DATA PRIBADI Nama

Pendidikan
: Dr. Ir. Sumijan, M.Sc
: S1 – Universitas Putra Indonesia “YPTK” Padang
S2 – Universiti Teknologi Malaysia (UTM) Malaysia
S3 – Universitas Gunadarma Jakarta
Alamat : Komp. Palm Griya Indah, Padang

Pekerjaan
1. Dosen Fakultas Ilmu Komputer, UPI-YPTK Padang
2. Reviewer Jurnal JTIIK Filkom Univ. Brawijaya
email : soe@upiyptk.org / sumijan@upiyptk.ac.id 3. Reviewer International Conference IC2SE UPI-YPTK Padang
Hp. : 08126607355 - Line - Whats Up.
Scopus ID. : 57194787076
2019
Orcid ID. : 0000-0002-9932-4325 4. Tim ahli Dinas Kominfo Prov. Sumbar
Sinta ID. : 5977501
ResearcherID. : I-9167-2017 5. Tim ahli Lembaga Penelitian dan Pengembangan Prov.
Google Scholar. : XxDV_WsAAAAJ Sumbar
Keahlian/Konsentrasi 6. Mitra bestari di beberapa Jurnal Terakreditasi
1. Medical Image Processing 7. Konsultan Ahli & Partnership Recruitment TI
2. Computer Vision 8. Alli Peneliti PUSLITBANK POLDA Prov. Sumbar 2015 –
3. Graphical Computer Sekarang
4. Expert System 9. Tim Ahli Recruitment TI Prov. Sumatera Barat
LOGIKA FUZZY

<Intelligence System>
•
LOGIKA FUZZY
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.

<Intelligence System>
 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

<Intelligence System>
 Himpunan Fuzzy(contd)
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

<Intelligence System>
 Himpunan Fuzzy(contd)
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

<Intelligence System>
 Himpunan Fuzzy(contd)
• 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

<Intelligence System>
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

<Intelligence System>
 Fungsi Keanggotaan: Fungsi Linier

1.0 1.0

 

0 a b 0 a b
Domain Domain

Linier Naik Linier Turun

[x]= 0; x  a
[x]= (b-x)/(b-a); a  x  b
(x-a)/(b-a); a  x  b
0; x  b
1; x  b

9
 Fungsi Keanggotaan: Segitiga

1.0

0 a b c
Segitiga
[x] = 0; x  a atau x  c
(x-a)/(b-a); a  x  b
(c-x)/(c-b); b  x  c

10
 Fungsi Keanggotaan: Trapesium

1.0

0 a b c d
Trapesium

[x]= 0; x  a atau x  d
(x-a)/(b-a); a  x  b
1; b  x  c
(d-x)/(d-c); c  x  d

11
 Fungsi Keanggotaan: Sigmoid

1.0

0 a b c
Sigmoid

[x;a,b,c]sigmoid = 0; x  a
2 ((x - a)/(c - a))2; a  x  b
1 - 2((c - x)/(c - a))2; b  x  c
1; x  c

12
 Fungsi Keanggotaan: Phi

1.0

c-b c-b/2 c c+b/2 c+b

0
Phi

[x;a,b,c]phi = [x;c-b,c-b/2,c]sigmoid; x  c
[x;c,c+b/2,c+b]sigmoid; x > c

13
 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, terdapat 3 operasi dasar pada himpunan
fuzzy :
– OR (Union)
– AND (Intersection)
– NOT (Complement)

<Intelligence System>
 OR (Union)
• Fuzzy union (): union dari 2 himpunan adalah
maksimum dari tiap pasang elemen element
pada kedua himpunan
• Contoh:
– A = {1.0, 0.20, 0.75}
– B = {0.2, 0.45, 0.50}
– A  B = {MAX(1.0, 0.2), MAX(0.20, 0.45),
MAX(0.75, 0.50)}
= {1.0, 0.45, 0.75}
15
 OR (Union)
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
 AND (Intersection)
⚫ Fuzzy intersection (): irisan dari 2 himpunan fuzzy adalah minimum dari tiap pasang elemen
pada kedua himpunan.
⚫ contoh.
 A  B = {MIN(1.0, 0.2), MIN(0.20, 0.45), MIN(0.75, 0.50)} = {0.2, 0.20, 0.50}
 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
minimun :
MUDAGAJITINGGI
= min( MUDA[27],  GAJITINGGI[2juta])
= min (0,6 ; 0,8)
= 0,6
 NOT (Complement)

• Komplemen dari variabel fuzzy dengan derajat

keanggotaan=x adalah (1-x).
• Komplemen ( _ ): komplemen dari himpunan fuzzy
c

terdisi dari semua komplemen elemen.

