P. 1
logika fuzzy

logika fuzzy

|Views: 29|Likes:
Dipublikasikan oleh Anggara T Nugraha
logika
logika

More info:

Published by: Anggara T Nugraha on Sep 04, 2013
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

02/06/2014

pdf

text

original

TUGAS TEORI LOGIKA FUZZY

DISUSUN OLEH : AGUS PURWANTO ( 06224005 ) FAKULTAS TEKNOLOGI INDUSTRI JURUSAN TEKNIK ELEKTRO INSTITUT SAINS DAN TEKNOLOGI NASIONAL JAKARTA 2008 LOGIKA FUZZY PENDAHULUAN Logika fuzzy pertama kali diformulasikan dalam sebuah seminar oleh Lotfi A Zadeh dari University of Califonia, Berkeley tahun 1965.Metode ini diformulasikan dal am rangka mencari nilai tengah antara bilangan Aristoteles 0 dan 1. Logika biner 0 atau 1 dasarnya berfikirnya adalah dari filsuf Aristoteles yang mengajarkan h ukum berfikir bahwa sesuatunya mesti tergolong benar atau salah. Logika biner ha nya mengenal on atau off, hidup atau mati, gelap atau terang, benar atau salah. Tidak ada yang samar-samar, tidak ada abu-abu yang ada hanya hitam atau putih. J ika tidak 1 maka 0, jika tidak gelap berarti terang dan ini adalah sesuatu yang logis. Dan ini juga yang menjadi dasar perkembangan teknologi digital saat ini.H al itu seiring dengan usaha untuk membuat komputer yang bekerja seperti cara man usia berfikir. Sebab komputer pada dasarnya adalah sebuah mesin hitung yang tida k berfikir. Sebelumnya Plato sudah mencetuskan ide adanya daerah ketiga diantara benar dan salah. Ini yang menjadi dasar logika fuzzy yang memformulasikan bilan gan antara 0 dan 1 atau lebih tepat antara 0.0 dan 1.0. Dapat disimpulkan Logika fuzzy adalah suatu cara yang tepat untuk memetakan suat u ruang input ke dalam suatu ruang output. Contoh: 1. Manajer pergudangan mengatakan pada manajer produksi seberapa banyak pe rsediaan barang pada akhir minggu ini, kemudian manajer produksi akan menetapkan jumlah barang yang harus diproduksi esok hari 2. Pelayan restoran memberikan pelayanan terhadap tamu, kemudian tamu akan memberikan tip yang sesuai atas baik tidaknya pelayanan yang diberikan. 3. Penumpang taksi berkata pada sopir taksi seberapa cepat laju kendaraan y ang diinginkan, sopir taksi akan mengatur pijakan gas taksinya.

Salah satu contoh pemetaan suatu input-output dalam bentuk grafis seperti terli hat dibawahini: Alasan Digunakannya Logika Fuzzy 1.Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalara n fuzzy sangat sederhana dan mudah dimengerti 2.Logika fuzzy sangat fleksibel 3.Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat 4.Logika fuzzy mampu memodelkan fungsi-fungsi non linear yang sangat kompleks

