantitatif sulit

 Program kecerdasan buatan dapat ditulis dalam semua
bahasa komputer, baik dalam bahasa C, Pascal, Basic, dan
bahasa pemrograman lainnya. Tetapi dalam perkembangan
selanjutnya, dikembangkan bahasa pemrograman yang
khusus untuk aplikasi kecerdasan buatan yaitu LISP dan
PROLOG.
KECERDASAN BUATAN PADA APLIKASI KOMERSIAL
Lingkup utama kecerdasan buatan :
1. Sistem pakar (expert system) : komputer sebagai sarana untuk
menyimpan pengetahuan para pakar sehingga komputer
memiliki keahlian menyelesaikan permasalahan dengan meniru
keahlian yang dimiliki pakar. Diagnosa Penyakit
Diagnosa Penyakit THT
Apakah Anda demam (Y/T) ? y
Apakah Anda sakit kepala (Y/T) ? y
Apakah Anda merasa nyeri pada saat berbicara atau menelan (Y/T) ? y
Apakah Anda batuk (Y/T) ? y
Apakah Anda mengalami nyeri tenggorokan (Y/T) ? y
Apakah selaput lendir Anda berwarna merah dan bengkak (Y/T) ? y
Penyakit Anda adalah TONSILITIS
Ingin mengulang lagi (Y/T) ?
2. Pengolahan bahasa alami (natural language processing) : user
dapat berkomunikasi dengan komputer menggunakan bahasa
sehari-hari, misal bahasa inggris, bahasa indonesia, bahasa jawa,
dll, contoh :
– pengguna sistem dapat memberikan perintah dengan bahasa
sehari-hari, misalnya, untuk menghapus semua file, pengguna
cukup memberikan perintah ”komputer, tolong hapus semua
file !” maka sistem akan mentranslasikan perintah bahasa
alami tersebut menjadi perintah bahasa formal yang dipahami
oleh komputer, yaitu ”delete *.* <ENTER>”.
– Translator bahasa inggris ke bahasa indonesia begitu juga
sebaliknya,dll, tetapi sistem ini tidak hanya sekedar kamus
yang menerjemahkan kata per kata, tetapi juga
mentranslasikan sintaks dari bahasa asal ke bahasa tujuan
– Text summarization : suatu sistem yang dapat membuat
ringkasan hal-hal penting dari suatu wacana yang diberikan.
3. Pengenalan ucapan (speech recognition) :
manusia dapat berkomunikasi dengan
komputer menggunakan suara.
Contoh :
– memberikan instruksi ke komputer
dengan suara
– alat bantu membaca untuk tunanetra,
mempunyai masukan berupa teks
tercetak
– (misalnya buku) dan mempunyai
keluaran berupa ucapan dari teks
tercetak yang diberikan.
Telpon untuk penderita bisu-tuli

Alat untuk tuna wicara

• konversi dari SMS (Short Message System) ke
ucapan sehingga pesan SMS dapat didengar.
Dengan demikian memungkinkan untuk
mendengar pesan SMS sambil melakukan
aktivitas yang menyulitkan untuk
membacanya, seperti mengendarai mobil.
4. Robotika & sistem sensor
– Sistem sensor pada mesin cuci yaitu menggunakan
sensor optik, mengeluarkan cahaya ke air dan
mengukur bagaimana cahaya tersebut sampai ke ujung
lainnya. Makin kotor, maka sinar yang sampai makin
redup. Sistem juga mampu menentukan jenis kotoran
tersebut daki/minyak.Sistem juga bisa menentukan
putaran yang tepat secara otomatis berdasarkan jenis
dan banyaknya kotoran serta jumlah yang akan dicuci.
– Robotika
5. Computer vision : menginterpretasikan gambar atau
objek-objek tampak melalui komputer