• Contoh
– Ac = {1 – 1.0, 1 – 0.2, 1 – 0.75} = {0.0, 0.8, 0.25}
– 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 18
 Contoh

Nilai keanggotaan sebagai hasil dari operasi 2 himpunan: fire strength atau -
predikat
Misalkan nilai keanggotaan IP 3.2 pada himpunan
AND
IPtinggi adalah 0.7 dan nilai keanggotaan 8 semester
AB [x] = min(A[x], B[x]) pada himpunan LulusCepat adalah 0.8 maka -predikat
untuk IPtinggi dan LulusCepat:

IPtinggiLulusCepat = min(IPtinggi[3.2], LulusCepat[8])

= min(0.7,0.8) = 0.7
OR

AB [x] = max(A[x], B[x]) -predikat untuk IPtinggi atau LulusCepat:

IPtinggiLulusCepat = max(IPtinggi[3.2], LulusCepat[8])

= max(0.7,0.8) = 0.8
NOT (Complement)

A’[x] = 1 - A[x] -predikat untuk BUKAN IPtinggi :

IPtinggi‘ = 1 - IPtinggi[3.2] = 1 - 0.7 = 0.3

19
 A B

A B AB A
A’
AB
AB
 Penalaran monoton
(Aturan Fuzzy If Then)
• Metode penalran secara monoton digunakan sebagai dasar untuk teknik implikasi fuzzy. Meskipun
penalaran ini sudah jarang sekali digunakan, namun kadang masih digunakan untuk penskalaan fuzzy.
Jika 2 variabel fuzzy direlasikan dengan implikasi sederhana sebagai berikut :

If x is A Then Y is B

atau y=f((x,A),B)

maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan dekomposisi fuzzy. Nilai output
dapat diestimasi secara langsung dari nilai keanggotaan yang berhubungan dengan antesendennya

<Intelligence System>
 Contoh Implementasi
a. A2 B
A1 Aplikasi fungsi implikasi Min

X1 X2 Y

If X1 is A1 and X2 is A2 Then Y is B

A1
Aplikasi fungsi implikasi Dot
A2 B
b.

X1 X2 Y

If X1 is A1 and X2 is A2 Then Y is B

Gambar 4. (a) Aplikasi fungsi implikasi menggunakan operator min.

(b) Aplikasi fungsi implikasi menggunakan operator dot.

<Intelligence System>
 FUNGSI IMPLIKASI
• Bentuk umum aturan yang digunakan dalam fungsi implikasi :
IF x is A THEN y is B
dengan x dan y adalah skalar, A dan B adalah himpunan fuzzy.
Proposisi yang mengikuti IF disebut anteseden, sedangkan
proposisi yang mengikuti THEN disebut konsekuen.
Secara umum, ada dua fungsi
implikasi, yaitu :
1. Min (minimum), fungsi ini akan memotong output
himpunan fuzzy
2. Dot (product), fungsi ini akan menskala output himpunan
fuzzy
 Fuzzy Inference Systems
➢Model Fuzzy Mamdani
➢Model Fuzzy Sugeno
➢Model Fuzzy Tsukamoto

28
 Kaidah-kaidah

Fuzzy Inference Systems

input fuzzyfikasi penaran defusifikasi output
 Pengantar
• Operasi dari sistem pakar fuzzy tergantung dari eksekusi
4 fungsi utama:
– Fuzzification: definisi dari himpunan fuzzy dan penentuan derajat
keanggotaan dari crisp input pada sebuah himpunan fuzzy
– Inferensi: evaluasi kaidah/aturan/rule fuzzy untuk menghasilkan output
dari tiap rule
– Composisi: agregasi atau kombinasi dari keluaran semua rule
– Defuzzification: perhitungan crisp output

30
 Model Mamdani
• Sering dikenal dengan nama Metode Max-
Min. Metode ini diperkenalkan oleh Ebrahim
Mamdani pada tahun 1975.
• Untuk mendapatkan output diperlukan 4
tahapan :
1.Pembentukan himpunan fuzzy Variabel input
maupun output dibagi menjadi satu atau lebih
himpunan
2.Aplikasi fungsi implikasi Fungsi implikasi yang
digunakan adalah Min
 Model Mamdani(Contd)
3. Komposisi aturan Ada tiga metode yang digunakan dalam
melakukan inferensi sistem fuzzy :
a. Metode Max
b. Metode Additive (SUM)
c. Metode Probabilistik OR
4. 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.
 Beberapa metode defuzzifi-
kasi aturan MAMDANI :
a. Metode Centroid (Composite Moment)
b. Metode Bisektor
c. Metode Mean of Maximun (MOM)
d. Metode Largest of Maximum (LOM)
e. Metode Smallest of Maximum (SOM)
 Model Fuzzy Mamdani
Contoh: persoalan sederhana dengan 2 input,1 output
dan 3 rules
Rule: 1 Rule: 1
IF x is A3 IF project_funding is adequate
OR y is B1 OR project_staffing is small
THEN z is C1 THEN risk is low

Rule: 2 Rule: 2
IF x is A2 IF project_funding is marginal
AND y is B2 AND project_staffing is large
THEN z is C2 THEN risk is normal

Rule: 3 Rule: 3
IF x is A1 IF project_funding is inadequate
THEN z is C3 THEN risk is high

34
Mamdani fuzzy inference
Fuzzifikasi: menentukan derajat keanggotaan
input x1 dan y1 pada himpunan fuzzy

Crisp Input Crisp Input

x1 y1

1 1 B1 B2
A1 A2 A3 0.7
0.5
0.2 0.1
0 0
x1 X y1 Y
(x = A1) = 0.5 (y = B1) = 0.1
(x = A2) = 0.2 (y = B2) = 0.7

