MODUL PERKULIAHAN

SISTEM FUZZY

Himpunan Fuzzy

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

Teknik Teknik Elektro P141700004 Galang Persada Nurani Hakim S.T , M.T.

03

Abstract Kompetensi
Himpunan Fuzzy adalah cabang dari Mahasiswa mampu menjelaskan
logika matematika yang mempelajari tentang teori himpunan fuzzy
tentang himpunan yang memiliki
ketidakjelasan keanggotaan sebuah

‘13 Kendali Cerdas

1 Galang Hakim S.T .M.T
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 objek

1) Pendahuluan Himpunan Fuzzy Oleh Zadeh

Himpunan fuzzy adalah kelas dari anggota (objek-objek) yang memiliki rangkaian
kesatuan nilai-nilai keanggotaan. Himpunan tersebut dicirikan oleh fungsi keanggotaan
(karakteristik) yang memberikan setiap anggota himpunan (objek) suatu tingkat
keanggotaan yang berkisar antara nol dan satu (missal 0.1, 0.2 dan sebagainya). Kemudian
operasi-operasi himpunan klasik (gabungan, persimpangan, pelengkap, dan lain-lain) dapat
diterapkan terhadap himpunan tersebut.
Dalam kehidupan nyata sehari-hari, lebih sering kita temuikelas dari sebuah objek yang
tidak memiliki kriteria keanggotaan yang ditentukan (atau digambarkan) dengan tepat.
Misalnya kelas hewan seperti anjing, kuda, ataupun burung dan lain-lain sebagainya, dapat
dengan jelas mengeluarkan (tidak memasukan) objek seperti batu, cairan, dan tanaman
kedalam himpunannya. Namun hal itu akan berbeda apabila ada himpunan binatang. Pada
himpunan binatang objek seperti bakteri dan bintang laut akan memiliki status yang tidak
jelas apakah kedua objek tersebut dapat digolongkan sebagai himpunan binatang atau tidak
karena karakteristik mereka.
Sehingga misalkan terdapat himpunan wanita cantik atau himpunan laki-laki tinggi,
himpunan-himpunan ini tidak dapat menjadi himpunan-himpunan yang dapat dijelaskan
(dimodelkan) oleh himpunan matematika biasa. Namun faktanya himpunan-himpunan yang
tidak dapat didefinisikan secara tepat tersebut memainkan peranan yang sangat penting
dalam bidang pengenalan pola, komunikasi dan informasi, serta bidang-bidang lainnya.
Untuk menangani himpunan-himpunan seperti di atas, maka himpunan-himpunan
tersebut di beri nama konsep himpunan fuzzy (kabur atau tidak jelas). Himpunan fuzzy
tersebut adalah sebuah himpunan dengan tingkatan keanggotaan yang memiliki nilai
rangkaian satu-kesatuan (misalnya dari 0 sampai dengan 1 adalah, 0.1, 0.2, 0.3 dan
seterusnya). Sehingga dengan menggunakan notasi dari himpunan fuzzy diharapkan akan
dapat menyediakan dasar yang tepat untuk dapat membangun kerangka kerja, yang juga
dapat digunakan pada kasus himpunan biasa (normal). Diharapkan himpunan fuzzy tersebut
akan dapat digunakan di aplikasi-aplikasi yang luas, dalam hal ini seperti bidang pengenalan
pola dan pengolahan informasi. Pada intinya kerangka himpunan fuzzy akan menyediakan
sebuah jalan (metode) yang secara alami dapat digunakan untuk menyelesaikan masalah
yang memiliki sumber ketidak-tepatan informasi yang terjadi karena tidak adanya kriteria-
kriteria yang dapat di gambarkan secara tepat pada permasalahan-permasalahan tersebut.

