PENGANTAR PERTEMUAN KE-1
FUZZY ?
Konsep himpunan fuzzy merupakan dasar dari
sistem logika fuzzy. Himpunan fuzzy tersebut
memetakan kriteria-kriteria kualitatif terhadap
fungsi keanggotaan. Dengan demikian setiap
kriteria kualitatif dalam himpunan fuzzy
mempunyai fungsi keanggotaan ().
Fungsi keanggotaan dari kriteria kualitatif
dalam himpunan fuzzy mempunyai selang nilai
antara 0.0 sampai 1.0. Bila X anggota
himpunan fuzzy, maka (X) merupakan
derajat keanggotaan atau fungsi dari X.
Sebelum logita fuzzy dicetuskan, logika
konvensional mengharuskan bahwa jika
suatu proposisi benar, maka negasinya
harus salah sehingga hanya ada dua
keanggotaan yaitu 0 dan 1. LA Zadeh
kemudian memperkenalkan gugus fuzzy
(fuzzy set) dengan ketentuan:
Jika A = {X  A(X)} maka 0  A(X)  1
Hal ini berarti bahwa nilai fungsi
keanggotaan A dalam semesta X bisa
bernilai 0, 1 dan nilai-nilai diantaranya.
Tabel Contoh derajat keanggotaan himpunan Fuzzy
Misal X adalah himpunan
semesta umur manusia, dan X
Umur Muda Dewasa Tua adalah himpunan crisp yang
(tahun) mempunyai anggota sbb:
5 1 0 0
10 1 0 0 X = {5, 10, 15, 20, 30, 40, 50,
20 0.8 0.8 0.1 60, 70, 80 }.
30 0.5 1 0.2 A = (1/x1), (2/x2), (3/x3), ................. , (i/xi)
40 0.2 1 0.4 Anggota-anggota himpunan bagian (xi) dengan
50 0.1 1 0.6 derajat keanggotaan i dari himpunan semesta X
adalah:
60 0 1 0.8
70 0 1 1 Muda: {1/5, 1/10, 0.8/20, 0.5/30, 0.2/40, 0.1/50}.
Dewasa: {0.8/20, 1/30, 1/40, 1/50, 1/60, 1/70, 1/80}.
80 0 1 1
Tua: {0.1/20, 0.2/30, 0.4/40, 0.6/50, 0.8/60, 1/70,
1/80}
 PENGENDALIAN LOGIKA FUZZY
Tahapan yang umum dilakukan dalam pengendalian logika fuzzy
adalah:
 Fuzzifikasi
 Basis Pengetahuan.
 Logika Fuzzy reasoning
 Defuzzifikasi
LOGIKA FUZZY
Suatu cara untuk merepresentasikan dan menangani masalah
ketidakpastian (keraguan, ketidaktepatan, kekurang-lengkapan
informasi, dan kebenaran yang bersifat sebagian).
FUZZY SYSTEM
HIMPUNAN FUZZY
PERTEMUAN KE-2
POKOK BAHASAN
Sistem fuzzy
Himpunan Fuzzy
Fungsi Keanggotaan
Operator-operator Fuzzy
 SISTEM FUZZY
Sistem yang berdasarkan aturan-aturan (pengetahuan)
Dibangun oleh koleksi aturan: IF-THEN
Contoh:
 IF mesin panas THEN putar kipas lebih cepat
 IF jarak mobil dekat THEN tekan rem kuat-kuat
 IF permintaan naik THEN produksi barang bertambah
MENGAPA MENGGUNAKAN SISTEM FUZZY?
Pada kenyataannya banyak hal di dunia ini yang sangat kompleks.
Pengetahuan & pengalaman manusia menjadi sangat dibutuhkan dalam
menyelesaikan masalah tersebut.
Perlu suatu teori yang mampu merumuskan pengetahuan & pengalaman
manusia itu ke bentuk matematis.
Sistem fuzzy akan melakukan transformasi dari pengetahuan manusia
ke bentuk matematis
HIMPUNAN TEGAS (CRISP)
Pada himpunan tegas (crisp set), nilai keanggotaan suatu item x dalam suatu
himpunan A (ditulis A[x]) memiliki 2 kemungkinan :
 Satu (1), artinya x adalah anggota A
 Nol (0), artinya x bukan anggota A
CONTOH
S={1,2,3,4,5,6} adalah semesta pembicaraan
A={1,2,3}
B={3,4,5}
maka :
 Nilai kaanggotaan 2 pada A, A[2] = 1, karena 2A
 Nilai kaanggotaan 4 pada A, A[4] = 0, karena 4 A
CONTOH
“Jika suhu lebih tinggi atau sama dengan 80 oF, maka suhu disebut panas,
sebaliknya disebut tidak panas”
Kasus :
– Suhu = 100 oF, maka Panas
– Suhu = 80.1 oF, maka Panas
– Suhu = 79.9 oF, maka tidak panas
– Suhu = 50 oF, maka tidak panas

