BAHAN 12 Logika Fuzzy

A. Apa logika Fuzzy ? Dalam kehidupan sehari-hari kita sering tidak dapat menentukan batasbatas suatu masalah secara jelas. Sebagai contoh, untuk menyatakan air itu panas atau dingin, amat bersifat relative. Logika fuzzy merupakan suatu cara yang tepat untuk memetakan suatu ruang input ke dalam ruang output. Dalam gambar 1, kotak hitam menyatakan proses yang dilakukan terhadap input supaya menghasilkan output.

Ruang Input

Kotak Hitam Gambar 1. Pemetaan input-output

Ruang Output

ada tahun 1!"#, $adeh memodifikasi teori himpunan dimana setiap anggotanya memiliki derajat keanggotaan kontinu antara % - 1, himpunan ini disebut himpunan samar &Fuzzy set'. Sebagai contoh ( himpunan temperatur yang akan mempengaruhi kondisi panas tidak bersifat diskrit dan dibatasi kondisi hangat. Skema dasar dari fuzzy logic dapat dilihat pada )ambar *.

Knowledge Base

Fuzzy Inference System

Fuzzyfication

Defuzzification

Input

Output

Gambar 2. Skema dasar Fuzzy Logic

+nput fuzzy berupa bilangan crisp &tegas' yang dinyatakan dalam himpunan input. ,uzzifikasi merupakan proses untuk mengubah bilangan crisp menjadi nilai keanggotaan dalam himpunan fuzzy. Fuzzy inference system merupakan bagian pengambilan kesimpulan & reasoning' dan keputusan. Knowledge base berisi aturan-aturan yang biasanya dinyatakan dengan perintah +, -. ./01-. Defuzzification merupakan proses untuk merubah nilai output fuzzy menjadi nilai crisp. B. Himpunan Crisp dan Himpunan Fuzzy 2ika diberikan suatu himpunan semesta pembicaraan, himpunan crisp 345 didefinisikan oleh item-item yang ada pada himpunan itu. 2ika a A, maka nilai yang berhubungan dengan a adalah 1, namun jika a A, maka nilai yang berhubungan dengan a adalah 0. Sebagai contoh misalnya kita membuat klasifikasi himpunan umur dengan kategori yang tegas ( 6uda aruh baya .ua adalah(
! $uda %aru &aya Tua

78% tahun 8#-#% tahun 9#% tahun

Sebagai contoh, himpunan crisp untuk kategori paruh baya yang dibentuk

30

50

Gambar . "im#unan cris#

Dari contoh di atas terdapat batas yang tegas untuk tiap kategori umur. .etapi hal ini bisa menimbulkan kontradiktif jika kita mengambil contoh umur di sekitar batas kategori. 6isalkan kita ambil contoh umur #% tahun masuk kategori

tua sedangkan umur #% tahun kurang 1 bulan masuk kategori paruh baya. /al ini kurang logis sehingga diperlukan suatu himpunan yang bisa mengatasi hal kontradiktif tersebut. Dengan adanya himpunan fuzzy, hal kontradiktif tersebut bisa diatasi karena batas tiap kategori bisa saling overlapping.
%aru &aya ! $uda

Tua

30

50

Gambar !. "im#unan fuzzy

C. Logika Fuzzy ,ungsi keanggotaan &:f ; membership function' merupakan suatu kurva yang menunjukkan pemetaan antara titik-titik input data ke dalam nilai keanggotaannya &derajat keanggotaan'. 4mbil < sebagai semesta dari himpunan objek = u >. /impunan fuzzy , dalam semesta pembicaraa < dinyatakan dalam nilai keanggotaan :f yang mempunyai interfal nilai [0 '!] . /impunan fuzzy biasanya dinyatakan dengan (

F = {( u ' f ( u ) ) ( u U

jika < kontinyu maka himpunan , dapat ditulis dengan (

F = f (u ) ) u

jika < diskrit maka himpunan , dapat ditulis dengan (

F = f ( ui ) ) ui

?ontoh nilai keanggotaan dari suatu himpunan fuzzy dapat dilihat pada )ambar #.

