5

BAB 2
LANDASAN TEORI

2.1

Logika Fuzzy

Logika fuzzy adalah cabang dari sistem kecerdasan buatan (Artificial Inteligent) yang
mengemulasi kemampuan manusia dalam berfikir ke dalam bentuk algoritma yang
kemudian dijalankan oleh mesin. Algoritma ini digunakan dalam berbagai aplikasi
pemrosesan data yang tidak dapat direpresentasikan dalam bentuk biner. Logika fuzzy
menginterpretasikan statemen yang samar menjadi sebuah pengertian yang logis (Sri
Kusumadewi, 2002).
Logika fuzzy merupakan salah satu cabang dari ilmu komputer yang mempelajari
tentang nilai kebenaran yang bernilai banyak. Berbeda dengan nilai kebenaran pada
logika klasik yang bernilai 0 (salah) atau 1 (benar). Logika fuzzy mempunyai nilai
kebenaran real dalam selang [0,1]. Logika fuzzy pertama kali dikembangkan oleh Lotfi
A. Zadeh seorang ilmuwan Amerika Serikat berkebangsaan Iran dari Universitas
California di Berkeley. Meskipun demikian, logika fuzzy lebih banyak dikembangkan
oleh praktisi Jepang (Novan Parmongan, 2011).
Ungkapan logika Boolean menggambarkan nilai-nilai benar atau salah.
Logika fuzzy menggunakan ungkapan misalnya : sangat lambat, agak sedang,
sangat cepat dan lain-lain untuk mengungkapkan derajat intensitasnya. Ilustrasi
antara keanggotaan fuzzy dengan Boolean set dapat dilihat pada gambar 1.

Gambar 2.1 Pendefinisian kecepatan dalam bentuk logika fuzzy dan logika Boolean

Universitas Sumatera Utara

Dimana :
a=sangat lambat

d= lambat

b=agak sedang

e =sedang

c=sedikit cepat

f =cepat

2.1.1 Komponen Dasar Logika Fuzzy

Logika fuzzy mempunyai beberapa komponen antara lain (Novan, Parmongan, 2011) :
a.

Variabel linguistik.
Variabel ini merupakan variable yang memiliki nilai linguistik. Contoh variabel
linguistik adalah kecepatan, jumlah kendaraan.

b.

Nilai linguistik.
Nilai linguistik atau terma merupakan nilai dari variable linguistik, contohnya
untuk variable linguistik jumlah kendaraan bisa berupa tidak ada, sedikit,
sedang, banyak, sangat banyak.

c.

Nilai kuantitatif dan derajat keanggotaan.

Nilai kuantitatif merupakan nilai eksak yang mewakili nilai linguistik. Nilai
kuantitatif setiap terma ditentukan oleh fungsi keanggotaan. Fungsi keanggotaan
ini menunjukkan derajat keanggotaan dari sebuah predikat.

d.

Fungsi Keanggotaan
Fungsi keanggotaan logika fuzzy digunakan untuk menghitung derajat
keanggotaan suatu himpunan fuzzy. Setiap istilah linguistik diasosiasikan dengan
fuzzy set, yang masing-masing memiliki fungsi keanggotaan yang telah
didefinisikan. Fungsi keanggotaan (membership function) adalah suatu kurva
yang menunjukan pemetaan titik input data ke dalam nilai keanggotaannya
(sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0
sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai
keanggotaan adalah dengan melalui pendekatan fungsi. Adalah fungsi
keanggotaan yang biasa digunakan dalam penalaran logika fuzzy, diantaranya :

Universitas Sumatera Utara

1) Representasi Linear
Pada representasi linear, pemetaan input ke derajat keanggotaannya
digambarkan sebagai sebuah garis lurus. Bentuk ini paling sederhana dan
menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas.
Ada dua keadaan himpunan fuzzy linear. Pertama, 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 yang disebut dengan representasi fungsi linear naik.
Representasi fungsi keanggotaan untuk linear naik adalah sebagai berikut :

