Himpunan Fuzzy

Variabel Fuzzy
Membership
Function

Variabel dalam suatu sistem fuzzy. Contoh : berat badan, tinggi badan, dsb
Himpunan Fuzzy (Fuzzy set)
Himpunan fuzzy yang mewakili suatu kondisi pada suatu variabel fuzzy.
Contoh :
Variabel suhu terbagi menjadi 3 himpunan fuzzy, yaitu : panas, hangat,
dingin.
Variabel nilai terbagi menjadi : tinggi, sedang, rendah
Himpunan fuzzy memiliki 2 atribut, yaitu :
- Linguistik, yaitu penamaan suatu group yang mewakili suatu kondisi,
misalnya
panas, hangat, dingin
- Numeris, yaitu ukuran dari suatu variabel seperti : 17,19, 21, 33, dst
Himpunan Semesta
keseluruhan nilai yang boleh dioperasikan dalam suatu variabel fuzzy.
Contoh:
Semesta untuk variabel berat badan : [1, 150]
Semesta untuk variabel suhu : [0,100].
Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam
Semesta dan boleh
dioperasikan
dalam suatu
himpunan fuzzy.
= [0,60]
DINGIN
Contoh : HANGAT = [50,80]
PANAS

= [80, +)

HIMPUNAN FUZZY
Variabel temperatur, terbagi menjadi 5 himpunan
fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan
PANAS.

SEMESTA????
DOMAIN????

Fuzzy Set
Contoh:
Misalkan, x = {5, 10, 20, 30, 40, 50, 60, 70,
80} adalah crisp set Usia dalam satuan tahun.
Balita, Dewasa, Muda, dan Tua adalah empat
fuzzy set yang merupakan subset dari x.

Fuzzy Set
Pada tabel tersebut terdapat 4 buah fuzzy
set dengan anggota dan derajat
keanggotaannya sebagai berikut:
Balita = {}
Dewasa = {20, 30, 40, 50, 60, 70, 80}, di
mana derajat keanggotaannya dinyatakan
oleh Dewasa = {0.8, 1, 1, 1, 1, 1, 1}.
Muda = {5, 10, 20, 30, 40, 50}, di mana
derajat keanggotaannya dinyatakan oleh
muda = {1, 1, 0.8, 0.5, 0.2, 0.1}.
Tua = {20, 30, 40, 50, 60, 70, 80}, di mana
derajat keanggotaannya dinyatakan oleh Tua
= {0.1, 0.2, 0.4, 0.6, 0.8, 1, 1}.

Konvensi penulisan fuzzy

set
Konvensi untuk menuliskan fuzzy set yang
dihasilkan dari universe U yang diskrit
adalah sebagai berikut:

Pada contoh di atas, fuzzy set Tua ditulis

sebagai:

Konvensi penulisan fuzzy

set
Sedangkan jika U adalah kontinu,
maka fuzzy set A dinotasikan
sebagai:

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. Representasi linier

FUNGSI KEANGGOTAAN HIMPUNAN FUZZY

(MEMBERSHIP FUNCTION)
11. Representasi linier
Contoh:

Fungsi keanggotaan
untuk himpunan
PANAS pada variabel
temperatur ruangan
seperti terlihat pada
Gambar
Panas (27) = ????
Panas (34) = ????

FUNGSI KEANGGOTAAN HIMPUNAN FUZZY

(MEMBERSHIP FUNCTION)
11.

Representasi linier

Contoh:

Fungsi keanggotaan
untuk himpunan
DINGIN pada variabel
temperatur ruangan
seperti terlihat pada
Gambar
dingin (25) = ????
dingin (17) = ????

2
2.

Representasi segitiga
(triangular)
Ditentukan oleh 3 parameter
{a, b, c} sebagai berikut :

triangle x : a, b, c

0, x a

xa
, a x b

ba

cx
,b x c
c b

0, c x

Fungsi keanggotaan untuk himpunan

NORMAL pada variabel temperatur
ruangan seperti terlihat pada Gambar

Normal (31) = ????

normal (18) = ????

