Pengertian Fuzzy
Pengertian Fuzzy
DISUSUN OLEH :
AGUS PURWANTO ( 06224005 )
FAKULTAS TEKNOLOGI INDUSTRI
JURUSAN TEKNIK ELEKTRO
INSTITUT SAINS DAN TEKNOLOGI NASIONAL
JAKARTA
2008
LOGIKA FUZZY
PENDAHULUAN
Logika fuzzy pertama kali diformulasikan dalam sebuah seminar oleh Lotfi A Zadeh
dari University of Califonia, Berkeley tahun 1965.Metode ini diformulasikan dal
am rangka mencari nilai tengah antara bilangan Aristoteles 0 dan 1. Logika biner
0 atau 1 dasarnya berfikirnya adalah dari filsuf Aristoteles yang mengajarkan h
ukum berfikir bahwa sesuatunya mesti tergolong benar atau salah. Logika biner ha
nya mengenal on atau off, hidup atau mati, gelap atau terang, benar atau salah.
Tidak ada yang samar-samar, tidak ada abu-abu yang ada hanya hitam atau putih. J
ika tidak 1 maka 0, jika tidak gelap berarti terang dan ini adalah sesuatu yang
logis. Dan ini juga yang menjadi dasar perkembangan teknologi digital saat ini.H
al itu seiring dengan usaha untuk membuat komputer yang bekerja seperti cara man
usia berfikir. Sebab komputer pada dasarnya adalah sebuah mesin hitung yang tida
k berfikir. Sebelumnya Plato sudah mencetuskan ide adanya daerah ketiga diantara
benar dan salah. Ini yang menjadi dasar logika fuzzy yang memformulasikan bilan
gan antara 0 dan 1 atau lebih tepat antara 0.0 dan 1.0.
Dapat disimpulkan Logika fuzzy adalah suatu cara yang tepat untuk memetakan suat
u ruang input ke dalam suatu ruang output.
Contoh:
1.
Manajer pergudangan mengatakan pada manajer produksi seberapa banyak pe
rsediaan barang pada akhir minggu ini, kemudian manajer produksi akan menetapkan
jumlah barang yang harus diproduksi esok hari
2.
Pelayan restoran memberikan pelayanan terhadap tamu, kemudian tamu akan
memberikan tip yang sesuai atas baik tidaknya pelayanan yang diberikan.
3.
Penumpang taksi berkata pada sopir taksi seberapa cepat laju kendaraan y
ang diinginkan, sopir taksi akan mengatur pijakan gas taksinya.
Salah satu contoh pemetaan suatu input-output dalam bentuk grafis seperti terli
hat dibawahini:
Alasan Digunakannya Logika Fuzzy
1.Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalara
n
fuzzy sangat sederhana dan mudah dimengerti
2.Logika fuzzy sangat fleksibel
3.Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat
4.Logika fuzzy mampu memodelkan fungsi-fungsi non linear yang sangat kompleks
APLIKASI
1.Pada tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang (
Matsushita Electric Industrial Company). Sistemfuzzy digunakan untuk menentukan
putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta
jumlah yang akan dicuci. Selain mesin cuci Mesin cuci otomatis satu tabung yang
muktahir saat ini sering mencantumkan kata fuzzy logic sebagai bagian dari prom
osinya.
Cara kerjanya gampang, tinggal memasukkan baju kotor kedalam tabungnnya, t
ekan satu atau beberapa tombol dan mesin ini akan melakukan sisanya untuk anda.
Mengisi air dengan jumlah yang cukup, mengisi deterjen dan mencuci dengan waktu
yang sesuai. Mesin ini bekerja meniru cara ibu rumahtangga mencuci dengan mesin
cuci konvensional. Ibu rumahtangga akan mengisi air dan deterjen yang secukupnya
sesuai dengan banyaknya baju yang hendak dicuci agar lebih hemat, lalu memutar
timer yang sesuai dengan tingkat kekotoran pakaian. Jika pakaian lebih kotor mak
a timer dibuat lebih lama. Di sinilah contohnya metode logika fuzzy dipakai, den
gan menjawab pernyataan jika dan maka (IF THEN). Jika pakaian yang dicuci tidak
terlalu kotor maka mencuci mestinya harus lebih cepat. Dengan menimbang tingkat
kekotoran kain yang direalisasikan dengan mengukur tingkat kekeruhan air cucian
dengan sensor cahaya, mesin dapat memutuskan berapa lama harus mencuci pakaian s
upaya lebih hemat dan efisien.
2.Transmisi otomatis pada mobil. Mobil nisan telah menggunakan asistem fuzzy pad
a transmisi otomatis dan mampu menghemat bensin 12-17%
3.Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu
4.Ilmu kedokteran danb iologi, seperti sistem diagnosis yang didasarkan pada log
ika fuzzy
5.Manajemen dan pengambilan keputusan, seperti manajemen basis data, tata letak
pabrik, pembuatan games yang didasarkan padal ogikaf uzzy
6.Ekonomi, pemodelan fuzzy pada sistem pemasaran yang kompleks
SISTEM PAKAR
DEFINISI
Secara umum, sistem pakar (expert system) adalah sistem yang berusaha mengadopsi
pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah sepe
rti yang biasa dilakukan oleh para ahli. Sistem pakar yang pertama kali muncul a
dalah General purpose Problem Solver (GPS) dikembangkan oleh Newel Dan Simon
Beberapa definisi tentang system pakar :
Menurut Durkin: Sistem pakar adalah suatu program komputer yang dirancan
g untuk memodelkan kemampuan penyelesaian masalah yang dilakukan oleh seorang pa
kar.