35
Model Fuzzy Mamdani
Inferensi: apikasikan fuzzified inputs, (x=A1) = 0.5,
(x=A2) = 0.2, (y=B1) = 0.1 and (y=B2) = 0.7, ke
anteseden dari aturan fuzzy

Untuk aturan fuzzy dengan anteseden lebih dari 1,

operator fuzzy (AND atau OR) digunakan untuk mencapai
sebuah nilai tunggal yang merepresentasikan hasil rule
fuzzy. Nilai ini kemudian diaplikasikan ke fungsi
keanggotaan konsekuen

36
Model Fuzzy Mamdani
1 1 1
A3 B1 C1 C2 C3
0.1 OR 0.1
0.0
(max)
0 x1 X 0 y1 Y 0 Z

Rule 1: IF x is A3 (0.0) OR y is B1 (0.1) THEN z is C1 (0.1)

1 1 1
0.7
C1 C2 C3
A2 0.2 B2 AND 0.2
(min)
0 x1 X 0 y1 Y 0 Z
Rule 2: IF x is A2 (0.2) AND y is B2 (0.7) THEN z is C2 (0.2)
1 1
A1 0.5 0.5 C1 C2 C3

0 x1 X 0 Z
Rule 3: IF x is A1 (0.5) THEN z is C3 (0.5)
37
Model Fuzzy Mamdani
Dua teknik yang umum digunakan untuk mengaplikasikan hasil
evaluasi anteseden ke fungsi keanggotaan konsekuen:
Degree of Degree of
Membership Membership
1.0 1.0

C2 C2

0.2 0.2

0.0 0.0
Z Z
clipping scaling

38
Model Fuzzy Mamdani
Composisi: agregasi keluaran semua rule ke dalam
himpunan fuzzy tunggal.

1 1 1
C1 C2 C3
0.5 0.5
0.2 0.2
0.1 0.1
0 Z 0 Z 0 Z 0 Z
z is C1 (0.1) z is C2 (0.2) z is C3 (0.5) 

39
Model Fuzzy Mamdani
Defuzzifikasi: konversi dari himpunan fuzzy yang
dihasilkan dari komposisi ke dalam crisp value.

Teknik yang paling populer adalah centroid

technique. Metoda ini mencari centre of gravity
(COG) dari aggregate set:

  A (x ) x dx
COG = a
b

  A (x ) dx
a

40
 Model Fuzzy Mamdani
Centre of gravity (COG): mencari titik yang membagi
area solusi menjadi 2 bagian yang sama

( 0 + 10 + 20 )  0 .1 + (30 + 40 + 50 + 60 )  0 .2 + ( 70 + 80 + 90 + 100 )  0 .5
COG = = 67 .4
0 .1 + 0 .1 + 0 .1 + 0 .2 + 0 .2 + 0 .2 + 0 .2 + 0 .5 + 0 .5 + 0 .5 + 0 .5

D e g re e o f
M e m b e rsh ip
1 .0

0 .8

0 .6

0 .4
0 .2

0 .0
0 10 20 30 40 50 60 70 80 90 100
6 7 .4 Z

41
 Model Fuzzy Sugeno
• Inferensi Mamdani tidak efisien karena melibatkan proses pencarian centroid
dari area 2 dimensi.
• Michio Sugeno mengusulkan penggunaan singleton sebagai fungsi
keanggotaan dari konsekuen. Singleton adalah sebuah himpunan fuzzy
dengan fungsi keanggotaan: pada titik tertentu mempunyai sebuah nilai dan 0
di luar titik tersebut.
• Penalaran ini hampir sama dengan penalaran Mamdani, hanya saja output
(konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa
konstanta atau persamaan linear.

42
 Model Fuzzy Sugeno
• Orde-Nol
– Bentuk Umum :
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
– Bentuk Umum :
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
 Model Fuzzy Sugeno
Perbedaan antara Mamdani dan Sugeno ada pada konsekuen.
Sugeno menggunakan konstanta atau fungsi matematika dari
variabel input:

IF x is A IF x is A
AND y is B AND y is B
THEN z is f(x, y) THEN z is k

dimana x, y dan z adalah variabel linguistik; A dan B himpunan

fuzzy untuk X dan Y, dan f(x, y) adalah fungsi matematik.

44
Model Fuzzy Sugeno
Evaluasi Rule
1 1 1
A3 B1
0.1 OR 0.1
0.0
(max)
0 x1 X 0 y1 Y 0 k1 Z

Rule 1: IF x is A3 (0.0) OR y is B1 (0.1) THEN z is k1 (0.1)

1 1 1
0.7
A2 0.2 B2 AND 0.2
(min)
0 x1 X 0 y1 Y 0 k2 Z
Rule 2: IF x is A2 (0.2) AND y is B2 (0.7) THEN z is k2 (0.2)
1 1
A1 0.5 0.5

0 x1 X 0 k3 Z
Rule 3: IF x is A1 (0.5) THEN z is k3 (0.5)

45
Model Fuzzy Sugeno
Komposisi
1 1 1 1
0.5 0.5
0.2
0.1 0.2 0.1
0 k1 Z 0 k2 Z 0 k3 Z 0 k1 k2 k3 Z

z is k1 (0.1) z is k2 (0.2) z is k3 (0.5) 