Gambar ". *ilai keanggotaan untuk im#unan fuzzy segitiga

C.1. Himpunan penyokong /impunan penyokong &support set' dari fuzzy adalah himpunan nilai crisp dari semua titik dalam semesta pembicaraan < yang nilai fungsi keanggotaannya &:f' 9 %.

Gambar #. "im#unan #enyokong

C.2. Nilai am ang al!a"#u$ % -cut of a fuzzy set& 1ilai ambang alfa-cut & , @ ' merupakan himpunan crisp dari semua titik u dalam semesta pembicaraan < dimana : f A @. Dengan perkataan lain level alfa merupakan nilai ambang batas domain yang didasarkan pada nilai keanggotaan tiap-tiap domain. /impunan ini berisi semua nilai domain yang merupakan bagian dari himpunan fuzzy dengan nilai keanggotaan lebih besar atau sama dengan alfa.

Gambar $. +lfa,cut

C.'. Normalisasi 1ormalisasi adalah proses untuk memetakan derajat keanggotaan tiap elemen fuzzy agar nilai maksimum dari himpunan keanggotaan itu 1. /impunan nilai keanggotaan dapat tidak dinormalisasi dengan mengubah semua nilai keanggotaan sehingga proporsional untuk tiap-tiap domain. C.(. Fungsi Nilai )eanggo$aan ,ungsi keanggotaan fuzzy ada beberapa macam antara lain ( 1. fungsi keanggotaan segitiga

Gambar %. "im#unan fungsi keanggotaan segitiga

0 ( u a) )( b a) S ( u - a ' b' c ) = ( c u ) )( c b) 0

untuk .. u < a untuk .. a u b untuk .. b u c untuk .. u > c

*. fungsi keanggotaan trapezium

Gambar &. "im#unan Keanggotaan tra#esium

0 ( u a ) )( b a ) S ( u / a' b' c' d ) = ! ( d u ) )( d c) 0

8. fungsi keanggotaan sigmoid

untuk untuk untuk untuk untuk

.. u < a .. a u b .. b u c .. c u d .. u > d

Gambar 1'. "im#unan keanggotaan sigmoid

0 0 0[ ( u a ) )( c a) ] S ( u- a' b' c ) = 0 ! 0[ ( u c ) ) ( c u ) ] !
B. fungsi keanggotaan gausian

untuk .. u < a untuk .. a u b untuk .. b u c untuk .. u > c

Gambar 11. "im#unan keanggotaan gaussian

S ( u- c b' c b ) 0' c) ( u - b' c ) = ! S ( u- c' c + b ) 0' c + b)

C.*. +perasi ,impunan !uzzy /impunan fuzzy dapat dioperasikan dengan beberapa macam yaitu( No. 1 * 8 B # " I +perasi 0Cuality <nion +ntersection ?omplement 1ormalitation ?oncentration Dilatation -kspresi opera$or :4&u'; :D&u' :a<b&u'; maF= :4&u', :D&u'> :aGb&u'; min= :4&u', :D&u'> :4&u'; 1- :4&u' :norml&4'&u' ; :4&u'HmaF&:4&u'' :con4&u';& :4&u''* :dil4&u'; &:4&u''%.# )e$erangan uE< uE< uE< uE< uE< uE< uE<

+ntensification

02 A 2u110 int2 A1 2u1 = ! 02! A 2u110

:4.D&u'; :4&u'. :4&u' :4KD&u'; min=1, :4&u'K :D&u'> :4FD&u';maF=%, :4&u'K :D&u'-1> uE< uE< uE<

! 1% 11 1*

4lgebraic product Dounded sum Dounded product Drastic product

A 2u 1 AxB 2u 1 = B 2u 1 0

untuk .. B 2u1 = ! untuk . A 2u1 = ! untuk . A 2u1' B 2u1 < !

