Contoh Penerapan Fuzzy

System 1
µ Crisp input

Fuzzification

Fuzzy input Fuzzy rules

Inference

Fuzzy output Output µ

Defuzzification

Crisp value
Masalah: Pemberian Beasiswa

Mahasiswa IPK Gaji Ortu (Rp/bulan)

A 3,00 10 juta
B 2,99 1 juta
FK untuk IPK

Buruk Cukup Bagus

1

IPK
0 2,00 2,75 3,25 4,00
IPK mahasiswa A
 ( x)  ( x  c) /(c  b)

 ( x)  ( x  a) /(b  a)
FK Gaji Orangtua

Sangat
Kecil Sedang Besar Besar
1

Gaji orangtua
(juta rupiah)
0 1 3 4 6 7 12
Gaji Ortu mhs A
 ( x)  ( x  d ) /( d  c), c  x  d
 ( x)  ( x  a) /(b  a), a  x  b
Fuzzification untuk mhs A

IPK = 3,00
Gaji Orangtua = 10 juta/bulan

IPK = Cukup (0,5)

IPK = Bagus (0,5)
Gaji Orangtua = Besar (0,4)
Gaji Orangtua = Sangat Besar (0,6)
Fungsi Keanggotaan Nilai Kelayakan

Rendah Tinggi
1

Nilai Kelayakan
skala [0, 100]
0 50 80 100
Aturan Fuzzy untuk Nilai Kelayakan

IPK Gaji Kecil Sedang Besar Sangat Besar

Buruk Rendah Rendah Rendah Rendah

Cukup Tinggi Rendah Rendah Rendah

Bagus Tinggi Tinggi Tinggi Rendah

1. IF IPK  Buruk ANDGaji  Kecil THEN NK  Rendah
2. IF IPK  Buruk ANDGaji  Sedang THEN NK  Rendah
3. IF IPK  Buruk ANDGaji  Besar THEN NK  Rendah
4. IF IPK  Buruk ANDGaji  Sangat Besar THEN NK  Rendah
5. IF IPK  Cukup ANDGaji  Kecil THEN NK  Tinggi
6. IF IPK  Cukup ANDGaji  Sedang THEN NK  Rendah
7. IF IPK  Cukup ANDGaji  Besar THEN NK  Rendah
8. IF IPK  Cukup ANDGaji  Sangat Besar THEN NK  Rendah
9. IF IPK  Bagus ANDGaji  Kecil THEN NK  Tinggi
10. IF IPK  Bagus ANDGaji  Sedang THEN NK  Tinggi
11. IF IPK  Bagus ANDGaji  Besar THEN NK  Tinggi
12. IF IPK  Bagus ANDGaji  Sangat Besar THEN NK  Rendah
Inferensi pada model Mamdani: Clipping dan Scaling

µ µ

1 1

1/5 1/5

0 10 20 40 50 0 10 20 40 50
(a) Clipping (b) Scaling
Aturan fuzzy yang diaplikasikan

7. IF IPK  Cukup ANDGaji  Besar THEN NK  Rendah

8. IF IPK  Cukup ANDGaji  Sangat Besar THEN NK  Rendah
11. IF IPK  Bagus ANDGaji  Besar THEN NK  Tinggi
12. IF IPK  Bagus ANDGaji  Sangat Besar THEN NK  Rendah
Nilai fuzzy untuk mhs A

IPK = 3,00
Gaji Orangtua = 10 juta/bulan

IPK = Cukup (0,5)

IPK = Bagus (0,5)
Gaji Orangtua = Besar (0,4)
Gaji Orangtua = Sangat Besar (0,6)
Conjunction () & Disjunction ()

IF IPK  Cukup(0,5) ANDGaji  Besar(0,4) THEN NK  Rendah(0,4 )