• If Suhu ≥ 80 oF, disebut panas

• If Suhu < 80 oF, disebut tidak panas

• Fungsi keanggotaan dari himpunan tegas gagal membedakan antara anggota pada
himpunan yang sama
• Ada problem-problem yang terlalu kompleks untuk didefinisikan secara tepat
 CONTOH
Misal variable umur dibagi menjadi 3 katagori :
• MUDA umur <35 tahun
• PAROBAYA 35 ≤ umur ≤ 55 tahun
• TUA umur > 55 tahun

• Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA

• Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA
• Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA
• Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK PAROBAYA
• Apabila seseorang berusia 55 tahun, maka ia dikatakan TIDAK TUA
• Apabila seseorang berusia 55 tahun lebih ½ hari, maka ia dikatakan TUA
HIMPUNAN FUZZY
Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk menyatakan umur sangat tidak adil,
adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan katagori yang cukup signifikan
Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Sesorang dapat masuk dalam 2
himpunan yang berbeda. MUDA dan PAROBAYA, PAROBAYA dan TUA, dsb. Seberapa besar
eksistensinya dapat dilihat pada nilai/derajat keanggotaannya. Gambar berikut menunjukkan himpunan
fuzzy untuk variabel umur :

Gambar. Himpunan Fuzzy untuk variable umur

CONTOH
 usia 34 tahun maka dikatakan MUDA
→ µMUDA[34] = 1
 usia 35 tahun maka dikatakan PAROBAYA
→ µPAROBAYA[35] = 1
 usia 34 tahun maka dikatakan TIDAKPAROBAYA
→ µPAROBAYA[34] = 0
 usia 35 tahun kurang 1 hari maka dikatakan TIDAKPAROBAYA
→ µPAROBAYA[35 th – 1 hari] = 0
 usia 35 tahun lebih 1 hari maka dikatakan TIDAKMUDA
→ µMUDA[35 th + 1 hari] = 0
 HIMPUNAN FUZZY
 Misal pada contoh sebelumnya (kategori umur), seseorang bisa
masuk 2 himpunan yang berbeda, misal MUDA dan PAROBAYA
 Grafik untuk himpunan fuzzy
 HIMPUNAN FUZZY
 usia 40 tahun termasuk dalam himpunan MUDA dengan
µMUDA[40] = 0,25 termasuk juga dalam himpunan PAROBAYA
dengan µ PAROBAYA [40] = 0,5
 usia 50 tahun termasuk dalam himpunan TUA dengan µTUA[50] =
0,25 termasuk juga dalam himpunan PAROBAYA dengan µ
PAROBAYA [50] = 0,5
 PERBEDAAN HIMPUNAN TEGAS DAN HIMPUNAN FUZZY
 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 µ A [x] = 0 → x bukan
anggota himpunan A
 Bila x memiliki derajat keanggotaan fuzzy µ A [x] = 1 → x
anggota penuh himpunan A
 ANTARA HIMPUNAN CRISP DENGAN FUZZY

Misalkan diketahui klasifikasi sebagai berikut:

MUDA : umur < 35 tahun

SETENGAH BAYA : 35  umur  55 tahun
TUA : umur > 55 tahun
HIMPUNAN CRISP SETENGAH BAYA

1
 Setengah
Baya
0 35 55 umur

Orang yang berusia 35 tahun termasuk SETENGAH BAYA

(nilai keanggotaan=1)
Orang yang berusia 34 tahun tidah termasuk SETENGAH BAYA
(nilai keanggotaan=0)
Orang yang berusia 55 tahun termasuk SETENGAH BAYA
(nilai keanggotaan=1)
Orang yang berusia 56 tahun tidah termasuk SETENGAH BAYA
(nilai keanggotaan=0)
 HIMPUNAN FUZZY SETENGAH BAYA
 SETENGAH BAYA
1

0.5

25 35 45 55 65
umur

Orang yang berusia 35 tahun termasuk SETENGAH BAYA (nilai keanggotaan=0,5)

Orang yang berusia 45 tahun termasuk SETENGAH BAYA (nilai keanggotaan=1)
Orang yang berusia 55 tahun termasuk SETENGAH BAYA (nilai keanggotaan=0,5)
Orang yang berusia 25 tahun tidak termasuk SETENGAH BAYA (nilai keanggotaan=0)
 SETENGAH
1 MUDA BAYA TUA