3 Representasi Trapesium

3.

Ditentukan oleh 4 parameter

{a,b,c,d} sebagai berikut :

trapezoid x; a, b, c, d

0, x a

xa
, a x b
ba

1, b x c
dx

,c x d
d c

0, d x

Fungsi keanggotaan untuk himpunan

NORMAL pada variabel temperatur
ruangan seperti terlihat pada Gambar

normal (22) = ????

dingin (26) = ????

Contoh
kasus

No
(konsumen
)

Murah

Sedang

Mahal

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Rp.1.000.000,Rp.500.000,Rp.500.000,Rp.300.000,Rp.500.000,Rp.200.000,Rp.1.000.000,Rp.700.000,Rp.1.000.000,Rp.500.000,Rp.500.000,Rp.500.000,Rp.3000.000,Rp.1.000.000,Rp.500.000,Rp.500.000,Rp.500.000,Rp.1.000.000,Rp.500.000,Rp.500.000,-

Rp.2.000.000,Rp.1.000.000,Rp.1.500.000,Rp.1.000.000,Rp.2.000.000,Rp.1.000.000,Rp.2.000.000,Rp.1.500.000,Rp.2.500.000,Rp.1.500.000,Rp.1.500.000,Rp.1.500.000,Rp.1.000.000,Rp.3.000.000,Rp.1.500.000,Rp.1.500.000,Rp.1.000.000,Rp.2.000.000,Rp.1.500.000,Rp.1.000.000,-

Rp.3.000.000,Rp.2.000.000,Rp.2.500.000,Rp.2.000.000,Rp.3.000.000,Rp.2.000.000,Rp.3.000.000,Rp.3.000.000,Rp.5.000.000,Rp.2.500.000,Rp.3.000.000,Rp.3.000.000,Rp.2.000.000,Rp.5.000.000,Rp.2.000.000,Rp.3.000.000,Rp.2.000.000,Rp.3.000.000,Rp.3.000.000,Rp.2.000.000,-

Berdasarkan tabel di atas, setelah dicari modus

/ data yang sering muncul untuk kriteria harga
murah, harga sedang dan harga mahal dapat
ditarik kesimpulan sebagai berikut:
Harga murah = Rp.500.000,- dengan frekuensi
terbanyak yaitu 11
Harga sedang = Rp.1.500.000,- dengan
frekuensi terbanyak yaitu 8
Harga mahal = Rp.3.000.000,- dengan
frekuensi terbanyak yaitu 9

Representasi
bentuk BAHU
4
Daerah yang terletak di
tengah-tengah suatu variabel
yang direpresentasikan dalam
bentuk segitiga, pada sisi
kanan dan kirinya akan naik dan
turun (misalkan: DINGIN bergerak
ke SEJUK bergerak ke
HANGAT dan bergerak ke PANAS).
Tetapi terkadang salah satu sisi
dari
variabel tersebut tidak
mengalami perubahan. Sebagai
contoh, apabila
telah mencapai kondisi PANAS,
kenaikan temperatur akan tetap
berada pada kondisi PANAS.
Himpunan fuzzy bahu, bukan
segitiga, digunakan
untuk mengakhiri variabel

Representasi
bentuk S
5
Kurva PERTUMBUHAN dan
PENYUSUTAN merupakan kurvaS atau sigmoid yang
berhubungan dengan kenaikan
dan penurunan permukaan
secara tak linear.
Kurva-S untuk PERTUMBUHAN
akan bergerak dari sisi paling
kiri (nilai
keanggotaan = 0) ke sisi paling
kanan (nilai keanggotaan = 1).
Fungsi keanggotaannya akan
tertumpu pada 50% nilai
keanggotaannya
Kurva-S
untuk PENYUSUTAN
yang
akan
sering disebut
bergerak
dari sisi
dengan
paling
titik
kanan
infleksi
(nilai
keanggotaan = 1) ke sisi
paling kiri (nilai keanggotaan =

Representasi
bentuk S
5

Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu:

nilai keanggotaan nol (), nilai keanggotaan lengkap (), dan titik
infleksi atau crossover () yaitu titik yang memiliki domain 50% benar.

