Logika Fuzzy

Pertemuan enam
Flash back sekejap
Teknik reasoning (teknik penalaran)
yakni teknik penyelesaian masalah
dengan cara merepresentasikan
masalah ke dalam basis pengetahuan
(knowledge base) menggunakan
logic atau bahasa formal (bahasa
yang dipahami komputer). [pertemuan1]
TEKNIK PENYELESAIAN MASALAH
Tiga buah logic untuk merepresentasikan
pengetahuan dan melakukan penalaran :
[1]. Propositional logic (logika proposisi) &
[2]. First order logic / predicate calculus (kalkulus
predikat).
[3]. Fuzzy logic (logika samar)
Kita sudah membahas logika [1] dan logika [2]
tersebut pada pertemuan keempat dan kelima.
Kali ini pertemuan keenam- kita bahas logika [3].
Dua logika pertama digunakan untuk masalah
yang memiliki kepastian. masalah True /
False, masalah benar/ salah, tinggi/ rendah,
panjang/ pendek, dlsband, or, not, exor,
dlsb

Fuzzy logic digunakan untuk menyelesaikan
masalah yang memiliki ketidak pastian
(uncertainty) keraguan, ketidak tepatan,
kekurang lengkapan informasi, dan
kebenaran yang bersifat sebagian.
FUZZY SYSTEMS
Teori tentang fuzzy set atau himpunan samar
pertama kali dikemukakan oleh Lotfi Zadeh
sekitar tahun 1965 pada sebuah makalah yang
berjudul Fuzzy sets.

Sejak pertengahan 1970-an, para peneliti
Jepang berhasil mengaplikasikan teori ini ke
dalam berbagai permasalahan praktis.
Di dunia nyata
Seringkali kita menghadapi suatu
masalah yang informasinya sangat
sulit untuk diterjemahkan ke dalam
suatu rumus atau angka yang tepat
karena informasi tersebut bersifat
kualitatif (tidak bisa diukur secara
kuantitatif).
Apakah tidak cukup menyelesaikan
masalah ketidak pastian dengan
menggunakan teori probabilitas ?
Ada seorang ilmuwan terdampar di sebuah pulau gersang tanpa air
sedikitpun. Pada suatu hari, dia meneukan dua buah peti,
masing-masing peti berisi 50 botol air mineral. Pada peti
pertama, terdapat tulisan Peringatan: 1 dari 50 botol ini berisis
cairan kimia mematikan yang warna dan rasanya sama dengan
air mineral. Anda akan mati seketika jika meminumnya. Pada
peti kedua, terdapat tulisan Peringatan: satu plastik cairan kimia
mematikan telah dicampurkan ke dalam 50 botol ini secara tidak
merata. Anda tidak akan mati jika hanya meminum satu botol,
tetapi anda akan mati jika meminum 50 botol tersebut. Karena
dehidrasi berat, ilmuwan membutuhkan satu botol air mineral
agar tetap bertahan hidup. Jika anda sebagai ilmuwan, anda
akan mengambil sebotol minuman dari peti yang mana?.
Pada peti pertama
Jenis ketidakpastian yang ada disebut peluang
atau probabilitas.

Memilih 1 dari 50 botol memberikan
probabilitas salah memilih botol, meminum
cairan, dan mati sebesar 1/50 atau 0,02.

Terdapat ketidak pastian apakah kita mati atau
hidup.
Pada peti kedua
Jenis ketidak pastian yang ada disebut fuziness
(kesamaran): tidak masalah botol mana yang
kita pilih dan kita minum airnya, air tersebut
mungkin hanya membuat kepala kita pusing
tetapi kita masih bisa bertahan hidup.
Air dalam masing-masing botol memiliki
kandungan cairan kimia yang berbeda-beda.
Tingkat kandungan cairan kimia yang berbeda-
beda inilah yang disebut Fuzziness.
FUZZY SET
Merupakan dasar dari fuzzy logic dan fuzzy systems.