Gambar 2.2 Grafik dan rumus representasi linear naik

Keterangan:
a = nilai domain yang mempunyai derajat keanggotaan nol
b = nilai domain yang mempunyai derajat keanggotaan satu
x = nilai input yang akan di ubah ke dalam bilangan fuzzy

Universitas Sumatera Utara

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.
Representasi fungsi keanggotaan untuk linear turun adalah sebagai berikut:

Gambar 2.3 Grafik dan rumus representasi linear turun

2) Representasi Kurva Segitiga

Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear).
Nilai-nilai disekitar b memiliki derajat keanggotaan turun cukup tajam
(menjauhi 1).

Gambar 2.4 Grafik dan rumus representasi kurva segitiga

Universitas Sumatera Utara

Keterangan:
a = nilai domain terkecil yang mempunyai derajat keanggotaan nol
b = nilai domain yang mempunyai derajat keanggotaan satu
c = nilai domain terbesar yang mempunyai derajat keanggotaan nol

3) Representasi Kurva Trapesium

Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada
beberapa titik yang memiliki nilai keanggotaan 1.

Gambar 2.5 Grafik dan rumus representasi kurva trapesium

Keterangan:
a = nilai domain terkecil yang mempunyai derajat keanggotaan nol
b = nilai domain terkecil yang mempunyai derajat keanggotaan satu
c = nilai domain terbesar yang mempunyai derajat keanggotaan satu
d = nilai domain terbesar yang mempunyai derajat keanggotaan nol
x = nilai input yang akan di ubah ke dalam bilangan fuzzy.

Universitas Sumatera Utara

10

4) Representasi Kurva Bentuk Bahu

Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan
dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik turun. Tetapi
terkadang salah satu sisi dari variabel tersebut tidak mengalami perubahan.
Himpunan fuzzy bahu, bukan segitiga, digunakan untuk mengakhiri variabel
suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian juga
bahu kanan bergerak dari salah ke benar.

Gambar 2.6 Grafik dan rumus representasi kurva bentuk bahu

Universitas Sumatera Utara

11

e.

Rule dan Implikasi.

Implikasi merupakan cara untuk menyatakan rule. Misalkan diberikan komposisi
rule A dan rule B, maka Implikasi dinyatakan dalam :
IF A THEN B.......(2)

Keterangan :
A disebut antesenden.
B disebut konsekuen.
Implikasi ini digunakan untuk menentukan nilai linguistik dan nilai kuantitatif
dari B jika diberikan A. Bisa digunakan berbagai macam teknik, tapi untuk
metode Mamdani, yang digunakan adalah metode min (sama seperti AND).
Proses mekanisme dari logika fuzzy dapat dilihat pada gambar 2.

Gambar 2.7 Blok diagram logika fuzzy

2.1.2 Fuzzy Inference System

Fuzzy Inference System (FIS) merupakan sistem penarikan kesimpulan dari
sekumpulan kaidah fuzzy, dapat berupa input nilai eksak maupun rules dalam kaidah
fuzzy. Proses fuzzy inference dapat dibagi dalam lima bagian (A. Naba, 2009), yaitu :
Fuzzyfikasi Input : FIS mengambil masukan-masukan dan menentukan
derajat keanggotaannya dalam semua fuzzy set.
Operasi logika fuzzy : Hasil akhir dari operasi ini adalah derajat kebenaran
antecedent yang berupa bilangan tunggal.
Implikasi : Merupakan proses mendapatkan consequent atau keluaran

Universitas Sumatera Utara

12

sebuah IF THEN rule berdasarkan derajat kebenaran antacedent. Proses

ini menggunakan mengambil nilai MIN/terkecil dari dua bilangan : Hasil
operasi fuzzy logic OR dan fuzzy set banyak.
Agregasi :Yaitu proses mengkombinasikan keluaran semua IF-THEN rule
menjadi sebuah fuzzy set tunggal. Pada dasarnya agregasi adalah operasi
fuzzy logic OR dengan masukannya adalah semua fuzzy set.
Defuzzyfikasi : Keluaran dari defuzzyfikasi adalah sebuah bilangan tunggal,
cara mendapatkannya ada beberapa versi, yaitu centroid, bisector, middle
of maximum, largest of maximum dan smallest of maximum.

