Anda di halaman 1dari 24

Sistem Inferensi Fuzzy

METODE SUGENO

Sistem Inferensi Fuzzy


Metode Tsukamoto
Metode Sugeno
Diperkenalkan oleh Takagi-Sugeno-Kang, tahun 1985.
Bagian output (konsekuen) sistem tidak berupa himpunan fuzzy,
melainkan konstanta (orde nol) atau persamaan linear (orde satu).
Model Sugeno Orde Nol
IF (x1 is A1) (x2 is A2) (xn is An) THEN z=k

Model Sugeno Orde Satu

IF (x1 is A1) (x2 is A2) (xn is An) THEN z= p1 * x1 + + p2 * x2 + q

Metode Mamdani

Model Fuzzy Sugeno


Michio Sugeno mengusulkan penggunaan singleton sebagai
fungsi keanggotaan dari konsekuen. Singleton adalah sebuah
himpunan fuzzy dengan fungsi keanggotaan: pada titik
tertentu mempunyai sebuah nilai dan 0 di luar titik tersebut.
Penalaran ini hampir sama dengan penalaran Mamdani,
hanya saja output (konsekuen) sistem tidak berupa himpunan
fuzzy, melainkan berupa konstanta atau persamaan linear.

Model Fuzzy Sugeno


Orde-Nol
Bentuk Umum :
IF (X is A ) (X is A ) (X is A ) (X is A ) THEN z = k
dengan Ai adalah himpunan fuzzy ke-I sebagai anteseden, dan k
adalah konstanta (tegas) sebagai konsekuen
Orde-satu
Bentuk Umum :
IF (X is A ) . (X is A ) THEN z = p
dengan Ai adalah himpunan fuzzy ke-I sebagai anteseden, dan pi
adalah suatu konstanta ke-I dan q merupakan konstanta dalam
konsekuen

Model Fuzzy Sugeno


Perbedaan antara Mamdani dan Sugeno ada pada konsekuen. Sugeno
menggunakan konstanta atau fungsi matematika dari variabel input:

IF
x is A
AND
y is B
THEN z is f(x, y)

IF
x is A
AND
y is B
THEN z is k
dimana x, y dan z adalah variabel linguistik; A dan B himpunan fuzzy
untuk X dan Y, dan f(x, y) adalah fungsi matematik.

Model Fuzzy Sugeno


Evaluasi Rule
1

A3

B1
0.1

0.0
0

x1

Rule 1: IF x is A3 (0.0)

OR

y1

y is B1 (0.1)

A2
0

x1

y1

Rule 2: IF x is A2 (0.2) AND y is B2 (0.7)


1

A1

z is k1 (0.1)

AND
(min)

0.2
0

THEN

k2

z is k2 (0.2)

Rule 3: IF x is A1 (0.5)

k1

1
0.5

0.5

x1

B2
0

0.1

THEN
0.7

0.2
X

OR
(max)

THEN

k3

z is k3 (0.5)
6

Model Fuzzy Sugeno


Komposisi
1
0.1
0

0.5

0.5

0.1
0

0.2
k1

z is k1 (0.1)

k2

z is k2 (0.2)

k3

z is k3 (0.5)

0.2
k1

k2

k3 Z

Model Fuzzy Sugeno


Defuzzifikasi

z1

Crisp Output
z1

Weighted average (WA):


(k1) k1 (k 2) k 2 (k 3) k 3 0.1 20 0.2 50 0.5 80
WA

65
(k1) (k 2) (k 3)
0.1 0.2 0.5

Contoh: metode Sugeno

Sebuah perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Dari data 1 bulan
terakhir, permintaan terbesar hingga mencapai 5000 kemasan/hari, dan permintaan terkecil
sampai 1000 kemasan/hari. Persediaan barang digudang paling banyak sampai 600
kemasan/hari, dan paling sedikit sampai 100 kemasan/hari. Dengan segala keterbatasannya,
sampai saat ini, perusahaan baru mampu memproduksi barang maksimal 7000 kemasan/hari,
serta demi efisiensi mesin dan SDM tiap hari diharapkan perusahaan memproduksi paling
tidak 2000 kemasan.
Apabila proses produksi perusahaan tersebut menggunakan 4 aturan sebagai berikut:
Rule 1

