FUZZY INFERENCE

SYSTEMS
MATERI KULIAH (PERTEMUAN 11)

Logika Fuzzy
Jurusan Teknik Informatika
Samuel Wibisono
1

Mekanisme FIS
Fuzzy Inference Systems (FIS)
FUZZYFIKASI

DEFUZZY
OUTPUT

INPUT
RULES AGREGASI
(CRISP)

(CRISP)

Pokok Bahasan

Metode Mamdani
Metode Sugeno

Metode Mamdani

Metode Mamdani sering juga dikenal dengan

nama Metode Max-Min.
Menggunakan MIN pada fungsi implikasi,
dan MAX pada komposisi antar fungsi
implikasi.
Diperkenalkan oleh Ebrahim Mamdani pada
tahun 1975.

Langkah-langkah FIS: MAMDANI

Tentukan variabel-variabel & himpunan fuzzy;

Tentukan fungsi keanggotaan;
Lakukan implementasi fungsi implikasi;
Lakukan komposisi/agregasi aturan;
Lakukan proses penegasan (defuzzy)
Model Inferensi

FUNGSI IMPLIKASI

Bentuk umum:

IF (x1 is A1)(x2 is A2) (xN is AN)

THEN y is B

dengan adalah operator (misal: OR atau AND), x1,

x2, , xN adalah variabel-variabel input, y adalah
variabel output, A1, A2, , AN, B, adalah himpunanhimpunan fuzzy.

Ada 2 fungsi implikasi:

Min (minimum)
Dot (product)

1. MIN (Minimum)

Fungsi ini akan memotong output himpunan fuzzy

Aplikasi
Operator AND
NAIK

SEDANG

Aplikasi fungsi
implikasi Min

NORMAL

IF
IFPermintaan
Permintaan NAIK
NAIKAND
AND Persediaan
Persediaan SEDANG
SEDANG THEN
THEN Produksi
Produksi Barang
Barang NORMAL
NORMAL

2. DOT (Product)

Fungsi ini akan menskala output himpunan fuzzy

Aplikasi
Operator AND
NAIK

SEDANG

Aplikasi fungsi implikasi

Dot (Product)

NORMAL

IF
IFPermintaan
Permintaan NAIK
NAIKAND
AND Persediaan
Persediaan SEDANG
SEDANG THEN
THEN Produksi
Produksi Barang
Barang NORMAL
NORMAL

Metode Komposisi

Metode Max
Metode Additive
Metode Probabilistik OR (PROBOR)

10

1. Metode MAX (Maximum)

Solusi himpunan fuzzy diperoleh dengan cara mengambil nilai

maksimum aturan, kemudian menggunakannya untuk
memodifikasi daerah fuzzy, dan mengaplikasikannya ke output
dengan menggunakan operator OR (union).
Secara umum dapat dituliskan:
sf[xi] max( sf[xi], kf[xi])
dengan:
sf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
kf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i;

Apabila digunakan fungsi implikasi MIN, maka metode

komposisi ini sering disebut dengan nama MAX-MIN atau MINMAX atau MAMDANI.

11

Contoh:
Misalkan ada 3 aturan (proposisi) sebagai berikut:
[R1]
[R2]
[R3]

IF Biaya Produksi RENDAH And Permintaan NAIK

THEN Produksi Barang BERTAMBAH;
IF Biaya Produksi STANDAR
THEN Produksi Barang NORMAL;
IF Biaya Produksi TINGGI And Permintaan TURUN
THEN Produksi Barang BERKURANG;

12

1. Input fuzzy
rendah

naik

2. Aplikasi op. fuzzy

(and = min)
bertambah

3. Aplikasi metode implikasi (min)

IF biaya produksi RENDAH AND permintaan NAIK THEN produksi barang BERTAMBAH

standar

normal

Tak ada input

IF biaya produksi STANDAR

tinggi

THEN produksi barang NORMAL

turun

berkurang

IF biaya produksi TINGGI AND permintaan TURUN THEN produksi barang

BERKURANG

4. Aplikasi metode
komposisi (max)

13

2. Metode ADDITIVE

Solusi himpunan fuzzy diperoleh dengan cara melakukan

bounded-sum terhadap semua output daerah fuzzy.
Secara umum dituliskan:

sf[xi] min(1, sf[xi]+ kf[xi])

dengan:
sf[xi]