Logika fuzzy didasarkan pada bahasa alami APLIKASI 1. Mengisi air dengan jumlah yang cukup. Jika pakaian lebih kotor mak a timer dibuat lebih lama. Jika pakaian yang dicuci tidak terlalu kotor maka mencuci mestinya harus lebih cepat. dalam suatu domain tertentu. • Menurut Giarratano dan Riley : Sistem pakar adalah suatu sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar. sistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer.Transmisi otomatis pada mobil.Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu 4. tata letak pabrik. • MenurutEfraimTurban. Dengan menimbang tingkat kekotoran kain yang direalisasikan dengan mengukur tingkat kekeruhan air cucian dengan sensor cahaya. Ibu rumahtangga akan mengisi air dan deterjen yang secukupnya sesuai dengan banyaknya baju yang hendak dicuci agar lebih hemat. agar komputer dapat menyelesaikan masalah sepe rti yang biasa dilakukan oleh para ahli. Sistemfuzzy digunakan untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci. yang mana tingkat keahliannya dapat dibanding kan dengan keahlian seorang pakar. pemodelan fuzzy pada sistem pemasaran yang kompleks SISTEM PAKAR DEFINISI Secara umum. den gan menjawab pernyataan jika dan maka (IF THEN). .Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pa kar secara langsung tanpa harus melalui proses pelatihan 6. pembuatan games yang didasarkan padal ogikaf uzzy 6. Mesin ini bekerja meniru cara ibu rumahtangga mencuci dengan mesin cuci konvensional. seperti manajemen basis data. 2. Mobil nisan telah menggunakan asistem fuzzy pad a transmisi otomatis dan mampu menghemat bensin 12-17% 3. mesin dapat memutuskan berapa lama harus mencuci pakaian s upaya lebih hemat dan efisien. pengalihan kea hlian. t ekan satu atau beberapa tombol dan mesin ini akan melakukan sisanya untuk anda. • Menurut Ignizio: Sistem pakar adalah suatu model dan prosedur yang berka itan.Ekonomi.Manajemen dan pengambilan keputusan. SP harus mengandung: keahlian. 7.Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensiona l. lalu memutar timer yang sesuai dengan tingkat kekotoran pakaian.5. seperti sistem diagnosis yang didasarkan pada log ika fuzzy 5. tinggal memasukkan baju kotor kedalam tabungnnya. aturan dan kemampuan menjelaskan. mengisi deterjen dan mencuci dengan waktu yang sesuai.Ilmu kedokteran danb iologi. Sistem pakar yang pertama kali muncul a dalah General purpose Problem Solver (GPS) dikembangkan oleh Newel Dan Simon Beberapa definisi tentang system pakar : • Menurut Durkin: Sistem pakar adalah suatu program komputer yang dirancan g untuk memodelkan kemampuan penyelesaian masalah yang dilakukan oleh seorang pa kar. inferensi. ahli.Pada tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang ( Matsushita Electric Industrial Company). Cara kerjanya gampang. Selain mesin cuci Mesin cuci otomatis satu tabung yang muktahir saat ini sering mencantumkan kata fuzzy logic sebagai bagian dari prom osinya. Di sinilah contohnya metode logika fuzzy dipakai.

Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli 2.mampu beroperasi dalam lingkungan berbahaya 8.memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan men gandung ketidak pastian 12.memiliki kemampuan untuk mengakses pengetahuan 9.meningkatkan kapabilitas system computer 11. akhir‘70an Digunaka n didalam geologi untuk membantu mencari dan menemukan deposit FOLIO Membantu memberikan keputusan bagi seorang manajer dalam halstokbroker d an investasi DELTA Pemeliharaan lokomoti Llistrik diesel Keuntungan sistem pakar : 1.meningkatkan kapabilitas dalam penyelesaian masalah 14.biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal 2.menyimpan pengetahuan dan keahlian para pakar 4. Hal ini erat kaitannya dengan ketersediaan pakar dalam bid angnya 3.Contoh Sistem Pakar SistemPakar Kegunaan MYCIN Dirancang oleh Edward Feigenbaum(UniversitasStanford) th’70 an Diagnosa Penyakit DENDRAL Mengidentifikasi struktur molecular campuran yang tidak dikenal XCON & XSEL Dikembangkan oleh DEC dan CMU.meningkatkan output dan produktivitas 5.bisa melakukan proses secara berulang secara otomatis 3.sebagai media pelengkap dalam pelatihan 13.system pakar tidak 100% bernilai benar Bentuk dan Struktur Sistem Konvensional Sistem Pakar(ES) Informasi dan pemrosesan biasanya jadi satu dengan program Basis pengetahua n merupakan bagian terpisah dari mekanisme inferensi Biasanya tidak bisa menjelaskan mengapa suatu input data itu dibutuhkan atau bag aimana output itu diperoleh Penjelasan adalah bagian terpenting dari system pakar Pengubahan program cukup sulit Pengubahan aturan dapat dilakuan dengan mudah Sistem hanya akan beroperasi jika system tersebut sudah lengkap Sistem d apat beroperasi hanya dengan beberapa aturan Eksekusi dilakukan langkah demi langkah Eksekusi dilakukan pada semua basis peng etahuan Menggunakan data Menggunakan Pengetahuan Tujuan utamanya adalah efisiensi Tujuan utamanya adalah efektivitas Ciri-ciri dan Domain Sistem Pakar : .sulit dikembangkan.meningkatkan kualitas 6. akhir’70 an Membantu konfigurasi sys tem computer besar SOPHIE Ana Lisissirkuit elektronik PROSPECTOR Didesign oleh Sheffield Research Institute.memiliki realibilitas 10.mampu mengambil dan melestarikan keahlian para pakar 7.menghemat waktu dalam pengambilan keputusan Kelemahan sistem pakar : 1.

