MAKALAH ILMIAH

LOGIKA FUZZY DAN PENERAPANNYA

Disusun Oleh :

FAHRI AULIA ALFARISI HARAHAP (4193250009)

MUHAMMAD RHEZA PALEVI (4192250001)

YUSUF FAJAR (4193550033)

PROGRAM STUDI ILMU KOMPUTER

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
MEDAN

1
 ABSTRAK
Logika fuzzy adalah sebuah cabang ilmu yang termasuk kedalam kategori kecerdasan buatan
yang mempelajari tentang penggunaan bilangan fuzzy yang bisa digunakan untuk keperluan
mengolah informasi dan data yang ambigu atau tidak pasti. Logika fuzzy menyediakan dan
memberi seperangkat rule dan metode-metode yang bisa membantu dalam membuat suatu
keputusan faktual berdasarkan data yang tidak pasti atau data yang kurang jelas. Dengan
menggunakan logika fuzzy kita mampu menangani informasi yang disajikan oleh data yang
tidak tidak jelas secara pasti dan membuat keputusan yang akurat serta relevan. Pada proses
logika fuzzy ada beberapa tahap yang harus dilakukan yaitu proses fuzzyfikasi, rule atau
aturan, inferensi dan defuzzyfikasi. Logika fuzzy banyak digunakan dalam bidang machine
learning dan kecerdasan buatan. Logika fuzzy sangat berguna dalam berbagai bidang seperti
pembuatan alat sistem cerdas,alat pengendalian, model analisis serta mampu melakukan
klasifikasi, regresi dan prediksi.

1
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Perkembangan teknologi saat ini maju secara cepat, kemampuan dalam
pemecahan masalah menggunakan teknologi kini kian meningkat, salah satu
contohnya adalah membuat atau pengembangkan aplikasi dan model yang dapat
memprediksi kejadian yang akan datang. Salah satu konsep temuan yang dapat
memprediksi kejadian adalah logika fuzzy atau dikenal sebagai logika kekaburan.
Logika fuzzy adalah suatu logika yang bertujuan untuk menganalisis sebuah masalah
atau kasus yang mengandung suatu ketidakpastian[1]. Logika fuzzy juga dikenal
sebagai ilmu yang mempelajari tentang ketidakpastian. Dalam konsep logika
fuzzy, logika fuzzy dapat menyajikan suatu inputan ke suatu output tanpa harus
mengabaikan faktor yang ada.

Alasan mengapa logika fuzzy masih digunakan sampai sekarang adalah

dikarenakan logika fuzzy mirip dengan konsep berpikir manusia. Konsep dari sistem
fuzzy mampu merepserentasikan dan memodelkan pengetahuan atau rule yang sudah
disepakati oleh manusia ke bentuk yang matematis dengan menyerupai atau menyamai
cara berpikirnya manusia. Salah satu kelebihan fuzzy adalah dapat membuat dan
mengontrol sistem yang non linear dan kompleks atau juga sebuah sistem yang sangat
sulit direpresentasikan ke dalam bantu matematis. Logika fuzzy juga sangat fleksibel
dan bisa diimplementasikan ke banyak kasus.

1.2 Tujuan
Berdasarkan latar belakang yang dipaparkan diatas, tujuan dari makalah ilmiah
yang akan dicapai adalah sebagai berikut:

