MAKALAH

FUZZY LOGIC
Disusun Untuk Memenuhi Tugas Mata Kuliah
Kecerdasan Buatan

Oleh :
NIRMA
NIM : 20162205114

PROGRAM STUDI S-1 TEKNIK INFORMATIKA

SEKOLAH TINGGI MANAJEMEN INFORMASI & KOMPUTER AKBA

MAKASSAR
2019
 KATA PENGANTAR

Puji syukur kami panjatkan kehadirat Allah SWT, yang telah memberikan rahmat dan
hidayah-Nya kepada kami semua, dan tidak lupa shalawat beserta salam kami haturkan kepada
Nabi Muhammad SAW, sehingga kami dapat menyelesaikan tugas makalah pada mata kuliah
Pengantar Teknologi Sistem Cerdas ini tepat waktu.

Makalah dengan judul “Kecerdasan Buatan Fuzzy Logic” ini kami susun untuk memenuhi
tugas mata kuliah Pengantar Teknologi Sistem Cerdas yang diberikan oleh ibu Eel Susilowati.

Kami mengucapkan terimakasih kepada anggota kelompok 2 yang telah membantu dalam
penyusunan makalah ini. Kami menyadari masih banyak kekurangan dalam makalah ini, dengan
kerendahan hati, kami memohon maaf.

Semoga makalah ini dapat berguna dan bermanfaat bagi kita semua.

Makassar, 04 April 2016

Penyusun
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Logika Fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau kesamaran
(fuzzyness) antara benar atau salah. Dalam logika klasik dinyatakan bahwa segala hal dapat
diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak), sedangkan
logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga
hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit",
"lumayan" dan "sangat". Logika ini berhubungan dengan himpunan fuzzy dan teori
kemungkinan. Logika fuzzy ini diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas
California, Berkeley pada 1965.
Logika fuzzy dapat digunakan dalam bidang teori kontrol, teori keputusan, dan beberapa
bagian dalam managemen sains. Selain itu, kelebihan dari logika fuzzy adalah kemampuan
dalam proses penalaran secara bahasa (linguistic reasoning), sehingga dalam
perancangannya tidak memerlukan persamaan matematik dari objek yang dikendalikan.
Adapun salah satu contoh aplikasi logika fuzzy dalam kehidupan sehari-hari adalah Pada
tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang (Matsushita
Electric Industrial Company). Sistem fuzzy digunakan untuk menentukan putaran yang
tepat secara otomatis berdasarkan jenis dan 2 banyaknya kotoran serta jumlah yang akan
dicuci. Input yang digunakan adalah: seberapa kotor, jenis kotoran, dan banyaknya yang
dicuci. Mesin ini menggunakan sensor optik , mengeluarkan cahaya ke air dan mengukur
bagaimana cahaya tersebut sampai ke ujung lainnya. Makin kotor, maka sinar yang sampai
makin redup. Disamping itu, sistem juga dapat menentukan jenis kotoran (daki atau
minyak).
Himpunan fuzzy didasarkan pada gagasan untuk memperluas jangkauan fungsi
karakterisik sedemikian hingga fungsi tersebut akan mencakup bilangan riil pada interval
[0,1]. Dalam tugas akhir ini dibahas mengenai kardinalitas, keterbatasan dan kekonvekan
 himpunan fuzzy. Pada himpunan fuzzy, sebuah objek dapat berada pada sebuah himpunan
secara parsial. Derajat keanggotaan dalam himpunan fuzzy diukur dengan fungsi yang
merupakan generalisasi dari fungsi karakteristik yang disebut fungsi keanggotaan atau
fungsi kompatibilitas.

1.2 Rumusan Masalah

1. Apa Pengertian dari Logic Fuzzy?

2. Apa Alasan Menggunakan Logika Fuzzy ?

3. Apa Dasar-dasar Logika Fuzzy?

4. Apa Fungsi Keanggotaan?

5. Bagaimana Cara Kerja Logika Fuzzy Dengan Metode Tsukamoto
6. Berikan Contoh Aplikasi Logika Fuzzzy dan Jelaskan Prinsip Kerjanya

