INFERENSIA FUZZY

MAKALAH

UNTUK MEMENUHI TUGAS MATAKULIAH

Logika Fuzzy

Yang dibina oleh Ibu Desi Rahmadani, M.Si

Oleh :

Muhammad Fathul Ilmi 160312604802

Fatus Atho’ul Malik 160312604866
Wiskandar 160312601710

UNIVERSITAS NEGERI MALANG

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

JURUSAN MATEMATIKA

NOVEMBER 2019
9. FUZZY INFERENCE (INFERENSIA FUZZY)

Dalam bab ini, akan ditinjau konsep prinsip perluasan dan relasi fuzzy, yang
memperluas gagasan dan penerapan himpunan fuzzy. Dengan menafsirkan aturan
fuzzy sebagai relasi fuzzy yang sesuai, dengan menyelidiki skema penalaran
fuzzy yang berbeda. Skema inferensia ini, didasarkan pada aturan komposisi
inferensia, dan hasilnya diturunkan dari aturan himpunan fuzzy dan input yang
diberikan. Dua masalah penting (menentukan relasi implikasi dan pemilihan
operator komposisi) akan dibahas dan empat metode inferensi berbeda yang akan
diperkenalkan.

9.1 Komposisi Aturan

9.1.1 Prinsip Ekstensi dan Komposisi

Seperti yang telah dibahas pada bab 3, prinsip ekstensi adalah konsep
dasar teori himpunan fuzzy yang menyediakan prosedur umum untuk memperluas
domain tegas ke domain fuzzy. Prosedur ini mengeneralisasikan pemetaan fungsi
biasa ke pemetaan antara himpunan fuzzy. Misalkan g adalah fungsi dari X ke Y,
dan A adalah himpunan fuzzy pada X yang didefinisikan sebagai berikut.

Maka prinsip ekstensi yang menyatakan hasil pemetaan dari himpunan fuzzy A
oleh fungsi f dapat dinyarakan sebagai himpunan fuzzy 𝐵 ⊆ 𝑌.

Komposisi dari dari himpunan diperoleh dari Cartesian Product dari himpunan
tersebut. Berbagai jenis komposisi yang telah dibahas pada bab 3 dapat diringkas
sebagai berikut.

1. Komposisi dari himpunan tegas A dan B

2. Komposisi dari himpunan fuzzy A dan B

 3. Komposisi dari relasi tegas R dan S

4. Komposisi dari relasi fuzzy R dan S

9.1.2 Komposisi dari Himpunan Fuzzy

Komposisi himpunan fuzzy diperoleh dari Cartesian Product. Ruang

produk pada himpunan fuzzy X dan Y memiliki dua jenis operasi yaitu "fuzzy
conjunction" dan "fuzzy disjunction".

a. Fuzzy Conjunction, hasil komposisi antara himpunan X dan Y didefiniikan

sebagai konjungsi fuzzy atau dapat dituliskan seperti berikut.

dimana * merupakan operator yang mewakili t-norm, 𝑥 ∈ 𝑋, 𝑦 ∈ 𝑌, 𝐴 ⊂ 𝑋,

𝐵 ⊂ 𝑌.

b. Fuzzy Disjunction, hasil komposisi antara himpunan X dan Y merupakan

hasil disjungsi yang dapat didefinisikan sebagai berikut.

dimana + merupakan operator yang mewakili t-conorm, 𝑥 ∈ 𝑋, 𝑦 ∈ 𝑌, 𝐴 ⊂

𝑋, 𝐵 ⊂ 𝑌.

9.1.3 Komposisi dari Relasi Fuzzy

Aplikasi dari relasi fuzzy mencakup beberapa hal seperti fuzzy control dan
pengambilan keputusan. Pada dasarnya relasi fuzzy dapat direpresentasikan
sebagai berikut.
Relasi fuzzy dalam ruang produk yang berbeda dapat dikombinasikan melalui
“Operasi Komposisi”. Operasi tersebut dapat disimbolkan dengan “∘”. Terdapat
dua jenis yang dapat digunakan dalam melakukan operasi komposisi.

a. Komposisi Max-Min

dimana 𝜇𝑅1∘𝑅2 (𝑥, 𝑧) = 𝑚𝑎𝑥 𝑚𝑖𝑛[𝜇𝑅1 (𝑥, 𝑦), 𝜇𝑅2 (𝑦, 𝑧)], 𝑥 ∈ 𝑋, 𝑦 ∈ 𝑌, 𝑧 ∈ 𝑍.

𝑅1 ⊆ 𝑋 × 𝑌, 𝑅2 ⊆ 𝑌 × 𝑍.

b. Komposisi Max-Product

dimana 𝜇𝑅1∘𝑅2 (𝑥, 𝑧) = 𝑚𝑎𝑥 [𝜇𝑅1 (𝑥, 𝑦) ⋅ 𝜇𝑅2 (𝑦, 𝑧)], 𝑥 ∈ 𝑋, 𝑦 ∈ 𝑌, 𝑧 ∈ 𝑍.

𝑅1 ⊆ 𝑋 × 𝑌, 𝑅2 ⊆ 𝑌 × 𝑍.

9.1.4 Contoh Komposisi Fuzzy

a. Contoh 1

Misalkan terdapat aturan fuzzy sebagai berikut. “x dan y mempunyai

diperkirakan sama”. Berdasarkan aturan tersebut, sebuah premis diberikan
seperti “x adalah kecil”. Berdasarkan fakta di atas, selanjutnya akan dicari
besaran nilai y. Pertama, didefinisikan predikat yang termasuk dalam premis dan
aturan. Relasi R adalah himpunan sehingga premis dapat diwakili oleh bentuk
relasi R(x). Asumsi awal variabel x dan y adalah bilangan bulat positif dalam
[1,4], dan

𝑅(𝑥, 𝑦) = 𝐴𝑝𝑟𝑜𝑘𝑠𝑖𝑚𝑎𝑠𝑖_𝑠𝑎𝑚𝑎(𝑥, 𝑦)

𝑅(𝑥) = 𝐾𝑒𝑐𝑖𝑙(𝑥)
Selanjutnya diasumsikan derajat keanggotaan dari R(x) dan R(x,y) diberikan pada
Tabel 1 dan Tabel 2. Jenis operator komposisi yang akan digunakan adalah
operator Max-Min.

Tabel 1. Derajat keanggotaan dari R(x).

x 1 2 3 4
𝜇𝑅 (𝑥) 1 0,6 0,2 0

Tabel 2. Derajat keanggotaan dari R(x,y)

x y 1 2 3 4
1 1 0,5 0 0
2 0,5 1 0,5 0
3 0 0,5 1 0,5
4 0 0 0,5 1

Melalui operasi komposisi diperoleh hasil R (y) seperti yang ditunjukkan

pada (Tabel 9.3.) Prosedur penalaran ini disebut inferensi fuzzy oleh Generalized
Modus Ponens (GMP). Penjelasan GMP diuraikan sebagai berikut.

Input : R(x) pada Tabel 1.

Rule : R(x,y) pada Tabel 2.

Hasil : R(y) pada Tabel 3.

Tabel 3. Derajat keanggotaan dari R(y)

y 1 2 3 4
𝜇𝑅 (𝑦) 1 0,6 0,5 0,2

b. Contoh 2

Misalkan derajat keanggotaan R (x) diberikan seperti yang ditunjukkan

pada (Tabel 4.) Artinya, input dalam bentuk nilai tunggal, x = 2. Hasil inferensi
diberikan dalam (Tabel 5.) Ketika input diberikan sebagai x = 2. Hasilnya
diperoleh dalam bentuk fuzzy set. Jika ada kebutuhan untuk menyajikan output
sebagai bentuk istilah linguistik, maka harus ditemukan istilah linguistik yang
paling dekat dengan himpunan fuzzy yang diperoleh.