‘13 Kendali Cerdas

2 Galang Hakim S.T .M.T
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
2) Definisi Himpunan Fuzzy oleh zadeh
Sebuah X adalah sebuah ruangan dari kumpulan beberapa anggota elemen x, sehingga
dapat di tulis notasi matematisnya menjadi : X = {x}. sebuah himpunan fuzzy A pada X
ditandai oleh keanggotaan fungsi FA(x) yang berhubungan dengan setiap titik pada ruangan
X yang memiliki bilangan Real pada selang nilai antara 0 dan 1. Dengan nilai dari fungsi
FA(x) pada x menggambarkan tingkat (level) keanggotaan dari x pada himpunan A. ketika A
adalah sebuah himpunan yang kita analogikan sama dengan himpunan normal, maka fungsi
keanggotaannya hanya mendapatkan 2 buah nilai yaitu 1 atau 0. Nilai 1 dan 0 ini
menunjukan (menggambarkan) apakah x adalah sebuah anggota atau bukanlah anggota
himpunan A. himpunan dengan ciri-cir yang memiliki nilai 1 dan 0 ini, dapat kita sebut
sebagai himpunan biasa (dasar, normal, dan sederhana).
Sebagai contoh, sebuah fungsi X di gambarkan sebagai garis R dan A menjadi
himpunan fuzzy dari semua nilai yang memiliki nilai lebih besar dari 1. Maka kita bisa
memberikan ciri-ciri yang tepat terhadap A dengan menentukan F A(x) adalah sebuah fungsi
kerja (aktif) dari R. nilai-nilai yang dapat mewakili fungsi tersebut salah satunya adalah F A(0)
= 0, FA(5) = 0.01, FA(10) = 0.2, FA(100) = 0.95, dan FA(500) = 1.
Perlu di ingat bahwa, meskipun fungsi keanggotaan himpunan fuzzy memiliki beberapa
kemiripan dengan fungsi probabilitas ketika X adalah himpunan yang dapat dihitung (atau
fungsi kepadatan probabilitas ketika X adalah sebuah rangkaian kesatuan yang memiliki
nilai), ada perbedaan utama antara konsep-konsep ini yang akan menjadi lebih jelas pada
pembahasan selanjutnya. Pada kenyataannya notasi dari himpunan fuzzy secara alami
adalah bukan bersifat statistik.
Kita mulai dengan beberapa definisi terkait himpunan fuzzy yang merupakan
perpanjangan dari himpunan biasa (normal, standar). Sebuah himpunan fuzzy adalah
kosong jika fungsi keanggotaan adalah 0 pada ruangan X. 2 buah himpunan fuzzy A dan B
adalah sama, sehingga dapat kita tulis A = B, jika dan hanya jika F A(x) = FB(x) untuk semua
x pada ruangan X. complemen (pelengkap) dari himpunan fuzzy A dilambangkan oleh A’
dan di definisikan oleh (digambarkan) :

FA’ = 1 - FA (1)

Seperti pada himpunan biasa, notasi Containment (kurung) memainkan peranan penting
pada himpunan fuzzy. Notasi ini dan notasi yang lain (seperti union atau gabungan dan
intersection atau perpotongan) dapat digambarkan sebagai berikut :

‘13 Kendali Cerdas

3 Galang Hakim S.T .M.T
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 a. Notasi Containment atau Kurung
A adalah berada didalam B (atau bisa dibilang, A adalah sebuah subset dari B, atau A
lebih kecil atau sama dengan B) jika dan hanya jika FA ≦ FB kita dapat tulis :

A ⊂ B ⟺ FA ≦ FB (2)

b. Notasi Union atau Perpaduan

Gabungan atau perpaduan dari 2 buah himpunan fuzzy A dan B dengan fungsi
keanggotaannya FA(x) dan FB(x) adalah sebuah himpunan fuzzy baru C dan dapat ditulis
mejadi C = A ∪ B, dimana keanggotaan fungsi tersebut masih berhubungan dengan A dan B.
dapat ditulis menjadi :

FC(x) = Max [ FA(x), FB(x)], x ∈ X (3)

Atau dalam bentuk singkatnya seperti :

FC = FA ˅ FB (4)