1. Menjelaskan prinsip dasar dan cara kerja logika fuzzy

2. Menjelaskan contoh-contoh penerapan logika fuzzy dengan bantuan teknik
komputasi
3. Menjelaskan contoh-contoh penerapan logika fuzzy dalam dukungan
kecerdasan buatan
4. Membahas ide-ide terbaru dalam penerapan dan pengembangan logika fuzzy
sebagai basis pengembangan artifical inteligence
2
 BAB II
TINJAUAN PUSTAKA
2.1 Logika Fuzzy
Logika fuzzy pertama kali diperkenalkan oleh Lotfi Zadeh pada tahun 1965 pada
makalahnya yang berjudul “Fuzzy Set”. Lalu pada tahun 1970 pertengahan,
peneliti jepang berhasil menemukan dan mengimplementasikan teori fuzzy set ke
dalam masalah teknis[2]. Logika fuzzy adalah sebuah sistem kontrol pemecahn
masalah yang sangat cocok ditimplementasikan pada sistem, sistem yang bisa
diterapkan beragam, mulai dari sistem yang sederhana hingga sistem yang kompleks.
Metodologi ini bisa diterapkan pada hardware atau perangkat keras, software
atau perangkat lunak dan kombinasi antara software dan hardware. Dalam logika
fuzzy, segala sesuatu tidak didefinisikan secara biner, tetapi segala sesuatu
didefinisi antara 0 dan 1. Ilustrasinya dapat dilihat pada gambar 1.

Gambar 1. Ilustrasi Logika Fuzzy

Jika didalam logika klasik dikenal dengan istilah 0 dan 1, ya atau tidak, maka di
logika fuzzy dikenal nilai antara 0 – 1, pada contoh diatas air yang sangat dingin
diberi nilai 0.9, sedangkan air yang cukup dingin diberi nilai 0.75 dan air yang sedikit
dingin diberi nilai 0.1.

2.2 Konsep Dasar Himpunan Logika Fuzzy

Jika ada sebuah himpunan objek-objek yang dinotasikan dengan x, maka
himpunan fuzzy A dalam X adalah sebuah himpunan pasang berurutan yang
dinotasikan sebagai berikut:

𝐴 = {𝑥, 𝜇𝐴 |(𝑥) ∈ 𝑋}

3
 Dengan notasi 𝜇𝐴 disebut sebagai fungsi derajat keanggotaan x dalam A yang
memetakan X ke ruang yang keanggotaan P yang terletak pada range [0, 1], bila P hanya
memuat dua titik yaitu titik 0 dan titik 0, maka A adalah bukan himpunan fuzzy[3].

2.3 Cara Kerja Logika Fuzzy

Cara kerja dari logika fuzzy adalah sebagai berikut :

1. Proses pertama yang akan dilakukan adalah Fuzzyfikasi, Fuzzyfikasi adalah

proses yang akan mengubah inputan sistem yang mempunyai value tegas yang
akan diubah menjadi variabel-variabel linguistik menggunakan konsep fungsi
keanggota yang disimpan dalam basis fuzzy[4].
2. Proses kedua adalah penentuan basis pengetahuan atau Rule, dalam cara kerja
logika fuzzy, penentuan basis pengetahuan sangat diperlukan, karna pada proses
inilah sistem fuzzy akan mengikuti semua aturan yang ada[4].
3. Proses ketiga adalah inferensi, yaitu proses yang menggunakan fungsi implikasi
MIN agar mendapatkan nilai 𝛼 – predikat yang berguna untuk menghitung hasil
output dari inferensi secara jelas[4].
4. Proses terakhir adalah proses Defuzzyfikasi, yaitu proses yang akan mengubah
output fuzzy yang telah diperoleh dari sistem atau model menjadi value yang
jelas dengan menggunakan fungsi keanggotaan yang digunakan pada saat
proses pertama yaitu Fuzzyfikasi[4].

Gambar 2. Cara Kerja Logika Fuzzy

2.4 Fungsi Keanggotaan Fuzzy

Beberapa fungsi keanggotaan logika fuzzy yang paling sering digunakan,
beberapa fungsi itu adalah sebagai berikut:

4
 Fungsi Keanggotaan Segitiga
Fungsi ini adalah fungsi keanggotaan yang ditandai dengan adanya 3 titik
atau 3 parameter, misalkan parameter itu adalah {a,b,c} yang akan membentuk
segitiga dengan 3 sudut dari koordinat tersebut[5]. Pada dasarnya segitiga ini
terbentuk karena gabungan dari dua garis yang linear, persamaan fungsi
keanggotaan segitita sebagai berikut:

