Beruflich Dokumente
Kultur Dokumente
Outline
Fuzzy Logic
-
1.
2.
3.
4.
5.
Referensi :
-
Sutojo, T., Mulyanto, E., & Suhartono, V. (2011). Kecerdasan Buatan . Yogyakarta :
C.V.Andi Offset.
Logika Fuzzy
1, x anggota A
0, x bukan anggota A
Contoh :
05-Jun-14
Contoh
Contoh
Himpunan Fuzzy
Himpunan Fuzzy
05-Jun-14
Outline
1.
2.
3.
4.
5.
Fuzzy System
Fuzzifikasi
Masukan yang nilainya tegas (hanya 1 dan 0 atau
true dan false) dikonversi ke bentuk fuzzy, yang
berupa nilai linguistik dengan derajat
keanggotaan tertentu. Konversi ini dilakukan
dengan membuat fungsi keanggotaan.
Variabel lingustik adalah suatu interval numerik
dan mempunyai nilai linguistik, contoh : Suhu
adalah variabel linguistik, dengan nilai
linguistiknya adalah panas, sedang, dingin, yang
derajat keanggotaannya bisa ditentukan melalui
fungsi keanggotaan.
05-Jun-14
Fungsi Keanggotaan
suatu kurva yang menunjukkan pemetaan
titik-titik input data ke dalam nilai/derajat
keanggotaannya yang memiliki interval antara
0 sampai 1.
Fungsi Keanggotaan
Fungsi Sigmoid
Fungsi Sigmoid
Fungsi Phi
Fungsi Segitiga
Fungsi Trapesium
Fungsi Keanggotaan
Fungsi Phi
Fungsi Keanggotaan
Fungsi Segitiga
05-Jun-14
Fungsi Keanggotaan
Fungsi Keanggotaan
Fungsi Trapesium
Fungsi Keanggotaan
Fungsi Keanggotaan
05-Jun-14
Outline
1.
2.
3.
4.
5.
Inferensi
Inferensi adalah proses pengambilan
kesimpulan.
Harus ada rules / aturan, yang umumnya
dapat dituliskan sebagai berikut :
IF antecedent (kondisi) THEN consequent
(kesimpulan)
Model Mamdani
IF x is A AND y is B THEN z is C (sama dengan
Tsukamoto)
Defuzzifikasi menggunakan centroid
Outline
1.
2.
3.
4.
5.
Model Sugeno
IF x is A AND y is B THEN z= f(x,y)
05-Jun-14
Deffuzzification
Defuzzification
Centroid Method
Height Method
First (or Last) Method
Mean-Max Method
Weighted Average
Defuzzification
Height Method
Prinsip keanggotaan maksimum
Metode ini memilih nilai crisp yang memiliki
derajat keanggotaan maksimum.
Hanya bisa dipakai untuk fungsi keanggotaan yang
memiliki derajat keanggotaan 1 pada suatu nilai
crisp tunggal dan 0 pada semua nilai crisp yang
lain.
Defuzzification
First (or Last) of Maxima
Merupakan generalisasi dari height method
Untuk kasus dimana fungsi keanggotaan output
memiliki lebih dari satu nilai maksimum.
Nilai crisp yang dihasilkan adalah dari maksimum
pertama atau maksimum terakhir (tergantung
aplikasi)
05-Jun-14
Defuzzification
Defuzzification
Weighted Average
Metode ini mengambil rata-rata dengan
menggunakan pembobotan berupa derajat
keanggotaan.
y didefinisikan sebagai:
( y) y
y
( y)
Outline
1.
2.
3.
4.
5.