Rule 2

IF permintaan NAIK and persediaan BANYAK THEN produksi barang = permintaan

Rule 4

IF permintaan TURUN and persediaan SEDIKIT THEN produksi barang = permintaan

Rule 3

IF permintaan TURUN and persediaan BANYAK THEN produksi barang = permintaan - persediaan

IF permintaan NAIK and persediaan SEDIKIT THEN produksi barang = 1.25*permintaan - persediaan

Berapa kemasan makanan jenis ABC yang harus diproduksi, jika jumlah permintaan sebanyak
3500 kemasan, dan persediaan di gudang masih 300 kemasan ? (Gunakan fungsi
keanggotaan LINEAR)
9

Ada 3 variabel yang digunakan: PERMINTAAN, PERSEDIAAN, dan PRODUKSI


PERMINTAAN: 1000 5000, x = 3500
PERSEDIAAN: 100 - 600, y = 300
PRODUKSI: 2000 7000, z = ?
PERMINTAAN, terdiri dari 2 himpunan fuzzy: TURUN dan NAIK

Nilai keanggotaan untuk nilai


PERMINTAAN = 3500

, x 1000
1
5000 x
pmtTURUN[ x]
,1000 x 5000
4000
, x 5000
0

x = 3500

pmtTURUN[4000] = (5000-3500)/4000 = 0.375


, x 1000
0
pmtNAIK[4000] = (3500-1000)/4000 = 0.625
x 1000
pmtNAIK[ x]
,1000 x 5000
4000
10
, x 5000
1

PERSEDIAAN, terdiri dari 2 himpunan fuzzy: SEDIKIT dan BANYAK

1
600 y
psdSEDIKIT[ y ]
500
0

, y 100
,100 y 600
, y 600

y = 300
psdSEDIKIT[300] = (600-300)/500 = 0.6
psdBANYAK[300] = (300-100)/500 = 0.4

, y 100
0
y 100
psdBANYAK[ y ]
,100 y 600
500
, y 600
1

11

PRODUKSI, tidak mempunyai himpunan fuzzy.


Nilai permintaan = 3500 Jumlah persediaan = 300
Nilai -predikat dan Z dari setiap aturan
Rule 1
-predikat1 = pmtTURUN psdBANYAK
= min(pmtTURUN[3500]
psdBANYAK[300])
= min(0.375; 0.4)
= 0.375
Dari bagian konsekuen Rule 1
z1 = permintaan persediaan
= 3500 300 = 3200
Rule 2
-predikat2 = pmtTURUN psdSEDIKIT
= min(pmtTURUN[3500]
psdSEDIKIT[300])
= min(0.375; 0.6)
= 0.375
Dari bagian konsekuen Rule 2
z2 = permintaan
= 3500

Rule 3
-predikat3 = pmtNAIK psdBANYAK
= min(pmtNAIK[3500]
psdBANYAK[300])
= min(0.625; 0.4)
= 0.4
Dari bagian konsekuen Rule 3
z3 = permintaan
= 3500
Rule 4
-predikat4 = pmtNAIK psdSEDIKIT
= min(pmtNAIK[3500]
psdSEDIKIT[300])
= min(0.625; 0.6)
= 0.6
Dari bagian konsekuen Rule 2
z2 = 1.25*permintaan - persediaan
= 1.25 * 3500 300 = 4075

Menghitung z akhir dengan merata-rata semua z berbobot:


Jadi, jumlah makanan jenis
pred1 * z1 pred 2 * z2 pred3 * z3 pred 4 * z4
z
ABC yang harus diproduksi
pred1 pred 2 pred 3 pred 4
sebanyak 3633 kemasan.
0.375 * 3200 0.375 * 3500 0.4 * 3500 0.6 * 4075 6357.5
z

3632.86
12
0.375 0.375 0.4 0.6
1.75

Kasus 1
Bagaimana jika jumlah PERMINTAAN = 2500, PERSEDIAAN = 500, berapa
kemasan makanan jenis ABC yang harus diproduksi ?
Kasus 2
Bagaimana jika jumlah PERMINTAAN = 4500, PERSEDIAAN = 150, berapa
kemasan makanan jenis ABC yang harus diproduksi ?
Kasus 3
Bagaimana jika jumlah PERMINTAAN = 5000, PERSEDIAAN = 75, berapa
kemasan makanan jenis ABC yang harus diproduksi ?

