APA ITU FUZZY LOGIC?

Fuzzy = samar / abu-abu

Fuzzy logic = logika yang digunakan untuk
merepresentasikan masalah yang mengandung
ketidakpastian.
Ketidakpastian :
Keraguan
Ketidaktepatan
Kekuranglengkapan informasi
Kebenaran yang bersifat sebagian
Ditemukan oleh : Lotfi Zadeh, 1965

2 Materi 6/ AI/ LKW/ 0910

 APA ITU FUZZY LOGIC? (2)
Logika fuzzy adalah suatu cara untuk memetakan
suatu ruang input ke dalam suatu ruang output.
Skema logika fuzzy :

3 Materi 6/ AI/ LKW/ 0910

 APA ITU FUZZY LOGIC? (3)
Antara input dan output terdapat suatu kotak hitam yang
harus memetakan input ke output yang sesuai.
Misal :

Pemetaan input-output pada masalah produksi :

diberikan data persediaan barang, berapa jumlah barang
yang harus diproduksi ?

4 Materi 6/ AI/ LKW/ 0910

 APA ITU FUZZY LOGIC? (4)
Logical system yang mengikuti cara penalaran manusia yang cenderung
menggunakan pendekatan dan bukan eksak
Sebuah pendekatan terhadap ketidakpastian yang mengkombinasikan
nilai real [01] dan operasi logika

Kelebihan Fuzzy :
Mudah dimengerti
Pemodelan matematik sederhana
Toleransi data-data yang tidak tepat
Dapat memodelkan fungsi-fungsi non liner yang kompleks
Mengaplikasikan pengalaman tanpa proses pelatihan
Didasarkan pada bahasa alami

5 Materi 6/ AI/ LKW/ 0910

 BAHASA ALAMI
Contoh:
Budi tinggi -- apa yg dimaksud tinggi?
Budi sangat tinggi -- apa bedanya dengan tinggi?

Bahasa alami tidak mudah ditranslasikan ke nilai

absolut 0 and 1.

6 Materi 6/ AI/ LKW/ 0910

 APLIKASI LOGIKA FUZZY
1. Tahun 1990 pertama kali mesin cuci dengan logika fuzzy di Jepang
(Matsushita Electric Industrial Company).
Sistem fuzzy digunakan untuk menentukan putaran yang tepat secara
otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang
akan dicuci. Input yang digunakan : seberapa kotor, jenis kotoran,
banyaknya yang dicuci. Mesin ini menggunakan sensor optik,
mengeluarkan cahaya ke air dan mengukur bagaimana cahaya tersebut
sampai ke ujung lainnya. Makin kotor, maka sinar yang sampai makin
redup. Sistem juga mampu menentukan jenis kotoran tersebut
daki/minyak.
2. Transmisi otomatis pada mobil Nissan,menghemat bensin 12 17 %
3. Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada
area tertentu
4. Ilmu kedokteran dan biologi, seperti sistem diagnosis kanker
5. Manajemen dan pengambilan keputusan, misal tata letak pabrik,
pembuatan games.
6. Ilmu lingkungan, misal kendali kualitas air, prediksi cuaca
7 Materi 6/ AI/ LKW/ 0910
 KONSEP DASAR LOGIKA FUZZY
1. CRISP SET
Crisp set / himpunan tegas :
nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering
ditulis dengan A[x], memiliki 2 kemungkinan, yaitu :
1, yang berarti bahwa item tersebut (x) anggota himpunan A
0, yang berarti bahwa item tersebut (x) bukan anggota himpunan A

contoh :
S = [1,2,3,4,5,6] adalah semesta pembicaraan
A = [1,2,3]
B = [3,4,5]
Jadi :
nilai keanggotaan 2 pada himpunan A A[2] = 1 , karena 2 A
nilai keanggotaan 3 pada himpunan A A[3] = 1 , karena 3 A
nilai keanggotaan 4 pada himpunan A A[4] = 0 , karena 4 A
nilai keanggotaan 2 pada himpunan B B[2] = 0 , karena 2 B
nilai keanggotaan 3 pada himpunan B B[3] = 1 , karena 3 A