2.1.3 Adaptive Neuro-Fuzzy Inference System

Adaptive Neuro-Fuzzy Inference System (ANFIS) adalah penggabungan mekanisme
fuzzy inference sistem yang digambarkan dalam arsitektur jaringan syaraf. Sistem
inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy model Tagaki-SugenoKang (TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan
komputasi. Contoh ilustrasi mekanisme inferensi fuzzy TSK orde satu dengan dua
masukan x dan y. Basis aturan dengan dua aturan fuzzy if-then seperti dibawah ini :
Rule 1 : if x is A1 and y is B1 then f1 = p1x + q1y + r1
premis

consequent

Rule 2 : if x is A2 and y is B2 then f2 = p2x + q2y + r2.........(3)

premis

consequent

Input : x dan y.
Consequent-nya adalah f.

Universitas Sumatera Utara

13

Gambar 2.8 Sistem inferensi fuzzy TSK dua masukan dengan dua aturan
Berdasarkan gambar 2 tiap-tiap input tersebut dibagi jadi 2 fungsi keanggotaan, x
dibagi dalam A1 dan A2 anggap misalnya A1 menyatakan small dan A2 menyatakan
big. Begitu juga y dibagi dalam fungsi keanggotaan B1 yang menyatakan small dan
B2 yang menyatakan big. Dari pemetaan tersebut x dan y sudah jadi variabel fuzzy
yang masing-masing punya nilai m small dan big tertentu. x mempunyai nilai mA1
dan mA2 sedangkan y punya nilai mB1 dan mB2. Nilai masing-masing pasangan
input tersebut lalu diagregasi dengan operasi T-norm, misalnya operasi ini adalah
operasi AND. Jadi w1 = (mA1 AND mA2) sedangkan w2 = (mB1 AND mB2).
Berdasarkan aturan yang telah ada, didapatkan :
if w = w1 then f1 = p1x + q1y + r1
if w = w2 then f2 = p2x + q2y + r2..........(4)
Telah didapatkan hasil dari f1 dan f2. Ini merupakan nilai output sinyal kontrol, yaitu
tegangan. Terjadi pemindahan dari domain input x dan y (kecepatan) ke domain
output f (tegangan). Tetapi itu adalah nilai p1, q1, r1, p2, q2, dan r2 dimana itu
merupakan nama parameter konsekuen yang ditentukan dengan nilai awal tertentu dan
akan berubah dengan pembelajaran (algoritma belajar). Selanjutnya diperlukan satu

Universitas Sumatera Utara

14

nilai dari tegangan sebagai sinyal kontrol dari nilai f1 dan f2. Nilai akhir tersebut
dapat dihitung dengan persamaan:

..........(5)
Ini namanya defuzzyfikasi. Rumus tersebut sebenarnya diperoleh dari salah satu
metode defuzzyfikasi yaitu metode rata-rata tengah (Adi, Anton. 2000).
Dalam membangun sebuah sistem fuzzy dikenal beberapa metode penalaran,