IF IPK  Cukup(0,5) ANDGaji  Sangat Besar(0,6) THEN NK  Rendah(0,5 )
IF IPK  Bagus(0,5) ANDGaji  Besar(0,4) THEN NK  Tinggi(0,4 )
IF IPK  Bagus(0,5) ANDGaji  Sangat Besar(0,6) THEN NK  Rendah(0,5 )

NK = Rendah (0,5)
NK = Tinggi (0,4)
 

Rendah Tinggi
1

0,5

Nilai Kelayakan
skala [0, 100]
0 50 80 100

(a)


Rendah Tinggi
1

0,4
Nilai Kelayakan
skala [0, 100]
0 50 80 100

(b)

Rendah Tinggi
1

0,5
0,4
Nilai Kelayakan
skala [0, 100]
0 50 100
 
Center of gravity?

Rendah Tinggi
1

0,5
0,4
Nilai Kelayakan
skala [0, 100]
0 10 20 30 40 50 60 70 80 90 100

(10  20  30  40  50  60)0,5  (70  80  90  100)0,4

y* 
6(0,5)  4(0,4)
105  136
y*   52,39
4,6
IPK mahasiswa B
Gaji Orangtua mhs B
Conjunction () & Disjunction ()

IF IPK  Cukup(0,52) ANDGaji  Kecil(1) THEN NK  Tinggi(0,5 2)

IF IPK  Cukup(0,52) ANDGaji  Sedang(0) THEN NK  Rendah(0)
IF IPK  Besar (0,48) ANDGaji  Kecil(1) THEN NK  Tinggi(0,4 8)
IF IPK  Besar (0,48) ANDGaji  Sedang(0) THEN NK  Tinggi(0)

NK = Rendah (0)
NK = Tinggi (0,52)
 
Center of gravity?

Rendah Tinggi
1

0,52

Nilai Kelayakan
skala [0, 100]
0 50 60 65 70 80

60(1 / 3)  65(1 / 2)  (70  80)(0,52)

y* 
(1 / 3)  (1 / 2)  (0,52)2
20  32,5  78
y*   69,66
2,87334
Keputusan Model Mamdani
• Mahasiswa B dengan IPK = 2,99 dan Gaji orangtuanya sebesar 1 juta
rupiah per bulan memperoleh Nilai Kelayakan sebesar 69,66.
• Lebih besar dibandingkan dengan Nilai Kelayakan mahasiswa A yang
sebesar 52,39.
• Jadi, mahasiswa B layak mendapatkan beasiswa.
Model Mamdani
Model Sugeno
• Model ini sering digunakan untuk membangun sistem kontrol yang
membutuhkan respon cepat.
• Proses perhitungannya sangat sederhana sehingga membutuhkan
waktu relatif cepat sehingga sangat sesuai untuk sistem kontrol.
• Bagaimana jika digunakan untuk masalah pemberian beasiswa?
Kasus 1: Pemberian Beasiswa

Mahasiswa IPK Gaji Ortu (Rp/bulan)

A 3,00 10 juta
B 2,99 1 juta
µ Crisp input

Fuzzification

Fuzzy input Fuzzy rules

Inference

Fuzzy output Output µ

Defuzzification

Crisp value
Fuzzification & Rule Evaluation
• Misalkan proses fuzzification-nya sama persis dengan model
Mamdani.
• Misalkan Rule yang digunakan juga sama persis dengan model
Mamdani.
Mahasiswa A

IF IPK  Cukup(0,5) AND Gaji  Besar(0,4) THEN NK  Rendah(0,4 )

IF IPK  Cukup(0,5) AND Gaji  Sangat Besar(0,6) THEN NK  Rendah(0,5 )
IF IPK  Bagus(0,5) AND Gaji  Besar(0,4) THEN NK  Tinggi(0,4 )
IF IPK  Bagus(0,5) AND Gaji  Sangat Besar(0,6) THEN NK  Rendah(0,5 )

