Fuzzy Systems

http://mhs.stiki.ac.id/06114001/Software/bowo/Fuzzy%20Logic.ppt

Fuzzy Logic
Dua buah logic yang dibahas sebelumnya adalah
untuk masalah-masalah yang pasti.
Untuk merepresentasikan masalah yang
mengandung ketidakpastian ke dalam suatu
bahasa formal yang dipahami komputer
digunakan fuzzy logic.

Masalah: Pemberian beasiswa

Misalkan terdapat permasalahan sebagai berikut:
Sebuah universitas akan memutuskan apakah seorang
mahasiswa layak mendapatkan beasiswa atau tidak.
Misalkan kriteria yang diperhatikan adalah Indeks Prestasi
(IP)3,0 dan hasil Test Psikologi (TP) 8,0.
Mahasiswa A memiliki IP=3,0 dan TP=8,0
Mahasiswa B memiliki IP=2,999999, dan TP=8,5.
Dengan aturan tersebut diputuskan bahwa mahasiswa A
layak mendapatkan beasiswa sedangkan mahasiswa B
tidak.
Pada kasus di atas, universitas tersebut membuat
keputusan dengan aturan yang jelas dan membedakan
secara tegas, melihat masalah secara hitam dan putih
(crisp), dan mungkin dianggap kurang adil.

Crisp set
Himpunan yang membedakan anggota dan non
anggotanya dengan batasan yang jelas disebut
crisp set.
Misalnya, jika C={x 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
Fuzzy set merupakan dasar dari fuzzy logic dan
fuzzy systems.
Suatu fuzzy set A di dalam Universe (semesta) 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.

Fuzzy Set
Contoh:
Misalkan, x = {5, 10, 20, 30, 40, 50, 60, 70, 80} adalah
crisp set Usia dalam satuan tahun.
Balita, Dewasa, Muda, dan Tua adalah empat fuzzy
set yang merupakan subset dari x.

Fuzzy Set
Pada tabel tersebut terdapat 4 buah fuzzy set
dengan anggota dan derajat keanggotaannya
sebagai berikut:
Balita = {}
Dewasa = {20, 30, 40, 50, 60, 70, 80}, di mana
derajat keanggotaannya dinyatakan oleh Dewasa =
{0.8, 1, 1, 1, 1, 1, 1}.
Muda = {5, 10, 20, 30, 40, 50}, di mana derajat
keanggotaannya dinyatakan oleh muda = {1, 1, 0.8,
0.5, 0.2, 0.1}.
Tua = {20, 30, 40, 50, 60, 70, 80}, di mana derajat
keanggotaannya dinyatakan oleh Tua = {0.1, 0.2,
0.4, 0.6, 0.8, 1, 1}.

Konvensi penulisan fuzzy set

Konvensi untuk menuliskan fuzzy set yang
dihasilkan dari universe U yang diskrit adalah
sebagai berikut:

Pada contoh di atas, fuzzy set Tua ditulis

sebagai:

Konvensi penulisan fuzzy set

Sedangkan jika U adalah kontinu, maka fuzzy set
A dinotasikan sebagai:

Membership functions (Fungsi-fungsi

keanggotaan)
Di dalam fuzzy sistems, fungsi keangotaan
memainkan peranan yang sangat penting untuk
merepresentasikan masalah dan menghasilkan
keputusan yang akurat.
Terdapat banyak sekali fungsi keanggotaan yang
bisa digunakan.
Di sini hanya akan dibahas empat fungsi
keanggotaan yang sering digunakan, yaitu:

Fungsi sigmoid
Fungsi phi
Fungsi segitiga
Fungsi trapesium

Fungsi Sigmoid
Sesuai dengan namanya, fungsi ini berbentuk
kurva sigmoidal seperti huruf S.
Setiap nilai x (anggota crisp set) dipetakan ke
dalam interval [0,1].

Fungsi Sigmoid

Fungsi Phi
Pada fungsi keanggotaan ini, hanya terdapat satu
nilai x yang memiliki derajat keanggotaan yang
sama dengan 1, yaitu ketika x=c.
Nilai-nilai di sekitar c memiliki derajat
keanggotaan yang masih mendekati 1.

Fungsi Phi

Fungsi Segitiga
Sama seperti fungsi phi, pada fungsi ini juga
terdapat hanya satu nilai x yang memiliki derajat
keanggotaan sama dengan 1, yaitu ketika x=b.
Tetapi, nilai-nilai di sekitar b memiliki derajat
keanggotaan yang turun cukup tajam menjauhi 1.

