d. Sifat dari permintaan barang yang akan dihasilkan, apakah mempunyai sifat
permintaan yang musiman seasonal yang permintaannya hanya pada musim-musim tertentu saja ataukah sifat permintaannya sepanjang masa.
e. Mutu dari barang yang akan diproduksi, yang akan tergantung pada biaya
persatuan yang diinginkan, dan permintaan atau keinginan konsumen terhadap barang hasil produksi tersebut.
f. Sifat dari barang yang diproduksi apakah barang baru ataukah barang lama.
Sofjan Assauri,1993 : 170 3.
Barang yang diproduksi apakah merupakan barang yang baru ataukah barang lama. Hal ini perlu kita perhatikan, karena untuk barang yang baru maka perlu
diadakan penelitian research pendahuluan mengenai : a.
Lokasi perusahaan, apakah perusahaan perlu diletakkan berdekatan dengan sumber bahan mentah ataukah dekat dengan pasir,
b. Jumlah barang yang akan diproduksi,
c. Sifat permintaan barang ini, apakah musiman atau sepanjang masa, dan
d. Hal-hal lain yang dibutuhkan untuk memulai produksi tersebut. Sofjan
Assauri,1993 : 171
2.4 Logika Fuzzy
Pencetus gagasan logika fuzzy adalah Prof. Lotfi Zadeh pada tahun 1965 dari California University. Pada prinsipnya himpunan fuzzy adalah perluasan
himpunan tegas crisp, yaitu himpunan yang membagi sekelompok individu kedalam dua kategori, yaitu anggota dan bukan anggota. Logika Fuzzy adalah
suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Sri Kusumadewi, 2003 : 153
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. Sri Kusumadewi, 2003 : 154
Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu:
a. Variabel Fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh : Umur, Temperatur, Permintaan, dsb.
b. Himpunan Fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Himpunan fuzzy memiliki 2
atribut, yaitu :
Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA,
PAROBAYA, TUA. Numeris, yaitu suatu nilai angka yang menunjukkan ukuran dari suatu
variabel seperti : 40, 25, 50, dsb. Contoh :
Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu: MUDA,
PAROBAYA, dan TUA. Gambar 2.1
Gambar 2.1 Himpunan fuzzy untuk variabel Umur.
Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu: DINGIN,
SEJUK, NORMAL, HANGAT, dan PANAS. Gambar 2.2
Gambar 2.2 Himpunan fuzzy pada variabel Temperatur.
c. Semesta Pembicaraan
Suatu model variabel fuzzy seringkali dideskripsikan dalam syarat-syarat ruang fuzzy-nya. Ruang ini biasanya tersusun atas beberapa himpunan fuzzy,
himpunan-himpunan fuzzy yang overlap yang mana masing-masing himpunan fuzzy mendeskripsikan suatu arti tertentu dari variabel-variabel yang diijinkan
dalam permasalahan. Keseluruhan ruang permasalahan dari nilai terkecil
hingga nilai terbesar yang diijinkan disebut dengan semesta pembicaraan
universe of discourse. Contoh, semesta pembicaraan pada model variabel temperatur adalah
C hingga C.
100 360
d. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.
Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik bertambah secara monoton dari kiri ke kanan. Nilai
domain dapat berupa bilangan positif maupun negatif. Sebagai contoh himpunan fuzzy berat untuk remaja putri Indonesia memiliki domain antara
40 kg sampai 60 kg. Biasanya domain memiliki batas atas dan batas bawah. Namun pada konsep fuzzy bisa jadi domain ini bersifat open ended. Pada
himpunan fuzzy berat, batas atas berkisar 60 kg kita dapat menerima berat badan seseorang yang lebih tinggi misalkan 70 kg atau bahkan 80 kg. Namun
demikian, himpunan fuzzy akan mencapai nilai 1, jika berat badan sudah mencapai 60 kg semua bobot diatas 60 kg dinyatakan pasti berat kita akan
menghentikan domain. Sri Kusumadewi, 2003 : 158 - 159
Fungsi Keanggotaan membership function adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya
sering juga disebut dengan derajat keanggotaan yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai
keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan :
a. Representasi Linier
Pada representasi linear, pemetaan input ke derajat keanggotannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan
menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas. Ada 2 keadaan himpunan fuzzy yang linear, yaitu :
Pertama, kenaikan himpunan dimulai pada nilai domain yang memiliki
derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi Gambar 2.3
Gambar 2.3 Representasi Linear Naik. Sumber : Sri Kusumadewi, 2003 : 160
b
Fungsi Keanggotaan :
Contoh :
Fungsi keanggotaan untuk himpunan PANAS pada variabel temperatur ruangan seperti terlihat pada Gambar 2.4.
32
PANAS
= 32 – 25 35 – 25
= 710 = 0,7
Gambar 2.4 Himpunan Fuzzy: PANAS.
Kedua, merupakan kebalikan yang pertama. Garis lurus dimulai dari nilai
domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan
lebih rendah Gambar 2.5.
Gambar 2.5 Representasi Linear Turun. Sumber : Sri Kusumadewi, 2003 : 161
Fungsi Keanggotaan :
Contoh :
Fungsi keanggotaan untuk himpunan DINGIN pada variabel temperatur ruangan seperti terlihat pada Gambar 2.6.
20
DINGIN
= 30 – 20 30 – 15
= 1015 = 0,667
Gambar 2.6 Himpunan Fuzzy: DINGIN.
b. Representasi Kurva Segitiga
Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis linear seperti terlihat pada Gambar 2.7.
Gambar 2.7 Kurva Segitiga. Sumber : Sri Kusumadewi, 2003 : 162
Fungsi Keanggotaan :
Contoh :
Fungsi keanggotaan untuk himpunan NORMAL pada variabel temperatur ruangan seperti terlihat pada Gambar 2.8.
