FUZZY EXPERT SYSTEMS

MUHAMMAD RIDWAN ANDI PURNOMO, ST, MSc

JURUSAN TEKNIK INDUSTRI
UNIVERSITAS ISLAM INDONESIA

2010
PENDAHULUAN
Beberapa orang pakar biasa menggunakan istilah yang tidak jelas
(kabur) dalam berdiskusi.



kita akan membuat sistem kontrol yang sangat handal
Sangat handal adalah pernyataan yang tidak terukur (tidak jelas),
namun dapat difahami oleh kelompok pakar tersebut.



Logika fuzzy bukan logika yang kabur, tetapi logika yang digunakan
untuk menyatakan kekaburan.



PENDAHULUAN
Logika boolean atau crisp (0 1) sering tidak dapat digunakan untuk
merepresentasikan kejadian sehari-hari.
0 Muda < 30; 30 Setengah Baya < 50; 50 Tua <
Budi (usia 29 tahun, 11 bulan, 20 hari) Muda
Iwan (usia 30 tahun, 0 bulan, 0 hari) Setengah Baya

Keputusan di atas adalah tidak adil
PENDAHULUAN
Jan Lukasiewicz (1930) mengenalkan logika multi nilai (multi valued
logik).
Lotfi Zadeh (1965) memperkenalkan himpunan Fuzzy merupakan
Master of Fuzzy Logic.
Perbedaan logika Crisp dengan Fuzzy:
0 0 0 1 1 1
Logika Crisp
0 0.25 0.5 0.75 1
Logika Fuzzy
PENDAHULUAN
Logika fuzzy didefinisikan sebagai konsep matematika untuk
merepresentasikan pengetahuan berdasarkan kepada derajat
keanggotaan, bukan berdasarkan logika crisp atau boolean.
Menggunakan logika Fuzzy, Budi (usia 29 tahun, 11 bulan, 20 hari)
muda dengan derajat keanggotaan a dan setengah baya dengan
derajat keanggotaan b.
Iwan (usia 30 tahun, 0 bulan, 0 hari), muda dengan derajat
keanggotaan c dan setengah baya dengan derajat keanggotaan d.
HIMPUNAN FUZZY
Pengertian himpunan Fuzzy, secara sederhana adalah
sebuah himpunan dengan batas kabur.
( )
( )

e
e
=

A x
A x
x f
X x f
A
A
jika , 0
jika , 1
: dimana
1 , 0 :
Himpunan crisp tidak dapat digunakan untuk menerangkan konsep
kekaburan, sedangkan himpunan Fuzzy dapat digunakan untuk
menerangkan kekaburan.
Crisp: Fuzzy:
( ) | |
( )
( )
( ) A x x
A x x
A x x
X x
A
A
A
A
dalam di sebagian jika 1 0
dalam di tidak jika 0
dalam di penuh jika 1
: dimana
1 , 0 :
< <
=
=

HIMPUNAN FUZZY
Perbandingan himpunan Crisp dengan himpunan Fuzzy:

Crisp Fuzzy
HIMPUNAN FUZZY
Penilaian menggunakan Crisp dan Fuzzy:

Seberapa tinggi Salman? (Crisp = 0 tinggi, Fuzzy = 0.78 tinggi)
Jawaban menggunakan himpunan Fuzzy adalah lebih masuk akal.
VARIABEL LINGUISTIK DAN HEDGES
Dasar dari teori himpunan Fuzzy adalah menggunakan variabel linguistik.
Variabel linguistik adalah variabel kabur (Fuzzy)
Contoh: Budi adalah tinggi, berarti bahwa variabel Budi adalah bernilai tinggi.
Dalam Fuzzy Expert Systems, variabel linguistik digunakan dalam bentuk aturan
Fuzzy, contoh:

IF umur project is panjang
THEN resiko penyelesaiannya tinggi.

IF permintaan naik
THEN jumlah produksi meningkat.


