Logika Fuzzy dalam Kecerdasan Buatan

KECERDASAN BUATAN LOGIKA FUZZY (Fuzzy Logic) Kando_Rio, M.Kom.  Pengertian Logika Fuzzy Logika fuzzy adalah metodologi sistem kontrol pemecahan masalah, yang cocok untuk diimplementasikan pada sistem Logika klasik :”segala sesuatu bersifat biner” , Sehingga semua...

KECERDASAN BUATAN LOGIKA FUZZY (Fuzzy Logic) Kando_Rio, M.Kom.  Pengertian Logika Fuzzy Logika fuzzy adalah metodologi sistem kontrol pemecahan masalah, yang cocok untuk diimplementasikan pada sistem Logika klasik :”segala sesuatu bersifat biner” , Sehingga semua ini dapat mempunyai nilai keanggotaan 0 atau 1 (contoh: ya atau tidak, sama atau tidak sama, ). logika fuzzy memungkinkan nilai keanggotaan berada diantara 0 dan 1 (contoh : agak mirip, sedang, hampir, mendekati dll.) Mengapa Menggunakan Logika Fuzzy memiliki toleransi terhadap data-data yang tidak tepat, memodelkan fungsi nonlinear yang sangat kompleks, mengaplikasikan pengalaman pakar secara langsung tanpa harus melalui proses pelatihan, sesuai dengan teknik kendali secara konvensional, Di dasarkan pada bahasa alami  Dasar-Dasar Logika Fuzzy Variabel fuzzy, yaitu variabel yang akan dibahas dalam suatu sistem fuzzy. Contoh: penghasilan, temperatur, permintaan, umur dan sebagainya. Himpunan fuzzy, yaitu suatu kelompok yang mewakili suatu keadaan tertentu dalam suatu variabel fuzzy.  Dasar-Dasar Logika Fuzzy Himpunan fuzzy memiliki 2 atribut : a.Linguistik, yaitu nama suatu kelompok yang mewakili suatu keadaan tertentu dengan menggunakan bahasa alami, misalnya: DINGIN, SEJUK, PANAS mewakili variabel temperatur, MUDA, PAROBAYA, TUA, mewakili variabel umur. b.Numeris, yaitu suatu nilai yang menunjukkan ukuran dari suatu variabel misalnya: 10, 35, 40, dan sebagainya.  Fungsi Keanggotaan Fungsi keanggotaan adalah grafik yang mewakili besar dari derajat keanggotaan masing-masing variabel input yang berada dalam interval antara 0 dan 1. Derajat keanggotaan sebuah variabel x dilambangkan dengan simbol µ(x).  Fungsi Keanggotaan Kurva Linear 0; x a  [ x] ( x  a ) /(b  a ); a  x b 1; x b   Fungsi Keanggotaan Fungsi keanggotaan untuk himpunan NAIK pada variabel permintaan seperti terlihat pada Gambar 5.3. Berapa derajat keanggotaan 32 pada himpunan NAIK tersebut ? mNAIK =(32-25)/(35-25) =7/10 = 0,7  Fungsi Keanggotaan Kurva Segitiga 0; x  a atau x  c  [ x]  (x - a)/(b - a); a  x  b (b - x)/(c - b); b  x  c   Fungsi Keanggotaan Fungsi keanggotaan untuk himpunan DINGIN pada variabel temperatur ruangan seperti terlihat pada Gambar 5.7. Berapa derajat keanggotaan 23 pada himpunan DINGIN tersebut ? mDINGIN= (23-15)/(25-15) = 8/10 = 0,8  Fungsi Keanggotaan Kurva Trapesium 0; x a atau x d (x - a)/(b - a); a x b  [ x]  1; b x c  (d - x)/(d - c); c x d  