Menurut Ignizio: Sistem pakar adalah suatu model dan prosedur yang berka
itan, dalam suatu domain tertentu, yang mana tingkat keahliannya dapat dibanding
kan dengan keahlian seorang pakar.
Menurut Giarratano dan Riley : Sistem pakar adalah suatu sistem komputer
yang bisa menyamai atau meniru kemampuan seorang pakar.
HIMPUNAN FUZZY
Dalam perjalannya perkembangan teori himpunan fuzzy dibagi menjadi 3 fase, yaitu
:
1.Phase akademik
1965-1977
2.Phase transformasi
1978-1988
3.Phase fuzzy boom
1989-.
Secara luas logika fuzzy adalah suatu wilayah terapan dari teori himpuna
n fuzzy, oleh karena itu logika fuzzy menggunakan konsep/prinsip/metode yang dik
embangkan dalam teori himpunan fuzzy untuk merumuskan berbagai format yang mende
kati nilai sebernarnya.
Yang terpenting dalam hal ini adalah menentukan hubungan antara derajat
keanggotaan dalam himpunan fuzzy dan derajat kebenaran dalam fuzzy proposisi.
Himpunan fuzzy memiliki 2 attribut, yaitu :
1.
Lingustik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau ko
ndisi tertentu dengan menggunakan bahasa alami, seperti : MUDA,PAROBAYA,TUA.
2.
Numeris, yaitu suatu nilai (angka) yang menunjukan ukuran dari suatu var
iabel seperti:40,25,50,dsb.
Himpunan tegas (crisp)
Nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis denga
n uA[x], memiliki 2 kemungkinan yaitu :
* satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan,
atau
* nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpu
nan
Contoh :
Misalkan variable umur dibagi menjadi 3 kategori, yaitu :
MUDA umur < 35 tahun
PAROBAYA 35 <= umur <= 55 tahun
TUA umur > 55 tahun
Grapfis himpunan MUDA, PAROBAYA, TUA
PAROBAYA(UPAROBAYA[40]=0.5
Umur 50 tahun -> TUA (UTUA[50]=0.25
PAROBAYA(UPAROBAYA[50]=0.5
Beberapa variabel yang perlu diketahui dalam memahami sistem fuzzy, yaitu:
A. Variabel fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fu
zzy.
Contoh: umur,temperatur,permintaan,dsb.
B. Himpunan fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suaty kondisi atau keadaan
tertentu dalam suatu variabel fuzzy
C. Semesta pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk diop
erasikan dalam suatu variabel fuzzy.
D. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang dijinkan dalam semesta
pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy
FUNGSI KEANGGOTAAN
Fungsi keanggotaan adalah suatu kurva yang menunjukan pemetaan titik-titik input
data kedalam nilai keanggotaannya (derajat keanggotaan) yang memiliki interval
antara 0 sampai 1,ada beberapa fungsi yang bias digunakan :
1.
Representasi linear
Ada 2 kemungkinan himpunan fuzzy linear yaitu :
a.
kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keangg
otan nol bergerak ke kanan menju nilai domain yang memiliki derajat keanggotaan
lebih tinggi
b. garis lurus dimuali dari nilai domain dengan derajat keanggotaan tertinggi
pada sisi kiri,kemudian bergerak menurun ke nilaidomain yang memiliki derajat ke
anggotaan lebih rendah.
2. Representasi Kurva Segitiga
m[x] = 0; x a atau x c
(x-a)/(b-a); a < x b
(c-x)/(c-b); b < x < c
3. RepresentasiKurvaTrapesium
m[x]= 0; x a atau x d
(x-a)/(b-a); a <
1; b < x c
(d-x)/(d-c); c <
4.Representasi Kurva bentuk
5.Representasi Kurva-S
6.Representasi Kurva Bentuk
x b
x < d
bahu
Lonceng, ada 3 jenis, Kurva PI, Kurva Beta dan Kurva
GAUSS
7.Koordinat Keanggotaan
Niliai keanggotaan :
Skalar (i) / Derajat (ii)
Skalar : nilai yang digambar dari domain himpunan
Derajat : derajat keanggotaan himpunan fuzzynya
OPERATOR ZADEH
Operator AND
Operator ini berhubungan dengan operasi inter seksi pada himpunan. -predik t s
eb g i h sil oper si deng n oper tor AND diperoleh deng n meng mbil nil i ke ngg
ot n terkecil nt r elemen p d himpun n-himpun n y ng bers ngkut n
AB = min(A[x], B[y])
Oper tor
Oper tor
-predik
nil i ke
AUB = m
OR
ini berhubung n deng n per siunion p d himpun n.
t seb g i h sil oper si deng n oper tor AND diperoleh deng n meng mbil
nggot n terkecil nt r elemen p d himpun n-himpun n y ng bers ngkut n
x(A[x], B[y])
m tem tik.
