MATERI KULIAH PERTEMUAN VIII

LOGIKA FUZZY PART 1

FADIL INDRA SANJAYA, S.Kom., M.Kom.
UNIVERSITAS TEKNOLOGI YOGYAKARTA
2019
POKOK BAHASAN

HIMPUNAN FUZZY
FUNGSI KEANGGOTAAN
OPERATOR DASAR FUZZY
FIS : Tsukamoto
SISTEM FUZZY

Sistem yang berdasarkan aturan-aturan (pengetahuan)

Dibangun oleh koleksi aturan: IF-THEN
Contoh:
IF mesin panas THEN putar kipas lebih cepat
IF jarak mobil dekat THEN tekan rem kuat-kuat
IF permintaan naik THEN produksi barang bertambah
MENGAPA MENGGUNAKAN LOGIKA
FUZZY ?
Konsep logika fuzzy mudah dimengerti.
Logika fuzzy sangat fleksibel.
Logika fuzzy memiliki toleransi terhadap data-data yang lain daripada yang lain.
Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.
Logika fuzzy dapat membangun bagian teratas dari pengalaman-pengalaman
para pakar.
Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
Logika fuzzy didasarkan pada bahasa alami.
HIMPUNAN FUZZY
HIMPUNAN CRIPS
Pada himpunan tegas (crisp set), nilai keanggotaan suatu item x dalam suatu himpunan A (ditulis
A[x]) memiliki 2 kemungkinan :
Satu (1), artinya x adalah anggota A
Nol (0), artinya x bukan anggota A

Contoh 1 :
Jika diketahui :
S={1,2,3,4,5,6} adalah semesta pembicaraan
A={1,2,3}
B={3,4,5}

maka :
Nilai kaanggotaan 2 pada A, A[2] = 1, karena 2A
Nilai kaanggotaan 4 pada A, A[4] = 0, karena 4 A
HIMPUNAN CRIPS (2)
Contoh 2:
“Jika suhu lebih tinggi atau sama dengan 80 F, maka suhu disebut panas, sebaliknya disebut tidak panas”
o

Kasus :
Suhu = 100 F, maka Panas
o

Suhu = 80.1 F, maka Panas

o

Suhu = 79.9 F, maka tidak panas

o

Suhu = 50 F, maka tidak panas

o

If Suhu ≥ 80 oF, disebut panas

If Suhu < 80 oF, disebut tidak panas

Fungsi keanggotaan dari himpunan tegas gagal membedakan antara anggota pada himpunan yang sama
Ada problem-problem yang terlalu kompleks untuk didefinisikan secara tepat
HIMPUNAN CRIPS (3)
Contoh 3 :
Misal variable umur dibagi menjadi 3 katagori :
MUDA umur <35 tahun
PAROBAYA 35 ≤ umur ≤ 55 tahun
TUA umur > 55 tahun
Muda Parobay Tua
1 1 1
a
[x] [x] [x]

0 0 35 55 0 55
35

Gambar 2a. Keanggotaan himpunan biasa (crisp) umur muda dan

parobaya
Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA
Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA
Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA
Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK PAROBAYA
Apabila seseorang berusia 55 tahun, maka ia dikatakan TIDAK TUA
Apabila seseorang berusia 55 tahun lebih ½ hari, maka ia dikatakan TUA
HIMPUNAN CRIPS (4)
Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk menyatakan umur
sangat tidak adil, adanya perubahan kecil saja pada suatu nilai mengakibatkan
perbedaan katagori yang cukup signifikan
Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Sesorang dapat
masuk dalam 2 himpunan yang berbeda. MUDA dan PAROBAYA, PAROBAYA dan
TUA, dsb. Seberapa besar eksistensinya dapat dilihat pada nilai/derajat
keanggotaannya. Gambar berikut menunjukkan himpunan fuzzy untuk variabel
umur :
Muda Parobaya Tua
1
[x]

0,5
0,
25

0 25 35 40 45 50 55 65

Gambar 2b. Himpunan Fuzzy untuk variable

umur
HIMPUNAN FUZZY

Diperkenalkan oleh Zadeh (1965)

Memiliki 2 variable
Variabel numeris (mis: 3, 50, 45, dst)
Variabel linguistik (mis: TUA, MUDA, dst)
Nilai keanggotaan terletak dalam interval [0,1]
VARIABEL FUZZY

Variabel fuzzy adalah variabel-variabel yang akan dibicarakan dalam suatu sistem
fuzzy.
Contoh:
Temperatur
Umur
Tinggi Badan
dll
SEMESTA PEMBICARAAN

Keseluruhan ruang permasalahan dari nilai terkecil hingga nilai terbesar yang
diijinkan disebut dengan semesta pembicaraan (universe of discourse)
Semesta pembicaraan bersifat monoton naik, dan adakalanya open ended.
HIMPUNAN FUZZY

