KETIDAKPASTIAN

(UNCERTAINTY)
Y U LYA M U H A R M I , M . K O M
 APA ITU KETIDAKPASTIAN ?

• Ketidakpastian dapat dianggap sebagai suatu kekurangan

informasi yang memadai untuk membuat suatu keputusan.
• Ketidakpastian merupakan suatu permasalahan karena
menghalangi kita membuat suatu keputusan yang terbaik.
  KETIDAKPASTIAN

• Dalam menghadapi suatu masalah, sering ditemukan jawaban yang tidak

memiliki kepastian penuh.
• Ketidakpastian ini bisa berupa probabilitas atau kebolehjadian yang
tergantung dari hasil suatu kejadian.
• Hasil yang tidak pasti disebabkan oleh dua faktor yaitu:
• aturan yang tidak pastij
• jawaban pengguna yang tidak pasti atas suatu pertanyaan yang diajukan
oleh sistem
 TEORI PENYELESAIAN
KETIDAKPASTIAN

• probabilitas klasik (classical probability)

• probabilitas Bayes (Bayesian probability)

• teori Hartley berdasarkan himpunan klasik (Hartley theory based on classical

sets)
• teori Shannon berdasarkan pada probabilitas (Shanon theory based on
probability)
• teori Dempster-Shafer (Dempster-Shafer theory)

• teori fuzzy Zadeh (Zadeh’s fuzzy theory)

• faktor kepastian (certainty factor).
AWAS KALAU NGANTUK!!!
 SUMBER KETIDAKPASTIAN

1. Data : Kehilangan data, data tidak dapat diandalkan, data yang mendua,
penyajian data tidak tepat, data tidak konsisten,data subjektif, data
diperoleh dari kelailaian.
2. Pengetahuan pakar
a. Ketidakkonsistenan antara pakar yang berbeda
b. Kemasuk-akalan (“best guess” dari pakar)
c. Kualitas
i. Pemahaman yang dalam pada pengetahuan causal (sebab akibat)
ii. Kualitas secara statistik (pengamatan)
d. Cakupan (hanya domain sekarang ?)
 KETIDAKPASTIAN ATURAN

• Ada tiga penyebab ketidakpastian aturan yaitu :

• Aturan tunggal

• Ketidakcocokan (incompatibility) antar konsekuen dalam aturan

• Penyelesaian konflik
 ATURAN TUNGGAL KESALAHAN
PROBABILITAS

1. Kesalahan
• Ambiguitas, sesuatu didefinisikan dengan lebih dari satu cara

• Ketidaklengkapan data

• Kesalahan informasi

• Ketidakpercayaan terhadap suatu alat

2. Probabilitas disebabkan ketidakmampuan seorang pakar merumuskan suatu

aturan secara pasti
3. Kombinasi gejala (evidence)
  INCOMPABILITY ATURAN

• Kontradiksi aturan
• Subsumpsi aturan
• Redundancy aturan
• Kehilangan aturan
• Penggabungan data
 KONTRADIKSI ATURAN

• Aturan 1 : JIKA anak demam

MAKA harus dikompres

• Aturan 2 : JIKA anak demam

MAKA jangan dikompres
 SUBSUMPSI ATURAN

• Aturan 3 : JIKA E1 MAKA H 

• Aturan 4 : JIKA E1 DAN E2 MAKA H

Jika hanya E1 yang muncul, maka masalah tidak akan timbul karena aturan
yang akan digunakan adalah aturan 3, tetapi apabila E1 dan E2 sama-sama
muncul maka kedua aturan (aturan 3 dan 4) sama- sama akan dijalankan.
 REDUNDANCY ATURAN