Tabel 4. Nilai input tunggal x=2

 x 1 2 3 4
𝜇𝑅 (𝑥) 0 1 0 0

Tabel 5. Hasil inferensi ketika x=2

y 1 2 3 4
𝜇𝑅 (𝑦) 0,5 1 0,5 0

Proses mencari yang terdekat, dapat digunakan teknik pengukuran jarak antara
himpunan fuzzy, dan prosedur ini disebut "Linguistic Approximation".

9.2 Aturan Fuzzy dan Implikasi

9.2.1 Aturan If-Then Fuzzy

Suatu aturan fuzzy memiliki bentuk umum seperti berikut.

𝑅: 𝑖𝑓 𝑥 𝑖𝑠 𝐴, 𝑡ℎ𝑒𝑛 𝑦 𝑖𝑠 𝐵

di mana A dan B adalah nilai linguistik yang didefinisikan oleh himpunan fuzzy
pada semesta X dan Y, masing-masing. Aturan ini juga disebut "implikasi fuzzy"
atau pernyataan kondisional fuzzy. Bagian "x adalah A" disebut "anteseden" atau
"premis", sedangkan "y adalah B" disebut “konsekuensi" atau "kesimpulan".
Secara umum, anteseden dan konsekuensi diwakili oleh bentuk variabel linguistik
yang dibahas dalam bab sebelumnya.

Sebelum kita menggunakan aturan fuzzy if-then untuk memodelkan dan

menganalisis suatu sistem, pertama-tama kita harus memformalkan apa yang
dimaksud dengan ekspresi

𝑅: 𝑖𝑓 𝑥 𝑖𝑠 𝐴, 𝑡ℎ𝑒𝑛 𝑦 𝑖𝑠 𝐵

atau bisa dituliskan seperti berikut.

𝑅: 𝐴 → 𝐵
Intinya, ekspresi menggambarkan hubungan antara dua variabel x dan y. Ini
menunjukkan bahwa aturan fuzzy dapat didefinisikan sebagai hubungan biner R
pada ruang produk X × Y.

9.2.2 Implikasi Fuzzy

Berdasarkan interpretasi produk Cartesian dan berbagai operator t-norm

dan t-conorm, sejumlah metode yang memenuhi syarat dapat dirumuskan untuk
menghitung hubungan fuzzy x.

𝑅: 𝐴 → 𝐵

R dapat dilihat sebagai himpunan fuzzy dengan fungsi keanggotaan dua dimensi

𝜇𝑅 (𝑥, 𝑦) = 𝑓(𝜇𝐴 (𝑥)𝜇𝐵 (𝑦))

dimana fungsi f, yang disebut "fungsi implikasi fuzzy" mengubah derajat

keanggotaan x di A dan y di B menjadi yang (x, y) di A × B. Terdapat dua jenis
implikasi fuzzy yang akan dibahas.

a. Aturan operasi min dari implikasi fuzzy [Mamdani]. Hal tersebut

menafsirkan implikasi fuzzy sebagai operasi minimum.

dimana ^ merupakan operasi Min

b. Aturan operasi produk dari implikasi fuzzy [Larsen]. Hal tersebut

mengimplementasikan implikasi oleh operasi produk.

dimana ∙ merupakan operasi kali.

9.2.3 Contoh dari Implikasi Fuzzy

Contoh 3, Ada aturan fuzzy seperti berikut. Jika suhu tinggi, maka
kelembabannya cukup tinggi.

Hal tersebut merupakan aturan fuzzy dan relasi fuzzy. Akan ditentukan
fungsi keanggotaan dari aturan tersebut. Misalkan T dan H menjadi semesta dan
masing-masing merepresentasikan Temperatur dan Kelembapan. Misalkan
terdapat variabel 𝑡 ∈ 𝑇 dan ℎ ∈ 𝐻. Selanjutnya direpresentasikan himpunan fuzzy
“TInggi” dan “Cukup Tinggi” oleh A dan B.

A= “Tinggi, ” 𝐴 ⊆ 𝑇
B= “Cukup Tinggi, ” 𝐵 ⊆ 𝐻

Tabel 6. Nilai Keanggotaan dari A pada T (Temperatur)

t 20 30 40
𝜇𝐴 (𝑡) 0,1 0,5 0,9

Tabel 7. Nilai Keanggotaan dari B di H (Kelembapan)

h 20 50 70 90
𝜇𝐵 (ℎ) 0,2 0,6 0,7 1

Maka aturan yang telah diberikan dapat ditulis kembali seperti berikut.
R(t,h): Jika t adalah A maka h adalah B
Berdasarkan aturan tersebut dapat diperoleh dua proporsi predikat.
R(t): t adalah A, dan
R(h): h adalah B.
Sehingga aturan dapat ditulis sebagai berikut.
R(t,h): R(t) → R(h)
Jika diketahui fungsi keanggotaan A dan B, dapat ditentukan R(t,h) = A x
B dengan menggunakan fungsi implikasi fuzzy di mana R(t,h) ⊆ T x H.
Asumsikan fungsi keanggotaan 𝜇𝐴 (𝑡) dan 𝜇𝐵 (ℎ) masing-masing diberikan
dalam (Tabel 6, dan Tabel 7). Untuk mendapatkan hubungan untuk implikasi
dalam aturan fuzzy di atas, dipilih operasi min Mamdani.
 Ketika diterapkan operasi min pada produk Cartesian A x B, didapatkan
relasi RC seperti yang ditunjukkan pada (Tabel 8.) Keanggotaan RC ini mewakili
aturan fuzzy. Perhatikan bahwa 𝜇R𝐶 (20, 50) = 0,1 diperoleh oleh min antara
𝜇𝐴 (20) = 0,1 dan 𝜇𝐵 (50) = 0,6. Demikian pula, 𝜇R𝐶 (30, 20) = 0,2 dari
𝜇𝐴 (30) = 0,5 dan 𝜇𝐵 (20) = 0,2.
Tabel 8. Nilai keanggotaan dari aturan Rc=AxB

t h 20 50 70 90

20 0,1 0,1 0,1 0,1

30 0,2 0,5 0,5 0,5

40 0,2 0,6 0,7 0,9

Contoh 4, Misalkan akan ditentukan informasi tentang kelembaban ketika ada

premis berikut tentang suhu. "Temperaturnya cukup tinggi".
Pada kasus tersebut aturan dapat ditulis sebagai berikut.
𝑅(t) : “t adalah 𝐴” , dimana 𝐴′ = "𝐶𝑢𝑘𝑢𝑝 𝑇𝑖𝑛𝑔𝑔𝑖"
Tabel 9. Fungsi keanggotaan dari 𝐴′ dalam T (Temperatur)
t 20 30 40
𝜇𝐴′ (t) 0,01 0,25 0,81

Seperti yang dapat kita lihat, A’ tidak sama dengan A dengan demikian
dapat diterapkan metode inferensi fuzzy dari modus ponens umum (GMP). Akan
digunakan aturan komposisi inferensi dengan komposisi max-min.
R(h) = R(t) ∘ RC (t,h),
di mana R(t) berada di (Tabel 9.) dan RC(t,h) di (Tabel 9.8.). Jika kita menyatakan
hasil kesimpulan sebagai B’maka isi dari B’ merupakan informasi tentang
kelembaban ketika "suhu cukup tinggi" (Tabel 9.10).
Tabel 10. Hasil dari inferensi fuzzy
 h 20 50 70 90
𝜇𝐵′ (ℎ) 0,2 0,6 0,7 0,81

9.3 Mekanisme Inferensi

9.3.1 Dekomposisi dari Basis Aturan
Ketika melakukan pemodelan sistem pengetahuan, hal tersebut sering
diwakili oleh bentuk "basis aturan fuzzy". Basis aturan fuzzy terdiri dari aturan
fuzzy if-then. Pada beberapa kasus, penalaran fuzzy pada basis aturan fuzzy
didasarkan pada inferensi data-driven satu tingkat (GNP: modus ponens umum).
Basis aturan memiliki bentuk sistem MIMO (multiple input multiple output).
1 2 𝑛
𝑅 = {𝑅𝑀𝐼𝑀𝑂 , 𝑅𝑀𝐼𝑀𝑂 , . . . , 𝑅𝑀𝐼𝑀𝑂 }
𝑖
dimana 𝑅𝑀𝐼𝑀𝑂 merepresentasikan aturan: “Jika x adalah Ai dan y adalah Bi, maka
z1 adalah Ci, ..., zq adalah Di”. Haltersebut dapat juga dinyatakan sebagai berikut.