0.5

25 35 45 55 65
umur

Orang yang berusia 45 tahun termasuk SETENGAH BAYA (nilai

keanggotaan=1)
Orang yang berusia 35 tahun termasuk SETENGAH BAYA (nilai
keanggotaan=0,5), dan termasuk MUDA (nilai keanggotaan 0,5).
Orang yang berusia 55 tahun termasuk SETENGAH BAYA (nilai
keanggotaan=0,5), dan termasuk TUA (nilai keanggotaan 0,5).
 TINGGI HIMPUNAN FUZZY
Tinggi himpunan fuzzy adalah derajat keanggotaan maksimumnya dan terikat
pada konsep normalisasi.

DEKAT DENGAN 4 DEKAT DENGAN 50

1 0,82
derajat
keanggotaan
derajat
keanggotaan

1 4 7
47 50 53
BENTUK NORMAL MAKSIMUM DAN MINIMUM
Suatu himpunan fuzzy dikatakan memiliki bentuk normal maksimum
(Maximum Normal Form) jika paling sedikit satu elemennya memiliki
nilai keanggotaan satu (1) dan satu elemennya memiliki nilai
keanggotaan nol (0).
Suatu himpunan fuzzy dikatakan memiliki bentuk normal minimum
(Minimum Normal Form) jika paling sedikit satu elemennya memiliki
nilai keanggotaan satu (1).
 DEKAT DENGAN 50

0,82

derajat
keanggotaan

47 50 53
VARIABEL FUZZY

Variabel fuzzy adalah variabel-variabel yang akan dibicarakan dalam suatu sistem
fuzzy.
Contoh:
 Temperatur
 Umur
 Tinggi Badan
 dll
SEMESTA PEMBICARAAN

Keseluruhan ruang permasalahan dari nilai terkecil hingga nilai terbesar yang
diijinkan disebut dengan semesta pembicaraan (universe of discourse).
Semesta pembicaraan bersifat monoton naik, dan adakalanya open ended.
TEMPERATUR
DINGIN SEJUK HANGAT PANAS
1

[x]

0
100 140 200 260 320 360
temperatur turbin (oC)
HIMPUNAN FUZZY

Himpunan fuzzy adalah himpunan-himpunan yang akan dibicarakan pada suatu

variabel dalam sistem fuzzy.
Contoh:
 Temperatur: DINGIN, SEJUK, HANGAT, PANAS.
 Umur: MUDA, PAROBAYA, TUA.
 Tinggi Badan: RENDAH, TINGGI
 dll
DOMAIN HIMPUNAN FUZZY
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan.
Domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri
ke kanan (sb. x). Nilai domain dapat berupa bilangan positif maupun negatif.
BERAT
1
[x]

0
40 berat badan 60
(kg)

Domain himpunan fuzzy BERAT [40,60]

Domain himpunan fuzzy:
 DINGIN (100oC-200oC),
 SEJUK (140oC-260oC),
 HANGAT (200oC-320oC), dan
 PANAS (260oC-360oC).

Himpunan-himpunan fuzzy yang mendeskripsikan semesta pembicaraan ini tidak

perlu simetris, namun harus selalu ada overlap pada beberapa derajat.
TEMPERATUR
DINGIN SEJUK HANGAT PANAS
1
derajat
keanggotaan
(x)

0
100 140 200 260 320 360
temperatur turbin (oC)
SUPPORT SET
Himpunan yang memiliki derajat keanggotaan lebih dari nol.
Domain untuk BERAT adalah 40 kg hingga 60 kg, namun kurva yang ada dimulai dari 42 hingga 55 kg

1 BERAT

(x)

0
40 42 berat badan 55 60
(kg)

support set
A-CUT SET
Himpunan ini berisi semua nilai domain yang merupakan bagian dari himpunan
fuzzy dengan nilai keanggotaan lebih besar atau sama dengan .

BERAT
1
(x)

=0,2
0
40 45 berat badan
60
(kg)

-cut set
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. Linier
2. Segitiga
3. Trapesium
4. Sigmoid
5. Phi
FUNGSI KEANGGOTAAN
1. Representasi Linear

Representasi linear naik,

yaitu kenaikan himpunan
dimulai dari nilai domain
yang memiliki nilai
keanggotaan nol [0]
bergerak ke kanan menuju
ke nilai domain yang  0;  xa
memiliki derajat 
x  a
[x]   ;  axb
keanggotaan yang lebih b  a
tinggi.  1;
  xb
FUNGSI KEANGGOTAAN
1. Representasi Linear
Pada representasi linear, permukaan digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan
menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas.