Fungsi Keanggotaan Fungsi keanggotaan untuk himpunan DINGIN pada variabel temperatur ruangan seperti terlihat pada Gambar 5.9. Berapa derajat keanggotaan 32 dan 25 pada himpunan DINGIN tersebut ? mDINGIN = (35-32)/(35-27) = 3/8 = 0,375 mDINGIN = 1  Fungsi Keanggotaan Kurva Bentuk Bahu  Fungsi Keanggotaan 1; 0  x a atau c x d  [ x] (b - x)/(b - a); a x b (x - b)/(c - b); b x c   Fungsi Keanggotaan Kurva- S (Sigmoid)  Fungsi Keanggotaan Fungsi Keanggotaan Kurva-S PERTUMBUHAN:  0 x a  2(( x  a) /( c  a)) 2 a x b   ( x; a, b, c)  2 1  2((c  x) /( c  a)) b x c  1 x c  Fungsi Keanggotaan Kurva-S PENYUSUTAN  Fungsi Keanggotaan Fungsi Keanggotaan Kurva-S PENYUSUTAN:  1 x a 1  2(( x  a) /( c  a)) 2 a x b  S ( x; a, b, c)  2  2((c  x) /( c  a)) b  x c  0 x c  Fungsi Keanggotaan Berapa derajat keanggotaan PANAS pada variabel temperatur, bila sebuah benda mempunyai temperatur 50 oC dan grafik kurva keanggotaan untuk himpunan fuzzy PANAS terlihat pada Gambar 5.12. mPANAS = 1 – 2((60-50)/(60-35))2 = 1 – 2(10/25)2 = 0,68  Fungsi Keanggotaan Berapa derajat keanggotaan PANAS pada variabel temperatur, bila sebuah benda mempunyai temperatur 37 oC dan grafik kurva keanggotaan untuk himpunan fuzzy PANAS terlihat pada Gambar 5.13. mMUDA = 2((50-37)/(50-20))2 = 2(13/30)2 = 0,376  Fungsi Keanggotaan Kurva Bentuk Lonceng (Bell Curve) : (i) Kurva PI  Fungsi Keanggotaan   b   S  x; c  b, c  2 , c  x c  ( x, b, c)    1  S  x; c, c  b , c  b  xc   2  Berapa derajat keanggotaan PANAS pada variabel temperatur, bila sebuah benda mempunyai dua buah sisi, sisi depan temperaturnya 42 oC dan sisi belakang temperaturnya 51oC. mPANAS = 1 - 2((45-42)/(45-35))2 = 1 - 2(3/10)2 = 0,82 mPANAS = 2((55-51)/(55-45))2 = 2(4/10)2 = 0,32  Fungsi Keanggotaan Kurva Bentuk Lonceng (Bell Curve) : (ii) Kurva BETA 1 B( x; c, b)  2  x c 1    b   Fungsi Keanggotaan Berapa derajat keanggotaan PANAS pada variabel temperatur, bila sebuah benda mempunyai dua buah sisi, sisi depan temperaturnya 42 oC dan sisi belakang temperaturnya 51oC. mPANAS = 1/(1+((42-45)/5)2) = 0,7353 mPANAS = 1/(1+((51-45)/5)2) = 0,4098  Fungsi Keanggotaan Kurva Bentuk Lonceng (Bell Curve) : (iii) Kurva Gauss  L (c x )2 G ( x; L, c) e  Operasi Himpunan Fuzzy Operasi Gabungan (Union)  AB x  max. A x ,  B x  untuk setiap x  X Misalkan nilai keanggotaan temperatur 45oC pada himpunan PANAS adalah 0,6 (mPANAS=0,6) dan nilai keanggotaan 50 pcs/hari pada himpunan produksi NAIK adalah 0,3 (mNAIK=0,3), maka –predikat untuk temperatur PANAS OR produksi NAIK adalah: mPANASNAIK = max{ mPANAS, mNAIK } = max{ 0,6; 0,3 } = 0,6  Operasi Himpunan Fuzzy Operasi Irisan (Intersaction)  AB x  min A x ,  B x . untuk setiap x  X Misalkan nilai keanggotaan temperatur 45oC pada himpunan PANAS adalah 0,6 (mPANAS=0,6) dan nilai keanggotaan 50 pcs/hari pada himpunan produksi NAIK adalah 0,3 (mNAIK=0,3), maka –predikat untuk temperatur PANAS AND produksi NAIK adalah: mPANASÇNAIK = min{ mPANAS, mNAIK } = min{ 0,6; 0,3 } = 0,3  Operasi Himpunan Fuzzy Operator Komplemen (Complement)  A x  1   A x  C Misalkan nilai keanggotaan temperatur 45oC pada himpunan PANAS adalah 0,6 (mPANAS=0,6), maka –predikat untuk temperatur TIDAK PANAS adalah: mTIDAK_PANAS = 1 - 0,6 = 0,4  Penalaran Monoton Penalaran monoton digunakan untuk merelasikan himpunan fuzzy A pada variabel x dan himpunan fuzzy B pada variabel y dengan cara membuat implikasi berikut IF x is A THEN y is B Diketahui dua himpunan fuzzy: TINGGI (tinggi badan orang Semarang) dan BERAT (berat badan ideal orang Semarang) seperti terlihat pada Gambar 5.19.  Penalaran Monoton Relasi antara kedua himpunan diatas diekspresikan dengan aturan tunggal berikut: IF TinggiBadan is TINGGI THEN BeratBadan is BERAT IDEAL Jika Cuplis mempunyai tinggi badan 168 cm dengan berat badan 55 kg, apakah Cuplis termasuk orang yang mempunyai berat badan ideal, kurus atau gemuk ?  Penalaran Monoton Sebelumnya kita hitung dulu bagian IF, yaitu menghitung derajat tinggi badan sebagai berikut, Derajat Tinggi = (168 - 155)/( 175 - 155) = 0.65 Derajat Tinggi untuk merelasikan himpunan TINGGI dan BERAT IDEAL dengan cara menghitung bagian THEN, yaitu Nilai Berat[0.65]  1-2[(70-y)/(70-50)]2 = 0.65  1-2(70-y)2/400 = 0.65  2(70-y)2/400 = 0.35  (70-y)2 = 70  (70-y) = 8.366  y = 61.634 kg Berat badan Cuplis adalah 55 kg, berarti Cuplis termasuk orang kurus, karena berat badannya lebih rendah dari berat badan idealnya 61,634 kg.  SISTEM INFERENSI FUZZY Sistem inferensi fuzzy adalah cara memetakan ruang input menuju ruang output menggunakan logika fuzzy. Gambar 5.22: Struktur sistem inferensi fuzzy  SISTEM INFERENSI FUZZY Basis Pengetahuan : kumpulan rule-rule dalam bentuk pernyataan IF...THEN yang dibuat oleh pakar dibidangnya. Fuzzifikasi : adalah proses untuk mengubah input sistem yang mempunyai nilai tegas menjadi variabel linguistik menggunakan fungsi keanggotaan yang disimpan dalam basis pengetahuan fuzzy. Mesin inferensi: proses untuk mengubah input fuzzy menjadi output fuzzy dengan cara mengikuti aturan-aturan (IF-THEN Rules) yang telah ditetapkan pada basis pengetahuan fuzzy. DeFuzzifikasi : mengubah output fuzzy yang diperoleh dari mesin inferensi menjadi nilai tegas menggunakan fungsi keanggotaan yang sesuai dengan saat dilakukan fuzzyfikasi.  