Berdasarkan pernyataan diatas, basis aturan R dapat direpresentasikan

sebagai Union (Gabungan).
 𝑘
Akibatnya, basis aturan R terdiri dari satu set basis-aturan-basis 𝑅𝐵𝑀𝐼𝑆𝑂
𝑘
dimana k = 1, 2,…, q. Sub-rule-base 𝑅𝐵𝑀𝐼𝑆𝑂 memiliki variabel "Multiple Input"
dan variabel "Single Control". Sehingga struktur aturan umum sistem fuzzy
MIMO dapat direpresentasikan sebagai kumpulan sistem fuzzy MISO.
1 2 𝑘 𝑞
𝑅 = {𝑅𝐵𝑀𝐼𝑆𝑂 , 𝑅𝐵𝑀𝐼𝑆𝑂 , . . . , 𝑅𝐵𝑀𝐼𝑆𝑂 . . . , 𝑅𝐵𝑀𝐼𝑆𝑂 }
𝑘
dimana 𝑅𝐵𝑀𝐼𝑆𝑂 merepresentasikan aturan.
Jika x adalah Ai dan y adalah Bi, maka z1 adalah Ci, untul i=1, 2, ..., n.

9.3.2 Basis Aturan Dua-Input/Satu-Output

Benutk umum aturan kontrol fuzzy MISO dalam hal sistem dua input /
output tunggal.
Input : u adalah A’ dan v adalah B’
R1 : Jika u adalah A1 dan v adalah B1 maka w adalah C1
Else R2: Jika u adalah A2 dan v adalah B2 maka w adalah C2
...

...

...

Else Rn: Jika u adalah An dan v adalah Bn maka w adalah Cn

Hasil : w adalah C’.
Dimana u, v, w adalah variabel linguistik yang merepresentasikan variabel
proses dan variabel kontrol. Ai , Bi , Ci adalah nilai linguistik dari variabel
linguistik u, v, w dalam semesta U, V, dan W untuk i = 1, 2,…, n.
Aturan kontrol fuzzy :
Ri: Jika u adalah Ai dan v adalah Bi maka w adalah Ci
diimplementasikan sebagai hubungan implikasi fuzzy Ri dan didefinisikan sebagai
Ri: (Ai dan Bi) → Ci atau
𝜇𝑅𝑖 = 𝜇((Ai dan Bi) → Ci) (𝑢, 𝑣, 𝑤)
= [𝜇Ai (𝑢) and 𝜇Bi (𝑣) ] → 𝜇Ci (𝑤)
Dimana “Ai dan Bi”nadalah suatu himpunan fuzzy Ai x Bi dalam U x V. Ri: (Ai
dan Bi) → Ci adalaah suatu relasi implikasi fuzzy dalam U x V x W, dan tanda
panah merepresentasikan fungsi impliaksi fuzzy.
9.3.3 Aturan Inferensi Komposisi
Mari kita pertimbangkan aturan fuzzy tunggal dan kesimpulannya (GMP).
R1: jika v adalah A maka w adala C
Input : v adalah A’
Hasil: C’
𝐴 ⊂ 𝑈, 𝐶 ⊂ 𝑊, 𝑣 ∈ 𝑈, 𝑑𝑎𝑚 𝑤 ∈ 𝐶. Aturan fuzzy menginterpretasikan suatu
implikasi (A→C) dan didefinisikan dalam ruang produk U × W.
R1: A→C atau R1 = A × C
𝑅1 ⊂ 𝑈 × 𝑊
Ketika input A’ diberikan ke sistem inferensi, output C’ diperoleh melalui
operasi inferensi yang ditunjukkan oleh operator komposisi " ∘ ".
𝐶’ = 𝐴’ ∘ 𝑅1
1.1.Inferensi Fuzzy dengan Rule Base
Pada bagian ini, kami menggeneralisasi sifat-sifat aturan komposisi
inferensi yang dibahas dalam bagian sebelumnya untuk kasus seperti :

Gambar 9.2. Representasi grafis dari Lemma 2 dengan 𝑅𝑐

(Ketika input himpunan fuzzy diberikan, 𝐶 ′ diperoleh dari C dan 𝑎1 )

𝑅: ⋃ 𝑅𝑖
𝑖=1

𝑅𝑖 : 𝐴𝑖 → 𝐶𝑖
Perhatikan bahwa ada penghubung "also" atau "else" antara aturan-aturan.
Mari kita lihat bagaimana koneksi ditafsirkan ketika kita mempertimbangkan
max-min untuk operator komposisi.
Kita akan melihat bahwa operatornya komutatif dan dengan demikian the
fuzzy control action (fuzzy tindakan kontrol) dianggap sebagai hasil agregat yang
berasal dari aturan kontrol individu. Artinya, penghubung diimplementasikan
sebagai maks operasi. Selanjutnya, kita juga akan melihat properti yang sama
dengan operator produk-maksimum untuk komposisi.

Lemma 3 (Total hasil 𝐶 ′ adalah agregasi dari hasil individual 𝐶𝑖′ , Gambar 9.3)
Hasil inferensi 𝐶 adalah hasil agregasi dari 𝐶𝑖′ yang berasal dari aturan individu.
𝑛 𝑛 𝑛

𝐶 = 𝐴 ° ⋃ 𝑅𝑖 = ⋃ 𝐴 ° 𝑅𝑖 = ⋃ 𝐶𝑖′
′ ′ ′

𝑖=1 𝑖=1 𝑖=1

(Bukti)
𝐶 ′ = 𝐴′ ° ⋃𝑛𝑖=1 𝑅𝑖 = 𝐴′ ° ⋃𝑛𝑖=1( 𝐴𝑖 → 𝐶𝑖 )
𝑅𝑖 = 𝐴𝑖 → 𝐶𝑖 𝑜𝑟 𝑅𝑖 = 𝐴𝑖 × 𝐶𝑖 𝑢𝑛𝑡𝑢𝑘 𝑖 = 1,2, … , 𝑛
Fungsi keanggotaan 𝜇𝐶 ′ dari himpunan fuzzy 𝐶 ′ ditentukan secara khusus untuk
semua 𝑤 𝜖 𝑊 oleh
𝜇𝐶 ′ (𝑤) = 𝜇𝐴′ (𝑢)° max[𝜇𝑅1 (𝑢, 𝑤), 𝜇𝑅2 (𝑢, 𝑤), . . . , 𝜇𝑅𝑛 (𝑢, 𝑤) ]
𝑢,𝑤

kami mengganti operator ° dengan operator maks-min, kemudian

𝜇𝐶 ′ (𝑤) = max min {𝜇𝐴′ (𝑢), max[𝜇𝑅1 (𝑢, 𝑤), 𝜇𝑅2 (𝑢, 𝑤), . . . , 𝜇𝑅𝑛 (𝑢, 𝑤) ] }
𝑢 𝑢 𝑢,𝑤