05-Jun-14
FUZZIFIKASI
FUZZIFIKASI
Gaji Ortu (Kecil, Sedang, Besar, Sangat Besar)
BURUK
BAGUS
2.75
3.25
, uBAGUS[3] = 0.5
FUZZIFIKASI
Sedang
Kecil
Besar
Sangat Besar
12
Dalam juta rp
Rendah
50
Tinggi
80
100
KECIL
SEDANG
BESAR
SANGAT BESAR
BURUK
RENDAH
RENDAH
RENDAH
RENDAH
CUKUP
TINGGI
RENDAH
RENDAH
RENDAH
BAGUS
TINGGI
TINGGI
TINGGI
RENDAH
IF IPK CUKUP (0.5) AND GAJI ORTU BESAR (0.4) THEN NILAI KELAYAKAN
RENDAH (0.4), a(alpha predikat)1 = 0.4
IF IPK CUKUP (0.5) AND GAJI ORTU SANGAT BESAR (0.6)THEN NILAI
KELAYAKAN RENDAH (0.5), a2 = 0.5
IF IPK BAGUS (0.5) AND GAJI ORTU BESAR (0.4) THEN NILAI KELAYAKAN TINGGI
(0.4), a3 = 0.4
IF IPK BAGUS (0.5) AND GAJI ORTU SANGAT BESAR (0.6) THEN NILAI
KELAYAKAN RENDAH (0.5), a4 = 0.5
05-Jun-14
DEFUZZIFIKASI (MODEL
TSUKAMOTO)
1
Rendah
50
Tinggi
80
KECIL
SEDANG
BESAR
SANGAT BESAR
BURUK
RENDAH
RENDAH
RENDAH
RENDAH
CUKUP
TINGGI
RENDAH
RENDAH
RENDAH
BAGUS
TINGGI
TINGGI
TINGGI
RENDAH
IF IPK CUKUP (0.5) AND GAJI ORTU BESAR (0.4) THEN NILAI KELAYAKAN
RENDAH (0.4)
IF IPK CUKUP (0.5) AND GAJI ORTU SANGAT BESAR (0.6)THEN NILAI
KELAYAKAN RENDAH (0.5)
IF IPK BAGUS (0.5) AND GAJI ORTU BESAR (0.4) THEN NILAI KELAYAKAN TINGGI
(0.4)
IF IPK BAGUS (0.5) AND GAJI ORTU SANGAT BESAR (0.6) THEN NILAI
KELAYAKAN RENDAH (0.5)
100
NK = TINGGI (0.4)
NK = RENDAH (0.4) V RENDAH (0.5) V RENDAH (0.5) = MAX(0.4:0.5:0.5) =
RENDAH (0.5)
Rendah (0.5)
1
0.5
1
0
50
80
100
Rendah
Tinggi
0.5
0.4
Tinggi (0.4)
50
80
100
0.4
50
80
100
10
05-Jun-14
Rendah
Tinggi
0.5
0.4
10 20 30 40 50
80 85 90 95 100
KECIL
SEDANG
BESAR
SANGAT BESAR
BURUK
50
50
50
50
CUKUP
80
50
50
50
BAGUS
80
80
80
50
IF IPK CUKUP (0.5) AND GAJI ORTU BESAR (0.4) THEN NILAI KELAYAKAN=50, a1
= 0.4
IF IPK CUKUP (0.5) AND GAJI ORTU SANGAT BESAR (0.6)THEN NILAI
KELAYAKAN=50, a2 = 0.5
IF IPK BAGUS (0.5) AND GAJI ORTU BESAR (0.4) THEN NILAI KELAYAKAN=80, a3
= 0.4
IF IPK BAGUS (0.5) AND GAJI ORTU SANGAT BESAR (0.6) THEN NILAI
KELAYAKAN=50, a4 = 0.5
= 56.7
11
05-Jun-14
Contoh Kasus 2
Contoh Kasus 2
Proses fuzzification
Menggunakan fungsi keanggotaan Trapesium
dengan 5 variabel linguistik: Cold, Cool, Normal,
Warm, dan Hot.
Maka crisp input suhu 37 C dikonversi ke nilai
fuzzy dengan cara:
Suhu 37 C berada di nilai linguistik Warm dan Hot.
