1.

Dasar Logika Fuzzy

Materi : Konsep Dasar Algoritma Fuzzy Operator Fuzzy

A. Konsep Dasar [1] Teori klasik, himpunan = kumpulan elemen yang berhingga/takberhingga milik dari suatu himpunantertentu yg disbt semesta pembicaraan lemen dr semesta pembicaraan dapat termasuk atau tidak termasuk ke dalam himpunan A

B. Konsep Dasar [2] !ungsi karakteristik yg bersi"at Boolean/crisp atau tegas adalah "ungsi tak-kontinu:

#i"at samar atau vagueness dpt dimasukkan ke dalam teori himpunan dgn membuat "ungsi karakteristik boleh bernilai tidak berhingga banyaknya di antara nilai $ dan nilai %

#emesta pembicaraan X dgn elemen x: C. Konsep Dasar [3] &imp fuzzy A dlm semesta pembicaraan X adl himp pasangan berurutan 'kontinu ( diskrit):

!ungsi keanggotaan * A'x) adl pemetaan dari semesta pembicaraan ke rentang tertutup +$, %,: !ungsi keanggotaan = ukuran se-auh mana elemen x termasuk ke dalam himpunan A D. Konsep Dasar [4] &imp support A adalah himp bagian dr semesta pembicaraan X dengan *A'x) . $ /ontoh: #uhu air di titik tertentu dlm plant * A #uhu dinyatakan sbg bil bulat positi" dlm +$, %$$, 0ariabel fuzzy Low dipakai utk de"inisi &imp ini menyatakan se-auh mana suhu dianggap rendah/Low terhadap seluruh nilai yang mungkin !ungsi keanggotaan A'x) memiliki nilai1 diskrit dlm satuan 2/ yg dinyatakan dgn himpunan: E. Konsep Dasar [5]

Atau secara lebih ringkas:

3ambang 454 menyatakan gabungan/union, bukan penambahan 3ambang menyatakan himpunan fuzzy, bukan integral dan 6en-umlahan F. Konsep Dasar [6]

G. Konsep Dasar [7] 0ariabel fuzzy = 7ariabel dgn nilai berupa label1 himp fuzzy 'linguistic values) /ontoh: T M6 8AT98 adl 7ariabel fuzzy dgn nilai Low, Medium, Normal, High dan ery!High /ara inilah yg umum dipergunakan operator utk meru-uk 7ar plant terkait dgn nilai nominalnya &ubungan di antara 7ariabel fuzzy, nilai1 linguistik, nilai1 keanggotaan ( semesta pembicaraan H. Konsep Dasar [ ]

!. Konsep Dasar ["]

#ecara umum, 7ariabel fuzzy dpt dinyatakan dgn memakai: label/nilai linguistik Low, Medium, High operator penghubung A:D, O8, :OT hedges extremely, rather, "uite, very /ontoh: 0ariabel T M6 8AT98 dapat memiliki nilai-nilai High, :OT High, rather!High, "uite!High, :OT very!High, extremely!High

#. Konsep Dasar [1$] Ketergantungan suatu 7ariabel fuzzy pada 7ar fuzzy lainnya dapat dinyatakan dgn memakai kalimat bersyarat 'fuzzy conditional statement): atau dgn kalimat fuzzy memiliki bentuk umum /ontoh:

2. Blok Diagram Fuzzy logic Control

;ambar 1< =lok Diagram !u>>y 3ogic /ontrol

3. F%&&i'i(a)ion

;ambar ?< 6roses !u>>i"ication !u>>i"ikasi yaitu suatu proses untuk mengubah suatu masukan dari bentuk tegas 'crisp) men-adi "u>>y '7ariabel linguistik) yang biasanya disa-ikan dalam bentuk himpunan-himpunan "u>>y dengan suatu "ungsi kenggotaannya masing-masing< /ontoh dari proses !u>>i"ication adalah seperti yang ditun-ukkan di gambar @< #ebuah sistem "u>>y untuk mengukur suhu mempunyai A buah membership "unction yang mempunyai label sangat dingin, dingin, hangat, panas, sangat panas< Kemudian input yang diperoleh dari crisp input adalah @B2 maka pengambilan "u>>y input-nya adalah seperti pada gambar @<

