DALAM KEHIDUPAN SEHARI –HARI BIASA

DITEMUI HAL-HAL YANG DIKOTOMI (hitam

atau putih, ya atau tidak dll)

HIMPUNAN TEGAS/ KLASIK

(‘CRISP’ SET)
ya atau tidak (0 atau 1)

2
 Crisp Sets
· S = himpunan semesta, A dan B adalah himpunan
didalam S.
· Untuk himpunan tegas A dan B, didefinikan:
· x A  x anggota A.
· x  A  x bukan anggota A.

3
Example: Height
Tall people: >= 1.7m
1.7m , 1,8m, 2m dll, adalah anggota himpunan
1.0 m, 1.5m atau bahkan 1.69999m adalah bukan anggota
himpunan
Real systems have measurement uncertainty
so near the border lines, many misclassifications
Crisp sets have clear cut boundaries, hence do not reflect
uncertainty about membership

4
DALAM KEHIDUPAN SEHARI –HARI BIASA
DITEMUI HAL-HAL YANG DIKOTOMI (hitam
atau putih, ya atau tidak dll)

HIMPUNAN TEGAS/ KLASIK Bagaimana dengan

sesuatu yang sifatnya
(‘CRISP’ SET)
‘abu-abu’ ?
ya atau tidak (0 atau 1) (tinggi, tua dll)

Contoh :
Youth : < 35 tahun
Middle age : 35 – 55 tahun
Old age : > 55 tahun
5
Zadeh’s Complaint
The “class of all real numbers which are much greater
than 1,” or “the class of beautiful women,” or “the class
of tall men,” do not constitute classes or sets in the
usual mathematical sense of these terms (Zadeh, 1965).

6
Weekend Days
Is Saturday a weekend day?
1 (yes, or true)
Is Tuesday a weekend day?
0 (no, or false)
Is Friday a weekend day?
0.8 (mostly yes, but not completely)
Is Sunday a weekend day?
0.95 (Yes, but not quite as Saturday)

7
LOGIKA FUZZY
 Dikemukakan oleh Lotfi A. Zadeh tahun 1965

 Extension of Classical Sets (berdasarkan ide

memperluas range dari fungsi karakteristik
yang meliputi bilangan- bilangan real dalam
interval [0,1])
gagasan utama dari fuzzy systems :truth values
(in fuzzy logic) or membership values (in
fuzzy sets) are indicated by a value on the
range [0.0, 1.0], with 0.0 representing
absolute Falseness and 1.0 representing
absolute Truth.

8
 LOGIKA FUZZY
· Transisi diantara membership dan non-
membership dapat bergradasi.
· Fuzzy set memuat elemen-elemen yang
mempunyai derajat keanggotaan (degrees of
membership) yang bervariasi.
· Degree of membership diukur dengan sebuah
fungsi.
· Fungsi memetakan elemen-elemen pada sebuah
bilangan real pada interval 0 sampai 1, A[0,1].

9
• Crisp sets berbentuk biner. Sebuah elemen hanya
mempunyai 2 kemungkinan, anggota atau bukan
anggota
•Fuzzy sets, mempunyai grades of memberships.
Contoh : The set of cities `far' from Los Angeles

 LA  0.0 / LA  0.5 / Chicago

 0.8 / New York  0.9 / London

10
Example: Crisp set Tall
 Fuzzy sets and concepts are commonly used in natural language

John is tall
Dan is smart
Alex is happy
The class is hot

 E.g., the crisp set Tall can be defined as {x | height x > 1.7 meters}
But what about a person with a height = 1.69 meters?
What about 1.68 meters?
…
What about 1.52 meters?

11
Linguistic variable is a variable whose values are
sentences in a natural or artificial language.
For example, the values of the fuzzy variable height
could be tall, very tall, very very tall, somewhat tall, not
very tall, tall but not very tall, quite tall, more or less
tall.
Tall is a linguistic value or primary term

12
A Fuzzy Set Example
· Example:
A water melon of exactly 9.9kg can
belong to:
 The set “large water melon” with a degree of 0.1, and to
 The set of “very large water melon” with a degree of 0.9.

