PENERAPAN METODE FUZZY INFERENCE SYSTEM
PENERAPAN METODE FUZZY INFERENCE SYSTEM
METODE TSUKAMOTO
METODE TSUKAMOTO
UNTUK MENETUKAN WAKTU PUTAR MESIN CUCI
UNTUK MENETUKAN WAKTU PUTAR MESIN CUCI
PROPOSAL PENELITIAN
PROPOSAL PENELITIAN
Disusun Sebagai Tugas Dalam Matakuliah Kecerdasan Buatan
Disusun Sebagai Tugas Dalam Matakuliah Kecerdasan Buatan
Dosen :
Dosen :
Nurjaya, S.kom, M.kom
Nurjaya, S.kom, M.kom
Disusun Oleh :
Disusun Oleh :
AKBAR WIRA PRADANA
AKBAR WIRA PRADANA
2010140724
2010140724
PROGRAM STUDI TEKNIK INFORMATIKA
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK
FAKULTAS TEKNIK
UNIVERSITAS PAMULANG
UNIVERSITAS PAMULANG
DAFTAR ISI
DAFTAR ISI
Hal.
Hal.
DAFTARDAFTAR ISI ..ISI ... ii.. ii DAFTAR
DAFTAR GAMBAR GAMBAR ... .... iviv DAFTAR
DAFTAR TABEL TABEL ... v.. v BAB
BAB I I PENDAHULUAN PENDAHULUAN ... ... 11 1.1
1.1 Latar Latar Belakang Belakang Masalah Masalah ... ... 11 1.2
1.2 Identifikasi Identifikasi Masalah Masalah ... ... 33 1.3
1.3 Tujuan Tujuan Penelitian Penelitian ... ... 33 1.4
1.4 Manfaat Manfaat penelitian penelitian ... ... 33 1.5
1.5 Batasan Batasan Masalah Masalah ... ... 33 1.6
1.6 Metode Metode Penelitian Penelitian ... ... 44 1.7
1.7 Sistematika Sistematika Penulisan Penulisan ... ... 44 BAB II
BAB II LANDASAN TEORI DAN KERANGKA PEMIKIRAN LANDASAN TEORI DAN KERANGKA PEMIKIRAN ... ... 66 2.1
2.1 Tinjauan Tinjauan Studi Studi ... ... 66 2.2
2.2 Landasan Landasan Teori Teori Sistem Sistem Pendukung Pendukung Keputusan Keputusan ... .. 77 2.2.1
2.2.1 Logika Logika Fuzzy Fuzzy ... ... 77 2.2.2
2.2.2 Komponen Komponen Logika Logika Fuzzy Fuzzy ... ... 77 2.2.3
2.2.3 Himpunan Himpunan Fuzzy Fuzzy ... ... 88 2.2.4
2.2.4 Fungsi Fungsi Keanggotaan Keanggotaan ... ... 1212 2.3
2.3 Operator Operator Dasar Dasar Zadeh Zadeh Untuk Untuk Operasi Operasi Himpunan Himpunan Fuzzy Fuzzy ... ... 2323 2.3.1
2.3.1 Operator Operator AND AND ... ... 2323 2.3.2
2.3.2 Operator Operator OR OR ... ... 2323 2.3.3
2.3.3 Operator Operator NOT NOT ... ... 2323 2.4
2.4 PENALARAN PENALARAN MONOTON MONOTON ... ... 2323 2.5
2.5 FUNGSI FUNGSI IMPLIKASI IMPLIKASI ... ... 2424 2.6
2.6 Sistem Sistem Inferensi Inferensi Fuzzy Fuzzy ... ... 2525 2.6.1
2.6.1 Metode Metode Tsukamoto Tsukamoto ... ... 2525 2.7
DAFTAR GAMBAR
DAFTAR GAMBAR
Gambar 2.2.3-1 Himpunan Fuzzy Untuk Variabel Umur
Gambar 2.2.3-1 Himpunan Fuzzy Untuk Variabel Umur ... 9 ... 9 Gambar 2.2.3-2 Himpunan Fuzzy Untuk Variabel Umur
Gambar 2.2.3-2 Himpunan Fuzzy Untuk Variabel Umur ... 10 ... 10 Gambar 2.2.4-1
Gambar 2.2.4-1 Representasi Linier Representasi Linier Naik ...Naik ... ... 1313 Gambar
Gambar 2.2.4-2 Repre2.2.4-2 Representasi sentasi Linier TurunLinier Turun... 14... 14 Gambar 2.2.4-3 Representasi Kurva Segi Tiga
Gambar 2.2.4-3 Representasi Kurva Segi Tiga ... ... ... 1414 Gambar 2.2.4-4 Representasi Kurva Trapesium
Gambar 2.2.4-4 Representasi Kurva Trapesium ... 15 ... 15 Gambar 2.2.4-5 Representasi Kurva Bentuk Bahu
Gambar 2.2.4-5 Representasi Kurva Bentuk Bahu ... 16 ... 16 Gambar 2.2.4-6 Himpunan Fuzzy dengan kurva S : PERTUMBUHAN
Gambar 2.2.4-6 Himpunan Fuzzy dengan kurva S : PERTUMBUHAN ... ... 1616 Gambar 2.2.4-7 Himpunan Fuzzy dengan kurva S : PENYUSUTAN
Gambar 2.2.4-7 Himpunan Fuzzy dengan kurva S : PENYUSUTAN... ... 1717 Gambar 2.2.4-8
Gambar 2.2.4-8 Karakteristik Kurva Karakteristik Kurva S ...S ... ... 1818 Gambar 2.2.4-9 Karakteristik Fungsional Kurva PI
Gambar 2.2.4-9 Karakteristik Fungsional Kurva PI... 19... 19 Gambar
2.2.4-Gambar 2.2.4-10 Representasi 10 Representasi fungsional kurva BEfungsional kurva BETATA ... 20 ... 20 Gambar 2.2.4-11 Karakteristik funsional kurva
Gambar 2.2.4-11 Karakteristik funsional kurva GAUSSGAUSS... 21... 21 Gambar 2.2.4-12 Titik koordinak yang menunjukan PENGENDARA BERESIKO TINGGI
Gambar 2.2.4-12 Titik koordinak yang menunjukan PENGENDARA BERESIKO TINGGI ... 22 ... 22 Gambar 2.2.4-13 Kurva yang berhubungan dengan pengendara yang beresiko tinggi
Gambar 2.2.4-13 Kurva yang berhubungan dengan pengendara yang beresiko tinggi... 22... 22 Gambar 2.3.3-1 Fungsi implikasi : MIN.
Gambar 2.3.3-1 Fungsi implikasi : MIN. ... ... ... 2424 Gambar 2.3.3-2 Fungsi implikasi: DOT.
Gambar 2.3.3-2 Fungsi implikasi: DOT... 25... 25 Gambar 2.6.1-1 Inferensi dengan menggunakan metode Tsukamoto
Gambar 2.6.1-1 Inferensi dengan menggunakan metode Tsukamoto ... 26 ... 26 Gambar 2.2.7-2.7.1-1 Modul Control Mesin
Gambar 2.2.7-2.7.1-1 Modul Control Mesin CuciCuci ... 27 ... 27 Gambar 2.7.1-2 Pressure Switch
Gambar 2.7.1-2 Pressure Switch ... ... ... 2828 Gambar 2.7.1-3 Motor Penggeran
Gambar 2.7.1-3 Motor Penggeran ... ... ... 2828 Gambar 2.7.1-4 Drain Pump
Gambar 2.7.1-4 Drain Pump ... 29 ... 29 Gambar 2.7.1-5 Heater
Gambar 2.7.1-5 Heater ... ... ... 2929 Gambar 2.7.1-6 Door Lock
Gambar 2.7.1-6 Door Lock ... 29 ... 29 Gambar 2.7.1-7 Inlet Valve
DAFTAR TABEL
DAFTAR TABEL
No table of figures entries found.
No table of figures entries found.
