Fuzzy Systems

http://mhs.stiki.ac.id/06114001/Software/bowo/Fuzzy%20Logic.ppt

Fuzzy Logic
• Dua buah logic yang dibahas sebelumnya adalah untuk masalah-masalah yang pasti. • Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic.

Masalah: Pemberian beasiswa
• Misalkan terdapat permasalahan sebagai berikut: – Sebuah universitas akan memutuskan apakah seorang mahasiswa layak mendapatkan beasiswa atau tidak. – Misalkan kriteria yang diperhatikan adalah Indeks Prestasi (IP)3,0 dan hasil Test Psikologi (TP) 8,0. – Mahasiswa A memiliki IP=3,0 dan TP=8,0 – Mahasiswa B memiliki IP=2,999999, dan TP=8,5. – Dengan aturan tersebut diputuskan bahwa mahasiswa A layak mendapatkan beasiswa sedangkan mahasiswa B tidak. • Pada kasus di atas, universitas tersebut membuat keputusan dengan aturan yang jelas dan membedakan secara tegas, melihat masalah secara hitam dan putih (crisp), dan mungkin dianggap kurang adil.

Crisp set
• Himpunan yang membedakan anggota dan non anggotanya dengan batasan yang jelas disebut crisp set. • Misalnya, jika C={x  x integer, x > 2}, maka anggota C adalah 3, 4, 5, dan seterusnya. • Sedangkan yang bukan anggota C adalah 2, 1, 0, -1, dan seterusnya.

Fuzzy Set
• Fuzzy set merupakan dasar dari fuzzy logic dan fuzzy systems. • Suatu fuzzy set A di dalam Universe (semesta) U didefinisikan sebagai suatu fungsi keanggotaan A(x), yang memetakan setiap objek di U menjadi suatu nilai real dalam interval [0,1]. • Nilai-nilai A(x) menyatakan derajat keanggotaan x di dalam A.

x = {5.Fuzzy Set • Contoh: – Misalkan. 70. – Balita. 60. 80} adalah crisp set Usia dalam satuan tahun. Dewasa. 20. 30. 10. 40. 50. . Muda. dan Tua adalah empat fuzzy set yang merupakan subset dari x.

1.8.1}. 30.2.Fuzzy Set • Pada tabel tersebut terdapat 4 buah fuzzy set dengan anggota dan derajat keanggotaannya sebagai berikut: – Balita = {} – Dewasa = {20. 0. 0. 1. 1. di mana derajat keanggotaannya dinyatakan oleh muda = {1. 40.1. 1. 0.5. 40. 1. 1}. 1}. 0. 50.8. – Tua = {20. 70. 40. . 50}. 0. 0. 50.2. 80}. 0. 30. 80}. – Muda = {5. 30. 1. 60. di mana derajat keanggotaannya dinyatakan oleh Dewasa = {0. 70. di mana derajat keanggotaannya dinyatakan oleh Tua = {0. 1.8. 20.4. 10. 0.6. 60.

fuzzy set Tua ditulis sebagai: .Konvensi penulisan fuzzy set • Konvensi untuk menuliskan fuzzy set yang dihasilkan dari universe U yang diskrit adalah sebagai berikut: • Pada contoh di atas.

maka fuzzy set A dinotasikan sebagai: .Konvensi penulisan fuzzy set • Sedangkan jika U adalah kontinu.

• Terdapat banyak sekali fungsi keanggotaan yang bisa digunakan. • Di sini hanya akan dibahas empat fungsi keanggotaan yang sering digunakan. yaitu: – – – – Fungsi sigmoid Fungsi phi Fungsi segitiga Fungsi trapesium .Membership functions (Fungsi-fungsi keanggotaan) • Di dalam fuzzy sistems. fungsi keangotaan memainkan peranan yang sangat penting untuk merepresentasikan masalah dan menghasilkan keputusan yang akurat.

.1].Fungsi Sigmoid • Sesuai dengan namanya. fungsi ini berbentuk kurva sigmoidal seperti huruf S. • Setiap nilai x (anggota crisp set) dipetakan ke dalam interval [0.

Fungsi Sigmoid .

• Nilai-nilai di sekitar c memiliki derajat keanggotaan yang masih mendekati 1. yaitu ketika x=c. . hanya terdapat satu nilai x yang memiliki derajat keanggotaan yang sama dengan 1.Fungsi Phi • Pada fungsi keanggotaan ini.

Fungsi Phi .

• Tetapi. nilai-nilai di sekitar b memiliki derajat keanggotaan yang turun cukup tajam menjauhi 1.Fungsi Segitiga • Sama seperti fungsi phi. pada fungsi ini juga terdapat hanya satu nilai x yang memiliki derajat keanggotaan sama dengan 1. yaitu ketika x=b. .