antara

lain :
a. Metode Tsukamoto
Pada aplikasi simulasi lampu lalu lintas ini akan digunakan 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 dengan tegas (crisp) berdasarkan -predikat (fire strength). Hasil
akhirnya diperoleh dengan menggunakan rata-rata terbobot. Misalnya ada 2
variabel input, var-1(x) dan var-2(y) serta 1 variabel output var-3(z), dimana var-1
terbagi atas 2 himpunan yaitu A1 dan A2 dan var-2 terbagi atas himpunan B1 dan
B2. Sedangkan var-3 juga terbagi atas 2 himpunan yaitu C1 dan C2 (Kusumadewi,
2003).
Ada dua aturan yang digunakan yaitu:
[R1] IF (x is A1) and (y is B2) THEN (z is C1)
[R2] IF (x is A2) and (y is B1) THEN (z is C2).........(6)
Pada metode penarikan kesimpulan samar Tsukamoto, setiap konsekuen pada
aturan yang berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan
samar dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil
penarikan kesimpulan (inference) dari tiap-tiap aturan diberikan secara tegas
(crisp) berdasarkan-predikat (fire strength). Hasil akhir diperoleh dengan
menggunakan rata-rata berbobot (weight average) (Haryo, Endi .2013).

Universitas Sumatera Utara

15

b. Metode Mamdani
Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Metode ini
diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan
output, diperlukan 4 tahapan:

Pembentukan himpunan fuzzy. Pada proses fuzzifikasi langkah pertama

adalah menentukan variable fuzzy dan himpunan fuzzinya. Kemudian
tentukan derajat kesepadanan (degree of match) antara data masukan fuzzy
dengan himpunan fuzzy yang didefenisikan untuk setiap variabel masukan
sistem dari setiap aturan fuzzy. Pada metode mamdani, baik variabel input
maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy.

Aplikasi fungsi implikasi pada metode mamdani. Fungsi implikasi yang

digunakan adalah min. Lakukan implikasi fuzzy berdasar pada kuat
penyulutan dan himpunan fuzzy terdefinisi untuk setiap variabel keluaran
di dalam bagian konsekuensi dari setiap aturan. Hasil implikasi fuzzy dari
setiap aturan ini kemudian digabungkan untuk menghasilkan keluaran
infrensi fuzzy (Kusumadewi, 2003).

Komposisi Aturan. Tidak seperti penalaran monoton, apabila sistem terdiri

dari beberapa aturan, maka infrensi diperoleh dari kumpulan dan korelasi
antar aturan. Ada 3 metode yang digunakan dalam melakukan inferensi
sistem fuzzy, yaitu: max, additive dan probabilistik OR.

Penegasan (defuzzy). Input dari proses defuzzifikasi adalah suatu himpunan

fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output
yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy
tersebut.

c. Metode Sugeno
Logika fuzzy yang pertama kali diperkenalkan oleh Lotfi A. Zadeh, memiliki
derajat keanggotaan dalam rentang 0 (nol) hingga 1 (satu), berbeda dengan logika
digital yang hanya memiliki dua nilai yaitu 1 (satu) atau 0 (nol). Fuzzy Model
Sugeno merupakan varian dari model Mamdani dan memiliki bentuk aturan
seperti :

Universitas Sumatera Utara

16

IF x1 is A1 AND.. xn is An THEN y=f(x1,x2,..xn).......(7)

Dimana x merupakan parameter input, A merupakan nilai dari parameter, f merupakan
sembarang fungsi dari variabel-variabel masukan yang nilainya berada dalam interval
variabel keluaran (Purba, Kristo DKK. 2013).

2.2 Lalu Lintas

Lalu lintas adalah kegiatan gerak atau pindah kendaraan atau orang di jalan dari suatu
tempat ke tempat lain dengan menggunakan alat gerak. Lalu lintas memegang peranan
yang penting dalam stabilitas sosial, pembangunan, dan peningkatan kehidupan
masyarakat. Salah satu faktor yang menyebabkan terhambatnya jalan transportasi
adalah kemacetan lalu lintas. Kemacetan lalu lintas menimbulkan berbagai dampak
buruk, di antaranya terbuangnya waktu dan tenaga pengguna jalan raya, borosnya
konsumsi bahan bakar, timbulnya polusi udara, dan sebagainya.

