LOGIKA

FUZZY
FUZZY MAMDANI

<ARTIFICIAL INTELLIGENCE>
Operasi Logika (Operasi 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 :
◦ OR (Union)
◦ AND (Intersection)
◦ NOT (Complement)

<INTELLIGENCE SYSTEM>
 OR (Union)
Fuzzy union (): union dari 2 himpunan adalah maksimum
dari tiap pasang elemen element pada kedua himpunan
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}

3
OR (Union)
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
AND (Intersection)
Fuzzy intersection (): irisan dari 2 himpunan fuzzy adalah minimum dari
tiap pasang elemen pada kedua himpunan.
contoh.
A  B = {MIN(1.0, 0.2), MIN(0.20, 0.45), MIN(0.75, 0.50)} = {0.2, 0.20,
0.50}
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 dan berpenghasilan TINGGI adalah
nilai keanggotaan minimun :
MUDAGAJITINGGI
= min( MUDA[27],  GAJITINGGI[2juta])
= min (0,6 ; 0,8)
= 0,6
NOT (Complement)
Komplemen dari variabel fuzzy dengan derajat keanggotaan=x adalah (1-x).
Komplemen ( _c): komplemen dari himpunan fuzzy terdisi dari semua komplemen elemen.
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

6
Contoh

Nilai keanggotaan sebagai hasil dari operasi 2 himpunan: fire strength atau -
predikat
Misalkan nilai keanggotaan IP 3.2 pada himpunan
AND
IPtinggi adalah 0.7 dan nilai keanggotaan 8 semester
pada himpunan LulusCepat adalah 0.8 maka -predikat
AB [x] = min(A[x], B[x]) untuk IPtinggi dan LulusCepat:

IPtinggiLulusCepat = min(IPtinggi[3.2], LulusCepat[8])

= 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

7
 A B

AB AB A
A’
AB
AB
Penalaran monoton
(Aturan Fuzzy If Then)
Metode penalran secara monoton digunakan sebagai dasar untuk teknik
implikasi fuzzy. Meskipun penalaran ini sudah jarang sekali digunakan,
namun kadang masih digunakan untuk penskalaan fuzzy. Jika 2 variabel
fuzzy direlasikan dengan implikasi sederhana sebagai berikut :

If x is A Then Y is B

atau 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

<INTELLIGENCE SYSTEM>
Contoh Implementasi

<INTELLIGENCE SYSTEM>
FUNGSI IMPLIKASI
Bentuk umum aturan yang digunakan dalam fungsi
implikasi :
IF x is A THEN y is B
dengan x dan y adalah skalar, A dan B adalah
himpunan fuzzy.
Proposisi yang mengikuti IF disebut anteseden,
sedangkan proposisi yang mengikuti THEN disebut
konsekuen.
Ada 2 fungsi implikasi:
Secara umum, ada dua fungsi
implikasi, yaitu :
1. Min (minimum), fungsi ini akan memotong output himpunan fuzzy
2. Dot (product), fungsi ini akan menskala output himpunan fuzzy
1. MIN (Minimum)
Fungsi ini akan memotong output himpunan fuzzy
Aplikasi Aplikasi fungsi
Operator AND implikasi Min

NAIK SEDANG NORMAL

IF
IF Permintaan
Permintaan NAIK
NAIK AND
AND Persediaan
Persediaan SEDANG
SEDANG THEN
THEN Produksi
Produksi Barang
Barang NORMAL
NORMAL

16
2. DOT (Product)
Fungsi ini akan menskala output himpunan fuzzy

Aplikasi Aplikasi fungsi implikasi

Operator AND Dot (Product)

NAIK SEDANG NORMAL

IF
IF Permintaan
Permintaan NAIK
NAIK AND
AND Persediaan
Persediaan SEDANG
SEDANG THEN
THEN Produksi
Produksi Barang
Barang NORMAL
NORMAL

17
FUZZY INFERENCE
SYSTEMS

18
 Mekanisme FIS
Fuzzy Inference Systems (FIS)
FUZZYFIKASI DEFUZZY
INPUT OUTPUT
RULES AGREGASI
(CRISP) (CRISP)

19
 Fuzzy Inference Systems
Kaidah-kaidah

input fuzzyfikasi penaran defusifikasi output

Pengantar
Operasi dari sistem pakar fuzzy tergantung dari eksekusi 4 fungsi utama:
◦ Fuzzification: definisi dari himpunan fuzzy dan
penentuan derajat keanggotaan dari crisp input pada
sebuah himpunan fuzzy
◦ Inferensi: evaluasi kaidah/aturan/rule fuzzy untuk
menghasilkan output dari tiap rule
◦ Composisi: agregasi atau kombinasi dari keluaran semua
rule
◦ Defuzzification: perhitungan crisp output

