FUZZY SYSTEM

Pendahuluan
Ide dasar Fuzzy System
adalah Fuzzy Set dan Fuzzy
Logic
Plato menyatakan bahwa
terdapat area ketiga selain
Benar dan Salah
Konsep fuzzy logic yang
sangat sistematis pertama
kali diusulkan oleh Lotfi A
Zadeh, tahun 1965

Pendahuluan
Pertengahan 1970 para
ilmuwan Jepang berhasil
mengimplementasikan
konsep fuzzy ke dalam
berbagai peralatan
elektronik
Hingga saat ini, fuzzy
sudah diterapkan pada
berbagai sistem kontrol
seperti pada AC, mesin

Latar Belakang
Manusia cenderung
membahasakan sesuatu
secara umum, tidak presisi,
dan bersifat relatif
Representasi fakta yang
ambigu atau samar
mendasari adanya teori
fuzzy

Ilustrasi

Himpunan Klasik[1]
Sering disebut himpunan tegas
(crisp set)
Keanggotaan suatu elemen di
dalam himpunan dinyatakan
secara tegas (apakah elemen
tersebut anggota himpunan
atau bukan)
Untuk sembarang himpunan A,
sebuah elemen x adalah
anggota himpunan A bila x
terdapat di dalam A dan
dinyatakan dengan

Himpunan Klasik[2]
Kelemahan:
Tidak semua hal dapat
dinyatakan secara tegas apakah
sebuah elemen itu anggota
himpunan atau bukan
Contoh: Anggota himpunan orang
tinggi adalah jika tinggi badannya
1.7 meter atau lebih
Maka orang yang tingginya 1.699
m atau 1.695 m tidak disebut
tinggi dan tidak masuk ke dalam

Himpunan Klasik[3]
Derajat keanggotaan pada
himpunan klasik hanya bernilai
0 atau 1
Sementara di dalam persepsi
manusia, dikenal daerah
samar-samar pada
keanggotaan suatu himpunan
Contoh untuk kasus himpunan
orang tinggi, manusia
mengenal istilah kurang

Himpunan Klasik[4]
Misalkan A adalah himpunan
yang berisi gelas berisi penuh
air
Maka A adalah himpunan
berisi gelas kosong
Jika ada sebuah gelas yang
terisi air setengah penuh,
masuk ke dalam himpunan
mana?
9

Himpunan Fuzzy[1]
Untuk memfasilitasi kondisi yang
samar-samar di atas,
keanggotaan sebuah elemen di
dalam himpunan fuzzy dinyatakan
dengan derajat keanggotaan
atau membership values

artinya derajat
keanggotaan elemen x pada
himpunan A

Nilai derajat keangotaan suatu

10
elemen pada himpunan
fuzzy

Himpunan Fuzzy[2]
Arti derajat keanggotaan:
1. Jika
, maka x adalah
anggota penuh himp. A
2. Jika
, maka x bukan
anggota himp. A
3. Jika
,
maka x adalah anggota himp. A
dengan derajat keanggotaan
sebesar .

Seorang dengan tinggi 1.695 m

menurut teori Fuzzy Set tidak
ditolak keanggotaannya di
dalam Himpunan Orang yang

Himpunan Fuzzy[3]
Derajat keanggotaan menyatakan
seberapa benar anggota tersebut
memenuhi properti yang dinyatakan
di dalam himpunannya
Dalam penyajian enumerasi, setiap
anggota diberi nilai yang
menunjukkan derajat keanggotaan.
Derajat keanggotaan biasanya
merupakan bilangan dalam interval
[0, 1].
Biasanya
yang bernilai 0 tidak
12

Himpunan Fuzzy[4]
Misal didefinisikan sebuah
himpunan
A x : x bilangan yang cukup besar
Pengertian "bilangan cukup besar
sangat bersifat relatif
Misal bilangan 10.000, apakah
bilangan 1000 ini termasuk
bilangan yang cukup besar?
Diperlukan bobot atau derajat
keanggotaan yang
merepresentasikan
sejauh mana
13

Himpunan Fuzzy[5]
Misal diberikan bobot atau
nilai derajat keanggotaan
untuk beberapa bilangan asli
berikut :
xsebagai
102
bobot 0
x 104
bobot 0,3
x 105
bobot 0,35
x 1050
bobot 1
14