0, 𝑥≤ 𝑎
𝑥−𝑎
, 𝑎≤𝑥≤𝑏
𝜇 [𝑥 ] 𝑏 − 𝑎
𝑐−𝑥
, 𝑏≤𝑥≤𝑐
{𝑐−𝑏

Gambar 2. Grafik Fungsi Keanggotaan Segitiga

 Fungsi Keanggotaan Trapesium

Fungsi ini sebenarnya mirip dengan fungsi keanggotaan segitiga, hanya
saja ada beberapa titik atau koordinat yang memiliki nilai keanggotaan 1[6],
persamaan fungsi keanggotaan ini sebagai berikut:
0 𝑥 ≤ 𝑎 atau 𝑥 ≥ 𝑑
(𝑥 − 𝑎)/(𝑏 − 𝑎) 𝑎≤𝑥≤𝑏
𝜇[𝑥] = {
1 𝑏≤𝑥≤𝑐
(𝑑 − 𝑥)/(𝑑 − 𝑐) 𝑐≤𝑥≤𝑑

Gambar 3. Grafik Fungsi Keanggotaan Trapesium

5
2.5 Metode Logika Fuzzy
Dalam konsep logika fuzzy, ada 3 metode umum yang sering digunakan, ketiga
metode itu adalah metode tsukamoto, mamdani dan sugeno.
2.5.1 Metode Tsukamoto
Pada metode tsukamoto ini, setiap konsekuens yang ada pada rule yang
berbentuk IF-THEN perlu direprentasikan dengan suatu himpunan fuzzy dengan
fungsi nilai keanggotaan yang konstan. Sebagai outputnya, hasil inferensi dari tiap-tiap
aturan akan diberikan dengan tegas[7]. Pada proses defuzzifikasi metode tsukamoto,
digunakan persamaan sebagai berikut:

∗
∑𝑛𝑖 𝑎𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡𝑖 ∗ 𝑧𝑖
𝑍 =
∑𝑛𝑖 𝑎𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡𝑖

2.5.2 Metode Mamdani

Pada metode mamdani, dikenal juga dengan metode max-min atau max-
product. Metode ini banyak digunakan pada kasus penelitian sistem cerdas dan sistem
pendukung keputusan[8]. Pada proses defuzzifikasi metode mamdani, digunakan
persamaan sebagai berikut:

∫ 𝜇𝑥 (𝑧). 𝑧 𝑑𝑧
𝑍∗ =
∫ 𝜇𝑥 (𝑧) 𝑑𝑧

2.5.3 Metode Sugeno

Pada metode sugeno, metodenya sedikit mirip dengan metode mamdani,
hanya saja pada sugeno, konsekuens sistem yang dihasilkan bukanlah berbentuk
himpunan fuzzy, tetapi berbentuk persamaan linear. Penemu metode ini yaitu Michio
Sugeno mengusulkan pemakaian singleton untuk konsekuens[3]. Pada proses
defuzzifikasi metode sugeno digunakan persamaan sebagai berikut:

𝜇(𝑧)𝑧
𝑍∗ = ∑
𝜇(𝑧)

2.6 Logika Fuzzy Komputasi

Logika fuzzy komputasi adalah sebuah proses pembuatan model sistem atau
model persamaan dalam suatu kasus yang menggunakan bantuan dari konsep
komputasi. Dengan memanfaatkan konsep komputasi, perhitugan dan pembuatan
model jauh lebih cepat dibuat dan jauh lebih efisien, serta lebih jauh terhindar dari

6
human error. Logika fuzzy komputasi biasa digunakan bersamaan dengan konsep
algoritma genetika, konsep learning rate, konsep atur hyperparameter dan konsep
validasi loss.