Representasi linear turun,

yaitu garis lurus yang dimulai
dari nilai domain dengan
derajat keanggotaan  1;  xa
tertinggi pada sisi kiri, b  x
kemudian bergerak turun ke [ x ]   ;  a xb
nilai domain yang memiliki b  a
 0;  xb
derajat keanggotaan lebih
rendah.
Contoh:

TUA
1

0,6
(x)

0 35 50 60
Umur(th)

TUA[50] = (50-35)/(60-35) = 0,6

2. Kurva Segitiga
Representasi kurva segitiga adalah gabungan
antara representasi linear naik dan representasi Pusat
linear turun. 1

Pada kurva di samping menggunakan bentuk (x)

segitiga untuk merepresentasikan data-
datanya. 0
a b c
Biasanya kurva dalam bentuk ini digunakan Sisi Sisi
untuk mengolah data praktis seperti seperti kiri kanan
pada alat elektronik. Misalnya saja pada lemari Domain
es, setrika, kipas angin, dan sebagainya.

0; x  a atau x  c

 ( x; a, b, c)  ( x  a) /(b  a); a  x  b
(c  x) /(c  b); b  x  c

Contoh

PAROBAYA
1

0,75
[x]
0,3

0
35 38 45 50 65
Umur (th)
PAROBAYA[38] = (38-35)/(45-35) = 0,3
PAROBAYA[50] = (65-50)/(65-45) = 0,75
3. Kurva-S (Sigmoid/Logistic)

 0  x 
 2
 2((x   ) /(g   ))   xb
S(x; , b , g )   2
1  2((g  x) /(g   ))  b  x g
 1  x g

1
derajat
keanggotaan

0,5

0
i j
Titik Infleksi b

Keanggotaan=0  Keanggotaan=1 g
Contoh

1
TUA
0,755

[x]

0,125

0 45 50 58 65
Umur (th)

TUA[50] = 2[(50-45)/(65-45)]2 = 0,125

TUA[58] = 1-2[(65-58)/(65-45)]2 = 0,755
Contoh

MUDA
1
0,755

[x]

0,125

0 25 32 40 45
Umur (th)

MUDA[32] = 1-2[(32-25)/(45-25)]2 = 0,755

MUDA[40] = 2[(45-40)/(45-25)]2 = 0,125
4. Kurva-p   b 
 S x; g  b, g  2 , g   xg
 ( x , b, g )    
1  S x; g , g  b , g  b   x  g
  2 

Pusat g

1
derajat
keanggotaan

0,5

0
i Titik j
Infleksi Lebar b

Domain
Contoh

1 PAROBAYA

0,92

[x]

0,18

0 35 43 45 52 55
Umur (th)

PAROBAYA[43] = 1-2[(45-43)/(45-35)]2 = 0,92

PAROBAYA[52] = 1-(1-2[(55-52)/(55-45)]2) = 0,18
5. Kurva Bentuk Bahu

Bahu Kiri Bahu Kanan

1 DINGIN SEJUK NORMAL HANGAT PANAS

[x]

0
0 15 20 25 30 35
Suhu Ruangan (oC)
 OPERASI LOGIKA
(OPERASI DASAR 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, terdapat 3
operasi dasar pada himpunan fuzzy :
INTERSEKSI
Interseksi antara 2 himpunan berisi elemen-elemen yang berada pada kedua himpunan. pe
Ekuivalen dengan orasi aritmetik atau logika AND.
Pada logika fuzzy konvensional, operator AND diperlihatkan dengan derajat keanggotaan minimum
antar kedua himpunan.

 0.00 0.25 0.50 0.75 1.00

0.00 0.00 0.00 0.00 0.00 0.00
0.25 0.00 0.25 0.25 0.25 0.25
0.50 0.00 0.25 0.50 0.50 0.50
0.75 0.00 0.25 0.50 0.75 0.75
1.00 0.00 0.25 0.50 0.75 1.00
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], [y is B].
CONTOH:
SETENGAH BAYA TINGGI
1 1
[x] [x]

0 0
35 45 55 135 170
umur (tahun) tinggi badan (cm)

TINGGI dan SETENGAH BAYA

1
1/2
[x]
BAYA TINGGI

0
X1 Xn
 CONTOH
Misal derajat keanggotaan 27 tahun pada himpunan MUDA adalah 0.6
(µMUDA[27] = 0.6)
Derajat keanggotaan Rp.2 juta pada himpunan penghasilan TINGGI adalah 0.8
(µGAJITINGGI[2juta] = 0.8) maka α predikat untuk usia MUDA dan
berpenghasilan TINGGI :
µMUDA ∩ µGAJITINGGI = min (µMUDA[27], µGAJITINGGI[2juta])
= min (0.6 , 0.8)
= 0.6
UNION
• Union dari 2 himpunan dibentuk dengan menggunakan operator OR.
• Pada logika fuzzy konvensional, operator OR diperlihatkan dengan
derajat keanggotaan maksimum antar kedua himpunan.

