FUZZY

INFERENCE
SYSTEM Y
A
T
I

A
M
IS
R
IA
R
 PEMBAHASAN
01
03
Pengantar 05
Fuzzy
Metode
Tsukamoto 04 Metode
02 Sugeno

Fuzzy Metode
Inference Mamdani
System
 • Secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai dapat
bernilai benar atau salah secara bersamaan.
• Dalam fuzzy dikenal derajat keanggotaan yang memiliki rentang nilai 0 hingga 1
• Logika fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau
kesamaran antara benar atau salah , dapat diartikan dapat bernilai benar atau salah
secara bersamaan. Besaran kebenaran dan kesalahan ditentukan oleh bobot
keanggotaan yang dimiliki
• Adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu
ruang output dan mempunyai nilai kontiniu
• Dinyatakan dalam derajat keanggotaan dan derajat kebenaran sehingga dapat
dikatakan sebagai benar dan sebagian salah pada waktu yang sama (Kusumadewi,
2004)

01
Pengantar
Fuzzy
 • Contoh penerapan logika fuzzy di perangkat
 Magicom
 Mesin cuci otomatis
 Mesin AC
 Mobil Nissan
 Kereta cepat

01
Pengantar
Fuzzy
 • Contoh masalah yang mengandung ketidakpastian
 Seseorang dikatakan “tinggi” jika tinggi badannya lebih dari 1,7 meter
Bagaimana dengan orang yang mempunyai tinggi badan 1,6999 meter atau
1,65 meter, apakah termasuk kategori orang tinggi???
Menurut persepsi manusia, orang yang mempunyai tinggi badan sekitar 1,7
meter dikatakan “kurang lebih tinggi” atau “agak tinggi”.

 Kecepatan “pelan didefinisikan di bawah 20 km/jam

Bagaimana dengan keepatan 20,001 km/jam apakah masih dapat dikatakan
pelan?
Manusia mungkin mengatakan bahwa kecepatan 20,001 km/jam itu “agak
pelan”

01
Pengantar
Fuzzy
 • Dikembangkan berdasarkan bahasa manusia (bahasa alami)

01
Pengantar
Fuzzy
 • Profesor Zadeh mengatakan bahwa tidak dibutuhkan inputan
yang berupa informasi numerik yang pasti namun
melakukan kontrol yang dapat menyesuaikan dengan
inputnnya, jika pengontrol umpan balik dapat diprogram
untuk menerima inputan yang noise dan tidak tepat maka
sistem akan bekerja jauh lebih efektif dan akan lebih mudah
diimplementasikan.
• Ketika kompleksitas meningkat, pernyataan yang tepat
kehilangan makna dan pernyataan yang kehilangan makna
akan kehilangan ketepatannya ( Lutfi A. Zadeh)

01
Pengantar
Fuzzy
 • Teori Fuzzy dapat diaplikasikan dalam berbagai bidang, seperti
(setiadji, 2009):
 algoritma Kontrol
 Diagnosa medis
 System pendukung keputusan
 Ekonomi
 Teknik
 Psikologi
 Lingkungan
 Keamanan, dan
 Ilmu penetahuan

01
Pengantar
Fuzzy
 • Alasan digunakan konsep Fuzzy, antara lain :
 Logic mudah dimengerti
 sangat fleksibel
 memiliki toleransi terhadap data yang kurang tepat, Popescu
 mampu memodelkan fungsi nonlinier yang kompleks
 didasari pada bahasa alami

01
Pengantar
Fuzzy
 • Variabel Fuzzy
 Variabel yang akan dibahas dalam suatu sistem fuzzy
 contoh : umur, kecepatan, suhu, tinggi badan, penghasilan, dll

01
Pengantar
Fuzzy
 Himpunan Fuzzy
• Kelompok yang mewakili suatu keadaan tertentu dalam variabel fuzzy
• Himpunan tegas (crips) merupakan himpunan yang terdefinisi secara tegas
dalam arti bahwa untuk setiap elemen dalam semestanya selalu dapat
ditentukan secara tegas, apakah ia merupakan anggota dari himpunan atau
tidak.
• Terdapat batas yang tegas antara unsur-unsur yang tidak meruapakan anggota
dari suatu himpunan, walaupun tidak semua himpunan terdefinisikan
demikian. (contoh yang tidak terdefinisikan : kata sifat/pandai, kaya, jauh,
keras dll)
• Suatu himpunan fuzzy A dalam semesta pembicaraan X dinyatakan dengan
fungsi keanggotaan  dalam interval [0,1], dapat dinyatakan dengan :