46
 Model Fuzzy Sugeno
Defuzzifikasi

0 z1 Z

Crisp Output
z1

Weighted average (WA):

(k1)  k1+ (k2)  k2 + (k3)  k3 0.1 20+ 0.250+ 0.580
WA= = = 65
(k1) + (k2) + (k3) 0.1+ 0.2 + 0.5

47
 Model Fuzzy Sugeno: Contoh
• Mengevaluasi kesehatan orang berdasarkan tinggi dan
berat badannya
• Input: tinggi dan berat badan
• Output: kategori sehat
- sangat sehat (SS), index=0.8
- sehat (A), index=0.6
- agak sehat (AS), index=0.4
- tidak sehat (TS), index=0.2
48
 L1: Fuzzification (1)

fungsi keanggotaan untuk tinggi

Sangat Sangat
pendek Pendek Sedang Tinggi tinggi
1.0
Ada 3 variabel fuzzy yang
dimodelkan: tinggi, berat,
sehat

0 115 120 140 145 160 165 180 185

fungsi keanggotaan untuk berat

Sangat Sangat
kurus Kurus Biasa Berat berat
1.0

0 40 45 50 55 60 65 80 85

49
 L2: Rules Evaluation (1)
Tentukan rules
Tabel Kaidah Fuzzy
BERAT

Sangat Sangat
Kurus Biasa Berat
kurus berat

T Sangat
I pendek SS S AS TS TS
N
G Pendek S SS S AS TS
G
I Sedang AS SS SS AS TS
Tinggi TS S SS S TS
Sangat
tinggi TS AS SS S AS

Dalam bentuk if-then, contoh:

If sangat pendek dan sangat kurus then
sangat sehat

50
 L2: Rules Evaluation (2)
Contoh: bagaimana kondisi kesehatan untuk orang dengan tinggi 161.5 cm dan
berat 41 kg?

Sangat Sangat
pendek Pendek Sedang Tinggi tinggi
1.0

0.7

0.3

0 115 120 140 145 160 165 180 185

sedang[161.5] = (165-161.5)/(165-160) = 0.7

tinggi[161.5] = (161.5-160)/(165-160) = 0.3

51
 L2: Rules Evaluation (3)

Sangat Sangat
kurus Kurus Biasa Berat berat
1.0
0.8

0.2

0 40 45 55

sangatkurus[41] = (45-41)/(45-40) = 0.8

kurus[41] = (41-40)/(45-40) = 0.2

52
 BERAT

Sangat
0.8 0.2 Biasa Berat
berat

T Sangat
I pendek SS S AS TS TS L2: Rules
N
G Pendek S SS S AS TS Evaluation (4)
G
I 0.7 AS SS SS AS TS
0.3 TS S SS S TS
Sangat
tinggi TS AS SS S AS

BERAT

Sangat
0.8 0.2 Biasa Berat
berat

Sangat
T pendek SS S AS TS TS
Pilih bobot minimum krn I
relasi AND N Pendek S SS S AS TS
G
G 0.7 0.7 0.2 SS AS TS
I
0.3 0.3 0.2 SS S TS
Sangat
tinggi TS AS SS S AS
53
 L3: Defuzzification

Diperoleh:
f = {TS, AS, S, SS} = {0.3, 0.7, 0.2, 0.2}

Penentuan hasil akhir, ada 2 metoda:

1. Max method: index tertinggi 0.7
hasil Agak Sehat

2. Centroid method, dengan metoda Sugeno:

Decision Index = (0.3x0.2)+(0.7x0.4)+(0.2x0.6)+(0.3x0.8) /
(0.3+0.7+0.2+0.2)
= 0.4429
Crisp decision index = 0.4429
Fuzzy decision index: 75% agak sehat, 25% sehat

54
Contoh Kasus:
Sebuah pabrik elektronik dapat berhasil mencapai permintaan terbesar sebanyak
5000 barang/hari. Namun pernah pabrik tersebut hanya mencapai permintaan
barang sebanyak 1000 barang/hari. Persediaan barang di gudang dapat
mencapai titik tertinggi yaitu 600 barang/hari dan titik terendahnya 100
barang/hari. Dengan semua keterbatasannya, pabrik tersebut dapat memproduksi
barang maksimum 7000 barang/hari dan minimalnya 2000 barang/hari. Apabila
proses produksi pabrik tersebut menggunakan aturan fuzzy sebagai berikut
1. BUAT RULE (ATURAN)
R1. Jika Permintaan Banyak AND Persediaan Banyak Maka Produksi Bertambah
R2. Jika Permintaan Sedikit AND Persediaan Sedikit Maka Produksi Berkurang
R3. Jika Permintaan Sedikit AND Persediaan Banyak Maka Produksi Berkurang
R4. Jika Permintaan Banyak AND Persediaan Sedikit Maka Produksi Bertambah