Salah satu contoh implementasi logika fuzzy komputasi adalah dalam penelitian
yang membahas “Cara Melakukan Optimasi Derajat Keanggotaan Logika Fuzzy
Metode Tsukamoto Menggunakan Algoritma Genetika Pada Kasus Diagnosis
Penyakit Sapi Potong[9]”, pada penelitian ini digunakan konsep algoritma genetika
sebagai optimasi dari sistem fuzzy yang dibangun, dalam menggunakan konsep
algoritma genetika, digunakan teknik bantuan komputasi agar mempermudah
perhitungan. Pada penelitian ini dibandingkan model sistem logika fuzzy pendeteksi
penyakit sapi sebelum dan sesudah menggunakan metode komputasi algoritma
genetika, sebelum digunakannya komputasi algoritma genetika, didapat akurasi
akhir dari sistem model adalah 94.86%, sedangkan setelah digunakan komputasi
algoritma genetika didapatkan akurasi akhir dari sistem model adalah 98.04%, hal
ini menyebabkan terjadinya peningkatan sebesar 3.54% dengan menggunakan
komputasi algoritma genetika[9].

Contoh lain dalam implementasi logika fuzzy adalah dalam penelitian yang
membahas “Pencarian Rute Tercepat Pada PT Circleka Utama Indonesia Cabang
Yogyakarta Menggunakan Logika Fuzzy Dan Optimasi Algoritma Genetika[10]”, pada
penelitian ini seperti sebelumnya, menggunakan bantuan komputasi algoritma
genetika dalam pencarian rute tercepat pada kasus pt. circleka utama indonesia cabang
yang ada di yogyakarta . Penelitian melakukan pembuatan sistem model logika fuzzy
sebagai berikut :

 Pertama dikumpulkan data , variabel yang digunakan adalah panjang

jalan, lebar jalan dan derajat kejenuhan jalan
 Lalu menentukan derajat keanggotaan
 Membuat rule fuzzy
 Menghitung semua predikat aturan
 Lakukan komposisi MAX-MIN
 Terakhir dilakukan proses defuzzifikasi
 Setelah dilakukan proses defuzzifikasi, didapatkan hasil akhir bobot
waktu tempuh.

7
 Setelah didapatkan hasil bobot akhir waktu tempuh, dilanjutkan dengan melakukan
komputasi algoritma genetika pada bobot yang telah didapatkan, yaitu sebagai berikut:

 Input bobot waktu tempuh

 Menentukan parameter besarnya algoritma genetika
 Melakukan proses algoritma genetika
 Didapatkan hasil kromosom terbaik dari proses algoritma genetika

Hasil dari penelitian ini memaparkan bahwa rute pertama dengan model sistem fuzzy
sebelum dioptimasi adalah 3.5 jam, dan pada rute kedua sebelum dioptimasi adalah
6.72 jam dengan perbedaan waktu yaitu sebesar 3.22 jam, model setelah dilakukan
optimasi algoritma didapatkan pada rute pertama diperoleh waktu tempuh sebesar
4,468 jam dan pada rute yang kedua diperoleh waktu 4.49 jam dengan selisih 0.022 j
am[10]. Ini menunjukkan bahwa komputasi algoritma genetika dapat diterapkan dan
membantu pembuatan sistem model yang lebih optimal.

2.7 Logika Fuzzy Artificial Intelligence

Logika fuzzy juga merupakan salah satu dari bidang kecerdasan buatan. Dengan
logika fuzzy, kita bisa mengetahui penyebab dari suatu masalah dan mampu
memodelkan masalah tersebut kedalam bentuk matematis[11]. Logika fuzzy sendiri
sampai sekarang masih tetap masuk ke dalam subbab kecerdasan buatan dikarenakan
logika fuzzy adalah cabang ilmu yang masih berkembang. Dalam kehidupan kita
sehari- hari, sebagai manusia kita sering dihadapkan dengan masalah yang
berhubungan dengan ketidakpastian, untuk memudahkan semua pekerjaan manusia,
maka konsep dari logika fuzzy bisa diimplementasikan ke dalam kecerdasan buatan,
berikut beberapa penerapan konsep logika fuzzy pada kecerdasan buatan.