23
NORMAL
= 23 – 15 25 – 15
= 810 = 0,8
Gambar 2.8 Himpunan Fuzzy: NORMAL kurva segitiga.
c. Representasi Kurva Trapesium
Kurva Trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1 seperti terlihat pada Gambar
2.9.
Gambar 2.9 Kurva Trapesium. Sumber : Sri Kusumadewi, 2003 : 163
Fungsi Keanggotaan :
Contoh :
Fungsi keanggotaan untuk himpunan NORMAL pada variabel temperatur ruangan seperti terlihat pada Gambar 2.10.
23
NORMAL
= 35 – 32 35 – 27
= 38 = 0,375
Gambar 2.10 Himpunan Fuzzy: NORMAL kurva trapesium.
d. Representasi Kurva Bentuk Bahu
Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun
misalkan: DINGIN bergerak ke SEJUK bergerak ke HANGAT dan bergerak ke PANAS. Tetapi terkadang salah satu sisi dari variabel tersebut tidak
mengalami perubahan. Sebagai contoh, apabila telah mencapai kondisi PANAS, kenaikan temperatur akan tetap berada pada kondisi PANAS.
Himpunan fuzzy ‘bahu’, bukan segitiga, digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian juga bahu
kanan bergerak dari salah ke benar. Gambar 2.11 menunjukkan variabel TEMPERATUR dengan daerah bahunya.
Gambar 2.11 Daerah ‘bahu’ pada variabel TEMPERATUR. Sumber : Sri Kusumadewi, 2003 : 165
e. Representasi Kurva-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 Gambar 2.12.
Gambar 2.12 Himpunan Fuzzy dengan Kurva-S : PERTUMBUHAN.
Kurva-S untuk PENYUSUTAN akan bergerak dari sisi paling kanan nilai keanggotaan = 1 ke sisi paling kiri nilai keanggotaan = 0 seperti telihat pada
Gambar 2.13.
Gambar 2.13 Himpunan Fuzzy dengan Kurva-S: PENYUSUTAN.
Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu: nilai keanggotaan nol
α, nilai keanggotaan lengkap , dan titik infleksi atau crossover yaitu titik yang memiliki domain 50 benar. Gambar 2.14
menunjukkan karakteristik kurva-S dalam bentuk skema.
Gambar 2.14 Karakteristik fungsi Kurva-S. Sumber : Sri Kusumadewi, 2003 : 165 - 167
Fungsi keangotaan pada kurva PERTUMBUHAN adalah :
Contoh :
Fungsi keanggotaan untuk himpunan TUA pada variabel umur seperti terlihat pada Gambar 2.15.
50
TUA
= 1 – 2 {60-50 60-35}
2
= 1 – 2 1025
2
= 0,68
Gambar 2.15 Himpunan Fuzzy: TUA.
Sedangkan fungsi keanggotaan pada kurva PENYUSUTAN adalah :
Fungsi keanggotaan untuk himpunan MUDA pada variabel umur seperti terlihat pada Gambar 2.16.
50
MUDA
= 2 {50-37 50-20}
2
= 2 1330
2
= 0,376
Gambar 2.16 Himpunan Fuzzy: MUDA.
f. Representasi Kurva 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, dan Gauss. Perbedaan ketiga kurva ini terletak pada gradiennya. i.
Kurva PI Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak pada
pusat dengan domain , dan lebar kurva seperti terlihat pada Gambar 2.17. Nilai kurva untuk suatu nilai domain x diberikan sebagai :
Gambar 2.17 Karakteristik Fungsional Kurva PI. Sumber : Sri Kusumadewi, 2003 : 169
Fungsi Keanggotaan :
Contoh :
Fungsi keanggotaan untuk himpunan PAROBAYA pada variabel umur seperti terlihat pada Gambar 2.18.
51
2 1
BAYA
= 1 - 2 {45-42 45-35}
2
= 1 - 2 310
2
= 0,82
51
2 1
BAYA
= 2 {55-51 55-45}
2
= 2 410
2
= 0,32
Gambar 2.18 Himpunan Fuzzy: PAROBAYA dengan kurva phi.
ii. 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 , dan setengah lebar kurva seperti terlihat pada Gambar 2.19. Nilai kurva untuk suatu nilai domain x
diberikan sebagai :
Gambar 2.19 Karakteristik Fungsional Kurva BETA. Sumber : Sri Kusumadewi, 2003 : 170 - 171
Fungsi Keanggotaan :
Salah satu perbedaan mencolok kurva BETA dari kurva PI adalah, fungsi keanggotaannya akan mendekati nol hanya jika nilai sangat besar.
Contoh :
Fungsi keanggotaan untuk himpunan SETENGAH BAYA pada variabel umur seperti terlihat pada Gambar 2.20.
51
2 1
BAYA
= 1 {1 + [42-45 5]}
2
= 0,7353
51
2 1
BAYA
= 1 {1 + [51-45 5]}
2
= 0,4098
Gambar 2.20 Himpunan Fuzzy: SETENGAH BAYA dengan kurva Beta.
iii. Kurva GAUSS
Jika kurva PI dan kurva BETA menggunakan 2 parameter yaitu dan , kurva GAUSS juga menggunakan untuk menunjukkan nilai
domain pada pusat kurva, dan k yang menunjukkan lebar kurva Gambar 2.21. Nilai kurva untuk suatu nilai domain x diberikan sebagai :
Gambar 2.21 Karakteristik Fungsional Kurva GAUSS. Sumber : Sri Kusumadewi, 2003 : 172 - 173
Fungsi Keanggotaan :
2.5 Fuzzy Inference System FIS
