1

Bab 1
PENGERTIAN FUZZY

1.1 Definisi fuzzy

Fuzzy berarti kabur, tidak jelas, samar-samar, pengartian tersebut diterjemahkan
secara harfiah(menurut kamus) tanpa menelaah lebih dalam menurut konteksnya.
Dalam artikel ini terminologi fuzzy dibahas dalam skema/konteks bidang
engineering yang populer juga disebut sebagai fuzzy logic. Dalam bahasa awam,
fuzzy logic dapat dianggap sebagai rekayasa untuk menterjemahkan bahasa
linguistik menjadi bahasa numerik dan/atau sebaliknya.
Bahasa linguistik adalah bahasa yang dinyatakan dengan kosa kata yang
digunakan manusia sehari-hari, misalnya panas, dingin, terang, gelap, cepat, lambat
dan sebagainya. Bahasa numerik adalah bahasa yang dinyatakan dengan angka,
misalnya 0, 1, 2 dan seterusnya. Manusia menggunakan bahasa linguistik,
sedangkan mesin(baca : komputer) menggunakan bahasa numerik. Bahasa
linguistik bersifat relatif, contohnya : definisi “panas” menurut ukuran mesin mobil
akan berbeda dengan “panas” menurut ukuran mesin jet, demikian juga definisi
dingin menurut si A yang tinggal di kutub utara akan berbeda(ada selisih) dengan si
B yang tinggal di padang pasir afrika. Bahasa numerik bersifat unik, contohnya 4
desimal sama dengan 0100 biner, 100 desimal sama dengan 64 heksadesimal.
Besaran angka X yang dipahami oleh komputer merk M akan bernilai sama dengan
yang dipahami oleh komputer merk R meskipun beda vendor dan beda platform.
Perbedaan karakter antara bahasa linguistik dibanding bahasa numerik tersebut
yang menjadi motivasi munculnya teori fuzzy logic.

1.2 Matematika dasar

Matematika mutlak digunakan pada bidang engineering, termasuk pada
Implementasi fuzzy logic. Pada bab mendatang, akan muncul istilah yang disebut
sebagai membership function(MF) atau fungsi keanggotaan. Membership function
adalah garis panduan yang menunjukkan seberapa kuat/penting suatu nilai input x

Deskripsi dan narasi fuzzy logic dasar putut.son@gmail.com

 2

masuk dalam kelompok tertentu. Secara teknis, MF adalah berupa persamaan yang
biasanya identik dengan y(x), dimana sebagai variabel inputnya adalah x. Jadi jika
ada masukan x, maka nilai y dapat dihitung besarannya.
Terdapat beberapa jenis MF diantaranya yang sering digunakan adalah :
triangular, gaussian, trapezoidal dan sebagainya. Dalam pembahasan berikutnya
hanya akan dibahas MF triangular.

1.3 Persamaan garis lurus gradien positif

Membership function yang relatif mudah komputasinya adalah berupa garis
lurus, dalam implementasinya dimanifestasikan dalam bentuk triangular(segitiga).
Sebuah segitiga dapat disusun dari 2 garis lurus miring(beda gradien) dan 1 garis
dasar. Adalah penting untuk memahami bagaimana cara memodelkan(membuat
persamaan garis) MF, karena pada saat tahap implementasi pada bab berikutnya
hasil pemodelan MF tersebut akan digunakan sebagai bagian dari script program.
Misalnya diketahui sumbu kartesian dengan garis lurus seperti gambar 1.1.
persamaan garis secara umum dituliskan menurut rumus :

= (1.1)

Gambar 1.1 Sumbu kartesian

Deskripsi dan narasi fuzzy logic dasar putut.son@gmail.com

 3

Untuk semua garis G, G1 dan G2, asumsikan bahwa a(titik dengan indek 1) dan
b(titik dengan indek 2), maka persamaan garis G1 adalah :
−0 − (−4)
=
4−0 0 − (−4)

+4
=
4 4

Persamaan garis G1 : = +4 (1.2)

Dengan cara menghitung yang sama seperti garis G1, maka persamaan garis G
dan G2 adalah :

Persamaan garis G : = (1.3)

Persamaan garis G2 : = −3 (1.4)

Perhatikan bahwa garis G1 ekivalen dengan garis G yang digeser ke “atas”

sebanyak 4 langkah dan garis G2 ekivalen dengan garis G yang digeser ke “bawah”
sebanyak 3 langkah. Pada persamaan garis G, G1 dan G2 nilai koefisien x bernilai
1 positif(setara dengan tangent 45 o), artinya bahwa garis G, G1 dan G2 memiliki
kemiringan yang sama. Cara lain untuk menghitung persamaan garis adalah
dengan persamaan (1.5) berikut :
= + (1.5)
∆
Dimana m : gradien ( = ∆ ) dan c : pergeseran menurut sumbu y.

Deskripsi dan narasi fuzzy logic dasar putut.son@gmail.com

 4

Gambar 1.2. Gradien positif identik dengan garis miring kanan

1.4 Persamaan garis lurus gradien negatif

Pada gambar 1.3 adalah garis miring kiri, menggunakan rumus pada persamaan
(1.5) maka persamaan garis G3 adalah :
- Premis 1  m = 4/2 = 2, miring ke kiri berarti minus
- Premis 2  Garis G3 berjarak 4 satuan ke atas(jarak titik b terhadap y = 0).