6. Intelligent computer-aided instruction : komputer

dapat digunakan sebagai tutor yang dapat melatih &
mengajar
Contoh : Learn to speak English
7. Game playing
 1997, Deep Blue mengalahkan
Garry Kasparov, the World
Chess Champion
 Deep Blue chess machine
menggunakan komputer IBM,
dibuat tahun 1990-an oleh
Hsu, Campbell, Tan, Hoane,
Brody, Benjamin
 Deep Blue mampu
mengevaluasi 200juta posisi
bidak catur /detik
SOFT Computing
• Soft computing merupakan inovasi baru dalam membangun
sistem cerdas yaitu sistem yang memiliki keahlian seperti
manusia pada domain tertentu, mampu beradaptasi dan
belajar agar dapat bekerja lebih baik jika terjadi perubahan
lingkungan.
• Soft computing mengeksploitasi adanya toleransi terhadap
ketidaktepatan, ketidakpastian, dan kebenaran parsial untuk
dapat diselesaikan dan dikendalikan dengan mudah agar
sesuai dengan realita (Prof. Lotfi A Zadeh, 1992).
Latihan : Farmer solution
• Seorang petani akan menyeberangkan seekor kambing, serigala,
sayur sayuran dan perahu. Petani bisa menyeberangkan perahu
dengan satu penumpang apabila di tinggalkan oleh petani maka
sayur sayuran akan dimakan oleh kambing dan kambing akan di
makan oleh serigala. Permasalahan, bagaimana caranya agar petani
bisa menyeberangkan bawaannya melalui sungai dalam keadaan
selamat.

• Production Rulenya adalah :

1. kambing Menyeberang
2. Serigala Menyeberang
3. Sayuran Menyeberang
4. Kambing Kembali
5. Serigala Kembali
6. Sayur Kembali
7. Perahu Kembali
2
LOGIKA FUZZY (1)
• Definisi
• Himpunan Fuzzy
 Definisi
Logika fuzzy adalah suatu cara yang tepat untuk memetakan
suatu ruang input ke dalam suatu ruang output.
 ....Lanjutan (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. Fuzzy diperkenalkan oleh Dr. Lotfi Zadeh dari
Universitas California, Berkeley pada 1965.
ALASAN DIGUNAKANNYA LOGIKA FUZZY
1. Konsep logika fuzzy mudah dimengerti. Konsep matematis
yang mendasari penalaran fuzzy sangat sederhana dan
mudah dimengerti.
2. Logika fuzzy sangat fleksibel.
3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak
tepat.
4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear
yang sangat kompleks.
5. Logika fuzzy dapat membangun dan mengaplikasikan
pengalaman-pengalaman para pakar secara langsung tanpa
harus melalui proses pelatihan.
6. Logika fuzzy dapat bekerjasama dengan teknik-teknik
kendali secara konvensional.
7. Logika fuzzy didasarkan pada bahasa alami.
APLIKASI
• Pada tahun 1990 pertama kali dibuat mesin cuci dengan
logika fuzzy di Jepang (Matsushita Electric Industrial
Company). Sistem fuzzy digunakan untuk menentukan
putaran yang tepat secara otomatis berdasarkan jenis dan
banyaknya kotoran serta jumlah yang akan dicuci.

• Input yang digunakan adalah: seberapa kotor, jenis kotoran,

dan banyaknya yang dicuci. Mesin ini menggunakan sensor
optik , mengeluarkan cahaya ke air dan mengukur
bagaimana cahaya tersebut sampai ke ujung lainnya. Makin
kotor, maka sinar yang sampai makin redup. Disamping itu,
sistem juga dapat menentukan jenis kotoran (daki atau
minyak).
 ...Lanjutan (APLIKASI)

• Transmisi otomatis pada mobil. Mobil Nissan telah

menggunakan sistem fuzzy pada transmisi otomatis, dan
mampu menghemat bensin 12 – 17%.
• Ilmu kedokteran dan biologi, seperti sistem diagnosis yang
didasarkan pada logika fuzzy, penelitian kanker, manipulasi
peralatan prostetik yang didasarkan pada logika fuzzy, dll.
• Ilmu lingkungan, seperti kendali kualitas air, prediksi cuaca,
dll.
• Teknik, seperti perancangan jaringan komputer, prediksi
adanya gempa bumi, dll.
 Himpunan Fuzzy
• Pada himpunan tegas (crisp set), nilai keanggotaan suatu item x
dalam suatu himpunan A (ditulis A[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, A[2] = 1, karena 2A
– Nilai kaanggotaan 4 pada A, A[4] = 0, karena 4 A
– Nilai kaanggotaan 2 pada B ????????
– Nilai kaanggotaan 5 pada B ????????
 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
Contoh 3 :
Misal variable umur dibagi menjadi 3 katagori :
• MUDA umur <35 tahun
• PAROBAYA 35 ≤ umur ≤ 55 tahun
• TUA umur > 55 tahun

Muda Parobaya Tua

1 1 1

[x] [x] [x]

0 35 55 0 55
0 35

Gambar 2a. Keanggotaan himpunan biasa (crisp) umur muda dan parobaya

• Apabila 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
• Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk menyatakan umur
sangat tidak adil, adanya perubahan kecil saja pada suatu nilai mengakibatkan
perbedaan katagori yang cukup signifikan

