2.

2 Fuzzy Logic

Pada akhir abad ke-19 hingga akhir abad ke-20, teori probabilitas memegang
peranan penting untuk menyelesaikan masalah ketidakpastian. Teori ini terus
berkembang sampai pada akhir tahun 1965. Pada akhir tahun 1965, Professor Lotfi A
Zadeh (Universitas California) diakui sebagai ilmuwan pemrakarsa konsep himpunan
fuzzy yang telah menjabarkan perhitungan matematik untuk menggambarkan
ketidakjelasan atau kesamaran dalam bentuk variabel linguistik. Ide tersebut dapat
diartikan sebagai generalisasi dari teori himpunan klasik yang menggabungkan
pendekatan kualitatif dengan kuantitatif.
Professor Lotfi A Zadeh juga mengatakan bahwa fuzzy logic berhubungan
dengan prinsip prinsip pemberian alasan formal mengenai sesuatu hal yang tidak
mempunyai ketentuan atau pemberian alasan perkiraan . Namun demikian, teori
himpunan fuzzy bukanlah pengganti dari teori probabilitas. Pada teori himpunan fuzzy
komponen utama yang sangat berpengaruh adalah fungsi keanggotaan.
Fuzzy Systems merupakan inti dari Soft Computing ( SC ). Ide dasar fuzzy
systems adalah fuzzy sets dan fuzzy logic. Pada bulan Juni 1965, Professor Lotfi A
Zadeh mempublikasikan makalah atau paper pertama yang membahas ” Fuzzy Sets ”
pada jurnal Information and Control ( ZAD65 ). Beberapa tahun kemudian, yakni
sekitar pertengahan tahun 1970-an, para ilmuan Jepang berhasil mengaplikasikan
konsep fuzzy ke dalam berbagai peralatan elektronik maupun proses produksi dalam
industri. Hingga saat ini fuzzy sudah diterapkan pada beragam sistem kontrol antara
lain:
a. Dalam kehidupan sehari-hari di bidang elektronika, camcorder, air conditioner
(AC).
b. Mesin cuci fuzzy yang menggabungkan sensor dengan fuzzy logic. Pada mesin
cuci sensor akan mendeteksi warna, jenis pakaian dan jumlah pakaian, dan fuzzy
logic yang terdapat di dalam mikroprosesor akan memilih kombinasi paling cocok
 untuk suhu air, jumlah / banyaknya deterjen dan waktu yang diperlukan untuk
proses mencuci.
c. Pengganti pilot pada pesawat terbang dan kendali 4 roda pada mobil.
d. Kontrol peluru kendali dan pendeteksi sasaran.
e. Kontrol penunjuk jalan pada robot.
f. Dalam bidang sistem tenaga listrik: sebagai perencana sistem, kontrol governor,
kontrol Power System Stabilizer (PSS) dan lain-lain.
g. Pada bidang ekonomi, ilmu-ilmu sosial, ilmu kesehatan dan politik. Fuzzy logic
memiliki banyak peluang untuk dapat diaplikasikan.

Ada beberapa alasan mengapa orang menggunakan fuzzy logic (Kusumadewi,

2004: p15) antara lain:
a. Konsep fuzzy logic mudah dimengerti. Konsep matematis yang mendasari
penalaran fuzzy sangat sederhana dan mudah dimengerti.
b. Fuzzy logic sangat fleksibel.
c. Fuzzy logic memiliki toleransi terhadap data-data yang tidak tepat.
d. Fuzzy logic mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.
e. Fuzzy logic dapat dibangun dan diaplikasikan berdasarkan pengalaman-
pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
f. Fuzzy logic dapat digunakan pada sistem kendali secara konvensional.
g. Fuzzy logic didasarkan pada bahasa alami.