8 Materi 6/ AI/ LKW/ 0910

 1. CRISP SET (2)
misal variabel umur dibagi menjadi 3 kategori, yaitu :
MUDA umur < 35 tahun
PAROBAYA 35 umur 55 tahun
TUA umur > 55 tahun
Nilai keanggotaan secara grafis, himpunan MUDA,
PAROBAYA, TUA :

9 Materi 6/ AI/ LKW/ 0910

 1. CRISP SET (3)
usia 34 tahun maka dikatakan MUDA MUDA[34] = 1
usia 35 tahun maka dikatakan TIDAKMUDA MUDA[35]
=0
usia 35 tahun maka dikatakan PAROBAYA
PAROBAYA[35] = 1
usia 34 tahun maka dikatakan TIDAKPAROBAYA
PAROBAYA[34] = 0
usia 35 tahun kurang 1 hari maka dikatakan
TIDAKPAROBAYA PAROBAYA[35 th 1 hari] = 0
usia 35 tahun lebih 1 hari maka dikatakan TIDAKMUDA
MUDA[35 th + 1 hari] = 0

10 Materi 6/ AI/ LKW/ 0910

 CRISP LOGIC TIDAK SELALU BAIK
Kadang-kadang tidak semua masalah dapat
diselesaikan dengan baik menggunakan nilai crisp.
Contoh :
Masalah layak atau tidaknya pemberian beasiswa
Parameter : IP, Tes Psikologi
Aturan : layak menerima bs jika IP >=3.00 dan TP >= 8.00
Mhs A : IP=3.00, TP = 8.00
Mhs B : IP=2,99, TP = 8.5
Jika menggunakan aturan di atas : yang layak : mhs A.
Padahal perbedaan IP hanya 0,01.

11 Materi 6/ AI/ LKW/ 0910

 KONSEP DASAR LOGIKA FUZZY
2. FUZZY SET

Himpunan fuzzy digunakan untuk mengantisipasi hal

tersebut diatas. Seseorang dapat masuk dalam 2
himpunan yang berbeda, MUDA dan PAROBAYA,
PAROBAYA dan TUA, dsb.
Seberapa besar eksistensinya dalam himpunan
tersebut dapat dilihat pada nilai/derajat
keanggotaannya.

12 Materi 6/ AI/ LKW/ 0910

 2. FUZZY SET (2)

1. usia 40 tahun termasuk dalam himpunan MUDA dengan

MUDA[40] = 0,25
2. termasuk juga dalam himpunan PAROBAYA dengan PAROBAYA
[40] = 0,5
3. usia 50 tahun termasuk dalam himpunan TUA dengan TUA[50] =
0,25
4. termasuk juga dalam himpunan PAROBAYA dengan PAROBAYA
13
[50]6/ =
Materi AI/0,5
LKW/ 0910
 2. FUZZY SET (3)
Himpunan crisp, nilai keanggotaan hanya 0 dan 1.
Himpunan fuzzy, derajat/nilai keanggotaan terletak
pada rentang 0 sampai 1 sehingga :
Bila x memiliki derajat keanggotaan fuzzy A [x] = 0 x
bukan anggota himpunan A
Bila x memiliki derajat keanggotaan fuzzy A [x] = 1 x
anggota penuh himpunan A

14 Materi 6/ AI/ LKW/ 0910

 KONSEP DASAR LOGIKA FUZZY
3. FUNGSI KEANGGOTAAN

1.0 1.0

0 a b 0 a b
Domain Domain

Linier Naik Linier Turun

[x]= 0; x a
[x]= (b-x)/(b-a); a x b
(x-a)/(b-a); a x b
0; x b
1; x b

15 Materi 6/ AI/ LKW/ 0910

 3. FUNGSI KEANGGOTAAN (2)

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
16 Materi 6/ AI/ LKW/ 0910
 3. FUNGSI KEANGGOTAAN (3)
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
17 Materi 6/ AI/ LKW/ 0910
 3. FUNGSI KEANGGOTAAN (4)
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