1.3.Tujuan

1. Untuk megetahui Pengertian Logika Fuzzy.

2. Untuk mengetahui Alasan Menggunakan Logika Fuzzy.
3. Untuk mengetahui Fungsi Keanggotaan.
4. Untuk mengetahui Cara Kerja Logika Fuzzy Dengan Metode Tsukamoto.
5. Untuk mengetahui Contoh Aplikasi Logika Fuzzzy dan Jelaskan Prinsip Kerjanya.
 BAB II
PEMBAHASAN

2.1 Pengertian Logika Fuzzy

Pengertian Logika Fuzzy Logika fuzzy diperkenalkan pertama kali pada tahun 1965 oleh
Prof Lutfi A. Zadeh seorang peneliti di Universitas California di Barkley dalam bidang
ilmu komputer. Professor Zadeh beranggapan logika benar salah tidak dapat mewakili
setiap pemikiran manusia, kemudian dikembangkanlah logika fuzzy yang dapat
mempresentasikan setiap keadaan atau mewakili pemikiran manusia. Perbedaan antara
logika tegasdan logika fuzzy terletak pada keanggotaan elemen dalam suatu himpunan.
Jika dalam logika tegas suatu elemen mempunyai dua pilihan yaitu terdapat dalam
himpunan atau bernilai 1 yang berarti benar dan tidak pada himpunan atau bernilai 0 yang
berarti salah. Sedangkan dalam logika fuzzy, keanggotaan elemen berada di interval
[0,1]. Logika fuzzy menjadi alternatif dari berbagai sistem yang ada dalam pengambilan
keputusan karena logika fuzzy mempunyai kelebihan sebagai berikut: a. Logika fuzzy
memiliki konsep yang sangat sederhana sehingga mudah untuk dimengerti. b. Logika
fuzzy sangat fleksibel, artinya mampu beradaptasi dengan perubahan-perubahan dan
ketidakpastian. c. Logika fuzzy memiliki toleransi terhadap data yang tidak tepat. d.
Logika fuzzy mampu mensistemkan fungsi-fungsi non-linier yang sangat kompleks. e.
Logika fuzzy dapat mengaplikasikan pengalaman atau pengetahuan dari para pakar. f.
Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. 8 g.
Logika fuzzy didasarkan pada bahasa sehari-hari sehingga mudah dimengerti. Logika
fuzzy memiliki beberapa komponen yang harus dipahami seperti himpunan fuzzy, fungsi
keanggotaan, operator pada himpunan fuzzy, inferensi fuzzy dan defuzzifikasi..

2.2 Alasan Menggunakan Logika Fuzzy

 Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain:
1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari
penalaran fuzzy sangat sederhana dan mudah dimengerti.
2. Logika fuzzy sangat fleksibel.
3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.
5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman
para pakar secara langsung tanpa harus melalui proses pelatihan.
6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
7. Logika fuzzy didasarkan pada bahasa alami.

2.3 DASAR-DASAR LOGIKA FUZZY

Dasar-dasar logika fuzzy adalah :

a. HIMPUNAN TEGAS / CRIPS

Sangat penting sekali bagi kita untuk terlebih dahulu mengetahui apa itu crisp set
atau yang dikenal juga dengan conventional set, sebelum kita mengarah pada
bagaimana himpunan fuzzy dibuat untuk kekurangan pada crisp set. Dalam
kebanyakan jenis pemikiran setiap harinya, dan refleksi bahasa darinya, orang –
orang menggunakan crisp set untuk mengelompokan sesuatu. Menjadi anggota dari
crisp set adalah seluruhnya berhubungan atau tidak sama sekali. Seorang wanita
dikatakan hamil ataupun tidak, ia tidak pernah “hamil sebagian” atau “sedikit
hamil”.

Berpikir dengan crisp set menjadikan segala sesuatunya lebih sederhana, karena
sesuatu bisa merupakan anggota dari suatu crisp set atau tidak. Crisp set dapat
digunakan untuk merepresentasikan gambaran pengertian hitam dan putih.
Seringkali juga, saat sesuatu itu merupakan anggota dari sebuah crisp set maka ia
kemudian (pada waktu yang sama) bukan merupakan anggota dari crisp set
manapun. Kembali hal ini menyederhanakan penggunaan logika dengan proses
pemikiran semacam ini. Konstruksi linguistik yang menggambarkan jenis
pemikiran ini dapat benar – benar berguna, terutama saat kategori crisp digunakan.
Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan
A, yang sering ditulis dengan µA[x], memiliki 2 kemungkinan, yaitu (Kusumadewi,
2004 : p3) :

§ Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu
himpunan, atau

§ Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu
himpunan.