Fungsi Segitiga .

pada fungsi ini terdapat beberapa nilai x yang memiliki derajat keanggotaan sama dengan 1.Fungsi Trapesium • Berbeda dengan fungsi segitiga. yaitu ketika b x  c • Tetapi derajat keanggotaan untuk a< x <b dan c< x  d memiliki karakteristik yang sama dengan fungsi segitiga. .

Fungsi Trapesium .

. – Misalnya. – Variabel tersebut bisa memiliki nilai-nilai linguistik seperti „Dingin‟. „Hangat‟. 400 C]. yang semantiknya didefinisikan oleh fungsi keanggotaannya. Suhu adalah variabel linguistik yang bisa didefinisikan pada interval [-100 C. „Panas‟ yang semantiknya didefinisikan oleh fungsi-fungsi keanggotaan tertentu.Sistem berbasis aturan fuzzy • Variabel linguistik – Variabel linguistik adalah suatu interval numerik dan mempunyai nilai-nilai linguistik.

• Suatu sistem berbasis aturan fuzzi yang lengkap terdiri dari tiga komponen utama: – Fuzzification – Inference – Defuzzification .

Diagram blok lengkap sistem berbasis aturan fuzzy .

.Fuzzification • Fuzzification: mengubah masukanmasukan yang nilai kebenarannya bersifat pasti (crisp input) ke dalam bentuk fuzzy input.

• Secara sintaks. suatu fuzzy rule (aturan fuzzy) dituliskan sebagai: – IF antecendent THEN consequent • Terdapat dua model aturan fuzzy yang digunakan secara luas dalam berbagai aplikasi. yaitu: – Model Mamdani – Model Sugeno .Inference • Inference: melakukan penalaran menggunakan fuzzy input dan fuzzy rules yang telah ditentukan sehingga menghasilkan fuzzy output.

.Inference • Model Mamdani – Pada model ini. An. dan B adalah nilai-nilai linguistik (atau fuzzy set) dan “x1 is A1” menyatakan bahwa nilai x1 adalah anggota fuzzy set A1. …. aturan fuzzy didefinisikan sebagai: IF x1 is A1 AND …AND xn is An THEN y is B di mana A1.

xn) di mana f bisa sembarang fungsi dari variabel-variabel input yang nilainya berada dalam interval variabel output.Inference • Model Sugeno – Model ini dikenal juga sebagai Takagi-Sugeno-Kang (TSK) model. – Model ini menggunakan aturan yang berbentuk: IF x1 is A1 AND…AND xn is An THEN y=f(x1.…. fungsi ini dibatasi dengan menyatakan f sebagai kombinasi linier dari variabel-variabel input: f(x1.wn adalah konstanta yang berupa bilangan real yang merupakan bagian dari spesifikasi aturan fuzzy. .…. w1.xn) = w0 + w1x1 + …+wnxn di mana w0.…. yaitu suatu varian dari Model Mamdani. Biasanya.

Defuzzification • Defuzzification: mengubah fuzzy output menjadi crisp value berdasarkan fungsi keanggotaan yang telah ditentukan. di sini dibahas 5 metode di antaranya. • Terdapat berbagai metode defuzzification yang telah berhasil diaplikasikan untuk berbagai macam masalah. yaitu: – – – – – Centroid method Height method First (or Last) of Maxima Mean-Max method Weighted Average .

– Metode ini menghitung nilai crisp menggunakan rumus: di mana y* suatu nilai crisp. . sehingga menjadi: di mana y* adalah nilai crisp dan R(y) adalah derajat keanggotaan dari y. – Fungsi integration dapat diganti dengan fungsi summation jika y bernilai diskrit.Defuzzification • Centroid method: – Metode ini disebut juga sebagai Center of Area atau Center of Gravity.

Defuzzification • Height method – Metode ini dikenal sebagai prinsip keanggotaan maksimum karena metode ini secara sederhana memilih nilai crisp yang memiliki derajat keanggotaan maksimum. . – Fungsi seperti ini sering disebut sebagai singleton. metode ini hanya bisa dipakai untuk fungsi keanggotaan yang memiliki derajat keanggotaan 1 pada suatu nilai crisp tunggal dan dan 0 pada semua nilai crisp yang lain. – Oleh karena itu.

. – Sehingga nilai crisp yang digunakan adalah salah satu dari nilai yang dihasilkan dari maksimum pertama atau maksimum terakhir (tergantung pada aplikasi yang akan dibangun).Defuzzification • First (or Last) of Maxima – Metode ini juga merupakan generalisasi dari height method untuk kasus di mana fungsi keanggotaan output memiliki lebih dari satu nilai maksimum.

