I 1 FUZZY LOGIC 10282021 Keceradan Buatan Versi
I. 1 FUZZY LOGIC 10/28/2021 Keceradan Buatan Versi : 01 1
I. 2 • • OUTLINE Sistem Fuzzy Alasan menggunakan Sistem Fuzzy Logika Fuzzy Aplikasi Fuzzy Istilah Fuzzy Fungsi Keanggotaan Metode-Metode Fuzzy 10/28/2021 Keceradan Buatan Versi : 01 2
I. 3 SISTEM FUZZY • Sistem yang berdasarkan aturan-aturan (pengetahuan) • Dibangun oleh koleksi aturan: IF-THEN • Contoh: IF mesin panas THEN putar kipas lebih cepat, IF jarak mobil dekat THEN tekan rem kuat-kuat, IF permintaan naik THEN produksi barang bertambah 10/28/2021 Keceradan Buatan Versi : 01 3
I. 4 ALASAN MENGGUNAKAN SISTEM FUZZY • Konsep logika fuzzy mudah dimengerti. • Logika fuzzy sangat fleksibel. • Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat. • Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks. • Logika fuzzy dapat membangun bagian teratas dari pengalaman-pengalaman para pakar. • Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. • Logika fuzzy didasarkan pada bahasa alami. 10/28/2021 Keceradan Buatan Versi : 01 4
LOGIKA FUZZY I. 5 Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Ruang Input (semua total persediaan barang yang mungkin) persediaan barang akhir minggu Ruang Output (semua jumlah produksi barang yang mungkin) KOTAK HITAM produksi barang esok hari Pemetaan input-output pada masalah produksi “Diberikan data persediaan barang, berapa jumlah barang yang harus diproduksi? 10/28/2021 Keceradan Buatan Versi : 01 5
I. 6 APLIKASI FUZZY o Pada tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang (Matsushita Electric Industrial Company). o Transmisi otomatis pada mobil. o Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu. o Ilmu kedokteran dan biologi. o Manajemen dan pengambilan keputusan, seperti manajemen basisdata yang didasarkan pada logika fuzzy, tata letak pabrik yang didasarkan pada logika fuzzy, sistem pembuat keputusan di militer yang didasarkan pada logika fuzzy, pembuatan games yang didasarkan pada logika fuzzy, dll. 10/28/2021 Keceradan Buatan Versi : 01 6
I. 7 • • • ISTILAH FUZZY Semesta Pembicaraan Himpunan Crips Variabel Fuzzy Himpunan Fuzzy Domain Himpunan Fuzzy Tinggi Himpunan Fuzzy 10/28/2021 Keceradan Buatan Versi : 01 7
I. 8 ISTILAH-ISTILAH FUZZY • Semesta Pembicaraan (Universe Of Discourse) : Keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan : himpunan bilangan real yang senantiasa naik secara monoton dari kiri ke kanan. • Himpunan Crips : Hanya ada 2 nilai keanggotaan, yaitu 1 (anggota) atau 0 (bukan anggota) • Variabel Fuzzy : variabel-variabel yang akan dibicarakan dalam suatu sistem fuzzy. Contoh : Temperatur, Umur, Tinggi Badan, dll. 10/28/2021 Keceradan Buatan Versi : 01 8
I. 9 ISTILAH-ISTILAH FUZZY • Himpunan Fuzzy : himpunan-himpunan yang akan dibicarakan pada suatu variabel dalam sistem fuzzy. Contoh: Temperatur : DINGIN, SEJUK, HANGAT, PANAS ; Umur : MUDA, PAROBAYA, TUA ; Tinggi Badan : RENDAH, TINGGI. • Domain Himpunan Fuzzy : Adalah keseluruhan nilai yang ada dalam semesta pembicaraan. • Domain himpunan bilangan real yang naik (bertambah) secara monoton dari kiri ke kanan. • Tinggi Himpunan Fuzzy : Adalah derajat keanggotaan maksimumnya dan terikat pada konsep normalisasi. 10/28/2021 Keceradan Buatan Versi : 01 9
