Senin, 20 Juni 2011

bagan keanggotaaan


Anggota

Nama
NIM
Tugas
Muhammad Adam Fadhilah
208091000054
Buat Aplikasi & Cari Artikel
Dea Puspita Sari
208091000057
Buat blog, Desain Blog & Cari Artikel
Gunawan Haerudi
208091000045
Cari Artikel
Yohan Hadiyono
208091000044
Cari Artikel
Ahmad Shaepul Handi
208091000041
Cari Artikel
Herly Gunawan
208091000049
Cari Artikel

Tanggal Tugas


Tanggal Tugas
Tanggal Selesai
Senin 13 Juni 2011
Senin 20 Juni 2011

Selasa, 14 Juni 2011

Metode Tsukamoto

Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk If-Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crips) berdasarkan a-predikat (fire strength). Hasil akhimya diperoleh dengan menggunakan rata-rata terbobot.


Model Kasus
Suatu perusahaan akan mengadakan penerimaan pegawai, berdasarkan data 1 tahun terakhir adalah sebagai berikut :
a. Lulusan terbanyak mencapai 1000 orang/tahun
b. Lulusan terkecil mencapai 600 orang/tahun
c. Lowongan terbanyak mencapai 800 orang/departemen
d. Lowongan terkecil mencapai 100 orang/departemen
e. Penerimaan pegawai terbesar 1500 orang/departemen
f. Penerimaan pegawai terkecil 500orang/departemen
Jika jumlah lulusan sebanyak 850 orang dan lowongan yang tersedia sebanyak 450, maka akan dibuat model sistem fuzzy dengan menggunakan metode Tsukamoto untuk mencari nilai output berupa jumlah pegawai yang dapat diterima berdasarkan data-data tersebut, dimana penerimaan pegawai menggunakan
aturan fuzzy sebagai berikut :
          [R1] If Lulusan Sedikit And Lowongan Banyak
                 Then Penerimaan Pegawai Berkurang
          [R2] If Lulusan Sedikit And Lowongan Sedikit
                 Then Penerimaan Pegawai Berkurang
          [R3] If Lulusan Banyak And Lowongan Banyak
                 Then Penerimaan Pegawai Bertambah
         [R4] If Lulusan Banyak And Lowongan Sedikit
                Then Penerimaan Pegawai Bertambah

Dalam kasus ini terdapat 3 variabel fuzzy yang akan dimodelkan, yaitu :
a. Lulusan
   Lulusan terdiri atas dua himpunan fuzzy, yaitu Terbanyak dan Terkecil Gambar grafik fungsi keanggotaannya adalah :


  

sumber : http://www.scribd.com/doc/53169870/35/SISTEM-INFERENSI-FUZZY-7-8-1-Metode-Tsukamoto dan http://www.google.co.id/url?sa=t&source=web&cd=1&ved=0CBgQFjAA&url=http%3A%2F%2Fcicie.files.wordpress.com%2F2008%2F06%2Fcdss-tsukamoto-fuzzy-inference-system.pdf&rct=j&q=metode%20tsukamoto&ei=1A_4Td2wEo3-vQP-hfGCDA&usg=AFQjCNE5QZM0ug9hGnuN6KJ5tkwJ0rm-tA&sig2=JQLJXEUCOqipaUQnQjwaGA&cad=rja

Metode Sugeno

Pada metode penalaran atau rule evaluatian Takegi Sugeno, output sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Penelitian ini menggunakan model Fuzzy Sugeno Orde-Nol. Secara umum bentuk model fuzzy Sugeno orde nol adalah:

  IF (x1 is A1) o (x2 is A2) o (x3 is A3) .... o (xN is AN) THEN z=k (4)

dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta (tegas) sebagai konsekuen.