. – Sehingga y* didefinisikan sebagai titik tengah antara nilai crisp terkecil dan nilai crisp terbesar di mana m adalah nilai crisp yang paling kecil dan M adalah nilai crisp yang paling besar.Defuzzification • Mean-Max Method – Metode ini disebut juga sebagai Middle of Maxima. – Merupakan generalisasi dari height method untuk kasus di mana terdapat lebih dari satu nilai crisp yang memiliki derajat keanggotaan maksimum.

Sehingga y* didefinisikan sebagai: di mana y adalah nilai crisp dan (y) adalah derajat keanggotan dari nilai crisp y. .Defuzzification • Weighted Average – Metode ini mengambil nilai rata-rata dengan menggunakan pembobotan berupa derajat keanggotaan.

• Misalkan nilai crisp yang diterima oleh sensor suhu adalah 370 C dan nilai crisp yang diterima sensor kelembaban adalah 12%.Studi kasus • Teori tentang fuzzy set dan fuzzy logic banyak digunakan untuk membangun sistem berbasis aturan fuzzy untuk masalah kontrol. • Berapa lama durasi penyiraman yang harus dilakukan? . seperti masalah sprinkler control system (sistem kontrol penyiram air).

Proses fuzzification • Misalkan. Cool. dan Hot . Warm. Normal. untuk suhu udara kita menggunakan fungsi keanggotaan trapesium dengan lima variabel linguistik: Cold.

di mana a=36.• Dengan fungsi ini. dan b=39. . maka crisp input suhu 370 C dikonversi ke nilai fuzzy dengan cara: – Suhu 370 C berada pada nilai linguistik Warm dan Hot. – Semantik atau derajat keanggotaan untuk Warm dihitung menggunakan rumus: • -(x-d)/(d-c). • Sehingga derajat keanggotaan untuk Hot=(37-36)/(39-36)=1/3. a < x < b. c< x  d di mana c=36. dan d=39. • Sehingga derajat keanggotaan Warm= -(37-39)/(39-36)=2/3 – Derajat keanggotaan untuk Hot dihitung menggunakan rumus (x-a)/(b-a).

.• Misalkan. kita juga menggunakan fungsi keanggotaan trapesium untuk kelembaban tanah.

c < x  d di mana c=10. – Semantik atau derajat keanggotaan untuk Dry dihitung menggunakan rumus: • -(x-d)/(d-c). • Sehingga derajat keanggotaan untuk Dry adalah -(12-20)/(20-10)=4/5. • Sehingga derajat keanggotaan Moist=(12-10)/(2010)=1/5. a < x < b di mana a=10. . dan b=20. maka crisp input kelembaban 12% dikonversi menjadi nilai fuzzy dengan cara berikut ini: – Kelembaban 12% berada pada nilai linguistik Dry dan Moist. – Derajat keanggotaan untuk Moist dihitung dengan menggunakan rumus: • (x-a)/(b-a). dan d=20.• Dengan fungsi ini.

proses fuzzification menghasilkan empat fuzzy input: – Suhu Udara = Warm (2/3) dan Hot(1/3) – Kelembaban tanah = Dry (4/5) dan Moist(1/5). .• Jadi.

. • Misalkan.Proses Inferensi • Terdapat berbagai macam cara dalam menentukan aturan fuzzy. dan Long. untuk durasi penyiraman digunakan fungsi keanggotaan trapesium dengan tiga nilai linguistik: Short. Medium.

• Misalkan aturan fuzzy didefinisikan sebagai berikut: .

. – IF Suhu=Hot AND Kelembaban=wet THEN Durasi=Short • Di sini akan dibahas penggunaan inferensi menggunakan model Mandani dan Model Sugeno. didapatkan 3x5=15 aturan fuzzy.• Dengan definisi aturan fuzzy tersebut. yaitu: – IF Suhu=Cold AND Kelembaban=Dry THEN Durasi=Long . . .

yaitu clipping (alpha-cut) atau scaling. • Metode yang paling umum digunakan adalah clipping karena mudah diimplementasikan dan bila diagregasikan dengan fungsi lain akan menghasilkan bentuk yang mudah di-defuzzification.Proses Inferensi menggunakan Model Mamdani • Jika menggunakan Model Mamdani. dapat digunakan dua cara inferensi. .

didapatkan empat aturan (dari 15 aturan) yang dapat diaplikasikan: – IF Suhu is Warm AND Kelembaban is Dry THEN Durasi is Long – IF Suhu is Warm AND Kelembaban is Moist THEN Durasi is Medium – IF Suhu is Hot AND Kelembaban is Dry THEN Durasi is Long – IF Suhu is Hot AND Kelembaban is Moist THEN Durasi is Medium . Hot(1/3).• Dari empat data fuzzy input tersebut. Dry(4/5). dan Moist(1/5). Warm (2/3).