VARIABEL LINGUISTIK DAN HEDGES
Contoh kurva Fuzzy dan cara merepresentasikannya dalam komputer:

VARIABEL LINGUISTIK DAN HEDGES
Kadang-kadang diperlukan istilah-istilah khusus untuk merepresentasikan sub
himpunan yang banyak jumlahnya.
Masih diperlukan cara untuk membedakan rendah dengan sangat rendah.
Menggunakan operasi Hedges, himpunan Fuzzy tersebut dapat dibedakan.
REPRESENTASI MATEMATIKA DAN GRAFIK DARI
HEDGE
OPERASI HIMPUNAN FUZZY
Representasi grafik operasi himpunan Crisp:

OPERASI HIMPUNAN FUZZY
Representasi grafik operasi himpunan Fuzzy:

ATURAN FUZZY
Merupakan pernyataan kondisional dalam bentuk:
IF x is A antecedent
THEN y is B consequent
dimana x dan y adalah variabel linguistik; A dan B adalah nilai
linguistik.
Aturan Fuzzy tidak menggambarkan logika boolean (1/0).
Bagian antecedent dan consequent boleh berisi lebih dari 1
pernyataan.

INFEREN FUZZY
Teknik Mamdani dibuat oleh Prof. Ebrahim Mamdani, 1975.
Dilakukan dengan 4 langkah, yaitu:
1. Fuzzy-fikasi
Mengubah input Crisp ke dalam bentuk Fuzzy.
2. Evaluasi aturan
Memasukkan input yang sudah di-Fuzzy-kan ke dalam aturan Fuzzy
3. Agregasi
Proses penggabungan hasil evaluasi aturan ke dalam satu himpunan output
4. De-Fuzzy-fikasi
Mengubah hasil Fuzzy ke dalam nilai Crisp.

CONTOH INFEREN MAMDANI
Contoh Aplikasi Sistem Fuzzy dengan Inferen Mamdani:
Rule 1:
IF project_funding is adequate
OR project_staffing is small
THEN risk is low.
Rule 2:
IF project_funding is marginal
AND project_staffing is large
THEN risk is normal
Rule 3:
IF project_funding is inadequate
THEN risk is high.
CONTOH INFEREN MAMDANI
Himpunan Fuzzy pada sebuah kasus manajemen proyek:











Fuzzy-fikasi:
project_funding = 55 dan project_staffing = 70:
R1 0 OR 0.5
R2 0.75 AND 0.5
R3 0
CONTOH INFEREN MAMDANI
Evaluasi Aturan:
Operator AND menggunakan operasi min
Operator OR menggunakan operasi max.
Kustomisasi operasi:
Operator OR menggunakan operasi probabilistic OR (probor) =
A
(x) +
B
(x) -
A
(x) x

B
(x).
Operator AND menggunakan operasi product =
A
(x) x
B
(x).
Hasil:
R1 = max(0; 0.5) = 0.5
R2 = product(0.75; 0.5) = 0.375
R3 = 0

CONTOH INFEREN MAMDANI
Aggregasi:
Pemetaan output setiap aturan pada himpunan Fuzzy di bagian konsekuen:

CONTOH INFEREN MAMDANI
Defuzzy-fikasi:
Metode Centroid:

INFEREN FUZZY
Teknik Sugeno dibuat oleh Michio Sugeno, 1985.
Dibuat untuk menyederhanakan inferen Mamdani.
Format aturan Fuzzy yang digunakan:
IF x is A
AND y is B
THEN z is f(x, y)
Format aturan orde 0 dalam teknik ini:
IF x is A
AND y is B
THEN z is k konstan
Output sistem (defuzzy-fikasi) dilakukan dengan formula:
O = (k
1
) x k
1
+ (k
2
) x k
2
+ + (k
R
) x k
R

(k
1
) + (k
2
) + + (k
R
)






CONTOH INFEREN SUGENO
Kasus:
Diketahui data historis mengenai jumlah demand (NOD) dengan variabel-variabel yang mempengaruhinya,
yaitu Harga Jual dan Jumlah Populasi (NOP), sebagai berikut:





Himpunan Fuzzy:


CONTOH INFEREN SUGENO
Aturan Fuzzy:
R1: IF P is low AND NOP is little THEN NOD = 200
R2: IF P is avrg AND NOP is medium THEN NOD = 220
R3: IF P is low AND NOP is Big THEN NOD = 250.
Hasil pemodelan Fuzzy:






Output model masih berbeda dengan aktual data. Pengubahan nilai NOD akan dapat memperbaiki hasil
pemodelan. Sebuah teknik optimasi dapat digunakan untuk tujuan ini.





TERIMA KASIH