= −2 − 2

Gambar 1.3. Gradien negatif

Deskripsi dan narasi fuzzy logic dasar putut.son@gmail.com

 5

Persamaan garis G3 : = −2 + 4 (1.6)

1.5 Contoh perhitungan membership degree dan membership function

Membership degree(MD) dapat dihitung jika membership function(MF) diketahui

dan variabel inputnya diketahui. MF biasanya dirancang(bebas ditentukan sendiri)
secara intuitif(berdasarkan pengalaman atau hipotesa tertentu) tetapi tidak boleh
sembarangan. Misalnya diketahui tiga membership function seperti gambar 1.4.,
maka deskripsi secara bahasa linguistiknya dapat dituliskan sebagai berikut :
- DINGIN : suhu < 22.5
- SEJUK : rentang suhu antara 20 sampai 25
- PANAS : suhu > 22.5

Sayangnya deskripsi bahasa linguistik di atas belum cukup detail untuk

diimplementasikan pada sistem aktual(misalnya pada kontrol komputer). Jadi agar
komputer dapat mengerti transformasi bahasa linguistiknya, maka harus dimodelkan
lebih rinci menggunakan persamaan matematik seperti tabel 1.1.

Tabel 1.1 Pemodelan matematik

Suhu(o Celc)* Derajat keanggotaan(sumbu y)
< 15 DINGIN : 1
SEJUK : 0
PANAS : 0
15 <= suhu <= 20 DINGIN : garis miring kiri
m = -(1/22.5-15) = -(7.5)
y = - (1/7.5)*x + c  garis memotong di titik (22.5 , 0) 
substitusi ke persamaan menjadi 0 = -(1/7.5)*22.5 + c  0 = -3
+ c  maka c = 3
yDINGIN = -(1/7.5)*suhu + 3

Deskripsi dan narasi fuzzy logic dasar putut.son@gmail.com

 6

SEJUK : 0
PANAS : 0
20 <= suhu < 22.5 DINGIN : garis miring kiri (garis yang sama dengan di atas
yDINGIN = 1(1/7.5)*suhu + 3;
SEJUK : garis miring kanan
m = (1/2.5)
y = (1/2.5)*suhu + c  garis melewati titik (20 , 0)  substitusi
ke persamaan 0 = (1/2.5)*20 + c  maka c = -8
ySEJUK = (1/2.5)*suhu - 8
PANAS : 0
22.5 <= suhu < 25 DINGIN : 0
SEJUK : garis miring kiri
y = -(1/2.5)*suhu + c  garis melewati titik (25 , 0)  substitusi
ke persamaan 0 = -(1/2.5)*25 + c  maka c = 10
ySEJUK = -(1/2.5)*suhu +10
PANAS : garis miring kanan
y = (1/(30-22.5))*suhu + c  garis melewati titik (30 , 1) 
substitusi ke persamaan 1 = (1/7.5)*30 + c  maka c =
yPANAS = (1/7.5)*suhu -3
>= 25 DINGIN : 0
SEJUK : 0
PANAS : yPANAS = (1/7.5)*suhu -3
*besaran suhu identik dengan sumbu x

Pemodelan seperti pada tabel 1.1 telah mencukupi untuk dapat digunakan pada
tahap implementasi(penulisan program kontrol) karena batas-batas antar MF telah
jelas dalam bentuk numerik. Langkah berikutnya adalah validasi yaitu pengujian
terhadap model matematik yang telah ditulis di atas dengan cara memasukkan
besaran suhu pada MF yang ada. Validasi sekaligus akan mengukur apakah
persamaan tersebut rasional atau tidak.

Deskripsi dan narasi fuzzy logic dasar putut.son@gmail.com

 7

Gambar 1.4. Fungsi keanggotaan DINGIN, SEJUK, PANAS

Contoh 1 :
Misalnya diketahui suhu sekarang = 24.5, maka suhu 24.5 memiliki 2 nilai keanggotaan
yaitu SEJUK dan PANAS. Berdasarkan tabel 1.1, maka suhu 24.5 masuk dalam
rentang 22.5 <= suhu < 25 dan derajat keanggotaan untuk masing-masing MF adalah :
DINGIN : 0
SEJUK : garis miring kiri (ySEJUK = -(1/2.5)*24.5 +10)  µSEJUK = 0.2
PANAS : garis miring kanan (yPANAS = (1/7.5)*24.5 -3)  µPANAS = 0.267

Jadi menurut MF pada gambar 1.4, maka suhu 24.5 termasuk lebih cenderung ke
PANAS.

Contoh 2 :
Misalnya diketahui suhu sekarang = 17, maka MD untuk 17 adalah
DINGIN : garis miring kiri (yDINGIN = -(1/7.5)*17 + 3)   µDINGIN = 0.73

SEJUK : 0
PANAS : 0
Jadi suhu 17 termasuk kategori DINGIN.

Deskripsi dan narasi fuzzy logic dasar putut.son@gmail.com