Dengan notasi ∪ memiliki sifat asosiasi, sehingga A ∪ (B ∪ C) = (A ∪ B) ∪ C. secara

mudahnya untuk menggambarkan sebuah notasi ∪ (Union, perpaduan, gabungan) adalah
dengan mengatakan bahwa perpaduan A dan B adalah himpunan fuzzy terkecil yang
mengandung kedua A dan B. lebih tepatnya bisa dikatakan jika D adalah sebuah himpunan
fuzzy yang mengandung A dan B, maka himpunan ini juga mengandung perpaduan dari A
dan B. untuk menunjukan bahwa definisi ini sebanding dengan persamaan 3, pertama kita
harus memberikan catatan bahwa C oleh persamaan 3 mengandung kedua A dan B, karena

Max [FA, FB ] ≧ FA

Dan

Max [FA, FB ] ≧ FB

lebih jauhnya lagi, jika D adalah sebuah himpunan fuzzy yang mengandung A dan B maka

FD ≧ FA
‘13 Kendali Cerdas
4 Galang Hakim S.T .M.T
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 FD ≧ FB

Oleh karena itu

FD ≧ Max [FA, FB ] = FC

Yang berarti bahwa C ⊂ D

c. Notasi Intersection atau Perpotongan

Perpotongam dari 2 himpunan fuzzy A dan B dengan masing-masing fungsi
keanggotaanya FA(x) dan FB(x) adalah sebuah himpunan fuzzy C, sehingga dapat di tulis C
= A ∩ B, dimana fungsi keanggotaanya terhubung kepada A dan B dengan

FC(x) = Min [FA(x), FB(x)], x ∈ X (5)

Atau dalam bentuk singkatnya seperti :

FC = FA ˄ FB (6)

Seperti pada kasus perpaduan, adalah mudah untuk menunjukan perpotongan A dan B
adalah himpunan fuzzy terbesar yang mengandung baik A maupun B. pada kasus himpunan
biasa, A dan B adalah disjoint ( tidak bersinggungan atau bersentuhan) jika A ∩ B adalah
kosong. Seperti pada notasi ∪, notasi ∩ juga memiliki sifat asosiasi. Perpotongan dan
perpaduan dari 2 buah himpunan fuzzy pada R di gambarkan pada gambar 1. Fungsi
keanggotaan dari perpaduan dapat di gambarkan oleh lengkungan garis 1 dan garis 2.
Sedangkan perpotongan di gambarkan oleh garis 3 dan 4 (garis tebal)

‘13 Kendali Cerdas

5 Galang Hakim S.T .M.T
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Gambar 1 ilustrasi dari perpaduan dan perpotongan pada himpunan fuzzy

3) Sifat dari ∪, ∩ dan complement (pelengkap)

Operasi kerja dari perpaduan, perpotongan, dan pelengkap di gambarkan oleh
persamaan 1, 3, dan 5. Hal ini memudahkan untuk mengembangkannya dari himpunan
biasa sampai himpunan fuzzy. Sebagai contoh :

(A ∪ B)’ = A’ ∩ B’ (7)
(A ∩ B)’ = A’ ∪ B’ (8)

Dimana persamaan 7 dan persamaan 8 merupakan hukum de morgan

C ∩ (A ∪ B) = (C ∩ A) ∪ (C ∩ B) (9)
C ∪ (A ∩ B) = (C ∪ A) ∩ (C ∪ B) (10)

Dimana persamaan 9 dan persamaan 10 merupakan hukum distribusi

Persamaan ini dan persamaan-persamaan yang serupa dapat dengan cepat di buat
dengan menunjukan bahwa hubungan yang sesuai untuk fungsi keanggotaan dari A, B dan
C adalah ciri khasnya (identitasnya). Sebagai contoh pada persamaan 7 kita punya :

1 – Max [FA, FB] = Min [1 – FA, 1 – FB] (11)

Hal ini dapat di buktikan sebagai sebuah identitas dengan mengujinya dengan 2 cara yang
mungkin FA(x) > FB(x) dan FA(x) < FB(x). sama hal nya dengan persamaan 10, hubungan
yang sesuai untuk FA , FB , dan FC adalah :

Max [Fc, Min [FA , FB] = Min [Max FC , FA ], Max [FC , FB]] (12)

