ALGORITMA FUZZY LOGIC

MENGGUNAKAN METODE TSUKAMOTO

PADA KASUS EVALUASI PEGAWAI
OLEH :
- 10116050 FIKIH ZAMAN
- 10116059 BOBBY RAFIKA CHANDRA
- 10116073 MUHAMMAD RIZQI ZEIN AZIS
INTRODUCTION

Fuzzy Logic adalah suatu cabang ilmu Artificial Intellegence, yaitu suatu pengetahuan yang
membuat komputer dapat meniru kecerdasan manusia sehingga diharapkan komputer dapat
melakukan hal-hal yang apabila dikerjakan manusia memerlukan kecerdasan. Dengan kata
lain fuzzy logic mempunyai fungsi untuk “meniru” kecerdasan yang dimiliki manusia untuk
melakukan sesuatu dan mengimplementasikannya ke suatu perangkat, misalnya robot, kendaraan,
peralatan rumah tangga, dan lain-lain.
DIAGRAM PROSES
Crisp Input

Fuzzifikasi Input Membership

Function
Fuzzy Input

Inference System
Rules Evaluation

Fuzzy Output

Output Membership
Deffuzifikasi
Function
Crisp Output
METODE FIS METODE TSUKAMOTO

Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-Then
harus dipresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan
yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan
diberikan secara tegas (crisp) berdasarkan a-predikat (fire strength). Hasil
akhirnya diperoleh dengan menggunakan rata-rata
HAL-HAL DASAR DALAM FUZZY LOGIC

A. Himpunan Tegas (Crisp Set)

• Himpunan yang membedakan anggota dan non anggotanya dengan batasan yang jelas
disebut crisp set
• Misalnya, jika C={x | x integer, x > 2}, maka anggota C adalah 3, 4, 5, dan seterusnya.
• Sedangkan yang bukan anggota C adalah 2, 1, 0, -1, dan seterusnya
HAL-HAL DASAR DALAM FUZZY LOGIC

B. Himpunan Fuzzy (Fuzzy Set)

• Fuzzy set merupakan dasar dari fuzzy logic dan fuzzy systems
• Suatu fuzzy set A di dalam Universe (semesta) U didefinisikan sebagai suatu fungsi
keanggotaan u-A[x] (sebut miu A), yang memetakan setiap objek di U menjadi suatu nilai
real dalam interval [0,1]..
• Nilai-nilai u-A[x] menyatakan derajat keanggotaan x di dalam A
HAL-HAL DASAR DALAM FUZZY LOGIC

C. Fungsi Keanggotaan (Membership Function)

• Nilai-nilai u-A[x] menyatakan derajat keanggotaan x di dalam A.
• Terdapat banyak sekali fungsi keanggotaan yang bisa digunakan Seperti Representasi
Linear, Kurva Segitiga, Kurva Trapesium, Kurva Bahu, Kurva dll.
DATA-DATA PARAMETER EVALUASI PEGAWAI

MASA KERJA USIA NILAI PELATIHAN NILAI KINERJA

0 – 10 46 – 55 50 – 65 50 – 65

11 – 20 36 – 45 66 – 85 66 – 85

21 – 30 25 – 35 86 – 100 86 – 100

Tabel Parameter
PEMBUATAN HIMPUNAN FUZZY (FUZZICATION)
• Himpunan Fuzzy untuk parameter usia menggunakan fungsi sebagai berikut :
1 ; 𝑥 < 30 Muda Paruhbaya Tua
40−𝑥
• 𝜇MUDA x = ൞40−30 ; 30 ≤ 𝑥 < 40 1.2

0 ; 𝑥 ≥ 40
1

0 ; 𝑥 ≤ 30 0.8
𝑥−30
; 30 < 𝑥 ≤ 40
40−30
• 𝜇PARUHBAYA[x] = 50−𝑥 0.6
; 40 < 𝑥 < 50
50−40
0 ; 50 ≤ 𝑥
0.4