2.2.1 Persoalan Lalu Lintas

Persoalan lalu lintas timbul karena volume kendaraan lalu lintas mendekati kapasitas
jaringan jalan sebagai akibat ketidakseimbangan antara kesediaan berupa kapasitas
jaringan jalan dengan permintaan, yakni volume lalu lintas manusia dan kendaraan.
Persoalannya adalah kemacetan lalu lintas dan kesemrawutan lalu lintas, ketegangan
psikis pengguna jalan, kecelakaan lalu lintas, dan lain-lain.

2.2.2 Rekayasa Lalu-Lintas

Upaya pengaturan lalu lintas tidak cukup hanya diatur melalui peraturan perundangundangan, tetapi perlu diimbangi dengan upaya di bidang kerekayasaan guna
mendukung upaya hukum. Lalu lintas telah berkembang dengan sangat pesat sejalan
dengan perkembangan otomotif. Kemampuan olah gerak kendaraan semakin tinggi,
terutama kecepatan kendaraan, daya jelajah, dan daya angkutnya. Oleh karena itu,
dituntut pula pengembangan rekayasa jaringan jalan misalnya sistem persimpangan

Universitas Sumatera Utara

17

dengan sistem simpang susun. Perencanaan sirkulasi lalu lintas, sistem angkutan
masal, sistem perparkiran merupakan sisi lain dari rekayasa lalu lintas.
Dalam rangka pelaksanaan pengelolaan lalu lintas di jalan, dilakukan rekayasa lalu
lintas [PP No.43 Th.1993] yang meliputi :
a. Perencanaan, pembangunan dan pemeliharaan jalan.
b. Perencanaan, pengadaan, pemasangan dan pemeliharaan rambu-rambu, marka
jalan, alat pemberi isyarat lalu lintas, serta alat pengendali dan pemakai jalan.

Perencanaan di atas meliputi perencanaan kebutuhan, pengadaan dan pemasaran,

pemeliharaan

serta

penyusunan

program

pelaksanaannya.

Pemasangan

dan

penghapusan setiap rambu-rambu lalu lintas, alat pemberi isyarat lalu lintas, serta alat
pengendali, marka jalan dan alat pengamanan pemakai jalan harus didukung oleh
sistem informasi yang diperlukan. Jalan direncanakan dan dirancang sedemikian rupa
sehingga ada hirarki yang membentuk sistem pelayanan yang tak terpisahkan dengan
pola tata ruang kegiatan. Watak jalan yang mampu berperan sebagai pemicu dan
pemacu pembangunan adalah fakta yang nyata. Ruas jalan yang dibangun sebagai
penghubung antara satu kawasan dengan kawasan yang lain, dengan serta merta
mengubah nilai lahan pada jalur yang bersangkutan sebagai akibat dari akses yang
meningkat. Akibatnya, tak terelakkan lagi, kegiatan di sepanjang jalan tersebut
berkembang.
Menurut Guide to Traffic Engineering Practice Part I, Austroads 1988 kinerja
arus lalu lintas dan kapasitas jalan dipengaruhi oleh kondisi fisik jaringan jalan, yaitu :
a. Lebar jalur jalan;
b. Rancang geometric jalan;
c. Kondisi dan jenis perkerasan jalan;
d. Lebar dan banyaknya jalur;
e. Gradient;
f. Jarak pandang;
g. Frekuensi dan bentuk persimpangan;
h. Kelengkapan jalan;
i. Hamparan dan daya tarik lintas;