Hal ini juga dapat di buktikan adalah sebuah identitas dengan mempertimbangkan sebagai
berikut :

FA(x) > FB(x) > FC(x), FA(x) > FC(x)> FB(x), FB(x) > FA(x) > FC(x), FB(x) > FC(x) > FA(x), FC(x) >
FA(x) > FB(x), FC(x) > FB(x) > FA(x)

Penafsiran untuk Perpaduan dan perpotongan

‘13 Kendali Cerdas

6 Galang Hakim S.T .M.T
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Pada kasus himpunan biasa , sebuah himpunan C yang di gambarkan oleh himpunan
A1, A2, ………An dengan penghubung ∪ dan ∩, dapat di modelkan sebagai jaringan dari
sakelar a1,a2…….an dengan A1 ∩ Aj dan A1 ∪ Aj terkait, masing-masing, untuk kombinasi
seri dan paralel dari a1 dan an. Pada kasusnya himpunan fuzzy kita dapat menggambarkan
dalam filter. Misalkan Fi(x) dimana i = 1,…….n, menunjukkan nilai fungsi keanggotaan dari
Ai pada x. dengan menghubungkan Fi(x) dengan filter Si(x) yang memiliki konfigurasi
jaringan sebesar Fi(x). lalu Fj(x) ˅ Fi(x) dan Fi(x) ˄ Fj(x) memiliki kesamaan yang mirip,
terhadap parallel dan seri dari Si(x) dan Sj(x) sebagaimana di gambarkan pada gambar 2.

Gambar 2 Koneksi paralel dan seri dari filter yang menggambarkan hubungan ∪ dan ∩

Terkait dengan A1, …..An ∪ dan ∩ dapat memodelkan dengan rangkaian sakelar seperti
C= [(A1 ∪ A2) ∩ A3] ∪ A4 (13)

memiliki pengaturan yang sama seperti pada gambar 3. Perlu di ingat bahwa ukuran
saringan pada jaringan bergantung pada x dan jaringan secara keseluruhan setara dengan
saringan tunggal yang ukuran konfigurasinya adalah berdasarkan besar Fc(x).

‘13 Kendali Cerdas

7 Galang Hakim S.T .M.T
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Gambar 3 jaringan dari filter yang menggambarkan hubungan {[Fl(x) ˅ F2=(x)] ^ F3(x)} ˅ F4(x)

4) Contoh Aplikasi Himpunan Fuzzy

Misalkan variable umur dibagi 3 kategori, yaitu:
 MUDA < 35 tahun
 PARUHBAYA 35 ≤ umur ≤ 55 tahun
 TUA > 55 tahun.

Jika menggunakan himpunan crisp, dapat diambil kesimpulan bahwa:

-> Usia 34 tahun, dikatakan MUDA → µMUDA[34]=1
-> usia 35 tahun kurang 1 hari, dikatakan MUDA → µMUDA[35th-1hr]=1
-> Usia 35 tahun, dikatakan TIDAK MUDA → µMUDA[35]=0
-> Usia 55 tahun, dikatakan PAROBAYA → µPAROBAYA[55]=1
-> Usia 55 tahun lebih 1 hari, disebut TIDAK PAROBAYA → µPAROBAYA[55th+1hr]=0 atau
-> Usia 55 tahun lebih 1 hari, dikatakan TUA → µTUA[55th+1hr]=1

Jika himpunan crips dibuat grafik menjadi :

‘13 Kendali Cerdas

8 Galang Hakim S.T .M.T
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Gambar 3. Himpunan klasik Crips untuk variable umur 3 kategori

dari hasil kesimpulan diatas, himpunan crisp menyatakan umur seseorang kedalam
suatu kategori secara tidak adil, karena orang yang berusia 35 tahun dikatakan parobaya,
sedangkan orang yang berusia 35 tahun kurang 1 hari dikatakan tidak parobaya (karena
masuk kategori muda). selisih 1 hari saja menimbulkan berbedaan kategori yang signifikan.
Sehingga hal ini Nampak tidak adil, namun dengan munculnya himpunan fuzzy hal
ini dapat terselesaikan. dengan menggunakan himpunan fuzzy, seseorang dapat masuk ke
dua kategori secara bersamaan, misalnya seseorang yang berusia 35 tahun kurang 1 hari
dapat masuk kategori MUDA dan PAROBAYA sekaligus, tetapi dengan nilai keanggotaan
yang berbeda.