dll –Prediksi: prediksi demografi. debugging dan perbaikan kinerja –Kontrol: melakukan kontrol terhadap interpreasi. –Perancangan: perancangan layout sirkuit. militer. bangunan. interpretasi sinyal. prediksi ekonomi. HIMPUNAN FUZZY . termasuk pengenalan uc apan.–Memiliki fasilitas informasi yang handal –Mudah dimodifikasi –Dapat digunakan dalam berbagai jenis komputer –Memilki kemampuan untuk belajar beradaptasi. –Sistem mengabdi. perbaikan dan monito ring kelakukan sistem. mekanis. –Tergabung. •Knowledge acquisition facility : berisi pengetahuan-pengetahuan yang dibutuhkan untuk memahami. dll. memformulasikan dan menyelesaikan masalah. elektronis. dll. –Sisi kiri harus cocok dengan fakta yang ada dimemori kerja •Aturan yang sesuai ditempatkan diagenda dan dapat diaktivasi •Aturan yang terdapat diagenda dapat diaktivasi –Aktivasi aturan akan membangkitkan fakta baru disisi kanan –Aktivasi dari satu aturan adalah bagian dari aktivasi aturan yang lain. –Berdiri sendiri. Basis Aturan (Rule Based) Sistem Pakar •Pengetahuan dalam Sitem Pakar direpresentasikan dalam bentuk I F-THEN atau dala m bentuk Production Rules. Sistem ini merupakan bagian dari computer khusus yang dihubung kan dengan suatu fungsi tertentu. Sisem ini merupakan bagian program yang terkandung didalam suatu alg oritma (konvensional) . analisis citra. dll –Monitoring : computer aided monitoring system –Debugging : memberikan resep obat terhadap kegagalan –Instruksi: melakukan instruksi untuk diagnosis. •Motor inferensi menentukan aturan awal (rule antecedents) yang sesuai. misalnya DBMS. –Menghubungkan kesistem lain. prediksi. Struktur Sistem pakar •User interface (antarmuka) : mekanisme komunikasi antara user dan Sistem Pakar •Explanation facility (subsistem Penjelasan) : digunakan untuk melacak respon da n memberikan penjelasan tentang kelakuan sistem pakar secara interaktif •Working memory : database global dari fakta yang digunakan dalam prosedur •Agenda : daftar prioritas prosedur yang dibuat oleh motor inferensi dan direkam dalam working memory •Inference engine (motor inferensi) : program yang berisi metodologi yang diguna kan untuk melakukan penalaran terhadap informasi-informasi dalam basis pengetahu an untuk memformulasikan konklusi. Sistem jenis ini merupakan sistem yang berdiri sendiri tidak t ergabung dengan sistem yang lain. Bentuk ini biasanya merupakan Sisten Pakar yang m enghubungkan kesuatu paket program tertentu. Permasalahan yang Disentuh oleh Sitem Pakar (Domain Sistem Pakar ) : –Interpretasi:Pengambilan keputusan dari hasil observasi. –Diagnosis : diagnosis medis. –Perencanaan: perencanaan keuangan.