= max max { min[𝜇𝐴′ (𝑢), 𝜇𝑅1 (𝑢, 𝑤) ], min[𝜇𝐴′ (𝑢), 𝜇𝑅2 (𝑢, 𝑤) ], . min[𝜇𝐴′ (𝑢), 𝜇𝑅𝑛 (𝑢, 𝑤) ]}
𝑢 𝑢,𝑤 𝑢

Karena [𝜇𝐴′ (𝑢)°𝜇𝑅1 (𝑢, 𝑤) ] = max min[𝜇𝐴′ (𝑢), 𝜇𝑅1 (𝑢, 𝑤)]
𝑢 𝑢

𝜇𝐶 ′ (𝑤) =
max {[𝜇𝐴′ (𝑢)°𝜇𝑅1 (𝑢, 𝑤)], [𝜇𝐴′ (𝑢)°𝜇𝑅2 (𝑢, 𝑤) ], … , [𝜇𝐴′ (𝑢)°𝜇𝑅𝑛 (𝑢, 𝑤) ]}
𝑢,𝑤

Karena 𝜇𝐶𝑖′ = [𝜇𝐴′ (𝑢)°𝜇𝑅𝑛 (𝑢, 𝑤) ]

𝐶𝑖′ = 𝐴′ °𝑅𝑖
maka
𝐶 ′ = [𝐴′ °𝑅1 ] ∪ [𝐴′ °𝑅2 ] ∪. . .∪ [𝐴′ °𝑅𝑖 ]
= ⋃𝑛𝑖=1 𝐴′ °𝑅𝑖
= ⋃𝑛𝑖=1 𝐴′ °(𝐴𝑖 → 𝐶𝑖 )
 = ⋃𝑛𝑖=1 𝐶𝑖′
Kami melihat bahwa hasil 𝐶 ′ adalah union (agregasi) hasil 𝐶𝑖′ dari aturan
individu. Itu adalah,
𝑛

𝜇𝐶 ′ (𝑤) = ⋁ 𝜇𝐶𝑖′
𝑖=1

Gambar 9.3. Lemma 3 (Total hasil 𝐶 ′ adalah gabungan dari hasil individu 𝐶𝑖′ )

Gambar 9.3. (lanjutan)

Sekarang, kami menggeneralisasi Lemma 3 untuk kasus beberapa input variabel
seperti
𝑅: ⋃𝑛𝑖=1 𝑅𝑖
𝑅𝑖 = 𝐴𝑖 𝑎𝑛𝑑 𝐵𝑖 → 𝐶𝑖

Colorally (Pewarnaan) dari Lemma 3: (Lemma 3 dalam hal beberapa input)

Hasil inferensi 𝐶 adalah agregasi hasil 𝐶𝑖′ yang berasal dari aturan individu.
𝑛 𝑛 𝑛

𝐶 = (𝐴 , 𝐵 ° ⋃ 𝑅𝑖 = ⋃(𝐴 , 𝐵 °𝑅𝑖 = ⋃ 𝐶𝑖′

′ ′ ′) ′ ′)

𝑖=1 𝑖=1 𝑖=1

(Bukti)
𝐶 ′ = (𝐴′ , 𝐵′ )° ⋃𝑛𝑖=1 𝑅𝑖 = (𝐴′ , 𝐵′ )° ⋃𝑛𝑖=1(𝐴𝑖 𝑎𝑛𝑑 𝐵𝑖 → 𝐶𝑖 )
 𝑅𝑖 = 𝐴𝑖 𝑎𝑛𝑑 𝐵𝑖 → 𝐶𝑖 𝑜𝑟𝑅𝑖 = 𝐴𝑖 × 𝐵𝑖 × 𝐶𝑖 𝑢𝑛𝑡𝑢𝑘 𝑖 = 1,2, … , 𝑛
Fungsi keanggotaan 𝜇𝐶 ′ dari himpunan fuzzy 𝐶 ′ ditentukan secara khusus untuk
semua 𝑤 ∈ 𝑊 oleh
𝜇𝐶 ′ (𝑤) = [𝜇𝐴′ (𝑢), 𝜇𝐵′ (𝑣)] ° max[𝜇𝑅1 (𝑢, 𝑣, 𝑤), 𝜇𝑅2 (𝑢, 𝑣, 𝑤), . . . , 𝜇𝑅𝑛 (𝑢, 𝑣, 𝑤) ]
𝑢,𝑣,𝑤

kami mengganti operator ° dengan operator max-min, kemudian

𝜇𝐶 ′ (𝑤) =

max min {[𝜇𝐴′ (𝑢), 𝜇𝐵′ (𝑣)], max[𝜇𝑅1 (𝑢, 𝑣, 𝑤), 𝜇𝑅2 (𝑢, 𝑣, 𝑤), . . . , 𝜇𝑅𝑛 (𝑢, 𝑣, 𝑤) ] }
𝑢,𝑣 𝑢,𝑣 𝑢,𝑣,𝑤

= max max { min[𝜇𝐴′ (𝑢), 𝜇𝐵′ (𝑣), 𝜇𝑅1 (𝑢, 𝑣, 𝑤) ],

𝑢 𝑢,𝑣,𝑤 𝑢,𝑣

min[𝜇𝐴′ (𝑢), 𝜇𝐵′ (𝑣), 𝜇𝑅2 (𝑢, 𝑣, 𝑤) ], . . . , min[𝜇𝐴′ (𝑢), 𝜇𝐵′ (𝑣), 𝜇𝑅2 (𝑢, 𝑣, 𝑤) ] }
𝑢,𝑣 𝑢,𝑣

Karena [(𝜇𝐴′ (𝑢), 𝜇𝐵′ (𝑣))°𝜇𝑅1 (𝑢, 𝑣, 𝑤) ] =

max min[𝜇𝐴′ (𝑢), 𝜇𝐵′ (𝑣), 𝜇𝑅1 (𝑢, 𝑣, 𝑤)]
𝑢,𝑣 𝑢,𝑣

𝜇𝐶 ′ (𝑤) = max {[(𝜇𝐴′ (𝑢), 𝜇𝐵′ (𝑣))°𝜇𝑅1 (𝑢, 𝑣, 𝑤)],

𝑢,𝑣,𝑤

[(𝜇𝐴′ (𝑢), 𝜇𝐵′ (𝑣))°𝜇𝑅2 (𝑢, 𝑣, 𝑤)], …,

[(𝜇𝐴′ (𝑢), 𝜇𝐵′ (𝑣))°𝜇𝑅𝑛 (𝑢, 𝑣, 𝑤)]}

Karena 𝜇𝐶𝑖′ = [(𝜇𝐴′ (𝑢), 𝜇𝐵′ (𝑣))°𝜇𝑅𝑖 (𝑢, 𝑣, 𝑤) ]

𝐶𝑖′ = (𝐴′ , 𝐵′ )°𝑅𝑖

maka
𝐶 ′ = [(𝐴′ , 𝐵′ )°𝑅1 ] ∪ [(𝐴′ , 𝐵′ )°𝑅2 ] ∪. . .∪ [(𝐴′ , 𝐵′ )°𝑅𝑖 ]
= ⋃𝑛𝑖=1(𝐴′ , 𝐵′ )°𝑅𝑖
= ⋃𝑛𝑖=1(𝐴′ , 𝐵′ )°(𝐴𝑖 𝑎𝑛𝑑 𝐵′ → 𝐶𝑖 )
= ⋃𝑛𝑖=1 𝐶𝑖′
Sehingga,
𝑛

