Teori Fuzzy Bhn2
Teori Fuzzy Bhn2
TIP UNLAM
ARIEF AKBAR
Teori Fuzzy
Pertama kali diperkenalkanoleh prof. L.A. Zadeh (1965) melalui makalah yg berjudul Intoducing fuzzy sets Menjelaskan sebuah teori bahwa obyek dari fuzzy set (himpunan fuzzy) ditetapkan berdasarkan batasan yang tidak tegas (pasti) Anggota dari bilangan fuzzy bukan suatu ukuran yang pasti tetapi melalui skala/derajat
Aplikasi Fuzzy
Th 1990 pertama kali mesin cuci dibuat dengan logika fuzzy di jepang (Matsushita Electric Industrial Company), digunakan utk menentukan putaran yg tepat secara otomatis berdasarkan banyaknya kotoran serta jumlah yg dicuci. Menggunakan sensor optik, mengeluarkan cahaya di air daan mengukur bgm cahaya tsb sampai ke ujung lainnya Mobil Nissan menggunakan transmisi otomatis dg sistem fuzzy, mampu menghemat bbm 1217% Riset operasi seperti penjadwalan dan pemodelan,pengalokasian dll
Fuzzy set
Terdapat perbedaan antara Fuzzy Set dan non fuzzy (disebut Crips sets) Crips sets (himpunan tegas), nilai keanggotaan suatu item X didalam himpunan A, memiliki 2 kemungkinan : Satu (1) yg berarti bahwa suatu item menjadi anggota dlm suatu himpunan Nol (0) yg berarti suatu item tidak mejadi anggota himpunan Contoh ilustrasi Ukuran kota yang dekat dengan Banjarbaru Crips set : A = { Banjarmasin, Martapura, Rantau, Binuang) Fuzzy set : B = {(Banjarmasin, 0,7), (Martapura, 0.9), (Rantau, 0.4), ( Binuang, 0,6)} Nilai 0,7 mununjukkan skala/ukuran keanggotaan Banjarmasin Nilai 0,9 mununjukkan skala/ukuran keanggotaan Martapura
a.
Skala/ukuran
T
1
Suhu oC
T
2
b.
Crips Sets
Very low Low Medium High Very High
T
1
Suhu oC
T
2
Crips Set
muda
paruhbaya
[x] [x]
tua
1
[x]
0
usia
35
0 35
usia
55
55 usia
jika berusia 34 th dikatakan MUDA (MUDA[34]=1) Jika berusia 35 th dikatakan TIDAK MUDA (MUDA[35]=0) Jika berusia 35 th dikatakan PARUHBAYA ((PARUHBAYA[35]=1)
Pemakaian hinpunan crips utk kasus di atas ada ketidak adilan, adanya perubahan yang kecil saja menyebabkan perbedaan kategori yyg cukup signifikan
Fuzzy Sets
muda
1 [x] 0, 5 0,25
paruhbaya
tua
25
35
40 45
50
55
65
U s i a ( th )
dengan menggunakan himpunan fuzzy terlihat bahwa : Seseorang yg berumur 40 th termasuk dalam himpunan MUDA dgn MUDA[40]=0,25 ; namun dia juuga termasuk dalam himpunan PARUHBAYA dengan PARUHBAYA[40]=0,5 Seseorang yg berumur 50 tahun termasuk dalam himpunan TUA dengan TUA[50]=0,25 ; namun dia juuga termasuk dalam himpunan PARUHBAYA dengan PARUHBAYA[50]=0,5
Jika dalam himpunan CRIPS, nilai keanggotaan hanya 2 kemungkinan (0 dan 1) Pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 s/d 1 (jika x memiliki nilai keanggotaan fuzzy A[x]=0 artinya x tidak menjadi anggota A, jika A[x]=1 maka x menjadi anggota penuh A
Fungsi Keanggotaan
Adalah suatu kurva y menunjukkan pemetaan titk-titik input data ke dalam nilai keanggotaan yg memiliki interval antara 01. Untuk mendapatkan Nilai Keanggotaan dapat digunakan PENDEKATAN FUNGSI (misalnya : Representasi Linier, Representasi Kurva Segitiga dll)
Representasi Linier
[x] = 0; ( x a) / (b a ); 1; xa axb xb
Fungsi keanggotaan untuk himpunan PANAS pd variabel temperatur ruangan adalah sbb :
PANAS[32] =(32-25)/(35-25) = 7 / 10 = 0,7 1 0,7 [x] 0 a=25 x=32 b=35 Temperatur (oC)
LINEAR PROGRAMMING
Keterangan:
Ada n macam barang yang akan diproduksi masing-masing sebesar
x1, x2, , xj, xn. xj = banyaknya produksi barang yang ke j, j = 1,2,,n cj = harga per satuan barang ke j, disebut price h1, h2, , hj, , hm. hi = banyaknya bahan mentah ke i, i = 1,2, ,m aij = banyaknya bahan mentah ke i yang dipergunakan untuk memproduksi 1 satuan barang ke j xj unit memerlukan aij unit bahan mentah i.