Konsep Dasar Fuzzy Logic

Bila kita mempelajari tentang logika secara lebih mendalam, maka akan disimpulkan antara nalar dengan logika memang sangat sulit dibedakan karena perbedaannya sangat tidak jelas. Penalaran merupakan suatu proses berpikir yang membuahkan pengetahuan. Agar pengetahuan yang dihasilkan penalaran tersebut mempunyai dasar kebenaran, maka proses berpikir tersebut harus dilakukan suatu cara tertentu. Suatu penarikan kesimpulan, dimana nilainya baru dianggap valid jika dilakukan dengan cara tertentu tersebut. Cara penarikan kesimpulan tersebut disebut logika. Secara luas, logika dapat didefinisikan sebagai “pengkajian untuk berpikir secara sahih”. 
Ada banyak macam logika, dimana pertama adalah logika konvensional. Cara berfikir dengan logika kuno ini menganut 2 sistem, yaitu induksi – yang dimana penarikan kesimpulan bersifat umum dari contoh atau sample yang sifatnya khusus, dan deduksi – yang dimana penarikan kesimpulan bersifat khusus dari suatu fakta umum. Penarikan kesimpulan secara deduktif biasanya mempergunakan pola berpikir yang disebut silogismus. Silogismus disusun atas dasar dua pernyataan sebagai variabel masukan (input) dengan menghasilkan sebuah kesimpulan (output). Kedua pernyataan sebagai variabel masukan tersebut mempunyai kedudukan tersendiri masing-masing yang disebut premis. Premis ini dibedakan atas dua, yaitu :
· Premis Mayor,
merupakan suatu variabel utama sebagai konstanta yang menerangkan, dimana
premis mayor merupakan ketentuan atau konteks pembicaraan.
· Premis Minor,
merupakan suatu variabel persoalan yang diterangkan atau mempunyai kedudukan
sebagai variabel bebas.
Sebagai sebuah contoh diberikan permasalahan silogismus berikut ini :

Premis Mayor : Si Johan orang gila.

Premis
Minor
 : Si
Johan temannya si Bau
.
Kesimpulan : Yang
berteman dengan si Bau pasti orang gila
.

 Dari logika
“gaya konvensional” tersebut mempunyai banyak sekali kelemahan dan kesalahan pada pemikiran, karena kedua-duanya dilakukan secara empirik. Beberapa kesalahan berpikir tersebut adalah : Petitio Principii, Circulus Vitiosus, Pengertian Berganda, Metabasis Eis Allo Genos, Loncatan Analogi ke Kesamaan dan lainnya. Di sini tidak dibahas lebih lanjut mengenai kesalahan berpikir yang disebabkan oleh kelemahan logika konvensional tersebut.
Kemudian berkembanglah suatu pola pemikiran berdasarkan suatu bentuk logika modern, yaitu logika Boolean. Dalam logika Boolean, hasil yang didapatkan bersifat pasti, dengan didukung oleh suatu penarikan kesimpulan dari gerbang pemikiran yang pasti dan tertentu. Misalnya kesimpulan yang ditarik antara pilihan “dan” serta "atau”. Hasil yang disimpulkan hampir pasti, dimana bila ada pernyataan “putih dan tinggi”, maka jika suatu variabel kondisi yang dimasukkan adalah “pendek dan putih”, maka disimpulkan tidak memenuhi persyaratan (AÙB, A=0, B=1, kesimpulan=0), sebaliknya apabila pernyataan syarat tersebut adalah “putih atau tinggi”, jika suatu variabel yang dimasukkan adalah “pendek dan putih”, maka variabel tersebut memenuhi
persyaratan (A
ÚB, A=0, B=1, kesimpulan=1).

Logika Fuzzy merupakan logika yang menyimpulkan atas presentase, dimana dasar dari logika tersebut adalah suatumteori himpunan yang berdasarkan presentase anggota-anggota dari semesta yang dikelompokkan dan membentuk suatu himpunan. Presentase anggota-anggota himpunan yang dipandang sebagai suatu deret hitung tertentu tersebut kemudian dihitung untuk dijadikan asas dasar pengambilan kesimpulan dari variabel kondisi yang menjadi masukkan (input).

Gagasan dasar dari logika Fuzzy adalah derajat keanggotaan, dimana derajat tersebut merupakan suatu presentase dari himpunan Crisp sebagai masukan (input) dengan memakai logika Fuzzy menghasilkan suatu himpunan Crisp hasil (output) yang dimana tidak dapat dijabarkan dalam logika Boolean. Seperti yang sudah dijelaskan sebelumnya, bahwa logika Fuzzy meniru cara berpikir manusia yang disebut nalar, dimana nalar dapat menjelaskan dan mengidentifikasi sesuatu secara otomatis.