𝜇𝐶 ′ (𝑤) = ⋁ 𝜇𝐶𝑖′
𝑖=1
Lemma 4: (𝑅𝑖 : (𝐴𝑖 𝑎𝑛𝑑 𝐵′ → 𝐶𝑖 ) 𝑡𝑒𝑟𝑑𝑖𝑟𝑖 𝑑𝑎𝑟𝑖 𝑅𝑖1 : (𝐴𝑖 → 𝐶𝑖 ) 𝑑𝑎𝑛 𝑅𝑖2 : (𝐵𝑖 →

𝐶𝑖 ))

Ketika ada aturan 𝑅𝑖 dengan dua input variabel 𝐴𝑖 dan 𝐵𝑖 , hasil inferensi 𝐶𝑖
diperoleh dari inferensi individu 𝑅𝑖1 : (𝐴𝑖 → 𝐶𝑖 ) dan 𝑅𝑖2 : (𝐵𝑖 → 𝐶𝑖 )
𝐶𝑖′ = (𝐴′ , 𝐵′ )°(𝐴𝑖 𝑎𝑛𝑑 𝐵′ → 𝐶𝑖 )
= [𝐴′ °(𝐴𝑖 → 𝐶𝑖 )] ∩ [𝐵′ °(𝐵𝑖 → 𝐶𝑖 )] 𝑗𝑖𝑘𝑎 𝜇𝐴𝑖 ×𝐵𝑖 =
𝜇𝐴𝑖 ˄𝜇𝐵𝑖 (𝑢𝑛𝑡𝑢𝑘 𝑅𝐶 )
= [𝐴′ °𝑅𝑖1 ] ∩ [𝐵′ °𝑅𝑖2 ] 𝑑𝑖 𝑚𝑎𝑛𝑎 𝑅𝑖1 = 𝐴𝑖 → 𝐶𝑖 𝑑𝑎𝑛 𝑅𝑖2 = 𝐵𝑖 → 𝐶𝑖
= 𝐶𝑖1 ∩ 𝐶𝑖2 𝑑𝑖 𝑚𝑎𝑛𝑎 𝐶𝑖1 = 𝐴′ °𝑅𝑖1 𝑑𝑎𝑛 𝐶𝑖2 = 𝐵′ °𝑅𝑖2
𝐶𝑖′ = (𝐴′ , 𝐵′ )°(𝐴𝑖 𝑎𝑛𝑑 𝐵′ → 𝐶𝑖 )
= [𝐴′ °(𝐴𝑖 → 𝐶𝑖 )] ∙ [𝐵′ °(𝐵𝑖 → 𝐶𝑖 )] 𝑗𝑖𝑘𝑎 𝜇𝐴𝑖 ×𝐵𝑖 = 𝜇𝐴𝑖 ∙
𝜇𝐵𝑖 (𝑢𝑛𝑡𝑢𝑘 𝑅𝑝 )

(Bukti) Kita akan membuktikan lemma pada kasus 𝑅𝐶

𝐶𝑖′ = (𝐴′ , 𝐵′ )°(𝐴𝑖 𝑎𝑛𝑑 𝐵′ → 𝐶𝑖 )
𝜇𝐶 ′ = (𝜇𝐴′ , 𝜇𝐵′ )°(𝜇𝐴𝑖×𝐵𝑖 → 𝜇𝐶 )
𝑖

= (𝜇𝐴′ , 𝜇𝐵′ )° ( min(𝜇𝐴𝑖 , 𝜇𝐵𝑖 ) → 𝜇𝐶𝑖 )

= (𝜇𝐴′ , 𝜇𝐵′ )° min[(𝜇𝐴𝑖 → 𝜇𝐶𝑖 ), (𝜇𝐵𝑖 → 𝜇𝐶𝑖 )]

Jika kami mengganti operator ° dengan operator max-min,

𝜇𝐶 ′ (𝑤) = max min {(𝜇𝐴′ , 𝜇𝐵′ ), min[(𝜇𝐴𝑖 → 𝜇𝐶𝑖 ), (𝜇𝐵𝑖 → 𝜇𝐶𝑖 )] }

𝑢,𝑣

= max min {min[𝜇𝐴′ , (𝜇𝐴𝑖 → 𝜇𝐶𝑖 )], min[𝜇𝐵′ , (𝜇𝐵𝑖 → 𝜇𝐶𝑖 )]}
𝑢,𝑣

= min{[𝜇𝐴′ , (𝜇𝐴𝑖 → 𝜇𝐶𝑖 )], [𝜇𝐵′ , (𝜇𝐵𝑖 → 𝜇𝐶𝑖 )]}

Sehingga, kita punya

𝐶𝑖′ = [𝐴′ °(𝐴𝑖 → 𝐶𝑖 )] ∙ [𝐵′ °(𝐵𝑖 → 𝐶𝑖 )]
= [𝐴′ °𝑅𝑖1 ] ∩ [𝐵′ °𝑅𝑖2 ]
= 𝐶𝑖1 ∩ 𝐶𝑖2
 Ini berarti bahwa hasil inferensi 𝐶𝑖′ diperoleh oleh persimpangan antara
inferensi individu 𝐴′ °(𝐴𝑖 → 𝐶𝑖 ) dan 𝐵′ °(𝐵𝑖 → 𝐶𝑖 ). Karena itu, dalam lemma
berikutnya, kita akan menunjukkan bahwa kita dapat menerapkan operator min
antara 𝜇𝐴𝑖 (𝑢0 ) dan 𝜇𝐵𝑖 (𝑣0 ) di mana ada dua input tunggal 𝑢0 dan 𝑣0 .

Lemma 5: (Untuk input tunggal, 𝐶𝑖′ ditentukan oleh pencocokan derajat minimum
𝐴𝑖 dan 𝐵𝑖 Gambar 9.5)
Jika inputnya adalah fuzzy singletons, yaitu, 𝐴′ = 𝑢0 , 𝐵′ = 𝑣0 , derajat
kecocokan 𝑎𝑖 adalah nilai minimum antara 𝜇𝐴𝑖 (𝑢0 ) dan 𝜇𝐵𝑖 (𝑣0 ) dari lemma 1,
hasil inferensi dapat diperoleh dengan menggunakan Aturan operasi minimum
Mamdani 𝑅𝐶 dan operasi produk Larsen aturan 𝑅𝑝 untuk implikasinya.
Gambar 9.4. Lemma 4 (Aturan 𝑅𝑖 dapat didekomposisi menjadi 𝑅𝑖1 dan 𝑅𝑖2 dan
hasilnya 𝐶𝑖′ dari 𝑅𝑖 adalah persimpangan dari hasil 𝐶𝑖1 dan 𝐶𝑖2 dari 𝑅𝑖1 dan 𝑅𝑖2 ,
masing-masing.)
𝜇𝐶𝑖′ (𝑤) = 𝑎𝑖 ˄𝜇𝐶𝑖 (𝑤) 𝑢𝑛𝑡𝑢𝑘 𝑅𝐶

𝜇𝐶𝑖′ (𝑤) = 𝑎𝑖 ∙ 𝜇𝐶𝑖 (𝑤)𝑢𝑛𝑡𝑢𝑘 𝑅𝑝

Di mana 𝑎𝑖 = 𝜇𝐴𝑖 (𝑢0 ) ˄ 𝜇𝐵𝑖 (𝑣0 ) = min[𝜇𝐴𝑖 (𝑢0 ), 𝜇𝐵𝑖 (𝑣0 )]