Ada m macam bahan mentah masing-masing tersedia
a11X1 + a12X2 + a13X3 + .. + anXn b1 Setiap penambahan 1 unit X1 akan menaikkan penggunaan sumber/fasilitas 1 dengan a11. Setiap penambahan 1 unit X2 akan menaikkan penggunaan sumber/fasilitas 1 dengan a12, dan seterusnya. Asumsinya adalah, setiap ada kenaikan kapasitas riil tidak perlu ada biaya persiapan (set up cost).
o Additivity Asumsi ini berarti bahwa nilai tujuan tiap kegiatan tidak saling mempengaruhi, atau dalam Linear Programming dianggap bahwa kenaikan dari nilai tujuan (Z) yang diakibatkan oleh kenaikan suatu kegiatan dapat ditambahkan tanpa mempengaruhi bagian nilai Z yang diperoleh dari kegiatan lain. Z = 3X1 + 5X2 di mana X1 = 10; X2 = 2; Sehingga Z = 30 + 10 = 40 Jika X1 bertambah 1 unit, maka sesuai dengan asumsi, maka nilai Z menjadi 40 + 3 = 43. Jadi, nilai 3 karena kenaikan X1 dapat langsung ditambahkan pada nilai Z mula-mula tanpa mengurangi bagian Z yang diperoleh dari kegiatan 2 (X2). Dengan kata lain, tidak ada korelasi antara X1 dan X2.
o Divisibility Asumsi ini menyatakan bahwa keluaran yang dihasilkan oleh setiap kegiatan dapat berupa bilangan pecahan. Demikian pula dengan nilai Z yang dihasilkan.
o Deterministic (certainty) Asumsi ini menyatakan bahwa semua parameter yang terdapat dalam model Linear Programming (aij, bi, cj) dapat diperkirakan dengan pasti, meskipun jarang dengan tepat.
Suatu masalah Linear Programming hanya mengandung dua kegiatan (variabel-variabel keputusan/X1 & X2), maka dapat diselesaikan dengan metode grafik. Bila lebih dari dua variabel, metode grafik tidak dapat digunakan, sehingga diperlukan metode simpleks yg dipakai untuk menentukan kombinasi dari tiga variabel atau lebih.
Masalah Linear Programming yang melibatkan banyak variabel keputusan dapat dengan cepat dipecahkan dengan bantuan komputer. Bila variabel keputusan yang dikandung tidak terlalu banyak, masalah tersebut dapat diselesaikan dengan suatu algoritma yang biasanya sering disebut metode tabel simpleks. Disebut demikian karena kombinasi variabel keputusan yang optimal dicari dengan menggunakan tabel-tabel.
Bentuk persamaan Fuzzy Linear Programming, mengalami sedikit perubahan sebagai berikut : Bentuk imperatif pada fungsi obyektif tidak lagi benar-benar maksimum atau minimum, karena adanya beberapa hal yang perlu mendapat pertimbangan dalam suatu sistem. Tanda (pada batasan) dalam kasus maksimasi dan tanda (pada batasan) dalam kasus minimasi tidak lagi bermakna crisp secara matematis, namun sedikit mengalami pelanggaran makna. Hal ini juga disebabkan karena adanya beberapa yang perlu dipertimbangkan dalam sistem yang mengakibatkan batasan tidak dapat didekati secara tegas.
Contoh kasus minimasi pada Linear Programming: Minimumkan: f(x)=CTx dengan batasan: Ax b x0 dengan c,xRn,bRm,ARmxn Minimasi pada Fuzzy Linear Programming: Tentukan x sedemikian hingga: cTx z Ax b X0 Tiap-tiap batasan (0, 1, 2, , m) akan direpresentasikan dengan sebuah himpunan fuzzy, dengan fungsi keanggotaan pada himpunan ke-i adlah i[Bix].