Himpunan fuzzy adalah himpunan-himpunan yang akan dibicarakan pada suatu

variable dalam sistem fuzzy.
Contoh:
Temperatur : DINGIN, SEJUK, HANGAT, PANAS.
Umur : MUDA, PAROBAYA, TUA.
Tinggi Badan : RENDAH TINGGI , TINGGI
dll
FUNGSI KEANGGOTAAN
FUNGSI KEANGGOTAAN HIMPUNAN
FUZZY
Adalah suatu fungsi (kurva) yang menunjukkan pemetaan titik-titik
input data ke dalam nilai keanggotaannya (derajat keanggotaan)
yang memiliki interval antara 0 sampai 1.
Ada beberapa fungsi yang bisa digunakan :
1. Linier
2. Segitiga
3. Trapesium
4. Sigmoid
5. Phi
Fungsi Keanggotaan: Fungsi Linier
Pada representasi linear, permukaan digambarkan sebagai suatu garis lurus.
Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu
konsep yang kurang jelas.
Fungsi Keanggotaan: Fungsi Linier (2)

µTUA[50] = (50-35)/(60-35) = 0,6

Fungsi Keanggotaan: Segitiga
Fungsi Keanggotaan: Segitiga (2)

µPAROBAYA[38] = (38-35)/(65-35) = 0,3

µPAROBAYA[50] = (65-50)/(65-45) = 0,75
Fungsi Keanggotaan: Sigmoid
Fungsi Keanggotaan: Sigmoid (2)

µTUA[50] = 2[(50-45)/(65-45)]2 = 0,125

µTUA[58] = 1-2[(65-58)/(65-45)]2 = 0,755
Fungsi Keanggotaan: Sigmoid (3)

µMUDA[32] = 1-2[(32-25)/(45-25)]2 = 0,755

µMUDA[40] = 2[(45-40)/(45-25)]2 = 0,125
Fungsi Keanggotaan: Kurva
Fungsi Keanggotaan: Kurva (2)

µPAROBAYA[43] = 1-2[(45-43)/(45-35)]2 = 0,92

µPAROBAYA[52] = 1-(1-2[(55-52)/(55-45)]2) = 0,18
Fungsi Keanggotaan: Trapesium / Bahu
OPERATOR DASAR FUZZY
OPERATOR LOGIKA FUZZY

Operasi logika adalah operasi yang

mengkombinasikan dan memodifikasi 2 atau lebih
himpunan fuzzy.
Nilai keanggotaan baru hasil operasi dua himpunan
disebut firing strength atau  predikat, terdapat 3
operasi dasar pada himpunan fuzzy :
OR (Union)
AND (Intersection)
NOT (Complement)
OPERATOR DASAR FUZZY

Interseksi:
µAÇB = min(µA[x], µB[y]).

Union:
µAÈB = max(µA[x], µB[y]).

Komplemen:
µA’ = 1- µ [x]
A
INTERSEKSI (AND)

Operator interseksi seringkali digunakan sebagai Batasan anteseden dalam suatu

aturan fuzzy, seperti:

IF x is A AND y is B THEN z is C

Kekuatan nilai keanggotaan antara konsekuen z dan daerah fuzzy y p C ditentukan

oleh kuat tidaknya premis atau anteseden. Kebenaran anteseden ini ditentukan
oleh min (µ[x is A], µ[y is B].
Contoh
Contoh

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}
Misal nilai keanggotaan umur 27 pada himpunan muda adalah MUDA[27] = 0,6
dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah
GAJITINGGI[2juta] = 0,8
maka  -predikat untuk usia MUDA dan berpenghasilan TINGGI adalah nilai
keanggotaan minimun :
MUDAGAJITINGGI
= min( MUDA[27],  GAJITINGGI[2juta])
= min (0,6 ; 0,8)
= 0,6
UNION (OR)

Union dari 2 himpunan dibentuk dengan menggunakan operator OR.

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}
Contoh
Contoh

Misal nilai keanggotaan umur 27 pada himpunan muda adalah MUDA[27] = 0,6
dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah
GAJITINGGI[2juta] = 0,8
maka  -predikat untuk usia MUDA atau berpenghasilan TINGGI adalah nilai
keanggotaan maksimum :
MUDA  GAJITINGGI
= max(MUDA[27], GAJITINGGI[2juta])
= max (0,6 ; 0,8)
= 0,8
COMPLEMENT (NOT)

Komplemen dari variabel fuzzy dengan derajat keanggotaan=x adalah

(1-x).
Komplemen ( _c): komplemen dari himpunan fuzzy terdisi dari semua
komplemen elemen.
Contoh
Ac = {1 – 1.0, 1 – 0.2, 1 – 0.75} = {0.0, 0.8, 0.25}
Misal nilai keanggotaan umur 27 pada himpunan muda adalah
MUDA[27]= 0,6 maka  -predikat untuk usia TIDAK MUDA adalah :
MUDA’[27] = 1 - MUDA[27
= 1 - 0,6
= 0,4
Contoh Kasus

Nilai keanggotaan sebagai hasil dari operasi 2 himpunan: fire strength atau -
predikat
AND
Misalkan nilai keanggotaan IP 3.2 pada himpunan IPtinggi
adalah 0.7 dan nilai keanggotaan 8 semester pada
himpunan LulusCepat adalah 0.8 maka -predikat untuk
AB [x] = min(A[x], B[x]) 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]) -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] -predikat untuk BUKAN IPtinggi :

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

Soal

Buatlah dan Gambarlah Fungsi Keangotaan Himpunan Fuzzy dari kasus berikut :
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
Soal 2

[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 ?