(Bukti) dari Lemma 4

𝐶𝑖′ = [𝐴′ °(𝐴𝑖 → 𝐶𝑖 )] ∩ [𝐵′ °(𝐵𝑖 → 𝐶𝑖 )]
𝜇𝐶𝑖′ = min{[𝑢0 °(𝜇𝐴𝑖 (𝑢) → 𝜇𝐶𝑖 (𝑤))], [𝑣0 °(𝜇𝐵𝑖 (𝑣) → 𝜇𝐶𝑖 (𝑤))]}

= min{[𝜇𝐴𝑖 (𝑢0 )𝜇𝐶𝑖 (𝑤) ], [𝜇𝐵𝑖 (𝑣0 )𝜇𝐶𝑖 (𝑤) ]}

1. Jika kami menggunakan operasi minimum Mamdani untuk implikasi

𝜇𝐶𝑖′ = min {min[𝜇𝐴𝑖 (𝑢0 ), 𝜇𝐶𝑖 (𝑤)], min[𝜇𝑩𝑖 (𝑣0 ), 𝜇𝐶𝑖 (𝑤)] }

= min {min[𝜇𝐴𝑖 (𝑢0 ), 𝜇𝑩𝑖 (𝑣0 ), 𝜇𝐶𝑖 (𝑤)] }

= min {min[𝜇𝐴𝑖 (𝑢0 ), 𝜇𝑩𝑖 (𝑣0 )], 𝜇𝐶𝑖 (𝑤) }

Karena 𝑎𝑖 = min[𝜇𝐴𝑖 (𝑢0 ), 𝜇𝐵𝑖 (𝑣0 )],

𝜇𝐶𝑖′ = min {min[ 𝑎𝑖 , 𝜇𝐶𝑖 (𝑤)] }

= 𝑎𝑖 ˄ 𝜇𝐶𝑖 (𝑤)
2. Jika kami menggunakan operasi minimum Larsen untuk implikasi
𝜇𝐶𝑖′ = min{[𝜇𝐴𝑖 (𝑢0 ) ∙ 𝜇𝐶𝑖 (𝑤)], [𝜇𝑩𝑖 (𝑣0 ), 𝜇𝐶𝑖 (𝑤)] }

= { min[𝜇𝐴𝑖 (𝑢0 ), 𝜇𝑩𝑖 (𝑣0 )] } , 𝜇𝐶𝑖 (𝑤)

= 𝑎𝑖 ∙ 𝜇𝐶𝑖 (𝑤)
Lemma 6: (Untuk input fuzzy, 𝐶𝑖′ ditentukan oleh pencocokan minimum
derajat ( 𝐴′ 𝑑𝑎𝑛 𝐴𝑖 ) dan (𝐵′ 𝑑𝑎𝑛 𝐵𝑖 ), Gambar 9.6)
Jika input diberikan sebagai himpunan fuzzy 𝐴′ dan 𝐵′ , derajat
kecocokan 𝑎𝑖 ditentukan oleh minimum antara ( 𝐴′ 𝑑𝑎𝑛 𝐴𝑖 ) dan (𝐵′ 𝑑𝑎𝑛 𝐵𝑖 ).
Dari pada lemma 2, hasilnya dapat diperoleh dengan menggunakan operasi min
untuk 𝑅𝐶 dan operasi produk untuk 𝑅𝑝 .

Gambar 9.5. Lemma 5 ( 𝑎𝑖 adalah derajat kecocokan antara 𝐴𝑖 (𝑢0 ) dan 𝐵𝑖 (𝑣0 ).)
𝜇𝐶𝑖′ (𝑤) = 𝑎𝑖 ˄𝜇𝐶𝑖 (𝑤) 𝑢𝑛𝑡𝑢𝑘 𝑅𝐶

𝜇𝐶𝑖′ (𝑤) = 𝑎𝑖 ∙ 𝜇𝐶𝑖 (𝑤)𝑢𝑛𝑡𝑢𝑘 𝑅𝑝

Di mana 𝑎𝑖 = min [ max(𝜇 𝐴′ (𝑢) → 𝜇𝐴𝑖 (𝑢)), max(𝜇 𝐵′ (𝑣) → 𝜇𝐵𝑖 (𝑣))]
𝑢 𝑣

(Bukti) dari Lemma 5,

𝐶𝑖′ = [𝐴′ °(𝐴𝑖 → 𝐶𝑖 )] ∩ [𝐵′ °(𝐵𝑖 → 𝐶𝑖 )]
𝜇𝐶𝑖′ = min{[𝜇 𝐴′ °(𝜇𝐴𝑖 → 𝜇𝐶𝑖 )], [𝜇 𝐵′ °(𝜇𝐵𝑖 → 𝜇𝐶𝑖 )]}

= min{(𝜇 𝐴′ °𝜇 𝑅𝐴𝐶 ), (𝜇 𝐵′ °𝜇 𝑅𝐵𝐶 )}

Di mana 𝑅𝐴𝐶 = 𝐴𝑖 × 𝐶𝑖 , 𝑅𝐵𝐶 = 𝐵𝑖 × 𝐶𝑖

Jika kami menggunakan min untuk implikasi (Produk cartesian untuk 𝑅𝐴𝐶 dan
𝑅𝐵𝐶 ) dan max-min untuk komposisi, dari Lemma 2, kami punya

𝜇𝐶𝑖′ = min { max 𝜇 𝐴 ′𝑖 ˄ 𝜇 𝑅𝐴𝐶 , max 𝜇 𝐵 ′𝑖 ˄ 𝜇 𝑅𝐵𝐶 }

𝑢 𝑣

= min { max 𝜇 𝐴 ′𝑖 ˄ (𝜇𝐴𝑖 ˄𝜇𝐶𝑖 ) , max 𝜇 𝐵 ′𝑖 ˄ (𝜇𝐵𝑖 ˄𝜇𝐶𝑖 ) }

𝑢 𝑣

= min { max(𝜇𝐴𝑖 ˄ 𝜇𝐴𝑖 ) ˄ 𝜇𝐶𝑖 , max(𝜇𝐵𝑖 ˄𝜇𝐵𝑖 ) ˄ 𝜇𝐶𝑖 }

𝑢 𝑣

= min{ 𝑎𝐴 ˄ 𝜇𝐶𝑖 , 𝑎𝐵 ˄ 𝜇𝐶𝑖 }

 Di mana 𝑎𝐴 = max(𝜇𝐴𝑖 ˄ 𝜇𝐴𝑖 ) dan 𝑎𝐵 = max(𝜇𝐵𝑖 ˄ 𝜇𝐵𝑖 )
𝑢 𝑣

= min[ 𝑎𝐴 , 𝑎𝐵 ]˄ 𝜇𝐶𝑖 = 𝑎𝑖 ˄ 𝜇𝐶𝑖

Di mana 𝑎𝑖 = min[ 𝑎𝐴 , 𝑎𝐵 ] =

min [ max(𝜇𝐴𝑖 ˄ 𝜇𝐴𝑖 ) ˄ 𝜇𝐶𝑖 , max(𝜇𝐵𝑖 ˄𝜇𝐵𝑖 )˄𝜇𝐶𝑖 ]

𝑢 𝑣

Demikian pula, kita dapat membuktikan lemma ketika produk digunakan untuk
implikasi dan produk-maks untuk komposisi ( 𝑅𝑝 ). Karena itu, dari lemma, kita
bisa nyatakan
𝜇𝐶 ′ = ⋃𝑛𝑖=1 𝑎𝑖 ˄𝜇𝐶𝑖 𝑢𝑛𝑡𝑢𝑘 𝑅𝐶
𝜇𝐶 ′ = ⋃𝑛𝑖=1 𝑎𝑖 ∙ 𝜇𝐶𝑖 𝑢𝑛𝑡𝑢𝑘 𝑅𝑝
di mana derajat pencocokan (faktor weighting, faktor satisfaction, firing strength)
𝑎𝑖 adalah ukuran kontribusi aturan ke-i pada tindakan kontrol fuzzy.