 0.00 0.25 0.50 0.75 1.00

0.00 0.00 0.25 0.50 0.75 1.00
0.25 0.25 0.25 0.50 0.75 1.00
0.50 0.50 0.50 0.50 0.75 1.00
0.75 0.75 0.75 0.75 0.75 1.00
1.00 1.00 1.00 1.00 1.00 1.00
 Contoh:
SETENGAH BAYA TINGGI
1 1

[x] [x]

0 0
35 45 55 135 170
umur (tahun) tinggi badan (cm)

TINGGI atau SETENGAH BAYA

1
TINGGI
[x] 1/2
BAYA

0
X1 Xn
CONTOH
A = {1.0, 0.20, 0.75}
B = {0.2, 0.45, 0.50}
A  B = {MAX(1.0, 0.2), MAX(0.20, 0.45), MAX(0.75, 0.50)}
= {1.0, 0.45, 0.75}
CONTOH
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
 KOMPLEMEN

• Komplemen atau negasi suatu himpunan A berisi

semua elemen yang tidak berada di A.

Tidak SETENGAH BAYA Tidak SETENGAH BAYA

1 1
[x] [x]

0 025
25 35 55 65 45 65
umur (tahun) umur (tahun)
CONTOH
Ac = {1 – 1.0, 1 – 0.2, 1 – 0.75} = {0.0, 0.8, 0.25}
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
= 0,4
CONTOH Nilai keanggotaan sebagai hasil dari
operasi 2 himpunan: fire strength atau -
predikat
AND
Misalkan nilai keanggotaan IP 3.2 pada
AB [x] = min(A[x], B[x]) himpunan IPtinggi adalah 0.7 dan nilai
keanggotaan 8 semester pada himpunan
LulusCepat adalah 0.8 maka a-predikat
IPtinggiLulusCepat = min(IPtinggi[3.2], LulusCepat[8]) untuk IPtinggi dan LulusCepat:
= min(0.7,0.8) = 0.7
OR

AB [x] = max(A[x], B[x]) -predikat untuk IPtinggi atau LulusCepat:

IPtinggiLulusCepat = 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

60
 A B

AB AB A
A’
AB
AB
 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 → anteseden) THEN
(proposisi fuzzy 2 → konsekuen)
 ATURAN (RULE) IF-THEN FUZZY
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.
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
 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
 STUDI KASUS 1
Suatu perusahaan makanan kaleng akan memproduksi
makanan jenis ABC.
Dari data 1 bulan terakhir, permintaan terbesar
mencapai 5000 kemasan/hari, dan permintaan terkecil
sampai 1000 kemasan/hari.
Persediaan barang di gudang terbanyak sampai 600
kemasan/hari, dan terkecil pernah 100 kemasan/hari.
Dengan segala keterbatasannya, sampai saat ini,
perusahaan baru mampu memproduksi barang maksimum
7000 kemasan/hari, serta demi efisiensi mesin dan SDM
perusahaan memproduksi paling tidak 2000 kemasan.
STUDI KASUS 1
Apabila proses produksi perusahaan tersebut menggunakan 4 aturan fuzzy :
 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
Berapa kemasan makanan jenis ABC yang harus diproduksi, jika jumlah permintaan
sebanyak 4000 kemasan dan persediaan di gudang masih 300 kemasan?
SOLUSI
FUZZIFIKASI → membuat fungsi keanggotaan
Ada 3 variabel fuzzy yang akan dimodelkan, yaitu :
1. Permintaan
2. Persediaan
3. Barang produksi
LATIH :

1. Gambarkan himpunan fuzzy yang fungsi keanggotannnya dinyatakan oleh :

a. a ( 1 – ( | x – b | ) / c ) , untuk b – c  x  b + c
A(x)=
0, untuk x < b – c dan x > b + c

b. ( ( a – x ) e) / ( a – b ) , untuk a  x  b
e, untuk b  x  c
B(x)=
( ( d – x ) e ) / ( d – c ) , untuk c  x  d
0, untuk x < a dan x > d

2. Bila nilai a = 1 dan e = 0.5, gambarkan : A ∩ B, A υ B, (A ∩ B)’, (A υ B)’