21
Pokok Bahasan
Model Fuzzy Mamdani

22
Model Mamdani
Sering dikenal dengan nama Metode Max-Min. Metode ini
diperkenalkan oleh Ebrahim Mamdani pada tahun 1975.
Untuk mendapatkan output diperlukan 4 tahapan :
1.Pembentukan himpunan fuzzy Variabel input maupun output dibagi menjadi
satu atau lebih himpunan
2.Aplikasi fungsi implikasi Fungsi implikasi yang digunakan adalah Min
Model Mamdani(Contd)
3. Komposisi aturan Ada tiga metode yang
digunakan dalam melakukan inferensi sistem fuzzy :
a. Metode Max
b. Metode Additive (SUM)
c. Metode Probabilistik OR
4. Penegasan (defuzzy) Input dari defuzzifikasi
adalahsuatu himpunan yang diperoleh dari
komposisi aturan-aturan fuzzy, sedangkan output
yang dihasilkan merupakan suatu bilangan pada
domain himpunan fuzzy tersebut.
Beberapa metode defuzzifi-
kasi aturan MAMDANI :
a. Metode Centroid (Composite Moment)
b. Metode Bisektor
c. Metode Mean of Maximun (MOM)
d. Metode Largest of Maximum (LOM)
e. Metode Smallest of Maximum (SOM)
Model Fuzzy Mamdani
Contoh: persoalan sederhana dengan 2 input,1 output
dan 3 rules
Rule: 1 Rule: 1
IF x is A3 IF project_funding is
adequate
OR y is B1 OR project_staffing is small
THEN z is C1 THEN risk is low

Rule: 2 Rule: 2
IF x is A2 IF project_funding is
marginal
AND y is B2 AND project_staffing is large
THEN z is C2 THEN risk is normal

Rule: 3 Rule: 3
IF x is A1 IF project_funding is
inadequate
THEN z is C3 THEN risk is high 26
Mamdani fuzzy inference
Fuzzifikasi: menentukan derajat keanggotaan
input x1 dan y1 pada himpunan fuzzy

Crisp Input Crisp Input

x1 y1

1 1 B1 B2
A1 A2 A3 0.7
0.5
0.2 0.1
0 0
x1 X y1 Y
 (x = A1) = 0.5  (y = B1) = 0.1
 (x = A2) = 0.2  (y = B2) = 0.7

27
Model Fuzzy Mamdani
Inferensi: apikasikan fuzzified inputs, (x=A1) =
0.5, (x=A2) = 0.2, (y=B1) = 0.1 and (y=B2) = 0.7,
ke anteseden dari aturan fuzzy

Untuk aturan fuzzy dengan anteseden lebih dari 1,

operator fuzzy (AND atau OR) digunakan untuk
mencapai sebuah nilai tunggal yang merepresentasikan
hasil rule fuzzy. Nilai ini kemudian diaplikasikan ke
fungsi keanggotaan konsekuen

28
Model Fuzzy Mamdani
1 1 1
A3 B1 C1 C2 C3
0.1 OR 0.1
0.0
(max)
0 x1 X 0 y1 Y 0 Z
Rule 1: IF x is A3 (0.0) OR y is B1 (0.1) THEN z is C1 (0.1)
1 1 1
0.7
C1 C2 C3
A2 0.2 B2 AND 0.2
(min)
0 x1 X 0 y1 Y 0 Z
Rule 2: IF x is A2 (0.2) AND y is B2 (0.7) THEN z is C2 (0.2)
1 1
A1 0.5 0.5 C1 C2 C3

0 x1 X 0 Z
Rule 3: IF x is A1 (0.5) THEN z is C3 (0.5)

29
Model Fuzzy Mamdani
Dua teknik yang umum digunakan untuk mengaplikasikan hasil
evaluasi anteseden ke fungsi keanggotaan konsekuen:
Degree of Degree of
Membership Membership
1.0 1.0

C2 C2

0.2 0.2

0.0 0.0
Z Z
clipping scaling

30
Model Fuzzy Mamdani
Composisi: agregasi keluaran semua rule ke dalam
himpunan fuzzy tunggal.

1 1 1
C1 C2 C3
0.5 0.5
0.2 0.2
0.1 0.1
0 Z 0 Z 0 Z 0 Z
z is C 1 (0.1) z is C 2 (0.2) z is C 3 (0.5) 