Universitas Sumatera Utara

18

Apabila persyaratan teknis semua elemen tersebut di atas terpenuhi, baik kualitas
maupun kuantitas, maka kelancaran arus lalu lintas dapat terjamin. Guna
memperlancar arus lalu lintas kendaraaan, jalur jalan dapat ditetapkan menjadi jalur
searah atau jalur dua arah yang masing-masing dapat dibagi dalam beberapa jalur
sesuai dengan lebar badan jalan. Jalur adalah bagian jalan yang dipergunakan untuk
lalu lintas sedangkan lajur adalah bagian jalur yang memanjang, dengan atau tanpa
marka jalan, yang memiliki lebar cukup untuk laju satu kendaraan bermotor, selain
sepeda motor. Membangun median jalan untuk membuat satu jalur jalan menjadi dua
jalur yang berbeda arah dan tiap jalur terdiri atas beberapa lajur adalah upaya untuk
memperlancar arus lalu lintas.
Persimpangan jalan adalah sumber konflik lalu lintas. Satu perempatan jalan
sebidang menghasilkan 16 titik konflik. Oleh karena itu, upaya memperlancar arus
lalu lintas adalah dengan meniadakan titik konflik ini, misalnya dengan membangun
pulau lalu lintas atau bundaran, memasang lampu lalu lintas yang mengatur giliran
gerak kendaraan, menerapkan arus searah, menerapkan larangan belok kanan, maka
titik konflik tinggal 4 buah, dan dengan simpang susun titik konflik secara teori
ditiadakan (Triana, Anggi. 2009).
2.2.3 Rambu Lalu Lintas

Rambu lalu lintas adalah salah satu dari perlengkapan jalan yang berupa lambang,
huruf, angka, kalimat, dan atau perpaduan sebagai peringatan, larangan, perintah atau
petunjuk bagi pemakai jalan. Rambu lalu lintas mengandung berbagai fungsi yang
masing-masing memiliki konsekuensi hukum. Adapun jenis-jenis rambu lalu lintas
adalah rambu peringatan, rambu larangan, rambu perintah, rambu petunjuk, rambu
tambahan, dan rambu sementara. Salah satu rambu lalu lintas adalah lampu lalu lintas.
Alat pemberi isyarat lalu lintas berfungsi untuk mengatur lalu lintas kendaraan atau
para pejalan kaki.
Alat ini terdiri dari :
a. Lampu tiga warna

Universitas Sumatera Utara

19

Banyaknya lampu dan penempatannya yang dibuat sedemikian rupa pada

setiap jalur persimpangan lalu lintas bertujuan untuk memudahkan para
pengguna jalan dalam mematuhi dan mengikuti pengaturan lalu lintas. Lampu
tiga warna ini diperuntukkan untuk mengatur kendaraan.
b. Lampu dua warna
Lampu dua warna tepat dipasang di samping lampu tiga warna bertujuan untuk
mengatur waktu bagi pejalan kaki untukmenyebrang. Sehingga tidak sampai
menimbulkan kecelakaan lalu lintas.
c. Lampu satu warna
Pada beberapa tempat yang dianggap penting, dapat dipasangi lampu warna
kuning yang terus-menerus berkedip, dengan tujuan memberi isyarat kepada
pengguna jalan untuk tetap berhati-hati.
Lampu isyarat sebagian melekat pada kendaraan, sebagian lagi menjadi
perlengkapan jalan (lampu kedip). Lampu isyarat yang melekat pada
kendaraan seperti: lampu rem, lampu sen, lampu dim. Lampu isyarat ini
menjadi persyaratan teknis minimal pada setiap kendaraan yang dinyatakan
layak jalan. Lampu isyarat yang menjadi perlengkapan jalan, seperti: lampu
kedip berwarna kuning atau merah, cahaya berwarna kuning atau merah yang
bersumber dari lempeng pantul.

2.3 Penelitian Terdahulu

Penelitian yang pernah dilakukan adalah rancang bangun simulator kendali lampu lalu
lintas dengan menggunakan fuzzy oleh Rahmat Taufik 2008. Penelitian ini
menggunakan mikrokontroller dalam pengaplikasiannya. Penelitian lainnya adalah
aplikasi fuzzy inference sistem dengan menggunakan metode tsukamoto pada simulasi
traffic light menggunakan java oleh rakhmat wahyu 2009. Pada penelitian ini input
pada sistem adalah jumlah kendaraan yang lewat pada setiap simpang dan lebar jalan
pada tiap tiap simpang. Sedangkan outputnya adalah durasi lampu lalu lintas.

Universitas Sumatera Utara