18 Materi 6/ AI/ LKW/ 0910

 3. FUNGSI KEANGGOTAAN (5)

Untuk contoh UMUR dapat direpresentasikan

sebagai berikut :

19 Materi 6/ AI/ LKW/ 0910

 KONSEP DASAR LOGIKA FUZZY
4. VARIABEL LINGUISTIK
Variabel linguistik = sebuah variabel yang memiliki nilai
berupa kata-kata dalam bahasa alamiah bukan angka.
Kurang spesifik, tapi lebih informatif.
Contoh, jika KECEPATAN adalah variabel linguistik, maka
nilai linguistik untuk variabel kecepatan adalah, misalnya
LAMBAT, SEDANG, CEPAT.
Hal ini sesuai dengan kebiasaan manusia sehari-hari dalam
menilai sesuatu, misalnya : Ia mengendarai mobil dengan
cepat, tanpa memberikan nilai berapa kecepatannya.
Setiap variabel lingustik berkaitan dengan sebuah fungsi
keanggotaan.

20 Materi 6/ AI/ LKW/ 0910

 4. VARIABEL LINGUISTIK (2)
Menurut Wang (1997) definisi formal dari variabel
linguistik diberikan sebagai berikut:
Sebuah variabel linguistik dikarakterisasi oleh (X,
T(x), U, M), dimana :
X = Nama variabel (variabel linguistik) yang menjadi
objek
T(x) = Himpunan semua istilah (nilai-nilai) linguistik yang
terkait dengan (nama) variabel (X) yang menggambarkan
objek tersebut
U = Domain fisik aktual/ruang lingkup dimana variabel
linguistik X mengambil nilai-nilai kuantitatifnya/nilai
numeris (crisp) himpunan semesta
M = Suatu aturan semantik yang menghubungkan setiap
nilai linguistik dalam T dengan suatu himpunan fuzzy
dalam U

21 Materi 6/ AI/ LKW/ 0910

 4. VARIABEL LINGUISTIK (3)
Dari contoh diatas, maka diperoleh:
X = kecepatan
U = [0 , 100] maksudnya domain/ruang lingkup
kecepatan misal dari 0 sampai 100 km/jam
T(kecepatan) = {lambat, sedang, cepat} maksudnya
variabel kecepatan terbagi menjadi 3 himpunan fuzzy yaitu
lambat, sedang, cepat
Maka M untuk setiap X, M(x) adalah: M(lambat),
M(sedang), M(cepat)
M(lambat) = himpunan fuzzynya kecepatan dibawah 40
Km/jam dengan fungsi keanggotaan lambat
M(sedang) = himpunan fuzzynya kecepatan mendekati 55
Km/jam dengan fungsi keanggotaan sedang.
M(cepat) = himpunan fuzzynya kecepatan diatas 70
Km/jam dengan fungsi keanggotaan cepat.

22 Materi 6/ AI/ LKW/ 0910

 4. VARIABEL LINGUISTIK (4)

23 Materi 6/ AI/ LKW/ 0910

 KONSEP DASAR LOGIKA FUZZY
4. OPERASI DASAR FUZZY SET
Digunakan untuk mengkombinasi dan memodifikasi
himpunan fuzzy.
Nilai keanggotaan sebagai hasil dari operasi 2
himpunan disebut fire strength atau predikat.

24 Materi 6/ AI/ LKW/ 0910

 4. OPERASI DASAR FUZZY SET (2)
U = {1,2,3,4,5,6}
A = {(1,0), (2,0.2), (3,0.6), (4,0.9), (5,1), (6,0.8)}
B = {(1,0.8), (2,1), (3,0.7), (4,0.4), (5,0.1), (6,0)}
Maka predikat untuk :
Ac = {(1,1), (2,0.8), (3,0.3), (4,0.1), (5,0), (6,0.2)}
Bc = {(1,0.2), (2,0), (3,0.3), (4,0.6), (5,0.9), (6,1)}
AB = {(1,0), (2,0.2), (3,0.6), (4,0.4), (5,0.1), (6,0)}
A U B = {(1,0.8), (2,1), (3,0.7), (4,0.9), (5,1), (6,0.8)}