9.4 Metode Inferensi

Berdasarkan lemma sebelumnya, sekarang kami mengembangkan metode
inferensi.

Gambar 9.6. Lemma 6 (𝑎𝑖 adalah tingkat kesesuaian minimum antara

( 𝐴′ 𝑑𝑎𝑛 𝐴𝑖 ) dan (𝐵′ 𝑑𝑎𝑛 𝐵𝑖 ). )

Sebagai contoh, kami mempertimbangkan dua aturan kontrol fuzzy

𝑅1 : jika 𝑢 adalah 𝐴1 dan 𝑣 adalah 𝐵1 maka 𝑤 adalah 𝐶1
𝑅2 : jika 𝑢 adalah 𝐴2 dan 𝑣 adalah 𝐵2 maka 𝑤 adalah 𝐶2
𝐴𝑖 , 𝐵𝑖 , dan 𝐶𝑖 didefinisikan masing-masing dalam 𝑈, 𝑉, 𝑑𝑎𝑛 𝑊, untuk 𝑖 =
1, 2, 𝑢 ∈ 𝑈, 𝑣 ∈ 𝑉, 𝑑𝑎𝑛 𝑤 ∈ 𝑊.
Input biasanya diukur dengan sensor dan crips. Dalam beberapa kasus mungkin
perlu untuk mengkonversi data input menjadi himpunan fuzzy. Pada umumnya,
nilai crips dapat diperlakukan sebagai fuzzy singleton.

1. Masukan Singleton
Jika input diberikan sebagai nilai singleton, derajat kecocokan (firing
trength) 𝑎1 dan 𝑎2 dari aturan pertama dan kedua dapat dinyatakan sebagai
𝑎1 = 𝜇𝐴1 (𝑢0 )˄𝜇𝐵1 (𝑣0 )
𝑎2 = 𝜇𝐴2 (𝑢0 )˄𝜇𝐵2 (𝑣0 )
di mana 𝜇𝐴1 (𝑢0 ) dan 𝜇2 (𝑣0 ) adalah derajat match pastial antara data user-
supplied (𝑢0 𝑑𝑎𝑛 𝑣0 ) dan data (𝐴𝑖 𝑑𝑎𝑛 𝐵𝑖 ) dalam basis aturan.

2. Fuzzy Input
Jika input diberikan sebagai himpunan fuzzy 𝐴′ dan 𝐵′ , derajat
kecocokan 𝑎𝑖 dari peraturan adalah

𝑎𝑖 = min [ max(𝜇 𝐴′ (𝑢) ˄ 𝜇𝐴𝑖 (𝑢)) , max(𝜇𝐵′ (𝑣) ˄ 𝜇𝐵𝑖 (𝑣)) ] 𝑢𝑛𝑡𝑢𝑘 𝑖 =
𝑢 𝑣

1,2
Kami melihat bahwa derajat kecocokan diperoleh melalui operasi minimum
dalam produk Cartesian. Hubungan ini memainkan peran kunci dalam mengikuti
empat metode inferensi.
9.4.1 metode mamdani
Metode ini menggunakan operasi minimum 𝑅𝐶 sebagai suatu implikasi fuzzy dan
operator max-min untuk komposisi. Misalkan dasar aturan diberikan bentuk
berikut.
𝑅𝑖 :jika 𝑢 adalah 𝐴𝑖 dan 𝑣 adalah 𝐵𝑖 maka 𝑤 adalah 𝐶𝑖 , 𝑖 = 1,2, … , 𝑛
Untuk 𝑢 ∈ 𝑈, 𝑣 ∈ 𝑉, dan 𝑤 ∈ 𝑊.
Maka, 𝑅𝑖 = (𝐴𝑖 𝑑𝑎𝑛 𝐵𝑖 ) → 𝐶𝑖 didefinisikan oleh
𝜇𝑅𝑖 = 𝜇(𝐴𝑖 𝑑𝑎𝑛 𝐵𝑖 )→𝐶𝑖 (𝑢, 𝑣, 𝑤)
(1) maka input data adalah singleton 𝑢 = 𝑢0 , 𝑣 = 𝑣0
𝜇𝐶𝑖′ (𝑤) = [𝜇𝐴𝑖 (𝑢0 ) 𝑑𝑎𝑛 𝜇𝐵𝑖 (𝑣0 )] → 𝜇𝐶𝑖 (𝑤)
Metode mamdani menggunakan operasi minimum (∧) untuk implikasi fuzzy
(→). dari lemma 5,
𝜇𝐶𝑖′ (𝑤) = 𝛼𝑖 ∧ 𝜇𝐶𝑖 (𝑤) 𝑑𝑖𝑚𝑎𝑛𝑎 𝛼𝑖 = 𝜇𝐴𝑖 (𝑢0 ) ∧ 𝜇𝐵𝑖 (𝑣0 )

Dari lemma 3 sebelumnya, kita ketahui fungsi keanggotaan 𝜇𝐶 mengakibatkan

kesimpulan C yang diberikan dengan hasil agregat yang diturunkan dari aturan
kontrol tunggal. Jadi, ketika ada dua aturan 𝑅1 dan 𝑅2 ,
𝜇𝐶 ′ (𝑤) = 𝜇𝐶1′ ∨ 𝜇𝐶2′

= [𝛼1 ∧ 𝜇𝐶1 (𝑤)] ∨ [𝛼2 ∧

𝜇𝐶2 (𝑤)]
Prosedur dari inference fuzzy mamdani ketika input diberikan sebagai singleton di
representasikan di (Fig 9.7).

Fig. 9.7. representasi grafik dari metode mamdani dengan input singleton
Oleh karena itu secara umum, dari lemma 3,

(2) ketika input data himpunan fuzzy, A’ dan B’ dari lemma 6,

𝜇𝐶𝑖′ (𝑤) = 𝛼𝑖 ∧ 𝜇𝐶𝑖 (𝑤) dimana

Dari lemma 3, diperoleh hasil keseluruhan

Grafik interpretasi dari inferensi ini diberikan di Fig 9.8

Fig 9.8 grafik interpretasi dari metode mamdani dengan input himpunan fuzzy
Hasil 𝐶 ′ adalah himpunan fuzzy dan sehingga jika kita ingin mendapatkan aksi
kontrol deterministik, suatu metode defuzzyfikasi digunakan yang akan
didiskusikan di bab selanjutnya.
Contoh 9.5 ada suatu aturan dasar fuzzy termasuk satu aturan seperti :
𝑅:jika 𝑢 adalah 𝐴 maka 𝑣 adalah 𝐵, dimana 𝐴 = (0,2,4) dan 𝐵 = (3,4,5) adalah
himpunan fuzzy bersegi tiga.
Jika suatu input diberikan sebagai nilai singleton 𝑢0 = 3, bagaimana kami
menghitung output 𝐵′ menggunakan metode mamdani ?
Kami bisa melihat derajat kecocokan antara A dan 𝑢0 adalah 𝛼 = 0.5 oleh karena
itu output 𝐵’ dimuat oleh irisan antara B dan 𝛼 = 0.5. yaitu 𝐵′ diekspresikan oleh
area menurun dari 0.5 di 𝐵 (Fig. 9.9).
Sekarang, perhatikan kasus yang input 𝐴′ = (0,1,2). Yaitu,
𝜇𝐴′ (𝑥 ) = 𝑥 𝑢𝑛𝑡𝑢𝑘 0 ≤ 𝑥 ≤ 1
= −𝑥 + 2 𝑢𝑛𝑡𝑢𝑘 1 ≤ 𝑥 ≤ 2
= 0 untuk yg lainnya
Kita bisa memperoleh derajat kecocokan 𝛼 = 2/3 dan maka 𝐵′ adalah bagian
menurun dari 2/3 di B (Fig 9.10).