= nilai keanggotaan solusi fuzzy sampai

aturan ke-i;

kf[xi]

= nilai keanggotaan konsekuen fuzzy

aturan ke-i

14

3. Metode PROBABILISTIK OR
(PROBOR)

Solusi himpunan fuzzy diperoleh dengan cara melakukan

product terhadap semua output daerah fuzzy.
Secara umum dituliskan:

sf[xi] ( sf[xi]+ kf[xi]) - ( sf[xi] * kf[xi])

dengan:
sf[xi]

= nilai keanggotaan solusi fuzzy sampai

aturan ke-i;

kf[xi]

= nilai keanggotaan konsekuen fuzzy

aturan ke-i;

15

PENEGASAN (DEFUZZY)

Input dari proses defuzzifikasi adalah

suatu himpunan fuzzy yang diperoleh dari
komposisi aturan-aturan fuzzy.
Sedangkan output yang dihasilkan
merupakan suatu bilangan pada domain
himpunan fuzzy tersebut.
Jika diberikan suatu himpunan fuzzy
dalam range tertentu, maka harus dapat
diambil suatu nilai crsip tertentu sebagai
output

16

17

1. Metode CENTROID
Solusi crisp diperoleh dengan cara
mengambil titik pusat daerah fuzzy C.

z i * C (z i )

z i0
n
C (z i )
i 0

( z )dz

1
n

( z )dz

18

2. Metode BISEKTOR
Solusi crisp diperoleh dengan cara
mengambil nilai pada domain fuzzy yang
memiliki nilai keanggotaan separo dari
jumlah total nilai keanggotaan pada daerah
fuzzy C.
n

z p sdh

(z)dz C (z)dz
p

19

3. Metode MEAN OF MAXIMUM (MOM)

Solusi crisp diperoleh dengan cara
mengambil nilai rata-rata domain pada
himpunan C yang memiliki nilai
keanggotaan maksimum.

z = mean{zi | C(zi) = maksimum C}

20

4. Metode SMALLEST OF MAXIMUM

(SOM)
Solusi crisp diperoleh dengan cara
mengambil nilai terkecil dari domain pada
himpunan C yang memiliki nilai
keanggotaan maksimum.

z = min{abs(zi) | C(zi) = maksimum C}

21

5. Metode LARGEST OF MAXIMUM

(LOM)
Solusi crisp diperoleh dengan cara
mengambil nilai terbesar dari domain pada
himpunan C yang memiliki nilai
keanggotaan maksimum.

z = max{abs(zi) | C(zi) = maksimum C}

22

MIN
[x] A1
1

0
[x]
1

[y]
1

Var-1
A3

B3

C3 [z]
1

[z]
1

C3

Var-2

[z]
C1
1

[z]
1

Var-3
C2

Var-3

[z]
1
C2

Var-1

Var-3

Var-3

MAX
[z]
1

23

CONTOH

Suatu perusahaan soft drink akan memproduksi

minuman jenis X.

Pada 3 bulan terakhir biaya produksi untuk minuman

jenis tersebut rata-rata sekitar Rp 500,- per kemasan,
dan maksimum mencapai Rp 1000,- per kemasan.

Banyaknya permintaan per hari rata-rata mencapai

30000 kemasan dan maksimum hingga mencapai 60000
kemasan.

Sampai saat ini, perusahaan baru mampu memproduksi

barang maksimum 100000 kemasan per hari.

24

Apabila proses produksi perusahaan tersebut menggunakan 3 aturan

fuzzy sbb:
[R1] IF Biaya Produksi RENDAH And Permintaan NAIK
THEN Produksi Barang BERTAMBAH;
[R2] IF Biaya Produksi sesuai STANDAR
THEN Produksi Barang NORMAL;
[R3] IF Biaya Produksi TINGGI And Permintaan TURUN
THEN Produksi Barang BERKURANG;
Berapa jumlah minuman jenis X yang harus diproduksi, jika biaya
untuk memproduksi jenis minuman tersebut diperkirakan sejumlah Rp
800 per kemasan, dan permintaannya diperkirakan mencapai 25000
kemasan per hari.