;ambar @< 6roses perubahan dari crisp input men-adi "u>>y input #ehingga didapat 1 "u>>y input yang masing-masing adalah: dingin 'C1) dan hangat 'C%)< :ilai C% dan C1 dapat dicari dengan rumus persamaan garis< Dang menentukan sistem anda sensiti" atau tidak adalah membership "unction ini< Eika membership "unction-nya banyak maka sistem anda men-adi sensiti"< Dang dimaksud dengan sensiti" dalam hal ini adalah -ika input-nya berubah sedikit sa-a maka sistem akan cepat merespon dan menghasilkan suatu output lain< Output dari proses "u>>i"ication ini adalah sebuah nilai input "u>>y atau yang biasanya dinamakan "u>>y input<

4. F%&&* +e,-ers.ip

Eika X adalah suatu kumpulan obyek-obyek elemen dari X< Maka dide"inisikan sebagai:

dan x adalah

himpunan fuzzy A yang memiliki domain X

'%) dimana nilai berada dalam rentang $ hingga %<

Terdapat dua cara yang la>im dalam merepresentasikan himpunan fuzzy, yang dapat dilihat pada ;ambar %, yaitu : %< 1< , -ika X adalah merupakan koleksi ob-ek diskrit< , -ika X adalah merupakan koleksi ob-ek kontinyu<

'a)

'b)

;ambar %< !ungsi keanggotaan dengan semesta pembicaraan, 'a)<diskrit, 'b)<kontinyu<

F%&&* +e,-ers.ip /pera)ion #eperti pada himpunan klasik, himpunan fuzzy -uga memiliki operasi himpunan yang sama yaitu gabungan ' union), irisan 'intersection) dan komplemen< #ebelumnya akan dide"inisikan dulu

mengenai himpunan bagian yang memiliki peranan penting dalam himpunan fuzzy<

9nion ';abungan) ;abungan dari dua buah himpunan fuzzy A dan B adalah

himpunan fuzzy # ditulis sebagai "ungsi keanggotaan yang berhubungan dide"inisikan sebagai berikut:

atau dengan

, memiliki A dan B yang

F dengan

'1)

adalah operator biner untuk "ungsi $ dan biasa disebut

sebagai operator %&conorm atau $&norm, yang memiliki si"at-si"at sebagai berikut: $'()(* + () $',)a* + $'a),* + a $'a)-* + $'-)a* $'a)$'-)c** + $'$'a)-*)c*

'-oundary)F 'commutativity)F 'associativity)<

$'a)-* . $'c)d* /i0a a . c dan - . d 'monotonicity)F

Gntersection 'Grisan) Grisan dari dua buah himpunan fuzzy A dan B adalah himpunan

fuzzy # dituliskan sebagai sebagai berikut:

atau

, memiliki "ungsi

keanggotaan yang berhubungan dengan A dan B yang dide"inisikan

F , dengan sebagai operator %&norm, yang memiliki si"at-si"at sebagai berikut: %',),* + ,) %'a)(* + %'()a* + a %'a)-* + %'-)a* %'a)%'-)c** + %'%'a)-*)c* '-oundary)F 'commutativity)F 'associativity)< %'a)-* . %'c)d* /i0a a . c dan - . d 'monotonicity)F '?)

adalah operator bineri untuk "ungsi %, yang biasa disebut

F%&&* 0e) +e,-ers.ip F%n()ion !ungsi-"ungsi keanggotaan fuzzy terparameterisasi satu dimensi yang umum digunakan diantaranya adalah: %< !ungsi keanggotaan segitiga, disi"ati oleh parameterH a)-)cI yang dide"inisikan sebagai berikut:

'@) bentuk yang lain dari persamaan di atas adalah

'A) parameter Ha,-,cI 'dengan aJ-Jc) yang menentukan koordinat x dari ketiga sudut segitiga tersebut, seperti terlihat pada ;ambar 1'a)< 1< !ungsi keanggotaan trapesium, disi"ati oleh parameterH a,-,c,dI

yang dide"inisikan sebagai berikut:

'K) parameter Ha,-,c,dI 'dengan aJ-JcJd) yang menentukan koordinat x dari keempat sudut trapesium tersebut, seperti terlihat pada ;ambar 1'b)< ?< !ungsi keanggotaan ;aussian, disi"ati oleh parameter H c,sI yang

dide"inisikan sebagai berikut: 'B)

!ungsi keanggotaan ;auss ditentukan oleh parameter c dan s yang menun-ukan titik tengah dan lebar "ungsi, seperti terlihat pada ;ambar 1'c) <

;ambar 1< Kur7a "ungsi keanggotaan, 'a)<segitiga'xF1$,A$<L$), 'b)<trapesium 'xF%$,?$,B$,M$), 'c)<gaussian'xFA$,%A), 'd)<bell'xF%$,1,A$), 'e)<sigmoid 'xF$<1,A$) dan '")<sigmoid'xF-$<1,A$)<

@<

!ungsi keanggotaan generalized -ell, disi"ati oleh parameter

Ha,-,cI yang dide"inisikan sebagai berikut:

'L) parameter - selalu positi", supaya kur7a menghadap kebaNah, seperti terlihat pada ;ambar 1'd)< A< !ungsi keanggotaan sigmoid, disi"ati oleh parameter H a,cI yang

dide"inisikan sebagai berikut:

'M) parameter a digunakan untuk menentukan kemiringan kur7a pada saat x = c< 6olaritas dari a akan menentukan kur7a itu kanan atau kiri terbuka, seperti terlihat pada ;ambar 1<'d) dan 1<'e)< F%&&* !F12.en 3%4e Kaidah fuzzy 1f&%hen 'dikenal -uga sebagai kaidah fuzzy, implikasi fuzzy atau pernyataan kondisi fuzzy) diasumsikan berbentuk: Eika x adalah A maka y adalah B Dengan A dan B adalah nilai linguistik yang dinyatakan dengan himpunan fuzzy dalam semesta pembicaraan X dan 2< #ering kali Ox adalah AP disebut sebagai antecedent atau premise, sedangkan Oy adalah BP disebut conse"uence atau conclusion< Kaidah fuzzy if&then O-ika x adalah A maka y adalah BP sering kali disingkat dalam bentuk AB yang merupakan suatu bentuk relasi fuzzy -iner 3 pada produk ruang X Q 2< Terdapat dua cara untuk menyatakan AB, yaitu sebagai A coupled with B dan A entails B< Eika dinyatakan sebagai A coupled with B maka dide"inisikan sebagai berikut: '%$)

dengan adalah operator %&norm< #edangkan -ika dinyatakan sebagai A entails B maka dide"inisikan sebagai berikut: material implication: F propositional calculus: F extended propositional calculus: F '%?) '%1) '%%)

generalization of modus ponens: F '%@)

dengan 3=AB dan

adalah operator %&norm<

F%&&* 3easoning Kaidah dasar dalam menarik kesimpulan dari dua nilai logika tradisional adalah modus ponens, yaitu kesimpulan tentang nilai kebenaran pada B diambil berdasarkan kebenaran pada A< #ebagai contoh, -ika A diidenti"ikasi dengan Otomat itu merahP dan B dengan Otomat itu masakP, kemudian -ika benar kalau Otomat itu merahP maka Otomat itu masakP, -uga benar< Konsep ini digambarkan sebagai berikut: premise % 'kenyataan) premise 1 'kaidah) #onse"uence 'kesimpulan) : : : x adalah A, -ika x adalah A maka y adalah B< y adalah B<

