L O G I K A K A B U R
L O G I K A S A M A R
lts05
PENDAHULUAN
Dalam kehidupan sehari hari, kita menggunakan istilah istilah linguistik
kualitatif (non-kuantitatif), samar-samar, kabur, non-eksak seperti
dia akan datang kira-kira jam 2
uangnya tinggal sedikit
gulanya hampir habis
untuk penalaran atau pengambilan keputusan.
beli gula kg di toko A yg
lokasinya agak jauh tapi
harga2nya lebih murah
waktu kedatangan
uang di saku
persediaan gula
lts05
si A
diagnosis
keluhan
pasien
Dokter
suhu
suara mesin
Operator
mesin
tombol1
tombol2
suhu
putaran motor
lts05
x
y
Sistem
pengambilan
keputusan
z1
z2
10
50
160
500
12
100
312
1200
15
60
195
900
z1 = x + 3 y
pengatur suhu
pengatur putaran
z2 = x y
Logika Fuzzy
Logika Fuzzy diperkenalkan oleh Zadeh (1965) untuk
formalisasi matematis proses penalaran atau
pengambilan keputusan berdasarkan fakta fakta yang
non-eksak atau kualitatif.
Penalaran seperti itu disebut penalaran secara
pendekatan (non-eksak), dengan unsur toleransi
terhadap kekaburan, ketidak-tepatan (imprecision),
ketidakpastian (uncertainty)
Dalam sistem konvensional (non-fuzzy), penalaran atau
pengambilan keputusan dilakukan berdasarkan
ketepatan dan kepastian, menggunakan logika tajam
(logika benar atau salah).
lts05
Penalaran tajam
semua laki laki kuat
budi seorang laki-laki
(jadi) budi itu kuat
Penalaran pendekatan
kebanyakan laki laki kuat
budi seorang laki laki
(jadi) budi itu kemungkinan kuat
lts05
Diagnosis Mesin
himpunan
putih
0 1
x
8
x
0
x = 5 adalah anggota himpunan hitam, dengan derajat keanggotaan =1 dalam himpunan hitam dan derajat keanggotaan = 0
lts05
dalam himpunan putih.
fungsi keanggotaan
hitam
0,8
0,2
x
0
x=5
Dalam himpunan putih, x = 5 mempunyai derajat keanggotaan 0,2
lts05
Dalam
himpunan hitam, x = 5 mempunyai derajat keanggotaan 0,89
tinggi
tidak tinggi
lts05
10
Nilai
angka
huruf
angka huruf
10%
B
20%
Himpunan A,
Himpunan B,
Himpunan C,
Himpunan D,
Himpunan E,
adalah himpunanhimpunan tajam
70,0
69,8
C
E
lts05
40%
20%
10%
11
HIMPUNAN FUZZY
fungsi keanggotaan
himpunan tajam panas
panas
dingin
fungsi keanggo
taan himpunan
fuzzy dingin
lts05
fungsi keanggotaan
himpunan fuzzy panas
suhu
o
C
12
Fungsi keanggotaan
dinyatakan sebagai :
universe
derajat keanggotaan
elemen himpunan
(variabel linguistik)
atau
13
(x)
1
normal
0 36
37
38
Contoh :
Himpunan suhu-tubuh-normal
dalam semesta suhu-tubuh
(X = suhu tubuh, dalam oC).
X
Suhu-tubuh adalah variabel
kontinu
(x)
Himpunan tinggi-badan-ideal, dalam
semesta tinggi-badan (X), dengan
elemen elemen x eX.
Tinggi-badan adalah variabel
kontinu
X
tinggi
ideal
0
lts05
140
170
190
14
(b)
(x)
Contoh :
Himpunan jumlah-anak ideal,
dalam semesta jumlah-anak.
Jumlah anak adalah variabel
diskrit.
X
0
(x)
1
lts05
yk mgl
A = {( x, A(x)| x e X }
Himpunan fuzzy A beranggotakan elemen elemen x dalam
universe X, dan derajat keanggotaan A(x).
A(x)
A(x)
0,6
0,6
1
x=a
A=
A(x)/x
X
x=a
Bila X adalah universe diskrit,
maka notasinya :
A = xi eX A(x)/xi
A (x1 ) A (x 2 )
A (x n )
A
x1
x2
xn
A ( x)
A
x
lts05
17
Contoh :
Bila A adalah himpunan Jumlah-anak-ideal (universe diskrit), maka
himpunannya dapat dituliskan sbb.
elemen-elemen x
A = 0 / 0 + 1 / 0,4 + 2 / 1 + 3 / 0,8 + 4 / 0,4 + 5 / 0,3 bukan
operasi
penjumlahan !
derajat keanggotaan
Bila A adalah suhu (universe kontinu), maka himpunannya dapat
dituliskan sbb.