maka ia dikatakan TIDA K MUDA (umuda[35 thn – 1hr] = 0).maka ia dikatakan TIDAK PAROBAYA (uparobaya[35 th – 1 hr] = 0). pabila seseorang berusia 35 tahun. maka ia dikatakan TIDAK MUDA(umuda[3 5] = 0). seperti : MUDA. Solusi : Himpunan fuzzy Dengan menggunakan himpunan fuzzy. apabila seseorang berusia 35 tahun kurang 1 hari.dsb.TUA. yaitu : 1. Numeris.25 . maka ia dikatakan TIDAK PAROBAYA (up arobaya[34] = 0).50. apabila seseorang berusia 35 tahun. Umur 40 tahun -> MUDA (UMUDA[40]=0.PAROBAYA. yang sering ditulis denga n uA[x].Phase fuzzy boom 1989-…. MUDA dan PAROBAYA. • Yang terpenting dalam hal ini adalah menentukan hubungan antara derajat keanggotaan dalam himpunan fuzzy dan derajat kebenaran dalam fuzzy proposisi. apabila seseorang berusia 35 tahun. 7. perubahan kecil pada suatu nilai mengakibatkan perbedaan kategori y ang cukup signifikan. 6. PAROBAYA. apabila seseorang berusia 34 tahun. yaitu : 1. 4.Dalam perjalannya perkembangan teori himpunan fuzzy dibagi menjadi 3 fase.25.Phase akademik 1965-1977 2. maka ia dikatakan PAROBAYA (uparobaya [35] = 1). maka ia dikatakan MUDA (umuda[34] = 1). PAROBAYA dan TUA. Dari uraian diatas dapat disimpulkan himpunan crisp dalam menyatakan umur sangat tidak adil. yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan. 3. 2. yaitu suatu nilai (angka) yang menunjukan ukuran dari suatu var iabel seperti:40. yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpu nan Contoh : Misalkan variable umur dibagi menjadi 3 kategori. apabila seseorang berusia 34 tahun. memiliki 2 kemungkinan yaitu : * satu (1). seseorang dapat masuk dalam 2 himpunan berbed a.Phase transformasi 1978-1988 3. Lingustik. TUA Dari gambar sebelumnya terlihat bahwa : 1. oleh karena itu logika fuzzy menggunakan konsep/prinsip/metode yang dik embangkan dalam teori himpunan fuzzy untuk merumuskan berbagai format yang mende kati nilai sebernarnya. Himpunan tegas (crisp) Nilai keanggotaan suatu item x dalam suatu himpunan A. 5. 2. Seberapa besar eksistensinya dapat dilih at pada nilai keanggotaannya. Himpunan fuzzy memiliki 2 attribut. apabila seseorang berusia 35 tahun kurang 1 hari. • Secara luas logika fuzzy adalah suatu wilayah terapan dari teori himpuna n fuzzy. maka ia dikatakan PAROBAYA (uparobay a[35] = 1). atau * nol (0). yaitu penamaan suatu grup yang mewakili suatu keadaan atau ko ndisi tertentu dengan menggunakan bahasa alami. yaitu : MUDA umur < 35 tahun PAROBAYA 35 <= umur <= 55 tahun TUA umur > 55 tahun Grapfis himpunan MUDA.

kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keangg otan nol bergerak ke kanan menju nilai domain yang memiliki derajat keanggotaan lebih tinggi b. b < x < c 3.Representasi Kurva-S 6.5 Umur 50 tahun -> TUA (UTUA[50]=0. a < x £ b (c-x)/(c-b). D. garis lurus dimuali dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri.PAROBAYA(UPAROBAYA[40]=0. x £ a atau x ³ c (x-a)/(b-a).dsb. Contoh: umur. x £ a atau x ³ d (x-a)/(b-a). Himpunan fuzzy Himpunan fuzzy merupakan suatu grup yang mewakili suaty kondisi atau keadaan tertentu dalam suatu variabel fuzzy C.5 Beberapa variabel yang perlu diketahui dalam memahami sistem fuzzy. ada 3 jenis. b < x £ c (d-x)/(d-c). c < 4. Variabel fuzzy Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fu zzy.ada beberapa fungsi yang bias digunakan : 1. Representasi Kurva Segitiga m[x] = 0. RepresentasiKurvaTrapesium m[x]= 0. yaitu: A. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang dijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy FUNGSI KEANGGOTAAN Fungsi keanggotaan adalah suatu kurva yang menunjukan pemetaan titik-titik input data kedalam nilai keanggotaannya (derajat keanggotaan) yang memiliki interval antara 0 sampai 1. B.Representasi Kurva Bentuk x £ b x < d bahu Lonceng. Semesta pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk diop erasikan dalam suatu variabel fuzzy.permintaan. Representasi linear Ada 2 kemungkinan himpunan fuzzy linear yaitu : a.temperatur.25 PAROBAYA(UPAROBAYA[50]=0. Kurva PI. 2.Representasi Kurva bentuk 5.kemudian bergerak menurun ke nilaidomain yang memiliki derajat ke anggotaan lebih rendah. a < 1. Kurva Beta dan Kurva .