sumber : http://yudika.blog.friendster.com/2005/04/konsep-dasar-fuzzy-logic/ 

Blok Diagram Fuzzy Logic Control

Fuzzification
Fuzzification: mengubah masukan-masukan yang nilai kebenarannya bersifat pasti (crisp input) ke dalam bentuk fuzzy input
Inference
  • Inference: melakukan penalaran menggunakan fuzzy input dan fuzzy rules yang telah ditentukan sehingga menghasilkan fuzzy output.
  • Secara sintaks, suatu fuzzy rule (aturan fuzzy) dituliskan sebagai:
             –        IF antecendent THEN consequent
  • Terdapat dua model aturan fuzzy yang digunakan secara luas dalam berbagai aplikasi, yaitu:
              –        Model Mamdani
              –        Model Sugeno

Membership Function
(Fungsi-fungsi keanggotaan)
  • Di dalam fuzzy sistems, fungsi keangotaan memainkan peranan yang sangat penting untuk merepresentasikan masalah dan menghasilkan keputusan yang akurat.
  • Terdapat banyak sekali fungsi keanggotaan yang bisa digunakan.
  • Di sini hanya akan dibahas empat fungsi keanggotaan yang sering digunakan, yaitu:
              –        Fungsi sigmoid
              –        Fungsi phi
              –        Fungsi segitiga
              –        Fungsi trapesium


Defuzzicication
  • Defuzzification: mengubah fuzzy output menjadi crisp value berdasarkan fungsi keanggotaan yang telah ditentukan.
  • Terdapat berbagai metode defuzzification yang telah berhasil diaplikasikan untuk berbagai macam masalah, di sini dibahas 5 metode di antaranya, yaitu:
                 –        Centroid method
                 –        Height method
                 –        First (or Last) of Maxima
                 –        Mean-Max method
                 –        Weighted Average
  • Sebelum defuzzification, harus dilakukan proses composition, yaitu agregasi hasil clipping dari semua aturan fuzzy sehingga didapatkan satu fuzzy set tunggal.
sumber : http://rianu2006.wordpress.com/2010/05/24/makalah-tentang-fuzzy-logic/

    Fuzzy Clusterring

    1. Definisi :
    Clustering adalah suatu metode pengelompokan berdasarkan ukuran kedekatan(kemiripan).Clustering beda dengan group, kalau group berarti kelompok yang sama,kondisinya kalau tidak ya pasti bukan kelompoknya.Tetapi kalau cluster tidak harus sama akan tetapi pengelompokannya berdasarkan pada kedekatan dari suatu karakteristik sample yang ada, salah satunya dengan menggunakan rumus jarak ecluidean.Aplikasinya cluster ini sangat banyak, karena hamper dalam mengidentifikasi permasalahan atau pengambilan keputusan selalu tidak sama persis akan tetapi cenderung memiliki kemiripan saja.


    2.Manfaat
    • Identifikasi obyek (Recognition) :
    Dalam bidang mage Processing , Computer Vision atau robot vision
    • Decission Support System dan data mining
    Segmentasi pasar, pemetaan wilayah, Manajemen marketing dll.

    3. Prinsip dasar :
    • Similarity Measures (ukuran kedekatan)
    • Distances dan Similarity Coeficients untuk beberapa sepasang dari item
    Ecluidean Distance:
    Atau :

    4. Metode Clustering pada dasarnya mengoptimumkan pusat cluster(centroid) atau mengoptimalkan lebar antar cluster.
       Macam-macam metode clustering :
    • Berbasis Metode Statistikk
    a. Hirarchical clustering method   : pada kasus untuk jumlah kelompok belum ditentukan terlebih dulu, contoh data-data hasil survey kuisioner
       Macam-metode jenis ini:  Single Lingkage,Complete Linkage,Average Linkage dll.

    b. Non Hirarchical clustering method: Jumlah kelompok telah ditentukan terlebih dulu.Metode yang digunakan : K-Means.
    • Berbasis Fuzzy : Fuzzy C-Means
    • Berbasis Neural Network : Kohonen SOM, LVQ
    • Metode lain untuk optimasi centroid atau lebar cluster : Genetik Algoritma (GA)
                                  Gambar : Salah contoh 3 cluster yang terbentuk

    5. Pembahasan Metode Cluster
    Pertama akan kita bahas dulu metode cluster secara statistic untuk non hirachical method yaitu: K-Means Clustering