2.2.1 Konsep Dasar Himpunan Fuzzy

2.2.1.1 Himpunan Klasik (Crisp)

Pada dasarnya, teori himpunan fuzzy merupakan perluasan dari teori himpunan
klasik (Ma, 2005: p62). Pada teori himpunan klasik (crisp), keberadaan suatu elemen
pada suatu himpunan A hanya akan memiliki 2 kemungkinan keanggotaan, yaitu
menjadi anggota A atau tidak menjadi anggota A (Siller, 2005: p29). Berpikir dengan
crisp set menjadikan segala sesuatunya lebih sederhana, karena sesuatu bisa
merupakan anggota dari suatu crisp set atau tidak. Crisp set dapat digunakan untuk
merepresentasikan gambaran pengertian hitam dan putih. Seringkali juga, saat sesuatu
itu merupakan anggota dari sebuah crisp set maka ia kemudian (pada waktu yang
sama) bukan merupakan anggota dari crisp set manapun. Kembali hal ini
menyederhanakan penggunaan logika dengan proses pemikiran semacam ini.
Konstruksi linguistik yang menggambarkan jenis pemikiran ini dapat benar – benar
berguna, terutama saat kategori crisp digunakan (Kusumedewi, 2006: p3).
Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu
himpunan A, yang sering ditulis dengan µA[x], memiliki 2 kemungkinan, yaitu
(Kusumadewi, 2004: p3):
a. Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan.
b. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu
himpunan.

Untuk lebih jelas, bisa dilihat dari penilaian kinerja karyawan pada gambar dibawah
ini:

Gambar 2. 1
Sistem Penilaian Kinerja Karyawan

Dari gambar diatas dapat dijelaskan bahwa :

a. Apabila karyawan dengan skor = 74, maka ia dikatakan BAIK (µBAIK[74] = 1).
b. Apabila karyawan dengan skor = 73, maka ia dikatakan BAIK (µBAIK[73] = 0).
c. Apabila karyawan dengan skor = 74-1, maka ia dikatakan BAIK (µBAIK[73-1] =
0).

Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk menyatakan
penilaian kinerja karyawan sangat tidak adil, adanya perubahan kecil saja pada suatu
nilai mengakibatkan perbedaan kategori yang cukup signifikan. Oleh karena itu
digunakanlah himpunan fuzzy untuk mengantisipasi hal tersebut.

2.2.1.2 Himpunan Fuzzy

Fuzzy logic lahir berdasarkan fenomena – fenomena alam yang serba tidak tepat
dan samar ditinjau dari cara berpikir manusia, dimana pada kenyataannya tidak ada
suatu kondisi atau pernyataan yang tepat 100% benar atau 100% salah. Prof. Lotfi A.
Zadeh mengemukakan bahwa true atau false dalam logika Boolean tidak dapat
merepresentasikan pernyataan yang tidak pasti yang berada diantara pernyataan true
atau false tadi, seperti yang sering terjadi dalam dunia nyata. Untuk
merepresentasikan nilai ketidakpastian antara true atau false tersebut, Prof. Lotfi A.
Zadeh mengembangkan suatu teori berdasarkan conventional set yang disebutnya
fuzzy set (himpunan fuzzy). Sebagai ganti dari pernyataan dengan nilai seluruhnya
true atau semuanya false, fuzzy logic memberikan nilai yang spesifik pada setiap nilai
diantara pernyataan true atau false dengan menentukan fungsi kenaggotaan
(membership function) bagi tiap nilai input dari proses fuzzy ( crisp input) dan derajat
keanggotaan (degree of membership) yaitu menyatakan derajat dari crisp input sesuai
membership function antara 0 sampai 1, sehingga memungkinkan bagi suatu
persamaan memiliki nilai true dan false secara bersamaan.
Menurut Prof. Lotfi A Zadeh, fuzzy set adalah sebuah kelas dari obyek dengan
serangkaian kesatuan dari grades of membership (nilai keanggotaan). Sebuah set
dikarakterisasikan oleh sebuah fungsi keanggotaan (karakteristik) yang memberikan
tiap obyek sebuah nilai keanggotaan yang rentang nilainya antara 0 dan 1. Gagasan
pencantuman (inclusion), penyatuan (union), persimpangan (intersection), pelengkap
(complement), hubungan (relation), kecembungan (convexity), dan sebagainya
diberikan pada set tersebut, dan berbagai macam sifat dari pemikiran ini dalam
konteks dari fuzzy set dibangun. Secara khusus, dalil untuk fuzzy set cembung
dibuktikan tanpa perlu fuzzy set terputus.
Aturan umum untuk teori fuzzy set dituliskan sebagai berikut: f = [0,1]n  [0,
1], dimana n merupakan jumlah kemungkinan.
Rumusan diatas menyatakan bahwa kita dapat mengambil n jumlah event yang
mungkin dan menggunakan f untuk menghasikan hasil tunggal yang mungkin. Untuk
lebih jelasnya mengenai himpunan fuzzy dapat dilihat pada contoh persoalan dibawah
ini:

Gambar 2. 2
Sistem Penilaian Kinerja Karyawan Dalam Himpunan Fuzzy

Dengan adanya himpunan fuzzy memungkinkan seseorang untuk dapat masuk

kedalam 2 himpunan yang berbeda contohnya Cukup dan Baik. Seberapa besar
eksistensinya dalam himpunan tersebut dapat dilihat pada nilai keanggotaannya. Dari
gambar diatas, dapat dilihat bahwa seseorang dengan nilai 74, termasuk dalam
himpunan Cukup dengan µCukup[74] = 0,4. Namun dia juga termasuk dalam
himpunan Baik dengan µBaik[74] = 0,6.
 Kalau pada himpunan crisp, nilai kenaggotaan hanya ada 2 kemungkinan, yaitu
0 atau 1, pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1.
apabila x memiliki nilai keanggotaan fuzzy µA[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.
Himpunan fuzzy memiliki 2 atribut (Kusumadewi, 2004: p6), yaitu:
a. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi
tertentu dengan menggunakan bahasa alami, seperti : Sangat Kurang, Kurang dan
Cukup.
b. Numeris, yaitu suatu nilai (angka) yang menunjukan ukuran dari suatu variable
seperti : 45, 46, 59 dan lain sebagainya.

2.2.1.3 Sistem Fuzzy

Ada beberapa hal yang perlu diketahui dalam memahami system fuzzy, yaitu
(Kusumadewi, 2004 : p6):
a. Variable fuzzy, merupakan variable yang hendak dibahas dalam suatu system
fuzzy. Contoh: umur, temperature, permintaan dan lain sebagainya.
b. Himpunan fuzzy, merupakan suatu grup yang mewakili suatu kondisi atau
keadaan tertentu dalam suatu variable
c. Semesta Pembicaraan, merupakan keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variable fuzzy. Semesta pembicaraan merupakan
himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari
kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun
negative. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya.
Contoh:
c.1 Semesta pembicaraan untuk variable umur : [0 +∞].
c.2 Semesta pembicaraan untuk variable temperature : [0 40].
d. Domain, merupakan keseluruhan nilai yang diijinkna dalam semesta pembicaraan
dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta
pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik
(bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa
bilangan positif maupun negative. Contoh domain himpunan fuzzy:
d.1 SANGAT KURANG = [0, 45].
d.2 KURANG = [46, 59].
d.3 CUKUP = [60, 73].
d.4 BAIK = [74, 86].
d.5 SANGAT BAIK = [87,100].

2.2.2 Fungsi Keanggotaan

Fungsi keanggotaan (membership function) adalah suatu kurva yang

menunjukan pemetaan titik – titik input data kedalam nilai keanggotaanya (sering
juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1
(Kusumadewei, 2004: p8). Salah satu cara yang dapat digunakan untuk mendapatkan
nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi
yang bisa digunakan.