y  itu: 1. A d  n B  d  l  h himpun  n fuzzy. Sugeno d  n Tsuk  moto. FIS tersebut bekerj   berd  s  rk  n k  id  h-k  id  h linguistik d  n mem iliki  lgoritm   fuzzy y  ng menyedi  k  n sebu  h  proksim  si untuk dim  suki  n  lis   . α-predik  t seb  g  i h  sil oper  si deng  n oper  tor AND diperoleh deng  n meng  mbil nil  i ke  nggot   n terkecil  nt  r elemen p  d   himpun  n-himpun  n y  ng bers  ngkut  n µAUB = m  x(µA[x]. FUNGSI IMPLIKASI Bentuk umum  tur  n y  ng digun  k  n d  l  m fungsi implik  si : IF x is A THEN y is B Deng  n x d  n y  d  l  h sk  l  r. fungsi ini  k  n mensk  l   output himpun  n fuzzy SISTEM INFERENSI FUZZY Sistem Inferensi Fuzzy (Fuzzy Inference System/FIS) disebut jug   fuzzy inference engine  d  l  h sistem y  ng d  p  t mel  kuk  n pen  l  r  n deng  n prinsip serup   seper ti m  nusi   mel  kuk  n pen  l  r  n deng  n n  luriny  . Proposisi y  ng meng ikuti IF disebut  nteseden. µB[y]) Oper  tor OR Oper  tor ini berhubung  n deng  n per  siunion p  d   himpun  n. α-predik  t s eb  g  i h  sil oper  si deng  n oper  tor AND diperoleh deng  n meng  mbil nil  i ke  ngg ot   n terkecil  nt  r elemen p  d   himpun  n-himpun  n y  ng bers  ngkut  n µA∩B = min(µA[x].GAUSS 7. Terd  p  t beber  p   jenis FIS y  ng diken  l y  itu M  md  ni. Jik   2 d  er  h f uzzy dire  lis  sik  n deng  n implik  si sederh  n   seb  g  i berikut : IF x is A THEN y is B tr  nsfer fungsi : Y = f ((x.  d   du   fungsi implik  si.Min (minimum).Dot (product). µB[y]) Oper  tor NOT Oper  tor ini berhubung  n deng  n oper  si komplemen himpun  n. sed  ngk  n proposisi y  ng mengikuti THEN disebut kons ekuen. k  ren   p  ling sesu  i deng  n n  luri m  nusi    d  l   h FIS M  md  ni.Koordinat Keanggotaan Niliai keanggotaan : Skalar (i) / Derajat (ii) Skalar : nilai yang digambar dari domain himpunan Derajat : derajat keanggotaan himpunan fuzzynya OPERATOR ZADEH Operator AND Operator ini berhubungan dengan operasi inter seksi pada himpunan. α-predik  t seb  g  i h  sil oper  si deng  n oper  tor AND diperoleh deng  n meng  mbil nil  i ke  nggot   n terkecil  nt  r elemen p  d   himpun  n-himpun  n y  ng bers  ngkut  n µA’= 1-µA[x] PENALARAN MONOTON Metode ini digun  k  n seb  g  i d  s  r untuk teknik implik  si fuzzy. Nil  i output d  p  t diestim  si sec  r   l  ngsung d  ri nil  i ke  nggot   n y  ng berhubung  n deng  n  ntesedenny  . A). FI S y  ng p  ling mud  h dimengerti. B) M  k   system fuzzy d  p  t berj  l  n t  np   h  rus mel  lui komposisi d  n dekomposisi f uzzy. fungsi ini  k  n memotong output himpun  n fuzzy 2. Sec  r   umum.