#ecara umum dalam melakukan penalaran, modus ponens digunakan dengan cara pendekatan< #ebagai contoh, -ika ditemukan suatu kaidah implikasi yang sama dengan O-ika tomat itu merah maka tomat itu masakP, misalnya Otomat itu kurang lebih merah,P maka dapat disimpulkan Otomat itu kurang lebih masakP, hal ini dapat dituliskan seperti berikut:

premise % 'kenyataan) premise 1 'kaidah)

: :

x adalah AR, -ika x adalah A maka y adalah B<

#onse"uence 'kesimpulan)

y adalah BR<

Dengan ARadalah dekat ke A dan BRadalah dekat ke B< Ketika A, B, AR dan BRadalah himpunan "u>>y dari semesta yang berhubungan, maka penarikan kesimpulan seperti tersebut dinamakan penalaran dengan pendekatan 'approximate reasoning) yang disebut -uga dengan generalized modus ponens '4M5)< 9ntuk mende"inisikan penalaran fuzzy, dimisalkan A, AR dan B adalah himpunan fuzzy dari X, X dan 2, dengan AB adalah suatu relasi 3 pada XQ2< Kemudian himpunan fuzzy B diinduksikan oleh Ox adalah AP dan kaidah fuzzy O-ika x adalah A maka y adalah BP dide"inisikan sebagai berikut:

'%A) atau sama dengan '%K)

Kaidah Tunggal dengan Antecedent Tunggal Kaidah tunggal dengan antecedent tunggal merupakan contoh

yang paling sederhana dari "ormula pada 6ersamaan '%A) dan setelah disederhanakan, 6ersamaan '%A) menghasilkan persamaan berikut:

'%B) dengan persamaan ini, terlebih dahulu dicari nilai maksimum dari 'daerah Narna gelap pada bagian antecedent pada ;ambar ?), selan-utnya "ungsi keanggotaan BR adalah bagian Narna gelap pada ;ambar ? yang merupakan "ungsi keanggotaan B yang terpotong oleh w<

;ambar ?< 6en-elasan secara gra"is dari 4M5 menggunakan implikasi Mamdani dan komposisi max&min6

Kaidah Tunggal dengan Antecedent Eamak Kaidah fuzzy if&then dengan dua antecedent, biasanya ditulis

sebagai O-ika x adalah A dan 2 adalah B maka z adalah #P< Masalah yang berhubungan dengan 4M5 di-elaskan dengan: premise % 'kenyataan) premise 1 'kaidah) #onse"uence 'kesimpulan) Kaidah fuzzy pada premise 1 dapat dibaNa ke bentuk sederhana yaitu OAQB#P yang kemudian dapat diubah men-adi relasi fuzzy ternary 3m, berdasarkan "ungsi implikasi Mamdani yaitu: '%L) #R yang dihasilkan dapat dinyatakan sebagai sehingga : : : x adalah AR dan y adalah BR, -ika x adalah A dan y adalah B maka z adalah #< z adalah #R<

'%M)

dimana w( dan w7 adalah nilai maksimum dari "ungsi keanggotaan A S AR dan B S B8< #ecara umum w( adalah merupakan dera-at kompatibilitas antara A dan AR, demikian -uga dengan w7< Karena bagian antecedent pada kaidah fuzzy dibangun dengan penghubung OandP, maka w(Tw7 disebut firing strength atau dera-at pencapaian dari kaidah fuzzy, yang menggambarkan dera-at pencapaian dari kaidah untuk bagian antecedent< #ecara gra"is, proses ini ditun-ukan oleh ;ambar @, dimana M! yang dihasilkan yaitu #R adalah sama dengan M! # yang dipotong oleh firing strength w<

;ambar @< Aproximate reasoning untuk antecedent -amak<

Kaidah Eamak dengan Antecedent Eamak 9ntuk men-elaskan kaidah -amak, biasanya menganggap

sebagai gabungan dari relasi fuzzy yang berhubungan dengan kaidah fuzzy< Karena itu, permasalahan ;M6 dituliskan sebagai: premise % 'kenyataan) premise 1 'kaidah %) 5remise ? 'kaidah 1) : : : x adalah AR dan y adalah BR, -ika x adalah A( dan y adalah B( maka z adalah #( < -ika x adalah A7 dan y adalah B7 maka z adalah #7 <