2.2.2.1 Representasi Linier

Pada representasi linear, pemetaan input ke derajat keanggotaannya

digambarkan sebagai suatu garais lurus. Bentuk ini paling sederhana dan menjadi
pilihan yang baik untuk mendekati suatu konsep yang kurang jelas. Ada 2 keadaaan
himpunan fuzzy yang linear, yaitu:
a. Representasi Linear Naik, yaitu kenaikan himpunan dimulai pada nilai domain
yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai
domain yang memiliki derajat keanggotaan lebih tinggi.
 Gambar 2. 3
Representasi Linier Naik

Fungsi keanggotaan:

b. Representasi Linear Turun, merupakan kebalikan yang pertama. Garis lurus

dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri,
kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan
lebih rendah.

Gambar 2. 4
Representasi Linier Turun
 Fungsi keanggotaan:

2.2.2.2 Representasi Kurva Segitiga

Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linear)

seperti terlihat pada gambar dibawah ini:

Gambar 2. 5
Representasi Kurva Segitiga
Fungsi keanggotaan:

2.2.2.3 Representasi Kurva Trapesium

Kurva Trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada
beberapa titik yang memiliki nilai keanggotaan 1. Perhatikan gambar dibawah ini:
 Gambar 2. 6
Representasi Kurva Trapesium

Fungsi keanggotaan :

2.2.2.4 Representasi Kurva Bentuk Bahu

Daerah yang terletak ditengah – tengah suatu variable yang direpresentasikan

dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun, contoh dapat
dilihat pada gambar dibawah ini:
 Gambar 2. 7
Representasi Kurva Bentuk Bahu

2.2.2.5 Representasi Kurva – S

Kurva PERTUMBUHAN dan PENYUSUTAN merupakan kurva-S atau

sigmoid yang berhubungan dengan kenaikan dan penurunan permukaan secara tak
linear. 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. Gambar menunjukan karakteristik
kurva-S dalam bentuk skema. 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 keanggotaan yang sering
disebut dengan titik infleksi (gambar). Fungsi keanggotaan pada kurva
PERTUMBUHAN adalah:

Kurva-S untuk PENYUSUTAN akan bergerak dari sisi paling kanan (nilai
keanggotaan = 1) ke sisi paling kiri (nilai keanggotaan = 0) seperti terlihat Gambar.
Fungsi keanggotaan pada kurva PENYUSUTAN adalah:
2.2.2.6 Representasi Kurva 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, dan Gauss. Perbedaan ketiga kurva ini terletak pada gradiennya.

a. Kurva PI
Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak pada pusat
dengan domain (γ), dan lebar kurva (β) seperti terlihat pada gambar . Nilai kurva
untuk suatu nilai domain x diberikan sebagai:

b. 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
menunjukan pusat kurva (γ), dan setengah lebar kurva (β) seperti terlihat pada
gambar. Nilai kurva untuk suatu nilai domain x diberikan sebagai:
B ( x ; γ , β ) = 1 / ( 1 + ( ( x – γ ) - β )2

c. 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. Nilai kurva untuk suatu nilai domain x
diberikan sebagai:
G ( x ; k , γ ) = e –k(γ–x)^2

2.2.3 Sistem Berbasis Aturan Fuzzy

2.2.3.1 Variabel Linguistik

Variable linguistik adalah suatu interval numerik dan mempunyai nilai-nilai

linguistik, yang simantiknya didefinisikan oleh fungsi keanggotaannya. Sistem
berbasis aturan fuzzy terdiri dari tiga komponen utama: fuzzification, inference dan
deffuzzification (Suyanto, 2008: p27) . Perhatikan gambar dibawah ini:
 Gambar 2. 8
Sistem Berbasis Aturan Fuzzy

2.2.3.2 Fuzzification

Fuzzyfication merupakan proses pemetaan nilai-nilai input (crisp input) yang

berasal yang berasal dari sistem yang dikontrol (besaran non fuzzy) ke dalam
himpunan fuzzy menurut fungsi keanggotaannya. Himpunan fuzzy Iersebut
merupakan fuzzy input yang akan diolah secara fuzzy pada proses berikutnya. Untuk
mengubah crisp input menjadi fuzzy input, terlebih dahulu harus menentukan
membership function untuk tiap crisp input, kemudian proses fuzzification akan
mengambil crisp input dan membandingkan dengan membership function yang telah
ada untuk menghasilkan harga fuzzy input (Siler, 2005 : p49).