01
Pengantar
Fuzzy
Contoh Himpunan Fuzzy
jika diketahui :
S = {1, 2, 3, 4, 5, 6} adalah semesta pembicaraan
A = {1, 2, 3}
B = {3, 4, 5}
Bisa dikatakan bahwa :
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B
01
Pengantar
Fuzzy
• Himpunan fuzzy memiliki 2 atribut, yaitu :
1. Linguistik, yaitu penamaan suatu grup yang memwakili
suatu keadaan atau kondisi tertentu dengan menggunakan
bahasa alami, seperti : MUDA, PAROBAYA, TUA
2. Numeris, yaitu suatu nilai (angka) yang menunjukkan
ukuran dari suatuvariabel seperti : 40, 25, 50, dsb

01
Pengantar
Fuzzy
• Hal yang perlu diketahui dalam memahami sistem fuzzy,
yaitu :
1. variabel Fuzzy, merupakan variabel yang hendak dibahas
dalam suatu sistem fuzzy.
contoh : umur, temperatur, permintaan, dsb
2. Himpunan Fuzzy, merupakan suatu grup yang mewakili suatu
kondisi atau keadaan tertentu dalam suatu variabel fuzzy
Contoh : variabel umur terbagi menjadi 3 himpunan fuzzy,
yaitu : MUDA, PAROBAYA dan TUA

01
Pengantar
Fuzzy
• Hal yang perlu diketahui dalam memahami sistem fuzzy,
yaitu :
3. Semesta Pembicaraan adalah keseluruhan nilai yang
diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy.
Merupakan himpunan bilangan real yang senantiasa naik
(bertambah) secara monoton dari kiri ke kanan. Adakalanya
nilai semesta pembicaraan ini tidak dibatasi batas atasnya.
Contoh :
semesta pembicaraan untuk variabel umur : [0 +]

01
Pengantar
Fuzzy
• Hal yang perlu diketahui dalam memahami sistem fuzzy,
yaitu :
4. Domain adalah keseluruhan nilai yang diijinkan dalam semesta
pembicaraan dan boleh dioperasikan dalam suatu himpunan
fuzzy. Merupakan himpunan bilangan real yang senantiasa naik
(bertambah) secara monoton dari kiri ke kanan.
contoh domain himpunan fuzzy :
MUDA = [0 45]
PAROBAYA = [35 55]
TUA = [45 +]

01
Pengantar
Fuzzy
• Fungsi Keanggotaan
 Fungsi keanggotaan merupakan grafik yang mewakili besar dari derajat
keanggotaan masing-masing variabel input yang berada dalam interval
antara 0 dan 1
 Derajat keanggotaan sebuah variabel x dilambangkan dengan simbol (x)
 Fungsi keanggotaan :
1. Kurva Linear : Naik, Turun
2. Kurva Segitiga
3. Kurva Trapesium
4. Kurva Bahu
5. Kurva S (Sigmoid) : Pertumbuhan, Penyusutan
6. Kurva Lonceng : Pi, Beta, Gaus

01
Pengantar
Fuzzy
• Fungsi Keanggotaan : Linear

Kurva Linear Naik

01
Pengantar
Fuzzy
• Fungsi Keanggotaan : Linear
Kurva Linear
Turun

01
Pengantar
Fuzzy
• Fungsi Keanggotaan : Linear

Kurva Segitiga

01
Pengantar
Fuzzy
• Fungsi Keanggotaan : Linear

Kurva Trapesium

01
Pengantar
Fuzzy
• Fungsi Keanggotaan : Linear

Kurva Sigmoid Pertumbuhan

01
Pengantar
Fuzzy
• Adalah sistem kerja komuter yang didasarkan pada konsep teori fuzzy, aturan
fuzzy if-then, dan logika fuzzy
• Struktur dasar sistem sistem inferensi fuzzy terdiri dari :
a. Basis aturan yang berisi aturan if-then
b. Basis data yang mendefinisikan fungsi keanggotaan dari himpunan fuzzy
c. Unit pengambilan keputusan yang menyatakan operasi inferensi aturan-
aturan tertentu yang sesuai dengan aturan besaran fungsi keanggotaan
d. Defuzzifikasi yang mentransformasikan hasil fuzzy ke bentuk keluaran
yang crips