BAB I
BAB I
PENDAHULUAN
PENDAHULUAN
1.1
1.1
Latar Belakang Masalah
Latar Belakang Masalah
// Objek penelitian
// Objek penelitian
Penjualan peralatan rumah tangga ( home appliances ) masih berkontribusi
Penjualan peralatan rumah tangga ( home appliances ) masih berkontribusi
besar dalam penjualan elektronik s
besar dalam penjualan elektronik sepanjang kuartal I 2013 (Astria,
epanjang kuartal I 2013 (Astria, 2013). Pertumbuhan
2013). Pertumbuhan
penjualan
penjualan mesin
mesin cuci
cuci nasional
nasional mencapai
mencapai value
value sekitar
sekitar Rp980
Rp980 miliar
miliar atau
atau naik
naik 28
28 %
%
dibandingkan dengan periode yang sama tahun lalu (Elektronik Marketer Club, 2013).
dibandingkan dengan periode yang sama tahun lalu (Elektronik Marketer Club, 2013).
Pengaturan waktu putar pada mesin cuci penting ditangani dengan benar (Agarwal,
Pengaturan waktu putar pada mesin cuci penting ditangani dengan benar (Agarwal,
2010), karena masing-masing jenis kain memiliki karakteristik yang berbeda dan
2010), karena masing-masing jenis kain memiliki karakteristik yang berbeda dan
membutuhkan waktu pencucian yang berbeda pula.
membutuhkan waktu pencucian yang berbeda pula.
// Metode
// Metode –
–
metode yg diusulkan
metode yg diusulkan
Beberapa metode yang diususlkan oleh banyak peneliti, Fuzzy Inference
Beberapa metode yang diususlkan oleh banyak peneliti, Fuzzy Inference System
System
metode Sugeno (Nurhayati, 2007), Fuzzy Infrence System metode Mamdani (Lohani,
metode Sugeno (Nurhayati, 2007), Fuzzy Infrence System metode Mamdani (Lohani,
2010), Multi Object Genetic Algorithm BELBIC ( Brain Emotional Learning Based
2010), Multi Object Genetic Algorithm BELBIC ( Brain Emotional Learning Based
Intelligent Controller ) (Jamali,
Intelligent Controller ) (Jamali, Lucas, & Milasi, 2007).
Lucas, & Milasi, 2007).
//
// Kekurangan dan Kelebihan metode yg ada
Kekurangan dan Kelebihan metode yg ada
Sistem fuzzy Sugeno memperbaiki kelemahan yang dimiliki oleh sistem fuzzy
Sistem fuzzy Sugeno memperbaiki kelemahan yang dimiliki oleh sistem fuzzy
murni untuk menambah suatu perhitungan matematika sederhana sebagai bagian THEN.
murni untuk menambah suatu perhitungan matematika sederhana sebagai bagian THEN.
Pada perubahan ini, sistem fuzzy memiliki suatu nilai rata-rata tertimbang (Weighted
Pada perubahan ini, sistem fuzzy memiliki suatu nilai rata-rata tertimbang (Weighted
Average Values) di dalam bagian aturan fuzzy IF-THEN. Sistem fuzzy Sugeno juga
Average Values) di dalam bagian aturan fuzzy IF-THEN. Sistem fuzzy Sugeno juga
memiliki kelemahan terutama pada bagian THEN, yaitu dengan adanya perhitungan
memiliki kelemahan terutama pada bagian THEN, yaitu dengan adanya perhitungan
matematika
sehingga
tidak
dapat
menyediakan
kerangka
alami
untuk
matematika
sehingga
tidak
dapat
menyediakan
kerangka
alami
untuk
merepresentasikan pengetahuan manusia dengan sebenarnya. Permasalahan kedua
merepresentasikan pengetahuan manusia dengan sebenarnya. Permasalahan kedua
adalah tidak adanya kebebasan untuk menggunakan prinsip yang berbeda dalam logika
adalah tidak adanya kebebasan untuk menggunakan prinsip yang berbeda dalam logika
fuzzy, sehingga ketidakpastian dari sistem fuzzy tidak dapat direpresentasikan secara
fuzzy, sehingga ketidakpastian dari sistem fuzzy tidak dapat direpresentasikan secara
baik dalam kerangka ini. (Iswari & Wahid, 2005
Sistem Infrensi Fuzzy metode mamdani lebih intuitif, dapat diterima lebih luas
Sistem Infrensi Fuzzy metode mamdani lebih intuitif, dapat diterima lebih luas
dan metode ini lebih cocok untuk menerima masukan yang berasal dari manusia bukan
dan metode ini lebih cocok untuk menerima masukan yang berasal dari manusia bukan
mesin (Sadita, 2009).
mesin (Sadita, 2009).
BELBIC ( Brain Emotional Learning Based Intelligent Controller )
BELBIC ( Brain Emotional Learning Based Intelligent Controller )
diperkenalkan
diperkenalkan
oleh
oleh (Lucas,
(Lucas, Shahmirzadi,
Shahmirzadi, &
& Sheikholeslami,
Sheikholeslami, 2004)
2004) dalam
dalam
“International Journal of Intelligent Automation and Soft Computing”
“International Journal of Intelligent Automation and Soft Computing”
. BELBIC
. BELBIC
merupakan controler yang sederhana dan juga pengendali adaptif dengan kinerja yang
merupakan controler yang sederhana dan juga pengendali adaptif dengan kinerja yang
baik
baik (Milasi,
(Milasi, Lucas,
Lucas, &
& Araabi,
Araabi, 2001).
2001). Tetapi
Tetapi masih
masih ada
ada beberapa
beberapa masalah
masalah yang
yang
menimbulkan kesulitan. Masalah pertama adalah sinyal kontrol yang besar. Masalah
menimbulkan kesulitan. Masalah pertama adalah sinyal kontrol yang besar. Masalah
kedua adalah besar kendali yang tidak terdefinisaikan (Lucas, Shahmirzadi, &
kedua adalah besar kendali yang tidak terdefinisaikan (Lucas, Shahmirzadi, &
Sheikholeslami, 2004), sehinggaa membutuhkan pengalaman sang ahli dalam
Sheikholeslami, 2004), sehinggaa membutuhkan pengalaman sang ahli dalam
mengambil keputusan. Atau harus melakukan ekperimen sendiri untuk mendapatkan
mengambil keputusan. Atau harus melakukan ekperimen sendiri untuk mendapatkan
kinerja terbaik.
kinerja terbaik.
// Masalah pd metode yg dipilih
// Masalah pd metode yg dipilih
Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk if-then
Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk if-then
harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan
harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan
yang monoton. Kurangnya transparansi pada metode Tsukamoto menyebabkan
yang monoton. Kurangnya transparansi pada metode Tsukamoto menyebabkan
penggunaannya tidak seluas metode inferensi fuzzy
penggunaannya tidak seluas metode inferensi fuzzy Mamdani dan Sugeno
Mamdani dan Sugeno
//Solusi perbaikan metode
//Solusi perbaikan metode
Identivikasi variabel-variabel input yang tepat berdasarkan masalah pada
Identivikasi variabel-variabel input yang tepat berdasarkan masalah pada
objek yang ada sangat berpengaruh pada sistem untuk menetukan output yang akurat
objek yang ada sangat berpengaruh pada sistem untuk menetukan output yang akurat
(Falopi, 2012). Pada penelitian ini penulis menggunakan dua buah variabel input yaitu
(Falopi, 2012). Pada penelitian ini penulis menggunakan dua buah variabel input yaitu
beban pakaian
beban pakaian
dan
dan
tinggkat kekotoran,
tinggkat kekotoran,
sedangkan untuk variabel outpunya adalah
sedangkan untuk variabel outpunya adalah
waktu cuci.
waktu cuci.
//Rangkuman Tujuan Penelitian
//Rangkuman Tujuan Penelitian
Pada penelitian ini Fuzzy Inference System Metode Tsukamoto akan
Pada penelitian ini Fuzzy Inference System Metode Tsukamoto akan
diterapkan untuk menetukan waktu pencucian guna menghemat energi listrik dan
diterapkan untuk menetukan waktu pencucian guna menghemat energi listrik dan
mendapatkan hasil cuci pakaian yang bersih.