I. 10 ISTILAH-ISTILAH FUZZY • Support set merupakan himpunan yang memiliki derajat keanggotaan lebih dari nol. Domain untuk BERAT adalah 40 kg hingga 60 kg, namun kurva yang ada dimulai dari 42 hingga 55 kg • -Cut Set adalah Himpunan ini berisi semua nilai domain yang merupakan bagian dari himpunan fuzzy dengan nilai keanggotaan lebih besar atau sama dengan . 10/28/2021 Keceradan Buatan Versi : 01 10
I. 11 PERBEDAAN HIMPUNAN CRISP & FUZZY Misalkan diketahui klasifikasi sebagai berikut: MUDA umur < 35 tahun SETENGAH BAYA 35 ≤ umur ≥ 55 tahun TUA umur > 55 tahun 10/28/2021 Keceradan Buatan Versi : 01 11
I. 12 PERBEDAAN HIMPUNAN CRISP & FUZZY Himpunan Crisp SETENGAH BAYA 1 Setengah Baya 0 10/28/2021 35 Keceradan Buatan 55 umur Versi : 01 12
I. 13 PERBEDAAN HIMPUNAN CRISP & FUZZY Himpunan Fuzzy SETENGAH BAYA m 1 SETENGAH BAYA 0. 5 25 10/28/2021 35 45 umur 55 Keceradan Buatan 65 Versi : 01 13
I. 14 1. 2. 3. 4. 5. 6. FUNGSI KEANGGOTAAN Representasi Linier Naik Representasi Linier Turun Representasi Kurva Segitiga Kurva Trapesium Kurva Phi Kurva bentuk bahu 10/28/2021 Keceradan Buatan Versi : 01 14
I. 15 FUNGSI KEANGGOTAAN (Membership Function) Contoh Linier Naik : umur[50] = (50 -35)/(60 -35) = 0, 6 10/28/2021 Keceradan Buatan Versi : 01 15
I. 16 FUNGSI KEANGGOTAAN (Membership Function) 2. Representasi Linier Turun 10/28/2021 Keceradan Buatan Versi : 01 16
I. 17 FUNGSI KEANGGOTAAN (Membership Function) Contoh Linier Turun : TUA 1 0, 6 m(x) 0 35 10/28/2021 45 Umur(th) Keceradan Buatan 60 Versi : 01 17
I. 18 FUNGSI KEANGGOTAAN (Membership Function) Contoh Linier Turun umur[50] = (60 -50)/(60 -35) = 0, 3 10/28/2021 Keceradan Buatan Versi : 01 18
I. 19 FUNGSI KEANGGOTAAN (Membership Function) 3. Representasi Kurva Segitiga 10/28/2021 Keceradan Buatan Versi : 01 19
I. 20 FUNGSI KEANGGOTAAN (Membership Function) Contoh Kurva Segitiga 1 PAROBAYA 0, 7 m[x] 0, 3 0 10/28/2021 35 38 45 50 Umur (th) Keceradan Buatan 65 Versi : 01 20
I. 21 FUNGSI KEANGGOTAAN (Membership Function) Contoh Kurva Segitiga Berapakah [38] dan [50] ? 10/28/2021 Keceradan Buatan Versi : 01 21
I. 22 FUNGSI KEANGGOTAAN (Membership Function) 4. Kurva Trapesium 0; (x - a) / (b – a); [x , a, b, c, d]= 1 ; (d - x) / (d – c); 10/28/2021 Keceradan Buatan x ≤ a atau x ≥ d a≤x≤b b≤x≤c c≤x≤d Versi : 01 22
I. 23 • • Kurva Travesium a = 25 b = 45 c =55 d =70 Berapakah [42], [51], dan [63] ? 10/28/2021 Keceradan Buatan Versi : 01 23
I. 24 FUNGSI KEANGGOTAAN (Membership Function) 4. Kurva-phi 10/28/2021 Keceradan Buatan Versi : 01 24
I. 25 5. FUNGSI KEANGGOTAAN (Membership Function) Kurva Bentuk Bahu Kanan Bahu Kiri 1 DINGIN SEJUK NORMAL HANGAT PANAS m[x] 0 0 15 20 25 30 35 Suhu Ruangan (o. C) 10/28/2021 Keceradan Buatan Versi : 01 25
I. 26 EXAMPLE 1 1 RENDAH SEDANG TINGGI m[x] 0 0 45 60 80 NILAI 10/28/2021 Keceradan Buatan Versi : 01 26
I. 27 EXAMPLE a. Tentukan : Variabel Fuzzy, Himpunan Fuzzy, Semesta pembicaraan, Domain Himpunan Fuzzy, Fungsi keanggotaan dari himpunan Fuzzy b. Cari nilai [46], [65], [90] 10/28/2021 Keceradan Buatan Versi : 01 27
I. 28 EXAMPLE Fungsi Keanggotaan Rendah : 0; x ≥ 60 [x , a, 0, 45, 60]= 1 ; (d - x) / (d – c); 10/28/2021 Keceradan Buatan 0 ≤ x ≤ 45 c≤x≤d Versi : 01 28