25

1. Membuat himpunan dan input fuzzy

Ada 3 variabel fuzzy yang akan dimodelkan, yaitu:
Biaya produksi; terdiri-atas 3 himpunan fuzzy, yaitu:
RENDAH, STANDAR, dan TINGGI.
Permintaan barang; terdiri-atas 3 himpunan fuzzy,
yaitu: TURUN, BIASA, dan NAIK.
Produksi barang; terdiri-atas 3 himpunan fuzzy, yaitu:
BERKURANG, NORMAL, dan BERTAMBAH.

26

A. Variabel Biaya Produksi

RENDAH
[x]

STANDAR

TINGGI

1
0,68

0,32
0
0

250
500
750 800
biaya produksi (Rp)

1000

27

Jika biaya produksi sebesar Rp 800,- maka nilai

keanggotaan fuzzy pada tiap-tiap himpunan adalah:

Himpunan fuzzy RENDAH, BPRendah[800]= 0,0

Himpunan fuzzy STANDAR, BPStandar[800]=0,32

diperoleh dari:

(800;500,500) = S(800;500,750,1000)
= 2[(1000-800)/(1000-500)]2
= 0,32

Himpunan fuzzy TINGGI, BPTinggi[800]=0,68

diperoleh dari:
S(800;500,750,1000)= 1 S(800;500,750,1000)
= 1 2[(1000-800)/(1000-500)]2
= 0,68

28

B. Variabel Permintaan
TURUN

BIASA

NAIK

1
[x]

0,25
0
0

10
25 30 35 50 60
permintaan (x1000 kemasan per hari)

29

Jika permintaan sebanyak 25000 kemasan per hari,

maka nilai keanggotaan fuzzy pada tiap-tiap himpunan
adalah:

Himpunan fuzzy TURUN, PmtTurun[25]=0,25

diperoleh dari:
= (30-25)/(30-10)
= 5/20
= 0,25
Himpunan fuzzy BIASA, PmtBiasa[25]=0
Himpunan fuzzy NAIK, PmtNaik[25]=0

30

C. Variabel Produksi Barang

BERKURANG

NORMAL

BERTAMBAH

1
Derajat
keanggotaan
[x]

0
0
10
30
50
70
90
100
produksi barang (x1000 kemasan per hari)

31

Nilai keanggotaan fuzzy pada tiap-tiap himpunan dirumuskan:

Himpunan fuzzy BERKURANG:
z 10
1;

PBBerkurang [z] (50 z ) / 40; 10 z 50

0;
z 50

Himpunan fuzzy NORMAL:

( z 30) atau ( z 70)
0;

PBNormal [z] ( z 30) / 20; 30 z 50

(70 z ) / 20; 50 z 70

Himpunan fuzzy BERTAMBAH:

z 50
0;

PBBertambah [z] (z 50) / 40; 50 z 90

1;
z 90

32

2. Aplikasi operator fuzzy

A. Aturan ke-1:

[R1] IF Biaya Produksi RENDAH And Permintaan NAIK

THEN Produksi Barang BERTAMBAH;
Operator yang digunakan adalah AND, sehingga:

= PredikatR1
= min(BPRendah[800],PmtNaik[25])
= min(0;0)
=0

33

B. Aturan ke-2:

[R2] IF Biaya Produksi STANDAR

THEN Produksi Barang NORMAL;
Tidak menggunakan operator, sehingga:
= PredikatR2
= BPStandar[800]
= 0,32

34

C. Aturan ke-3:

[R3] IF Biaya Produksi TINGGI And Permintaan TURUN

THEN Produksi Barang BERKURANG;
Operator

=
=
=
=

yang digunakan adalah AND, sehingga:

PredikatR3
min(BPTinggi[800],PmtTurun[25])
min(0,68; 0,25)
0,25

35

3. Aplikasi fungsi implikasi

A. Aturan ke-1:
Tidak ada daerah hasil implikasi (KFR1 = 0).

36

B. Aturan ke-2:
Pada saat PBNormal[z]= 0,32 nilai z dapat ditentukan sbb:

atau

0,32
0,05z

= (z-30)/20
= 1,82
= 36,4

0,32
0,05z

= (70-z)/20
= 3,18
= 63,6

Sehingga:

(z 30) atau ( z 70)

0;

(z 30) / 20; 30 z 36,4

KFR2
36,4 z 63,6
0,32
(70 z ) / 20; 63,6 z 70

37

C. Aturan ke-3:
Pada saat PBBerkurang[z]= 0,25 nilai z dapat ditentukan sbb:
0,25 = (50-z)/40
0,025z = 1,00

z = 40
Sehingga:

KFR3

z 40
0,25;

(50 z ) / 40; 40 z 50
0;
z 50

38

3. Komposisi semua output

Untuk melakukan komposisi semua output fuzzy dilakukan dengan
menggunakan metode MAX.
Titik potong antara aturan-2 dan aturan-3 terjadi saat PBNormal[z]=
PBBerkurang[z] = (0,25), yaitu:
0,25 = 0,05z 1,5
0,05z = 1,75

z = 35
Sehingga:

z 35
0,25;

(z 30) / 20; 35 z 36,4

SF 0,32;
36,4 z 63,6
(70 z ) / 20; 63,6 z 70

0;
z 70

39

4. Penegasan (Defuzzy)

Defuzzy dilakukan dengan menggunakan

metode Centroid.
Untuk menentukan nilai crisp z, dilakukan
dengan membagi daerah menjadi 4 bagian
(D1, D2, D3, dan D4) dengan luas masingmasing: A1, A2, A3, dan A4. Momen terhadap
nilai keanggotaan masing-masing adalah:
M1, M2, M3 dan M4.
40

D2
D1

D3
D4

41

Menghitung Momen:
35

M1

(0,25)z dz 0,125z

36,4

36,4

(0,05z 1,5)z dz

M2

35

63,6

M3

70

153,125
36,4

(0,05z 2 1,5z ) dz 0,0167z 3 0,75z 2

35

(0,32)z dz 0,16z

36,4

M4

35

35

63,6
36,4

70

435,2

(0,05z 3,5)z dz (0,05z

63,6

14,43418

63,6

70
2

3,5z ) dz 0,0167z 3 1,75z 2

64,45292
63,6

42

Menghitung Luas:
A1 = 35*0,25 = 8,75
A2 = (0,25+0,32)*(36,4-35)/2 = 0,399
A3 = (63,6-36,4)*0,32 = 8,704
A4 = (70-63,6)*0,32/2 = 1,024
Menghitung titik pusat (terhadap z):
153,125 14,43418 435,2 64,45292
z
35,345
8,75 0,399 8,704 1,024

Jadi jumlah minuman yang harus diproduksi

tiap harinya sebanyak 35345 kemasan.
43

METODE SUGENO (TSK)

Penalaran dengan metode SUGENO hampir sama

dengan penalaran MAMDANI, hanya saja output
(konsekuen) sistem tidak berupa himpunan fuzzy,
melainkan berupa konstanta atau persamaan linear.
Metode ini diperkenalkan oleh Takagi-Sugeno Kang
pada tahun 1985.

44

Model Fuzzy Sugeno Orde-Nol

Secara umum bentuk model fuzzy SUGENO Orde-Nol
adalah:
IF (x1 is A1)(x2 is A2) (xN is AN)
THEN z=k
dengan Ai adalah himpunan fuzzy ke-i sebagai
anteseden, dan k adalah suatu konstanta (tegas)
sebagai konsekuen.

45

Model Fuzzy Sugeno Orde-Satu

Secara umum bentuk model fuzzy SUGENO Orde-Satu
adalah:
IF (x1 is A1) (xN is AN)
THEN z = p1*x1 + + pN*xN + q
dengan Ai adalah himpunan fuzzy ke-i sebagai
anteseden, dan pi adalah suatu konstanta (tegas) ke-i
dan q juga merupakan konstanta dalam konsekuen.