Fig. 9.9 fuzzy inferensi dengan input 𝑢0 = 3

Fig. 9.10 fuzzy inferensi dengan input 𝐴′ = (0,1,2).

9.4.2 Metode Larsen

Metode ini menggunakan perkalian operator 𝑅𝑝 untuk fuzzy implikasi dan max-
product operator untuk komposisi. Untuk aturan dasar berikut,
𝑅𝑖 : jika 𝑢 adalah 𝐴𝑖 dan 𝑣 adalah 𝐵𝑖 maka 𝑤 adalah 𝐶𝑖 , 𝑖 = 1,2, , … , 𝑛
Maka 𝑅𝑖 = (𝐴𝑖 𝑑𝑎𝑛 𝐵𝑖 ) → 𝐶𝑖 didefinisikan oleh 𝜇𝑅𝑖 = 𝜇(𝐴𝑖 𝑑𝑎𝑛 𝐵𝑖)→𝐶𝑖 (𝑢, 𝑣, 𝑤)
(1) maka input data singleton diberikan sebagai 𝑢 = 𝑢0 , 𝑣 = 𝑣0 , dari lemma 5
diperoleh

Dari lemma 3,

Representasi grafik dari metode ini dengan input singleton diberikan dalam (Fig
9.9)
(2) ketika input data diberikan sebagai bentuk dari himpunan-himpunan fuzzy 𝐴′
dan 𝐵′, dari lemma 6, kita ketahui

Dari lemma 3, didapatkan

Grafik interpretasi dari inferensi ini di tunjukkan dalam (Fig 9.10)

Fig 9.11 grafik representasi dari metode Larsen dengan input singleton

Fig. 9.12 grafik representasi dari metode Larsen dengan himpunan fuzzy input
Contoh 9.6
Ada suatu aturan fuzzy
R : jika 𝑢 adalah A dan 𝑣 adalah B maka 𝑤 adalah C
Dimana 𝐴 = (0,2,4), 𝐵 = (3,4,5) dan 𝐶 = (3,4,5)
i) tentukan hasil inferensi 𝐶′ ketika input adalah 𝑢0 = 3, 𝑣0 = 4 menggunakan
metode Larsen
ii) tentukan hasil inferensi 𝐶 ′ ketika input adalah 𝐴 = (0,1,2) dan 𝐵 = (2,3,4).
Solusi di ilustrasikan dalam (Fig 9.13, 9.14), secara berturut-turut.

Fig 9.13 metode Larsen dengan input 𝜇0 = 3, 𝑣0 = 4

Fig 9.14 metode Larsen dengan input 𝐴′ = (0,1,2), 𝐵′ = (2,3,4).

9.4.3 metode Tsukamoto

Dalam metode ini, mengakibatkan setiap aturan fuzzy direpresentasikan oleh
himpunan fuzzy dengan fungsi keanggotaan monoton, seperti yang ditunjukkan
pada (Fig 9.5.)
Basis aturan memiliki bentuk seperti:
𝑅𝑖 : jika 𝑢 adalah 𝐴𝑖 dan 𝑣 adalah 𝐵𝑖 , maka 𝑤 adalah 𝐶𝑖 , 𝑖 = 1,2, , … , 𝑛
Dimana 𝜇𝐶𝑖 (𝑤) adalah fungsi monoton.
Hasilnya, output yang disimpulkan dari setiap aturan didefinisikan sebagai nilai
tegas yg diinduksikan dengan aturan derajat kesesuaian. Secara keseluruhan
output diambil sebagai bobot rata-rata dari setiap aturan output.
misalkan himpunan 𝐶𝑖 memiliki fungsi keanggotaan monoton 𝜇𝐶𝑖 (𝑤) dan 𝛼𝑖
adalah derajat kesesuaian dari aturan ke-i.
(1) untuk input singleton (𝑢0 , 𝑣0 )
𝛼𝑖 = 𝜇𝐴𝑖 (𝑢0 ) ∧ 𝜇𝐵𝑖 (𝑣0 )
(2) untuk himpunan fuzzy input (𝐴’, 𝐵’)

Maka hasil aturan ke-i diperoleh

Fig. 9.15 representasi grafik dari metode tsukamoto

𝑤𝑖 = 𝜇𝐶−1
𝑖
(𝛼𝑖 )
Hasil akhir berasal dari rata-rata bobot seperti berikut ketika ada dua aturan.
 𝛼1 𝑤1 + 𝛼2 𝑤2
𝑤0 =
𝛼1 + 𝛼2
Karena setiap aturan menyimpulkan hasil tegas, model fuzzy Tsukamoto
mengagregasikan setiap output aturan dengan metode rata-rata bobot. Karena itu,
metode tsukamoto menghindari proses defuzzifikasi yang memakan waktu.
9.4.4 metode TSK
Metode ini diusulkan oleh Takagi, Sugeno, dan Kang. Suatu kekhasan aturan
fuzzy dalam model ini memiliki bentuk
jika 𝑢 adalah 𝐴 dan 𝑣 adalah 𝐵, maka 𝑤 = 𝑓(𝑢, 𝑣),
A dan B adalah himpunan fuzzy pada anteseden ketika 𝑤 = 𝑓 (𝑢, 𝑣) fungsi
crisp(tegas) sebagai konsekuensinya. Biasanya 𝑓 (𝑢, 𝑣) adalah suatu polinomial
dalam input variabel 𝑢 dan 𝑣, dan dengan demikian metode ini berfungsi saat
input diberikan sebagai nilai singleton (Fig 9.16).
Sederhananya, misalkan kita memiliki dua aturan fuzzy sebagai berikut.
𝑅1 : jika 𝑢 adalah 𝐴1 dan 𝑣 adalah 𝐵1 maka 𝑤 = 𝑓1 (𝑢, 𝑣) = 𝑝1 𝑢 + 𝑞1 𝑣 + 𝑟1
𝑅2 : jika 𝑢 adalah 𝐴2 dan 𝑣 adalah 𝐵2 maka 𝑤 = 𝑓2 (𝑢, 𝑣) = 𝑝2 𝑢 + 𝑞2 𝑣 + 𝑟2
Dimana 𝑝1 , 𝑞1 , 𝑝2 , 𝑑𝑎𝑛 𝑞2 adalah konstan.
Nilai yang disimpulkan dari aksi kontrol dari aturan pertama adalah 𝑓1 (𝑢0 , 𝑣0 ) di
mana 𝑢0 dan 𝑣0 adalah input singleton, dan 𝛼1 adalah derajat pencocokan.nilai
yang disimpulkan dari yang kedua adalah 𝑓2 (𝑢, 𝑣) dengan tingkat kecocokan 𝛼2 .
Derajat pencocokan diperoleh seperti pada metode sebelumnya.
𝛼𝑖 = 𝜇𝐴𝑖 (𝑢0 ) ∧ 𝜇𝐵𝑖 (𝑣0 )
Semua derajat kesesuaian adalah nilai-nilai tegas. Jumlah total hasil diberikan
oleh rata-rata bobot.

Metode ini juga menghemat waktu defuzzifikasi karena hasil akhir 𝑤0 adalah nilai
tegas.
Gambar 9.16. grafik Representasi dari metode TSK
 DAFTAR RUJUKAN

Lee, K.H. 2005. First Course on Fuzzy Theory and Applications. Berlin: Springer.