.. Fuzzy /easoning 4da * cara yang sering dipakai dalam pengambilan kesimpulan &reasoning' yaitu generalisasi modus ponen &)6 ' dan generalisasi modus tolen &)6.'. 6odus ponen sering disebut penyimpulan langsung & direct reasoning' sedangkan modus tolen sering disebut penyimpulan tidak langsung & indirect reasoning'. 6isalkan suatu himpunan fuzzy dinyatakan dengan 4, 4L, D, DL dan variabel linguistic dinyatakan dengan M dan N, maka ekspresi dari modus ponen dan modus tolen adalah ( 0odus ponen 1 remise 1 &pengetahuan' ( jika M adalah 4 maka N adalah D remise * &fakta' Oesimpulan ( ( M adalah 4L N adalah DL DL ; 4L o P 3jika 4 maka D5 .

Oesimpulan DL dapat dinyatakan oleh ( Dimana ( P

; hubungan implikasi fuzzy dari

o 4L

; operator komposisi ; himpunan fuzzy yang bisa berbentuk ( 4, sangat 4, sedikit 4, agak 4, not 4 dll.

0odus 2olen 1 remise 1 &pengetahuan' ( jika M adalah 4 maka N adalah D remise * &fakta' Oesimpulan ( ( N adalah DL M adalah 4L .

Diasanya pengambilan kesimpulan dengan metode ini hanya valid jika DL ; not D dan 4L ; not 4 sehingga nilai 4L dapat dinyatakan dengan ( -. 3is$em 4n!erensi Fuzzy ada umumnya tiap-tiap aturan &proposisi' fuzzy dinyatakan dalam bentuk +,.../01.. dan menyatakan suatu hubungan tertentu. /ubungan fuzzy ini sering disebut implikasi. /ubungan fuzzy dalam knowledge base dapat didefinisikan sebagai himpunan implikasi fuzzy. 4da * jenis proposisi fuzzy yaitu 3 condition fuzzy propositionL dan Quncondition fuzzy propositionL. 1. Condotion Fuzzy Proposition 2enis ini dicirikan dengan penggunaan +,. +, F is 4 ./01 y is D 2ika suatu proposisi menggunakan bentuk terkondisi maka ada * fungsi implikasi yang dapat digunakan yaitu ( a. 6inimum ( fungsi ini memotong output himpunan fuzzy. 4L ; P o DL

Gambar 12. fungsi im#likasi min

b. Dot ( fungsi ini menskalakan output himpunan fuzzy

Gambar 1 . fungsi im#likasi dot

2.

ncondition Fuzzy Proposition. 2enis uncondition ditandai dengan tidak adanya pernyataan +,. F is 4 proposisi uncondition selalu diaplikasi dengan model 41D.

2ika dalam system fuzzy terdapat beberapa aturan, maka ada 8 metode yang dipakai dalam menentukan inferensi yaitu ( ma!"min, additive dan probabilistic #$ %probor& 1. metode 'a!"'in 6aF dapat dianalogikan dengan operasi logika RP sedangkan 6in dianalogikan dengan operasi logika 41D. *. metode additive metode additive dilakukan dengan melakukan bounded"sum terhadap semua output daerah fuzzy. Secara umum dapat dituliskan dengan L( :sfSFiT min &1, :sfSFiT K:kfSFiT ' :sfSFiT :kfSFiT ; nilai keanggotaan solusi fuzzy sampai aturan ke-i ; nilai keanggotaan konsekuen &output' fuzzy sampai aturan ke-i

8. metode robor metode probor diperoleh dengan melakukan product &perkalian' terhadap semua output daerah fuzzy. Secara umum ditulikan dengan ( :sfSFiT & :sfSFiT K:kfSFiT ' - & :sfSFiT U:kfSFiT '

:sfSFiT :kfSFiT

; nilai keanggotaan solusi fuzzy sampai aturan ke-i ; nilai keanggotaan konsekuen &output' fuzzy sampai aturan ke-i