1.2
1.2
Identifikasi Masalah
Identifikasi Masalah
Berdasarkan latar belakang masalah dapat dilakukan identifikasi masalah yang
Berdasarkan latar belakang masalah dapat dilakukan identifikasi masalah yang
ada diantaranya:
ada diantaranya:
a.
a. Pengaturan lama waktu putar pada mesin cuci
Pengaturan lama waktu putar pada mesin cuci
b.
b. Penghematan energi listrik
Penghematan energi listrik
c.
c. Penghematan waktu kerja dalam proses mencuci
Penghematan waktu kerja dalam proses mencuci
d.
d. Mendapatkan hasil cuci pakaian yang lebih bersih
Mendapatkan hasil cuci pakaian yang lebih bersih
1.3
1.3
Tujuan Penelitian
Tujuan Penelitian
Adapun tujuan dalam penelitian ini adalah penerapan Fuzzy Inference System
Adapun tujuan dalam penelitian ini adalah penerapan Fuzzy Inference System
Metode Tsukamoto untuk menetukan waktu pencucian guna menghemat energi listrik
Metode Tsukamoto untuk menetukan waktu pencucian guna menghemat energi listrik
dan
dan mendapatkan hasil cuci
mendapatkan hasil cuci pakaian yang
pakaian yang bersih.
bersih.
1.4
1.4
Manfaat penelitian
Manfaat penelitian
Manfaat yang diharapkan dari penelitian ini adalah:
Manfaat yang diharapkan dari penelitian ini adalah:
a.
a. Dengan penelitian ini diharapkan dapat menjadi bahan acuan untuk
Dengan penelitian ini diharapkan dapat menjadi bahan acuan untuk
melakukan penelitian selanjutnya.
melakukan penelitian selanjutnya.
b.
b. Sebagai masukan atau informasi yang bermanfaat bagi pihak kampus
Sebagai masukan atau informasi yang bermanfaat bagi pihak kampus
dalam penerapan Fuzzy Inference System.
dalam penerapan Fuzzy Inference System.
c.
c. Menambah khazanah keilmuan, pemikiran dan pengalaman dalam dunia
Menambah khazanah keilmuan, pemikiran dan pengalaman dalam dunia
Teknik Informatika bagi penulis ( khususnya ) dan untuk masyarakat
Teknik Informatika bagi penulis ( khususnya ) dan untuk masyarakat
banyak ( umumnya ).
banyak ( umumnya ).
1.5
1.5
Batasan Masalah
Batasan Masalah
Dalam penelitian ini, peneliti akan membatasi masalah yang aka diteliti, antara
Dalam penelitian ini, peneliti akan membatasi masalah yang aka diteliti, antara
lain:
lain:
1.
1. Pada penelitian ini hanya membahas penentuan lamanya waktu putar
Pada penelitian ini hanya membahas penentuan lamanya waktu putar
mesin cuci dalam proses pencucian.
mesin cuci dalam proses pencucian.
2.
2. Pada penelitina ini hanya menggunaka mesin cuci merk XYZ satu
Pada penelitina ini hanya menggunaka mesin cuci merk XYZ satu
tabung dengan pintu masuk dari atas.
tabung dengan pintu masuk dari atas.
3.
3. Pada penelitina ini hamya menggunakan perhitungan manual tanpa alat
Pada penelitina ini hamya menggunakan perhitungan manual tanpa alat
pendukung seperti sensor cahaya dan alat penguk
4.
4. Pada penelitian ini variabel input yang digunakan hanya tingkat
Pada penelitian ini variabel input yang digunakan hanya tingkat
kekotoran dan bebean pakain, sedangkan variabel outputny berupa
kekotoran dan bebean pakain, sedangkan variabel outputny berupa
waktu pencucian.
waktu pencucian.
5.
5. Pada penelitian ini implementasi system hanya menggunakan software
Pada penelitian ini implementasi system hanya menggunakan software
MathLab.
MathLab.
1.6
1.6
Metode Penelitian
Metode Penelitian
Dalam penulisan laporan penelitiaan ini penulis menggunakan kajian literatur
Dalam penulisan laporan penelitiaan ini penulis menggunakan kajian literatur
yaitu kajian yang menggunakan metode penelitian perpustakaan (Library research),
yaitu kajian yang menggunakan metode penelitian perpustakaan (Library research),
yaitu
yaitu penelitian y
penelitian yang
ang dilakukan
dilakukan di
di dalam perpu
dalam perpustakaan
stakaan maupun
maupun secara online
secara online yang
yang
dapat diakses melalui internet dengan tujuan mengumpulkan data dan informasi dengan
dapat diakses melalui internet dengan tujuan mengumpulkan data dan informasi dengan
bantuan
bantuan bermacam
bermacam material
material berupa
berupa e-book,
e-book, buku
buku cetak,
cetak, jurnal
jurnal nasional,
nasional, jurnal
jurnal
internasional, artike
internasional, artike berita, dokumen
berita, dokumen dan
dan sebagainya.
sebagainya.
Sedangkan dalam melakukan perhitungan Fuzzy Infrence System penulis
Sedangkan dalam melakukan perhitungan Fuzzy Infrence System penulis
menggunakan perhitungan secara manual dengan alat bantu kalkulator dan aplikasi
menggunakan perhitungan secara manual dengan alat bantu kalkulator dan aplikasi
Corel Draw untuk menggambar kurva Fuzzy.
Corel Draw untuk menggambar kurva Fuzzy.
1.7
1.7
Sistematika Penulisan
Sistematika Penulisan
Secara keseluruhan p
Secara keseluruhan penulisan penelitian ini dap
enulisan penelitian ini dapat digambarkan
at digambarkan di dalam
di dalam
beberapa bab dengan sistematika penulisan adalah sebagai berikut:
beberapa bab dengan sistematika penulisan adalah sebagai berikut:
BAB I PENDAHULUAN
BAB I PENDAHULUAN
Menjelaskan tentang Latar belakang masalah, Rumusan Masalah, Tujuan
Menjelaskan tentang Latar belakang masalah, Rumusan Masalah, Tujuan
Penelitian, Ruang Lingkup Penelitian, Manfaat Penelitian dan Sistematika Penulisan.
Penelitian, Ruang Lingkup Penelitian, Manfaat Penelitian dan Sistematika Penulisan.
BAB II LANDASAN TEORI DAN KERANGKA PEMIKIRAN
BAB II LANDASAN TEORI DAN KERANGKA PEMIKIRAN
Menjelaskan tentang Tinjauan studi yang berisi uraian singkat dari beberapa
Menjelaskan tentang Tinjauan studi yang berisi uraian singkat dari beberapa
penelitian
penelitian dan
dan Tinjauan
Tinjauan pustaka
pustaka yang
yang berisi
berisi teori
teori teori
teori yang
yang berhubungan
berhubungan dengan
dengan
materi penelitian.
materi penelitian.
BAB III LANDASAN TEORI DAN KERANGKA PEMIKIRAN
BAB III LANDASAN TEORI DAN KERANGKA PEMIKIRAN
Menjelaskan tentang Metode Penelitian, Metode Pengumpulan Data, Metode
Menjelaskan tentang Metode Penelitian, Metode Pengumpulan Data, Metode
Pengolahan Awal Data serta Eksperimen dan Pengujian Metode.
BAB IVHASIL DAN
BAB IVHASIL DAN PEMBAHASAN
PEMBAHASAN
Menjelaskan tentang hasil dan Pengujian dan Experimen, Evaluasi dan
Menjelaskan tentang hasil dan Pengujian dan Experimen, Evaluasi dan
validasi Hasil dan Implikasi Penilaian.
validasi Hasil dan Implikasi Penilaian.
BAB VKESIMPULAN DAN SARAN
BAB VKESIMPULAN DAN SARAN
Menjelaskan tentang kesimpulan dan saran.
Menjelaskan tentang kesimpulan dan saran.