NK = Rendah (0,5)
NK = Tinggi (0,4)
FK singleton untuk Nilai Kelayakan

Rendah Tinggi
1

Nilai Kelayakan
skala [0, 100]
0 50 80
Untuk mahasiswa A


• NK = Rendah (0,5)
Rendah Tinggi
1 • NK = Tinggi (0,4)
0,5

Nilai Kelayakan
skala [0, 100]
0 50 80

(a)


Rendah Tinggi
1

0,4
Nilai Kelayakan
skala [0, 100]
0 50 80 100

(b)
Proses Composition

Rendah Tinggi
1

0,5
0,4
Nilai Kelayakan
skala [0, 100]
0 50 80
Defuzzyfication: Weighted Average

(0,5)50  (0,4)80
y*   63,33
(0,5)  (0,4)
Mahasiswa B

IF IPK  Cukup(0,52) ANDGaji  Kecil(1) THEN NK  Tinggi(0,5 2)

IF IPK  Cukup(0,52) ANDGaji  Sedang(0) THEN NK  Rendah(0)
IF IPK  Besar (0,48) ANDGaji  Kecil(1) THEN NK  Tinggi(0,4 8)
IF IPK  Besar (0,48) ANDGaji  Sedang(0) THEN NK  Tinggi(0)

NK = Rendah (0)
NK = Tinggi (0,52)
Untuk Mahasiswa B

• NK = Rendah (0)
• NK = Tinggi (0,52)

Rendah Tinggi
1

0,52

Nilai Kelayakan
skala [0, 100]
0 50 80
Defuzzyfication: Weighted Average

(0)50  (0,52)80
y*   80
0  0,52
Keputusan Model Sugeno
• Mahasiswa B dengan IPK = 2,99 dan Gaji orangtuanya sebesar Rp 1
juta per bulan memperoleh Nilai Kelayakan sebesar 80.
• Lebih besar dibandingkan dengan Nilai Kelayakan mahasiswa A yang
sebesar 63,33.
• Jadi, mahasiswa B layak mendapatkan beasiswa.
 

Buruk Cukup Bagus

Model Sugeno
1

Bahu kiri Bahu kanan

IPK
0 2,00 2,75 3,25 4,00

Sangat
Kecil Sedang Besar Besar
1

Gaji orangtua
(juta rupiah)
0 1 3 4 6 7 12

Rendah Tinggi
1

Nilai Kelayakan
skala [0, 100]
0 50 80

IPK Gaji Kecil Sedang Besar Sangat Besar

Buruk Rendah Rendah Rendah Rendah

Cukup Tinggi Rendah Rendah Rendah

Bagus Tinggi Tinggi Tinggi Rendah

Model Mamdani Model Sugeno
Nilai Kelayakan mahasiswa A & B

Nilai Kelayakan mendapat

beasiswa
Mahasiswa
Model Mamdani Model Sugeno

A 52,39 63,33
B 69,66 80
Selisih A dan B 17,72 16,67
Sistem Berbasis Crisp Sets dan FOL

IF IPK  2,57 ANDGaji  1,20 juta THEN NK  62,5

IF IPK  2,57 ANDGaji  1,25 juta THEN NK  62,3
...
...
...
Aturan FOL untuk proses inference

IPK Gaji G1 G2 G3 G4 G5

P1 70 60 40 30 20

P2 80 70 50 40 30

P3 90 80 60 50 40

P4 100 90 70 60 50
Aturan FOL untuk proses inference

1. IF Interval( IPK , P1)  Interval(Gaji, G1)  NK  70

2. IF Interval( IPK , P1)  Interval(Gaji, G 2)  NK  60
...
...
...
20. IF Interval( IPK , P 4)  Interval(Gaji, G5)  NK  50
Kelemahan
• Dengan menggunakan 20 aturan FOL di atas, tentu saja sistem akan
mengeluarkan output berupa salah satu dari 20 nilai yang kita
definisikan tersebut.
• Dengan kata lain, sistem ini sangat statis.
• Untuk masalah yang membutuhkan tingkat ketelitian tinggi atau yang
adil secara intuitif, tentu saja cara ini tidak bisa digunakan.