2.2.3.3 Inference

Pada tahap rule Inference ini diproses hubungan antara nilai-nilai input (crisp
input) dan nilai-nilai output (crisp output) yang dikehendaki dengan aturan-aturan
(rules). Aturan ini nantinya yang akan menentukan respon sistem terhadap berbagai
kondisi setting point dan gangguan yang terjadi pada sistem. Rules yang dipakai
adalah jenis “IF-THEN“. Berikut ini contoh rules:

IF Err is Normally big (antecendent 1) and AEn is Normally big (antecendent 2)

THEN output is Normally big (consequent).

Pada antecendent input variable = label, juga pada consequent output variable
= label. Pada penggunaan dua antecendent atau lebih, untuk mempermudah dapat
digunakan matriks. Proses rule evaluation akan mengevaluasi fuzzy input yang
didapat dari proses fuzzyfication untuk tiap antecendent dari rule dengan menentukan
rule strength dari tiap-tiap rule, karena antecendent dihubungkan dengan operator
AND maka rule strength diambil dari strength value yang terkecil dari antecendent.
Proses selanjutnya adalah menentukan fuzzy output dengan membandingkan rule
strength dari semua rule yang mempunyai label conscquent yang sama.

2.2.3.4 Deffuzification
 Proses deffuzification lebih kompeks dari pada fuzzyfication. Pada tahap ini
dilakukan pemetaan bagi nilai-nilai fuzzy output yang dihasilkan pada tahap rules
evaluation ke nilai-nilai output kuantitatif yang sesuai dengan sistem yang
diharapkan. Ada berbagai metode untuk melakukan proses defuzzyfication (Siler,
2005 : p51). Diantara metode tersebut adalah metode Center Of Grafity (COG),
dimana metode ini akan menghitung pusat titik berat pada semua membership
function output yang dipenuhi untuk menentukan besarnya output yang harus
diberikan.
Pada proses deffuzification dengan metode COG setiap output membership
function yang mempunyai nilai diatas fuzzy output dipotong, pemotongan ini disebut
lamda cut. Hasil dari membership function yang telah terpotong digabungkan lalu
dihitung dengan COG secara keseluruhan. Metode COG juga dapat dilakukan pada
output membership function yang berbentuk singleton. Output membership function
singleton merupakan sebuah garis vertikal tunggal. Pemotongan pada output
membership function dilakukan dengan pengurangan tinggi garis vertikal tersebut
pada nilai fuzzy output. Nilai yang lebih tinggi dari fuzzy output dibuang dan hasil
pemotongan tersebut kemudian dihitung dengan COG .

2.4 Multi-Attribute Decision Making (MADM)

Pada dasarnya proses MADM dilakukan melalui 3 tahapan yaitu: penyusunan

komponen-komponen situasi, analisis dan sintesis informasi (Rudolphi, 2000: p56).
Pada tahap penyusunan komponen, komponen situasi akan dibentuk tabel taksiran
yang berisi identifikasi alternatif dan spesifikasi tujuan, kriteria dan tribut. Salah satu
cara untuk menspesifikasikan tujuan situasi |Oi, i=1,...,t | adalah dengan cara
mendaftar konsekuensi-konsekuensi yang mungkin dari alternatif yang telah
teridentifikasi | Ai, i=1,...,n|. Selain itu juga disusun atribut-atribut yang akan
digunakan |ak, k=1,...,n|.
Tahap analisis dilakukan melalui 2 langkah, yaitu:
a. Mendatangkan taksiran dari besaran yang potensial, kemungkinan dan
ketidakpastian yang berhubungan dengan dampak-dampak yang mungkin pada
setiap alternatif.
b. Meliputi pemilihan dari preferensi pengambil keputusan untuk setiap nilai dan
ketidakpedulian terhadap resiko yang timbul.