0 ; 𝑥 ≤ 40 0.2

𝑥−40
• 𝜇TUA[x] = ൞50−40 ; 40 < 𝑥 ≤ 50
0
1 ; 50 > 𝑥 25 30 35 40 45 50 55
PEMBUATAN HIMPUNAN FUZZY (FUZZICATION)
• Himpunan Fuzzy untuk Parameter masa kerja menggunakan fungsi sebagai berikut :
1 ; 𝑥<5 Junior Experienced Senior
15−𝑥
• 𝜇JUNIOR[x] = ൞15−5 ; 5 ≤ 𝑥 < 15 1.2

0 ; 𝑥 ≥ 15
1

0 ; 𝑥≤5 0.8
𝑥−5
; 5 < 𝑥 ≤ 15
15−5
• 𝜇EXPERIENCED[x] = 25−𝑥
; 15 < 𝑥 < 25 0.6
25−15
0 ; 25 ≤ 𝑥
0.4

0 ; 𝑥 ≤ 15 0.2
𝑥−25
• 𝜇SENIOR[x] = ൞25−15 ; 15 < 𝑥 ≤ 25
1 ; 𝑥 > 25 0
0 5 10 15 20 25 30
PEMBUATAN HIMPUNAN FUZZY (FUZZICATION)
• Himpunan Fuzzy untuk parameter nilai kinerja dan nilai pelatihan menggunakan fungsi sebagai berikut :
1 ; 𝑥 < 57.5
75−𝑥 Bad Good Excellent
• 𝜇BAD[x] = ൞75−57.5 ; 57.5 ≤ 𝑥 < 75 1.2
0 ; 𝑥 ≥ 75
1

0 ; 𝑥 ≤ 57.5 0.8
𝑥−57.5
; 57.5 < 𝑥 ≤ 75
75−57.5
• 𝜇GOOD[x] = 92.5−𝑥 0.6
; 75 < 𝑥 < 92.5
92.5−75
0 ; 92.5 ≤ 𝑥 0.4

0.2
0 ; 𝑥 ≤ 75
𝑥−92.5
• 𝜇EXCELLENT[x] = ൞92.5−75 ; 75 < 𝑥 ≤ 92.5 0
50 55 57.5 60 65 70 75 80 85 90 92.5 95 100
1 ; 𝑥 > 92.5
PEMBUATAN HIMPUNAN FUZZY (FUZZICATION)
• Himpunan Fuzzy untuk parameter evaluasi menggunakan fungsi sebagai berikut :
1 ; 𝑥 < 40 PHK Mutasi Promosi
50−𝑥
• 𝜇PHK[x] = ൞50−40 ; 40 ≤ 𝑥 < 50 1.2

0 ; 𝑥 ≥ 50
1

0 ; 𝑥 ≤ 45 0.8
𝑥−45
; 45 < 𝑥 ≤ 55
55−45
• 𝜇MUTASI[x] = 1 ; 55 < 𝑥 < 75 0.6
85−𝑥
; 75 ≤ 𝑥 < 85
85−75
0 ; 85 ≤ 𝑥 0.4

0.2
0 ; 𝑥 ≤ 80
𝑥−90
• 𝜇PROMOSi[x] = ൞90−80 ; 80 < 𝑥 ≤ 90
0
1 ; 𝑥 > 90 35 40 45 50 55 60 65 70 75 80 85 90 95
RULESET
Ruleset

No Masa Kerja Usia Nilai Pelatihan Nilai Kinerja Output

1 Junior M B B MUTASI
2 Junior P B B PHK
3 Junior T B B PHK
… …. …. …. …. ….
… … …. …. …. ….
79 Senior M E E PROMOSI
80 Senior P E E MUTASI
81 Senior T E E MUTASI
DATA-DATA EVALUASI PEGAWAI
NAMA PEGAWAI MASA KERJA USIA NILAI PELATIHAN NILAI KINERJA