Representasi Himpunan
Fuzzy
Himpunan fuzzy dapat dinyatakan
dalam bentuk:
1. Enumerasi
Setiap anggota himpunan didaftar
(dilist) berikut nilai derajat
keanggotaannya masing-masing

2. Fungsi Keanggotaan
Himpunan dinyatakan dalam bentuk
fungsi yang memetakan setiap anggota
himpunan ke nilai derajat
keanggotaannya
15
Dapat
juga dinyatakan dalam bentuk

Enumerasi Himp. FuzzyContoh 1

Himpunan merek-merek mobil
yang mahal didefinisikan
sebagai berikut :
M = himpunan mobil mahal

M (x)

= {(1/mercedes),

(1/BMW), (0,8/Audi),
(0,6/Toyota), (0,3/daihatsu)}
16

Enumerasi Himp. FuzzyContoh2

Misal kita ingin mendefinisikan
himpunan bilangan asli yang
mendekati bilangan 6.
F = himpunan bilangan asli
yang mendekati 6, x anggota
asli
bilangan
(x
)
F

= {(0,1/3), (0,3/4),
(0,6/5), (1,0/ 6), (0,6/7), (0,3/8),
(0,1/9)}
17

Enumerasi Himp. FuzzyContoh3

Misal x adalah bilangan-bilangan
integer antara 1 sampai dengan 10,
maka himpunan fuzzy beberapa
dapat didefinisikan sebagai
B =(xbeberapa
)
B

= {(0,5/3) ,(0,8/4),(1/5),
(1/6), (0,8/7), (0,5/8)}
Hal ini berarti 5 dan 6 mempunyai
derajat 1, sedangkan 4 dan 7 dengan
derajat 0,8 dan 3, 8 dengan derajat
0,5.18 Sedangkan yang mempunyai

Fungsi KeanggotaanHimp. Fuzzy

Fungsi Keanggotaan pada
himpunan fuzzy adalah
fungsi yang memetakan
setiap anggota himpunan
ke nilai derajat
keanggotaannya

19

Jenis-jenis
Fungsi Keanggotaan

Fungsi Segitiga

Fungsi Trapesium

Fungsi Sigmoid

Contoh-1
Definisikan himpunan untuk
beberapa kategori usia manusia,
seperti tua dan remaja
menggunakan fungsi keanggotaan.
Misalkan x = usia, maka nyatakan
fungsi keanggotaan x jika dibuat
batasan:
a. Definisi tua : usia >= 60, tidak
tua: usia<40
b. Definisi dewasa: usia 27-40,
bukan dewasa: usia<20 dan
usia>60
24
c. Definisi remaja: usia 16 20,

Operasi pada
Himpunan Fuzzy

Operasi Himpunan
Fuzzy
Mencakup 3 operasi dasar
Operasi AND
Operasi OR
Operasi NOT

Operasi AND
Misalkan terdapat dua buah
himpunan Fuzzy A dan B

diartikan sebagai x dekat ke

A dan x dekat ke B

untuk semua

Contoh-1 AND
1. Misalkan terdapat dua buah
Fuzzy Set berikut:
A = himpunan mobil
mewah = {1/mercedes,
1/BMW, 0.8/Audi,
0.6/Toyota, 0.3/Daihatsu}
B = himpunan mobil
keluarga = {0.3/mercedes,
0.4/BMW, 0.5/Audi,
1/Toyota, 0.8/Daihatsu}

 Nyatakanlah himpunan
fuzzy yang berisi mobil
mewah dan mobil keluarga!

Contoh-2 AND
2. Misalkan terdapat 2 buah
himpunan Fuzzy A dan B
dengan fungsi
keanggotaannya
digambarkan sebagai
berikut:

Gambarkan fungsi

 Jawaban

Operasi OR
Misalkan terdapat dua buah
himpunan Fuzzy A dan B

diartikan sebagai x dekat ke

A atau x dekat ke B

untuk semua

Contoh-1 OR
1. Misalkan terdapat dua buah
Fuzzy Set berikut:
A = himpunan mobil
mewah = {1/mercedes,
1/BMW, 0.8/Audi,
0.6/Toyota, 0.3/Daihatsu}
B = himpunan mobil
keluarga = {0.3/mercedes,
0.4/BMW, 0.5/Audi,
1/Toyota, 0.8/Daihatsu}

 Nyatakanlah himpunan
fuzzy yang berisi mobil
mewah atau mobil
keluarga!