    Algoritma:
    1. Partisi item menjadi K initial cluster
    2. Lakukan proses perhitungan dari daftar item, tandai item untuk kelompok yang mana berdasarkan pusat(mean) yang terdekat (dengan menggunakan distance dapat digunakan Euclidean distance).Hitung kembali pusat centroid untuk  item baru yang diterima pada cluster tersebut dari cluster yang kehilangan item.
    3. Ulangi step 2 hingga tidak ada lagi tempat yang akan ditandai sebagai cluster baru.
    Contoh :
    Dikethui data sebagai berikut:
    Item
    Observasi
    X1
    X2
    A
    5
    3
    B
    -1
    1
    C
    1
    -2
    D
    -3
    -2

    Ditanya: Lakukan cluster menjadi 2 kelompok (K=2).
    ·         Langkah pertama:
    ·         Langkah kedua :
    Lakukan perhitungan jarak dengan eclidean dari masing-masing item dari centroid(pusat) cluster dan tandai kembali setiap item berdasarkan kedekatan group.Jika item bergerak dari initial configuration, Centroid(pusat/means) cluster harus diupdate sebelum diproses.Kita hitung kwadrat jarak(squared distance) sbb:


    Sejak A dekat pada cluster (AB) dibandingkan pada cluster (CD), maka tidak perlu ditandai.Lanjutkab perhitungan :

    Sehingga B akan ditandi kembali menjadi anggota baru pada cluster (CD), sehingga membentuk cluster baru (BCD) maka koordinat dari pusat cluster terupdate sebagai berikut :

    Selanjutnya lakukn chek untuk setiap item untuk ditandai kembali. Perhitungan kwadrat jarak(squared distances) dibarikan sbb:

    Cluster
    Koordinate dari Centroid


    A
    B
    C
    D
    A
    0
    40
    41
    89
    (BCD)
    52
    4
    5
    5







    Kita lihat setiap item yang baru telah ditandai untuk cluster berdasarkan centroid(pusat) terdekat maka proses telah dihentikan.Sehingga dengan K=2 cluster maka terbentuk cluster sebagai berikut : A dan (BCD).

    Himpunan Fuzzy

    By Gandhi Manalu

    Untuk bisa mengerti lebih jelas mengenai himpunan fuzzy, pertama-tama saya akan menjelaskan terlebih dahulu mengenai himpunan crisp.
    Cara tradisional untuk menyatakan apakah sebuah obyek merupakan anggota sebuah himpunan atau tidak adalah dengan menggunakan fungsi karakteristik (kadang-kadang disebut juga dengan fungsi diskriminasi). Jika sebuah obyek merupakan anggota dari sebuah himpunan maka fungsi karakteristiknya 1. Jika sebuah obyek bukan merupakan anggota dari sebuah himpunan maka fungsi karakteristiknya 0. Fungsi karakteristik dapat didefinisikan menggunakan pemetaan fungsional sebagai berikut:

                               \mu_a(x)\colon X\rightarrow\{0,1\}

    yang menyatakan bahwa fungsi karakteristik memetakan himpunan universal X ke himpunan yang terdiri dari 0 dan 1. Himpunan dimana fungsi ini berlaku disebut himpunan crisp.
    Pada himpunan fuzzy, sebuah obyek dapat berada pada sebuah himpunan secara parsial. Derajat keanggotaan dalam himpunan fuzzy diukur dengan fungsi yang merupakan generalisasi dari fungsi karakteristik yang disebut fungsi keanggotaan atau fungsi kompatibilitas, yang didefinisikan sebagai:

                                \mu_a(x)\colon X\rightarrow[0,1] 

    Fungsi keanggotaan memetakan X kedalam kodomain yang merupakan bilang riil yang terdefinisi pada interval dari 0 sampai 1 secara inklusif. Dimana 0 berarti tidak ada keanggotaan, dan 1 berarti keanggotaan penuh pada himpunan A. Sebuah nilai pada fungsi keanggotaan, misalnya 0.6, disebut sebagai nilai keanggotaan.