31
Model Fuzzy Mamdani
Defuzzifikasi: konversi dari himpunan fuzzy yang
dihasilkan dari komposisi ke dalam crisp value.

Teknik yang paling populer adalah centroid

technique. Metoda ini mencari centre of gravity
(COG) dari aggregate set:

   x
A x dx
COG  a
b

   x  dx
a
A

32
Model Fuzzy Mamdani
Centre of gravity (COG): mencari titik yang membagi
area solusi menjadi 2 bagian yang sama

(0  10  20)  0.1  (30  40  50  60)  0.2  (70  80  90  100)  0.5

COG   67.4
0.1  0.1  0.1  0.2  0.2  0.2  0.2  0.5  0.5  0.5  0.5

Degree of
Membership
1.0

0.8
0.6

0.4
0.2

0.0
0 10 20 30 40 50 60 70 80 90 100
67.4 Z

33
 CONTOH …
Suatu perusahaan soft drink akan memproduksi minuman jenis X.
Pada 3 bulan terakhir biaya produksi untuk minuman jenis
tersebut rata-rata sekitar Rp 500,- per kemasan, dan maksimum
mencapai Rp 1000,- per kemasan.
Banyaknya permintaan per hari rata-rata mencapai 30000
kemasan dan maksimum hingga mencapai 60000 kemasan.
Sampai saat ini, perusahaan baru mampu memproduksi barang
maksimum 100000 kemasan per hari.

34
Apabila proses produksi perusahaan tersebut menggunakan 3 aturan
fuzzy sbb:

[R1] IF Biaya Produksi RENDAH And Permintaan NAIK

THEN Produksi Barang BERTAMBAH;

[R2] IF Biaya Produksi sesuai STANDAR

THEN Produksi Barang NORMAL;

[R3] IF Biaya Produksi TINGGI And Permintaan TURUN

THEN Produksi Barang BERKURANG;

Berapa jumlah minuman jenis X yang harus diproduksi, jika biaya

untuk memproduksi jenis minuman tersebut diperkirakan sejumlah Rp
800 per kemasan, dan permintaannya diperkirakan mencapai 25000
kemasan per hari.

35
1. Membuat himpunan dan input fuzzy

Ada 3 variabel fuzzy yang akan dimodelkan, yaitu:

Biaya produksi; terdiri-atas 3 himpunan fuzzy, yaitu: RENDAH,
STANDAR, dan TINGGI.
Permintaan barang; terdiri-atas 3 himpunan fuzzy, yaitu: TURUN,
BIASA, dan NAIK.
Produksi barang; terdiri-atas 3 himpunan fuzzy, yaitu:
BERKURANG, NORMAL, dan BERTAMBAH.

36
A. Variabel Biaya Produksi

RENDAH STANDAR TINGGI

[x] 1

0,68

0,32
0
0 250 500 750 800 1000
biaya produksi (Rp)

37
Jika biaya produksi sebesar Rp 800,- maka nilai keanggotaan
fuzzy pada tiap-tiap himpunan adalah:
◦ Himpunan fuzzy RENDAH, BPRendah[800]= 0,0
◦ Himpunan fuzzy STANDAR, BPStandar[800]=0,32
diperoleh dari:

(800;500,500) = S(800;500,750,1000)
= 2[(1000-800)/(1000-500)]2
= 0,32

◦ Himpunan fuzzy TINGGI, BPTinggi[800]=0,68

diperoleh dari:
S(800;500,750,1000) = 1 – S(800;500,750,1000)
= 1 – 2[(1000-800)/(1000-500)]2
= 0,68 38
B. Variabel Permintaan
TURUN BIASA NAIK

[x]

0,25

0
0 10 25 30 35 50 60
permintaan (x1000 kemasan per hari)

39
Jika permintaan sebanyak 25000 kemasan per hari, maka nilai
keanggotaan fuzzy pada tiap-tiap himpunan adalah:
◦ Himpunan fuzzy TURUN, PmtTurun[25]=0,25
diperoleh dari:
= (30-25)/(30-10)
= 5/20
= 0,25
◦ Himpunan fuzzy BIASA, PmtBiasa[25]=0
◦ Himpunan fuzzy NAIK, PmtNaik[25]=0

40
C. Variabel Produksi Barang
BERKURANG NORMAL BERTAMBAH

Derajat
keanggotaan
[x]