25 Materi 6/ AI/ LKW/ 0910

 4. OPERASI DASAR FUZZY SET (3)
Contoh :
Derajat keanggotaan 27 tahun pada himpunan MUDA
adalah 0.6 (MUDA[27] = 0.6)
Derajat keanggotaan Rp.2 juta pada himpunan
penghasilan TINGGI adalah 0.8
(GAJITINGGI[2juta] = 0.8) maka predikat untuk usia
MUDA dan berpenghasilan TINGGI :
MUDA GAJITINGGI = min (MUDA[27], GAJITINGGI[2juta])
= min (0.6 , 0.8) = 0.6

26 Materi 6/ AI/ LKW/ 0910

 ATURAN (RULE) IF-THEN FUZZY
Aturan IF-THEN fuzzy adalah penyataan IF-THEN
dimana beberapa kata-kata dalam pernyataan
tersebut ditentukan oleh fungsi keanggotaan.
Aturan produksi fuzzy adalah relasi fuzzy antara
dua proposisi fuzzy.
Aturan tersebut dinyatakan dalam bentuk:
IF (proposisi fuzzy 1) THEN (proposisi fuzzy 2)

Disebut anteceden/premis Disebut consequent/
kesimpulan

27 Materi 6/ AI/ LKW/ 0910

 ATURAN (RULE) IF-THEN FUZZY (2)
Proposisi fuzzy adalah memiliki derajat kebenaran
interval [0,1]. Benar =1 dan salah =0.
Premis dari aturan fuzzy dapat memiliki lebih dari
satu bagian (premis1, premis2, dst)
semua bagian dari premis dihitung secara
simultan dan diselesaikan untuk sebuah nilai
tunggal dengan penggunakan operator fuzzy
dalam himpunan fuzzy.
Contoh :
IF premis 1 AND premis 2 THEN kesimpulan 1 AND
kesimpulan 2
Dimana : AND adalah operator fuzzy
Premis 1 dan premis 2 berupa variabel masukan
Kesimpulan 1 dan kesimpulan 2 berupa variabel keluaran

28 Materi 6/ AI/ LKW/ 0910

 CONTOH :
IF permintaan turun AND persediaan banyak THEN
produksi barang berkurang
IF permintaan naik AND persediaan sedikit THEN
produksi barang bertambah
Dimana :
Permintaan, persediaan : variabel masukan
Produksi barang : variabel keluaran
Turun, naik : kategori himpunan fuzzy dari permintaan
Banyak, sedikit : kategori himpunan fuzzy dari
persediaan
Berkurang, bertambah : kategori himpunan fuzzy dari
produksi barang

29 Materi 6/ AI/ LKW/ 0910

 TAHAPAN MEMBANGUN SISTEM FUZZY
Tahapan membangun sistem fuzzy tergantung metode
yang digunakan, karena banyak teori/metode untuk
membangun sistem fuzzy.
Namun secara garis besar dapat disimpulkan sebagai
berikut :

30 Materi 6/ AI/ LKW/ 0910

 FUZZIFIKASI
Yaitu mengambil masukan nilai crisp dan menentukan
derajat dimana nilai-nilai tersebut menjadi anggota
dari setiap himpunan fuzzy yang sesuai membuat
fungsi keanggotaan
Contoh : masukan crisp 75 derajat ditransformasikan
sebagai panas dalam bentuk fuzzy dengan derajat
keanggotaan 0.80.

31 Materi 6/ AI/ LKW/ 0910

 INFERENSI
mengaplikasikan aturan pada masukan fuzzy yang
dihasilkan dalam proses fuzzyfikasi
mengevaluasi tiap aturan dengan masukan yang
dihasilkan dari proses fuzzyfikasi dengan
mengevaluasi hubungan atau derajat keanggotaan
anteceden/premis setiap aturan.
derajat keanggotaan/nilai kebenaran dari premis
digunakan untuk menentukan nilai kebenaran
bagian consequent/kesimpulan

32 Materi 6/ AI/ LKW/ 0910

 INFERENSI
MAMDANI

dimana A1, ..., An, dan B adalah nilai-nilai linguistik (atau

fuzzy set) dan x1 is A1 menyatakan bahwa nilai
variabel x1 adalah anggota fuzzy set A1.