I. 29 EXAMPLE 2 1 RENDAH SEDANG TINGGI m[x] 0 0 50 90 75 100 NILAI 10/28/2021 Keceradan Buatan Versi : 01 29
I. 30 EXAMPLE a. Tentukan Fungsi keanggotaan dari himpunan Fuzzy b. Cari nilai [40], [77], [92] 10/28/2021 Keceradan Buatan Versi : 01 30
I. 31 EXAMPLE a. Tentukan Fungsi keanggotaan dari himpunan Fuzzy b. Cari nilai [40], [77], [92] 10/28/2021 Keceradan Buatan Versi : 01 31
I. 32 LOGIKA TRADISIONAL • Pada logika tradisional, fungsi keanggotaan suatu himpunan terbagi atas 2 daerah, yaitu: m. A[x] = 0, jika x Ï A atau m. A[x] = 1, jika x Î A. 10/28/2021 Keceradan Buatan Versi : 01 32
I. 33 OPERATOR DASAR FUZZY : ZADEH q. Interseksi: AÇB = min( A[x], B[y]). q. Union: AÈB = max( A[x], B[y]). q. Komplemen: A’ = 1 - A[x] 10/28/2021 Keceradan Buatan Versi : 01 33
I. 34 TRANSPORMASI ARITMATIKA 1. OPERATOR MEAN q Interseksi (MEAN AND): AÇB = ( A[x] + B[y])/2 q Union (MEAN OR): AÈB = [2*min( A[x], B[y])+ 4*max( A[x], B[y])]/6 10/28/2021 Keceradan Buatan Versi : 01 34
I. 35 TRANSPORMASI ARITMATIKA 2. Operator Intensified Mean • • Operator Intensified Mean dilambangkan dengan MEAN 2. Operator ini digunakan untuk menyangatkan, misalkan: AMAT atau SANGAT. 3. Operator Diluted Mean • • Operator Diluted Mean dilambangkan dengan MEAN 1/2. Operator ini digunakan untuk melemahkan, misalkan: AGAK atau SEDIKIT. 10/28/2021 Keceradan Buatan Versi : 01 35
I. 36 TRANSPORMASI ARITMATIKA 4. Operator Product q Interseksi (PRODUCT AND): AÇB = A[x] * B[y] q Union (PRODUCT OR): = ( A[x]+ B[y]) - ( A[x]* B[y]) 10/28/2021 Keceradan Buatan AÈB Versi : 01 36
I. 37 TRANSPORMASI ARITMATIKA 5. Operator Bounded Product Operasi bounded-product ini akan memfilter nilai keanggotaan yang rendah yang dirumuskan sebagai berikut: A B = max(0, m A[x]+m B[y]-1) 6. Operator Bounded Sum Operasi bounded-sum ini akan memfilter nilai keanggotaan yang tinggi yang dirumuskan sebagai berikut: A Å B = min(1, m A[x]+m B[y]) 10/28/2021 Keceradan Buatan Versi : 01 37
I. 38 TRANSPORMASI ARITMATIKA 7. Operator Drastic Product Operasi drastic-product antar 2 himpunan fuzzy A dan B masing-masing dengan fungsi keanggotaan A[x] dan B[x] akan memiliki fungsi keanggotaan AÄB[x] yang didefinisikan sebagai berikut: 10/28/2021 Keceradan Buatan Versi : 01 38
I. 39 TRANSPORMASI ARITMATIKA 8. Operator Concentration Operator concentration dirumuskan sebagai: m CON(A)[x] = (m A[x])2. Operator ini digunakan untuk menyangatkan, misalkan: AMAT atau SANGAT. 9. Operator Dilation Operator dilation dirumuskan sebagai: m DIL(A)[x] = (m A[x])1/2. Operator ini digunakan untuk melemahkan, misalkan: AGAK atau SEDIKIT. 10/28/2021 Keceradan Buatan Versi : 01 39
I. 40 TRANSPORMASI ARITMATIKA 1. KLAS YAGER dimana k bernilai antara [>0, <5]. 10/28/2021 Keceradan Buatan Versi : 01 40
I. 41 TRANSPORMASI ARITMATIKA 2. KLAS SUGENO dimana k bernilai antara [-1, ¥]. 3. Operator Nilai Ambang NOT 4. Fungsi Cosinus NOT 10/28/2021 Keceradan Buatan Versi : 01 41
I. 42 METODE – METODE FUZZY 1. Fuzzy Inference System (FIS) : Mamdani, Tsukamoto, Sugeno 2. Fuzzy Assosiative Memori (FAM) 3. Fuzzy Linier Programming 4. Fuzzy Database 5. Neuro Fuzzy 6. FMADM : F. SAW, F. TOPSIS, F. WP 10/28/2021 Keceradan Buatan Versi : 01 42
I. 43 END 10/28/2021 Keceradan Buatan Versi : 01 43
- Slides: 43