BAB II
BAB II
LANDASAN TEORI DAN KERANGKA PEMIKIRAN
LANDASAN TEORI DAN KERANGKA PEMIKIRAN
2.1
2.1
Tinjauan Studi
Tinjauan Studi
Penelitian-penelitian yang berhubngan dengan mesin cuci sudah banyak yang
Penelitian-penelitian yang berhubngan dengan mesin cuci sudah banyak yang
melakukan, antara lain:
melakukan, antara lain:
Penelitian yang dilakukan (Nurhayati, 2007), menerapkan metode Fuzzy
Penelitian yang dilakukan (Nurhayati, 2007), menerapkan metode Fuzzy
Inference System Sugeno
Inference System Sugeno. pada skripsinya yang berjudu “
. pada skripsinya yang berjudu “
Aplikasi
Aplikasi Metode
Metode Takagi-
Takagi-Sugeno Pada Cara Kerja Mesin Cuci
Sugeno Pada Cara Kerja Mesin Cuci”. Tujuan penelitiannya adalah
”. Tujuan penelitiannya adalah
menjelaskan
menjelaskan
aplikasi metode Takagi-Sugeno pada cara kerja mesin cuci. Variabel input yang
aplikasi metode Takagi-Sugeno pada cara kerja mesin cuci. Variabel input yang
digunaka antara lain : jumlah air, jumlah detergen, berat pakaian. Dan variabel
digunaka antara lain : jumlah air, jumlah detergen, berat pakaian. Dan variabel
outputnya adalah waktu putaran proses pencucian. Penyelesaian dengan metode
outputnya adalah waktu putaran proses pencucian. Penyelesaian dengan metode
Takagi-Sugeno pada proses pencucian, pembilasan dan pengeringan adalah dengan
Takagi-Sugeno pada proses pencucian, pembilasan dan pengeringan adalah dengan
mencari nilai rata-rata terbobot (z). Dengan memasukkan nilai-nilai
mencari nilai rata-rata terbobot (z). Dengan memasukkan nilai-nilai
input
input
, hasil
, hasil
ouput
ouput
pada proses pencucian, pembilasan dan pengeringan didapatkan dari
pada proses pencucian, pembilasan dan pengeringan didapatkan dari menghitung nilai
menghitung nilai
rata-rata terbobot (z). Pada proses pencucian hasil
rata-rata terbobot (z). Pada proses pencucian hasil
output
output
untuk perhitungan 1 yaitu z
untuk perhitungan 1 yaitu z
= 15 menit dan perhitungan 2 yaitu z = 21, 51 menit. Sedangkan pada pembilasan dan
= 15 menit dan perhitungan 2 yaitu z = 21, 51 menit. Sedangkan pada pembilasan dan
pengeringan
pengeringan hasil
hasil
output
output
untuk perhitungan 1 yaitu z = 20 menit dan perhitungan 2
untuk perhitungan 1 yaitu z = 20 menit dan perhitungan 2
yaitu z = 28,44 menit.
yaitu z = 28,44 menit.
Penelitian yang dilakukan (Lohani, 2010)
Penelitian yang dilakukan (Lohani, 2010)
, yang berjudul “
, yang berjudul “
Design
Design Of
Of An
An
Improved
Improved Fuzzy
Fuzzy Controller
Controller Microchip
Microchip For
For Washing
Washing Machine
Machine”
” menggunakan
menggunakan Fuzzy
Fuzzy
Inference System Motod
Inference System Motode Mamdani,
e Mamdani, tujuan dari penelitian
tujuan dari penelitian ini adalah
ini adalah improvisasi fuzzy
improvisasi fuzzy
microchip controler untuk menentukan lama waktu pencucian. Menggunakan tiga buah
microchip controler untuk menentukan lama waktu pencucian. Menggunakan tiga buah
variabel input berupa tingkat kekotoran, jenis kotoran dan jumlah pakaian. Sedangkan
variabel input berupa tingkat kekotoran, jenis kotoran dan jumlah pakaian. Sedangkan
variabel outputnya berupa waktu pencucian. Kelebihan Sistem Infrensi Fuzzy metode
variabel outputnya berupa waktu pencucian. Kelebihan Sistem Infrensi Fuzzy metode
mamdani lebih intuitif, dapat diterima lebih luas dan metode ini lebih cocok untuk
mamdani lebih intuitif, dapat diterima lebih luas dan metode ini lebih cocok untuk
menerima masukan yang berasal dari manusia bukan mesin (Sadita, 2009).
Pada penelitian yang dilakukan (Jamali,
Pada penelitian yang dilakukan (Jamali, Lucas, & Milasi, 2007), yang berjudul
Lucas, & Milasi, 2007), yang berjudul
““
Intelligent
Intelligent Washing Machine:
Washing Machine: A Bioinspired
A Bioinspired and Multi
and Multi-objective
-objective Approach
Approach
””
. Dalam
. Dalam
penelitian
penelitian ini
ini metode
metode yang
yang digunakan
digunakan adalah
adalah Multi
Multi Object
Object Genetic
Genetic Algorithm
Algorithm
BELBIC ( Brain Emotional Learning Based Intelligent Controller ), pemodelan multi
BELBIC ( Brain Emotional Learning Based Intelligent Controller ), pemodelan multi
objek deng
objek dengan meniru
an meniru Pembelajaran emosional
Pembelajaran emosional otak manusia.
otak manusia. Penerapan metode
Penerapan metode ini
ini
memberikan hasil simulasi yang baik, simulasi dilakukan menggunakan software
memberikan hasil simulasi yang baik, simulasi dilakukan menggunakan software
MATLAB SIMULINK. Dari hasil simulasi menunjukan bahwa kontroller ini bekerja
MATLAB SIMULINK. Dari hasil simulasi menunjukan bahwa kontroller ini bekerja
optimal, dan setiap parameter memiliki kinerja sangat baik, memberikan penghematan
optimal, dan setiap parameter memiliki kinerja sangat baik, memberikan penghematan
energi yang cukup besar dalam pemakaian energi.
energi yang cukup besar dalam pemakaian energi.
2.2
2.2
Landasan Teori Sistem Pendukung Keputusan
Landasan Teori Sistem Pendukung Keputusan
2.2.1
2.2.1
Logika Fuzzy
Logika Fuzzy
Himpunan logika fuzzy pertamakali diperkenalkan oleh Lotfi A. Zadeh
Himpunan logika fuzzy pertamakali diperkenalkan oleh Lotfi A. Zadeh
pada
pada tahun
tahun 1965
1965 sebagai
sebagai cara
cara matematis
matematis untuk
untuk merepresentasikan
merepresentasikan
ketidakpastian linguistik. Berdasarkan konsep logika fuzzy, faktor-faktor dan
ketidakpastian linguistik. Berdasarkan konsep logika fuzzy, faktor-faktor dan
kriteria-kriteria dapat diklasifikasikan tanpa batasan yang mengikat. Logika
kriteria-kriteria dapat diklasifikasikan tanpa batasan yang mengikat. Logika
fuzzy sangat berguna untuk menyelesaikan banyak permasalahan dalam
fuzzy sangat berguna untuk menyelesaikan banyak permasalahan dalam
berbagai
berbagai bidang
bidang yang
yang biasanya
biasanya memuat
memuat derajat
derajat ketidakpastian
ketidakpastian (Gokmen
(Gokmen G.,
G.,
2010).
2010).
2.2.2
2.2.2
Komponen Logika Fuzzy
Komponen Logika Fuzzy
a.
a.
Variabel fuzzy
Variabel fuzzy
: Suatu besaran yang nilainya dapat berubah atau
: Suatu besaran yang nilainya dapat berubah atau
di ubah sehingga mempengaruhi peristiwa yang hendak dibahas
di ubah sehingga mempengaruhi peristiwa yang hendak dibahas
dalam suatu sistem fuzzy. Contoh: umur, temperatur, permintaan,
dalam suatu sistem fuzzy. Contoh: umur, temperatur, permintaan,
dsb
dsb
b.
b.
Himpunan fuzzy
Himpunan fuzzy
: suatu grup yang mewakili suatu kondisi atau
: suatu grup yang mewakili suatu kondisi atau
keadaan tertentu dalam suatu variabel fuzz
keadaan tertentu dalam suatu variabel fuzzy.
y.
c.
c.
Semesta pembicaraan
Semesta pembicaraan
: keseluruhan nilai yang diperbolehkan
: keseluruhan nilai yang diperbolehkan
untuk dioperasikan dalam suatu variabel fuzzy
untuk dioperasikan dalam suatu variabel fuzzy
Semesta pembicaraan untuk variabel umur: [0 +∞)
Semesta pembicaraan untuk variabel umur: [0 +∞)
d.
d.
Domain himpunan fuzzy
Domain himpunan fuzzy
: keseluruhan nilai yang diijinkan
: keseluruhan nilai yang diijinkan
dalam semesta pembicaraan dan boleh dioperasikan dalam suatu
dalam semesta pembicaraan dan boleh dioperasikan dalam suatu
himpunan fuzzy
himpunan fuzzy
DINGIN = [0 - 20]
DINGIN = [0 - 20]
SEJUK = [15 - 25]
SEJUK = [15 - 25]
e.
e.