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

1 Muda Parobaya Tua

[x]

0,5
0,25

0 25 35 40 45 50 55 65

Gambar 2b. Himpunan Fuzzy untuk variable umur

 1 Muda Parobaya Tua
[x]

0,5
0,25

0 25 35 40 45 50 55 65

Gambar 2b. Himpunan Fuzzy untuk variable umur

Apabila x memiliki nilai keanggotaan fuzzy A[x]=0 berarti x tidak menjadi

anggota himpunan A, demikian pula apabila x memiliki nilai keanggotaan fuzzy
µA[x]=1 berarti x menjadi anggota penuh pada himpunan A.
ATRIBUT HIMPUNAN FUZZY
 HIMPUNAN FUZZY
Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu:
DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.

SEMESTA????
DOMAIN????
3
LOGIKA FUZZY (2)
• Fungsi Keanggotaan
• Operasi Logika
 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
1
 FUNGSI KEANGGOTAAN HIMPUNAN FUZZY
(MEMBERSHIP FUNCTION)
1. Representasi linier

Contoh:
Fungsi keanggotaan
untuk himpunan PANAS
pada variabel
temperatur ruangan
seperti terlihat pada
Gambar

 Panas (27) = ????

 Panas (34) = ????
 FUNGSI KEANGGOTAAN HIMPUNAN FUZZY
(MEMBERSHIP FUNCTION)

1. Representasi linier
Contoh:
Fungsi keanggotaan untuk
himpunan DINGIN pada
variabel temperatur
ruangan seperti terlihat
pada Gambar

 dingin (25) = ????

 dingin (17) = ????
2
2. Representasi segitiga (triangular)
Ditentukan oleh 3 parameter {a, b, c}
sebagai berikut :

 0, x  a 
xa 
 , a  x  b 
triangle x : a, b, c    b  a 
cx
 ,b  x  c
 c  b 
 0, c  x 

Fungsi keanggotaan untuk himpunan NORMAL

pada variabel temperatur
ruangan seperti terlihat pada Gambar
3
3. Representasi Trapesium
Ditentukan oleh 4 parameter {a,b,c,d}
sebagai berikut :

 0, x  a 
xa 
 , a  x  b 
 b  a 
trapezoid  x; a, b, c, d    1, b  x  c 
d  x 
d c , c  x  d 
 0, d  x 
 

Fungsi keanggotaan untuk himpunan NORMAL

pada variabel temperatur
ruangan seperti terlihat pada Gambar
 4
REPRESENTASI BENTUK BAHU
Daerah yang terletak di tengah-tengah
suatu variabel yang direpresentasikan
dalam bentuk segitiga, pada sisi kanan
dan kirinya akan naik dan turun
(misalkan: DINGIN bergerak ke SEJUK
bergerak ke
HANGAT dan bergerak ke PANAS). Tetapi
terkadang salah satu sisi dari
variabel tersebut tidak mengalami
perubahan. Sebagai contoh, apabila
telah mencapai kondisi PANAS, kenaikan
temperatur akan tetap berada pada
kondisi PANAS. Himpunan fuzzy ‘bahu’,
bukan segitiga, digunakan
untuk mengakhiri variabel suatu daerah
fuzzy. Bahu kiri bergerak dari
benar ke salah, demikian juga bahu kanan
bergerak dari salah ke benar.
 5
REPRESENTASI BENTUK S
Kurva PERTUMBUHAN dan
PENYUSUTAN merupakan kurva-S atau
sigmoid yang berhubungan dengan
kenaikan dan penurunan permukaan
secara tak linear.

Kurva-S untuk PERTUMBUHAN akan

bergerak dari sisi paling kiri (nilai
keanggotaan = 0) ke sisi paling kanan
(nilai keanggotaan = 1). Fungsi
keanggotaannya akan tertumpu pada
50% nilai keanggotaannya yang
sering disebut dengan titik infleksi

Kurva-S untuk PENYUSUTAN akan

bergerak dari sisi paling kanan (nilai
keanggotaan = 1) ke sisi paling kiri
(nilai keanggotaan = 0)
 5
REPRESENTASI BENTUK S

Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu: nilai keanggotaan nol

(α), nilai keanggotaan lengkap (γ), dan titik infleksi atau crossover (β) yaitu titik yang
memiliki domain 50% benar.
 5
REPRESENTASI BENTUK S

Contoh
Fungsi keanggotaan untuk himpunan TUA
pada variabel umur seperti
terlihat pada Gambar

 tua (42) = ????