    Contoh1:
    Jika diketahui:
    S = [1, 2, 3, 4, 5, 6] adalah semesta pembicaraan
    A = [1, 2, 3]
    B = [3, 4, 5]
    Maka dapat dikatakan:
    • Nilai keanggotaan 2 pada himpunan A, μA[2] = 1, karena 2 єA
    •  Nilai keanggotaan 4 pada himpunan A, μA[4] = 0, karena 4

    Sumber : http://gandhim.wordpress.com/2009/03/18/pengenalan-himpunan-fuzzy/

    Database fuzzy

    Pada Umumnya ada 2 cara Untuk fuzzyness dalam database :
    • Fuzzy Query Database
    •  Fuzzy Database

    Fuzzy Query Database adalah membuat suatu fuzzy query terhadap database klasik, artinya kita membuat suatu aplikasi yang dapat menangani suatu query dimana dalam query tersebut terdapat variabel-variabel yang bernilai fuzzy atau dengan kata lain query - query tersebut memiliki variabel linguistik

    Sumber : http://student.eepis-its.edu/~giant/DB2/db2_7Fuzzy%20Query%20Database.pdf

    Sistem Inferensi Fuzzy Metode Mamdani

    Metode mamdani sering juga dikenal dengan nama metode min–max. Metodeini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output diperlukan 4 tahapan, diantaranya :

    1. Pembentukan himpunan fuzzy
      Pada metode mamdani baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy.

    2. Aplikasi fungsi implikasi
        Pada Metode Mamdani, fungsi implikasi yang digunakan adalah min.

    3. Komposisi aturan
      Metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu Metode max (maximum). Secara umum dapat dituliskan :
    μsf[Xi] = max (μsf [Xi], μkf [Xi])
    Dengan :
    μsf[Xi] = nilai keanggotaan solusi fuzzy sampai aturan ke i
    μkf [Xi]) = nilai keanggotaan konsekuan fuzzy aturan ke i


    4. Penegasan (defuzzy)

    Defuzzyfikasi pada komposisi aturan mamdani dengan menggunakan metode centroid. Dimana pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat daerah fuzzy. Secara umum dirumuskan (Bo Yuan, 1999) :

    Ada dua keuntungan menggunakan metode centroid, yaitu (Kusumadewi, 2002):

    1. Nilai defuzzyfikasi akan bergerak secara halus sehingga perubahan dari suatu himpunan fuzzy juga akan berjalan dengan halus.
    2. Lebih mudah dalam perhitungan.


