Disusun Oleh :
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.
1.2 Tujuan
Berdasarkan latar belakang yang dipaparkan diatas, tujuan dari makalah ilmiah
yang akan dicapai adalah sebagai berikut:
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.
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].
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
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
∫ 𝜇𝑥 (𝑧). 𝑧 𝑑𝑧
𝑍∗ =
∫ 𝜇𝑥 (𝑧) 𝑑𝑧
𝜇(𝑧)𝑧
𝑍∗ = ∑
𝜇(𝑧)
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 :
7
Setelah didapatkan hasil bobot akhir waktu tempuh, dilanjutkan dengan melakukan
komputasi algoritma genetika pada bobot yang telah didapatkan, yaitu sebagai berikut:
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.
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.
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.
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:
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.
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
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