Nama Kelompok :

Nurmala Agita Nisa (191810101020)

Lilian Atino Eyta Makin (191810101054)
Irfaniahlocyta Salsabila (191810101105)
KELAS OPTIMASI A

OPTIMASI pada SISTEM FUZZY

Dalam desain tradisional, masalah optimasi dinyatakan dalam istilah

matematika yang tepat. Namun, dalam permasalahan dunia nyata, data desain,
fungsi objektif, dan ketegangan dinyatakan dalam istilah yang samar dan
linguistik. Misalnya, pernyataan, "Balok ini membawa beban 1000 pon dengan
probabilitas 0,8" tidak tepat karena sifat material balok yang acak. Di sisi lain,
pernyataan "Balok ini membawa beban besar" juga tidak tepat karena makna
kabur dari "beban besar". Ini menyiratkan bahwa kendala harus dinyatakan dalam
istilah fuzzy. Teori fuzzy dapat digunakan untuk memodelkan dan merancang
sistem yang melibatkan informasi yang tidak jelas dan tidak tepat.

13.6.1 Teori Himpunan Fuzzy

Misalkan 𝑋 adalah himpunan tegas klasik dari objek, yang disebut alam
semesta, yang elemen-elemen generiknya dilambangkan dengan 𝑥. Keanggotaan
dalam subset klasik 𝐴 dari 𝑋 dapat dilihat sebagai fungsi karakteristik 𝜇𝐴 dari 𝑋
terhadap [0, 1] sedemikian rupa sehingga
1 jika 𝑥 ∈ 𝐴
𝜇𝐴 (𝑥) = {
0 jika 𝑥 ∉ 𝐴
Himpunan [0, 1] dinamakan himpunan penilaian. Himpunan 𝐴 disebut
himpunan fuzzy jika himpunan penilaian dapat berada pada seluruh interval [0, 1].
Himpunan fuzzy 𝐴 dicirikan oleh himpunan semua pasangan titik yang
dilambangkan dengan
𝐴 = {𝑥, 𝜇𝐴 (𝑥)}, 𝑥 ∈ 𝑋
Dimana 𝜇𝐴 (𝑥) dinamakan fungsi keanggotaan 𝑥 dalam 𝐴. Semakin dekat nilai
𝜇𝐴 (𝑥) dengan 1, maka semakin banyak 𝑥 pada 𝐴. Misalkan 𝑋 =
{62 64 66 68 70 72 74 76 78 80} menjadi kemungkinan suhu termostat (℉)
dalam sebuah bangunan ber-AC. Kemudian himpunan fuzzy 𝐴 dari “Suhu nyaman
untuk aktifitas manusia” dapat didefinisikan sebagai
𝐴 = {(62, 0.2) (64, 0.5) (66, 0.8) (68, 0.95) (70, 0.85) (72, 0.75) (74, 0.6)
(76, 0.4) (78, 0.2) (80, 1.0)}
Dimana, variabel linguistik “nyaman” memiliki nilai keanggotaan 1, sedangkan
variabel linguistik “tidak nyaman” memiliki nilai keanggotaan 0. Secara umum
jika 𝑋 adalah himpunan berhingga, {𝑥1 , 𝑥2 , … , 𝑥𝑛 } himpunan fuzzy dapat
diekspresikan dengan
𝑛