Pada langkah pertama, beberapa metode menggunakan fungsi distribusi |Pj(x)|

yang menyatakan probabilitas kumpulan attribut |ak| terhadap setiap alternatif |Ai|.
Konsekuen juga dapat ditentukan secara langsung dari agregasi sederhana yang
dilakukan pada informasi terbaik yang tersedia. Demikian pula, ada beberapa cara
untuk menentukan preferensi pengambil keputusan pada setiap konsekuen yang dapat
dilakukan pada langkah kedua. Metode yang paling sederhana adalah untuk
menurunkan bobot atribut dan kriteria adalah dengan fungsi utilitas atau penjumlahan
terbobot. Sebagian besar pendekatan MADM dilakukan melalui 2 langkah, yaitu:
a. Melakukan agregasi terhadap keputusan-keputusan yang tanggap terhadap semua
tujuan pada setiap alternatif.
b. Melakukan perangkingan alternatif-alternatif keputusan tersebut berdasarkan hasil
agregasi keputusan.

Dengan demikian bisa dikatakan bahwa masalah multi-attribute decision

making (MADM) adalah mengevaluasi m alternatif Ai (i=1,2,...,m) terhadap
sekumpulan atribut atau kriteria Cj (j=1,2,...,n), dimana setiap atribut saling tidak
bergantung satu dengan yang lainnya. Matriks keputusan setiap alternatif terhadap
setiap atribut X, diberikan sebagai:

[ ]
x 11 x 12 … x 1n
x x 22 … x 2n
x= 21
⋮ ⋮ ⋮ ⋮
x m 1 x m 2 ⋯ x mn
 Dimana Xij merupakan rating kinerja alternatif ke-i terhadap atribut ke-j. Nilai
bobot yang menunjukkan tingkat kepentingan relatif setiap atribut, diberikan sebagai
W. W = {W1,W2,...,Wn}
Rating kinerja (X) dan nilai bobot (W) merupakan nilai utama yang
merepresentasikan preferensi absolut dari pengambil keputusan. Masalah MADM
diakhiri dengan proses perangkingan untuk mendapatkan alternatif terbaik yang
diperoleh berdasarkan nilai keseluruhan preferensi yang diberikan.

2.4.1 Simple Additive Weighting Method (SAW)

Metode ini sering dikenal dengan istilah metode penjumlahan terbobot. Konsep
dasar metode ini adalah mencari penjumlahan terbobot dari rating kinerja pada setiap
alternatif pada semua atribut (Kusumadewi, 2006: p74). Metode ini membutuhkan
proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan
dengan semua rating alternatif yang ada.

{
x ij
jika j adalah atribut keuntungan ( benefit )
Max x ij
r ij = i
Min x ij
i
jika j adalah atribut biaya
x ij

Dimana rij adalah rating kinerja ternormalisasi dari aloternatif Ai pada atribut
Cj, i=1,2,...,m dan j=1,2,...,n. Nilai preferensi untuk setiap alternatif (Vi) diberikan
sebagai:
n
V i= ∑ w j r ij
j=1

Nilai Vi yang lebih besar mengidentifikasikan bahwa alternatif Ai lebih terpilih.

2.5 Sistem Cerdas

Sistem Cerdas adalah ilmu pengetahuan yang bergerak dalam pembuatan mesin
yang cerdas (John McCarthy 1956). Mesin yang cerdas dapat diartikan sebagai mesin
yang dapat melakukan hal-hal tertentu, yang memerlukan kecerdasan apabila
dilakukan oleh manusia. Kegiatan dalam sistem cerdas antara lain: learning,
reasoning, problem solving, perception, dan language understanding. 

a. Learning
Pembelajaran (Learning) terbagi ke dalam tiga bentuk yaitu: Trial-and-error,
Rote Learning, dan Generalization.

