FUZZY

Operasi Himpunan Crisp

Pada logika tradisional,
fungsi keanggotaan suatu
himpunan fuzzy terbagi
atas 2 daerah, yaitu :
A(x) = 0 jika x A.
A(x) = 1 jika x A.
 Fungsi keanggotaan himpunan A bernilai nol
(0) jika x bukan anggota himpunan A.
Fungsi keanggotaan himpunan A bernilai satu
(1) jika x merupakan anggota himpunan A.
Ada 3 operasi dasar himpunan crisp :
- Union
- Interseksi
- Komplemen
 Seperti halnya himpunan konvensional, ada beberapa operasi yang
didefinisikan secara khusus untuk mengkombinasi dan
memodifikasi himpunan Fuzzy. Berikut ini beberapa operasi logika
fuzzy konvensional yang didefinisikan oleh Zadeh :
Interseksi A B = min ( A (x), B (y))
Union A B = max ( A (x), B (y))
Komplemen A = 1 - A (x)
Karena himpunan fuzzy tidak dapat dibagi dengan tepat seperti halnya
pada himpunan crisp, maka operasi-operasi ini diaplikasikan pada
tingkat keanggotaan. Suatu elemen dikatakan menjadi anggota
himpunan fuzzy jika :
Berada pada domain himpunan tersebut;
Nilai kebenaran keanggotaannya > 0
Berada di atas ambang cut yang berlaku.
* cut adalah nilai ambang batas domain yang didasarkan pada
nilai keanggotaan tiap-tiap domain.
 Pada himpunan tegas, interseksi antara 2 himpunan
berisi elemen-elemen yang berada pada kedua
himpunan. Hal ini ekivalen dengan operasi aritmetik
atau logika AND.
Pada logika fuzzy konvensional, operator AND
diperlihatkan dengan derajat keanggotaan minimum
antar kedua himpunan.
Operator interseksi seringkali digunakan sebagai
batasan anteseden dalam suatu aturan fuzzy, seperti :
IF x is A AND y is B THEN z is C
Kekuatan nilai keanggotaan antara konsekuen z dan
daerah fuzzy C ditentukan oleh kuat tidaknya premis
atau anteseden. Kebenaran anteseden ini ditentukan
oleh MIN ( [x is A], [x is B] ).
 Table Kebenaran operator Zadeh AND
Union dari 2 himpunan dibentuk dengan menggunakan operator OR.
Pada logika fuzzy konvensional, operator OR diperlihatkan dengan
derajat keanggotaan maksimum antar kedua himpunan.
Tabel kebenaran operator Zadeh OR
Operator fuzzy OR jarang sekali digunakan dalam
permodelan sistem, karena operasi OR pada
dasarnya dapat dibentuk sebagai gabungan 2
proposisi fuzzy.
Sebagai contoh :
IF x is A OR y is B THEN z is C
Dapat dibentuk :
IF x is A THEN z is C
IF y is B THEN z is C
Pada kedua kasus, kekuatan nilai keanggotaan
antara konsekuen z da pada daerah fuzzy C oleh
MAX ( [x is A], [x is B]).
Komplemen atau negasi (NOT) suatu
himpunan A berisi semua elemen yang tidak
berada di A dan direpresentasikan dengan :
A (x) = 1 - A (x)
Nilai keanggotaan 27 tahun pada himpunan
MUDA adalah 0,6 dan nilai keanggotaan
Rp.2.000.000,- pada himpunan penghasilan
TINGGI adalah 0,8.
Maka -predikat untuk usia MUDA dan
berpenghasilan TINGGI dengan menggunakan
operator AND adalah :
-predikat untuk usia MUDA dan berpenghasilan
TINGGI dengan menggunakan operator OR adalah :

-predikat untuk usia TIDAK MUDA adalah :

( FUZZY INFERENCE SYSTEM)
Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy
akanberhubungan dengan suatu relasi fuzzy. Ada 2 jenis proposisi fuzzy
yaitu :
1.Conditional Fuzzy Proposition
Jenis ini ditandai dengan penggunaan pernyataan IF. Bentuk
umum dari aturan yang digunakan dalam fungsi implikasi adalah :

IF x is A THEN y is B
Dengan x dan y adalah skalar, dan A dan B adalah variable linguistik.
Proposisi yang mengikuti IF disebut sebagai anteseden, sedangkan
proposisi yang mengikuti THEN disebut sebagai Konsekuen.
Proposisi ini dapat dipeluas dengan menggunakan operator fuzzy, spt :
IF ( x1 is A1 ) o ( x2 is A2 ) o ( x3 is A3 ) o . o ( xN is AN ) THEN y is B
Dengan o adalah operator (misal AND atau OR)
Apabila suatu proposisi menggunakan bentuk terkondisi,
maka secara umum, ada 2 fungsi implikasi yang dapat
digunakan :
a.Min (minimum). Fungsi ini akan memotong output
himpunan fuzzy.
b. Dot (product). Fungsi ini akan menskala
output himpunan fuzzy.
2. Unconditional Fuzzy Proposition
Jenis ini ditandai dengan tidak digunakannya
penyataan IF. Secara umum adalah :
x is A
dengan x adalah skalar, dan A adalah variabel
lingusitik.
Proposisi yang tak terkondisi selalu diaplikasikan
dengan model AND, tergantung bagaimana
proposisi tersebut diaplikasikan, bisa membatasi
daerah output, bisa juga mendifinisikan default
daerah solusi.
Penalaran monoton digunakan sebagai dasar untuk
teknik implikasi fuzzy. Jika 2 daerah fuzzy direalisasikan
dengan implikasi sederhana sebagai berikut :
IF x is A THEN y is B
Transfer fungsi
y = f((x,A),B)
Maka sistem fuzzy dapat berjalan tanpa harus melalui
komposisi* dan dekomposisi** fuzzy. Nilai output dapat
diestimasi secara langsung dari nilai keanggotaan yang
berhubungan dengan antesendennya.
Catatan :
* Proses merubah crisp input menjadi fuzzy menggunakan fungsi keanggotaan, setiap
variabel fuzzy dimodelkan ke dalam fungsi keanggotaan yang dipilih.
** Proses merubah kembali data yang dijadikan fuzzy ke dalam bentuk crips kembali
 Ada 2 himpunan fuzzy : TINGGI (menunjukkan tinggi
badan orang Indonesia) dan BERAT (menunjukkan berat
badan orang Indonesia) seperti gbr. dibawah :