Fungsi Keanggotaan (membership function)
Fungsi Keanggotaan (membership function)
: suatu kurva yang
: suatu kurva yang
menunjukkan pemetaan titik-titik input data ke dalam
menunjukkan pemetaan titik-titik input data ke dalam
nilai/derajat keanggotaannya (µ(x)) yang memiliki interval antara
nilai/derajat keanggotaannya (µ(x)) yang memiliki interval antara
0 sampai 1. Salah satu cara yang dapat digunakan untuk
0 sampai 1. Salah satu cara yang dapat digunakan untuk
mendapatkan nilai keanggotaan adalah dengan melalui
mendapatkan nilai keanggotaan adalah dengan melalui
pendekatan fungsi.
pendekatan fungsi.
2.2.3
2.2.3
Himpunan Fuzzy
Himpunan Fuzzy
Himpunan Fuzzy adalah sekumpulan obyek x dengan masing-masing
Himpunan Fuzzy adalah sekumpulan obyek x dengan masing-masing
obyek memiliki nilai keanggotaan (membership function) “μ” atau disebut juga
obyek memiliki nilai keanggotaan (membership function) “μ” atau disebut juga
dengan nilai kebenaran. Jika Zi,t adalah sekumpulan obyek, Zi,t={Z1,t , Z2,t ,
dengan nilai kebenaran. Jika Zi,t adalah sekumpulan obyek, Zi,t={Z1,t , Z2,t ,
… , Zm,t) dan a
… , Zm,t) dan anggotanya dinyatakan dengan Z maka himpunan fuzzy dari
nggotanya dinyatakan dengan Z maka himpunan fuzzy dari A di
A di
dalam Z adalah himpunan dengan sepasang anggota atau dapat dinyatakan
dalam Z adalah himpunan dengan sepasang anggota atau dapat dinyatakan
dengan :
dengan :
F={(Z,μ_F (Z))|Z
F={(Z,μ_F (Z))|Z
Z_(i,t) }
Z_(i,t) }
Dengan F adalah notasi himpunan fuzzy, μ_F (x) adalah derajat
Dengan F adalah notasi himpunan fuzzy, μ_F (x) adalah derajat
keanggotaan dari Z (nilai antara 0 sampai 1).
keanggotaan dari Z (nilai antara 0 sampai 1).
Contoh 7.1
Contoh 7.1
::
Jika diketahui:
Jika diketahui:
S = {1, 2, 3, 4, 5, 6} adalah semesta pembicaraan.
S = {1, 2, 3, 4, 5, 6} adalah semesta pembicaraan.
A = {1, 2, 3}
A = {1, 2, 3}
B = {3, 4, 5}
B = {3, 4, 5}
bisa dikatakan bahwa:
bisa dikatakan bahwa:
Nilai keanggotaan 2 pada
Nilai keanggotaan 2 pada himpunan A, μA[2]=1, karena 2
himpunan A, μA[2]=1, karena 2
∈∈
A.
A.
Nilai keanggotaan 3 pada
Nilai keanggotaan 3 pada himpunan A, μA[3]=1,
himpunan A, μA[3]=1,
karena 3
karena 3
∈∈
A.
A.
∉∉
Nilai keanggotaan 3 pada
Nilai keanggotaan 3 pada himpunan B, μB[3]=1, karena 3
himpunan B, μB[3]=1, karena 3
∈∈
B.
B.
Contoh 7.2
Contoh 7.2::
Misalkan variabel umur dibagi menjadi 3 kategori, yaitu:
Misalkan variabel umur dibagi menjadi 3 kategori, yaitu:
MUDA
MUDA
umur
umur <
< 35
35 tahun
tahun
PAROBAYA
PAROBAYA
35 ≤ umur ≤ 55 tahun
35 ≤ umur ≤ 55 tahun
TUA
TUA
umur
umur >
> 55
55 tahun
tahun
Nilai keanggotaan secara grafis, himpunan MUDA, PAROB
Nilai keanggotaan secara grafis, himpunan MUDA, PAROBAYA dan TUA ini
AYA dan TUA ini
dapat dilihat pada Gambar dibawah ini:
dapat dilihat pada Gambar dibawah ini:
Gambar 2.2.3-1 Gambar 2.2.3-1
Himpunan Fuzzy Untuk Variabel Umur Himpunan Fuzzy Untuk Variabel Umur
Pada Gambar diatas dapat dilihat bahwa:
Pada Gambar diatas dapat dilihat bahwa:
apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA
apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA
(μMUDA[34]
(μMUDA[34]
=1).
=1).
apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA
apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA
(μMUDA
(μMUDA
[35]=0).
[35]=0).
Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan
Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan
TIDAK MUDA (μMUDA[35 th
TIDAK MUDA (μMUDA[35 th
-1hr]=0);
-1hr]=0);
Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA
Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA
(μPAROBAYA[35]=1);
(μPAROBAYA[35]=1);
Apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK
Apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK
PAROBAYA
PAROBAYA
(μPAROBAYA[34]=0);
(μPAROBAYA[34]=0);
Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA
Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA
(μPAROBAYA[35]=1).
(μPAROBAYA[35]=1).
Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan
Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan
Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk
Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk
menyatakan umur sangat tidak adil, adanya perubahan kecil saja pada suatu nilai
menyatakan umur sangat tidak adil, adanya perubahan kecil saja pada suatu nilai
mengakibatkan perbedaan kategori yang cukup signifikan.
mengakibatkan perbedaan kategori yang cukup signifikan.
Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut.
Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut.
Seseorang dapat masuk dalam 2 himpunan yang berbeda, MUDA dan
Seseorang dapat masuk dalam 2 himpunan yang berbeda, MUDA dan
PAROBAYA, PAROBAYA dan TUA, dsb. Seberapa besar eksistensin
PAROBAYA, PAROBAYA dan TUA, dsb. Seberapa besar eksistensin ya dalam
ya dalam
himpunan tersebut dapat dilihat pada nilai keanggotaannya. Gambar 7.3
himpunan tersebut dapat dilihat pada nilai keanggotaannya. Gambar 7.3
menunjukkan himpunan fuzzy untuk variabel umur.
menunjukkan himpunan fuzzy untuk variabel umur.
Gambar 2.2.3-2 Gambar 2.2.3-2
Himpunan Fuzzy Untuk Variabel Umur Himpunan Fuzzy Untuk Variabel Umur
Pada Gambar 7.3, dapat dilihat bahwa:
Pada Gambar 7.3, dapat dilihat bahwa:
Seseorang yang berumur 40 tahun, termasuk dalam himpunan
Seseorang yang berumur 40 tahun, termasuk dalam himpunan
MUDA dengan μMUDA[40]=0,25; namun dia juga termasuk
MUDA dengan μMUDA[40]=0,25; namun dia juga termasuk
dalam himpunan
dalam himpunan
PAROBAYA dengan μPABOBAYA[40]=0,5.
PAROBAYA dengan μPABOBAYA[40]=0,5.
Seseorang yang berumur 50 tahun, termasuk dalam himpunan
Seseorang yang berumur 50 tahun, termasuk dalam himpunan
MUDA dengan μTUA[50]=0,25; namun dia juga termasuk dalam
MUDA dengan μTUA[50]=0,25; namun dia juga termasuk dalam
himpunan PAROBAYA dengan μPABOBAYA[50]=0,5.
himpunan PAROBAYA dengan μPABOBAYA[50]=0,5.
Kalau pada himpunan crisp, nilai keanggotaan hanya ada 2
Kalau pada himpunan crisp, nilai keanggotaan hanya ada 2
kemungkinan, yaitu 0 atau 1, pada himpunan fuzzy nilai keanggotaan terletak
kemungkinan, yaitu 0 atau 1, pada himpunan fuzzy nilai keanggotaan terletak
pada rentan
pada rentang 0
g 0 sampai
sampai 1.
1.