2. 2. K  id  h-k  id  h d  l  m b  h  s   linguistik d  p  t digun  k  n seb  g  i input y  ng bersif  t teliti h  rus dikonversik  n terlebih d  hulu. Persedi   n b  r  ng di gud  ng d  p  t menc  p  i titik tertin ggi y  itu 600 b  r  ng/h  ri d  n titik terend  hny   100 b  r  ng/h  ri. fungsi implik  si y  ng digun  k  n  d  l  h MIN 3. Sec  r   u mum d  p  t ditulis . N  mun pern  h p  brik tersebut h  ny   menc  p  i permint   n b  r  ng se b  ny  k 1000 b  r  ng/h  ri.  dditive d  n prob  bilistik OR. p  d   metod   m  md  ni. A1 & A2. l  lu mel  kuk  n pen  l  r   n berd  s  rk  n k  id  h-k  id  h d  n mengkonversi h  sil pen  l  r  n tersebut menj  di ou tput y  ng bersif  t teliti. d  n v  r-2 (y). output h  sil inferensi d  ri ti  p-ti  p  tur  n diberik  n sec  r   teg  s berd  s  rk   n α-predik  t. m  k   inferensi dip eroleh d  ri kumpul  n d  n korel  si  nt  r  tur  n. V  r-1 terb  gi  t  s himp. Ad   3 metode y  ng digun  k  n d  l   m mel  kuk  n inferensi sistem fuzzy. p  d   metode m  md  ni. v  r-2 terb  gi  t  s himp. Seb  g  i h  silny   . Proses d  l  m FIS 1. Ad   2  tur  n: ◦ If (x is A1)  nd (y is B2) Then (z is C1) ◦ If (x is A2)  nd (y is B1) Then (z is C2) Contoh : Sebu  h p  brik elektronik d  p  t berh  sil menc  p  i permint   n terbes  r seb  ny  k 50 00 b  r  ng/h  ri. H  sil  khirny   diperoleh deng  n menggun  k  n r  t  -r  t   terbobot Mis  l  d   2 v  r input: v  r-1 (x). Untuk memperoleh output. sert   1 v  r output: v  r-3 (z). Metode M  md  ni Metode M  md  ni sering jug   diken  l deng  n n  m   Metode M  x-Min. kemudi  n menggun  k  nny   untuk memodifik  si d  er  h fuzzy. Input y  ng diberik  n kep  d   FIS  d  l   h berup   bil  ng  n tertentu d  n output y  ng dih  silk  n jug   h  rus berup   bil  ng  n tertentu. Metode ini diperk en  lk  n oleh Ebr  him M  md  ni p  d   t  hun 1975. P  d   metode m  x. B1 & B2. solusi himpun  n fuzzy diperoleh deng  n c  r   meng  mbil n     il i m ksimum  tur  n. diperluk   n 4 t  h  p  n y  itu : 1.    [A2] IF permint n SEDIKIT And persedi   n SEDIKIT THEN Produksi B  r  ng BERKURANG .m  tem  tik. C1 & C2. G  mb  r 4. Aplik  si fungsi impliksi (  tur  n). y  itu : m  x.MetodeTsuk  moto Seti  p konsekuen p  d    tur  n y  ng berbentuk IF-THEN h  rus direpresent  sik  n deng  n su  tu himpun  n fuzzy deng  n fungsi ke  nggot   n y  ng monoton. Proses d  l  m FIS ditunjuk  n p  d   G  mb  r 3. Komponen  tur  n. v  r-3 terb  g i  t  s himp. b  ik v  ri  bel input m  upun v  ri  bel output dib  gi m   enj di s  tu  t  u lebih himpun  n fuzzy. d  n meng  plik  sik  ny   ke output deng  n menggun  k  n oper  tor OR (union).    [A4] IF permint n BANYAK And persedi   n SEDIKIT THEN Produksi B  r  ng BERTAMBAH . P  d   t  h  p  n ini sistem terdiri d  ri beber  p    tur  n. p  brik tersebut d  p  t memproduksi b  r  ng m  ksimum 7000 b  r  ng/h  r i d  n minim  lny   2000 b  r  ng/h  ri. Pembentuk  n himpun  n fuzzy. Deng  n semu   ke terb  t  s  nny  .    [A3] IF Permint n SEDIKIT And Persedi   n BANYAK THEN Produksi B  r  ng BERKURANG . Ap  bil   proses produksi p  brik tersebut mengg un  k  n  tur  n fuzzy seb  g  i berikut [A1] IF Permint   n BANYAK And Persedi   n BANYAK THEN Produksi B  r  ng BERTAMBAH .