    sumber : http://eprints.ums.ac.id/198/1/JTI-0402-06-OK.pdf

    Kamis, 09 Juni 2011

    Fuzzy Logic Concept

    Konsep Dasar Fuzzy Logic

    Dasar – Dasar Pemahaman Logika Fuzzy

    Pada pertengahan 1960, Prof. Lotfi Zadeh dari universitas California di Barkeley menemukan bahwa hukum benar atau salah dari logika boolean tidak memperhitungkan beragam kondisi yang nyata. Untuk menghitung gradasi yang tak terbatas jumlahnya antara benar dan salah, Zadeh mengembangkan ide penggolongan set yang ia namakan set fuzzy. Tidak seperti logika boolean, logika fuzzy memiliki banyak nilai. Tidak seperti elemen yang dikategorikan 100% ini atau itu, atau sebuah dalil yang menyatakan semuanya benar atau seluruhnya salah, fuzzy membaginya dalam derajat keanggotaan dan derajat kebenaran, yaitu : sesuatu yang dapat menjadi sebagian benar dan sebagian salah pada waktu yang sama. Hal ini telah dibuktikan oleh Bart Kosko bahwa logika boolean adalah kasus kusus dari logika fuzzy.
    Lotfi Zadeh mengatakan Integrasi Logika Fuzzy kedalam sistem informasi dan rekayasa proses adalah menghasilkan aplikasi seperti sistem kontrol, alat alat rumah tangga, dan sistem pengambil keputusan yang lebih fleksibel, mantap, dan canggih dibandingkan dengan sistem konvensional. Dalam hal ini kami dapat mengatakan bahwa logika fuzzy memimpin dalam pengembangan kecerdasan mesin yang lebih tinggi ( machine Intelligency Quotient / MIQ ) Produk produk berikut telah menggunakan logika fuzzy dalam alat alat rumah tangga seperti mesin cuci, video dan kamera refleksi lensa tunggal, pendingin ruangan, oven microwave, dan banyak sistem diagnosa mandiri.
    Keuntungan lain dari MIQ adalah Pemakaian yang lebih mudah digunakan, Kemandirian yang lebih tinggi, Kinerja yang lebih baik Dengan logika Fuzzy para ahli teknik penjual software dan desainer dapat membuat mesin yang dapat merespon secara lebih pintar pada keadaan yang tidak tepat dan sring memiliki kondisi yang berlawanan dengan dunia luar. Secara eksplisit bekerja dengan informasi yang amat banyak, sinyal kontrol sebagai kondisi, dan masukan yang tidak tepat bagi sistem perangkat lunak yang akan membuat mesin ini menirunya. Dengan kata lain jalan bagi kita, manusia, merespon dunia luar. Kesamaan antara perilaku mesin dan perilaku manusia akan mereduksi kebutuhan akan kontrol luar yang kompleks, membuat mesin lebih “beralasan”. Dan membantu pabrik dalam komputerisasiyang berguna dalam kehidupan kita sehari -hari.
    Sebagi contoh, apakah 80 derajat fahrenheit tergolong hangat atau panas? Dalam logika fuzzy, dan dalam dunia nyata, “kedua-duanya benar” mungkin merupakan  jawabannya. Seperti yang anda lihat pada grafik fuzzy dibawah ini, 80 derajat adalah sebagian hangat dan sebagian panas dalam gambaran set fuzzy.
    Sementara hal ini dapat dibenarkan bahwa tumpang tindih antara set dapat terjadi dalam logika boolean, transisi dari set ke set terjadi seketika itu juga ( yaitu elemen yang dapat menjadi anggota set atau tidak ).
    Dengan logika fuzzy, sementara itu, transisi dapat bertingkat – tingkat ( yaitu elemen dapat memiliki sebagian keanggotaan dalam sejumlah set )
    Dalam logika klasik menggunakan set konvensional yang ditunjukkan dibawah, 79,9 derajat dapat diklasifikasikan sebagai hangat, dan 80,1 derajat dapat diklasifikasikan sebagai panas. Perubahan kecil dalam sistem dapat menyebabkan perbedaan reaksi yang berarti. Dalam sistem fuzzy, perubahan kecil temperatur akan memberikan hasil perubahan yang tidak jelas pada kinerja sistem.
    Logika Fuzzy mengenali tidak hanya clear cut, alternatif hitam dan putih, tapi juga tingkatan tak terbatas antara keduanya. Hal ini mungkin kelihatan tidak jelas, namun lo gika fuzzy menghilangkan banyak keraguan dengan menentukan nilai tertentu pada tingkatan tersebut. Sebagai contoh temperatur 80 derajat fahrenheit dapat diklasifikasikan antara daerah nol sampai satu sebagai panas pada tingkat 0,6. Nilai ini kemudian digunakan untuk menurunkan kepastian atau penyelesaian crisp terhadap masalah perancangan. Walaupun kelihatan kontradiksi dari namanya , logika fuzzy memberikan metoda ketepatan yang dapat diandalkan dari persoalan pengambilan keputusan crisp.

    Untuk mengerti sistem fuzzy, anda harus mengenal konsep dasar yang berhubungan dengan logika fuzzy.
    • DERAJAT KEANGGOTAAN adalah : derajat dimana nilai crisp compatible dengan fungsi keanggotaan ( dari 0 sampai 1 ), juga mengacu sebagai tingkat keanggotaan, nilai kebenaran, atau masukan fuzzy.
    • LABEL adalah nama deskriptif yang digunakan untuk mengidentifikasikan sebuah fungsi keanggotaan.
    • FUNGSI KEANGGOTAAN adalah mendefinisikan fuzzy set dengan memetakkan masukan crisp dari domainnya ke derajat keanggotaan.
    • MASUKAN CRISP adalah masukan yang tegas dan tertentu
    • LINGKUP / DOMAIN adalah lebar fungsi keanggotaan. Jangkauan konsep, biasanya bilangan, tempat dimana fungsi keanggotaan dipetakkan. Disini domain dari fuzzy set ( fungsi keanggotaan ) adalah dari 0 sampai 20 derajat dan lingkupnya adalah 20 derajat.
    • DAERAH BATASAN CRISP adalah jangkauan seluruh nilai yang mungkin dapat diaplikasikan pada variabel sistem. Menggunakan logika fuzzy untuk mencapai penyelesaian crisp pada masalah khusus biasanya melibatkan tiga langkah : fuzzyfikasi, evaluasi rule, dan defuzzyfikasi. Jika anda tidak / belum mengetahui bagaimana logika fuzzy itu bekerja kami sarankan agar anda benar benar memahami betul tiap langkah dalam bagian berikutnya.
    sumber : http://rianu2006.wordpress.com/2010/05/24/makalah-tentang-fuzzy-logic/