• Aturan 5 : JIKA E1 DAN E2 MAKA H

• Aturan 6 : JIKA E2 DAN E1 MAKA H

Dalam kasus ini ditemui aturan-aturan yang sepertinya berbeda tetapi

memiliki makna yang sama
 KEHILANGAN ATURAN

• Aturan 7 : JIKA E4 MAKA H ketika E4 diabaikan maka H tidak pernah

tersimpulkan
 PROBABILITAS

• Untuk mengetahui besarnya kemungkinan dihitung dari prosentase jumlah

premis yang dialami.
 PROBABILITAS BERBOBOT

• Untuk mengetahui besarnya kemungkinan dihitung dari

prosentase jumlah bobot premis yang dialami
LOGIKA FUZZY
Y U LYA M U H A R M I , M . K O M
 LOGIKA FUZZY

• Logika fuzzy adalah metodologi sistem kontrol pemecahan

masalah, yang cocok untuk diimplementasikan pada sistem.
• logika fuzzy memungkinkan nilai keanggotaan berada
diantara 0 dan 1.
• Saat ini banyak dijual produk elektronik buatan Jepang yang
menerapkan prinsip logika fuzzy, seperti mesin cuci, AC, dan
lain-lain.
• Fuzzy logic sudah diterapkan pada banyak bidang, mulai dari
teori kendali hingga kecerdasan buatan.
 Logika fuzzy

• Logika fuzzy umumnya diterapkan pada masalah-masalah

yang mengandung unsur ketidakpastian (uncertainty),
ketidaktepatan (imprecise), noisy, dan sebagainya.
• Logika fuzzy menjembatani bahasa mesin yang presisi dengan
bahasa manusia yang menekankan pada makna atau arti
(significance).
• Logika fuzzy dikembangkan berdasarkan bahasa manusia
(bahasa alami) 21
 MENGAPA MENGGUNAKAN LOGIKA FUZZY?

• Mudah dimengerti,
• Memiliki toleransi terhadap data-data yang tidak tepat,
• Memodelkan fungsi nonlinear yang sangat kompleks,
• Mengaplikasikan pengalaman pakar secara langsung tanpa
harus melalui proses pelatihan,
• Bekerjasama dengan teknik kendali secara konvensional,
• Didasarkan pada bahasa alami

16/06/2023 22
Contoh-contoh masalah yang mengandung
ketidakpastian:

Contoh 1: 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”.

24
Contoh 2: Kecepatan “pelan” didefinisikan di bawah 20 km/jam.
Bagaimana dengan kecepatan 20,001 km/jam, apakah masih
dapat dikatakan pelan?
Manusia mungkin mengatakan bahwa kecepatan 20,001
km/jam itu “agak pelan”.

• Ketidapastian dalam kasus –kasus ini disebabkan oleh

kaburnya pengertian “agak”, “kurang lebih”, “sedikit”, dan
sebagainya .

25
DASAR-DASAR LOGIKA FUZZY

Variable Fuzzy

Himpunan Fuzzy

• Atribut Linguistik
• Atribut Numerik

Semesta Pembicaraan

• Rentang nilai

Domain Himpunan Fuzzy

 DASAR-DASAR LOGIKA FUZZY
1. Variabel fuzzy
• yaitu variabel yang akan dibahas dalam suatu sistem fuzzy.
• Contoh: penghasilan, temperatur, permintaan, umur dan sebagainya.
2. Himpunan fuzzy
• yaitu suatu kelompok yang mewakili suatu keadaan tertentu dalam suatu
variabel fuzzy.
• Atribut Himpunan Fuzzy: (2)
• Linguistik, yaitu nama suatu kelompok yang mewakili suatu keadaan
tertentu dengan menggunakan bahasa alami, misalnya:
• DINGIN, SEJUK, PANAS mewakili variabel temperatur,
• MUDA, PAROBAYA, TUA, mewakili variabel umur.
• Numeris, yaitu suatu nilai yang menunjukkan ukuran dari suatu
variabel, misalnya: 10, 35, 40, dan sebagainya.
 DASAR-DASAR LOGIKA FUZZY