Contoh masalah:
Kita ingin memutuskan apakah seorang
mahasiswa layak mendapatkan beasiswa atau
tidaka. Misal kita hanya memperhatikan dua
parameter: IP dan hasil TP. Mhs A, IP=3,00 dan
TP=8,00 mhs B memiliki IP=2,999999 dan TP
=8,50.
Univ. X membuat suatu aturan keputusan
bhw mhs yg berhak
mendapatkanbeasiswa adl mhs yg
memiliki IP>=3,00 dan TP>=8,00. Dengan
atran tersebut, maka dapat diputuskan
bhw mhs A layak mendapatkan beasiswa
sedangkan B tidak layak. Membuat
keputusan dengan cara seperti ini bisa
dianggap tidak adil oleh kalangan
mahasiswa.
Dalam kasus di atas, universitas X membuat
keputusan dengan aturan yang jelas dan
membedakan secara tegas.
Dalam bahasa Inggris hal ini disebut sebagai crisp
yang dalam kamus Oxford diartikan sebagai clear
and distinct.
Untuk membuat keputusan yang adil, terkadang
kita tidak bisa melihat masalah sebagai hitam dan
putih. Terdapat hal-hal bernilai abu-abu yang jika
diperhatikan akan membantu kita membuat
keputusan yang, secara intuitif, lebih adil.
Crisp set
Himpunan yang membedakan anggota
dan non anggotanya dengan batasan
yang jelas disebut crisp set.
Misalnya, jika C = { x I 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
Misalkan U adalah universe (semesta) objek
dan x adalah anggota U.
Suatu fuzzy set A di dalam 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.
Illustrasi: 1 crisp set dan 4 fuzzy set
x Balita Dewasa Muda Tua
5 0 0 1 0
10 0 0 1 0
20 0 0.8 0.8 0.1
30 0 1 0.5 0.2
40 0 1 0.2 0.4
50 0 1 0.1 0.6
60 0 1 0 0.8
70 0 1 0 1
80 0 1 0 1
4 buah Fuzzy set (yang merupakan subset dari x):
1. Balita = {}
2. Dewasa = {20,30,40,50,60,70,80}, dimana
derajat keanggotaannya dinyatakan oleh
Dewasa={0.8, 1, 1, 1, 1, 1, 1, 1}
3. Muda = {5, 10, 20, 30, 40, 50}, dimana derajat
keanggotaannya dinyatakan oleh Muda={1, 1,
0.8, 0.5, 0.2, 0.1}
4. Tua = {20, 30, 40, 50, 60, 70, 80}, dimana
derajat keanggotaannya dinyatakan oleh
Tua={0.1, 0.2, 0.4, 0.6, 0.8, 1, 1}
Membership functions
(fungsi-fungsi keanggotaan)
Fungsi keanggotaan memainkan peranan yang
sangat penting untuk merepresentasikan masalah
dan menghasilkan keputusan yang akurat.

Terdapat banyak sekali fungsi keanggotaan, kita
hanya membahas empat fungsi keanggotaan
yang sering digunakan di dunia nyata: 1.fungsi
Sigmoid, 2. fungsi Phi, 3. fungsi Segitiga, dan 4.
fungsi Trapesium. Fungsi lainnya akan dijelaskan
sepintas.
Fungsi keanggotaan
Adalah suatu kurva yang menunjukkan pemetaan
titik-titik input data ke dalam nilai
keanggotaannya (sering juga disebut derajat
keanggotaan) yang memiliki interval antara 0
sampai 1.
Salah satu cara yang dapat digunakan untuk
mendapatkan nilai keanggotaann adalah dengan
melalui pendekatan fungsi.
Ada beberapa fungsi yang bisa digunakan : [a] s.d.
[g] berikut ini
a. Representasi linear ( naik atau turun). Contoh: Himpunana
fuzzy: Panas (linear naik), Himpunan fuzzy: Dingin.
b. Representasi Kurva Segitiga.Contoh: Himpunan fuzzy: Normal
pada variabel temperatur ruangan.
c. Representasi Kurva Travesium. Contoh: Himpunan Fuzzy:
Normal pada variabel temperatur (tergantung pada user/
karakteristik data)
d. Representasi Kurva Bentuk Bahu.
e. Representasi Kurva Sigmoid (pertumbuhan atau penyusutan).
Contoh: Himp. Fuzzy: TUA pada variabel umur; Himp. Fuzzy:
MUDA pada variabel umur.
f. Representasi kurva bentuk lonceng (bell curve): Phi, Beta,
Gauss. Contoh: himp fuzzy: PAROBAYA pada variabel umur.
g. Koordinat Keanggotaan: himp. Fuzzy berisi urutan pasangan
berurutan yg berisi nilai domain dan kebenaran nilai
keanggotaannya dalam bentuk skalar (i) / derajat (i).