A=
1 / (1 + ( | (x-c) / |2b ) )
lts05 fungsi
/x
bukan operasi
pengintegralan !
18
low
normal
strong fever
raised
0,9
Temp
C
0,1
0
36
37
38
39
40
41
42
43
Contoh :
(Gear
Number)
20
lts05
21
lts05
22
lts05
23
lts05
24
lts05
25
FUNGSI KEANGGOTAAN
Tipe tipe fungsi keanggotaan
1. Fungsi segitiga
Fungsi ini merupakan fungsi keanggotaan yang paling
sederhana.
Didiskripsikan dengan tiga parameter,
P = [ a, b, c ] ,
a : proyeksi titik sudut
paling kiri ke sumbu
mendatar,
b : proyeksi titik puncak
ke sumbu mendatar,
c : proyeksi titik sudut
paling kanan ke
sumbu mendatar,
lts05
26
2) Fungsi trapesoid
Dengan empat
parameter
P = [a, b, c, d],
a, b, c dan d adalah
proyeksi titik titik
sudut trapesium pada
sumbu mendatar
P = [ 1, 5, 7, 8 ]
Slope b/2a
P = [a, b, c]
P = [ 2, 4, 6 ]
lts05
27
c-a
c+a
4) Fungsi Gaussian
Fungsi ini mempunyai
dua parameter
P = [c, ]
P = [2, 5]
5) Fungsi Sigmoid
P = [a, b ]
P = [2, 5]
lts05
28
Fungsi segitiga :
(x)
Fungsi trapesoida :
(x)
Fungsi Gausian :
(x)
Fungsi Bell umum :
(x)
a
Fungsi sigmoid :
lts05
(x)
29
Equality
A=B
A (x) = B (x)
A
A (x) = 1 - A(x)
untuk seluruh x X
Containment
AB
A (x) B (x)
xX
Complement
untuk seluruh
untuk seluruh x X
Union
A B
A B (x) = max( A (x), B (x))
untuk seluruh x X
Intersection
AB
lts05
A B (x) = min( A (x), B (x))
30
untuk seluruh x X
A = (1-0.5) = 0.5
A=0.5,
B=0.8
AB
0,5
A
0,8
0,5
AB
0,8
31
lts05
32
min(A,B)
A
A or B
not A
lts05
A and B
1-A
max(A,B)
33
EKSTENSI SILINDRIS
(a) Himpunan fuzzy A
34
lts05
R ( x, y )
Proyeksi R(x, y)
ke bidang x
A( x)
max R ( x , y )
y
lts05
Proyeksi R(x, y)
ke bidang y
B( y)
max R ( x , y )
x
36
Fungsi keanggotaan 2-dimensi terbentuk dengan menggabungkan ekstensisilindris dua himpunan fuzzy dari dua universe.
Penggabungan dapat melalui operator AND (T-norm) atau OR (T-conorm).
Derajat keanggotaan untuk fungsi keanggotaan 2-dimensi tersebut adalah
R(x,y) = min [ A(x), B(y) ] untuk operasi penggabungan AND
R(x,y) = max [ A(x), B(y) ] untuk operasi penggabungan OR
Contoh :
- Ekstensi silindris
1. dua fungsi trapesoid
2. dua fungsi Bell
(a)
(c)
Penggabungan
T-co-norm :
Gambar (a) dan (b)
T norm :
Gambar (c) dan (d) 37
lts05
(b)
(d)
- EKSTENSI
Ekstensi adalah pemetaan sebuah himpunan fuzzy A dalam universe X
ke universe Y, hasilnya adalah himpunan fuzzy baru B dalam universe Y.
A A ( x1 ) / x1 A ( x2 ) / x2 A ( x n ) / x n
f(x)
B B ( x1 ) / y1 B ( x2 ) / y2 B ( x n ) / y n
yi = f(xi) adalah fungsi pemetaan , untuk i = 1, , n.
Untuk pemetaan many-to-one (beberapa harga x dipetakan ke satu nilai y),
derajat keanggotaan himpunan B :
pemetaan f
B ( y ) max A ( x )
x f
( y)
Contoh :
Ekstensi himpunan fuzzy A dalam
A
universe diskrit.