Fungsi Segitiga

Fungsi Trapesium
Berbeda dengan fungsi segitiga, pada fungsi ini
terdapat beberapa nilai x yang memiliki derajat
keanggotaan sama dengan 1, yaitu ketika b x c
Tetapi derajat keanggotaan untuk a< x <b dan
c< x d memiliki karakteristik yang sama dengan
fungsi segitiga.

Fungsi Trapesium

Sistem berbasis aturan fuzzy

Variabel linguistik
Variabel linguistik adalah suatu interval numerik dan
mempunyai nilai-nilai linguistik, yang semantiknya
didefinisikan oleh fungsi keanggotaannya.
Misalnya, Suhu adalah variabel linguistik yang bisa
didefinisikan pada interval [-100 C, 400 C].
Variabel tersebut bisa memiliki nilai-nilai linguistik
seperti Dingin, Hangat, Panas yang semantiknya
didefinisikan oleh fungsi-fungsi keanggotaan tertentu.

 Suatu sistem berbasis aturan fuzzi

yang lengkap terdiri dari tiga
komponen utama:
Fuzzification
Inference
Defuzzification

Diagram blok lengkap sistem berbasis

aturan fuzzy

Fuzzification
Fuzzification: mengubah masukanmasukan yang nilai kebenarannya
bersifat pasti (crisp input) ke dalam
bentuk fuzzy input.

Inference
Inference: melakukan penalaran menggunakan
fuzzy input dan fuzzy rules yang telah ditentukan
sehingga menghasilkan fuzzy output.
Secara sintaks, suatu fuzzy rule (aturan fuzzy)
dituliskan sebagai:
IF antecendent THEN consequent

Terdapat dua model aturan fuzzy yang digunakan

secara luas dalam berbagai aplikasi, yaitu:
Model Mamdani
Model Sugeno

Inference
Model Mamdani
Pada model ini, aturan fuzzy didefinisikan sebagai:
IF x1 is A1 AND AND xn is An THEN y is B
di mana A1, , An, dan B adalah nilai-nilai linguistik
(atau fuzzy set) dan x1 is A1 menyatakan bahwa
nilai x1 adalah anggota fuzzy set A1.

Inference
Model Sugeno
Model ini dikenal juga sebagai Takagi-Sugeno-Kang
(TSK) model, yaitu suatu varian dari Model Mamdani.
Model ini menggunakan aturan yang berbentuk:
IF x1 is A1 ANDAND xn is An THEN y=f(x1,,xn)
di mana f bisa sembarang fungsi dari variabel-variabel
input yang nilainya berada dalam interval variabel output.
Biasanya, fungsi ini dibatasi dengan menyatakan f
sebagai kombinasi linier dari variabel-variabel input:
f(x1,,xn) = w0 + w1x1 + +wnxn
di mana w0, w1,,wn adalah konstanta yang berupa
bilangan real yang merupakan bagian dari spesifikasi
aturan fuzzy.

Defuzzification
Defuzzification: mengubah fuzzy output menjadi
crisp value berdasarkan fungsi keanggotaan yang
telah ditentukan.
Terdapat berbagai metode defuzzification yang
telah berhasil diaplikasikan untuk berbagai
macam masalah, di sini dibahas 5 metode di
antaranya, yaitu:

Centroid method
Height method
First (or Last) of Maxima
Mean-Max method
Weighted Average

Defuzzification
Centroid method:
Metode ini disebut juga sebagai Center of Area atau Center of
Gravity.
Metode ini menghitung nilai crisp menggunakan rumus:

di mana y* suatu nilai crisp.

Fungsi integration dapat diganti dengan fungsi summation jika y

bernilai diskrit, sehingga menjadi:

di mana y* adalah nilai crisp dan R(y) adalah derajat

keanggotaan dari y.

Defuzzification
Height method
Metode ini dikenal sebagai prinsip keanggotaan
maksimum karena metode ini secara sederhana memilih
nilai crisp yang memiliki derajat keanggotaan maksimum.
Oleh karena itu, metode ini hanya bisa dipakai untuk
fungsi keanggotaan yang memiliki derajat keanggotaan 1
pada suatu nilai crisp tunggal dan dan 0 pada semua nilai
crisp yang lain.
Fungsi seperti ini sering disebut sebagai singleton.

Defuzzification
First (or Last) of Maxima
Metode ini juga merupakan generalisasi dari height
method untuk kasus di mana fungsi keanggotaan
output memiliki lebih dari satu nilai maksimum.
Sehingga nilai crisp yang digunakan adalah salah
satu dari nilai yang dihasilkan dari maksimum
pertama atau maksimum terakhir (tergantung pada
aplikasi yang akan dibangun).