46

CONTOH

Suatu perusahaan makanan kaleng setiap harinya rata-rata

menerima permintaan sekitar 55000 kaleng, dan dalam 3
bulan terakhir permintaan tertinggi sebesar 75000 kaleng.
Makanan kaleng yang masih tersedia di gudang, setiap
harinya rata-rata 7000 kaleng, sedangkan kapasitas gudang
maksimum hanya dapat menampung 13000 kaleng.
Apabila sistem produksinya menggunakan aturan fuzzy
sebagai berikut:

47

[R1] IF permintaan TURUN And persediaan BANYAK

THEN produksi barang = 10000;
[R2] IF permintaan NAIK And persediaan SEDIKIT
THEN produksibarang =1,25*permintaan- persediaan;
[R3] IF permintaan NAIK And persediaan BANYAK
THEN produksi barang = permintaan - persediaan;

Tentukanlah berapa jumlah barang yang harus

diproduksi hari ini, jika permintaan sebanyak 60000
kaleng, dan persediaan yang masih ada di gudang
sebanyak 8000 kaleng.

48

1. Membuat himpunan dan input fuzzy

Ada 3 variabel fuzzy yang akan dimodelkan, yaitu:
a. Permintaan; terdiri-atas 2 himpunan fuzzy,
yaitu: NAIK dan TURUN.
b. Persediaan; terdiri-atas 2 himpunan fuzzy,
yaitu: BANYAK dan SEDIKIT.
c. Produksi Barang

49

A. Variabel Permintaan
TURUN

NAIK

1
[x]

0,5
0,08
0

0
45
60
75
permintaan per hari (x1000 kaleng)

50

Jika Permintaan 60000 maka nilai

keanggotaan fuzzy pada tiap-tiap himpunan
adalah:

Himpunan fuzzy TURUN, PmtTurun[60] = 0,08.

Himpunan fuzzy NAIK, PmtNaik[60] = 0,5.

diperoleh dari:
= 2[(60-75)/(75-45)]2
= 0,5

51

B. Variabel Persediaan
SEDIKIT

BANYAK

1
[x]

0,5
0,25
0

2
5
8
10 11
13
persediaan (x1000 kemasan per hari)

52

Jika Persediaan sebanyak 8000 kemasan per

hari, maka nilai keanggotaan fuzzy pada tiaptiap himpunan adalah:

Himpunan fuzzy SEDIKIT, PsdSedikit[8] = 0,25.

diperoleh dari:
= (10-8)/(10-2)
= 0,25

Himpunan fuzzy BANYAK, PsdBanyak[8] = 0,5.

diperoleh dari:
= (10-5)/(11-5)
= 0,5

53

2. Aplikasi operator fuzzy

A. Aturan ke-1:

[R1] IF Permintaan TURUN And Persediaan BANYAK

THEN Produksi Barang = 10;
Operator yang digunakan adalah AND, sehingga:
= PredikatR1
= min(PmtTurun[60],PsdBanyak[8])
= min(0,08;0,5)
= 0,08
Produksi barang = 10

54

B. Aturan ke-2:

[R2] IF Permintaan NAIK And Persediaan SEDIKIT

THEN Produksi Barang = 1,25*Permintaan - Persediaan;
Operator yang digunakan adalah AND, sehingga:
= PredikatR2
= min(PmtNaik[60],PsdSedikit[8])
= min(0,5;0,25)
= 0,25
Produksi barang = 1,25*60 8 = 67

55

C. Aturan ke-3:

[R3] IF Permintaan NAIK And Persediaan BANYAK

THEN Produksi Barang = Permintaan - Persediaan;
Operator yang digunakan adalah AND, sehingga:

=
=
=
=

PredikatR3
min(PmtNaik[60],PsdBanyak[8])
min(0,5;0,5)
0,5

Produksi barang = 60 8 = 52

56

3. Penegasan (Defuzzy)

0,08 * 10 0,25 * 67 0,5 * 52

z
52,5
0,08 0,25 0,5

Jadi produksi barang = 52500 kaleng

57