But how do we determine the degree of

membership?
 It can be found from a fuzzy membership function.

13
Membership
Ide “membership” adalah konsep dasar dari logika fuzzy
Setiap objek dalam semesta mempunyai derajat
keanggotaan pada beberapa himpunan

14
A1.0Membership Function

0.5 Large water Very

melon Large
water
melon

0.0
3kg 5kg 8kg 9kg 10kg
15
Crisp membership functions are either one or zero.
e.g. Numbers greater than 10.

A ={x | x>10}
A(x)
1

x
10

16
 Degree of
membership
1

0
height
short tall
17
 μ Himpunan Klasik

1.0

Middle age

0 35 55 umur

μ
Himpunan Fuzzy

1.0

young middle old

0 15 35 45 55 70 umur 18
Representing Degree of Membership
· Untuk suatu himpunan fuzzy A, fungsi
keanggotaannya dinyatakan sebagai A.
· A(xi) adalah derajat keanggotaan dari xi
terhadap himpunan A.
· Contoh :
· A = Large water melon
· Misal xi adalah sebuah semangka dengan berat 9.9kg.
· Dari gambar fungsi keanggotaan sebelumnya, A(xi) =
0.1.

19
Fuzzy sets with a discrete universe
Let X = {0, 1, 2, 3, 4, 5, 6} be a set of numbers of
children a family may possibly have.
fuzzy set A with “sensible number of children in a
family” may be described by
A = {(0, 0.1), (1, 0.3), (2, 0.7), (3, 1), (4, 0.7), (5, 0.3), (6,
0.1)}

20
NOTASI
Misal S = himpunan semesta yang dinyatakan
sbg {x}. Suatu himpunan fuzzy A dalam S
dinyatakan dengan fungsi keanggotaan μA sbb:
A = {(x, μA(x)) | x U}  U Diskret
atau

 A ( x1 )  A ( x2 )  A ( xn )
A   ... 
x1 x2 xn
21
CONTOH 1:
Pada himpunan semesta U ={2,3,4,5,6,7,8}, himpunan
fuzzy F yang menyatakan:
a. ‘integer yang mendekati sama dengan 5’ dapat
didefinisikan sebagai berikut :

0.1 0.4 0.85 1.0 0.85 0.4 0.1

F1       
2 3 4 5 6 7 8
b. ‘integer yang dekat dengan 4’ didefinisikan sebagai

0.4 0.8 1.0 0.8 0.4 0.1 0.0

F2       
2 3 4 5 6 7 8
22
Example of A Fuzzy Set Representation
· A definition of the fuzzy set LW=“Large Water
Melon”.
0.25 0.75 1.0 0.1
LW      ...
6kg 7 kg 8kg 9.9kg
· Alternatively,
· LW = {(6kg, 0.25), (7kg, 0.75), (8kg, 1.0), (9.9kg,
0.1), …}

23
CONTOH 2 :
Tinggi badan seseorang dapat dinyatakan dalam fungsi
keanggotaan yang diberikan dalam rumus sbb :
0 , jk tinggi(x) < 1,5 m
µtinggi(x)= (tinggi(x) -1,5) / 0,3 , jk 1,5m≤tinggi(x)≤1,8m
1 , jk tinggi(x) >1,8 m
Maka dapat ditentukan derajat ketinggian seseorang sbb

Nama Tinggi Derajat ketinggian

Ana 1 0
Ali 1,6 0,33
Amanda 1,8 1
Adrian 2 1
24
Member Functions
Membership function
better than listing membership values
e.g. Tall(x) = {1 if x >= 1.9m ,
0 if x <= 1.7m,
else ( x - 1.7 ) / 0.2 }

25
Example: Fuzzy Short
Short(x) = {0 if x >= 1.9m ,
1 if x <= 1.7m,
else ( 1.9 - x ) / 0.2 }

26
MEMBERSHIP FUNCTIONS
A triangular membership function dispesifikasikan
dengan 3 parameter {a,b,c}:
Triangle(x; a, b, c) = 0 if x  a;
= (x-a)/(b-a) if a  x  b;
= (c-x)/(c-b) if b  x  c;
= 0 if c  x.