55
 Input Rule Output

1. Jumlah Permintaan LOGIKA FUZZY 1. Produksi Bertambah

2. Jumlah Persediaan
2. Produksi Berkurang

TSUKAMOTO
 1 1

0 1000 5000 0 100 600

Permintaan Persediaan
Berapa barang elektronik tersebut harus diproduksi jika jumlah permintaannya sebanyak 4000 barang
dan persediaan di gudang masih 300 barang ?.
4. MENGHITUNG NILAI KEANGGOTAAN [x]= (b-x)/(b-a); a  x  b
Nilai Keanggotaan Permintaan : 0; x  b
PmtSEDIKIT[4000] = (5000-4000)/(5000-1000)
= 0.25 [x]= 0; x  a
PmtBANYAK[4000] = (4000-1000)/ (5000-1000)
= 0.75
(x-a)/(b-a); a  x  b
Nilai Keanggotaan Persediaan : 1; x  b
PsdSEDIKIT[300] = (600-300)/(600-100)
DIKETAHUI :
= 0.6 1. Jumlah permintaan (x) = 4000 barang, a=1000, b=5000
PsdBANYAK[300] = (300-100)/(600-100) 2. Jumlah Persediaan (x) = 300 barang, a=1000, b=5000
= 0.4 DITANYAKAN :
Berapa Jumlah Produksi ?.
5. Membuat Fungsi Keanggotaan
[x]
SEDIKIT BANY AK
1

0.6

0.4

0
0 100 300 600
Persediaan (barang/hari)

58
5. Mencari Jumlah Produksi
1, z  2000 0 z  2000
 7000 − z  z − 2000
 Pr BrgBERKURANG [ z ] =  , 2000  z  7000  Pr BrgBERTAMBAH [ z ] =  2000  z  7000
 7000 − 2000  7000 − 2000
z  7000 1 z  7000
0,
[x]  _ pred1 *Z1 + _ pred2 *Z2 + _ pred3 *Z3 + _ pred4 *Z4
1
BERKURANG BERTAMBAH
Z=
 _ pred1 + _ pred2 + _ pred3 + _ pred4
R1. = z1 : 4000 alpha1 : 0.4
R2. = z2 : 5000 alpha2 : 0.6
0
0 2000 7000 R3. = z3 : 5750 alpha3 : 0.25
Produksi Barang (barang/hari) R4. = z4 : 5750 alpha4 : 0.25

PERMINTAAN
B: 0.75 S: 0.25
PERSEDIAAN B: 0.4 4000 5750
S: 0.6 5000 5750
Jadi barang elektronik yang harus diproduksi sebanyak : 6995.833
59
 Model Fuzzy Tsukamoto

[A1] IF Permintaan BANYAK And Persediaan BANYAK

THEN Produksi Barang BERTAMBAH ;
[A2] IF permintaan SEDIKIT And persediaan SEDIKIT
THEN Produksi Barang BERKURANG ;
[A3] IF Permintaan SEDIKIT And Persediaan BANYAK
THEN Produksi Barang BERKURANG ;
[A4] IF permintaan BANYAK And persediaan SEDIKIT
THEN Produksi Barang BERTAMBAH ;

Berapa barang elektronik tersebut harus diproduksi jika jumlah permintaannya sebanyak 4000
barang dan persediaan di gudang masih 300 barang ?.

60
 Contoh (2)

Permintaan; terdiri atas 2 himpunan fuzzy, yaitu BANYAK dan SEDIKIT

[x]
SEDIKIT BANY AK
1

0.75

0.25

0
0 1000 4000 5000
Permintaan (barang/hari)

Nilai Keanggotaan :
PmtSEDIKIT[4000] = (5000-4000)/(5000-1000)
= 0.25
PmtBANYAK[4000] = (4000-1000)/ (5000-1000)
= 0.75
61
 Contoh (3)
Persediaan; terdiri atas 2 himpunan fuzzy, yaitu BANYAK dan SEDIKIT

[x]
SEDIKIT BANY AK
1

0.6

0.4

0
0 100 300 600
Persediaan (barang/hari)
Nilai Keanggotaan :
PsdSEDIKIT[300] = (600-300)/(600-100)
= 0.6
PsdBANYAK[300] = (300-100)/(600-100)
= 0.4
62
 Contoh (4)
Produksi Barang
[x]
BERKURANG BERTAMBAH
1

0
0 2000 7000
Produksi Barang (barang/hari)
Nilai Keanggotaan :
1, z  2000
 7000 − z
 Pr BrgBERKURANG [ z ] =  , 2000  z  7000
 7000 − 2000
0, z  7000
0 z  2000
 z − 2000
 Pr BrgBERTAMBAH [ z ] =  2000  z  7000
 7000 − 2000
1 z  7000
63
 Contoh (5)
PERMINTAAN
B: 0.75 S: 0.25
PERSEDIAAN
B: 0.4 Bertambah Berkurang
S: 0.6 Bertambah Berkurang

PERMINTAAN

B: 0.75 S: 0.25
PERSEDIAAN
B: 0.4 0.4 0.25

S: 0.6 0.6 0.25

PERMINTAAN
B: 0.75 S: 0.25
PERSEDIAAN B: 0.4 4000 5750
S: 0.6 5000 5750

64
 Contoh (6)

Defuzzification: mencaria nilai z. Dapat dicari dengan metoda

centroid Tsukamoto :