0
0 10 30 50 70 90 100
produksi barang (x1000 kemasan per hari)

41
Nilai keanggotaan fuzzy pada tiap-tiap himpunan dirumuskan:
Himpunan fuzzy BERKURANG:
1; z  10

 PBBerkuran g [z]  (50  z ) / 40; 10  z  50
0; z  50

Himpunan fuzzy NORMAL:
0; ( z  30) atau ( z  70)

 PBNormal [z]  ( z  30) / 20; 30  z  50
(70  z ) / 20; 50  z  70

Himpunan fuzzy BERTAMBAH:
0; z  50

 PBBertambah [z]  (z  50) / 40; 50  z  90
1; z  90


42
2. Aplikasi operator fuzzy
A. Aturan ke-1:

[R1] IF Biaya Produksi RENDAH And Permintaan NAIK

THEN Produksi Barang BERTAMBAH;

Operator yang digunakan adalah AND, sehingga:

 = PredikatR1
= min(BPRendah[800],PmtNaik[25])
= min(0;0)
=0

43
B. Aturan ke-2:

[R2] IF Biaya Produksi STANDAR

THEN Produksi Barang NORMAL;

Tidak menggunakan operator, sehingga:

 = PredikatR2
= BPStandar[800]
= 0,32

44
C. Aturan ke-3:

[R3] IF Biaya Produksi TINGGI And Permintaan TURUN

THEN Produksi Barang BERKURANG;

Operator yang digunakan adalah AND, sehingga:

 = PredikatR3
= min(BPTinggi[800],PmtTurun[25])
= min(0,68; 0,25)
= 0,25

45
3. Aplikasi fungsi implikasi

A. Aturan ke-1:

Tidak ada daerah hasil implikasi (KFR1 = 0).

46
B. Aturan ke-2:

Pada saat PBNormal[z]= 0,32 nilai z dapat ditentukan sbb:

0,32 = (z-30)/20
0,05z = 1,82
 z = 36,4

atau
0,32 = (70-z)/20
0,05z = 3,18
 z = 63,6

Sehingga:
0; (z  30) atau ( z  70)

(z  30) / 20; 30  z  36,4
 KFR2  
0,32 36,4  z  63,6
(70  z ) / 20; 63,6  z  70

47
C. Aturan ke-3:

Pada saat PBBerkurang[z]= 0,25 nilai z dapat ditentukan sbb:

0,25 = (50-z)/40
0,025z = 1,00
 z = 40

Sehingga:

0,25; z  40

 KFR3  (50  z ) / 40; 40  z  50
0; z  50


48
3. Komposisi semua output
Untuk melakukan komposisi semua output fuzzy dilakukan dengan
menggunakan metode MAX.

Titik potong antara aturan-2 dan aturan-3 terjadi saat PBNormal[z]=

PBBerkurang[z] = (0,25), yaitu:

0,25 = 0,05z – 1,5

0,05z = 1,75
 z = 35

Sehingga:
0,25; z  35

(z  30) / 20; 35  z  36,4
 SF  0,32; 36,4  z  63,6
(70  z ) / 20; 63,6  z  70

0; z  70

49
4. Penegasan (Defuzzy)

Defuzzy dilakukan dengan menggunakan metode Centroid.

Untuk menentukan nilai crisp z, dilakukan dengan membagi daerah
menjadi 4 bagian (D1, D2, D3, dan D4) dengan luas masing-masing: A1,
A2, A3, dan A4. Momen terhadap nilai keanggotaan masing-masing
adalah: M1, M2, M3 dan M4.

50
 D2
D3
D1 D4

51
Menghitung Momen:

35 35
2
M1   (0,25)z dz  0,125z 0
 153,125
0
36,4
36,4 36,4
M2   (0,05z  1,5)z dz   (0,05z 2  1,5z ) dz  0,0167z 3  0,75z 2  14,43418
35 35 35
63,6 63,6
2
M3   (0,32)z dz  0,16z 36,4
 435,2
36,4
70
70 70
2
M4   (0,05z  3,5)z dz   (0,05z  3,5z ) dz  0,0167z 3  1,75z 2  64,45292
63,6 63,6 63,6

52
Menghitung Luas:
A1 = 35*0,25 = 8,75
A2 = (0,25+0,32)*(36,4-35)/2 = 0,399
A3 = (63,6-36,4)*0,32 = 8,704
A4 = (70-63,6)*0,32/2 = 1,024

Menghitung titik pusat (terhadap z):

153,125  14,43418  435,2  64,45292

z  35,345
8,75  0,399  8,704  1,024

Jadi jumlah minuman yang harus diproduksi

tiap harinya sebanyak 35345 kemasan.