Proses d l m FIS ditunjuk n p d G mb r 3. Input y ng diberik n kep d FIS d l
h berup bil ng n tertentu d n output y ng dih silk n jug h rus berup bil ng n
tertentu. K id h-k id h d l m b h s linguistik d p t digun k n seb g i input y
ng bersif t teliti h rus dikonversik n terlebih d hulu, l lu mel kuk n pen l r
n berd s rk n k id h-k id h d n mengkonversi h sil pen l r n tersebut menj di ou
tput y ng bersif t teliti.
G mb r 4. Proses d l m FIS
1.MetodeTsuk moto
Seti p konsekuen p d tur n y ng berbentuk IF-THEN h rus direpresent sik n deng
n su tu himpun n fuzzy deng n fungsi ke nggot n y ng monoton. Seb g i h silny
, output h sil inferensi d ri ti p-ti p tur n diberik n sec r teg s berd s rk
n -predik t. H sil khirny diperoleh deng n menggun k n r t -r t terbobot
Mis l d 2 v r input: v r-1 (x), d n v r-2 (y); sert 1 v r output: v r-3 (z).
V r-1 terb gi t s himp. A1 & A2; v r-2 terb gi t s himp. B1 & B2; v r-3 terb g
i t s himp. C1 & C2.
Ad 2 tur n:
Metode M md ni
Metode M md ni sering jug diken l deng n n m Metode M x-Min. Metode ini diperk
en lk n oleh Ebr him M md ni p d t hun 1975. Untuk memperoleh output, diperluk
n 4 t h p n y itu :
1.
Pembentuk n himpun n fuzzy;
p d metod m md ni, b ik v ri bel input m upun v ri bel output dib gi m
enj di s tu t u lebih himpun n fuzzy.
2.
Aplik si fungsi impliksi ( tur n);
p d metode m md ni, fungsi implik si y ng digun k n d l h MIN
3.
Komponen tur n;
P d t h p n ini sistem terdiri d ri beber p tur n, m k inferensi dip
eroleh d ri kumpul n d n korel si nt r tur n. Ad 3 metode y ng digun k n d l
m mel kuk n inferensi sistem fuzzy, y itu : m x, dditive d n prob bilistik OR.
P d metode m x, solusi himpun n fuzzy diperoleh deng n c r meng mbil n
il i m ksimum tur n, kemudi n menggun k nny untuk memodifik si d er h fuzzy, d
n meng plik sik ny ke output deng n menggun k n oper tor OR (union). Sec r u
mum d p t ditulis
df (xi)
m x (df(xi,) kf(xi))
4.
Peneg s n (defuzzyfik si)
Input d ri proses defuzzyfik si d l h su tu himpun n fuzzy y ng diperol
eh d ri komposisi tur n- tur n fuzzy, sed ngk n output y ng dih silk n merup k
n su tu bil ng n p d dom in himpun n fuzzy tersebut. Jik diberik n su tu himpu
n n fuzzy d l m r nge tertentu, m k h rus d p t di mbil su tu nil i crisp ter
tentu seb g i output. Defuzzyfik si p d metode m md ni untuk semest diskrit me
nggun k n pers m n
z = zj (zj)/ (zj)
Ad tig
.Metode
b.Metode
c.Metode
4.Peneg s n (defuzzy)
Input d ri defuzzifik si d l h su tu himpun n y ng diperoleh d ri komposisi tu
r n- tur n fuzzy, sed ngk n output y ng dih silk n merup k n su tu bil ng n p d
dom in himpun n fuzzy tersebut.
Beber p
.Metode
b.Metode
c.Metode
d.Metode
e.Metode
Contoh: perso
Rule: 1
IF
OR
THEN
Rule: 2
IF
AND
THEN
Rule: 3
IF
THEN
3.Metode Sugeno
Pen l r n ini h mpir s m deng n pen l r n M md ni, h ny s j output (konsekue
n) sistem tid k berup h impun n fuzzy, mel ink n berup konst nt t u pers m n
line r.
.Model Fuzzy Sugeno Orde-Nol
BentukUmum:
IF (X1 is A1) (X2is A2) (X3is A3) . (XNisAN) THEN z = k
d l h konst nt
d l h su tu kons
BASIS DATA
Seb gi n bes r b sis d t st nd r dikl sifik sik n berd s rk n b g im n d t te
rsebut dip nd ng oleh user d n menggun k n query untuk menc ri d t y ng diingin
k n. N mun terk d ng dibutuhk n su tu d t y ng bersif t mbiguous, m k digun k
n b sis d t fuzzy. S l h s tu di nt r ny d l h model T h ni. B sis d t fuzz
y model T h ni m sih tet p menggun k n rel si st nd r, h ny s j model ini meng
gun k n teori himpun n fuzzy untuk mend p tk n inform si p d query-ny .