1. Sistem Pengendalian Suhu Menggunakan Logika Fuzzy

Sistem pengedalian suhu menggunakan logika fuzzy adalah sebuah konsep atau
model yang memanfaatkan metode logika fuzzy pada aplikasi kecerdasan
buatan. Pada alat pengendalian suhu ini, digunakan Room Heater Control
Berbasis Fuzzy Logic Controller dan Fuzzy logic controller untuk mengatur
suhu cairan berbasis atmega16. Dan perancagan sistem kendali suhu digunakan
arduino. Contoh alat dilihat pada gambar 3

8
 Gambar 4. Sistem Pengendalian Suhu Menggunakan Logika Fuzzy
Pada alat diatas, alat tersebut sudah termasuk ke dalam model kecerdasan
buatan dikarenakan alat tersebut mampu mendeteksi suhu ruangan dan
mengatur suhu ruangan sendiri menggunakan sensor arduino yang telah dibuat.
2. Panel Surya Otomatis Menggunakan Logika Fuzzy
Panel surya otomatis adalah sebuah panel surya yang digunakan metode logika
fuzzy didalamnya. Pada alat panel surya ini memiliki empat sensor cahaya yaitu
sensor yang diletakkan pada sisi kanan, kiri , depan dan belakang. Panel surya
ini menggunakan perancangan rotary encoder yang fungsinya sebagai
menghitung jumlah rotasi motor yang direpsentasikan pada bentuk sudut
pergerakan panel surya, yang mana ini adalah output dari logika fuzzy.

Gambar 5. Panel Surya Otomatis Menggunakan Logika Fuzzy

3. Alat Kendali Penerangan Menggunakan Logika Fuzzy
Alat kendali penerangan ruangan otomatis adalah sebuah alat yang bisa
menghidupkan dan mematikan lampu / penerangan secara otomatis tanpa perlu
menekan tombol on/off. Alat ini bisa menyesuaikan dirinya sendiri, jika
diperlukan penerangan yang sangat terang, maka alat ini akan. Alat ini
menggunaka logika fuzzy berbasis ATMega16, Sensor LCD dan rangkaian
driver lampu dan juga menggunakan perancangan software bahasa C.

9
 Gambar 6. Rancangan Alat Kendali Penerangan Otomatis
Jika sensor mendeteksi ada manusia didalam ruangan tersebut, maka lampu
akan secara otomatis menghidupkan cahayanya, dan jika tidak ada terdeteksi
manusia didalam suatu ruangan, maka lampu akan mati dengan sendirinya.

2.8 Pengembangan Ide-Ide Logika Fuzzy Berbasis Artifical Intelligence

Seperti yang dituliskan pada subbab 2.6 yaitu logika fuzzy adalah cabang ilmu
yang masih berkembang, maka di zaman sekarang pengembangan ide-ide logika fuzzy
masih memungkinkan, masih sangat banyak ide-ide yang dapat dikembangkan dari
penelitian-penelitian dan implementasi-implementasi dari ide-ide yang lalu. Beberapa
contoh pengembangan ide-ide logika berbasis kecerdasan buatan adalah sebagai
berikut:

1) Pengembangan Sistem Pakar Pendeteksi Bakat Anak Dengan Metode Fuzzy

Logic
Pada penelitian yang dilakukan oleh Devira, dkk yang membahas “Sistem Pakar
Pendeteksi Kecerdasan Anak Menggunakan Metode Logika Fuzzy”, peneliti
meneliti bagaimana membuat sebuah website sistem pakar pendeteksi
kecerdasan anak dengan bantuan metode logika fuzzy[12]. Penelitian ini
menggunakan 5 inputan variabel yaitu[12]:
 Kepekaan terhadap struktur fungsi-fungsi kata pada anak
 Kemampuan mengingat anak
 Berkomunikasi dengan mudah secara lisan dan tulisan pada anak
 Tertarik terhadap aktivitas mengarang dan membuat cerita pada anak
 Kemampuan menulis secara jelas dan tepat oleh anak

Masing-masing variabel menggunakan semester pembicaraan dengan rentang

0-10, lalu variabel output yang digunakan adala Kecerdasan Verbal Linguistik.
Dari penelitian yang sudah dilakukan, penelitian ini dapat dikembangkan dapat