Fungsi keanggotaan untuk model keputusan himpunan fuzzy dapat dinyatakan sebagai:
Tentu saja diharapkan akan didapat solusi terbaik, yaitu solusi dengan nilai keanggotaan yang paling besar. Dengan demikian solusi sebenarnya adalah:
Dari sini terlihat bahwa i[Bix]=0 jika batasan ke-i benar-benar dilanggar. Sebaliknya, i[Bix]=1 jika batasan ke-i benar-benar dipatuhi. Nilai i[Bix] akan naik secara monoton pada selang [0,1], yaitu:
dengan pi adalah toleransi interval yang diperbolehkan untuk melakukan pelanggaran baik pada fungi obyektif maupun batasan. Dengan mensubstitusikan (2) ke (1) akan diperoleh:
Dari gambar diatas, terlihat bahwa semakin besar nilai domain, akan memiliki nilai keanggotaan yang cenderung semakin kecil. Sehingga untuk mencari nilai -cut dapat dihitung sebagai =1-t, dengan: di + tpi = ruas kanan batasan ke-i
1 G(x) =
Cx - Zt Zu - Zt
0
Dengan demikian akan diperoleh bentuk Linear Programming baru sebagai berikut: Maksimumkan: (Zu-Zt) CX -Zt Dengan batasan: pi + Bix di + pi i = 0, 1, , m x0 Penyelesaian masalah dengan metode Fuzzy Linear Programming Maksimumkan: x1 + x2 dengan batasan: x1 + 2x2 5 x1 + x2 4 x1 + x2 = 3 x1, x2 0 ketiga batasan memiliki toleransi interval masing-masing : p1=3, p2=2, p3=1.
Bentuk tersebut di atas dapat diubah menjadi: Maksimumkan: x1 + x2 dengan batasan: x1 + 22 5 + 3t x1 + x2 4 + 2t x1 + x2 = 3 + t x1, x2 0 Jika t=0 (=1), maka bentuk di atas menjadi: Maksimumkan: x1 + x2 dengan batasan: x1 + 22 5 x1 + x2 4 x1 + x2 = 3 x1, x2 0 yang dapat diselesaikan dengan menggunakan metode simpleks.
Bentuk standar Linear Programming: Maksimumkan: z = x1 + x2 dengan batasan: x1 + 22 S1 + S2 = 5 x1 + x2 + S3 = 4 x1 + x2 + S4 = 3 x1, x2 0 Tabel simpleks untuk solusi awal adalah:
Hasil akhir untuk t=0 (=1), adalah: z = 10M; Jika t=1 (=0), maka bentuk awal Linear Programming dapat diubah menjadi: Maksimumkan: x1 + x2 dengan batasan: x1 + 22 8 x1 + x2 6 x1 + x2 = 4 x1, x2 0 yang juga dapat diselesaikan dengan menggunakan metode simpleks.
Secara umum permasalahan FUZZY LINEAR PROGRAMMING dirubah menjadi Crips linear atau nonlinear problem yang diselesaikan dengan tahapan standar dari linear programing
Contoh kasus :
Diasumsikan sebuah perusahaan memproduksi 2 produk, produk P1 memiliki keuntungan Rp. 40/unit sedangkan produk P2 memiliki keuntungan Rp.30,-/unit. Untuk memproduksi unit produk P1 memerlukan waktu 2 kali jam kerja dibandingkan dengan unit P2. Total jam kerja yang tersedia adalah 500 jam/hari dan memungkinkan ditingkatkan menjadi 600 jam/hari. Kebutuhan bahan baku sekitar 400 unit/hari untuk kedua produks tersebut dan masih dapat ditingkatkan menjadi 500 unit/hari Permasalahannya adalah : berapa banyak produk P1 dan P2 yang dapat dibuat untuk memaksimalkan keuntungan ?
1 B1(x) =
Jika x 400
. Jika 400 < x 500 Jika 500 > x Jika x 500 Jika 500 < x 600 Jika 600 > x
500 - x 100 0 1
. . . ..
B2(x) =
600 - x 100 0
Selesaikan dengan Linier programing biasa hingga mendapatkan nilai Zt = 130 dan Zu = 160
X1 + X2 400
2 X1 + X2 500 X1,X2 0 (P2) max = Z = 0.4X1 + 0.3X2
X1 + X2 = 400
X1 = 400 X2
2X1 + X2 = 500 substitusi 2(400 X2) + X2 = 500
= 40 + 90
= 130
X1 + X2 = 500
X1 = 500 X2
2X1 + X2 = 600 substitusi 2(500 X2) + X2 = 600
= 40 + 120
= 160
; = 0,5