53
Metode Komposisi
Metode Max
Metode Additive
Metode Probabilistik OR (PROBOR)

55
1. Metode MAX (Maximum)

Solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum

aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan
mengaplikasikannya ke output dengan menggunakan operator OR (union).
Secara umum dapat dituliskan:
sf[xi]  max(sf[xi],kf[xi])
dengan:
sf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
kf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i;

Apabila digunakan fungsi implikasi MIN, maka metode komposisi ini sering
disebut dengan nama MAX-MIN atau MIN-MAX atau MAMDANI.

56
Contoh:
Misalkan ada 3 aturan (proposisi) sebagai berikut:

[R1] IF Biaya Produksi RENDAH And Permintaan NAIK

THEN Produksi Barang BERTAMBAH;
[R2] IF Biaya Produksi STANDAR
THEN Produksi Barang NORMAL;
[R3] IF Biaya Produksi TINGGI And Permintaan TURUN
THEN Produksi Barang BERKURANG;

57
 2. Aplikasi op. fuzzy 3. Aplikasi metode implikasi (min)
1. Input fuzzy
(and = min)
rendah naik bertambah

IF biaya produksi RENDAH AND permintaan NAIK THEN produksi barang BERTAMBAH

standar normal

Tak ada input

IF biaya produksi STANDAR THEN produksi barang NORMAL

tinggi turun berkurang

IF biaya produksi TINGGI AND permintaan TURUN THEN produksi barang

BERKURANG 4. Aplikasi metode
komposisi (max)

58
2. Metode ADDITIVE
Solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum
terhadap semua output daerah fuzzy.
Secara umum dituliskan:
sf[xi]  min(1,sf[xi]+kf[xi])

dengan:
sf[xi] = nilai keanggotaan solusi fuzzy sampai
aturan ke-i;
 kf[xi] = nilai keanggotaan konsekuen fuzzy
aturan ke-i

59
3. Metode PROBABILISTIK OR (PROBOR)
Solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap
semua output daerah fuzzy.
Secara umum dituliskan:
sf[xi]  (sf[xi]+kf[xi]) - (sf[xi] *kf[xi])

dengan:
sf[xi] = nilai keanggotaan solusi fuzzy sampai
aturan ke-i;
 kf[xi] = nilai keanggotaan konsekuen fuzzy
aturan ke-i;

60
PENEGASAN (DEFUZZY)
Input dari proses defuzzifikasi adalah suatu
himpunan fuzzy yang diperoleh dari
komposisi aturan-aturan fuzzy.
Sedangkan output yang dihasilkan
merupakan suatu bilangan pada domain
himpunan fuzzy tersebut.
Jika diberikan suatu himpunan fuzzy dalam
range tertentu, maka harus dapat diambil
suatu nilai crsip tertentu sebagai output

62
63
1. Metode CENTROID
Solusi crisp diperoleh dengan cara
mengambil titik pusat daerah fuzzy C.

n
n
 z i *  C (z i )  z C ( z )dz
z  i0
1
z n
n
  C (z i )
i 0

1
C ( z )dz

64
2. Metode BISEKTOR
Solusi crisp diperoleh dengan cara
mengambil nilai pada domain fuzzy yang
memiliki nilai keanggotaan separo dari
jumlah total nilai keanggotaan pada daerah
fuzzy C.

p n

z p sdh 
1
 C (z)dz  
p
 C (z)dz

65
3. Metode MEAN OF MAXIMUM (MOM)
Solusi crisp diperoleh dengan cara
mengambil nilai rata-rata domain pada
himpunan C yang memiliki nilai
keanggotaan maksimum.

z = mean{zi | C(zi) = maksimum C}

66
4. Metode SMALLEST OF MAXIMUM
(SOM)
Solusi crisp diperoleh dengan cara
mengambil nilai terkecil dari domain pada
himpunan C yang memiliki nilai
keanggotaan maksimum.

z = min{abs(zi) | C(zi) = maksimum C}

67
5. Metode LARGEST OF MAXIMUM
(LOM)

Solusi crisp diperoleh dengan cara

mengambil nilai terbesar dari domain pada
himpunan C yang memiliki nilai
keanggotaan maksimum.

z = max{abs(zi) | C(zi) = maksimum C}

68