Gambar 4. Himpunan Fuzzy untuk variable umur 3 kategori

Sebagai contoh dapat ditulis :

seseorang yang berumur 40 tahun disebut sebagai
 Seseorang yang dapat termasuk dalam himpunan MUDA dengan µMUDA[40]=0,25
 Seseorang yang juga termasuk dalam himpunan PAROBAYA dengan
µPAROBAYA[50]=0,5.

‘13 Kendali Cerdas

9 Galang Hakim S.T .M.T
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Daftar Pustaka
[1] Z. Saputra, “Kendali Cerdas.” Module Pembelajaran kendali modern.2016
‘13 Kendali Cerdas
10 Galang Hakim S.T .M.T
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
[2] J.-S. R. Jang, C.-T. Sun, and E. Mizutani, Neuro-Fuzzy and Soft Computing A
Computational Approach to Learning and Machine Intelligence. Prentice Hall, 1997.
[3] R. Agus, Perancangan Chiller Aquarium Dengan Menggunakan Metode Fuzzy
Mamdani. Tugas Akhir. Universitas Mercu Buana.2019.
[4] https://en.wikipedia.org/wiki/Artificial_intelligence#General_intelligence
[5] https://en.wikipedia.org/wiki/Fuzzy_logic
[6] https://en.wikipedia.org/wiki/Artificial_neural_network
[7] Suyanto, Artificial Intelligence Searching Reasoning Planning Learning, Penerbit
Informatika.2007
[8] Sri Kusumadewi, Artificial Intelligence Teknik dan aplikasinya, Penerbit Graha
Ilmu .2003
[9] Jumail, Modul Perkuliahan Kendali Cerdas.Pusat Bahan Ajar dan E-Learning
Universitas Mercu Buana. 2019.
[10] Triyanto Pangaribowo, Modul Perkuliahan Kendali Cerdas.Pusat Bahan Ajar dan E-
Learning Universitas Mercu Buana. 2018.
[11] R. E. Bellman and L. A. Zadeh, “Decision-Making In A Fuzzy Environment Report No
ERL-69-8 National Aeronautics And Space Administration,” 1970.
[12] L. A. Zadeh, “The Concept of a Linguistic Variable and its Application to Approximate
Reasoning,” Inf. Sci. (Ny)., vol. 8, 1975.
[13] L. A. Zadeh, “Fuzzy Sets,” Inf. Control, vol. 8, pp. 338–353, 1965.
[14] E. Lotfi and M. R. Karimi, “OPEC Oil Price Prediction Using ANFIS,” J. Math. Comput. Sci., vol.
10, pp. 286–296, 2014.

[15] Muthmainnah and A. Mauludiyanto, “Optimasi Penempatan Lokasi Potensial Menara Baru,”
J. Tek. Its, vol. 4, no. 1, pp. 2–7, 2015.

[16] B. Daneshvar, R. Babek, and T. Eko, “Supplier selection using integrated fuzzy TOPSIS and
MCGP : a case study,” Procedia - Soc. Behav. Sci., vol. 116, pp. 3957–3970, 2014, doi:
10.1016/j.sbspro.2014.01.874.

[17] A. Yazdani-chamzini and S. H. Yakhchali, “Forecasting gold price changes by using adaptive
network fuzzy inference system,” J. Bus. Econ. Manag., vol. 13, no. 5, pp. 994–1010, 2012,
doi: 10.3846/16111699.2012.683808.

[18] S. B. Galang P. N. Hakim, Ahmad Firdausi, Mudrik Alaydrus, “Dynamic Traffic Light Timing
Control System using Fuzzy TOPSIS Algorithm,” in International Conference on Design,
Engineering and Computer Sciences (ICDECS 2018), 2018.

‘13 Kendali Cerdas

11 Galang Hakim S.T .M.T
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id