𝐴 = 𝜇𝐴 (𝑥1 )|𝑥1 + 𝜇𝐴 (𝑥2 )|𝑥2 + ⋯ + 𝜇𝐴 (𝑥𝑛 )|𝑥𝑛 = ∑ 𝜇𝐴 (𝑥𝑖 )|𝑥𝑖

𝑖=1

Atau dalam bentuk limit, kita dapat mengekspresikan 𝐴 dengan

𝐴 = ∫ 𝜇𝐴 (𝑥)|𝑥
𝑥

Teori himpunan tegas berkaitan dengan keanggotaan himpunan yang

didefinisikan secara tepat dan cocok untuk menggambarkan hal-hal yang objektif
dengan peristiwa yang dapat dihitung. Teori himpunan tegas dikembangkan
menggunakan pernyataan biner dan diilustrasikan pada Gambar 13.5a, yang
menunjukkan dukungan untuk 𝑦1 tanpa ambiguitas. Karena teori himpunan fuzzy
berkaitan dengan dukungan pernyataan linguistik untuk keanggotaan dalam
himpunan yang tidak tepat, himpunan fuzzy diskrit dilambangkan seperti pada
Gambar 13.5b, di mana derajat dukungan ditunjukkan oleh nilai keanggotaan
𝜇1 , 𝜇2 , … , 𝜇𝑛 sesuai dengan 𝑦1 , 𝑦2 , … , 𝑦𝑛 , masing-masing. Himpunan fuzzy diskrit
dapat digeneralisasikan ke bentuk kontinu seperti yang ditunjukkan pada Gambar
13.5c.
Operasi dasar himpunan tegas dari gabungan, irisan, dan komplemen dapat
direpresentasikan dengan diagram Venn seperti yang ditunjukkan pada Gambar
13.6. Operasi serupa dapat didefinisikan untuk himpunan fuzzy, perhatikan
bahwa himpunan A dan B tidak memiliki batas yang jelas dalam kasus ini. Grafik
dari 𝜇𝐴 dan 𝜇𝐵 dapat digunakan untuk mendefinisikan himpunan teori operasi dari
himpunan fuzzy. Gabungan dari himpunan fuzzy A dan B didefinisikan sebagai
 𝜇𝐴∪𝐵 (𝑦) = 𝜇𝐴 (𝑦)˅𝜇𝐵 (𝑦) = max[𝜇𝐴 (𝑦), 𝜇𝐵 (𝑦)]
𝜇𝐴 (𝑦) jika 𝜇𝐴 > 𝜇𝐵
={
𝜇𝐵 (𝑦)jika 𝜇𝐴 < 𝜇𝐵

y_1 y_2 y_n

(a)

(b) (c)
Gambar 13.5 Himpunan Crisp dan Fuzzy: (𝑎) Himpunan Crisp (𝑏) Himpunan
Fuzzy diskrit (𝑐) Himpunan Fuzzy kontinyu.

B
B
A A
 A

Gambar 13.6 Operasi himpunan dasar dalam teori himpunan Crisp: (𝑎) A atau B
atau keduanya:𝐴 ∪ 𝐵; (𝑏) 𝐴 and 𝐵; (𝑐)𝑏𝑢𝑘𝑎𝑛 𝐴: 𝐴̅

Hasil dari oprasi ini dapat dilihat pada gambar diatas. Perpotongan Fuzzy 𝐴 dan 𝐵
dodefinisikan sebagai berikut ini

𝜇𝐴∩𝐵 (𝑦) = 𝜇𝐴(𝑦) ∧ 𝜇𝐵 (𝑦) = min[𝜇𝐴 (𝑦), 𝜇𝐵 (𝑦)]

𝜇𝐴 (𝑦)𝑖𝑓 𝜇𝐴 < 𝜇𝐵
={
𝜇𝐵 (𝑦)𝑖𝑓 𝜇𝐴 > 𝜇𝐵

Operasi ini dapat dilihat pada gambar 13.7b. Komplement dari himpunan Fuzzy
"𝐴" ditampilkan sebagai 𝐴̅ pada gambar 13.7c. dimana untuk setiap 𝜇𝐴 (𝑦)
berkorespondensi 𝜇𝐴̅ (𝑦) = 1 − 𝜇𝐴 (𝑦)yang mendefinisikan komplement dari
himpunan 𝐴. 𝐴̅

𝜇𝐵 (𝑦) 𝜇𝐴 (𝑦) 𝜇𝐵 (𝑦)

𝜇𝐴 (𝑦)
𝜇𝐴 ∩ 𝐵 (𝑦)
𝜇𝐴 ∪ 𝐵(𝑦)

𝑦 (𝑎) 𝑦 (𝑏)
𝜇𝐴̅ (𝑦)

𝜇(𝑦) 𝜇𝐴 (𝑦) 𝐴̅

𝑦 (𝑐)

Gambar 13.7 operasi himpunan dasar dalam teori himpunan kabur: (𝑎)
union;(𝑏)intersection; (𝑐) complement

13.6.2 Optimasi system Fuzzy

 Optimasi konvensional bergantung pada variabel yang dipilih yang
mengoptimalkan fungsi tujuan dengan memperhatikan batasan kendala. Tujuan
dan kendala didalam Optimasi system Fuzzy disajikan dalam fungsi keanggotaan,
desain keputusan dapat dilihat dari persimpangan tujuan Fuzzy dan fungsi
kendala. Sebagai ilustrasi fungsi tujuan: “Kedalaman” derek gelagar (𝑥) harus
jauh lebih besar dibanding 80 inci. Maka dapat direpresentasikan dengan fungsi