10
 dikembangkan menjadi ide baru dengan judul “Pengembangan Sistem Pakar
Pendeteksi Bakat Anak Dengan Metode Fuzzy Logic”. Pada ide ini akan dibuat
sebuah website sistem pakar berbasis Artificial Intelligence dengan metode
logika fuzzy. Ide ini akan menggunakan beberapa inputan sebagai contoh:

 Kesukaan bidang anak

 Keunggulan anak
 Cara berbicara anak
 Cara anak dalam menyelesaikan masalah
 Pola pikir anak
 Sifat anak, apakah cenderung tenang atau tidak

Dan Variabel output yang akan digunakan adalah bakat anak dalam bidang apa,
apakah anak berbakat dalam bidang eksakta, atau seni, atau olahraga. Ide ini
juga bisa dikembangkan menjadi lebih spesifik, jika anak berbakat dibidang
eksakta, apakah anak itu lebih menonjol di logika, matematika. Fisika. Kimia
,atau komputer.

2) Pengembangan Sistem Logika Fuzzy Pemilihan Tas Bagi Mahasiswa Baru

Berbasis Android Artificial Intilligence.
Pada penelitian yang dilakukan oleh Nasir dan Suprianto yang
membahas“Analisis Pemilihan Sepeda Motor Honda Menggunakan Logika
Fuzzy Mamdani”. Pada penelitian ini digunakan indikator data input sebagai
berikut:
 Harga Beli , dengan nilai range domain 0 - 25
 Stock , dengan nilai range domain 0 - 40
 Minat Pasar, dengan nilai range domain 0- 40

Dan hasil output yang digunakan adalah indikator rekomendasi dengan nilai
range domain adalah 0 – 100, pada penelitian ini juga menggunakan inferensi
dengan 53 Rule. Pada penelitian ini, sepeda motor yang direkomendasikan
adalah vario dengan hasil defuzzifikasi sebesar 83.88%[13]. Selain itu aplikasi
pada penelitian ini bisa membantu seseorang untuk menentukan sepeda motor
mana yang direkomendasikan untuk dibeli.

11
 Gambar 7. Aplikasi Rekomendasi Motor Honda Berbasis Logika Fuzzy

Dari penelitian yang sudah dilakukan, penelitian ini bisa dikembangkan dengan
insight baru yaitu “Pengembangan Sistem Logika Fuzzy Pemilihan Tas Bagi
Mahasiswa Baru Berbasis Android Artificial Intilligence”. Pengembangan ide
baru ini akan membahas tas seperti apa yang cocok untuk mahasiswa, masalah
yang dihadapi disini adalah terkadang mahasiswa rumpun sains dan teknologi
selalu keberatan membawa barang-barang yang diperlukan untuk perkuliahan,
dan juga ukuran tas yang kurang besar serta tempat penyimpanan yang ada
didalam tas tidak optimal. Pada pengembangan ide ini akan dirancang sebuah
aplikasi berbasis kecerdasan buatan dengan menggunakan metode logika fuzzy.
Inputan indikator yang akan digunakan pada rancangan ini adalah :

 Harga Tas
 Besarnya Tas
 Fungsi Tas ( Semakin banyak, maka nilai indikator semakin baik )
 Beban rata-rata yang akan dibawa mahasiswa

Dengan output indikator adalah direkomendasikan atau tidak

direkomendasikan, setelah model selesai dibuat, selanjutnya model dideploy
kedalam bentuk aplikasi dengan bantuan android studio. Aplikasi ini bisa
membantu para mahasiswa yang ingin memilih tas optimal untuk dukungan
perkuliahan.
3) Kamera Pemantauan dan Pendeteksi Maling Berbasis Logika Fuzzy

Pada penelitian yang dilakukan oleh Eva dkk, yang

membahas“Pemantauan Kebakaran Real Time Dengan Metode Logika
Fuzzy”, pada penelitian ini digunakan schematic hardwared pada sistem
pendeteksi kebakaran.

