2.2. Logika Fuzzy
Fuzzy dapat diartikan sebagai kabur atau samar-samar suatu nilai dapat bernilai benar atau bernilai salah secara bersamaan. Logika fuzzy diperkenalkan oleh Prof.Lotfi
Zadeh tahun 1965. Logika fuzzy merupakan suatu logika yang memilih nilai kesamaan Fuzzyness antara benar atau salah, logika fuzzy memiliki derajat keanggotaan dalam
rentang 0 sampai 1. Logika fuzzy menunjukan sampai sejauh mana sebuah nilai itu benar dan sejauh mana sebuah nilai itu salah Nasution, 2012.
Logika fuzzy merupakan suatu cara untuk memetahkan suatu ruang input ke dalam ouput, memiliki nilai kontinu dan fuzzy dinyatakan dalam derajat keanggotaan atau
derajat dari kebenaran. Logika fuzzy digunakan untuk menerjemahkan besaran yang diekpresikan mengunakan bahasa Nasution, 2012.
Kelebihan dari logika fuzzy adalah mampu memproses penalaran secara bahasa sehingga dalam proses pembuatannya tidak memerlukan persamaan matematika dan
suatu objek yang akan dikendalikan Nasution, 2012.
2.2.1. Himpunan Fuzzy
Himpunan Fuzzy Merupakan suatu kelompok yang dimana mewakili suatu kondisi tertentu untuk suatu variabel fuzzy. Contoh : untuk variabel umur yaitu Muda, Tua dan
Parobaya Amiruddin, 2011. Grafik Himpunan fuzzy dapat dilihat pada gambar 2.1
Gambar 2.1 Contoh grafik himpunan fuzzy pada variabel umur
Sumber : Amiruddin,2011
Universitas Sumatera Utara
Di dalam himpunan fuzzy terdapat 2 atribut yaitu variabel dan numeris. Linguistik merupakan pemberian nama suatu kelompok yang mewakili kondisi tertentu dengan
mengunakan bahasa alami seperti : muda, tua dan parobaya dan numeris merupakan nilai yang menunjukan suatu ukuran pada variabel seperti 20, 40, dan 35 Amiruddin,2011.
2.2.2. Fungsi Keanggotaan fuzzy
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 Kusumadewi, 2010. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan
adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang digunakan seperti fungsi linear, kurva segitiga, kurva trapesium, dan lain sebagainya.
1. Representasi Linear
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 dua keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan dimulai pada nilai
domain yang memiliki derajat keanggotaan nol bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi. Bentuk grafiknya dapat
dilihat pada Gambar 2.2.
1
a b
Derajat Keanggotaan
µ[X]
Gambar 2.2 Representasi Linear Naik
Sumber : Kusumadewi, 2010
Universitas Sumatera Utara
Fungsi Keanggotaan: [ ] {
2.1
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 yang grafiknya dapat dilihat pada Gambar 2.3.
1
a b
Derajat Keanggotaan
µ[X]
domain
Gambar 2.3 Representasi Linear Turun
Sumber : Kusumadewi, 2010
Fungsi Keanggotaan: [ ] {
2. Representasi Kurva Segitiga
Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis linear seperti terlihat pada Gambar 2.4.
Universitas Sumatera Utara
1
a b
Derajat Keanggotaan
µ[X]
domain c
Gambar 2.4 Kurva Segitiga
Sumber : Kusumadewi, 2010
Fungsi Keanggotaan: [ ] {
2.3
3. Representasi Kurva Trapesium
Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1.
1
a b
Derajat Keanggotaan
µ[X]
domain c
d
Gambar 2.5 Kurva Trapesium
Sumber : Kusumadewi, 2010
Universitas Sumatera Utara
Fungsi Keanggotaan: [ ] {
2.4
2.2.3. Sistem Inferensi Fuzzy
Sistem inferensi fuzzy merupakan suatu komputasi yang didasari pada teori himpunan fuzzy, aturan fuzzy berbentuk IF
– THEN dan penalaran fuzzy. Untuk proses sederhana dari sistem inferensi fuzzy yaitu sistem akan menerima input kemudian input dikirim
ke basis pengetahuan yang berisi n aturan fuzzy. Fire strength dicari pada setiap aturan. Apabila jumlah aturan lebih dari satu, maka dilakukan agregasi dari semua
aturan kemudian hasil tersebut akan dilakukan defuzzy untuk mendapat nilai output sistem Kusumadewi Hartati, 2010. Diagram blok sistem inferensi fuzzy dapat
dilihat pada gambar 2.6.
Gambar 2.6 Diagram blok sistem inferensi fuzzy Sumber : Kusumadewi hartati, 2010
2.3. Artificial Neural Network ANN Jaringan Syaraf tiruan
Kategori