SISTEM INFERENSI FUZZY METODE TSUKAMOTO Secara umum bentuk model fuzzy tsukamoto adalah: If (x is A) and (y is B) then (z is C) Dimana A, B, dan C adalah himpunan fuzzy. Misalkan diketahui 2 rule berikut : If (x is A1) and (y is B1) then (z is C1) If (x is A2) and (y is B2) then (z is C2) METODE TSUKAMOTO  METODE MAMDANI Metode mamdani paling sering digunakan dalam aplikasi- aplikasi karena strukturnya yang sederhana, yaitu menggunakan operasi min-max atau max-product. Untuk mendapatkan output, diperlukan 4 tahapan: 1. Fuzzyfikasi (pembentukan himpunan fuzzy dan perhitungan derajat keanggotaan) 2. Aplikasi fungsi implikasi menggunakan fungsi min 3. Komposisi antar rule menggunakan fungsi max atau max-product (menghasilkan himpunan fuzzy baru) 4. Penegasan (deffuzy) menggunakan metode centroid  METODE SUGENO Secara umum bentuk model fuzzy SUGENO adalah: IF (x1 is A1)·...... · (xN is AN) THEN z = f(x,y) Catatan : A1, A2, …. AN, adalah himpunan fuzzy ke-i sebagai anteseden z = f(x,y) adalah fungsi tegas (biasanya merupakan fungsi linier dari x dan y).  Contoh Aplikasi Logika Fuzzy Sistem Kontrol Frekuensi Putar Kipas Angin Untuk mengatur frekuensi putar kipas angin secara otomatis digunakan sistem kontrol. Sistem ini dipengaruhi oleh tiga variabel yaitu kecepatan putar kipas angin, suhu ruangan, dan sumber frekuensi putar kipas angin. Berdasarkan data spesifikasi dari pabrik, kecepatan putar kipas angin terkecil 1000 rpm (rotary per menit) dan terbesar 5000 rpm, kemampuan sensor suhu ruangan berada dalam interval 100 Kelvin hingga 600 Kelvin, sedangkan sumber frekuensi putar kipas angin hanya mampu menyediakan frekuensi sebesar 2000 rpm hingga 7000 rpm. Apabila sistem kontrol ruangan tersebut menggunakan 4 rule berikut,  Contoh Aplikasi Logika Fuzzy [R1] IF kecepatan LAMBAT And suhu TINGGI THEN frekuensi KECIL; [R2] IF kecepatan LAMBAT And suhu RENDAH THEN frekuensi KECIL; [R3] IF kecepatan CEPAT And suhu TINGGI THEN frekuensi BESAR; [R4] IF kecepatan CEPAT And suhu RENDAH THEN frekuensi BESAR; Berapa sumber frekuensi putar kipas angin yang dihasilkan sistem kontrol tersebut bila pada saat itu sensor suhu menunjukkan angka 300 Kelvin sedangkan kipas angin berputar dengan kecepatan 4000 rpm ? Selesaikan masalah ini dengan menggunakan metode : a) Tsukamoto b) Mamdani  Contoh Aplikasi Logika Fuzzy c) Sugeno, tetapi rule-rulenya berubah menjadi berikut : [R1] IF kecepatan LAMBAT And suhu TINGGI THEN frekuensi = 0,5*kecepatan + 1700; [R2] IF kecepatan LAMBAT And suhu RENDAH THEN frekuensi = 2*kecepatan − 4000; [R3] IF kecepatan CEPAT And suhu TINGGI THEN frekuensi = 0,5*kecepatan+2000; [R4] IF kecepatan CEPAT And suhu RENDAH THEN frekuensi = kecepatan + 700; Metode Tsukamoto (FUZZIFIKASI) Ada 3 variabel fuzzy yang dapat dimodelkan menjadi grafik keanggotaan seperti berikut: kecepatan; terdiri-atas 2 himpunan fuzzy, yaitu: LAMBAT dan CEPAT Metode Tsukamoto (FUZZIFIKASI) 1, x 1000  5000  x  LAMBAT [ x ]  , 1000  x 5000  4000 0, x 5000 0, x 1000  x  