 5
REPRESENTASI BENTUK S

Contoh
Fungsi keanggotaan untuk himpunan MUDA
pada variabel umur seperti
terlihat pada Gambar

 Muda (37)
 6 REPRESENTASI BENTUK LONCENG
(BELL CURVE)
Untuk merepresentasikan bilangan fuzzy, biasanya digunakan
kurva berbentuk lonceng. Kurva berbentuk lonceng ini terbagi
atas 3 kelas, yaitu:

• himpunan fuzzy PI,

• beta,
• Gauss.
 6 REPRESENTASI BENTUK LONCENG
(BELL CURVE)
Kurva PI
Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak pada
pusat dengan domain (γ), dan lebar kurva (β) seperti terlihat pada
Gambar
 6 REPRESENTASI BENTUK LONCENG
(BELL CURVE)
Kurva Beta
Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng namun lebih
rapat. Kurva ini juga didefinisikan dengan 2 parameter, yaitu nilai pada
domain yang menunjukkan pusat kurva (γ), dan setengah lebar kurva (β)
seperti terlihat pada Gambar

Salah satu perbedaan mencolok kurva BETA

dari kurva PI adalah, fungsi
keanggotaannya akan mendekati nol hanya jika
nilai (β) sangat besar.
 6 REPRESENTASI BENTUK LONCENG
(BELL CURVE)
Kurva Beta

Fungsi keanggotaan untuk himpunan

SETENGAH BAYA pada variabel
umur seperti terlihat pada Gambar
 6 REPRESENTASI BENTUK LONCENG
(BELL CURVE)
Kurva Gauss
Jika kurva PI dan kurva BETA menggunakan 2 parameter yaitu (γ) dan
(β), kurva GAUSS juga menggunakan (γ) untuk menunjukkan nilai
domain pada pusat kurva, dan (k) yang menunjukkan lebar kurva
 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  predikat,
ada 3 operasi dasar yang diciptakan oleh Zadeh :

1. Operator AND, berhubungan dengan operasi intersection pada himpunan, 

predikat diperoleh dengan mengambil nilai minimum antar kedua himpunan.
AB = min(A[x], B[y])

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

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

MUDAGAJITINGGI = min( MUDA[27],  GAJITINGGI[2juta])

= min (0,6 ; 0,8)
= 0,6
2. Operator OR, berhubungan dengan operasi union pada
himpunan,  predikat diperoleh dengan mengambil nilai
maximum antar kedua himpunan.
AB = max(A[x], B[y])

Misal nilai keanggotaan umur 27 pada himpunan muda adalah

MUDA[27] = 0,6 dan nilai keanggotaan 2 juta pada himpunan
penghasilan TINGGI adalah GAJITINGGI[2juta] = 0,8

maka -predikat untuk usia MUDA atau berpenghasilan TINGGI

adalah nilai keanggotaan maksimum :
MUDA  GAJITINGGI = max(MUDA[27], GAJITINGGI[2juta])
= max (0,6 ; 0,8)
= 0,8
3. Operasi NOT, berhubungan dengan operasi
komplemen pada himpunan,  predikat
diperoleh dengan mengurangkan nilai
keanggotaan elemen pada himpunan dari 1.
Misal nilai keanggotaan umur 27 pada
himpunan muda adalah MUDA[27]= 0,6 maka
-predikat untuk usia TIDAK MUDA adalah :
MUDA’[27] = 1 - MUDA[27]
= 1 - 0,6
= 0,4
 LATIHAN
1. Buatlah contoh dalam kehidupan seri-hari, suatu variabel
yang mengandung sifat fuzzy. Bagilah variabel tersebut
menjadi beberapa himpunan fuzzy. Buatlah fungsi
keanggotaan yang sesuai untuk tiap-tiap himpunan fuzzy
yang terbentuk.
2. Tinggi badan seseorang digambarkan dengan
menggunakan fungsi keanggotaan pada gambar 1.
Hitunglah berapa derajat (nilai) keanggotaan :
– a. µpendek[153], µsedang[153]
– b. µpendek[158], µsedang[158], µtinggi[158]
– c. µtinggi[165], µsedang[165]
3. Gunakan TOOLBOX MATLAB untuk mengaplikasikan fungsi
keanggotaan pada soal no 2
Gambar 1
Tinggi badan
TERIMAKASIH