BUDIANO 15 48 95 52

SANTO 16 32 66 50

SAFERO 11 32 77 72

MARHAM 26 50 88 96

RIANTO 17 48 63 58

Tabel Data Pegawai

CONTOH KASUS

• Sebagai contoh kita menggunakan data Budiano pertama kita akan melakukan proses
fuzzifikasi. Budiano memiliki parameter sebagai berikut
• Masa Kerja : 15 thn
• Usia : 48 thn
• Nilai Pelatihan : 95
• Nilai Kinerja : 52
CONTOH KASUS
1. Proses Fuzzifikasi
a. Parameter masa kerja
Dikarenakan masa kerja 15 tahun berada tepat di Experienced di himpunan fuzzy untuk masa kerja maka
diberikan derajat keanggotaan nilai 1.
15 − 5
𝜇Experienced 15 = =1
15 − 5
b. Parameter Usia
Dikarenakan usia 48 tahun berada diantara Paruhbaya dan Tua maka harus dihitung derajat keangotaannya
menggunakan 2 fungsi tersebut.
50 − 48
𝜇Paruhbaya 48 = = 0,2
50 − 40

48 − 40
𝜇Tua 48 = = 0,8
50 − 40
CONTOH KASUS

c. Parameter Nilai Pelatihan

Dikarenakan nilai pelatihan 95 berada didalam Excellent maka untuk menghitung derajat keanggotaanya
menggunakan fungsi berikut.
𝜇Excellent 95 = 1
d. Parameter Nilai Kinerja
Dikarenakan nilai kinerja 52 berada didalam Bad maka untuk menghitung derajat keanggotaanya
menggunakan fungsi berikut.
𝜇Bad 52 = 1
PROSES FUZZY INFERENCE SYSTEM (FIS)

• Pada tahap Fuzzy Inference System kita akan menggunakan ruleset yang telah dibuat,
pembuatan ruleset dibuat berdasarkan dari data latih dan menghasilkan 81 ruleset. Pada kasus
Budiano setelah dilakukan pencocokan dengan hasil dari derajat keanggotaan Budiano,
Budiano memiliki
• Masa Kerja yang Experienced. Ruleset

• Usia Paruhbaya 0,2 dan Tua 0,8. No Masa Kerja Usia

Nilai Nilai
Output
Pelatihan Kinerja
• Nilai Pelatihan yang Excellent.
47 Experienced P E B MUTASI
• Nilai Kinerja yang Bad.
48 Experienced T E B PHK
PROSES FUZZY INFERENCE SYSTEM (FIS)
Maka budiano masuk kedalam
• [R47] IF Masa Kerja EXPERIENCED and Usia PARUHBAYA and Nilai Pelatihan EXCELLENT
and Nilai Kinerja BAD then Evaluasi MUTASI
= µMKEXPERIENCED(15) ∩ µUsiaPARUHBAYA(48) ∩ µ NPelEXCELLENT(95) ∩
α-predikat1
µNKinBAD(52)
= min( µMKEXPERIENCED(15), µUsiaPARUHBAYA(48), µ NPelEXCELLfENT(95),
µNKinBAD(52))
= min(1;0.2;1;1)
=0,2
Z11 = 45 + (0.2 * 10) = 47
Z12 = 85 - (0.2 * 10) = 83
Z1 = (47 + 83) / 2 = 65
PROSES FUZZY INFERENCE SYSTEM (FIS)
Maka budiano masuk kedalam
• [R48] IF Masa Kerja EXPERIENCED and Usia TUA and Nilai Pelatihan EXCELLENT and Nilai
Kinerja BAD then Evaluasi PHK

= µMKEXPERIENCED(15) ∩ µUsiaTUA(48) ∩ µ NPelEXCELLENT(95) ∩

α-predikat2
µNKinBAD(52)

= min( µMKEXPERIENCED(15), µUsiaTUA(48), µ NPelEXCELLENT(95),

µNKinBAD(52))
= min(1;0.8;1;1)
=0,8
Z2 = 50 - (0,8 * 10) = 42
PROSES DEFUZZIFIKASI PHK Mutasi Promosi

1.2

0.8

Proses defuzzifikasi menggunakan rata-rata pembobotan 0.6

0.4

( 0,2 ∗65) + (0,8∗42) 0.2

Z= = 46,6
(0,2+0,8)
0
35 40 45 50 55 60 65 70 75 80 85 90 95

Dari hasil defuzzifikasi, diperoleh nilai Z = 46,6 NILAI

NAMA MASA NILAI HASIL
USIA PELATIHA
ini membuktikan bahwa BUDIANO masuk kedalam PEGAWAI KERJA
N
KINERJA EVALUASI

kategori PHK
BUDIANO 15 48 95 42 PHK
[ ]