FUZZY ANALYTICAL

HIERARCHY PROCESS
Ikhtisar

• Pengertian Fuzzy Logic

• Sejarah Fuzzy Logic
• Himpunan Fuzzy Logic
• Operator Dasar zadeh
• Derajat Kebenaran
• Penerapan Fuzzy Logic
 FUZZY LOGIC (LOGIKA FUZZY)

 Fuzzy Logic (Logika Fuzzy) atau biasa juga disebut dengan Logika Samar
merupakan suatu cara yang tepat untuk memetakan suatu ruang input ke dalam
suatu ruang output didasari oleh konsep himpunan fuzzy.

 Diantara input dan output terdapat black box. Di dalam black box terdapat proses
yang tidak diketahui, bisa didekati dengan pendekatan sistem linear, ekonometri,
interpolasi, sistem pakar atau logika fuzzy, dan lain-lain. Namun, seperti yang
diungkapkan Lotfi Zadeh: ”Dalam hampir setiap kasus, cara fuzzy lebih cepat
dan lebih murah”.
 Logika fuzzy sebagai komponen utama pembangun softcomputing, terbukti telah
memiliki kinerja yang sangat baik untuk menyelesaikan masalah-masalah yang
mengandung ketidakpastian. Implementasinya luas, baik di bidang engineering,
psikologi, social, dan juga bidang ekonomi.
Pengertian Fuzzy Logic
 Fuzzy Logic adalah sebuah pendekatan untuk komputasi
berdasarkan "derajat kebenaran" daripada biasa "benar
atau salah" (1 atau 0) logika Boolean yang didasarkan
pada komputer modern.
 Atau juga Logika fuzzy adalah suatu cara yang tepat
untuk memetakan suatu ruang input ke dalam suatu
ruang output.
 Logika fuzzy diperkenalkan oleh Dr. Lotfi Zadeh dari
Universitas California, Berkeley pada 1965 atas usulan
dalam papernya yang monumental “Fuzzy Set”.
 Dalam paper tersebut dipaparkan ide dasar fuzzy set
yang meliputi inclusion, union, intersection, complement,
relation dan convexity.
Sejarah Fuzzy LOgic
 1965 Dalam papernya "Fuzzy Logic" oleh Prof. Lotfi
Zadeh, Fakultas Teknik Elektro, UC Berkeley,
Menentukan Pondasi "Teori Set Fuzzy“
 1970 Aplikasi pertama Fuzzy Logic dalam Control
Engineering (Europe)
 1975 Pengenalan Fuzzy Logic di Jepang
 1980 Verifikasi Empiris Fuzzy Logic di Eropa
 1985 Penerapan Luas Fuzzy Logic di Jepang
 1990 Penerapan Luas Fuzzy Logic di Eropa
 1995 Penerapan Luas Fuzzy Logic di U.S.
 2000 Fuzzy Logic Menjadi Teknologi Standar dan juga
diterapkan dalam Data dan Analisis Sensor Signal.
Terutama Penerapan Fuzzy Logic dalam Bisnis dan
Keuangan.
ALASAN MENGGUNAKAN 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 non linier 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.
HIMPUNAN FUZZY

 Tahun 1965, Profesor L.A. Zadeh memperkenalkan teori himpunan

fuzzy, yang secara tidak langsung mengisyaratkan bahwa tidak hanya
teori probabilitas saja yang dapat merepresentasikan ketidakpastian.
 Teori himpunan fuzzy adalah merupakan perluasan dari teori logika
Boolean yang menyatakan tingkat angka 1 atau 0 atau pernyataan
benar atau salah, sedang pada teori logika fuzzy terdapat tingkat nilai,
yaitu :
1. satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu
himpunan, atau
2. nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam
suatu himpunan.
Contoh 1:
Jika diketahui:
S = {1,2,3,4,5,6} adalah semesta pembicaraan
A = {1,2,3}
B = {3,4,5}
Maka, bisa dikatakan bahwa :
Contoh 2:
 Misalkan variabel suhu dibagi menjadi 3 kategori, yaitu:
DINGIN suhu < 15 derajat celcius SEDANG 15 < suhu < 28 derajat celcius
PANAS suhu > 28 derajat celcius
 Nilai keanggotaan secara grafis, himpunan DINGIN, SEDANG, dan
PANAS dapat dilihat pada gambar berikut:

Dari gambar diatas yang merupakan himpunan dari DINGIN, SEDANG, dan
PANAS dapat dijelaskan bahwa:
 Dari keterangan diatas dapat diambil kesimpulan bahwa
pemakaian himpunan crisp (tegas) untuk menyatakan suhu
sangat riskan, karena dengan adanya perubahan yang kecil
saja terhadap nilai mengakibatkan perbedaan kategori yang
cukup signifikan.
 Maka dari itu, himpunan fuzzy digunakan untuk mengantisipasi
keadaan tersebut. Pengalokasian suhu dapat berada di dalam 2
himpunan yang berbeda. Misalnya suhu dapat berada di dalam
himpunan DINGIN dan SEDANG, SEDANG dan PANAS, dan
sebagainya. Dan seberapa besar nilai eksistensinya dalam
himpunan tersebut dapat dilihat dari nilai keanggotaannya.
Sehingga.
Atribut Fuzzy
Himpunan fuzzy memiliki 2 atribut (Kusuma Dewi,
2003)
A. Linguistik, yaitu penamaan suatu grup yang
mewakili suatu keadaan atau kondisi tertentu
dengan menggunakan bahasa alami, seperti:
DINGIN, SEDANG, PANAS
B. Numeris, yaitu suatu nilai (angka) yang
menunjukan ukuran dari suatu variabel seperti:
14, 15, 28
FUNGSI KEANGGOTAAN

• Fungsi Representasi Linier

Pada linier naik, kenaikan himpunan dimulai pada nilai domain yang memiliki derajat
keanggotaan nol [0] bergerak ke kanan menuju nilai domain yang memiliki derajat keanggotaan
lebih tinggi dengan fungsi keanggotaan:

Sedangkan linier turun, 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 dengan fungsi keanggotaan.
• Fungsi Keanggotaan Segitiga
Fungsi keanggotaan segitiga ditandai oleh adanya tiga parameter {a,b,c} yang akan menentukan koordinat x dari
tiga sudut. Kurva ini pada dasarnya merupakan gabungan antara dua garis lurus. Adapun persamaan untuk
bentuk segitiga ini adalah:

• Fungsi Keanggotaan Trapesium

Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai
keanggotaan satu. Adapun persamaan untuk kurva trapesium ini adalah:
OPERATOR DASAR ZADEH UNTUK
OPERASI HIMPUNAN FUZZY

• Operator AND
Operator ini berhubungan dengan operasi interseksi pada himpunan. α-predikat sebagai
hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil
antara elemen pada himpunan-himpunan yang bersangkutan.

• Operator OR
Operator ini berhubungan dengan operasi union pada himpunan. α-predikat sebagai hasil
operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antara
elemen pada himpunan-himpunan yang bersangkutan.

• Operator NOT
Operator ini berhubungan dengan operasi komplemen pada himpunan. α-predikat sebagai hasil
operasi dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan elemen pada
himpunan-himpunan yang bersangkutan dari 1.
 Istilah-Istilah
• 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

15
 Fuzzyfication (1)

Sangat Sangat
pendek Pendek Sedang Tinggi tinggi
1.0

115 120 140 145 160 165 180 185

 = [sp, p, s, t, st]

16
 Fuzzyfication (2)

Sangat Sangat
pendek Pendek Sedang Tinggi tinggi
1.0

0.58
0.42

115 120 140 145 160 163 165 180 185

[163]= [0, 0, 0.42, 0.58, 0]

atau
sedang[163] = 0.42, tinggi[163] = 0.58

17
 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

18
 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

19
 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

20
 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

21
 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

22
 Operasi Fuzzy
OR (Union) – AND (Intersection)

• 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}
• 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}

23
 Complement

• Komplemen dari variabel fuzzy dengan derajat

keanggotaan=x adalah (1-x).
• Komplemen ( _c): komplemen dari himpunan fuzzy
terdiri dari semua komplemen elemen.
• Contoh
– Ac = {1 – 1.0, 1 – 0.2, 1 – 0.75} = {0.0, 0.8, 0.25}