02
Fuzzy
Inference
System
• Blok diagram Sistem Inferensi Fuzzy terlihat pada gambar dibawah ini

02
Fuzzy
Inference
System
Metode Tsukamoto
• Cara memetakan ruang Input menuju ruang output menggunakan logika fuzzy

Input Fuzzifikasi Inferensi Defuzzifikasi Output

Basis Pengetahuan
• Basis Pengetahuan : adalah kumpulan aturan (rule) dalam bentuk pernyataan if-then
yang dibuat oleh pakar
• Fuzzifikasi : adalah proses mengubah input sistem yang mempunyai nilai tegas (crips)
menjadi variabel linguistik (fuzzy) menggunakan fungsi keanggotaan yang disimpan
pada basis pengetahuan.
• Inferensi : proses mengubah input fuzzy menjadi output fuzzy dengan cara mengikuti
aturan-aturan (if-then) yang telah ditetapkan pada Basis pengetahuan fuzzy

03
Metode
Tsukamoto
Metode Tsukamoto

• Defuzzifikasi : proses mengubah hasil dari tahap inferensi menjadi output yang
bernilai tegas (crips) menggunakan fungsi keanggotaan yang telah ditetapkan.
Metode : Centroid (Center of Area) & Average

03
Metode
Tsukamoto
Metode Tsukamoto
• Setiap konsekuen pada aturan yang berbentuk if-then harus direpresentasikan dengan
suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya,
output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan
α- predikat (fire strength). Hasilnya akhirnya diperoleh dengan menggunakan rata-
rata berbobot.

03
Metode
Tsukamoto
Metode Tsukamoto

• Contoh Kasus : Mesin Cuci Otomatis

Sebuah pabrik mesin cuci akan membuat sebuah mesin cuci otomatis
berbasis fuzzy yang dapat mengatur kecepatan putar mesin berdasarkan
banyaknya pakaian dan tingkat kekotoran. Mesin cuci telah dilengkapi
dengan sensor yang dapat mendeteksi banyaknya pakaian dan tingkat
kekotoran pakaian. Berikut Spesifikasinya :
a. Kekcepatan putar mesin dalam pencucian minimal 500 rpm (lambat)
dan maksimal 1200 rpm (cepat)
b. Banyaknya pakaian dinyatakan dengan nilai 0-100 yang mana nilai <=
40 termasuk sedikit dan >= 80 termasuk banyak
c. Tingkat kekotoran dinyatakan dengan nilai 0-100 yang mana nilai 0-40
adalah rendah, 50 adalah sedang dan 60-100 adalah tinggi

03
Metode
Tsukamoto
Metode Tsukamoto
• Berdasarkan berbagai pengujian terhadap prototype mesin, diperoleh
aturan sebagai berikut :
[R1] jika pakaian sedikit dan kekotoran rendah, maka putaran lambat
[R2} jika pakaian sedikit dan kekotoran sedang, maka putaran lambat
{R3} jika pakaian sedikit dan kekotoran tinggi, maka putaran cepat
{R4} Jika pakaian banyak dan kekotoran rendah, maka putaran lambat
{R5] Jika pakaian banyak dan kekotoran sedang, maka putaran cepat
[R6] jika pakaian banyak dan kekotoran tinggi, maka putaran cepat
• Ditanyakan
Berapa rpm kecepatan putaran yang harus dihasilkan mesin jika
pada proses pencucian ternyata banyaknya pakaian bernilai 50
dan tingkat kekotoran bernilai 58 ?