 _ pred1 * Z 1 +  _ pred 2 * Z 2 +  _ pred 3 * Z 3 +  _ pred 4 * Z 4

Z=
 _ pred1 +  _ pred 2 +  _ pred 3 +  _ pred 4

0.4 * 4000 + 0.25 * 5750 + 0.25 * 5750 + 0.6 * 5000

Z =
0.4 + 0.25 + 0.25 + 0.6

Z = 4983

Jadi barang elektronik yang harus diproduksi sebanyak

65
Summary
• Ada 4 tahapan utama sistem pakar fuzzy: fuzzifikasi,
inferensi, komposisi, defuzzifikasi.
• 2 metoda yang paling banyak dipakai: Mamdani dan
Sugeno.
• Metoda Mamdani menggunakan himpunan fuzzy
sebagai konsekuen rule, Metoda Sugeno
menggunakan fungsi matematik atau konstanta.
• Mamdani: komputasi lebih berat, human-like
inference, Sugeno: komputasi lebih efisien tetapi
kehilangan interpretabilitas linguistik.

66
 Soal
Mengevaluasi mahasiswa berdasarkan GPA dan nilai
GRE

GRE Low Medium High

1.0

0 800 1200 1800 GRE

Fungsi Keanggotaan untuk GRE

67
 Fungsi Keanggotaan untuk GPA

GPA Low Medium High

1.0

0 2.2 3.0 3.8 GPA

68
 Soal

 P F G VG E
1.0

0 60 70 80 90 100
Decision

69
 Soal

GRE

H M L
G
P
A H E VG F

M G G P

L F P P

70
 Contoh (5)
PERMINTAAN
B: 0.75 S: 0.25
PER
B: 0.4 Bertambah Berkurang
SE
DIAAN S: 0.6 Bertambah Berkurang

PERMINTAAN

B: 0.75 S: 0.25
PER
SE B: 0.4 0.4 0.25
DIAAN
S: 0.6 0.6 0.25

PERMINTAAN
B: 0.75 S: 0.25
PER B: 0.4 4000 5750
SE
DIAAN S: 0.6 5000 5750

71
 Contoh (6)

Defuzzification: mencaria nilai z. Dapat dicari dengan metoda centroid Tsukamoto :

 _ pred1 * Z1 +  _ pred2 * Z 2 +  _ pred3 * Z 3 +  _ pred4 * Z 4

Z=
 _ pred1 +  _ pred2 +  _ pred3 +  _ pred4
0 . 4 * 4000 + 0 . 25 * 5750 + 0 . 25 * 5750 + 0 . 6 * 5000
Z =
0 . 4 + 0 . 25 + 0 . 25 + 0 . 6

Z = 4983

Jadi barang elektronik yang harus diproduksi sebanyak 4983

72
 Soal
Mengevaluasi mahasiswa berdasarkan GPA dan nilai
GRE

GRE Low Medium High

1.0

0 800 1200 1800 GRE

Fungsi Keanggotaan untuk GRE

73
 Fungsi Keanggotaan untuk GPA

GPA Low Medium High

1.0

0 2.2 3.0 3.8 GPA

74
 Soal

 P F G VG E
1.0

0 60 70 80 90 100
Decision

75
 Soal
GRE

H M L
G
P
A H E VG F

M G G P

L F P P

76
 1 .0 1 .0

 

0 a b 0 a b
D o m a in D o m a in

L in ie r N a ik L in ie r T u r u n

[x]= 0; x  a
[x]= (b-x)/(b-a); a  x  b
(x-a)/(b-a); a  x  b
0; x  b
1; x  b
 Input Rule Output

1. Besar Ruangan LOGIKA FUZZY 1. Naikkan Suhu

2. Jumlah Orang
3. Suhu Cuaca di Luar
2. Turunkan Suhu

TSUKAMOTO

MAMDANI

SUGENO
1. Besar Ruangan M2 Sempit Luas
20 50
Sempit <=50 Batas Bahu Kiri (Bawah) 20
Luas >=20 Batas Bahu Kanan (Atas) 50
50 20
Sedikit Banyak
2. Jumlah Orang org 5 15
Sedikit <=15 Batas Bahu Kiri (Bawah) 5
Banyak >=5 Batas Bahu Kanan (Atas) 15
15 5
Sedikit Banyak
22 32
3. Suhu Cuaca Luar oC

Hujan / Dingin <=32 Batas Bahu Kiri (Bawah) 22

Cerah / Panas >=22 Batas Bahu Kanan (Atas) 32 32 22

Turunkan Suhu Naikkan Suhu

18 26
Suhu AC oC

Turunkan Suhu <=26 Batas Bahu Kiri (Bawah) 18

Naikkan Suhu >=18 Batas Bahu Kanan (Atas) 26 26 18
Rumus Miu (u) Luas Ruangan
Sempit Luas DIKETAHUI
<=20 20<=x<=50 >=50 <=20 20<=x<=50 >=50 1. Luas Ruangan 25
1 (50-x)/(50-20) 0 0 (x-20)/(50-20) 1 2. Jumlah Orang 12
Rumus Miu (u) Jumlah Orang 3. Suhu Cuaca Luar 28
Sedikit Banyak DITANYAKAN
<=5 5<=x<=15 >=15 <=5 5<=x<=15 >=15
Suhu AC ?
1 (5-x)/(15-5) 0 0 (x-5)/(15-5) 1
Rumus Miu (u) Suhu Cuaca Luar
Sedikit Banyak
<=22 22<=x<=32 >=32 <=22 22<=x<=32 >=32
1 (32-x)/(32-22) 0 0 (x-22)/(32-22) 1
Rumus Z Suhu Ruangan
Dingin Panas
<=18 18<=z<=26 >=26 <=18 18<=z<=26 >=26
1 (26-z)/(26-18) 0 0 (z-18)/(26-18) 1