Untuk lebih jelasnya, bisa dilihat dari contoh dibawah ini :

Dari gambar diatas dapat dijelaskan sebagai berikut:

§ Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA (µMUDA[34]

= 1)

§ Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA

(µMUDA[35] = 0);

§ Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK

MUDA (µMUDA[35 –1hr]=0
 § Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA
(µPAROBAYA[35] = 1);

§ Apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK PAROBAYA

(µPAROBAYA[34] = 0);

§ Apabila seseorang berusia 55 tahun, maka ia dikatakan PAROBAYA

(µPAROBAYA[55] = 1);

§ Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK

PAROBAYA (µPAROBAYA[35 – 1hr] = 0);

Berdasarkan kasus diatas dapat dikatakan bahwa pemakaian himpunan crisp untuk
menyatakan umur sangat tidak adil, adanya perubahan kecil saja pada suatu nilai
mengakibatkan perbedaan kategori yang cukup signifikan. Oleh karena itu
digunakanlah himpunan fuzzy untuk mengantisipasi hal tersebut. Berikut ini
diberikan contoh-contoh agar kita dapat lebih menelaah konsep himpunan
tegas/crips.

Notasi CRIPS dinyatakan dengan mA[x]

Contoh 1: S = {1,2,3,4,5} A = {1,2,3} B = {3,4,5}

Nilai keanggotaan 3 pada himpunan A, mA[3] = 1 , sebab 3 Є A

Nilai keanggotaan 6 pada himpunan A, mA[6] = 0 , sebab 6 Є A

Contoh 2: Sebuah barang dikelompokkan dalam kategori murah, sedang dan mahal.

Murah, harga < 1 juta

Sedang, 1 juta £ harga £ 3 juta

Mahal, harga > 3 juta

 Jika harga 1 juta maka harga tersebut dinyatakan Sedang

mSedang[3] = 1 , sebab 3 Є Sedang

Contoh 3:

Diberikan aturan/rule :If the temperature is higher than 80F, it is hot;

otherwise, it is not hot.

Kasus:

Temperature = 100F , (Hot)

Temperature = 80.1F , (Hot)

Temperature = 79.9F , (Not Hot)

Temperature = 50F , (Not Hot)

If temperature >= 80F, it is hot (1 or true);

If temperature < 80F, it is not hot (0 or false).

Fungsi keanggotaan dari crisp logic gagal membedakan antar member pada
himpunan yang sama

Ada problem-problem yang terlalu kompleks untuk didefinisikan secara tepat

2.4 Fungsi Keanggotaan

Fungsi Keanggotaan. Fungsi keanggotaan (membership function) adalah suatu kurva

yang menunjukkan pemetaaan titik-titik input data kedalam nilai keanggotaannya (sering
disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1.
 Fungsi keanggotaan dapat dibuat kedalam beberapa bentuk kurva diantanya,

a. Representasi Linier

Pada representasi linier, permukaan digambarkan sebagai suatu garis lurus. Bentuk ini
paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang
kurang jelas. Ada 2 kemungkinan keadaan himpunan fuzzy yang linier. Pertama,
kenaikan himpunan dimulai pada nlai dominan yang memiliki derajat keanggotaan nol
[0] bergerak kekanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih
tinggi.

b. Representasi Kurva Segitiga

Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis linier.

2.5 Cara Kerja Logika Fuzzy Dengan Methode Tsukumato

Sistem Inferensi Fuzzy merupakan suatu kerangka komputasi yang didasarkan pada teori
himpunan fuzzy, aturan fuzzy berbentuk IF-THEN, dan penalaran fuzzy. Secara garis
besar, diagram blok proses inferensi fuzzy (Kusumadewi, 2003).