Contoh-2 OR
2. Misalkan terdapat 2 buah
himpunan Fuzzy A dan B
dengan fungsi
keanggotaannya
digambarkan sebagai
berikut:

Gambarkan fungsi

 Jawaban

Operasi NOT
Misalkan terdapat sebuah himpunan
Fuzzy A

diartikan sebagai x tidak dekat

ke A

untuk semua

Contoh-1 NOT
1. Misalkan terdapat dua buah
Fuzzy Set berikut:
A = himpunan mobil
mewah = {1/mercedes,
1/BMW, 0.8/Audi,
0.6/Toyota, 0.3/Daihatsu}
Nyatakanlah himpunan
fuzzy yang berisi mobil
tidak mewah!

Contoh-2 NOT
2. Misalkan terdapat 2 buah
himpunan Fuzzy A dan B
dengan fungsi
keanggotaannya
digambarkan sebagai
berikut:

Gambarkan fungsi

 Jawaban

Latihan
Misalkan A = himpunan fuzzy yang
menyatakan usia remaja, B = himpunan
fuzzy yang menyatakan usia produktif
Gambarkan fungsi keanggotaan
B
Gambarkan fungsi keanggotaan
remaja dan produktif
Gambarkan fungsi keanggotaan
remaja atau produktif
Gambarkan fungsi keanggotaan
tidak remaja tapi produktif
Gambarkan fungsi keanggotaan

himpunan A dan
himpunan usia
himpunan usia
himpunan usia
himpunan

Peubah Linguistik
adalah peubah yang memiliki
nilai linguistik
Nilai linguistik tersebut disebut
terma
Contoh peubah linguistik:
Suhu, dengan himpunan terma
{panas, sedang, dingin}
Kecepatan, dengan himpunan
terma {cepat, sedang, lambat}

Setiap terma dapat dinyatakan

nilai kuantitatifnya mengunakan
fungsi keanggotaan

Studi Kasus
Misalkan sebuah perguruan
tinggi akan memberikan
beasiswa kepada
mahasiswa berdasarkan
kriteria: IPK dan Gaji per
bulan orang tuanya (G).
Beasiswa diberikan kepada
mahasiswa yang memiliki
prestasi akademik bagus
tetapi tingkat ekonomi

Studi Kasus-lanj
Jika digunakan rule
berdasarkan classical set
yaitu:
IF IPK >= 3,00 AND G <= 10
juta THEN dapat beasiswa

Apa yang akan terjadi pada

2 mahasiswa berikut ini:
1. A dengan IPK 3,00, Gaji ortu
10 juta
2. B dengan IPK 2,99 dengan
Gaji ortu 1 juta

Studi Kasus-lanj.
Bagaimana jika digunakan
Sistem Pengambilan
Keputusan berdasarkan
Fuzzy Logic?

Sistem Berbasis
Pengetahuan Fuzzy

SBP Fuzzy
Adalah sebuah sistem atau
proses yang bekerja
berdasarkan pengetahuan
fuzzy sebagai cara
pengambilan keputusan

Arsitektur SBP Fuzzy

Terdapat 4 komponen
utama:
1. Modul Fuzzifikasi
2. Basis Pengetahuan
3. Modul Pengambilan
Keputusan (Inferensi)
4. Modul Defuzzifikasi

Arsitektur SBP Fuzzy

Proses di dalam SBP Fuzzy

Modul Fuzzifikasi
Adalah proses memetakan nilai
numerik ke dalam bentuk
himpunan fuzzy
Masukan yang nilai
kebenarannya bersifat pasti
(crisp input) dikonversi
menjadi bentuk fuzzy input
Fuzzy input berupa nilai
linguistik yang semantiknya
ditentukan berdasarkan fungsi
keanggotaan
Contoh: IPK 2,99 dikonversi