Gunakan metode SUGENO

13

Model Fuzzy Sugeno: Contoh


Mengevaluasi kesehatan orang berdasarkan
tinggi dan berat badannya
Input: tinggi dan berat badan
Output: kategori sehat
-

sangat sehat (SS), index=0.8


sehat (A), index=0.6
agak sehat (AS), index=0.4
tidak sehat (TS), index=0.2
14

L1: Fuzzification (1)


fungsi keanggotaan untuk tinggi

1.0

Sangat
pendek

Pendek

Sedang

Sangat
tinggi

Tinggi

Ada 3 variabel fuzzy yang


dimodelkan: tinggi, berat, sehat

115 120

140 145

160

165

180 185

fungsi keanggotaan untuk berat

1.0

Sangat
kurus

40

Kurus

45

Biasa

50

55

60

Sangat
berat

Berat

65

80

85

15

L2: Rules Evaluation (1)


Tentukan rules
Tabel Kaidah Fuzzy
BERAT

T
I
N
G
G
I

Sangat
kurus

Kurus

Biasa

Berat

Sangat
berat

SS

AS

TS

TS

Pendek

SS

AS

TS

Sedang

AS

SS

SS

AS

TS

Tinggi

TS

SS

TS

TS

AS

SS

AS

Sangat
pendek

Sangat
tinggi

Dalam bentuk if-then, contoh:


If sangat pendek dan sangat kurus then
sangat sehat

16

L2: Rules Evaluation (2)


Contoh: bagaimana kondisi kesehatan untuk orang dengan tinggi 161.5 cm dan berat 41
kg?

1.0

Sangat
pendek

Pendek

Sedang

Tinggi

Sangat
tinggi

0.7

0.3
0

115 120

140 145

160

165

180 185

sedang[161.5] = (165-161.5)/(165-160) = 0.7


tinggi[161.5] = (161.5-160)/(165-160) = 0.3

17

L2: Rules Evaluation (3)

1.0
0.8

Sangat
kurus

Kurus

Biasa

Berat

Sangat
berat

0.2
0

40

45

55

sangatkurus[41] = (45-41)/(45-40) = 0.8


kurus[41] = (41-40)/(45-40) = 0.2

18

BERAT

T
I
N
G
G
I

0.8

0.2

Biasa

Berat

Sangat
berat

SS

AS

TS

TS

SS

AS

TS

0.7

AS

SS

SS

AS

TS

0.3

TS

SS

TS

Sangat
tinggi

TS

AS

SS

AS

Sangat
pendek
Pendek

L2: Rules Evaluation


(4)

BERAT

Pilih bobot minimum krn


relasi AND

T
I
N
G
G
I

0.8

0.2

Biasa

Berat

Sangat
berat

SS

AS

TS

TS

SS

AS

TS

0.7

0.7

0.2

SS

AS

TS

0.3

0.3

0.2

SS

TS

Sangat
tinggi

TS

AS

SS

AS

Sangat
pendek
Pendek

19

L3: Defuzzification
Diperoleh:
f = {TS, AS, S, SS} = {0.3, 0.7, 0.2, 0.2}
Penentuan hasil akhir, ada 2 metoda:
1. Max method: index tertinggi 0.7
hasil Agak Sehat
2. Centroid method, dengan metoda Sugeno:
Decision Index = (0.3x0.2)+(0.7x0.4)+(0.2x0.6)+(0.3x0.8) /
(0.3+0.7+0.2+0.2)
= 0.4429
Crisp decision index = 0.4429
Fuzzy decision index: 75% agak sehat, 25% sehat

20

Perancangan Basis Pengetahuan


Basis pengetahuan adalah sekumpulan pengetahuan
yang dihubungan dalam suatu masalah yang berisi
aturan/aturan yang berguna untuk penarikan
kesimpulan. Perancangan basis pengetahuan dalam
metode Sugeno dilakukan dengan pembentukan
aturan . Perancangan ini merupakan langkah lanjutan
dari pembentukan himpunan fuzzy. Aturan-aturan ini
dibentuk dari himpunan fuzzy yang telah ditentukan
sebelumnya

QUIS : pengontrolan kecepatan kipas


angin (tentukan rule pengetahuan)