#onse"uence 'kesimpulan)

z adalah #R<

6roses di atas secara gra"is di-elaskan pada ;ambar GG<K<

;ambar A< 6enalaran fuzzy untuk kaidah -amak dengan antecedent -amak< 6roses di atas dapat dibuktikan dengan menggunakan dua buah relasi 3(= A(QB(#( dan 37= A7QB7#7, karena operator dari dua relasi tersebut men-adi adalah bersi"at distributi" terhadap operator U, maka selan-utnya gabungan

'1$) dimana dan adalah kesimpulan fuzzy dari kaidah % dan 1<

5. 5era)%ran -er-asis sis)e, 63%4e1-ase7 s*s)e,s8

Dalam ilmu komputer , sis)e, -er-asis a)%ran digunakan sebagai cara untuk menyimpan dan memanipulasi pengetahuan untuk menginterpretasikan in"ormasi dalam cara yang berman"aat< Mereka sering digunakan dalam kecerdasan buatan aplikasi dan penelitian< Ap4ikasi #ebuah contoh klasik dari sistem berbasis aturan adalah domain-spesi"ik sistem pakar yang menggunakan aturan-aturan untuk membuat pemotongan atau pilihan< #ebagai contoh, sistem pakar mungkin dapat membantu dokter memilih diagnosis yang benar berdasarkan sekelompok ge-ala, atau bergerak taktis memilih untuk memainkan game< #istem berbasis 6eraturan dapat digunakan untuk melakukan analisis leksikal untuk mengkompilasi atau mena"sirkan program komputer, atau dalam pemrosesan bahasa alami < 6emrograman berbasis aturan upaya untuk mendapatkan petun-uk pelaksanaan dari mulai set data dan aturan, yang merupakan metode tidak langsung lebih dari menggunakan bahasa pemrograman imperati" yang berisi langkah-langkah pelaksanaan tedeng aling-aling< Kons)r%ksi #ebuah sistem berbasis aturan khas memiliki empat komponen dasar:

+%,

Da"tar aturan atau pera)%ran 7asar9 yang merupakan -enis spesi"ik dari basis pengetahuan < #ebuah mesin in"erensi atau 8easoner semantik , yang menyimpulkan in"ormasi atau mengambil tindakan berdasarkan interaksi antara masukan dan peraturan dasar< 6ener-emah men-alankan program sistem produksi dengan melakukan siklus mengenali-tindakan berikut :

6ada tahap pertama, sisi kiri semua produksi yang cocok dengan isi memori ker-a< #ebagai hasil serangkaian kon"lik diperoleh, yang terdiri dari instantiations semua, produksi puas< #ebuah Gnstansiasi produksi adalah da"tar ordered ker-a unsur-unsur memori yang memenuhi sisi kiri produksi< Kon"lik-8esolusi: Dalam "ase kedua, salah satu instantiations produksi di set kon"lik dipilih untuk eksekusi< Eika tidak ada produksi puas, yang menghentikan pener-emah<

Act: 6ada tahap ketiga, tindakan produksi yang dipilih dalam tahap resolusi kon"lik di-alankan, tindakan ini dapat mengubah isi memori ker-a, 6ada akhir tahap ini, tahap pertama di-alankan lagi<

#ementara memori ker-a < koneksi lainnya ke dunia luar di mana sinyal input dan output yang diterima dan dikirim<

;ambar A< Diagram blok proses 8ule 7aluation

6. De'%&&i'ikasi
Contoh: model penawaran harga Animasi berikut ini menggambarkan in"erensi "u>>y dan de"u>>i"ikasi untuk model harga penaNaran< Klik pada tombol radio untuk mengetahui si"at dari metode de"u>>i"ikasi tertentu<