1 IF Besar Ruangan Sempit AND Jumlah Orang Sedikit AND Suhu Cuaca Luar Hujan / Dingin THEN Suhu AC Naikkan Suhu
2 IF Besar Ruangan Sempit AND Jumlah Orang Sedikit AND Suhu Cuaca Luar Cerah / Panas THEN Suhu AC Turunkan Suhu
3 IF Besar Ruangan Sempit AND Jumlah Orang Banyak AND Suhu Cuaca Luar Hujan / Dingin THEN Suhu AC Turunkan Suhu
4 IF Besar Ruangan Sempit AND Jumlah Orang Banyak AND Suhu Cuaca Luar Cerah / Panas THEN Suhu AC Turunkan Suhu
5 IF Besar Ruangan Luas AND Jumlah Orang Sedikit AND Suhu Cuaca Luar Hujan / Dingin THEN Suhu AC Naikkan Suhu
6 IF Besar Ruangan Luas AND Jumlah Orang Sedikit AND Suhu Cuaca Luar Cerah / Panas THEN Suhu AC Naikkan Suhu
7 IF Besar Ruangan Luas AND Jumlah Orang Banyak AND Suhu Cuaca Luar Hujan / Dingin THEN Suhu AC Turunkan Suhu
8 IF Besar Ruangan Luas AND Jumlah Orang Banyak AND Suhu Cuaca Luar Cerah / Panas THEN Suhu AC Turunkan Suhu
 Sempit
Luas
a=20
b=50
1. Luas Ruangan [x]= (b-x)/(b-a); a  x  b
DIKETAHUI
Sedikit a=5
2. Jumlah Orang
0; x  b
Luas Ruangan X=25
Banyak b=15
Jumlah Orang X=12 Hujan / Dingin a=22
3. Suhu Cuaca Luar
Suhu Cuaca Luar X=28 Cerah / Panas b=32
DITANYAKAN Turunkan Suhu a=18
Output : Suhu AC
Suhu AC ? Naikkan Suhu b=26
IF Besar Ruangan Sempit AND Jumlah Orang Sedikit AND Suhu Cuaca Luar Hujan / Dingin THEN Suhu AC
U Besar Ruangan Sempit = (50-x)/(50-20) = (50-25)/(50-20) 0.833333333
U Jumlah Orang Sedikit = (15-x)/(15-5) = (15-12)/(15-5) 0.3
1 Naikkan Suhu
U Cuaca Luar Hujan / Dingin = (32-x)/(32-22)= (32-28)/(32-22) 0.4
Alpha (a) Aturan Pertama = Min(0.83; 0.3; 0.4) = a1 0.3
Z Suhu AC Naikkan Suhu -> a = (z-18)/(26-18) -> z = 18 + (a * (26 - 18) ) -> z = 18 + (0.3 * (26 - 18) ) = z1 20.4

IF Besar Ruangan Sempit AND Jumlah Orang Sedikit AND Suhu Cuaca Luar Cerah / Panas THEN Suhu AC
U Besar Ruangan Sempit = (50-x)/(50-20) = (50-25)/(50-20) 0.833333333
U Jumlah Orang Sedikit = (15-x)/(15-5) = (15-12)/(15-5) 0.3
2 Turunkan Suhu
U Cuaca Luar Cerah / Panas = (x-22)/(32-22) = (32-22)/(32-22) 0.6
Alpha (a) Aturan Kedua = Min(0.5; 0.6; 1) = a2 0.3
Z Suhu AC Turunkan Suhu -> a = (26-z)/(26-18) -> z = 26 - (a * (26 - 18) ) -> z = 26 - ( 0.3 * (22 - 18) ) = z2 23.6