F. Basis A$uran Dasis aturan terdiri dari sejumlah aturan yang biasanya dinyatakan secara linguistic. 4turan fuzzy seringkali dinyatakan dengan 3+,-./01-.5. didasarkan pada kebutuhan akan ( 1. memfasilitasi kepakaran &e!pert' manusia *. 8. B. dengan cara yang tepat untuk mengekspresikan pengetahuan dan pengalaman mereka. memfasilitasi desainer dengan cara yang mudah untuk membuat dan memprogram aturan fuzzy. mengurangi biaya desain dan meningkatkan efisiensi pengambilan keputusan fuzzy & fuzzy inference'. 2ika variabel input lebih dari satu, biasanya ada penghubung yang menyatakan relasi dari tiap-tiap input. enghubung itu biasanya dinyatakan dengan Q41DQ, QRPL, dan Q4LSRL. emakaian penghubung itu misalnya V +, F1 +S +, 4k1 4k1 RP F* 4k* ./01 +S 4k* ./01 y1 +S Dk1 4LSR y* is Dk* /al ini

secara lebih singkat dapat dinyatakan RP Dk1 4LSR Dk

5. .e!uzzi!ikasi 4da beberapa metode defuzzifikasi antara lain ( 1. metode centroid metode centroid dilakukan dengan mengambil titik pusat daerah fuzzy. Secara umum dirumuskan dengan (
n

z( z )dz z= ( z )dz

atau

z=

z
j =! n j =!

2 z j 1
j

2 z

*. metode bisector metode bisector dilakukan dengan mengambil nilai dari domain fuzzy yang memiliki nilai keanggotaan separo dari nilai keanggotaan fuzzy. Secara dirumuskan dengan (
p

z p . sedemikian . hingga .. 2 z1dz = 2 z1dz

R! p

Rn

8. metode 6ean of 6aFimum &6R6' metode 6R6 dilakukan dengan mengambil nilai rata-rata domain yang memiliki nilai keanggotaan maksimum B. metode Largest of 6inimum &LR6' metode LR6 dilakukan dengan mengambil nilai terbesar dari domain yang memiliki nilai keanggotaan maksimum. #. metode Smallest of 6aFimum &SR6'T metode LR6 dilakukan dengan mengambil nilai terkecil dari domain yang memiliki nilai keanggotaan maksimum

contoh fuzzy menggunakan toolboF matlab ".# ( 1. matlab (iew )aunch Pad *oolbo!es Fuzzy )ogic 2. pilih F+, -ditor . akan muncul tampilan membership function.

/ambar 1.

/ambar 2. 0. membership function berfungsi untuk merubah bentuk dan nilai himpunan keanggotaan. 1. untuk menambah2mengurangi variabel input output tekan menu -dit pada F+, dan pilih F+, properties. aka akan muncul tampilan F+, -ditor seperti gambar di bawah.

/ambar 0.

5. untuk membuat aturan"aturan. tekan menu edit rules atau %ctrl34&.

/ambar 1.

6. untuk menampilkan aturan"aturan dalam bentuk himpunan keanggotaan tekan (iew rules. maka akan muncul $ule viewer seperti gambar dibawah.

/ambar 4.

7. untuk menampilkan surface. pilih view surface. maka akan muncul tampilan seperti pada gambar dibawah ini.

/ambar 5.

DAFTAR PUSTAKA : 1. Iterative Dichotomizer Three, Teori dan Aplikasi, Danny Manongga, 2005, TI !"#$. 2. %engantar Algoritma &enetik, Danny Manongga, 2005, TI !"#$. '. Mem(ang)n *aringan #ara+ Tir)an mengg)nakan matla(, #ri ")s)made,i, 200-, &raha Ilm). -. !sing )zzy .ogic, To,ard Intelligent #ystem, *)n /an dkk,100', %rentice 1all. 5. )ndamental o+ 2e)ral 2et,orks, .a)rene a)set, 100-, %rentice 1all.