Fuzzy logic
Hampir semua
Sepertinya
Lumayan hangat
Pintar
Bagus
Sangat baik

sebagian besar penalaran yg dilakukan manusia
bersifat perkiraan (approximate) approximate
reasoning
Membangun sistem berbasis/
menggunakan aturan fuzzy
Variable linguistik: suatu interval numerik dan
mempunyai nilai-nilai linguistik, yang semantiknya
didefinisikan oleh fungsi keanggotaannya.
Misalnya: Suhu adalah suatu variabel linguistik yg bisa
didefinisikan pada interval [-10oC, 40oC]. Variabel tsb
bisa memiliki nilai-nilai linguistik seperti dingin,
hangat, panas yang semantiknya didefinisikan oleh
fungsi-fungsi keanggotaan tertentu.
Sistem berbasis aturan fuzzy yang lengkap tdd TIGA
komponen utama: fuzzification, inference, dan
defuzzyfication.

Fuzzifikasi: mengubah masukan-masukan yang
nilai kebenarannya bersifat pasti (crisp input) ke
dalam bentuk fuzzy input, yang berupa nilai
linguistik yang semantiknya ditentukan
berdasarkan fungsi keanggotaan tertentu.

Inference: melakukan penalaran menggunakan
fuzzy input dan fuzzy rules yang telah ditentukan
sehingga menghasilkan fuzzy output.

Defuzzification: mengubah fuzzy output menjadi
crisp value berdasarkan fungsi keanggotaan yang
telah ditentukan.
Diagram blok yang lengkap unt sistem
berbasis aturan fuzzy
FUZZIFICATION
Misalnya: Suhu 20C dikonversikan menjadi
Hangat dengan derajat keanggotaan = 0,7.
INFERENCE
IF antecedent THEN consequent.
Terdapat dua model aturan fuzzy yg digunakan
secara luas dalam berbagai applikasi:
Model MAMDANI
IF x1 is A1 ANDAND xn is An THEN y is B
Model SUGENO
IF x1 is A1 ANDAND xn is An THEN y=f(x1, , xn)
f(x1, , xn)=wo + w1.x1 + + wn.xn;
Dengan wo, w1, .., wn = konstanta, berupa bil. Real
yg merupakan bagian dr spesifikasi aturan fuzzy.
DEFUZZIFICATION
Terdapat berbagai metode defuzzification yg telah telah berhasil
diaplikasikan unt berbagai masalah.
Berikut 5 metode defuzzification:
-Centroid method (Composite Moment): solusi crisp diperoleh
dengan cara mengambil titik pusat daerah fuzzy.
-Height method : memilih nilai crisp yg memiliki derajat
keanggotaan max.
-First (or Last) of Maxima: nilai crisp yg digunakan adalah salah satu
dr nilai yg dihasilkan dari maks pertama atau maks terakhir
(tergantung pd aplikasi yg dibangun).
-Mean-Max method : crisp diperoleh dengan cara mengambil nilai
rata2 domain yg memiliki nilai keanggotaan max.
-Weight Average: mengambil nilai rata2 yg menggunakan
pembobotan berupa derajat keanggotaan.
E.o.f. pertemuan 6 SKC