Fuzzy Logic

Logika yang memiliki nilai kebenaran dari 0 hingga 1

TEORI DASAR LOGIKA FUZZY

1. Variabel Fuzzy
» Variabel yang akan dibahas dalam suatu sistem fuzzy.
» Contoh: umur, kecepatan, suhu, tinggi badan, penghasilan, dll
2. Himpunan Fuzzy
- Kelompok yang mewakili suatu keadaan tertentu dalam variabel fuzzy.
- Atribut himpunan fuzzy:
a. Linguistik, yaitu nama suatu kelompok yang mewakili keadaan tertentu dengan
menggunakan bahasa alami (natural). Contoh: suhu panas, sedang, dingin: tinggi
badan pendek, sedang, tinggi: dll
b. Numerik, yaitu ukuran nilai variabel dalam bentuk angka numerik, contoh: 10, 30 ,
50 dll
Nilai kebenaran

Nilai yang menyatakan kecendrungan terhadap sekelompok nilai

Nilai kebenaran = Nilai keanggotaan (Derajat keanggotaan)

Fungsi Keanggotaan

Fungsi Matematika untuk menentukan nilai keanggotaan

FUNGSI LINIER TURUN
FUNGSI LINIER NAIK
FUNGSI SEGITIGA

FUNGSI TRAPESIUM
 Variabel Linguistik = sumbu x
muda paruh baya dan tua = nilai linguistik

CONTOH SOAL (1):

1. Dalam suatu negara memiliki pendapatan GDP (Gross Domestic Product) yang terdiri dari
range berikut: - Rendah GDP < 3 – Cukup 3 <= GDP <= 5 – Tinggi GDP > 5. Sebagai acuan
range tsb, dikontrol pada nilai titik 3.5
a. Gambarkan Membership Function?
b. Tuliskan Perhitungan dari Membership Function tsb?..
1. Buatlah grafik fungsi keanggotaan fuzzy untuk memetakan berat badan seseorang
berdasarkan nilai body mass index (bmi) menjadi himpunan fuzzy (“UNDERWEIGHT”,
“NORMAL”, “OVERWEIGHT”, “OBESITY”). Silahkan cari literature untuk mengetahui rentang
nilai BMI.
2. Buatlah grafik fungsi keanggotaan fuzzy untuk memetakan nilai IPK lulusan mahasiswa
menjadi himpunan fuzzy (“TINGGI”, “SEDANG”, “RENDAH”). Rentang nilai boleh Anda
tentukan sendiri.
3. Sebuah kamera cerdas dipasang di jalan tol untuk mengamati kondisi lalu lintas. Kamera
dapat menghitung jumlah kendaraan pada jalan tol dua jalur sepanjang 40 meter.
Buatlah grafik fungsi keanggotaan fuzzy untuk kendaraan menjadi himpunan fuzzy
{“MACET”, “SEDANG”, “LANCAR”}
 TENTANG FUZZY LOGIC

Fuzzy Logic / Logika Fuzzy

Suatu metode yang tepat digunakan untuk
sistem jika variabel yang menyertai data
input berupa ambigous.
TENTANG FUZZY LOGIC
Konsep Fuzzy Logic diperkenalkan oleh
Prof. Lotfi Zadeh dari Universitas California
di Berkeley pada 1965
TENTANG FUZZY LOGIC
 Jika diterjemahkan, “fuzzy” artinya tidak
jelas/buram, tidak pasti.
 Himpunan fuzzy adalah cabang dari
matematika yang tertua, yang mempelajari
proses bilangan random: teori probabilitas,
statistik matematik, teori informasi dan lainnya.
 Penyelesaian masalah dengan himpunan fuzzy
lebih mudah dari pada dengan mengunakan
teori probabilitas (konsep pengukuran).
TENTANG FUZZY LOGIC
Alasan Menggunakan Fuzzy Logic:
1. Konsep fuzzy logic mudah dimengerti
2. Fuzzy logic sangat fleksibel
3. Fuzzy logic memiliki toleransi terhadap data
yang kurang tepat
4. Fuzzy logic mampu memodelkan fungsi
nonlinier yang kompleks
TENTANG FUZZY LOGIC
Cabang Fuzzy Logic:
1. Fuzzy rule Based Systems
2. Fuzzy Nonliner Simulations
3. Fuzzy Decision Making
4. Fuzzy Classification
5. Fuzzy Pattern Recognition
6. Fuzzy Control Systems
BEBERAPA KARYA ILMIAH
DENGAN PEMANFAATAN FUZZY
LOGIC:
 Pemanfaatan Fuzzy Logic sebagai Analisa
Laporan Keuangan Perusahaan.
 Penentuan kenaikan Gaji Karyawan
berbasis Fuzzy Logic Database.
 Mengukur tingkat kemampuan siswa
dalam memahami materi pembelajaran
dengan menggunakan Fuzzy Logic.
 Pemanfaatan Fuzzy Logic untuk Analisa
Hubungan Korelasi antara Tingkat Kinerja
Karyawan dengan Hasil Produksi.
 Diagnosis penyakit Autism Spectrum berbasis
Fuzzy Logic.
HIMPUNAN FUZZY
Pada himpunan tegas (crisp), nilai keanggotaan
suatu item x dalam suatu himpunan A, memiliki
2 (dua) kemungkinan yaitu:
1. Satu (1), yang berarti bahwa suatu item
menjadi anggota dalam suatu himpunan.
2. Nol (0), yang berarti bahwa suatu item
tidak menjadi anggota dalam suatu
himpunan.
CONTOH KASUS
MUDA umur < 35 tahun
PAROBAYA 35 <= umur <= 55
tahun TUA umur > 55 tahun
MEMBERSHIP FUNCTION
MUDA umur < 35 tahun
PAROBAYA 35 <= umur <= 55
tahun TUA umur > 55 tahun
CONTOH SOAL (1):
Dalam suatu negara memiliki pendapatan GDP
(Gross Domestic Product) yang terdiri dari
range berikut:
- Rendah GDP < 3
- Cukup 3 <= GDP <= 5
- Tinggi GDP > 5
Sebagai acuan range tsb, dikontrol pada
nilai titik 3.5
1. Gambarkan Membership Function?..
2. Tuliskan Perhitungan dari Membership
Function tsb?..
CONTOH SOAL (2):
Jawaban No. 1 & 2 (Membership Function)
CONTOH SOAL (1):
3. Tentukan Nilai Fire Strength dengan data
sebagai berikut:

Tahun Nilai GDP (%)

2005 3.34
2006 3.95
2007 4.95
CONTOH SOAL (2):
Jawab No. 3 (Penentuan Keputusan berdasarkan Fire Strengt)

Tahun Nilai GDP (%) Rendah Cukup Tinggi

2005 3.34 0.32 0.68 0

2006 3.95 0 0.7 0.3
2007 4.95 0 0.033 0.966

🞇 Catatan:
1. Ambil 3 angka di belakang koma, tanpa
pembulatan
2. Warna merah menandakan hasil output yang
berupa rekomendasi keputusan
LATIHAN SOAL:
Dalam suatu negara memiliki nilai INFLASI yang terdiri
dari range berikut:
 Rendah GDP < 7
 Sedang 7 <= GDP <= 12
 Tinggi GDP > 12
Sebagai acuan range tersebut dikontrol pada nilai
titik 10.
1. Gambarkan Membership Function
2. Tuliskan Perhitungan dari Membership Function
FIRE STRENGTH
Bulan Nilai Inflasi Rendah Sedang Tinggi
Januari 2006 16.03 %
Februari 2006 16.92 %
Maret 2006 15.74 %
April 2006 15.4 %
Mei 2006 15.6 %
Juni 2006 15.53 %
Juli 2006 15.15 %
Agustus 2006 14.9 %
September 2006 14.55 %
Oktober 2006 6.29 %
November 2006 5.27 %
Desember 2006 6.6 %
CONTOH SOAL (2):
Sebuah pabrik memproduksi sepatu setiap hari. Permintaan sepatu dari
distributor tidak tentu, kadang naik dan kadang turun. Permintaan
tertinggi pernah mencapai 5000 pasang/hari, dan permintaan terkecil
1000 pasang/hari. Persediaan sepatu di gudang juga bervariasi. Paling
banyak mencapai 600 pasang/hari, dan sedikitnya mencapai 100
pasang/hari.
1. Gambarkan fungsi keanggotaan yang cocok untuk
permintaan dan persediaan sepatu.
2. Hitung fire strenght jika permintaan sepatu 4000 pasang sepatu.
3. Hitung fire strenght jika persediaan di gudang 400 pasang sepatu.
JAWAB:
• Variabel fuzzy: Permintaan dan Persediaan
• Permintaan ada 2 himpunan fuzzy: NAIK dan TURUN
JAWAB:
• Persediaan ada 2 himpunan fuzzy: BANYAK dan SEDIKIT
JAWAB:
1. Jika permintaan = 4000 pasang sepatu, maka:
5000 − 4000
Turun (4000) =
µ 4000 = 0,25

4000−1000
Naik (4000) =
µ 4000 = 0,75

Jadi Permintaan 4000 pasang sepatu termasuk

dalam kategori Permintaan Naik
JAWAB:
2. Jika persediaan = 400 pasang sepatu, maka:
600 − 400
Sedikit (400) =
µ 500 = 0,4

400−100
Banyak (400) =
µ 500 = 0,6

Jadi Persediaan 400 pasang sepatu termasuk dalam

kategori Persediaan Banyak
 FUNGSI KEANGGOTAAN HIMPUNAN FUZZY
(MEMBERSHIP FUNCTION)