24
Contoh

Nilai keanggotaan sebagai hasil dari operasi 2 himpunan: fire strength

atau a-predikat Misalkan nilai keanggotaan IP 3.2 pada
AND himpunan IPtinggi adalah 0.7 dan nilai
keanggotaan 8 semester pada himpunan
AB [x] = min(A[x], B[x]) LulusCepat adalah 0.8 maka a-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]) a-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] a-predikat untuk BUKAN IPtinggi :

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

TUGAS

• Carilah contoh kasus dari 3 metode fuzzy

inference system
• Tugas di print.
• Tugaskan dikumpulkan pada tanggal .........
 Fuzzy Expert Systems

 Pengantar
 Model Fuzzy Sugeno
 Model Fuzzy Tsukamoto
 Model Fuzzy Mamdani

27
 Model Fuzzy Sugeno

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.

28
 Model Fuzzy Sugeno
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.

29
 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)

30
 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) 

31
 Model Fuzzy Sugeno
Defuzzifikasi

0 z1 Z

Crisp Output
z1

Weighted average (WA):

(k1)  k1  (k 2)  k 2  (k 3)  k 3 0.1 20  0.2  50  0.5  80
WA    65
(k1)  (k 2)  (k 3) 0.1  0.2  0.5

32
 Model Fuzzy Sugeno: Contoh

Mengevaluasi kesehatan orang berdasarkan tinggi dan berat

badannya

Input: tinggi dan berat badan

TS AS S SS
Output: kategori sehat
- sangat sehat (SS), index=0.8
- sehat (S), index=0.6
- agak sehat (AS), index=0.4
- tidak sehat (TS), index=0.2
0.2 0.4 0.6 0.8

33
 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

34
 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

35
 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

36
 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

37
 BERAT

Sangat
0.8 0.2 Biasa Berat
berat

T
I
Sangat
pendek SS S AS TS TS L2: Rules
N
G
G
Pendek S SS S AS TS
Evaluation (4)
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 SS S AS TS TS
Pilih bobot minimum I
pendek

krn 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

38
 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

39
 Model Fuzzy Tsukamoto

• Karakteristik:
Konsekuen dari setiap aturan if-then fuzzy direpresentasikan
dengan himpunan fuzzy monoton

[EMD – Fuzzy Logic, 2004] Contoh:

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

40
 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 ?

41
 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

42
 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

43
 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

44
 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 B: 0.4 0.4 0.25
SE
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

45
 Contoh

0 z  2000
 z  2000
 Pr BrgBERTAMBAH [ z ]   2000  z  7000
 7000  2000
1 z  7000

Pr BrgBERTAMBAH [ z ]  0.4

Pr BrgBERTAMBAH [4000]  0.4

46
 Contoh (6)
Defuzzification: mencaria nilai z. Dapat dicari dengan metoda
centroid Tsukamoto :

a _ pred1 * Z1  a _ pred2 * Z 2  a _ pred3 * Z 3  a _ pred4 * Z 4

Z
a _ pred1  a _ pred2  a _ pred3  a _ 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

47
 Summary
• Ada 4 tahapan utama sistem pakar fuzzy:
fuzzifikasi, inferensi, komposisi, defuzzifikasi.
• Metoda yang paling banyak dipakai Sugeno.
• Menggunakan fungsi matematik atau konstanta.
• Sugeno: komputasi lebih efisien tetapi kehilangan
interpretabilitas linguistik.

