Fungsi Keanggotaan (Membership Function) Logika Fuzzy

Fungsi Keanggotaan ( membership function) Logika Fuzzy

Adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (serajat keanggotaan) yang memiliki interval antara 0 sampai 1.

Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi.

Fungsi yang bisa digunakan :

•       Representasi Linear

•       Representasi Kurva Segitiga

•       Representasi Kurva Trapesium

•       Representasi Kurva Bentuk bahu

•       Representasi Kurva S

•       Representasi Kurva Bentuk lonceng

•       Representasi Linear

Pada representasi linear, pemetaan input ke derajat keanggotaannya 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 linear, yaitu [SRI04].:

·         Representasi Linear Naik

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.

·         Representasi Linear Turun

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

·         Representasi Kurva Segitiga

Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear)

·         Representasi Kurva Trapesium

·         Representasi Kurva Bentuk bahu

Read more

Himpunan fuzzy

Himpunan fuzzy memiliki 2 atribut yaitu [SRI04].:

Linguistik

Yaitu penamaan suatu group yang mewakili suatu keadaan atau kondisi tertentu, seperti : MUDA,PAROBAYA,TUA.

Numeris

Yaitu suatu nilai yang menunjukan ukuran dari suatu variabel seperti : 40,25,50 dsb.

•       Himpunan fuzzy

•       Pada teknik digital, dikenal dua macam logika yaitu 0 dan 1 serta tiga operasi dasar yaitu NOT, AND dan OR. Logika semacam ini disebut dengan crisp logic. Logika sering dipergunakan untuk mengelompokan sesuatu himpunan. Sebagai contoh, akan dikelompokkan beberapa macam hewan, yaitu ‘hiu’, ‘kakap’, ‘pari’, ‘kucing’, ‘kambing’, ‘ayam’ ke dalam himpunan ikan.

Sangat jelas bahwa hiu, kakap dan pari adalah anggota himpunan ikan sedangkan kucing, kambing, ayam adalah bukan anggotanya, seperti ditunjukan pada Gambar 1.

Namun kadang kala ditemui pengelompokan yang tidak mudah. Misalkan variabel umur dibagi menjadi tiga kategori, yaitu :

•       Muda    : umur < 35 tahun

•       Parobaya             : 35 ≤ umur ≤ 55 tahun

•       Tua          :  umur > 55 tahun

Nilai keanggotaan secara grafis, himpunan muda, parobaya dan tua dapat dilihat pada Gambar 2. Pengelompokan umur ke himpunan kategori usia crisp logic

Pada Gambar 2. dapat dilihat bahwa :

Apabila seseorang berusia 34 tahun, maka ia dikatakan muda (µ_muda [34] = 1)

Apabila seseorang berusia 35 tahun, maka ia dikatakan tidak muda (µ_muda [35] = 0)

Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan tidak muda (µ_muda [35th – 1 hr] = 0)

Apabila seseorang berusia 35 tahun, maka ia dikatakan parobaya (µ_parobaya [35] = 0)

Apabila seseorang berusia 34 tahun, maka ia dikatakan tidak parobaya (µ_parobaya [34] = 0)

Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan tidak parobaya (µ_parobaya [35th – 1 hr] = 0)

         

Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk menyatakan umur sangat tidak adil, adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan. Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut.

•       Himpunan Crisp dan Himpunan Fuzzy

Seseorang dapat masuk dalam 2 himpunan berbeda, Muda dan Parobaya, Parobaya dan Tua. Seberapa besar eksistensinya dalam himpunan tersebut dapat dilihat pada nilai keanggotaannya. 

Gambar 3 menunjukkan himpunan fuzzy untuk variabel umur.

Gambar 3. Grafik pengelompokan umur ke himpunan kategori usia dengan logika fuzzy

Pada Gambar 3 dapat dilihat bahwa :

Read more

Pengertian, Ruang Lingkup Konsep Dasar, Tujuan Manfaat Logika Fuzzy

Pengertian, Ruang Lingkup

Logika Fuzzy  adalah “suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output”

Read more