IF Besar Ruangan Sempit AND Jumlah Orang Banyak AND Suhu Cuaca Luar Hujan / Dingin THEN Suhu AC Turunkan Suhu
U Besar Ruangan Sempit = (50-x)/(50-20) = (50-25)/(50-20) 0.833333333
U Jumlah Orang Banyak = (x-5)/(15-5) = (12-5)/(15-5) 0.7
3
U Cuaca Luar Hujan / Dingin = (32-x)/(32-22)= (32-28)/(32-22) 0.4
Alpha (a) Aturan Ketiga = Min(0.5; 0.6; 0) = a3 0.4
Z Suhu AC Turunkan Suhu -> a = (26-z)/(26-18) -> z = 26 - (a * (26 - 18) ) -> z = 26 - ( 0.4 * (22 - 18) ) = z3 22.8
IF Besar Ruangan Sempit AND Jumlah Orang Banyak AND Suhu Cuaca Luar Cerah / Panas THEN Suhu AC Turunkan Suhu
U Besar Ruangan Sempit = (50-x)/(50-20) = (50-25)/(50-20) 0.833333333
U Jumlah Orang Banyak = (x-5)/(15-5) = (12-5)/(15-5) 0.7
4
U Cuaca Luar Cerah / Panas = (x-22)/(32-22) = (32-22)/(32-22) 0.6
Alpha (a) Aturan Keempat = Min(0.5; 0.6; 0) = a4 0.6
Z Suhu AC Turunkan Suhu -> a = (26-z)/(26-18) -> z = 26 - (a * (26 - 18) ) -> z = 26 - ( 0.4 * (22 - 18) ) = z4 21.2
 IF Besar Ruangan Sempit AND Jumlah Orang Sedikit AND Suhu Cuaca Luar Hujan / Dingin THEN Suhu AC Naikkan Suhu
U Besar Ruangan Luas = (x-20)/(50-20) = (25-20)/(50-20) 0.166666667
U Jumlah Orang Sedikit = (15-x)/(15-5) = (15-12)/(15-5) 0.3
5
U Cuaca Luar Hujan / Dingin = (32-x)/(32-22)= (32-28)/(32-22) 0.4
Alpha (a) Aturan Kelima = Min(0.83; 0.3; 0.4) = a5 0.166666667
Z Suhu AC Naikkan Suhu -> a = (z-18)/(26-18) -> z = 18 + (a * (26 - 18) ) -> z = 18 + (0.16667 * (26 - 18) ) = z5 19.33333333

IF Besar Ruangan Sempit AND Jumlah Orang Sedikit AND Suhu Cuaca Luar Cerah / Panas THEN Suhu AC Naikkan Suhu
U Besar Ruangan Luas = (x-20)/(50-20) = (25-20)/(50-20) 0.166666667
U Jumlah Orang Sedikit = (15-x)/(15-5) = (15-12)/(15-5) 0.3
6
U Cuaca Luar Cerah / Panas = (x-22)/(32-22) = (32-22)/(32-22) 0.6
Alpha (a) Aturan Keenam = Min(0.5; 0.6; 1) = a6 0.166666667
Z Suhu AC Naikkan Suhu -> a = (z-18)/(26-18) -> z = 18 + (a * (26 - 18) ) -> z = 18 + (0.16667 * (26 - 18) ) = z6 19.33333333

IF Besar Ruangan Sempit AND Jumlah Orang Banyak AND Suhu Cuaca Luar Hujan / Dingin THEN Suhu AC Turunkan Suhu
U Besar Ruangan Luas = (x-20)/(50-20) = (25-20)/(50-20) 0.166666667
U Jumlah Orang Banyak = (x-5)/(15-5) = (12-5)/(15-5) 0.7
7
U Cuaca Luar Hujan / Dingin = (32-x)/(32-22)= (32-28)/(32-22) 0.4
Alpha (a) Aturan Ketujuh = Min(0.5; 0.6; 0) = a7 0.166666667
Z Suhu AC Turunkan Suhu -> a = (26-z)/(26-18) -> z = 26 - (a * (26 - 18) ) -> z = 26 - ( 0.4 * (22 - 18) ) = z7 24.66666667

IF Besar Ruangan Sempit AND Jumlah Orang Banyak AND Suhu Cuaca Luar Cerah / Panas THEN Suhu AC Turunkan Suhu
U Besar Ruangan Luas = (x-20)/(50-20) = (25-20)/(50-20) 0.166666667
U Jumlah Orang Banyak = (x-5)/(15-5) = (12-5)/(15-5) 0.7
8
U Cuaca Luar Cerah / Panas = (x-22)/(32-22) = (32-22)/(32-22) 0.6
Alpha (a) Aturan Kedelapan = Min(0.5; 0.6; 0) = a8 0.166666667
Z Suhu AC Turunkan Suhu -> a = (26-z)/(26-18) -> z = 26 - (a * (26 - 18) ) -> z = 26 - ( 0.4 * (22 - 18) ) = z8 24.66666667

Z Total = ((a1*z1) + (a2*z2) + (a3*z3) + (a4*z4) + (a5*z5) + (a6*z6) + (a7*z7) + (a8*z8)) / (a1 + a2 + a3 + a4 + a5 + a6 + a7 + a8) 21.929412

Jadi Suhu AC Harus Diturunkan Ke Level 21.92941 oC

 Z Total = ((a1*z1) + (a2*z2) + (a3*z3) + (a4*z4) + 21.9
(a5*z5) + (a6*z6) + (a7*z7) + (a8*z8)) / (a1 + a2 + a3 294
+ a4 + a5 + a6 + a7 + a8) 12

Ruang 1 : Jadi Suhu AC Harus Diturunkan Ke Level 21.92941 C

o

Ruang 2 : Jadi Suhu AC Harus Diturunkan Ke Level ….. oC

Ruang 3 : Jadi Suhu AC Harus Diturunkan Ke Level ….. oC

Ruang 4 : Jadi Suhu AC Harus Diturunkan Ke Level ….. oC
Ruang 5 : Jadi Suhu AC Harus Diturunkan Ke Level ….. oC

DIKETAHUI
Luas Ruangan X=25
Jumlah Orang X=12
Suhu Cuaca Luar X=28
DITANYAKAN
Suhu AC ?