Representasi
bentuk S
5

Contoh
Fungsi keanggotaan untuk
himpunan TUA pada variabel umur
seperti
terlihat pada Gambar

tua (42) = ????

Representasi
bentuk S
5

Contoh
Fungsi keanggotaan untuk
himpunan MUDA pada variabel
umur seperti
terlihat pada Gambar

Muda (37)

muda (25) = ????

Representasi bentuk LONCENG

6
(BELL CURVE)

Untuk merepresentasikan bilangan fuzzy, biasanya

digunakan kurva berbentuk lonceng. Kurva
berbentuk lonceng ini terbagi atas 3 kelas, yaitu:
himpunan fuzzy PI,
beta,
Gauss.

Representasi bentuk LONCENG

6
(BELL CURVE)

Kurva PI
Kurva PI berbentuk lonceng dengan derajat keanggotaan 1
terletak pada
pusat dengan domain (), dan lebar kurva () seperti
terlihat pada
Gambar

Representasi bentuk LONCENG

6
(BELL CURVE)

Kurva Beta
Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng namun
lebih
rapat. Kurva ini juga didefinisikan dengan 2 parameter, yaitu nilai
pada
domain yang menunjukkan pusat kurva (), dan setengah lebar
kurva ()
seperti terlihat pada Gambar

Salah satu perbedaan mencolok

kurva BETA dari kurva PI adalah,
fungsi
keanggotaannya akan mendekati nol

Representasi bentuk LONCENG

6
(BELL CURVE)

Kurva Beta

Fungsi keanggotaan untuk

himpunan SETENGAH BAYA pada
variabel
umur seperti terlihat pada Gambar

parobaya (53) = ????

Representasi bentuk LONCENG

6
(BELL CURVE)

Kurva Gauss
Jika kurva PI dan kurva BETA menggunakan 2 parameter yaitu ()
dan
(), kurva GAUSS juga menggunakan () untuk menunjukkan
nilai
domain pada pusat kurva, dan (k) yang menunjukkan lebar
kurva

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, ada 3
operasi dasar yang diciptakan oleh Zadeh :

1. Operator AND, berhubungan dengan operasi intersection

pada himpunan, predikat diperoleh dengan mengambil nilai

minimum antar kedua himpunan.
AB = min(A[x], B[y])
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
nilai
keanggotaan minimum :

dan berpenghasilan TINGGI adalah

MUDAGAJITINGGI = min( MUDA[27], GAJITINGGI[2juta])

= min (0,6 ; 0,8)
= 0,6

2. Operator OR, berhubungan dengan operasi union pada

himpunan, predikat diperoleh dengan mengambil nilai

maximum antar kedua himpunan.
AB = max(A[x], B[y])
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

3. Operasi NOT, berhubungan dengan

operasi komplemen pada himpunan,

predikat diperoleh dengan
mengurangkan nilai keanggotaan
elemen pada himpunan dari 1.
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

Contoh
Nilai keanggotaan sebagai hasil dari operasi 2 himpunan: fire strength
atau -predikat
Misalkan nilai keanggotaan IP 3.2 pada
AND

AB [x] = min(A[x], B[x])

himpunan IPtinggi adalah 0.7 dan nilai

keanggotaan 8 semester pada
himpunan LulusCepat adalah 0.8 maka
-predikat untuk IPtinggi dan
LulusCepat:

IPtinggiLulusCepat = min(IPtinggi[3.2], LulusCepat[8])

= min(0.7,0.8) = 0.7
O
R

AB [x] = max(A[x], B[x])

-predikat untuk IPtinggi atau LulusCepat:

IPtinggiLulusCepat = 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

29

A B

A B

AB

AB