 tur  n fuzzy.Metode Me  n of M  ximun(MOM) d. (XNisAN) THEN z = k .Metode metode y  ng digun  k  n d  l  m mel  kuk  n inferensi sisten fuzzy : M  x Additive (SUM) Prob  bilistik OR 4. sed  ngk  n output y  ng dih  silk  n merup  k   n su  tu bil  ng  n p  d   dom  in himpun  n fuzzy tersebut.Metode Bisektor c.) µkf(x¬i))       4. m  k   h  rus d  p  t di  mbil su  tu nil  i crisp ter tentu seb  g  i output. Defuzzyfik  si p  d   metode m  md  ni untuk semest   diskrit me nggun  k  n pers  m   n z = ∑ z¬j µ(zj)/∑ µ(zj) Ad   tig    . h  ny   s  j   output (konsekue n) sistem tid  k berup  h impun  n fuzzy.Metode Sm  llest of M  ximum(SOM) Contoh: perso  l  n sederh  n   deng  n 2 input.Metode Centroid(Composite Moment) b. •Beber  p   metode defuzzifi-k  si  tur  n MAMDANI :  .Model Fuzzy Sugeno Orde-Nol BentukUmum: IF (X1 is A1) (X2is A2) (X3is A3) ….µdf (x¬i) m  x (µdf(xi. sed  ngk  n output y  ng dih  silk  n merup  k  n su  tu bil  ng  n p  d   dom  in himpun  n fuzzy tersebut. mel  ink  n berup   konst  nt    t  u pers  m   n line  r. tur  n fuzzy. Jik   diberik  n su  tu himpu n  n fuzzy d  l  m r  nge tertentu.Metode L  rgest of M  ximum(LOM) e.1 output d  n 3 rules Rule: 1 Rule: 1 IF x is A3 IF project_funding is  dequ  te OR y is B1 OR project_st  ffing is sm  ll THEN z is C1 THEN risk is low Rule: 2 Rule: 2 IF x is A2 IF project_funding is m  rgin  l AND y is B2 AND project_st  ffing is l  rge THEN z is C2 THEN risk is norm  l Rule: 3 Rule: 3 IF x is A1 IF project_funding is in  dequ  te THEN z is C3 THEN risk is high Fuzzifik  si: menentuk  n der  j  t ke  nggot   n input x1 d  n y1 p  d   himpun  n fuzzy 3.  .Metode Sugeno Pen  l  r  n ini h  mpir s  m   deng  n pen  l  r  n M  md  ni.Peneg  s  n (defuzzy) Input d  ri defuzzifik  si  d  l  h su  tu himpun  n y  ng diperoleh d  ri komposisi  tu r  n.Metode b. Peneg s n (defuzzyfik si) Input d  ri proses defuzzyfik  si  d  l  h su  tu himpun  n fuzzy y  ng diperol eh d  ri komposisi  tur  n.Metode c.

S  l  h s  tu di  nt  r  ny    d  l  h model T  h  ni. BASIS DATA Seb  gi  n bes  r b  sis d  t   st  nd  r dikl  sifik  sik  n berd  s  rk  n b  g  im  n   d  t   te rsebut dip  nd  ng oleh user d  n menggun  k  n query untuk menc  ri d  t   y  ng diingin k  n.Deng  n Ai  d  l  h himpun  nfuzzy ke-I seb  g  i  n teseden. . B  sis d  t   fuzz y model T  h  ni m  sih tet  p menggun  k  n rel  si st  nd  r. N  mun terk  d  ng dibutuhk  n su  tu d  t   y  ng bersif  t  mbiguous. m  k   digun  k  n b  sis d  t   fuzzy. d  n k  d  l  h konst  nt   ( teg  s) seb  g  i konsekuen b.Model Fuzzy Sugeno Orde-S  tu Bentuk Umum: IF (X1 is A1) ….(XNisAN) THEN z = p1* x1 + …+ pN* XN + q Deng  n Ai  d  l  h himpun  nfuzzy ke-I seb  g  i  n teseden. d  n pi  d  l  h su  tu kons t  nt   ke-I d  n q merup  k  n konst  nt   d  l  m konsekuen. h  ny   s  j   model ini meng gun  k  n teori himpun  n fuzzy untuk mend  p  tk  n inform  si p  d   query-ny  .

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->