FUZZY LOGIC SISTEM 
Fuzzy Logic System relatif banyak digunakan dalam prediksi usaha. Untuk saat ini hanya beberapa publikasi yang telah menunjukkan untuk pemanfaatan logika fuzzy. Sebuah sistem fuzzy melibatkan pemetaan angka antara 0 dan 1 ke variabel masukan untuk menunjukkan nilai kebenaran, 1 mewakili kebenaran mutlak. Misalnya kita bisa mengatakan  Program Y kecil dan menetapkan nilai kebenaran di atas:
Kecil ke tingkat 0,7
Sebuah sistem berbasis aturan fuzzy kemudian dapat dibangun, berdasarkan variabel kebenaran di atas:
Jika Program Y kecil (0,7) MAKA upaya pengembangan = waktu yang singkat (0.8)
Aturan kabur di atas menunjukkan bahwa jika nilai kebenaran lebih besar dari 0,7 maka aturan akan 'api' dan menghasilkan waktu pengembangan yang singkat, dengan kepercayaan 0,8.
Untuk membuat prediksi yang lebih akurat aturan fuzzy banyak diperlukan. Hal ini juga memungkinkan untuk mengklasifikasikan tingkat logika bernilai lebih erat dengan dataset. Sebagai contoh, jika kita tahu bahwa pembangunan akan berada di wilayah 10000 LOC maka tingkat logika memiliki harga seperti berikut ini:
cukup besar besar sangat besar Contoh dari sistem logika fuzzy disajikan oleh. [GRAY et al.] Dalam contoh ini nilai-nilai kebenaran yang disediakan untuk ukuran data model (30), jumlah layar (26) dan proses ukuran model (74). Ini nilai yang diplot pada fungsi masing-masing di bawah ini:

 
Gambar 4 Sistem Aturan Fuzzy Berbasis 



 
Dalam contoh 3 tingkat logika dihargai telah digunakan kecil, menengah, besar.
Model data fungsi ukuran menunjukkan persimpangan antara menengah dan besar, sehingga nilai kebenaran untuk kedua tingkat logika adalah untuk tingkat 0,5.
Jumlah fungsi layar menunjukkan persimpangan antara kecil dan menengah, sehingga nilai kebenaran untuk kedua tingkat logika adalah untuk tingkat 0,5.
Fungsi terakhir, proses ukuran model hanya memotong dalam bagian kecil dan diberi nilai kebenaran dari 0,8.
Nilai kebenaran dari setiap fungsi kemudian digunakan dalam pembuatan basis aturan fuzzy. Tingkat keanggotaan dalam kategori masing-masing (kecil, menengah, besar) menentukan berapa banyak berat badan untuk memberikan aturan fuzzy. Konsekuensi dari setiap aturan yang kemudian digabungkan dan menghasilkan nilai output tunggal diindikasikan sebagai 254 pada contoh (perhatikan semua aturan tidak ditampilkan dalam contoh ini).
Penilaian sistem fuzzy
Hal ini dimungkinkan untuk estimator terlatih untuk menciptakan model-model intuitif sebagai pemetaan dari nilai-nilai kebenaran relatif mudah. Namun, sistem fuzzy menderita gejala mirip dengan metode aturan dasar mesin belajar. Sulit untuk mengumpulkan data pada beberapa fungsi. Kelemahan lain yang diidentifikasi dalam paper [GRAY] menunjukkan bahwa dengan mengelompokkan tingkat logika bernilai yang dapat membuat sistem yang lebih akurat, membuat lebih sulit untuk mempertahankan tingkat kebermaknaan karena lebih sulit untuk membedakan antara beberapa tingkat logika dihargai (misalnya cukup besar - besar). 
Penggunaan lain konsep fuzzy adalah untuk menggabungkan mereka ke teknologi jaringan saraf untuk mengembangkan hybrid saraf-fuzzy sistem. http://www.ecfc.u-net.com/cost/fuzzy.htm