Defuzzification
Mean-Max Method
Metode ini disebut juga sebagai Middle of Maxima.
Merupakan generalisasi dari height method untuk
kasus di mana terdapat lebih dari satu nilai crisp
yang memiliki derajat keanggotaan maksimum.
Sehingga y* didefinisikan sebagai titik tengah antara
nilai crisp terkecil dan nilai crisp terbesar

di mana m adalah nilai crisp yang paling kecil dan M

adalah nilai crisp yang paling besar.

Defuzzification
Weighted Average
Metode ini mengambil nilai rata-rata dengan
menggunakan pembobotan berupa derajat
keanggotaan. Sehingga y* didefinisikan sebagai:

di mana y adalah nilai crisp dan (y) adalah derajat

keanggotan dari nilai crisp y.

Studi kasus
Teori tentang fuzzy set dan fuzzy logic banyak
digunakan untuk membangun sistem berbasis
aturan fuzzy untuk masalah kontrol, seperti
masalah sprinkler control system (sistem kontrol
penyiram air).
Misalkan nilai crisp yang diterima oleh sensor
suhu adalah 370 C dan nilai crisp yang diterima
sensor kelembaban adalah 12%.
Berapa lama durasi penyiraman yang harus
dilakukan?

Proses fuzzification
Misalkan, untuk suhu udara kita menggunakan
fungsi keanggotaan trapesium dengan lima
variabel linguistik: Cold, Cool, Normal, Warm, dan
Hot

 Dengan fungsi ini, maka crisp input suhu 370 C

dikonversi ke nilai fuzzy dengan cara:
Suhu 370 C berada pada nilai linguistik Warm
dan Hot.
Semantik atau derajat keanggotaan untuk Warm
dihitung menggunakan rumus:
-(x-d)/(d-c), c< x d
di mana c=36, dan d=39.
Sehingga derajat keanggotaan Warm=
-(37-39)/(39-36)=2/3
Derajat keanggotaan untuk Hot dihitung
menggunakan rumus (x-a)/(b-a), a < x < b, di
mana a=36, dan b=39.
Sehingga derajat keanggotaan untuk
Hot=(37-36)/(39-36)=1/3.

 Misalkan, kita juga menggunakan fungsi

keanggotaan trapesium untuk kelembaban tanah.

 Dengan fungsi ini, maka crisp input kelembaban 12%

dikonversi menjadi nilai fuzzy dengan cara berikut ini:
Kelembaban 12% berada pada nilai linguistik Dry dan
Moist.
Semantik atau derajat keanggotaan untuk Dry dihitung
menggunakan rumus:
-(x-d)/(d-c), c < x d
di mana c=10, dan d=20.
Sehingga derajat keanggotaan untuk Dry adalah
-(12-20)/(20-10)=4/5.
Derajat keanggotaan untuk Moist dihitung dengan
menggunakan rumus:
(x-a)/(b-a), a < x < b
di mana a=10, dan b=20.
Sehingga derajat keanggotaan Moist=(12-10)/(2010)=1/5.

 Jadi, proses fuzzification menghasilkan empat

fuzzy input:
Suhu Udara = Warm (2/3) dan Hot(1/3)
Kelembaban tanah = Dry (4/5) dan Moist(1/5).

Proses Inferensi
Terdapat berbagai macam cara dalam menentukan aturan
fuzzy.
Misalkan, untuk durasi penyiraman digunakan fungsi
keanggotaan trapesium dengan tiga nilai linguistik: Short,
Medium, dan Long.

 Misalkan aturan fuzzy didefinisikan sebagai

berikut:

 Dengan definisi aturan fuzzy tersebut, didapatkan

3x5=15 aturan fuzzy, yaitu:
IF Suhu=Cold AND Kelembaban=Dry THEN
Durasi=Long
.
.
.
IF Suhu=Hot AND Kelembaban=wet THEN
Durasi=Short

Di sini akan dibahas penggunaan inferensi

menggunakan model Mandani dan Model
Sugeno.

Proses Inferensi menggunakan Model

Mamdani
Jika menggunakan Model Mamdani, dapat digunakan dua
cara inferensi, yaitu clipping (alpha-cut) atau scaling.
Metode yang paling umum digunakan adalah clipping
karena mudah diimplementasikan dan bila diagregasikan
dengan fungsi lain akan menghasilkan bentuk yang mudah
di-defuzzification.