Apabila x memiliki nilai keanggotaan fuzzy μA[x]=0
Apabila x memiliki nilai keanggotaan fuzzy μA[x]=0
berarti x
Terkadang kemiripan antara keanggotaan fuzzy dengan probabilitas
Terkadang kemiripan antara keanggotaan fuzzy dengan probabilitas
menimbulkan kerancuan. Keduanya memiliki nilai pada interval [0,1], namun
menimbulkan kerancuan. Keduanya memiliki nilai pada interval [0,1], namun
interpretasi nilainya sangat berbeda antara kedua kasus tersebut. Keanggotaan
interpretasi nilainya sangat berbeda antara kedua kasus tersebut. Keanggotaan
fuzzy memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan
fuzzy memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan
probabilitas
probabilitas mengindikasikan
mengindikasikan proporsi
proporsi terhadap
terhadap keseringan
keseringan suatu
suatu hasil
hasil bernilai
bernilai
benar
benar dalam
dalam jangka
jangka panjang.
panjang. Misalnya,
Misalnya, jika
jika nilai
nilai keanggotaan s
keanggotaan suatu
uatu himpunan
himpunan
fuzzy MUDA adalah 0,9; maka tidak perlu dipermasalahkan berapa seringnya
fuzzy MUDA adalah 0,9; maka tidak perlu dipermasalahkan berapa seringnya
nilai itu diulang secara individual untuk mengharapkan suatu hasil yang hampir
nilai itu diulang secara individual untuk mengharapkan suatu hasil yang hampir
pasti
pasti muda.
muda. Di
Di lain
lain pihak,
pihak, nilai
nilai probabilitas
probabilitas 0,9
0,9 muda
muda berarti
berarti 10%
10% dari
dari
himpunan tersebut diharapkan tidak muda. Himpunan fuzzy memiliki 2 atribut,
himpunan tersebut diharapkan tidak muda. Himpunan fuzzy memiliki 2 atribut,
yaitu:
yaitu:
a.
a. Linguistik, yaitu penamaan suatu grup yang mewakili suatu
Linguistik, yaitu penamaan suatu grup yang mewakili suatu
keadaan atau kondisi tertentu dengan menggunakan bahasa
keadaan atau kondisi tertentu dengan menggunakan bahasa
alami, seperti: MUDA, PAROBAYA, TUA.
alami, seperti: MUDA, PAROBAYA, TUA.
b.
b. Numeris,
Numeris, yaitu
yaitu suatu
suatu nilai
nilai (angka)
(angka) yang
yang menunjukkan
menunjukkan ukuran
ukuran
dari suatu variabel seperti: 40, 25, 50, dsb.
dari suatu variabel seperti: 40, 25, 50, dsb.
Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy,
Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy,
yaitu:
yaitu:
a.
a. Variabel fuzzy
Variabel fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu
sistem fuzzy. Contoh: umur, temperatur, permintaan, dsb.
sistem fuzzy. Contoh: umur, temperatur, permintaan, dsb.
b.
b. Himpunan Fuzzy
Himpunan Fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi
atau keadaan tertentu dalam suatu variabel fuzzy.
atau keadaan tertentu dalam suatu variabel fuzzy.
Contoh:
Contoh:
Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu:
Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu:
MUDA, PAROBAYA, dan TUA. ( Gambar 2.2.3-2 ).
MUDA, PAROBAYA, dan TUA. ( Gambar 2.2.3-2 ).
Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu:
Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu:
DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.
DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.
(Gambar 2.2.3-4 ).
c.
c. Semesta Pembicaraan
Semesta Pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan
untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan
untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan
merupakan himpunan bilangan real yang senantiasa naik (bertambah)
merupakan himpunan bilangan real yang senantiasa naik (bertambah)
secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat
secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat
berupa
berupa bilangan
bilangan positif
positif maupun
maupun negatif.
negatif. Adakalanya
Adakalanya nilai
nilai semesta
semesta
pembicaraan ini tidak dibatasi batas atasnya.
pembicaraan ini tidak dibatasi batas atasnya.
Contoh:
Contoh:
Semesta pembicaraan untuk variabel umur: [0 -
Semesta pembicaraan untuk variabel umur: [0 -
∞
∞
]]
Semesta pembicaraan untuk variabel temperatur: [0
Semesta pembicaraan untuk variabel temperatur: [0
˚˚
- 40
- 40
˚]
˚]
d.
d. Domain
Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan
dalam semesta pembicaraan dan boleh dioperasikan dalam suatu
dalam semesta pembicaraan dan boleh dioperasikan dalam suatu
himpunan fuzzy. Seperti halnya semesta pembicaraan, domain
himpunan fuzzy. Seperti halnya semesta pembicaraan, domain
merupakan himpunan bilangan real yang senantiasa naik
merupakan himpunan bilangan real yang senantiasa naik (bertambah)
(bertambah)
secara monoton dari kiri ke kanan. Nilai domain dapat berupa
secara monoton dari kiri ke kanan. Nilai domain dapat berupa
bilangan positif maupun negatif.
bilangan positif maupun negatif.
Contoh domain himpunan fuzzy:
Contoh domain himpunan fuzzy:
MUDA = [0 45]MUDA = [0 45] PABOBAYA = [35 55]PABOBAYA = [35 55] TUA = [45 +∞)TUA = [45 +∞) DINGIN = [0 20]DINGIN = [0 20] SEJUK = [15 25]SEJUK = [15 25] NORMAL = [20 30]NORMAL = [20 30] HANGAT = [25 35]HANGAT = [25 35] PANAS = [30 40]PANAS = [30 40]
2.2.4
2.2.4
Fungsi Keanggotaan
Fungsi Keanggotaan
Fungsi Keanggotaan (membership function) adalah suatu kurva yang
Fungsi Keanggotaan (membership function) adalah suatu kurva yang
menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya
menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya
(sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara
(sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara
0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai
0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai
keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi
keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi
a.
a. Represen
Representasi
tasi Linear
Linear
Pada representasi linear, pemetaan input ke derajat keanggotannya
Pada representasi linear, pemetaan input ke derajat keanggotannya
digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana
digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana
dan menjadi pilihan yang baik untuk mendekati suatu konsep yang
dan menjadi pilihan yang baik untuk mendekati suatu konsep yang
kurang jelas.
kurang jelas.
Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan
Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan
himpunan dimulai pada nilai domain yang memiliki derajat
himpunan dimulai pada nilai domain yang memiliki derajat
keanggotaan nol [0] bergerak ke kanan menuju ke
keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang
nilai domain yang
memiliki derajat keanggotaan lebih tinggi (Gambar 2.2.4-1).
memiliki derajat keanggotaan lebih tinggi (Gambar 2.2.4-1).
Gambar 2.2.4-1 Gambar 2.2.4-1 Representasi Linier Naik Representasi Linier Naik
Fungsi Keanggotaan:
Fungsi Keanggotaan:
Kedua, merupakan kebalikan yang pertama. Garis lurus dimulai dari
Kedua, merupakan kebalikan yang pertama. Garis lurus dimulai dari
nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri,
nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri,
kemudian bergerak menurun ke nilai domain yang memiliki derajat
kemudian bergerak menurun ke nilai domain yang memiliki derajat
keanggotaan lebih rendah (Gambar 2.2.4-2).
keanggotaan lebih rendah (Gambar 2.2.4-2).
µ[
µ[
]]
Derajat
Derajat
Keanggotaan
Keanggotaan
Gambar 2.2.4-2 Gambar 2.2.4-2 Representasi
Representasi Linier Linier TurunTurun
Fungsi Keanggotaan:
Fungsi Keanggotaan:
b.
b. Represen
Representasi Kurva
tasi Kurva Segitiga
Segitiga
Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis
Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis
(linear) seperti terlihat pada ( Gambar 2.2.4-3 ).
(linear) seperti terlihat pada ( Gambar 2.2.4-3 ).
Gambar 2.2.4-3 Gambar 2.2.4-3
Representasi Kurva Segi Tiga Representasi Kurva Segi Tiga
Fungsi Keanggotaan:
Fungsi Keanggotaan:
µ[
µ[
]]
Derajat
Derajat
Keanggotaan
Keanggotaan
c.
c. Represen
Representasi Kurva
tasi Kurva Trapesium
Trapesium
Kurva Segitiga pada dasarnya seperti bentuk segitiga, hanya saja ada
Kurva Segitiga pada dasarnya seperti bentuk segitiga, hanya saja ada
beberapa titik yang memiliki nilai keanggotaan
beberapa titik yang memiliki nilai keanggotaan 1 (Gambar 2.2.4-4).
1 (Gambar 2.2.4-4).