48
 Soal
Mengevaluasi mahasiswa berdasarkan GPA dan nilai
GRE

GRE Low Medium High

1.0

0 800 1200 1800 GRE

Fungsi Keanggotaan untuk GRE

49
 Fungsi Keanggotaan untuk GPA

GPA Low Medium High

1.0

0 2.2 3.0 3.8 GPA

50
 Soal

 P F G VG E
1.0

0 60 70 80 90 100
Decision

51
 Soal

GRE

H M L
G
P
A H E VG F

M G G P

L F P P

52
 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

53
 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

54
 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

55
 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)

56
 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

57
 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 C 1 (0.1) z is C 2 (0.2) z is C 3 (0.5) 

58
 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:

  x  x dx
A

COG  a
b

  x  dx
a
A

59
 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

Degree of
Membership
1.0
0.8

0.6
0.4
0.2
0.0
0 10 20 30 40 50 60 70 80 90 100
67.4 Z

60
 Permasalahan
Nyata

Representasi Natural

Fuzzifikasi

Komputasi secara fuzzy

defuzzifikasi

Solusi
Fuzzy AHP
Langkah-langkah dalam penentuan bobot (tingkat)
kepentingan kriteria dan alternatif ternormalisasi
menggunakan TFN adalah (Murtaza, 1999):
Tahapan pengolahan data dengan
menggunakan Fuzzy AHP
Tahapan pengolahan data dengan
menggunakan Fuzzy AHP
 Representasi Segitiga

Sedikit Jelas Sangat Mutlak

Sama lebih
lebih lebih nyata lebih
penting penting
penting penting penting
1

μ(x)

0
1 3 5 7 9
Kuesioner Perbandingan
Berpasangan
RS AR VOL BSH HAR KEM MRK KNT WRN

RS 1
AR 1
VOL 1
BSH 1
HAR 1
KEM 1
MRK 1
KNT 1
WRN 1
 RS AR VOL BSH HAR KEM MRK KNT WRN

RS 1 Sdkt Sngt Sdkt Sdkt Sdkt Sama Sama

lbh jls lbh lbh lbh lbh ptng ptng
ptng ptng ptng ptng ptng

AR 1 Sdkt Sdkt Sdkt Sdkt Sama Sama

lbh lbh lbh lbh
ptng ptng ptng ptng ptng ptng

VOL 1 Sama Sama Sama Sama

ptng ptng ptng ptng
BSH Sdkt Sdkt Jls lbh 1 Sama Sama Sama Sama
lbh lbh ptng
ptng ptng ptng ptng ptng ptng
HAR 1 Sama Sama
ptng ptng
KEM 1 Sama
ptng
MRK 1

KNT Sdkt Sdkt Sdkt Sdkt Sdkt 1 Sama

lbh lbh lbh lbh lbh
ptng ptng ptng ptng ptng ptng

WRN Sdkt Sdkt Sdkt 1

lbh lbh lbh
pyng ptng pyng
 Konversi
1= sama penting 3=sedikit lebih penting
5=jelas lebih penting 7=sangat jelas lebih penting
9= mutlak lebih penting

Sm p Sd l p Jlp Sjlp Mlp

1 3 5 7 9
 Konversi Bilangan Fuzzy

No Skala Keterangan Bilangan Fuzzy

AHP Triangular
1 1 Sama Penting (1,1,3)
2. 3 Sedikit lebih penting (1,3,5)
3. 5 Jelas lebih penting (3,5,7)
4. 7 Sangat jelas lebih penting (5,7,9)
5. 9 Mutlak lebih penting (7,7,9)
 Kebalikan
• (li, mi, ui) kebalikannya : (1/ui, 1/mi, 1/li)

• Contoh :
RS dibanding AR : sedikit lebih penting
= (1, 3, 5)
AR dibanding RS = (1/5, 1/3, 1)
= (0.2, 0.33, 1)
 Fuzzy pairwise comparison