03
Metode
Tsukamoto
Pembahasan Kasus Metode Tsukamoto
1. Fuzzifikasi
variabel 1 : banyaknya pakaian

0 ; x  80 0 ; x ≤ 40
sedikit(x) = 80 – x ; 40 ≤ x ≤ 80 banyak(x) = x – 40 ; 40 ≤ x ≤ 80
80 - 40 80 - 40
1 ; x ≤ 40 1 ; x  80

03
Metode
Tsukamoto
Pembahasan Kasus Metode Tsukamoto
1. Fuzzifikasi
variabel 1 : banyaknya pakaian
SEDIKI BANYA
T K
1

Berapa derajat keanggotaan

untuk banyaknya pakaian =
50?
x

40 80

0 ; x  80 0 ; x ≤ 40
sedikit(x) = 80 – x ; 40 ≤ x ≤ 80 banyak(x) = x – 40 ; 40 ≤ x ≤ 80
80 - 40 80 - 40
1 ; x ≤ 40 1 ; x  80

03
Metode
Tsukamoto
Pembahasan Kasus Metode Tsukamoto
1. Fuzzifikasi
variabel 1 : banyaknya pakaian Berapa derajat keanggotaan
untuk banyaknya pakaian =
SEDIKI BANYA 50?
T K
1
? sedikit(50) = 80 - 50 = 30 = 0.75
(x)
80 – 40 40

40 50 80

0 ; x  80 0 ; x ≤ 40
sedikit(x) = 80 – x ; 40 ≤ x ≤ 80 banyak(x) = x – 40 ; 40 ≤ x ≤ 80
80 - 40 80 - 40
1 ; x ≤ 40 1 ; x  80

03
Metode
Tsukamoto
Pembahasan Kasus Metode Tsukamoto
1. Fuzzifikasi
variabel 1 : banyaknya pakaian Berapa derajat keanggotaan
untuk banyaknya pakaian =
SEDIKI BANYA 50?
T K
1

banyak(50) = 50 - 40 = 10 = 0.25
80 – 40 40

?
x
(x)

40 50 80

0 ; x  80 0 ; x ≤ 40
sedikit(x) = 80 – x ; 40 ≤ x ≤ 80 banyak(x) = x – 40 ; 40 ≤ x ≤ 80
80 - 40 80 - 40
1 ; x ≤ 40 1 ; x  80

03
Metode
Tsukamoto
 Pembahasan Kasus Metode Tsukamoto
1. Fuzzifikasi
variabel 2 : Tingkat Kekotoran
RENDA SEDAN
TINGGI
H G
1 0 ; x  50
tinggi(x) = x – 50 ; 50 ≤ x ≤ 60
(x) 60 - 50
1 ; x  60
x

40 50 60

0 ; x ≤ 40 or x  60
0 ; x  50 sedang(x) = x – 40 ; 40 ≤ x ≤ 50
rendah(x) = 50 – x ; 40 ≤ x ≤ 50 50 - 40
50 - 40 60 – x ; 50 ≤ x 60
1 ; x ≤ 40 60 – 50

03
Metode
Tsukamoto
 Pembahasan Kasus Metode Tsukamoto
1. Fuzzifikasi Berapa derajat keanggotaan
untuk tingkat kekotoran = 58?
variabel 2 : Tingkat Kekotoran
RENDA SEDAN
TINGGI
H G
1 0 ; x  50
tinggi(x) = x – 50 ; 50 ≤ x ≤ 60
(x) 60 - 50
1 ; x  60
x

40 50 60

0 ; x ≤ 40 or x  60
0 ; x  50 sedang(x) = x – 40 ; 40 ≤ x ≤ 50
rendah(x) = 50 – x ; 40 ≤ x ≤ 50 50 - 40
50 - 40 60 – x ; 50 ≤ x ≤ 60
1 ; x ≤ 40 60 – 50

03
Metode
Tsukamoto
Pembahasan Kasus Metode Tsukamoto
1. Fuzzifikasi Berapa derajat keanggotaan
untuk tingkat kekotoran = 58?
variabel 2 : Tingkat Kekotoran
RENDA SEDAN
TINGGI
H G
1 0 ; x  50
rendah(x) = 50 – x ; 40 ≤ x ≤ 50
(x) 50 - 40
1 ; x ≤ 40
x