Semantik atau derajat keanggotaan untuk Warm
dihitung menggunakan rumus:
-(x-d)/(d-c), c < x < d, dimana c = 36 dan d = 39
Cold
Cool
Normal
Hot
Warm
2/3
1/
3
-10
Suhu (C)
0
12 15
24 27
36 39
50
Contoh Kasus 2
Menggunakan fungsi keanggotaan Trapesium
untuk Kelembapan Tanah.
Maka, crisp input Kelembapan 12% dikonversi
menjadi nilai fuzzy dengan cara:
Kelembapan 12% berada pada nilai linguistik Dry dan
Moist.
Semantik atau derajat keanggotaan Dry dihitung
dengan rumus:
-(x-d)/(d-c), c < x < d, dimana c = 10 dan d = 20
Contoh Kasus 2
Fungsi keanggotaan trapesium untuk
Kelembapan Tanah.
Dry
1
4/5
Moist
Wet
1/
5
Kelembapan (%)
0
10
20
40
50
70
12
05-Jun-14
Contoh Kasus 2
Contoh Kasus 2
Proses inferensi
Terdapat berbagai macam cara dalam
menentukan aturan fuzzy.
Misalkan, untuk Durasi Penyiraman kita
menggunakan fungsi keanggotaan Trapesium
dengan tiga nilai linguistik:
Short
Medium
Long
Contoh Kasus 2
Contoh Kasus 2
Short
Medium
20
28
Antecendent
2
(Kelembapan)
Long
40
48
90
Cold
Cool
Normal
Warm
Hot
Dry
Long
Long
Long
Long
Long
Moist
Long
Medium
Medium
Medium
Medium
Wet
Short
Short
Short
Short
Short
Durasi
(menit)
13
05-Jun-14
Contoh Kasus 2
Contoh Kasus 2
Proses inferensi menggunakan Model
Mamdani
1/
5
0 10
40
20
50
1/
5
0 10
20
(a) Clipping
Contoh Kasus 2
Dari 4 data fuzzy input, maka kita mendapatkan
empat aturan (dari 15 aturan):
IF Suhu is Warm AND Kelembapan is Dry THEN Durasi is Long
IF Suhu is Warm AND Kelembapan is Moist THEN Durasi is
Medium
IF Suhu is Hot AND Kelembapan is Dry THEN Durasi is Long
IF Suhu is Hot AND Kelembapan is Moist THEN Durasi is
Medium
40
50
(b) Scaling
Contoh Kasus 2
Misalkan, kita menggunakan inferensi
Clipping:
Gunakan aturan Conjunction (^) dengan memilih
derajat keanggotaan minimum. Sehingga diperoleh:
IF Suhu is Warm (2/3) AND Kelembapan is Dry (4/5) THEN Durasi is Long
(2/3)
IF Suhu is Warm (2/3) AND Kelembapan is Moist (1/5) THEN Durasi is
Medium (1/5)
IF Suhu is Hot (1/3) AND Kelembapan is Dry (4/5) THEN Durasi is Long
(1/3)
IF Suhu is Hot (1/3) AND Kelembapan is Moist (1/5) THEN Durasi is
Medium (1/5)
14
05-Jun-14
Contoh Kasus 2
Contoh Kasus 2
Short
Medium
1/
5
0
20
Contoh Kasus 2
Medium
Short
20
28
40
48
90
Long
2/3
48
Proses defuzzyfication
Short
40
28
Durasi
(menit)
Contoh Kasus 2
Long
90
Durasi
(menit)
Medium
Long
2/3
1/
5
0
20
28
40
48
90
Durasi
(menit)
15
05-Jun-14
Contoh Kasus 2
Contoh Kasus 2
Short
Medium
Long
Center of area
2/3
1/
5
0
20
28
40
48
90
Durasi
(menit)
60,97
4,33
4,33
Contoh Kasus 2
Jadi dengan menggunakan Model Mamdani,
untuk suhu udara 37C dan Kelembapan
Tanah 12%, maka sprinkle secara otomatis
akan menyiramkan air selama 60,97 menit.
16