TINGGI BERAT
1
1
(x
) (y)

0 0
150 170 70
40
Tinggi Badan (cm) Berat Badan (Kg)
Relasi antara kedua himpunan diekspresikan
dengan aturan tunggal sebagai berikut :
IF TinggiBadan is TINGGI THEN BeratBadan is BERAT
Implikasi secara monoton akan menyeleksi daerah fuzzy A
dan B dengan algoritma sebagai berikut :
Untuk semua elemen x pada domain A, tentukan nilai
keanggotaannya dalam daerah fuzzy A, yaitu : A (x);
Pada daerah fuzzy B, nilai keanggotaan yang
berhubungan dengan nilai keanggotaan pada daerah fuzzy
A. Tarik garis lurus ke arah domain. Nilai pada sumbu
domain, y, merupakan solusi dari fungsi implikasi tersebut.
Dengan demikian dapat dituliskan :

yB = f( A (x),DB)
Seseorang yang memiliki tinggi badan 165
cm, memiliki derajat keanggotaan 0,75
pada daerah fuzzy TINGGI, diperoleh
dengan :
TINGGI(165) = (165-150) / (170-150)
= 15 / 20
= 0,75
 TINGGI
1
0,7
5
(x)

0
150 165
170

BERAT
1

0,7
5 (y)

0
40 59,4 7
0
Berat Badan (Kg)
Nilai keanggotaan dari fungsi TINGGI dipetakan ke daerah fuzzy
BERAT yang akan memberikan solusi berat badan orang
tersebut yaitu 59,4 kg, diperoleh dari :
BERAT(y) = S(y;40,55,70) = 0,75
Karena 0,75 > 0,5 maka letak y adalah antara 55 sampai 70,
sehingga :
1-2((70-y)/(70-40))2 = 0,75
1-2(70-y) 2/ 900 = 0,75
2(70-y) 2/ 900 = 0,25
(70-y) 2 = 112,5
(70-y) = + (112,5)
y = 70 + 10,6 --- ambil (-) krn nilainya < 70
y = 59,4
Tidak seperti penalaran monoton, apabila
sistem terdiri dari beberapa aturan, maka
inferensi diperoleh dari kumpulan dan
korelasi antar aturan. Ada 3 metode yang
digunakan dalam melakukan inferensi
sistem yaitu : maximum, additive, dan
probabilistik OR.
 Solusi himpunan fuzzy diperoleh dengan cara
mengambil nilai maksimum dari aturan, kemudian
menggunakannya untuk memodifikasi daerah fuzzy, dan
mengaplikasikannya ke output dengan menggunakan
operator OR. Jika semua proposisi telah dievaluasi,
maka output akan berisi suatu himpunan fuzzy yang
merefleksikan kontribusi dari tiap-tiap proposisi.
Secara umum dapat dituliskan :
Metode Maximum
 Solusi himpunan fuzzy diperoleh dengan
cara melakukan bounded-sum terhadap
semua output daerah fuzzy.
Secara umum dituliskan :
 Solusi himpunan fuzzy diperoleh dengan
cara melakukan product terhadap semua
output daerah fuzzy.
Secara umum dituliskan :
1. Metode Tsukamoto
Metode Tsukamoto merupakan perluasan dari
penalaran monoton. Pada metode ini, setiap
konsekuen pada aturan yang berbentuk IF-
THEN harus direpresentasikan dengan suatu
himpunan fuzzy dengan fungsi keanggotaan
yang monoton. (gbr. 1)
Sebagai hasilnya, output hasil inferensi dari tiap-
tiap aturan diberikan secara tegas (crisp)
berdasarkan - predikat. Hasil akhirnya
diperoleh dengan menggunakan rata-rata
terbobot.
Gbr. 1. Inferensi dengan Menggunakan Metode
Tsukamoto ( Jang, 1997)
Suatu perusahaan makanan kaleng akan memproduksi makanan jenis
ABG. Dari data 1 bulan terakhir, permintaan terbesar mencapai 5000
kemasan/hari, dan permintaan terkecil mencapai 1000 kemasan/hari.
Persedian barang digudang terbanyak mencapai 600 kemasan/hari, dan
terkecil pernah mencapai 100 kemasan/hari. Dengan segala keterbatasan,
sampai saat ini, perusahaan baru mampu memproduksi barang maksimum
7000 kemasan/hari, untuk efisiensi mesin dan SDM tiap hari diharapkan
perusahaan memproduksi paling tidak 2000 kemasan. Berapa kemasan
makanan jenis ABG yang harus diproduksi, jika jumlah permintaan
sebanyak 4000 kemasan, dan persediaan di gudang masih 300 kemasan,
apabila proses produksi perusahaan tersebut menggunakan 4 aturan fuzzy
sebagai berikut :

[R1] IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang

BERKURANG
[R2] IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang
BERKURANG
[R3] IF Permintaan NAIK And Persediaan BANYAK THEN Produksi Barang
BERTAMBAH
[R4] IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi Barang
BERTAMBAH
See you next time...............