• Gunakan aturan Conjunction () dengan memilih derajat keanggotaan minimum dari nilai-nilai linguistik yang dihubungkan oleh  dan lakukan clipping pada fungsi keanggotaan trapesium untuk Durasi Penyiraman. sehingga diperoleh: – IF Suhu is Warm (2/3) AND Kelembaban is Dry (4/5) THEN Durasi is Long (2/3) – IF Suhu is Warm (2/3) AND Kelembaban is Moist (1/5) THEN Durasi is Medium (1/5) – IF Suhu is Hot (1/3) AND Kelembaban is Dry (4/5) THEN Durasi is Long (1/3) – IF Suhu is Hot (1/3) AND Kelembaban is Moist (1/5) THEN Durasi is Medium (1/5) . maka proses inferensi yang terjadi adalah seperti di bawah ini.• Dari empat aturan fuzzy dan empat fuzzy input tersebut.

• Dari „Durasi is Long (2/3)  Durasi is Long (1/3)‟ dihasilkan „Durasi is Long (2/3)‟. dan – Durasi is Medium (1/5) . • Sedangkan dari „Durasi is Medium (1/5)  „Durasi is Medium (1/5) dihasilkan „Durasi is Medium (1/5) „ • Dengan demikian diperoleh dua pernyataan: – Durasi is Long (2/3).• Gunakan aturan Disjunction () dengan memilih derajat keanggotaan maksimum dari nilai-nilai linguistik yang dihubungkan oleh .

• Proses inferensi menggunakan Model Mamdani menggunakan proses clipping menghasilkan dua area abu-abu seperti gambar berikut: .

yaitu fungsi keanggotaan yang memiliki derajat keanggotaan 1 pada suatu nilai crisp tunggal dan 0 pada semua nilai crisp yang lain. • Fungsi keanggotaan tersebut adalah Singleton.Proses Inference menggunakan Model Sugeno • Model Sugeno menggunakan fungsi keanggotaan yang lebih sederhana dibandingkan Model Mamdani. • Misalkan fungsi Singleton untuk Durasi Penyiraman didefinisikan seperti gambar berikut: .

• Dengan cara yang sama seperti Model Mamdani. diperoleh: Durasi is Long (2/3) dan Durasi is Medium (1/5). • Proses inferensi menggunakan Model Sugeno menghasilkan dua derajat keanggotaan sebagai berikut: .

.

yaitu agregasi hasil clipping dari semua aturan fuzzy sehingga didapatkan satu fuzzy set tunggal. . harus dilakukan proses composition.Proses Defuzzification • Sebelum defuzzification.

Durasi is Medium (1/5) dan Durasi is Long (2/3) menghasilkan satu fuzzy set tunggal seperti berikut: .Proses Defuzzification menggunakan Model Mamdani • Proses composition dari dua fuzzy set.

• Misalkan digunakan Centroid method untuk proses defuzzification. • Misalkan titik-titik sembarang tersebut adalah: 24. 32. • Titik-titik pada area abu-abu ditentukan secara acak sehingga akan didapatkan satu titik pusat area (center of area atau center of gravity). 48. 80. 70. 36. 40. 90. . 60. 28.

sprinkle akan secara otomatis menyiramkan air selama 60. untuk Suhu Udara 370 C dan Kelembaban Tanah 12%. dengan menggunakan Model Mamdani.97 menit. .• Dengan menggunakan titik-titik tersebut dan persamaan: diperoleh hasil sebagai berikut: • Jadi.

Durasi is Medium (1/5) dan Durasi is Long (2/3). menghasilkan satu fuzzy set tunggal yang ditunjukkan pada gambar berikut: .Proses defuzzification dengan menggunakan Model Sugeno • Proses composition dari dua fuzzy set.

38 menit. maka dari dua fuzzy set. Durasi Penyiraman adalah 60 menit. • Dengan demikian. • Karena nilai crisp untuk Long adalah 60. Medium (1/5) dan Long (2/3).• Jika untuk proses defuzzification digunakan Height Method. jika menggunakan Model Sugeno dengan defuzzification berupa Weighted Average. maka Durasi Penyiraman adalah 55. . • Jika menggunakan Weighted Average untuk proses defuzzification diperoleh hasil: • Dengan demikian. maka proses defuzzification menghasilkan nilai crisp sebesar 60. dipilih nilai maksimumnya yaitu Long (2/3).

Sign up to vote on this title
UsefulNot useful