Gambar 2.2.4-4 Gambar 2.2.4-4
Representasi Kurva Trapesium Representasi Kurva Trapesium
Fungsi Keanggotaan:
Fungsi Keanggotaan:
d.
d. Representasi Kurva Bentuk Bahu
Representasi Kurva Bentuk Bahu
Daerah yang terletak di tengah-tengah suatu variabel yang
Daerah yang terletak di tengah-tengah suatu variabel yang
direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya
direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya
akan naik dan turun (misalkan: DINGIN bergerak ke SEJUK
akan naik dan turun (misalkan: DINGIN bergerak ke SEJUK
bergerak
bergerak ke
ke HANGAT dan
HANGAT dan bergerak
bergerak ke
ke PANAS).
PANAS). Tetapi
Tetapi terkadang
terkadang
salah satu sisi dari variabel tersebut tidak mengalami perubahan.
salah satu sisi dari variabel tersebut tidak mengalami perubahan.
Sebagai contoh, apabila telah mencapai kondisi PANAS, kenaikan
Sebagai contoh, apabila telah mencapai kondisi PANAS, kenaikan
temperatur akan tetap berada pada kondisi PANAS. Himpunan
temperatur akan tetap berada pada kondisi PANAS. Himpunan
fuzzy „bahu‟, bukan segitiga, digun
fuzzy „bahu‟, bukan segitiga, digun
akan untuk mengakhiri variabel
akan untuk mengakhiri variabel
suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian
suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian
juga
juga bahu
bahu kanan
kanan bergerak
bergerak dari
dari salah
salah ke
ke benar.
benar. Gambar
Gambar 2.2.4-5
2.2.4-5
menunjukkan variabel TEMPERATUR dengan daerah bahunya.
menunjukkan variabel TEMPERATUR dengan daerah bahunya.
Gambar 2.2.4-5 Gambar 2.2.4-5
Representasi Kurva Bentuk Bahu Representasi Kurva Bentuk Bahu
e.
e. Representasi Kurva-S
Representasi Kurva-S
Kurva PERTUMBUHAN dan PENYUSUTAN merupakan kurva-S
Kurva PERTUMBUHAN dan PENYUSUTAN merupakan kurva-S
atau sigmoid yang berhubungan dengan kenaikan dan penurunan
atau sigmoid yang berhubungan dengan kenaikan dan penurunan
permukaan
permukaan secara
secara tak
tak linear.
linear. Kurva-S
Kurva-S untuk
untuk PERTUMBUHAN
PERTUMBUHAN
akan bergerak dari sisi paling kiri (nilai keanggotaan = 0) ke sisi
akan bergerak dari sisi paling kiri (nilai keanggotaan = 0) ke sisi
paling kanan (nilai keanggotaan = 1).
paling kanan (nilai keanggotaan = 1). Fungsi
Fungsi
keanggotaannya akankeanggotaannya akan tertumpu pada 50% nilai keanggotaannya yang sering disebut tertumpu pada 50% nilai keanggotaannya yang sering disebut dengan titik infleksi (Gambar 2.2.4-6).dengan titik infleksi (Gambar 2.2.4-6).
Gambar 2.2.4-6 Gambar 2.2.4-6
Himpunan Fuzzy dengan kurva S : PERTUMBUHAN Himpunan Fuzzy dengan kurva S : PERTUMBUHAN
µ[
µ[
]]
Derajat Derajat Keanggotaan KeanggotaanFungsi keangotaanpada kurva PERTUMBUHAN adalah:
Fungsi keangotaanpada kurva PERTUMBUHAN adalah:
Kurva-S untuk PENYUSUTAN akan bergerak dari sisi paling kanan
Kurva-S untuk PENYUSUTAN akan bergerak dari sisi paling kanan
(nilai keanggotaan = 1) ke sisi paling kiri (nilai keanggotaan = 0)
(nilai keanggotaan = 1) ke sisi paling kiri (nilai keanggotaan = 0)
seperti telihat pada Gambar 2.2.4-7.
seperti telihat pada Gambar 2.2.4-7.
Gambar 2.2.4-7 Gambar 2.2.4-7
Himpunan Fuzzy dengan kurva S : PENYUSUTAN Himpunan Fuzzy dengan kurva S : PENYUSUTAN
Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu:
Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu:
nilai
nilai
keanggotaan nol (α), nilai keanggotaan lengkap (γ), dan titik
keanggotaan nol (α), nilai keanggotaan lengkap (γ), dan titik
infleksi atau
infleksi atau
crossover (β) yaitu titik yang memili
crossover (β) yaitu titik yang memili
ki domain 50%
ki domain 50%
benar.
benar. Gambar
Gambar 2.2.4-7
2.2.4-7 menunjukkan
menunjukkan karakteristik
karakteristik kurva-S
kurva-S dalam
dalam
bentuk skema.
bentuk skema.
µ[
µ[
]]
Derajat Derajat Keanggotaan KeanggotaanGambar 2.2.4-8 Gambar 2.2.4-8 Karakteristik Kurva S Karakteristik Kurva S
f.
f. Represen
Representasi Kurva
tasi Kurva Bentuk Lonceng (Bell
Bentuk Lonceng (Bell Curve)
Curve)
Untuk merepresentasikan bilangan fuzzy, biasanya digunakan kurva
Untuk merepresentasikan bilangan fuzzy, biasanya digunakan kurva
berbentuk lonceng. Kurva berbentu
berbentuk lonceng. Kurva berbentuk lonceng ini terbagi atas 3 kelas,
k lonceng ini terbagi atas 3 kelas,
yaitu: himpunan fuzzy PI, beta, dan Gauss. Perbedaan ketiga kurva
yaitu: himpunan fuzzy PI, beta, dan Gauss. Perbedaan ketiga kurva
ini terletak pada gradiennya.
ini terletak pada gradiennya.
(i)
(i)
Kurva PI
Kurva PI
Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak
Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak
pada
pada pusat
pusat dengan
dengan domain
domain (γ),
(γ), dan
dan lebar
lebar kurva
kurva (β)
(β) seperti
seperti terlihat
terlihat
pada
pada Gambar
Gambar 2.2.4-9.
2.2.4-9. Nilai
Nilai kurva
kurva untuk
untuk suatu
suatu nilai
nilai domain
domain x
x
diberikan sebagai:
Gambar 2.2.4-9 Gambar 2.2.4-9
Karakteristik Fungsional Kurva PI Karakteristik Fungsional Kurva PI
Fungsi Keanggotaan:
Fungsi Keanggotaan:
(ii)
(ii)
Kurva BETA
Kurva BETA
Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng
Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng
namun lebih rapat. Kurva ini juga didefinisikan dengan 2 parameter,
namun lebih rapat. Kurva ini juga didefinisikan dengan 2 parameter,
yaitu nilai pada
yaitu nilai pada
domain yang menunjukkan pusat kurva (γ), dan
domain yang menunjukkan pusat kurva (γ), dan
setengah lebar kurva (β)
setengah lebar kurva (β)
seperti terlihat pada Gambar 2.2.4-10. Nilai
seperti terlihat pada Gambar 2.2.4-10. Nilai
kurva untuk suatu nilai domain x diberikan sebagai:
Gambar 2.2.4-10 Gambar 2.2.4-10 Representasi
Representasi fungsional fungsional kurva kurva BETABETA
Fungsi Keanggotaan:
Fungsi Keanggotaan:
((
))
Salah satu perbedaan mencolok kurva BETA dari kurva PI adalah,
Salah satu perbedaan mencolok kurva BETA dari kurva PI adalah,
fungsi
fungsi
keanggotaannya akan mendekati nol hanya jika nilai (β)
keanggotaannya akan mendekati nol hanya jika nilai (β)
sangat besar.
sangat besar.