1000  CEPAT [ x]  , 1000  x 5000  4000 1, x 5000 Metode Tsukamoto (FUZZIFIKASI) Derajat keanggotaan untuk kecepatan 4000 rpm adalah: LAMBAT = (5000-4000)/4000 = 0,25 Cepat = (4000-1000)/4000 = 0,75 Metode Tsukamoto (FUZZIFIKASI) Suhu; terdiri-atas 2 himpunan fuzzy, yaitu: RENDAH dan TINGGI Metode Tsukamoto (FUZZIFIKASI) 1, y 100  600  y  RENDAH [ y ]  , 100  y 600  500 0, y 600 0, y 100  y  100  TINGGI [ y ]  , 100  y 600  500 1, y 600 Metode Tsukamoto (FUZZIFIKASI) Derajat keanggotaan untuk suhu 300 Kelvin adalah: RENDAH = (600-300)/500 = 0,6 TINGGI = (300-100)/500 = 0,4 Metode Tsukamoto (FUZZIFIKASI) Frekuensi; terdiri-atas 2 himpunan fuzzy, yaitu: KECIL dan BESAR Metode Tsukamoto (FUZZIFIKASI) 1, z  2000  7000  z  KECIL [ z ]   , 2000  z 7000  5000 0, z 7000 0, z  2000  z  2000  BESAR [ z ]  , 2000  z 7000  5000 1, z 7000  Metode Tsukamoto (Inferensi) [R1] IF kecepatan LAMBAT And suhu TINGGI THEN frekuensi KECIL; -predikat1 =LAMBAT  TINGGI =min(LAMBAT ,TINGGI) =min(0,25; 0,4) =0,25 Lihat himpunan KECIL pada grafik keanggotaan variabel frekuensi, (7000-z)/5000 = 0,25 ---> z1 = 5750 (rpm)  Metode Tsukamoto (Inferensi) [R2] IF kecepatan LAMBAT And suhu RENDAH THEN frekuensi KECIL; -predikat2 =LAMBAT  RENDAH =min(LAMBAT ,RENDAH) = min(0,25; 0,6) = 0,25 Lihat himpunan KECIL pada grafik keanggotaan variabel frekuensi, (7000-z)/5000 = 0,25 ---> z2 = 5750 (rpm)  Metode Tsukamoto (Inferensi) [R3] IF kecepatan CEPAT And suhu TINGGI THEN frekuensi BESAR; -predikat3 = CEPAT  TINGGI = min(CEPAT ,TINGGI) = min(0,75; 0,4) = 0,4 Lihat himpunan BESAR pada grafik keanggotaan variabel frekuensi, (z-2000)/5000 = 0,4 ---> z3 = 4000 (rpm)  Metode Tsukamoto (Inferensi) [R4] IF kecepatan CEPAT And suhu RENDAH THEN frekuensi BESAR; -predikat4 = CEPAT  RENDAH = min(CEPAT ,RENDAH) = min(0,75; 0,6) = 0,6 Lihat himpunan BESAR pada grafik keanggotaan variabel frekuensi, (z-2000)/5000 = 0,6 ---> z4 = 5000 (rpm)  Metode Tsukamoto (Defuzzifikasi ) Nilai tegas z dapat dicari menggunakan rata-rata terbobot, yaitu: pred 1 * z1  pred 2 * z 2  pred 3 * z 3  pred 4 * z 4 z pred 1  pred 2  pred 3  pred 4 0,25 * 5750  0,25 * 5750  0,4 * 4000  0,6 * 5000 7475 z   4983 0,25  0,25  0,4  0,6 1,5 Jadi sumber frekuensi putar kipas angin yang dihasilkan sistem kontrol haruslah 4983 rpm. Metode Mamdani (fuzzifikasi ) Sudah dikerjakan  Metode Mamdani (INFERENSI ) Kita terapkan fungsi MIN untuk setiap aturan pada aplikasi fungsi implikasinya: [R1] IF kecepatan LAMBAT And suhu TINGGI THEN frekuensi KECIL; -predikat1 = LAMBAT  TINGGI = min(LAMBAT ,TINGGI) = min(0,25; 0,4) = 0,25  Metode Mamdani (INFERENSI ) [R2] IF kecepatan LAMBAT And suhu RENDAH THEN frekuensi KECIL; -predikat2 = LAMBAT  RENDAH = min(LAMBAT ,RENDAH) = min(0,25; 0,6) = 0,25  