Inferensi
Mensimulasikan
pengambilan keputusan
manusia berdasarkan
konsep fuzzy
Menggunakan rules of
knwoledge
Ada 2 model yang banyak
digunakan:
1. Model Mamdani
2. Model Sugeno

Inferensi
Model Mamdani
Penalarannya menyerupai intuisi
atau perasaan manusia
Proses perhitungannya cukup
kompleks sehingga
membutuhkan waktu relatif lama
Menghasilkan ketelitian yang
tinggi

Model Sugeno
Proses perhitungan lebih simpel,
waktu relatif cepat
Cocok untuk sistem kontrol yang
memerlukan respon cepat

Modul Defuzzifikasi
Beberapa metode yang
dapat dipakai:
1.
2.
3.
4.
5.

Centroid Method
Height Method
First (or Last) of Maxima
Mean-Max Method
Weighted Average

Studi Kasus 1
Penentuan Penerima
Beasiswa

Penentuan Penerima
Beasiswa
Pemberian beasiswa kepada
mahasiswa didasarkan pada
dua kriteria, yaitu:
1. IPK, dan
2. Gaji per bulan orang tuanya (G)

Mana yang lebih layak

menerima beasiswa di antara
2 mahasiswa berikut:
1. A dengan IPK 3,00, Gaji ortu 10
juta
2. B dengan IPK 2,99 dengan Gaji
ortu 1 juta

Langkah/Proses yang Terjadi

1. Definisikan input dan
output sistem
2. Fuzzifikasi
3. Inferensi
4. Defuzzifikasi

Input dan Output

Untuk kasus beasiswa ini:
Input:
IPK
Gaji Orang Tua (G)

Output:
Nilai kelayakan

Fuzzifikasi[1]
Tujuan akhir yang ingin
diperoleh di dalam
fuzzifikasi adalah
mendapatkan nilai fuzzy
untuk setiap inputan
yang nantinya akan
diinputkan ke dalam modul
inferensi
Nilai fuzzy yang dimaksud
mencakup:
1. Nilai linguistik, dan

Fuzzifikasi[2]
Langkah2 yang harus
dilakukan:
1. Nyatakan nilai linguistik apa
saja yang akan digunakan
untuk setiap variabel input
2. Tentukan fungsi keanggotaan
untuk setiap nilai linguistik
3. Tentukan nilai fuzzy untuk
setiap nilai inputan yang akan
diuji

Fuzzifikasi pada Kasus

Beasiswa[1]
Variabel input yang
digunakan di dalam
pengambilan keputusan:
1. IPK
2. Gaji orang tua per bulan (G)

Nilai linguistik untuk setiap

variabel (berdasarkan
pengetahuan seorang pakar)
misalnya sbb:
1. IPK = {buruk, cukup, bagus}

Fuzzifikasi pada Kasus

Beasiswa[2]
Fungsi keanggotaan untuk setiap nilai
linguistik (berdasarkan pengetahuan
seorang pakar) misalnya sbb:

Fuzzifikasi pada Kasus

Beasiswa[3]
Untuk data uji mahasiswa
A, IPK = 3,00 dan G = 10
juta
Diperoleh 4 nilai fuzzy:
Untuk IPK 3,00
Cukup (0,5), Bagus (0,5)

Untuk G 10 juta
Besar (0,4), Sangat Besar (0,6)

Inferensi[1]
Tujuan akhir yang ingin
diperoleh pada bagian
inferensi adalah
mendapatkan nilai fuzzy
output yang nantinya
akan diinputkan ke dalam
modul defuzzifikasi
Nilai fuzzy output
mencakup:
Nilai linguistik, dan

Inferensi[2]
Langkah2 yang harus
dilakukan:
1. Nyatakan nilai linguistik apa
saja yang akan digunakan
untuk masing-masing variabel
output
2. Tentukan fungsi keanggotaan
untuk setiap nilai linguistik
3. Buat aturan fuzzy berdasarkan
nilai linguistik pada input dan
output

Inferensi pada Kasus

Beasiswa[1]
Variabel output di dalam
pengambilan keputusan:
Nilai Kelayakan seorang
mahasiswa untuk menerima
beasiswa (NK), misalkan
skala 0-100

Nilai linguistik untuk

variabel output
(berdasarkan pengetahuan
seorang pakar) misalnya
sbb: :

