Berikut adalah tahapan–tahapan sistem inferensi fuzzy secara berurutan Gambar 7.
Gambar 7. Skema Sistem Inferensi Fuzzy
II.3.4.1 Fuzzifikasi
Skema fuzzifikasi dari masing–masing parameter input dapat dilihat pada Gambar 8 dan Gambar 9.
Gambar 8. Derajat keanggotaan untuk nilai brix
Gambar 9. Derajat keanggotaan untuk nilai pH
Proses untuk mendapatkan besarnya derajat keanggotaan masukan yang berupa suatu elemen himpunan variable numeric non fuzzy dalam suatu gugus
fuzzy disebut fuzzification fuzzifikasi. Penentuan keanggotaan suatu gugus fuzzy tidak dibatasi aturan–aturan tertentu.
p q
r t
s R
S T
1
Sedang Manis
Tawar
a b
c e
d R
S T
1
Sedang Manis
Tawar
Nilai brix
Fuzzifikasi Aturan
Komposisi Aturan
Defuzzifikasi
Derajat Keanggotaan
µ
A
x
Derajat Keanggotaan
µ
A
x
Nilai pH
Ket : a=Rendah Min, b=Sedang Min, c=Rendah Max dan Tinggi Min, d=Sedang Max, e=Tinggi Max
Ket : p=Rendah Min, q=Sedang Min, r=Rendah Max dan Tinggi Min, s =Sedang M ax, t=Tinggi Max
Fuzzifikasi memperoleh suatu nilai dan mengkombinasikannya dengan fungsi keanggotaan untuk menghasilkan nilai fuzzy. Penentuan derajat
keanggotaan dari variabel numerik dalam suatu gugus fuzzy dapat dilihat pada Gambar 10.
Gambar 10. Penentuan Derajat Keanggotaan
Nilai derajat keanggotaan y dapat dicari dengan menggunakan persamaan 7.
1 2
1 1
2 1
x x
x x
y y
y y
− −
= −
− …………………………………...................……………….7
Skema defuzzifikasi dapat dilihat pada gambar 11 Sebagai berikut :
Gambar 11. Skema defuzzifikasi
a
1
a
2
a
3
a
5
a
4
T S
M 1
Sedang Manis
Tawar
y
x x
1,
y
1
x
2,
y
2
µ
A
x Derajat
Keanggota an
Hasil brixpH
II.3.4.2 Aplikasi Fungsi Implikasi aturan
Pada metode Mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih gugus fuzzy, sehingga input antecedent dan sistem
output merupakan gugus fuzzy. Proses implikasi dapat ditentukan jika telah diketahui besarnya derajat keanggotaan yang memiliki nilai dalam selang [0,1].
Setiap aturan fuzzy memiliki bentuk pernyataan IF–THEN. Aturan dasar dalam bentuk umum adalah sebagai berikut :
Rule r : IF x
1
is A
1
1 j
and x
2
is A
2
2 j
and … and x
n
is A
n
j n
then u is A
j
. Dimana A
1
1 j
adalah anggota ke–j dari variabel linguistik i yang berhubungan dengan fungsi keanggotaan µ
j
u yang menyatakan keadaan untuk variabel tindakan pengaturan.
Dasar yang digunakan untuk mempermudah dalam menyusun aturan –aturan dapat direpresentasikan dibawah ini :
Contoh aturan pernyataan IF–THEN yang dipergunakan diantaranya adalah :
- IF NilaiBrix = “T” AND NilaipH = “T” THEN TingkatKemanisan = “Manis”
- IF NilaiBrix = “T” AND NilaipH = “R” THEN TingkatKemanisan = “Sedang”
- IF NilaiBrix = “R” AND NilaipH = “T” THEN TingkatKemanisan = “Sedang” - IF NilaiBrix = “R” AND NilaipH = “R” THEN TingkatKemanisan = “Tawar”
Ket : T=Tinggi, R=Rendah
Masukan dari proses implikasi adalah nilai yang dihasilkan oleh antecedent dan keluarannya adalah gugus fuzzy. Jika antecedent dari suatu kaidah yang
diberikan memiliki lebih dari satu bagian, maka operator fuzzy digunakan untuk merepresentasikan hasil inferensi dari aturan tersebut. Proses ini menghasilkan
gugus yang dinyatakan dengan fungsi keanggotaan. Nilai gugus tersebut bersesuaian dengan sifat linguistiknya, dimana variabel linguistiknya digunakan
sebagai input untuk aturan–aturan fuzzy. Secara umum, ada 2 implikasi yang dapat digunakan sebagai input untuk aturan–aturan fuzzy yaitu metode min
minimum dan dot product.
II.3.4.3 Komposisi Aturan Agregasi