0 𝑖𝑓 𝑥 < 80 𝑖𝑛𝑐𝑖
𝜇𝑓 (𝑥) = { −2 −1
[1 + (𝑥 − 80) ] 𝑖𝑓 𝑥 ≥ 80 𝑖𝑛𝑐𝑖

Kendalanya dibuat menjadi “ Kedalaman derek gelagar (𝑥) harus berada di

sekitar 83 𝑖𝑛𝑐𝑖. Fungsi keanggotaanya menjadi

𝜇𝑔 (𝑥) = [1 + (𝑥 − 83)4 ]−1

Selanjtnya desain (keputusan) didefinisikan dengan fungsi keanggotaan 𝜇𝐷(𝑥),

sebagai

𝜇𝐷 (𝑥) = 𝜇𝑓 (𝑥) ∧ 𝜇𝑔 (𝑥)

0 𝑖𝑓 𝑥 < 80 𝑖𝑛𝑐𝑖
= { min{[1 + (𝑥 − 80) ] , [1 + (𝑥 − 83)4 ]−1
−2 −1

𝑖𝑓 𝑥 ≥ 80 𝑖𝑛𝑐𝑖

Hubungan seperti ini ditunjukkan pada gambar 13.8. Masalah optimasi

konvensional dinyatakan sebagai berikut

Cari 𝑋 sehingga 𝑓(𝑥) bernilai minimal

Dengan kendala

𝑔𝑗𝑙 ≤ 𝑔𝑗 (𝑋) ≤ 𝑔𝑗𝑢

𝑙 dan 𝑢 masing-masing menunjukkan nilai batas bawah dan batas atas, Masalah
optimasi system Fuzzy dinyatakan sebagai berikut:

Cari 𝑋 sehingga 𝑓(𝑥) bernilai minimal

Grafik di atas menyatakan solusi optimum fuzzy, dimana

𝑔𝑗 (𝑿) ∈ 𝐺𝑗 , 𝑗 = 1,2, … … , 𝑚

Perpotongan antara fungsi kendala dan fungsi tujuan dinamakan

𝐺𝑗 . 𝐺𝑗 menotasikan interval fuzzy dimana fungsi 𝑔𝑗 (𝑿) berada didalam interval
tersebut. Daerah tersebut dinamakan daerah fisibel fuzzy dengan notasi S.
Perpotongan antara kedua fungsi tersebut didefinisikan oleh fungsi keanggotaan.

𝜇𝑆 (𝑿) = min {𝜇𝐺𝑗 [𝑔𝑗 (𝑿)]}

𝑗=1,2,…,𝑚
apabila 𝑿 dianggap layak pada daerah S, maka model optimum yang dilihat dari
nilai maksimum perpotongan fungsi tujuan dan daerah fisibel adalah

𝜇𝐷 (𝑿∗ ) = max 𝜇𝐷 (𝑿), 𝑿∈𝐷

𝜇𝐷 (𝑿) = min {𝜇𝑓 (𝑿), min 𝜇𝐺𝑗 [𝑔𝑗 (𝑿)] }

𝑗=1,2,…,𝑚

13.6.3 Prosedur Komputasi

Dalam masalah optimasi fuzzy, solusi dapat ditentukan apabila fungsi
keanggotaan 𝑓 dan 𝑔𝑗 diketahui. Fungsi keanggotaan linier digunakan
berdasarkan variasi yang diharapkan dari fungsi tujuan dan kendala. Setelah
fungsi keanggotaan diketahui, maka permasalahan dapat diajukan sebagai masalah
optimasi seperti berikut

Temukan 𝑿 dan 𝜆 yang memaksimalkan 𝜆

Dengan

𝜆 ≤ 𝜇𝑓 (𝑿)

𝜆 ≤ 𝜇𝑔(𝑙)(𝑿) , 𝑗 = 1,2, … , 𝑚
𝑗
 𝜆 ≤ 𝜇𝑔(𝑢)(𝑿) , 𝑗 = 1,2, … , 𝑚
𝑗

13.6.4 Hasil Numerik

Model vektor dianggap sebagai 𝑿 = {𝑎 𝑏 𝑐 Ω 𝛽}𝑇 . Mekanismenya
dibatasi sebagai mekanisme crank-rocker sebagai berikut,

𝑎 − 𝑏 ≤ 0, 𝑎 − 𝑐 ≤ 0, 𝑎 ≤ 1
𝑑 = [(𝑎 + 𝑐) − (𝑏 + 1)][(𝑐 − 𝑎)2 − (𝑏 − 1)2 ] ≤ 0
Deviasi maksimu dari sudut transmisi (𝜇) dari 90° dibatasi menjadi
kurang dari nilai yang ditentukan 𝑡𝑚𝑎𝑥 = 35°. Sudut keluaran yang ditentukan
adalah.

𝜙
20° + , 0° ≤ 𝜙 ≤ 240°
𝜃𝑠 (𝜙) = { 3
𝑢𝑛𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑒𝑑, 240° ≤ 𝜙 ≤ 360°