SUGENO

dimana f bisa berupa sembarang fungsi dari variabel-

variabel input yang nilainya berada dalam interval
variabel output .

33 Materi 6/ AI/ LKW/ 0910

 DEFUZZIFIKASI
Penentuan output crisp pembalikan nilai fuzzy ke
crisp
Tergantung teori/metode yang digunakan
Metode :
Centroid method atau Center of Area atau Center of
Gravity
Height method (khusus untuk Sugeno)
First (or Last) of Maxima
Mean-Max method
Weighted Average

34 Materi 6/ AI/ LKW/ 0910

 STUDI KASUS
Misalkan kita ingin membangun sistem untuk
mengontrol alat penyiram air. Input untuk sistem
tersebut adalah: Suhu Udara (dalam 0C) dan
Kelembaban Tanah (dalam %). Sedangkan output
yang diinginkan adalah Durasi Penyiraman (dalam
satuan menit).
Misalkan, nilai crisp yang diterima oleh sensor
suhu adalah 370C dan nilai crisp yang diterima
sensor kelembaban adalah 12%. Berapa lama
durasi penyiraman yang harus dilakukan?

35 Materi 6/ AI/ LKW/ 0910

 PROSES FUZZIFICATION

Warm = -(37-39)/(39-36) = 2/3.

Hot = (37-36)/(39-36) = 1/3.

Dry = -(12-20)/(20-10) = 4/5

Moist = (12-10)/(20-10) = 1/5

36 Materi 6/ AI/ LKW/ 0910

 PROSES INFERENSI

37 Materi 6/ AI/ LKW/ 0910

 PROSES INFERENSI MENGGUNAKAN
MODEL MAMDANI

38 Materi 6/ AI/ LKW/ 0910

 PROSES INFERENSI MENGGUNAKAN
MODEL MAMDANI
Dari empat data fuzzy input di atas, Warm (2/3),
Hot (1/3), Dry (4/5) dan Moist (1/5), maka kita
mendapatkan 4 aturan (dari 15 aturan) yang dapat
diaplikasikan:
IF Suhu is Warm (2/3) AND Kelembaban is Dry (4/5)
THEN Durasi is Long (2/3)
IF Suhu is Warm (2/3) AND Kelembaban is Moist (1/5)
THEN Durasi is Medium (1/5)
IF Suhu is Hot (1/3) AND Kelembaban is Dry (4/5) THEN
Durasi is Long (1/3)
IF Suhu is Hot (1/3) AND Kelembaban is Moist (1/5)
THEN Durasi is Medium (1/5)

39 Materi 6/ AI/ LKW/ 0910

 PROSES INFERENSI MENGGUNAKAN
MODEL MAMDANI
Gunakan aturan disjungsi (v)
Untuk memilih derajat ke-
Anggotaan max dari nilai
Sebelumnya.

Durasi is Medium (1/5) v

Durasi is Medium (1/5)
Durasi is Medium (1/5)

Durasi is Long (2/3) v

Durasi is Long (1/3)
Durasi is Long (2/3)

40 Materi 6/ AI/ LKW/ 0910

 PROSES INFERENSI MENGGUNAKAN
MODEL SUGENO

41 Materi 6/ AI/ LKW/ 0910

 PROSES DEFUZZYFICATION MODEL
MAMDANI DENGAN COG

(24 28 32 36 40)1 / 5 (48 60 70 80 90)2 / 3

y*
1/ 5 1/ 5 1/ 5 1/ 5 1/ 5 2 / 3 2 / 3 2 / 3 2 / 3 2 / 3
32 232 310,4
y* 60,97
4,33 4,33
42 Materi 6/ AI/ LKW/ 0910
 PROSES DEFUZZYFICATION MODEL
SUGENO DENGAN WEIGHTED AVERAGE

1 / 5(40) 2 / 3(60)
y* 55,38
1/ 5 2 / 3

43 Materi 6/ AI/ LKW/ 0910