(iii)
(iii)
Kurva GAUSS
Kurva GAUSS
Jika kurva PI dan kurva BETA menggunakan 2 parameter yaitu (γ)
Jika kurva PI dan kurva BETA menggunakan 2 parameter yaitu (γ)
dan
dan
(β), kurva GAUSS juga menggunakan (γ) untuk
(β), kurva GAUSS juga menggunakan (γ) untuk
menunjukkan
menunjukkan
nilai domain pada pusat kurva, dan (k) yang menunjukkan lebar
nilai domain pada pusat kurva, dan (k) yang menunjukkan lebar
kurva (Gambar 2.2.4-11). Nilai kurva untuk suatu nilai domain x
kurva (Gambar 2.2.4-11). Nilai kurva untuk suatu nilai domain x
diberikan sebagai:
Gambar 2.2.4-11 Gambar 2.2.4-11
Karakteristik funsional kurva GAUSS Karakteristik funsional kurva GAUSS
Fungsi Keanggotaan:
Fungsi Keanggotaan:
((
))
()
()
g.
g. Koordinat Keanggotaan
Koordinat Keanggotaan
Himpunan fuzzy berisi urutan pasangan berurutan yang berisi nilai
Himpunan fuzzy berisi urutan pasangan berurutan yang berisi nilai
domain dan kebenaran nilai keanggotaannya dalam bentuk:
domain dan kebenaran nilai keanggotaannya dalam bentuk:
Skalar(i) / Derajat(i)
Skalar(i) / Derajat(i)
„Skalar‟ adalah suatu nilai yang
„Skalar‟ adalah suatu nilai yang
digambar dari domain himpunan
digambar dari domain himpunan
fuzzy,
fuzzy,
sedangkan „Derajat‟ skalar merupakan derajat keanggotaan
sedangkan „Derajat‟ skalar merupakan derajat keanggotaan
himpunan fuzzynya.
himpunan fuzzynya.
Gambar 2.2.4-12 Gambar 2.2.4-12
Titik koordinak yang menunjukan PENGENDARA BERESIKO TINGGI Titik koordinak yang menunjukan PENGENDARA BERESIKO TINGGI
Gambar 7.26 merupakan contoh himpunan fuzzy yang diterapkan
Gambar 7.26 merupakan contoh himpunan fuzzy yang diterapkan
pada
pada sistem
sistem asuransi
asuransi yang
yang akan
akan menanggung
menanggung resiko
resiko seorang
seorang
pengendara
pengendara kendaraan
kendaraan bermotor
bermotor berdasarkan
berdasarkan usianya,
usianya, akan
akan
berbentuk „U‟.
berbentuk „U‟.
Koordinatnya dapat digambarkan dengan 7 pasangan
Koordinatnya dapat digambarkan dengan 7 pasangan
berurutan sebagai berikut:
berurutan sebagai berikut:
16/1 21/.6 28/.3 68/.3 76/.5 80/.7 96/1
16/1 21/.6 28/.3 68/.3 76/.5 80/.7 96/1
Gambar 2.2.4-12 memperlihatkan koordinat yang menspesifikasikan
Gambar 2.2.4-12 memperlihatkan koordinat yang menspesifikasikan
titik-titik sepanjang domain himpunan fuzzy. Semua titik harus ada
titik-titik sepanjang domain himpunan fuzzy. Semua titik harus ada
di domain, dan paling sedikit harus ada satu titik yang memiliki nilai
di domain, dan paling sedikit harus ada satu titik yang memiliki nilai
kebenaran sama dengan 1. Apabila titik-titik tersebut telah
kebenaran sama dengan 1. Apabila titik-titik tersebut telah
digambarkan, maka digunakan interpolasi linear untuk mendapatkan
digambarkan, maka digunakan interpolasi linear untuk mendapatkan
permukaan fuzzy-nya seperti terlihat pada Gambar 2.2.4-13.
2.3
2.3
Operator Dasar Zadeh Untuk Operasi Himpunan Fuzzy
Operator Dasar Zadeh Untuk Operasi Himpunan Fuzzy
Seperti halnya himpunan konvensional, ada beberapa operasi yang
Seperti halnya himpunan konvensional, ada beberapa operasi yang
didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy.
didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy.
Nilai keanggotaan
Nilai keanggotaan sebagai
sebagai hasil dari
hasil dari operasi 2
operasi 2 himpunan sering dikenal
himpunan sering dikenal dengan nama
dengan nama
fire strength atau α–
fire strength atau α–
predikat. Ada 3 operator dasar yang d
predikat. Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu:
iciptakan oleh Zadeh, yaitu:
2.3.1
2.3.1
Operator AND
Operator AND
Operator ini berhubungan dengan operasi interseksi pada himpunan. α–
Operator ini berhubungan dengan operasi interseksi pada himpunan. α–
predikat
predikat sebagai
sebagai hasil
hasil operasi
operasi dengan
dengan operator
operator AND
AND diperoleh
diperoleh dengan
dengan mengambil
mengambil
nilai keanggotaan terkecil antar elemen
nilai keanggotaan terkecil antar elemen pada
pada himpunanhimpunan y
himpunanhimpunan yang bersangkutan.
ang bersangkutan.
(
(
[[]]
[[]]))
2.3.2
2.3.2
Operator OR
Operator OR
Operator ini berhubungan dengan operasi union pada himpunan. α–
Operator ini berhubungan dengan operasi union pada himpunan. α–
predikat
predikat
sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai
sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai
keanggotaan terbesar antar elemen
keanggotaan terbesar antar elemen pada himpunanhimpunan yang bersangkutan.
pada himpunanhimpunan yang bersangkutan.
(
([[]] [[]]))
2.3.3
2.3.3
Operator NOT
Operator NOT
Operator ini berhubungan dengan operasi komplemen pada himpunan. α
Operator ini berhubungan dengan operasi komplemen pada himpunan. α
-- predikat sebagai
predikat sebagai hasil operasi
hasil operasi dengan operator
dengan operator NOT diperoleh
NOT diperoleh dengan mengurangkan
dengan mengurangkan
nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1.
nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1.
[[]]
2.4
2.4
PENALARAN MONOTON
PENALARAN MONOTON
Metode penalaran secara monoton digunakan sebagai dasar untuk teknik
Metode penalaran secara monoton digunakan sebagai dasar untuk teknik
implikasi fuzzy. Meskipun penalaran ini sudah jarang sekali digunakan, namun
implikasi fuzzy. Meskipun penalaran ini sudah jarang sekali digunakan, namun
terkadang masih digunakan untuk penskalaan fuzzy. Jika 2 daerah fuzzy direlasikan
terkadang masih digunakan untuk penskalaan fuzzy. Jika 2 daerah fuzzy direlasikan
dengan implikasi sederhana sebagai berikut:
dengan implikasi sederhana sebagai berikut:
IF x is A THEN y is B
transfer fungsi:
transfer fungsi:
(
((()))
)
Maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan
Maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan
dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari nilai
dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari nilai
keanggotaan yang berhubungan dengan antesedennya.
keanggotaan yang berhubungan dengan antesedennya.
2.5
2.5
FUNGSI IMPLIKASI
FUNGSI IMPLIKASI
Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan
Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan
dengan suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam fungsi
dengan suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam fungsi
implikasi adalah:
implikasi adalah:
IF x is A THEN y is B
IF x is A THEN y is B
dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy. Proposisi
dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy. Proposisi
yang mengikuti IF disebut sebagi anteseden, sedangkan proposisi yang mengikuti
yang mengikuti IF disebut sebagi anteseden, sedangkan proposisi yang mengikuti
THEN disebut sebagai konsekuen. Proposisi ini dapat diperluas dengan menggunakan
THEN disebut sebagai konsekuen. Proposisi ini dapat diperluas dengan menggunakan
perator fuzzy, seperti:
perator fuzzy, seperti:
(
(
)
)
(
(
)
)
(
(
)
)
(
(
)
)
dengan •
dengan •
adalah operator (misal: OR atau AND). Secara umum, ada 2 fungsi
adalah operator (misal: OR atau AND). Secara umum, ada 2 fungsi
implikasi yang dapat digunakan, yaitu:
implikasi yang dapat digunakan, yaitu:
a.
a. Min (minimum). Fungsi ini akan memotong output himpunan
Min (minimum). Fungsi ini akan memotong output himpunan
fuzzy.
fuzzy.
Gambar
Gambar 2.5-1
2.5-1 menunjukkan
menunjukkan salah
salah satu
satu contoh
contoh
penggunaan fungsi min.
b.
b. Dot (product). Fungsi ini akan menskala output himpunan fuzzy.
Dot (product). Fungsi ini akan menskala output himpunan fuzzy.
Gambar 2.5-2 menunjukkan salah satu
Gambar 2.5-2 menunjukkan salah satu contoh penggunaan fungsi
contoh penggunaan fungsi
dot.
dot.
Gambar 2.3.3-2 Gambar 2.3.3-2 Fungsi implikasi: DOT. Fungsi implikasi: DOT.