3. Semesta pembicaraan, yaitu seluruh nilai yang diijinkan untuk

dioperasikan dalam suatu variabel fuzzy.
• Contoh:
• Semesta pembicaraan untuk variabel permintaan: [0 +)
• Semesta pembicaraan untuk variabel temperatur: [-10 90]
4. Domain himpunan fuzzy, yaitu seluruh nilai yang diijinkan
dalam semesta pembicaraan dan boleh dioperasikan dalam
suatu himpunan fuzzy.
 FUNGSI KEANGGOTAAN

• Fungsi keanggotaan adalah 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 µ(x).
LOGIKA FUZZY DALAM PENELITIAN

• Penentuan Curah Hujan Berdasarkan Input Cuaca Menggunakan

Metode Logika Fuzzy Mamdani
• https://ejournal2.undip.ac.id/index.php/jpv/article/view/13424
• Sistem Pendukung Keputusan Menggunakan Fuzzy Logic Tahani
Untuk Penentuan Golongan Obat Sesuai Dengan Penyakit Diabetes
• https://jurnal.unived.ac.id/index.php/jmi/article/view/2936
• Penerapan Logika Fuzzy Pada Rancang Bangun Alat Pakan Kucing
Otomatis dan Monitoring Sisa Pakan Dengan Aplikasi Blynk
• http://www.ejournal.unis.ac.id/index.php/jutis/article/view/2809
 HIMPUNAN FUZZY

• 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 1 :
Jika diketahui :
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
• Nilai kaanggotaan 2 pada B ????????
• Nilai kaanggotaan 5 pada B ????????
 Contoh 2:
“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 3 :
Misal variable umur dibagi menjadi 3 katagori :
• MUDA umur <35 tahun
• PAROBAYA 35 ≤ umur ≤ 55 tahun
• TUA umur > 55 tahun

Muda Parobaya Tua

1 1 1

[x] [x] [x]

0 35 55 0 55
0 35

Gambar 2a. Keanggotaan himpunan biasa (crisp) umur muda dan parobaya

• 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
• 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 :

1 Muda Parobaya Tua

[x]

0,5
0,25

0 25 35 40 45 50 55 65
Gambar 2b. Himpunan Fuzzy untuk variable
umur
 1 Muda Parobaya Tua
[x]

0,5
0,25

0 25 35 40 45 50 55 65

Gambar 2b. Himpunan Fuzzy untuk variable

umur

Apabila x memiliki nilai keanggotaan fuzzy A[x]=0 berarti x tidak

menjadi
anggota himpunan A, demikian pula apabila x memiliki nilai keanggotaan
fuzzy
µA[x]=1 berarti x menjadi anggota penuh pada himpunan A.
 HIMPUNAN FUZZY

Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu:

DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.
 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 1. Representasi linier
 FUNGSI KEANGGOTAAN HIMPUNAN FUZZY
(MEMBERSHIP FUNCTION)

11. Representasi linier

Contoh:

Fungsi keanggotaan
untuk himpunan
PANAS pada variabel
temperatur ruangan
seperti terlihat pada
Gambar

 Panas (27) = ????

 Panas (34) = ????
 FUNGSI KEANGGOTAAN HIMPUNAN FUZZY
(MEMBERSHIP FUNCTION)

11. Representasi linier

Contoh:

Fungsi keanggotaan
untuk himpunan
DINGIN pada variabel
temperatur ruangan
seperti terlihat pada
Gambar

 dingin (25) = ????

 dingin (17) = ????
2
2. Representasi segitiga (triangular)
Ditentukan oleh 3 parameter {a, b,
c} sebagai berikut :

 0, x  a 
xa 
 , a  x  b 
triangle x : a, b, c    b  a 
cx
 ,b  x  c
c b 
 0, c  x 

Fungsi keanggotaan untuk himpunan

NORMAL pada variabel temperatur
ruangan seperti terlihat pada Gambar
3.3 Representasi Trapesium
Ditentukan oleh 4 parameter
{a,b,c,d} sebagai berikut :

 0, x  a 
xa 
 , a  x  b 
ba 
trapezoid x; a, b, c, d    1, b  x  c 
d  x 
d c , c  x  d 
 0, d  x 
 

Fungsi keanggotaan untuk himpunan

NORMAL pada variabel temperatur
ruangan seperti terlihat pada Gambar
 5 REPRESENTASI BENTUK S

Kurva PERTUMBUHAN dan

PENYUSUTAN merupakan kurva-S atau
sigmoid yang berhubungan dengan
kenaikan dan penurunan permukaan
secara tak linear.