12
 Gambar 8. Schematic Hardware pada sistem pendeteksi kebakaran

Pada alat schematic hardware sistem pendeteksi kebakaran ini, Flame sensor
digunakan sebagai sensor pendeteksi api, sebelum itu sistem ini sudah dinilai untuk
jika api terdeteksi adalah 1 dan jika tidak ada Flame sensor maka nilainya adalah 0
dihubungkan dengan pin D6 yang sebelumnya dihubungkan dengan pin D0, hal ini
berfungsi untuk memberikan nilai masukan digital jika terjadi kebakaran[14]. Dari
penelitian yang sudah dilakukan, penelitian ini dapat dikembangkan menjadi sebuah
penelitian / pembuatan alat dengan ide Sistem Pemantauan dan Pendeteksi Maling
Berbasis Logika Fuzzy , konsep dari ide ini adalah menggunakan sensor di layar cctv
yang akan mendeteksi wajah asing yang akan masuk ke rumah, jika terdeteksi wajah
asing, maka sensor cctv yang dihubungkan ke device akan mengeluarkan
pengumuman suara dari device yang telah dihubungkan, untuk konsep deteksi wajah
menggunakan konsep dari computer vision, dan untuk deteksi sensor, digunakan
metode logika fuzzy pada sensor yang ada, pembuatan sistem digunakan model logika
fuzzy yang diimplementasikan pada arduino dan model computer vision yang
dihubungkan dengan Application Programming Interface.

13
 BAB III
KESIMPULAN

Logika fuzzy adalah sebuah cabang ilmu dari kecerdasan buatan yang membahas
tentang suatu peristiwa yang tidak bisa dimodelkan secara sederhana atau secara beraturan,
logika fuzzy biasanya digunakan dalam kasus-kasus yang sulit untuk dibuatkan model atau
solusi yang ada, sampai sekarang ini, logika fuzzy masih dianggap sebagai cabang ilmu yang
berkembang, dikarenakan logika fuzzy akan terus berkembang kedepannya. Selain untuk
kasus-kasus yang sulit untuk dibuatkan modelnya, logika fuzzy juga bisa digunakan sebagai
prediksi kejadian yang akan datang, konsep fungsi anggota dan defuzifikasi logika fuzzy bisa
membantu pekerjaan manusia dalam memprediksi kejadian apa yang akan terjadi seperti bulan
depan akan terjadi apa pada harga saham suatu perusahaan dengan bantuan dari konsep time
series.

Beberapa alasan logika fuzzy dipakai hingga sekarang adalah logika fuzzy bisa
memodelkan sebuah fungsi atau persamaan nonlinear yang sangat kompleks yang tidak bisa
diselesaikan oleh persamaan matematika biasa, selain itu logika fuzzy juga sangat toleransi
terhadap data-data heterogen dan banyak outlier serta data yang tidak tepat. Serta konsep logika
fuzzy bisa diimplementasikan pada banyak hardware seperti rasberry P, Arduino dan sensor-
sensor yang lainnya.