RS AR VOL BSH HAR KEM MRK KNT WRN

RS 1, 1, 1 1, 3 , 5 5, 7, 9 0,2, 0,33, 1 1, 3, 5 1, 3, 5 1, 3, 5 1, 1, 3 1, 1, 3
AR 0,2, 0,33, 1 1, 1, 1 1, 3, 5 0,2, 0,33, 1 1, 3, 5 1, 3, 5 1, 3, 5 1, 1, 3 1, 1, 3
VOL 0,11,0,14,0,2 0,2, 0,33, 1 1, 1, 1 0,14, 0,2, 0,33
1, 1, 3 1, 1, 3 1, 1, 3 0,2, 0,33, 1 1, 1, 3
BSH 1, 3, 5 1, 3, 5 3, 5, 7 1, 1, 1 1, 1, 3 1, 1, 3 1, 1, 3 0,2, 0,33, 1 1, 1, 3
HAR 0,2, 0,33, 1 0,2, 0,33, 1 0,33, 1, 1 0,33, 1, 1 1, 1, 1 1, 1, 3 1, 1, 3 0,2, 0,33, 1 0,2, 0,33, 1
KEM 0,2, 0,33, 1 0,2, 0,33, 1 0,33, 1, 1 0,33, 1, 1 0,33, 1, 1 1, 1, 1 1, 1, 3 0,2, 0,33, 1 0,2, 0,33, 1
MRK 0,2, 0,33, 1 0,2, 0,33, 1 0,33, 1, 1 0,33, 1, 1 0,33, 1, 1 0,33, 1, 1 1, 1, 1 0,2, 0,33, 1 0,2, 0,33, 1
KNT 0,33, 1, 1 0,33, 1, 1 1, 3, 5 1, 3, 5 1, 3, 5 1, 3, 5 1, 3, 5 1, 1, 1 1, 1, 3
WRN 0,33, 1, 1 0,33, 1, 1 0,33, 1, 1 0,33, 1, 1 1, 3, 5 1, 3, 5 1, 3, 5 0,33, 1, 1 1, 1, 1
 Geometrik Mean
• Menentukan tingkat kepentingan dengan
menghitung rata-rata geometrik pada
setiap baris, yakni dengan mengambil
akar n dari perkalian nilai-nilai pada sel
yang terdapat pada baris matriks tersebut.
n adalah banyaknya kriteria/alternatif.
 Contoh
• Tingkat kepentingan RS =
l RS  9 1x1x5 x0.2 x1x1x1x1x1  9 1  1
m RS  9 1x3x7 x0.33x3x3x3x1x1  9 187.11  1.78
u RS  9 1x5 x9 x1x5 x5 x5 x3x3  9 50625  3.98
 Normalisasi
• Jumlahkan secara vertikal nilai bawah (l), nilai
tengah (m) dan nilai atas (u) semua tingkat
kepentingan kriteria.
• Untuk setiap kriteria :
 Nilai bawah dibagi dengan jumlah nilai atas
 Nilai tengah dibagi dengan jumlah nilai tengah.
 Nilai atas dibagi dengan jumlah nilai bawah.
 Contoh :
• Nilai tingkat kepentingan RS : (1, 1.79, 3.98).
– dari nilai geometric mean
• Jumlah tingkat kepentingan : (5.32, 10.1, 18.8)
• Normalisasi RS = (1/18.8, 1.79/10.1, 3.98/5.32)
= (0.05, 0.18, 0.75)
Perhitungan Bobot Kepentingan
Atribut
Importance FN norm.FN
1, 1,79, 3,98 0,05, 0,18, 0,75
0,7, 1,27, 2,61 0,04, 0,13, 0,49
0,44, 0,53, 1,44 0,02, 0,05, 0,27
0,84, 1,35, 2,89 0,04, 0,13, 0,54
0,38, 0,61, 1,28 0,02, 0,06, 0,24
0,34, 0,61, 1,13 0,02, 0,06, 0,21
0,3, 0,61, 1 0,02, 0,06, 0,19
0,78, 1,84, 2,76 0,04, 0,18, 0,52
0,54, 1,44, 1,71 0,03, 0,14, 0,32
5,32, 10,1, 18,8
Defuzzifikasi

• Defuzzifikasi merupakan suatu proses

pengubahan output dalam bentuk fuzzy ke
dalam output yang bernilai tunggal (crisp).
Defuzzifikasi
 Defuzifikasi
• Mengubah bilangan fuzzy menjadi nilai
nyata (crisp).
• Centroid of area : mencari titik pusat dari
kurva segitiga.
• Total integral (Sri Kusumadewi, 2005) =
1
F  ( )(au  m  (1  a )l )
2
dimana a = derajat keoptimisan = 0 – 1.
 Contoh defuzifikasi
• Untuk RS = (0.05, 0.18, 0.75),

Jika a = 0.5
F = 0.5* [0.5*0.75+0.18+(1-0.5)*0.05]
= 0.5 * 0.58 = 0.29