Metode Mamdani (INFERENSI ) [R3] IF kecepatan CEPAT And suhu TINGGI THEN frekuensi BESAR; -predikat3 = CEPAT  TINGGI = min(CEPAT ,TINGGI) = min(0,75; 0,4) = 0,4  Metode Mamdani (INFERENSI ) [R4] IF kecepatan CEPAT And suhu RENDAH THEN frekuensi BESAR; -predikat4 = CEPAT  RENDAH = min(CEPAT ,RENDAH) = min(0,75; 0,6) = 0,6  Metode Mamdani (INFERENSI ) Komposisi rule menggunakan fungsi max  Metode Mamdani (INFERENSI ) Kemudian daerah hasil komposisi kita bagi menjadi 3 bagian, yaitu A1, A2, dan A3, sehingga menjadi himpunan fuzzy baru. Cari nilai a1 dan a2. (a1 – 2000)/5000 = 0,25 ---> a1 = 3250 (a2 – 2000)/5000 = 0,60 ---> a2 = 5000 Dengan demikian, fungsi keanggotaan untuk himpunan fuzzy baru adalah:  0,25; z  3250  [z]  ( z  2000) / 5000; 3250  z  5000  0,6; z  5000  Metode Mamdani (DEFUZZYFIKASI ) Pada tahap ini digunakan metode centroid.  ( z ) zdz z*   ( z )dz 3250 5000 z 2000  7000 0,25 zdz   5000 zdz   0,6 zdz z*  0 3250 5000 3250 5000 z 2000  7000 0,25dz   0 3250 5000 dz   0,6dz 5000 1320312,5  3187515,625  7200000 z*  812,5  743,75  1200 Jadi sumber frekuensi putar kipas angin yang z* 4247,74 dihasilkan sistem kontrol haruslah 4247,74 rpm. Metode Sugeno (fuzzifikasi ) Sudah dikerjakan  Metode Sugeno (Inferensi ) [R1] IF kecepatan LAMBAT And suhu TINGGI THEN frekuensi = 0,5*kecepatan + 1700; -predikat1 = LAMBAT  TINGGI = min(LAMBAT,TINGGI) = min(0,25; 0,4) = 0,25 Nilai z1: z1 =0,5*4000 + 1700 = 2000 + 1700 = 3700  Metode Sugeno (Inferensi ) [R2] IF kecepatan LAMBAT And suhu RENDAH THEN frekuensi = 2*kecepatan − 4000; -predikat2 = LAMBAT  RENDAH = min(LAMBAT,RENDAH) = min(0,25; 0,6) = 0,25 Nilai z2: z2 = 2*4000 – 4000 = 4000  Metode Sugeno (Inferensi ) [R3] IF kecepatan CEPAT And suhu TINGGI THEN frekuensi = 0,5*kecepatan+2000; -predikat3 = CEPAT  TINGGI = min(CEPAT,TINGGI) = min(0,25; 0,6) = 0,25 Nilai z3: z3 = 0,5*4000 + 2000 = 4000  Metode Sugeno (Inferensi ) [R4] IF kecepatan CEPAT And suhu RENDAH THEN frekuensi = kecepatan + 700; -predikat4 = CEPAT  RENDAH = in(CEPAT,RENDAH) = min(0,25; 0,6) = 0,25 Nilai z4: z4 = 4000 + 700 = 4700  Metode Sugeno (Defuzzyfikasi) Nilai z dicari dengan persamaan berikut : pred1 * z1  pred2 * z2  pred3 * z3  pred4 * z4 z pred1  pred2  pred3  pred4 0,25 * 3700  0,25 * 4000  0,4 * 4000  0,6 * 4700 6345 z   4230 0,25  0,25  0,4  0,6 1,5 Jadi sumber frekuensi putar kipas angin yang dihasilkan sistem kontrol haruslah 4230 rpm.  