Inferensi pada Kasus

Beasiswa[2]
Fungsi keanggotaan untuk setiap nilai
linguistik output (berdasarkan
pengetahuan seorang pakar) misalnya
sbb:

Inferensi pada Kasus

Beasiswa[3]
Aturan fuzzy yang digunakan
(berdasarkan pengetahuan seorang
pakar) dalam bentuk matriks misalnya
sbb:
IPK vs G
Kecil
Sedang
Besar
Sangat
Besar
Buruk

Rendah

Rendah

Rendah

Rendah

Cukup

Tinggi

Rendah

Rendah

Rendah

Bagus

Tinggi

Tinggi

Tinggi

Rendah

Inferensi pada Kasus

Beasiswa[4]
Berarti ada 3x4 rules, yaitu:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.

IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF

IPK
IPK
IPK
IPK
IPK
IPK
IPK
IPK
IPK
IPK
IPK
IPK

=
=
=
=
=
=
=
=
=
=
=
=

Buruk
Buruk
Buruk
Buruk
Cukup
Cukup
Cukup
Cukup
Bagus
Bagus
Bagus
Bagus

AND
AND
AND
AND
AND
AND
AND
AND
AND
AND
AND
AND

G
G
G
G
G
G
G
G
G
G
G
G

=
=
=
=
=
=
=
=
=
=
=
=

Kecil THEN NK = Rendah

Sedang THEN NK = Rendah
Besar THEN NK = Rendah
Sangat Besar THEN NK = Rendah
Kecil THEN NK = Tinggi
Sedang THEN NK = Rendah
Besar THEN NK = Rendah
Sangat Besar THEN NK = Rendah
Kecil THEN NK = Tinggi
Sedang THEN NK = Tinggi
Besar THEN NK = Tinggi
Sangat Besar THEN NK = Rendah

Inferensi pada Kasus

Beasiswa[5]
Berdasarkan 4 data input fuzzy (hasil
fuzzifikasi) yaitu sbb:
IPK Cukup(0,5), IPK Bagus(0,5)
G Besar(0,4), G Sangat Besar(0,6)

Maka rules yang dapat dipakai adalah:

7.
8.
11.
12.

IF
IF
IF
IF

IPK
IPK
IPK
IPK

=
=
=
=

Cukup
Cukup
Bagus
Bagus

AND
AND
AND
AND

G
G
G
G

=
=
=
=

Besar THEN NK = Rendah

Sangat Besar THEN NK = Rendah
Besar THEN NK = Tinggi
Sangat Besar THEN NK = Rendah

Inferensi pada Kasus

Beasiswa[6]
Sehingga diperoleh:
IF IPK = Cukup(0,5)
IF IPK = Cukup(0,5)
Rendah(0,5)
IF IPK = Bagus(0,5)
IF IPK = Bagus(0,5)
Rendah(0,5)

AND G = Besar(0,4) THEN NK = Rendah(0,4)

AND G = Sangat Besar(0,6) THEN NK =
AND G = Besar(0,4) THEN NK = Tinggi(0,4)
AND G = Sangat Besar(0,6) THEN NK =

Maka diperoleh 2 nilai fuzzy output:

NK Tinggi(0,4)
NK Rendah(0,4) NK Rendah(0,5) NK
Rendah(0,5) = NK Rendah(0,5)

Inferensi pada Kasus

Beasiswa[7]
Untuk inferensi menggunakan Model
Mamdani, ada 2 metode inferensi yang
dapat digunakan, yaitu: clipping dan
scalling
Dari hasil di atas, dengan menggunakan
metode Clipping akan diperoleh:

Defuzzifikasi
Tujuan akhir yang ingin diperoleh
di dalam defuzzifikasi adalah
mendapatkan nilai output
yang bersifat crisp (tegas)
sebagai hasil akhir
Langkah yang dilakukan:
1. Lakukan proses composition atau
agregasi hasil clipping yang
diperoleh dari bagian inferensi
2. Tentukan nilai crisp akhir
(menggunakan metode2
defuzzifikasi)

Defuzzifikasi pada Kasus

Beasiswa[1]
Composition atau agregasi dari kedua
fuzzy set yang dihasilkan sebelumnya
yaitu NK Tinggi(0,4) dan NK Rendah(0,5)
akan menghasilkan fuzzy set tunggal
sbb:

Defuzzifikasi pada Kasus

Beasiswa[2]
Misalkan untuk penghitungan nilai crisp akhir
digunakan metode Centroid Method (Centre of
Gravity) dengan persamaan:

Persamaan di atas digunakan untuk

menentukan centre of gravity pada area abuabu yang dihasilkan.
Untuk menggunakan persamaan di atas, perlu
diambil sekumpulan sampel titik. Semakin

Defuzzifikasi pada Kasus

Beasiswa[3]
Misalkan akan diambil 10 buah sampel titik
sebagai berikut:

Maka:

 Jadi mahasiswa A dengan

IPK 3,00 dan Gaji orang tua
per bulan 10 juta
mendapatkan nilai
kelayakan 52,39
Bagaimana dengan
mahasiswa B dengan IPK
2,99 dan Gaji orang tua per
bulan 1 juta? Mana yang
lebih layak menerima

 Bagaimana jika yang

melamar beasiswa 500
orang sementara beasiswa
hanya ada 100?
Bagaimana jika digunakan
Model Sugeno?

Model Sugeno

Model Sugeno
Salah satu model di dalam
tahap inferensi
Perhitungan lebih sederhana
Waktu komputasi relatih lebih
cepat
Cocok digunakan untuk
membangun sistem kontrol
yang memerlukan respon cepat
dengan kebutuhan akurasi yang
tidak terlalu tinggi

Studi Kasus Penentuan

Beasiswa
Fuzzification
Sama dengan yang dilakukan
pada model Mamdani
Menghasilkan 4 nilai input
fuzzy, yaitu:
IPK Cukup(0,5), IPK Bagus(0,5)
G Besar(0,4), G Sangat
Besar(0,6)

Studi Kasus Penentuan

Beasiswa
Inferensi
Misalkan digunakan model
Sugeno orde nol untuk output
yang berupa Nilai Kelayakan
Hanya menggunakan fungsi
satu dimensi, disebut
singleton untuk
merepresentasikan Nilai
Kelayakan
Fungsi hanya berupa suatu
konstanta,

Studi Kasus Penentuan

Beasiswa
Inferensi (lanjutan)
Pada fungsi singleton, setiap nilai
linguistik hanya memiliki satu nilai
crisp tunggal
Jika digunakan batas keanggotaan
yang sama dengan model
Mamdani sebelumnya diperoleh:

Studi Kasus Penentuan

Beasiswa
Inferensi (lanjutan)
Jika digunakan fuzzy rules yang sama
dengan contoh sebelumnya (Model
Mamdani), maka diperoleh 2 nilai ouput
Fuzzy sbb: NK Tinggi(0,4) dan NK
Rendah(0,5)
Maka akan diperoleh:

Studi Kasus Penentuan

Beasiswa
Defuzzifikasi
Setelah dilakukan composition dari kedua
fuzzy set di atas, akan diperoleh:

Studi Kasus Penentuan

Beasiswa
Defuzzifikasi (lanjutan)
Untuk Model Sugeno tidak dapat digunakan
Centroid Method karena fungsinya singleton
(1 dimensi)
Dapat digunakan Weighted Average,
dengan persamaan:
Maka diperolehperhitungan:

 Jadi dengan menggunakan

Model Sugeno pada
Inferensinya, mahasiswa A
dengan IPK 3,00 dan Gaji
orang tua per bulan 10 juta
mendapatkan nilai
kelayakan 63,33
Bagaimana dengan
mahasiswa B dengan IPK
2,99 dan Gaji orang tua per

 Selisih nilai kelayakan

antara mahasiswa A
dengan B pada model
Mamdani lebih besar
daripada selisih yang
diperoleh menggunakan
Model Sugeno
Model Mamdani
menghasilkan keakuratan
lebih baik daripada Model

Referensi
1. Fuzzy Sets and Systems,
Didier Dubois, Henri Prade,
Academic Press, 1980
2. Soft Computing
Membangun Mesin Ber-IQ
Tinggi, Suyanto, Penerbit
Informatika, 2008
3. Diktat Kuliah Sistem Pakar,
Jusak Irawan, 2007