27
 MEMBERSHIP FUNCTIONS

A trapezoidal membership function dispesifikasikan

dengan 4 parameter parameters {a, b, c, d} sbb:

Trapezoid(x; a, b, c, d) = 0 if x  a;
= (x-a)/(b-a) if a  x  b;
= 1 if b  x  c;
= (d-x)/(d-c) 0 if c  x  d;
= 0, if d  x.

28
MEMBERSHIP

FUNCTIONS
The S-function can be used to define fuzzy sets
S(x, a, b, c) = 0 for x  a
= 2(x-a/c-a)2 for a  x  b
= 1 – 2(x-c/c-a)2 for b  x  c
=1 for x  c

a b c

29
MEMBERSHIP FUNCTIONS
Fungsi phi, didefinisikan sebagai
P(x, a, b) = S(x, b-a, b-a/2, b) for x  b
= 1 – S(x, b, b+a/2, a+b) for x  b

b-a b-a/2 b b+a/2 b+a

30
Simple membership functions
Piecewise linear: triangular etc.
Easier to represent and calculate  saves computation

31
Easy to understand
Flexible
Tolerant of imprecision
Based on intuition and judgment
No need for a mathematical model
Relatively simple, fast and adaptive
Less sensitive to system fluctuations

32
OPERASI HIMPUNAN FUZZY
UNION (GABUNGAN)
- Misal ada 2 himpunan fuzzy A dan B
dengan fungsi keanggotaan μA(x) dan
μB(x) maka gabungan antara A dengan B
(A  B) didefinisikan sebagai :
μA B (x) = max {μA(x) , μB(x)},
untuk semua x S

33
Fuzzy Logic OR

34
OPERASI HIMPUNAN FUZZY (2)
INTERSECTION (IRISAN)
Misal ada 2 himpunan fuzzy A dan B
dengan fungsi keanggotaan μA(x) dan
μB(x) maka irisan antara A dengan B
(A ∩ B) didefinisikan sebagai :
μA ∩ B (x) = min {μA(x) , μB(x)},
untuk semua x S

35
Fuzzy Logic AND

36
OPERASI HIMPUNAN FUZZY (3)
COMPLEMENT (NOT)
Komplemen dari suatu himpunan fuzzy A
dengan fungsi keanggotaan μA(x)
didefinisikan sebagai :
μA’(x) = 1 - μA(x) ,
untuk semua x U

37
Fuzzy Logic NOT

38
Example fuzzy set operations
A’

AB AB

A B

39
 Operations

A B

A B AB A

40
Karakteristik himpunan fuzzy
Support(A) is set of all points x in X such that
{(x| µA(x) > 0 }
core(A) is set of all points x in X such that
{(x | µA(x) =1 }
Crossover point of a fuzzy set A is a point x in X
such that
{(x| µA(x) = 0.5 }
α-cut of a fuzzy set A is set of all points x in X
such that
{(x| µA(x) ≥ α }

41
 LATIHAN 1
Diketahui himpunan fuzzy usia A sbb :
a. Tentukan derajat keanngotaan young, middle dan old untuk
seseorang yang berusia: 1. 30 tahun, 2. 71 tahun

μ
Himpu Fuzzy

1.0

young middle old

0 15 35 45 55 70 umur 42
LATIHAN 2
 Jika fungsi keanggotaan tinggi badan seseorang
dinyatakan sebagai berikut :
µTall(x) = { 1 if x >= 1.7m ,
0 if x <= 1.5m,
else ( x - 1.5 ) / 0.2 }

Tentukan derajat keanggotaan :

a. young dan tall seseorang berusia 53 dengan
tinggi 1,6 m
b. young atau tall seseorang berusia 53 dengan
tinggi 1,6 m
c. Not tall seseorang dengan tinggi 1,6 m
43