14
 DAFTAR PUSTAKA

[1] G. Prakarsa and V. M. Nasution, “Penerapan Logika Fuzzy Menggunakan Metode Mamdani
Pada Prediksi Jumlah Kasus Positif Covid-19,” J. Media Inform. Budidarma, vol. 5, no. 4, p.
1660, 2021, doi: 10.30865/mib.v5i4.3282.
[2] M. D. Irawan and H. Herviana, “Implementasi Logika Fuzzy Dalam Menentukan Jurusan Bagi
Siswa Baru Sekolah Menengah Kejuruan (Smk) Negeri 1 Air Putih,” J. Teknol. Inf., vol. 2, no. 2,
p. 129, 2019, doi: 10.36294/jurti.v2i2.427.
[3] D. L. Rahakbauw, “Penerapan Logika Fuzzy Metode Sugeno Berdasarkan Data Persediaan Dan
Jumlah Permintaan ( Studi Kasus : Pabrik Roti Sarinda Ambon ),” J. Ilmu Mat. dan Terap., vol.
9, no. 2, pp. 121–134, 2015, [Online]. Available:
https://ojs3.unpatti.ac.id/index.php/barekeng/article/view/289/249
[4] D. P. P. Astuti and Mashuri, “Penerapan Metode Fuzzy Tsukamoto dan Fuzzy Sugeno Dalam
Penentuan Harga Jual Sepeda Motor,” UNNES J. Math., vol. 1, no. 2252, pp. 75–84, 2020.
[5] A. Shoniya and A. Jazuli, “Penentuan jumlah produksi pakaian dengan metode fuzzy
tsukamoto studi kasus konveksi nisa,” vol. 04, pp. 54–65, 2019.
[6] U. S. Barat, “Penerapan Logika Fuzzy untuk Menentukan Jumlah Produksi Beras Berdasarkan
Data Persediaan dan Jumlah Permintaan ( Studi Kasus UD Siregar Wonomulyo ),” vol. 3, no. 2,
pp. 87–98, 2016.
[7] S. Syahnandar, R. Hidayatullah, N. Rubiati, and R. Kurniawan, “Implementasi Fuzzy Logic
Penentuan Kelayakan Karyawan Mendapat Reward Ditoko Roti Mengunakan Metode
Tsukamoto,” I N F O R M a T I K a, vol. 10, no. 2, p. 56, 2019, doi: 10.36723/juri.v10i2.116.
[8] L. Santya, M. Miftah, V. Mandala, S. Saepudin, and D. Gustian, “Penerapan Metode Fuzzy
Mamdani untuk Pendukung Keputusan Penentuan Jumlah Produksi Lantak Si Jimat,” J.
Rekayasa Teknol. Nusa Putra, vol. 7, no. 1, pp. 35–41, 2019, [Online]. Available:
https://jurnal.nusaputra.ac.id/rekayasa/paper/44
[9] D. Kurnianingtyas, W. F. Mahmudy, and A. W. Widodo, “Optimasi Derajat Keanggotaan Fuzzy
Tsukamoto Menggunakan Algoritma Genetika Untuk Diagnosis Penyakit Sapi Potong,” J.
Teknol. Inf. dan Ilmu Komput., vol. 4, no. 1, p. 8, 2017, doi: 10.25126/jtiik.201741294.
[10] D. Masruroh and ..., “Penerapan Logika Fuzzy Dan Algoritma Genetika Dalam Pencarian Rute
Tercepat Pada Pt. Circleka Utama Indonesia Cabang …,” J. Kaji. dan …, pp. 1–11, 2018,
[Online]. Available:
https://journal.student.uny.ac.id/index.php/jktm/article/view/11155%0Ahttps://journal.stud
ent.uny.ac.id/index.php/jktm/article/download/11155/10695
[11] E. T. Ariyanto and S. Sutikno, “Penerapan Logika Fuzzy Untuk Menentukan Kondisi Mesin
Pada Motor Transmisi Manual (Studi Kasus Honda Cs-1),” Simetris J. Tek. Mesin, Elektro dan
Ilmu Komput., vol. 9, no. 1, pp. 173–180, 2018, doi: 10.24176/simet.v9i1.599.
[12] D. Asha, M. B. Ulum, and Y. A. Rozali, “Implementasi Metode Fuzzy Logic Pada Sistem Pakar
Pendeteksi Kecerdasan Anak,” J. Komputasi, vol. 9, no. 2, 2021.
[13] J. Nasir, J. Suprianto, P. Studi, T. Informatika, and U. Putera, “Analisis Fuzzy Logic Menentukan
Pemilihan Motor Honda Dengan Metode Mamdani,” J. Edik Inform., vol. 2, pp. 177–186,
2017.

15
[14] E. V. A. A. Hw, R. Tulloh, and S. Hadiyoso, “Sistem Pemantauan dan Pendeteksi Kebakaran
berbasis Logika Fuzzy dan Real-time Database,” vol. 9, no. 3, pp. 577–591, 2021.

16