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

1.0 1.0

 

0 a b a b
0
Domain Domain

Linier Naik Linier Turun

(x) = 0; x  a
(x-a)/(b-a); a  x  b (x) = (b-x)/(b-a); a  x  b
1; x  b 0; x  b
FUNGSI KEANGGOTAAN: SEGITIGA

1.0

0 a b c
Segitiga

(x) = 0; x  a atau x  c
(x-a)/(b-a); a  x  b
(c-x)/(c-b); b  x  c
FUNGSI KEANGGOTAAN: TRAPESIUM

1.0

0 a b c d
Trapesium

(x) = 0; x  a atau x  d
(x-a)/(b-a); a  x  b
1; b  x  c
(d-x)/(d-c); c  x  d
FUNGSI KEANGGOTAAN: SIGMOID

1.0

0 a b c
Sigmoid

(x;a,b,c)sigmoid = 0; x  a
2 ((x - a)/(c - a))2; a  x  b
1 - 2((c - x)/(c - a))2; b  x  c
1; x  c
FUNGSI KEANGGOTAAN: PHI

1.0

c-b
0 c-b /2 c c+b/2 c+b

Phi

[x;a,b,c]phi = [x;c-b,c-b/2,c]sigmoid; x  c
[x;c,c+b/2,c+b]sigmoid; x > c
OPERASI LOGIKA (OPERASI HIMPUNAN 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 :
1. OR (Union)
2. AND (Intersection)
3. NOT (Complement)

<Intelligence System>
OR (Union)
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}

29
 OR (UNION)

Misal: Nilai keanggotaan umur 27 pada himpunan MUDA adalah

MUDA(27) = 0,6
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
AND (INTERSECTION)

Fuzzy intersection (): irisan dari 2 himpunan fuzzy

adalah minimum dari tiap pasang elemen pada kedua
himpunan.
Contoh:
• A = {1.0, 0.20, 0.75}
• B = {0.2, 0.45, 0.50}

• A  B = {MIN(1.0, 0.2), MIN(0.20, 0.45), MIN(0.75, 0.50)}

= {0.2, 0.20, 0.50}
AND (INTERSECTION)

Misal: Nilai keanggotaan umur 27 pada himpunan MUDA

adalah MUDA(27) = 0,6
Nilai keanggotaan 2 juta pada himpunan penghasilan
TINGGI adalah GAJITINGGI(2juta) = 0,8

Maka  -predikat untuk usia MUDA atau

berpenghasilan TINGGI adalah nilai keanggotaan
minimum :
MUDA  GAJITINGGI
= min[MUDA(27), GAJITINGGI(2juta)]
= min [0,6 ; 0,8]
= 0,6
NOT (COMPLEMENT)

Komplemen dari variabel fuzzy dengan derajat

keanggotaan x adalah (1-x).
Komplemen ( _c): komplemen dari himpunan fuzzy
terdisi dari semua komplemen elemen.
Contoh:
• A = {1.0, 0.20, 0.75}
• B = {0.2, 0.45, 0.50}

• Ac = {1 – 1.0, 1 – 0.2, 1 – 0.75} = {0.0, 0.8, 0.25}

33
NOT (COMPLEMENT)

Misal: Nilai keanggotaan umur 27 pada himpunan MUDA adalah

MUDA(27) = 0,6
Nilai keanggotaan 2 juta pada himpunan
penghasilan TINGGI adalah GAJITINGGI(2juta)
= 0,8
Maka  -predikat untuk usia TIDAK MUDA adalah:
MUDA’(27) = 1 – MUDA(27)
= 1 - 0,6
= 0,4
Maka  -predikat untuk usia TIDAK BERGAJI TINGGI adalah:
GAJITINGGI’(2juta) = 1 – GAJITINGGI(2juta)
= 1 – 0,8
= 0,2

4
CONTOH
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 IPtinggi dan LulusCepat:
AND
A  B (x) = min [A(x), B (x)]
Iptinggi  LulusCepat = min [Iptinggi(3.2), LulusCepat(8)]
= min [0.7,0.8]
= 0.7
OR
A  B (x) = max [A(x), B (x)]
Iptinggi  LulusCepat = max [Iptinggi(3.2), LulusCepat(8)]
= max [0.7,0.8]
= 0.8
NOT (Complement)
A’(x)= 1 - A(x) B’(x)= 1 - B(x)
IPtinggi‘ = 1 - Iptinggi(3.2) LulusCepat‘ = 1 - LulusCepat (8)
= 1 - 0.7 = 1 – 0.8
= 0.3 = 0.2
 1 1

A B

1 1 1

AB AB A’
AB
AB
A’
 Sistem
Infrerensi
Fuzzy

Metode Metode Metode

Mamdani Tsukamoto Sugeno