DASAR FUZZY Logika Fuzzy Suatu metode untuk memetakan
- Slides: 48
DASAR FUZZY
Logika Fuzzy • Suatu metode untuk memetakan suatu masukan ke dalam suatu derajat keanggotaan kelompok keluaran • Logika Fuzzy adalah peningkatan dari logika boolean / logika klasik (yang menyatakan derajat keanggotaan dalam 0 atau 1) • Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1.
Aplikasi • Pada tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang (Matsushita Electric Industrial Company). Sistem fuzzy digunakan untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci. • Input yang digunakan adalah: seberapa kotor, jenis kotoran, dan banyaknya yang dicuci. Mesin ini menggunakan sensor optik , mengeluarkan cahaya ke air dan mengukur bagaimana cahaya tersebut sampai ke ujung lainnya. Makin kotor, maka sinar yang sampai makin redup. Disamping itu, sistem juga dapat menentukan jenis kotoran (daki atau minyak).
Fungsi Keanggotaan Fuzzy lainnya
OPERASI LOGIKA PADA FUZZY • Operator “AND” • Operator “OR” • Operator “NOT”
Operator “AND”
Operator “OR”
Operator “NOT”
Contoh Inferensi Fuzzy • Contoh 1 : (1 aturan, 1 syarat) • Contoh 2 : (1 aturan, 2 syarat) • Contoh 3 : (4 aturan @ 2 syarat)
Contoh 1 (1 Rules, 1 syarat) • Kasus pengereman otomatis • Fuzzy Rules : Jika Jarak Dekat maka Rem Penuh • Didefinisikan : – MF Jarak Dekat : trapezodial (-2, -1, 4, 12) – Rem Penuh : 100 % • Berapakah besar pengereman jika jarak = 6 m ?
Jawab Contoh 1 : • Mencari derajat keanggotaan dekat : • Tingkat pengereman :
Contoh 2 : (1 Rules, 2 syarat) • Kasus pengereman otomatis • Fuzzy Rules : Jika Kecepatan Tinggi dan Jarak Dekat maka Rem Penuh • Didefinisikan : – MF Jarak Dekat : trapezodial (-2, -1, 4, 12) – MF Kecepatan Tinggi : trapezoidal (40, 80, 110, 120) – Operator “DAN” yang digunakan : operator MINIMUM – Rem Penuh : 100 % • Berapakah besar pengereman jika jarak = 6 m dan kecepatan 60 km/jam ?
Jawab Contoh 2 : • Mencari derajat keanggotaan jarak dekat : • Mencari derajat keanggotaan kecepatan tinggi : • Tingkat pengereman :
Contoh 3 : (4 Rules, 2 syarat) • Fuzzy Rules : – – Jika Kecepatan Tinggi dan Jarak Dekat maka Rem Penuh Jika Kecepatan Tinggi dan Jarak Jauh maka Rem Sedang Jika Kecepatan Rendah dan Jarak Dekat maka Rem Sedang Jika Kecepatan Rendah dan Jarak Jauh maka Rem Sedikit
FIS Sugeno • MF Kecepatan Tinggi : trapezoidal (40, 80, 110, 120) • MF Kecepatan Rendah : trapezoidal(-2, -1, 20, 60) • MF Jarak Jauh : trapezoidal (8, 16, 21, 22) • MF Jarak Dekat : trapezodial (-2, -1, 4, 12) • MF Rem Penuh : 100 % • MF Rem Sedang : 50 % • MF Rem Sedikit : 20 %
Defuzzification Sugeno :
Defuzzification Mamdani
Fuzzy Inference System • Steps in FIS : – Fuzzification – Fuzzy Logic Inference – Defuzzification
FIS Mamdani
FIS Sugeno
Proses pengereman otomatis • Fuzzy Rules : – – Jika Kecepatan Tinggi dan Jarak Dekat maka Rem Penuh Jika Kecepatan Tinggi dan Jarak Jauh maka Rem Sedang Jika Kecepatan Rendah dan Jarak Dekat maka Rem Sedang Jika Kecepatan Rendah dan Jarak Jauh maka Rem Sedikit
FIS Sugeno • MF Kecepatan Tinggi : trapezoidal (40, 80, 110, 120) • MF Kecepatan Rendah : trapezoidal(-2, -1, 20, 60) • MF Jarak Jauh : trapezoidal (8, 16, 21, 22) • MF Jarak Dekat : trapezodial (-2, -1, 4, 12) • MF Rem Penuh : 100 % • MF Rem Sedang : 50 % • MF Rem Sedikit : 20 %
FIS Mamdani • MF Kecepatan Rendah : trapezoidal (-2, -1, 20, 60) • MF Kecepatan Tinggi : trapezoidal (40, 80, 110, 120) • MF Jarak Jauh : trapezoidal (8, 16, 21, 22) • MF Jarak Dekat : trapezodial (-2, -1, 4, 12) • MF Rem Penuh : triangle (80, 90, 100) • MF Rem Sedang : triangle (40, 50, 60) • MF Rem Sedikit : triangle (10, 20, 30)
Hasil Agregasi • Centroid Area :
Perbandingan dgn simulasi MATLAB
Toolbox Fuzzy pada MATLAB • FIS Editor
Edit nama untuk setiap kotak
Klik 2 x pada kotak input • Akan muncul Membership Function Editor
Edit Name, Range, Type, Param • Input : Kecepatan
• Input : Jarak
• Output : Rem
Masuk ke Rule Editor • Klik dua kali pada kotak putih di FIS Editor
Membuat Rule
Masuk pada Rule Viewer
Simulasi input output Fuzzy Keluaran Masukan
- Contoh perhitungan fuzzy mamdani
- Pengertian pemasaran online
- Sebutkan komponen algoritma
- Media pembelajaran transformasi translasi atau pergeseran
- Image sets
- Contoh himpunan fuzzy
- Contoh penerapan logika fuzzy
- Contoh kasus logika fuzzy
- Sugeno
- Logika naturalis dan logika artifisialis
- Suatu metode yang digunakan untuk
- Set theory in computer science
- Kd logika matematika
- Contoh soal gerbang logika dasar
- Negasi adalah
- Perintah soal pg
- Buatlah model neuron mcp untuk menyatakan fungsi logika or
- Dasar-dasar analisis fonem
- Konsep dasar konseling
- Software engineering concepts
- Pertanyaan tentang korespondensi bisnis
- Ethical design meaning
- Contoh peta minda komputer
- Dasar dasar pengambilan keputusan menurut george r terry
- Dasar dasar pengorganisasian
- Praktikum pengukuran dan ketidakpastian
- Dasar dasar kuliner
- Dasar dasar prosedur pembukuan
- Dasar dasar pengujian perangkat lunak
- Dasar dasar korespondensi bisnis
- 5 dasar pelaksanaan kokurikulum
- Prosedur pembukuan
- Dasar dasar pemrosesan komputer
- Konsep dasar advokasi kesehatan
- Dasar-dasar dan perlakuan adil di tempat kerja
- Dasar dasar pembentukan kelompok sosial
- Dasar dasar penelitian sejarah
- Konsep dasar unit pemrosesan dan dasar datapath
- Datapath adalah
- Materi dasar-dasar agronomi ipb
- Operasi dasar suatu cpu adalah
- Dasar dasar manajemen
- Modul plc omron
- Dasar dasar manajemen
- Memahami pengetahuan dasar konsep desain jaringan
- Dasar-dasar komunikasi dalam pembelajaran
- Dasar filsafat metode pendidikan kepanduan
- Folding adalah
- Penyajian fakta