b. Reasoning
Merupakan pembentukan kesimpulan yang sesuai dengan situasi yang terjadi.
Kesimpulan tersebut dapat diklasifikasikan menjadi pengaruh deduktif dan induktif.
Pada pengaruh deduktif, kebenaran dari alasan akan menjamin kebenaran dari
kesimpulannya. Contoh: Akbar bisa berada di rumah atau di kampus, jika ia ada
dirumah maka ia pasti tidak berada di kampus. Sedangkan pada pengaruh induktif,
kebenaran dari alasan hanya memperkuat kesimpulan. Untuk selanjutnya, tetap
dibutuhkan penelitian lebih lanjut untuk menghindari terjadinya kesimpulan yang
salah. Contoh: Kemarin Akbar tidak masuk sekolah karena sakit, hari ini ia juga tidak
masuk sekolah. Mungkin hari ini ia tidak masuk sekolah karena sakit. Telah banyak
kesuksesan di dalam pembuatan program komputer yang mampu melakukan
reasoning. Proses reasoning yang dimaksud adalah proses pembuatan kesimpulan
yang relevan dengan tugas dan situasi yang dihadapi. Namun demikian, masalah
terbesar yang dihadapi oleh AI dalam implementasi reasoning adalah memberikan
program komputer tersebut kemampuan untuk membedakan antara hal yang relevan
dan tidak relevan.
c. Problem Solving
Sistem Cerdas dapat memecahkan masalah-masalah seperti: bagaimana
menemukan langkah-langkah untuk memenangkan permainan catur di komputer,
bagaimana mengidentifikasi manusia dari foto mereka, dan rencana rangkaian
perpindahan tubuh dari robot untuk melakuan tugas yang diberikan oleh manusia.
Salah satu tujuan umum yang digunakan oleh Sistem Cerdas adalah “means-end
analysis”. Means-end analysis merupakan kemampuan mesin untuk menganalisa
kegiatan yang dapat dilakukannya, sehingga dapat menciptakan keadaan yang
berbeda antara kondisi awal dan kondisi akhir.

d. Perception
Sebuah persepsi diawali dengan proses merekam keadaan lingkungan oleh
organ perasa atau indra. Hasil rekaman ini kemudian diproses untuk dapat mengenali
dan menganalisis tiap gambar menjadi objek, fitur, dan hubungan-hubungan di
dalamnya. Dengan kemampuan merekam lingkungan dan mengenali tiap objek, fitur,
dan hubungannya, maka persepsi dapat diimplementasikan dalam AI sebagai salah
satu faktor untuk mengasilkan mesin cerdas yang dapat mengerjakan tugas spesifik.
Contoh: FREDDY (stationery robot) yang dirakit di Universitas Edinburgh pada
tahun 1966-1973. FREDDY memiliki ”mata” berupa televisi bergerak dan ”tangan”
penjepit yang membuatnya mampu mengenali berbagai jenis objek serta
hubungannya dan bisa melakukan perakitan komponen-konponen sederhana, dengan
cara memilih dari beragam tumpukan komponen yang ada.

e. Language Understanding
Sistem bahasa adalah kumpulan dari tanda yang memiliki arti tertentu.
Contohnya adalah lampu lalu lintas. Lampu lalu lintas dikategorikan sebagai sistem
bahasa karena memiliki arti tertentu. Namun, tetap terdapat perbedaan antara sistem
bahasa komputer dengan bahasa manusia. Komputer, walaupun bisa merespon pada
bahasa yang utuh, tetap saja tidak akan benar-benar memahami arti dari bahasa
tersebut. Pada kenyataaannya, komputer memang hanya menggunakan bahasa
tersebut tanpa dapat memahaminya. Pada manusia, proses respon terhadap bahasa
tidak hanya sekedar penggunaan, namun lebih ditekankan pada pemahaman.
Manusia, setelah mempelajari bahasa, akan dapat ambil bagian dalam suatu
komunitas serta melakukan interaksi dengan pengguna bahasa lainnya. Untuk dapat
menciptakan mesin yang cerdas, yang dapat melakukan berbagai aktivitas di atas, AI
menghubungkan antara ilmu pengetahuan komputerisasi, psikologi, filosofi, teknik,
dan neuoscience dengan kecerdasan dalam bertindak, belajar dan beradaptasi yang
lebih lanjut dikembangkan dengan mesin dan komputer.