Basis Data menggunakan fuzzy Basis data konvensional  Basis Data menggunakan fuzzy Basis data konvensional Query untuk menampilkan nama-nama mahasiswa yang nilai TOEFL-nya lebih dari 350 ? SELECT NAMA, TOEFL FROM MAHASISWA WHERE (Toefl > 350)  Basis Data menggunakan fuzzy Basis data konvensional Query untuk menampilkan nama-nama mahasiswa yang penghasilan orangtuanya kurang dari 1 juta rupiah, SELECT NAMA, PENGHASILAN FROM MAHASISWA WHERE (Penghasilan < 1000000)  Basis Data menggunakan fuzzy Basis data konvensional Query untuk menampilkan nama-nama mahasiswa yang nilai IPK>2. SELECT NAMA, IPK FROM MAHASISWA WHERE (IPK > 2)  Basis Data menggunakan fuzzy Basis data konvensional Bagaimana jika syarat penerima beasiswa di UDINUS adalah mahasiswa yang nilai IPK- nya BAGUS, nilai TOEFL-nya TINGGI dan penghasilan orang tuanya SEDIKIT. Bagaimana bentuk query-nya ?  Basis Data menggunakan fuzzy Basis data Fuzzy nilai TOEFL dibagi ke dalam himpunan: RENDAH, MENENGAH, dan TINGGI  Basis data Fuzzy 1; x 200  300  x  RENDAH [ x]  ; 200  x 300  100 0; x 300  0; x 250 atau x 350  x  250  MENENGAH [ x ]  ; 250  x 300  50  350  x ; 300  x 350  50 0; x 300  x  300  TINGGI [ x ]  ; 300  x 400  100 1; x 400  Basis data Fuzzy mahasiswa berdasarkan nilai TOEFL dengan derajat keanggotannya pada setiap himpunan.  Basis data Fuzzy nilai IPK diatas ke dalam himpunan: JELEK, CUKUP, dan BAGUS  Basis data Fuzzy 1; x 1   JELEK [ x] 2  x; 1  x 2 0; x 2   0; x 1,5 atau x 2,5   x  1,5  CUKUP [ x]  ; 1,5  x 2  0,5  2,5  x ; 2  x 2,5  0,5 0; x 2   BAGUS [ x]  x  2; 2  x 3 1; x 3   Basis data Fuzzy tabel mahasiswa berdasarkan nilai IPK dengan derajat keanggotannya pada setiap himpunan.  Basis data Fuzzy nilai penghasilan orangtua diatas ke dalam himpunan: SEDIKIT, SEDANG, dan BANYAK  Basis data Fuzzy 1; x 600  800  x  SEDIKIT [ x]  ; 600  x 800  200 0; x 800  0; x 700 atau x 900  x  700  SEDANG [ x]  ; 700  x 800  100  900  x ; 800  x 900  100 0; x 800  x  800  BANYAK [ x]  ; 800  x 1000  200 1; x 1000  Basis data Fuzzy penghasilan orangtua dengan derajat keanggotannya pada setiap himpunan.  Basis data Fuzzy Contoh Query1: Siapa saja-kah mahasiswa yang nilai TOEFL-nya TINGGI tetapi IPK-nya CUKUP ? SELECT NAMA FROM MAHASISWA WHERE (Toefl = “TINGGI”) AND (Ipk = “CUKUP”)  Basis data Fuzzy Query2: Siapa saja-kah mahasiswa yang nilai TOEFL-nya RENDAH tetapi IPK-nya BAGUS ? SELECT NAMA FROM MAHASISWA WHERE (Toefl = “RENDAH”) AND (Ipk = “BAGUS”)  Basis data Fuzzy Query3: Siapa saja-kah mahasiswa yang nilai TOEFL-nya TINGGI tetapi penghasilan orangtuanya SEDIKIT ? SELECT NAMA FROM MAHASISWA WHERE (Toefl = “TINGGI”) AND (Peng = “SEDIKIT”)  Basis data Fuzzy Dari data diatas, siapa yang layak menerima beasiswa dari UDINUS jika kriteria penerima beasiswa adalah mahasiswa yang nilai IPK-nya BAGUS, nilai TOEFL-nya TINGGI dan penghasilan orang tuanya SEDIKIT ? Query4: SELECT NAMA FROM MAHASISWA WHERE (Toefl = “TINGGI”) AND (Peng = “SEDIKIT”) AND (Ipk = “BAGUS”)  Basis data Fuzzy Berdasarkan kriteria penerima beasiswa, maka mahasiswa yang berhak menerima beasiswa UDINUS adalah Toyes.