Sistem inferensi fuzzy menerima input crisp. Input ini kemudian dikirim ke basis
pengetahuan yang berisi n aturan fuzzy dalam bentuk IF-THEN. Fire strength akan dicari
pada setiap aturan. Apabila jumlah aturan lebih dari satu, maka akan dilakukan agregasi
dari semua aturan. Selanjutnya, pada hasil agregasi akan dilakukan defuzzy untuk
mendapatkan nilai crisp sebagai output sistem. Pada dasarnya, metode tsukamoto
mengaplikasikan penalaran monoton pada setiap aturannya. Kalau pada penalaran
monoton, sistem hanya memiliki satu aturan, pada metode tsukamoto, sistem terdiri atas
beberapa aturan. Karena menggunakan konsep dasar penalaran monoton, pada metode
tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-THEN harus
direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang
monoton. Output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp)
bedasarkan α-predikat (fire strength). Proses agregasi antar aturan dilakukan, dan hasil
 akhirnya diperoleh dengan menggunakan defuzzy dengan konsep rata-rata terbobot.
Misalkan ada variabel input, yaitu x dan y, serta satu variabel output yaitu z. Variabel x
terbagi atas 2 himpunan yaitu A1 dan A2, variabel y terbagi atas 2 himpunan juga, yaitu
B1 dan B2, sedangkan variabel output Z terbagi atas 2 himpunan yaitu C1 dan C2. Tentu
saja himpunan C1 dan C2 harus merupakan himpunan yang bersifat monoton. Diberikan
2 aturan sebagai berikut

IF x is A1 and y is B2 THEN z is C1

IF x is A2 and y is B2 THEN z is C1

2.6 Contoh Aplikasi Logika Fuzzy dan Prinsip Kerjanya

Metode Tsukamoto merupakan perluasan dari penalaran monoton. Pada metode

Tsukamoto, Setiap konsekuen pada aturan yang berbentuk IF-THEN harus
dipresentasikan 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). Hasil akhirnya diperoleh dengan
menggunakan rata-rata terbobot.

Kasus:

Suatu perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Dari data 1
bulan terakhir, permintaan terbesar mencapai 5000 kemasan/hari, dan permintaan terkecil
mencapai 1000 kemasan/hari. Persediaan barang digudang terbanyak mencapai 600
kemasan/hari, dan terkecil pernah mencapai 100 kemasan/hari. Dengan segala
keterbatasannya perusahaan sampai saat ini baru mampu memproduksi brang maksimum
7000 kemasan/hari, untuk efisiensi mesin dan SDm tiap hari diharapkan perusahaan
memproduksi paling tidak 2000 kemasan. Berapa kemasan makanan jenis ABC yang
harus diprosuksi, jika jumlah permintaan sebanyak 4000 kemasan, dan persediaan di
gudang masih 300 kemasan, apabilla proses produksi perusahaan tersebut menggunakan
4 aturan fuzzy sebagai berikut:
[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 TURUN And Persediaan SEDIKIT, THEN Produksi Barang
BERTAMBAH;

Solusi:

Ada 3 variable fuzzy yang akan dimodelkan, yaitu:

1. Permintaan terdiri atas 2 himpunan fuzzy, yaitu NAIK dan TURUN

Pemintaan (kemasan/hari)

µPmtTURUN [x] = {(1, x ≤ 1000), ((5000-x)/4000, 1000 ≤ x ≤ 5000), (0, x ≥ 5000)}

µPmtNAIK [x] = {(0, x ≤ 1000), ((x -1000)/4000, 1000 ≤ x ≤ 5000), (1, x ≥ 5000)}
 Nilai Keanggotaan :
µPmtTURUN (4000) = (5000-4000)/4000 = 0.25
µPmtTURUN (4000) = (4000-1000)/4000 = 0.75

2. Persediaan, terdiri atas 2 himpunan fuzzy, yaitu SEDIKIT dan BANYAK

Persediaan (kemasan/hari)

Nilai keanggotaan:

µPmtSEDIKIT[y] = {(1, y ≤ 1000), ((600 – y)/500, 100 ≤ y ≤ 600), (0, y ≥ 600)}

µPmtBANYAK [y] = {(0, y ≤ 1000), ((y-1000)/500, 100≤ y ≤ 600), (1, y ≥ 600)}

Nilai Keanggotaan :
µPmtSEDIKIT(300) = (600-300)/500 = 0.26
µPmtBANYAK (300) = (300-100)/500 = 0.4

3. Produksi barang, terdiri atas 2 himpunan fuzzy, yaitu: BERKURANG dan

BERTAMBAH
 Produksi barang (kemasan/hari)

Nilai keanggotaan:

µPmtBERKURANG[z] = {(1, z ≤ 2000), ((7000 – z)/5000, 2000 ≤ z≤ 7000), (0, z

≥ 7000)}

µPmtBERTAMBAH[z] = {(0, z ≤ 2000), ((z-2000)/5000, 2000≤ z ≤ 7000), (1, z ≥

7000)}

Sekarang kita cari nilai z untuk setiap aturan dengan menggunakan fungsi MIN pada
aplikasi fungsi implikasinya:

[R1] IF permintaan TURUN And Persediaan BANYAK THEN Produksi Barang

BERKURANG;

α-predikat1 = µPmtTURUN | µPmtBAYAK

α-predikat1 = min ( µPmtTURUN , µPmtBANYAK )

 α-predikat1 = min (0.25; 0,4)
α-predikat1 = 0.25

lihat himpunan Produksi Barang Berkurang

(7000-z)/5000=0.25 -> z1= 5750

[R2] IF permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang

BERKURANG;

α-predikat2 = µPmtTURUN | µPmtSEDIKIT

α-predikat2 = min ( µPmtTURUN , µPmtSEDIKIT)

α-predikat2 = min (0.25; 0,6)

α-predikat2 = 0.25

lihat himpunan Produksi Barang Berkurang

(7000-z)/5000=0.25 -> z2= 5750

[R3] IF permintaan NAIK And Persediaan BANYAK THEN Produksi Barang

BERTAMBAH;

α-predikat3 = µPmtNAIK | µPmtBANYAK

α-predikat3 = min ( µPmtNAIK , µPmtBANYAK)

α-predikat3 = min (0.75; 0,4)

α-predikat3 = 0.4

lihat himpunan Produksi Barang Bertambah

(z-2000)/5000=0.4 -> z3= 4000
[R4] IF permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang
BERTAMBAH;

α-predikat4 = µPmtTURUN | µPmtSEDIKIT

α-predikat4 = min ( µPmtTURUN , µPmtSEDIKIT )

α-predikat4 = min (0.75; 0,6)

α-predikat4 = 0.6

lihat himpunan Produksi Barang Bertambah

(z-2000)/5000=0.6 -> z4= 5000

Nilai Z dapat dicari dengan cara berikut:

z= αpred1 * z1 + αpred2 * z2 + αpred3 * z3 + αpred4 * z4/ (αpred1+ αpred2+ αpred3+

αpred4)

z= 0.25*5750 + 0.25*5750 + 0.4 *4000 + 0.6 * 5000 / (0.25+0.25+0.4+0.6) = 4983

Maka jumlah makanan kaleng jenis ABC yang harus diproduksi sebanyak 4983 kemasan.
1. Langkah Pertama Input Permintaan

2. Langkah Kedua Input Persediaan

3. Langkah Ketiga Input Produksi

 4. Langkah Keempat Input Permintaan Real dan Persediaan Real

Result:
Maka makanan jenis ABC yang harus diprosuksi sebanyak
 BAB III

PENUTUP

3.1 KESIMPULAN

Kesimpulan yang dapat diambil adalah sebagai berikut:

Dengan mengacu kepada solusi yang diberikan oleh metode Fuzzy Tsukamoto

dalam membantu membuat keputusan. Salah satunya pengambilan

keputusan dalam memberikan jumlah kalori yang dibutuhkan manusia sehari

yang diperoleh berdasarkan variabel usia dan berat badan orang tersebut.

Menentukan perkiraan besaran kalori yang diberikan kepada pengguna

aplikasi bisa dilakukan secara mudah dan tepat dengan menggunakan Metode

Fuzzy Tsukamoto.
 DAFTAR PUSTAKA

http://eprints.uny.ac.id/43552/2/BAB%20II.pdf (Pengertian Logika Fuzzy)

http://haniifahawaliah.blogspot.com/2016/11/makalah-fuzzy-logic.html (alasan menggunakan

logika fuzzy)

http://kelik-felixs.blogspot.com/2011/04/dasar-dasar-logika-fuzzy.html (Dasar dasar logika

fuzzy)

https://dosen.perbanas.id/metode-fuzzy-logic-logika-fuzzy-untuk-mendukung-keputusan/ (fungsi
keanggotaan)

http://wayanfm.lecture.ub.ac.id/files/2014/05/LF_A_A_FP.pdf

https://logikapagi.wordpress.com/2015/11/15/27/