40 50 58 60

rendah(58) = x  50
=0

03
Metode
Tsukamoto
Pembahasan Kasus Metode Tsukamoto
1. Fuzzifikasi Berapa derajat keanggotaan
untuk tingkat kekotoran = 58?
variabel 2 : Tingkat Kekotoran
RENDA SEDAN
TINGGI
H G
1 0 ; x ≤ 40 or x  60
sedang(x) = x – 40 ; 40 ≤ x ≤ 50
50 - 40
60 – x ; 50 ≤ x ≤ 60
(x)?
x 60 – 50
40 50 58 60

sedang(58) = 50 ≤ x ≤ 60
= 60 – 58 = 0,2
60 - 50

03
Metode
Tsukamoto
Pembahasan Kasus Metode Tsukamoto
1. Fuzzifikasi Berapa derajat keanggotaan
untuk tingkat kekotoran = 58?
variabel 2 : Tingkat Kekotoran
RENDA SEDAN
TINGGI
H G
1 0 ; x  50
(x)?
tinggi(x) = x – 50 ; 50 ≤ x ≤ 60
60 - 50
1 ; x  60
x

40 50 58 60

tinggi(58) = 50 ≤ x ≤ 60
= 58 – 50 = 0,8
60 - 50

03
Metode
Tsukamoto
Pembahasan Kasus Metode Tsukamoto
1. Fuzzifikasi
variabel 3 : Kecepatan Putaran
LAMBA
CEPAT
T
1
0 ; z ≤ 500
(x)? Cepat(z) = z – 500 ; 500 ≤ z ≤ 1200
1200 - 500
1 ; z  1200
Z

500 1200

0 ; z  1200
Lambat(z) = 1200 – z ; 500 ≤ z ≤ 1200
1200 - 500
1 ; z ≤ 500

03
Metode
Tsukamoto
Metode Tsukamoto
2. INFERENSI
Aturan (rule) :
 [R1] jika pakaian sedikit dan kekotoran rendah, maka putaran lambat
 [R2] jika pakaian sedikit dan kekotoran sedang, maka putaran lambat
 [R3] jika pakaian sedikit dan kekotoran tinggi, maka putaran cepat
 [R4] Jika pakaian banyak dan kekotoran rendah, maka putaran
lambat
 [R5] Jika pakaian banyak dan kekotoran sedang, maka putaran cepat
 [R6] jika pakaian banyak dan kekotoran tinggi, maka putaran cepat

03
Metode
Tsukamoto
 Metode Tsukamoto
2. INFERENSI
 [R1] jika pakaian sedikit dan kekotoran rendah, maka putaran
lambat α-predikat1 = sedikit(x)  rendah(x)
= min(sedikit(50) ; rendah(58))
= min (0,75;0)
=0
Nilai z1 = 1200 LAMBA
T
CEPAT
1

(x)?
0 ; z  1200
Lambat(z) = 1200 – z ; 500 ≤ z ≤ 1200
1200 - 500 Z
1 ; z ≤ 500 500 1200

03
Metode
Tsukamoto
2. INFERENSI
 [R2] jika pakaian sedikit dan kekotoran sedang, maka putaran
lambat
α-predikat1 = sedikit(x)  sedang(x)
= min(sedikit(50) ; rendah(58))
= min (0,75;0,2)
= 0,2
LAMBA
Nilai z1 = T
CEPAT
1
(z) = 1200 – z2
1200 – 500
(x)?
0,2 = 1200 – z2
0,2
700 Z

0,2 x 700 = 1200 – z2 500 1200

z2 = 1060
03 0 ; z  1200
Lambat(z) = 1200 – z ; 500 ≤ z ≤ 1200
1200 - 500
Metode 1 ; z ≤ 500
Tsukamoto
2. INFERENSI
 [R3] jika pakaian sedikit dan kekotoran tinggi, maka putaran cepat
α-predikat1 = sedikit(x)  tinggi(x)
= min(sedikit(50) ; tinggi(58))
= min (0,75;0,8)
= 0,75
Nilai z1 =
LAMBA
(z) = z3 - 500 T
CEPAT
1
1200 – 500
0,75
0,75 = z3 - 500
700 (x)?

0,75 x 700 = z3 – 500 Z

z3 = 1025 500 1200

03 0 ; z ≤ 500
Cepat(z) = z – 500 ; 500 ≤ z ≤ 1200
Metode 1200 - 500
Tsukamoto 1 ; z  1200
2. INFERENSI
 [R4] Jika pakaian banyak dan kekotoran rendah, maka putaran
lambat
α-predikat1 = SILAHKAN DILANJUTKAN =
=
=
Nilai z1 =
(z) =

03
Metode
Tsukamoto