 Dari empat data fuzzy input tersebut, Warm (2/3),

Hot(1/3), Dry(4/5), dan Moist(1/5), didapatkan
empat aturan (dari 15 aturan) yang dapat
diaplikasikan:
IF Suhu is Warm AND Kelembaban is Dry THEN
Durasi is Long
IF Suhu is Warm AND Kelembaban is Moist THEN
Durasi is Medium
IF Suhu is Hot AND Kelembaban is Dry THEN
Durasi is Long
IF Suhu is Hot AND Kelembaban is Moist THEN
Durasi is Medium

 Dari empat aturan fuzzy dan empat fuzzy input

tersebut, maka proses inferensi yang terjadi
adalah seperti di bawah ini.
Gunakan aturan Conjunction () dengan memilih
derajat keanggotaan minimum dari nilai-nilai
linguistik yang dihubungkan oleh dan lakukan
clipping pada fungsi keanggotaan trapesium
untuk Durasi Penyiraman, sehingga diperoleh:
IF Suhu is Warm (2/3) AND Kelembaban is Dry (4/5)
THEN Durasi is Long (2/3)
IF Suhu is Warm (2/3) AND Kelembaban is Moist
(1/5) THEN Durasi is Medium (1/5)
IF Suhu is Hot (1/3) AND Kelembaban is Dry (4/5)
THEN Durasi is Long (1/3)
IF Suhu is Hot (1/3) AND Kelembaban is Moist (1/5)
THEN Durasi is Medium (1/5)

 Gunakan aturan Disjunction () dengan memilih

derajat keanggotaan maksimum dari nilai-nilai
linguistik yang dihubungkan oleh .
Dari Durasi is Long (2/3) Durasi is Long (1/3)
dihasilkan Durasi is Long (2/3).
Sedangkan dari Durasi is Medium (1/5) Durasi
is Medium (1/5) dihasilkan Durasi is Medium
(1/5)
Dengan demikian diperoleh dua pernyataan:
Durasi is Long (2/3), dan
Durasi is Medium (1/5)

Proses inferensi menggunakan Model Mamdani menggunakan

proses clipping menghasilkan dua area abu-abu seperti gambar
berikut:

Proses Inference menggunakan Model

Sugeno
Model Sugeno menggunakan fungsi keanggotaan yang lebih
sederhana dibandingkan Model Mamdani.
Fungsi keanggotaan tersebut adalah Singleton, yaitu fungsi
keanggotaan yang memiliki derajat keanggotaan 1 pada suatu
nilai crisp tunggal dan 0 pada semua nilai crisp yang lain.
Misalkan fungsi Singleton untuk Durasi Penyiraman
didefinisikan seperti gambar berikut:

 Dengan cara yang sama seperti Model Mamdani,

diperoleh: Durasi is Long (2/3) dan Durasi is
Medium (1/5).
Proses inferensi menggunakan Model Sugeno
menghasilkan dua derajat keanggotaan sebagai
berikut:

Proses Defuzzification
Sebelum defuzzification, harus dilakukan proses
composition, yaitu agregasi hasil clipping dari
semua aturan fuzzy sehingga didapatkan satu
fuzzy set tunggal.

Proses Defuzzification menggunakan

Model Mamdani
Proses composition dari dua fuzzy set, Durasi is
Medium (1/5) dan Durasi is Long (2/3)
menghasilkan satu fuzzy set tunggal seperti
berikut:

 Misalkan digunakan Centroid method untuk

proses defuzzification.
Titik-titik pada area abu-abu ditentukan secara
acak sehingga akan didapatkan satu titik pusat
area (center of area atau center of gravity).
Misalkan titik-titik sembarang tersebut adalah: 24,
28, 32, 36, 40, 48, 60, 70, 80, 90.

 Dengan menggunakan titik-titik tersebut dan

persamaan:

diperoleh hasil sebagai berikut:

Jadi, dengan menggunakan Model Mamdani,

untuk Suhu Udara 370 C dan Kelembaban Tanah
12%, sprinkle akan secara otomatis menyiramkan
air selama 60,97 menit.

Proses defuzzification dengan menggunakan

Model Sugeno
Proses composition dari dua fuzzy set, Durasi is
Medium (1/5) dan Durasi is Long (2/3),
menghasilkan satu fuzzy set tunggal yang
ditunjukkan pada gambar berikut:

 Jika untuk proses defuzzification digunakan Height Method,

maka dari dua fuzzy set, Medium (1/5) dan Long (2/3),
dipilih nilai maksimumnya yaitu Long (2/3).
Karena nilai crisp untuk Long adalah 60, maka proses
defuzzification menghasilkan nilai crisp sebesar 60.
Dengan demikian, Durasi Penyiraman adalah 60 menit.
Jika menggunakan Weighted Average untuk proses
defuzzification diperoleh hasil:

Dengan demikian, jika menggunakan Model Sugeno

dengan defuzzification berupa Weighted Average, maka
Durasi Penyiraman adalah 55,38 menit.