Kurva-S untuk PERTUMBUHAN akan

bergerak dari sisi paling kiri (nilai
keanggotaan = 0) ke sisi paling kanan (nilai
keanggotaan = 1). Fungsi keanggotaannya
akan tertumpu pada 50% nilai
keanggotaannya yang
sering disebut dengan titik infleksi

Kurva-S untuk PENYUSUTAN akan

bergerak dari sisi paling kanan (nilai
keanggotaan = 1) ke sisi paling kiri (nilai
keanggotaan = 0)
 5 REPRESENTASI BENTUK S

Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu: nilai

keanggotaan nol (α), nilai keanggotaan lengkap (γ), dan titik infleksi atau
crossover (β) yaitu titik yang memiliki domain 50% benar.
 5 REPRESENTASI BENTUK S

Contoh
Fungsi keanggotaan untuk himpunan
TUA pada variabel umur seperti
terlihat pada Gambar

 tua (42) = ????

 5 REPRESENTASI BENTUK S

Contoh
Fungsi keanggotaan untuk himpunan
MUDA pada variabel umur seperti
terlihat pada Gambar

 Muda (37)
6
REPRESENTASI BENTUK LONCENG
(BELL CURVE)

Untuk merepresentasikan bilangan fuzzy, biasanya

digunakan kurva berbentuk lonceng. Kurva berbentuk
lonceng ini terbagi atas 3 kelas, yaitu:

• himpunan fuzzy PI,

• beta,
• Gauss.
 6
REPRESENTASI BENTUK LONCENG
(BELL CURVE)

Kurva PI
Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak
pada
pusat dengan domain (γ), dan lebar kurva (β) seperti terlihat
pada
Gambar
6
REPRESENTASI BENTUK LONCENG
(BELL CURVE)

Kurva Beta
Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng namun lebih
rapat. Kurva ini juga didefinisikan dengan 2 parameter, yaitu nilai pada
domain yang menunjukkan pusat kurva (γ), dan setengah lebar kurva (β)
seperti terlihat pada Gambar

Salah satu perbedaan mencolok kurva

BETA dari kurva PI adalah, fungsi
keanggotaannya akan mendekati nol
hanya jika nilai (β) sangat besar.
6
REPRESENTASI BENTUK LONCENG
(BELL CURVE)

Kurva Beta
Fungsi keanggotaan untuk himpunan
SETENGAH BAYA pada variabel
umur seperti terlihat pada Gambar
 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, ada 3 operasi dasar yang diciptakan oleh Zadeh :

1. Operator AND, berhubungan dengan operasi intersection pada himpunan, 

predikat diperoleh dengan mengambil nilai minimum antar kedua himpunan.
AB = min(A[x], B[y])

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 minimum :

MUDAGAJITINGGI = min( MUDA[27],  GAJITINGGI[2juta])

= min (0,6 ; 0,8)
= 0,6
2. Operator OR, berhubungan dengan operasi union pada
himpunan,  predikat diperoleh dengan mengambil nilai
maximum antar kedua himpunan.
AB = max(A[x], B[y])

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
3. Operasi NOT, berhubungan dengan operasi komplemen
pada himpunan,  predikat diperoleh dengan
mengurangkan nilai keanggotaan elemen pada himpunan
dari 1.
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
 EVALUASI

• Tentukan fungsi keanggotaan untuk himpunan normal pada variabel kecepatan

kendaraan 40 Km/jam dari kurva trapesium dibawah ini :