B(q) = max [ A(a), A(d), A(e) ]
B(p) = A(b)
lts05 B(r) = A(c)
x
a
b
c
d
e
y
p
q
r
38
x,
maka
A(x)
3
2
1
y 0
-1
-2
-3
y = f(x)
-2
untuk x < 0
3
2
1
y 0
-1
-2
-3
0
0,5
B(y)
1
0,8
0,6
0,4
0,2
B(0)=max [1 , 0.6]
B(-1)=max [1 , 1]
lts050,6
-2
39
X1xX2(x1,x2)
A1
A2
A2( x2a)
x1a
lts05
X2
A1( x1a)
X1
x2a
(a)
A2( x2a) ]
40
X1 x X2
pemetaan
f(.)
yp = f( x ,x )
2c
1c
x1a ,x2a
elemen
elemen
dalam
product
space
x1c ,x2c
X1 x X2
x1d ,x2d
Derajat keanggotaan
himpunan B
hasil pemetan.
x1b ,x2b
yq = f( x ,x ) = f( x ,x )
2a
2b
1a
1b
= f( x1d ,x2d)
lts05
RELASI FUZZY
-
R {(( x , y ), R ( x , y ))|( x , y ) X Y}
lts05
42
Contoh (a) :
Dua himpunan
Misalkan :
di Universe
Kerugian
Dengan relasi
R: x jauh lebih kecil dari y,
maka relasi R adalah himpunan dengan pasangan pasangan x, y
sebagai anggotanya, dengan derajat keanggotaan
R(x,y) yang
lts05
3
0,4
10
0,6
20
1
12
0,5
25
derajat keanggotaan
R (1,20) = 1
x<y
x>y
43
A B R
0 . 2 0 .5
A
,
x1 x2
0 .1 0 .9
y1 y 2
R x, y A B x, y min A x , B y
0.1 0.2
A B R
=
0.1 0.5
lts05
A B(x1,y1)
A B(x2,y1)
x
A B(x1,y2)
A B(x2,y2)44
x
Contoh (c) :
R adalah relasi asosiatif antara warna dan kematangan buah
(misalnya buah tomat),
X adalah himpunan dalam universe warna,
Y adalah himpunan dalam universe kematangan.
X: { hijau kuning merah}
lts05
hijau
0,5
kuning
0,3
0,4
merah
0,2
1
45
Contoh (d) :
X dan Y adalah dua himpunan yang sama.
Relasi R: x mirip y
Matriks relasinya :
lts05
46
Dua himpunan
Matriks relasi
dan
R: Untung,
10
20
20
1
12
25
5
lts05
47
KOMPOSISI
Komposisi adalah operasi terhadap relasi relasi fuzzy
R1 o R2
simbol komposisi
Misal, R1 adalah relasi yang didefinisikan dalam product-space X
Z.
Komposisi max-min
R R ( x , z ) [ R ( x , y ) R ( y , z )]
1
simbol komposisi
lts05
operasi
max
operasi
min
48
Max-Min Composition:
T ( x, z ) ( R ( x, y ) S ( y, z ))
yY
Max-Product Composition:
lts05
T ( x, z ) ( R ( x, y ) S ( y, z ))
yY
49
Komposisi max-product
R R ( x , z ) [ R ( x , y ) R ( y , z )]
1
operasi
perkalian
operasi
max
relasi R1
relasi R2
R1
R2
0,6
0,2
0,1
0,3
0.1
0,7
0,9
0,6
0,2
0,8
0,3
0,2
0,7
0,4
0.1
0,1
lts05
50
R2 (e,p) ) = ( 0,2
R2 (f,p) ) = ( 0,1
R2 (g,p) ) = ( 0
R1 R2 (b,p) = Vy ( R1(b,y)
R1 R2 (b,q) = Vy ( R1(b,y)
R1 R2 (c,p) = Vy ( R1(c,y)
R2 (y,q) ) = . . .
R2 (y,p) ) = . . .
R2 (y,q) ) = . . .
0,3) = 0,3
max
0,6) = 0,2
0,7) = 0,1
0,1 ) = 0
R1 R2 (c,q) = Vy ( R1(c,y)
lts05
R1 R2 (a,q) = Vy ( R1(a,y)
( R1(a,g)
( R1(a,f)
R2 (d,p) ) = ( 0,6
( R1(a,e)
( R1(a,d)
R2 (y,p) ) = 0,3
V
R1 R2 (a,p) = Vy ( R1(a,y)
51
T ( x, z ) ( R ( x, y ) S ( y , z ))
yY
y1
x1 1
R x2 0
x3 0
y2
0
0
0
y3
1
0
0
z1
y4
y1
y2
S
y3
y4
0
1
0
0
0
z2
1
0
1
0
AND
OR
AND
x1
(0,0,0,0) (1,0,1,0)
x2
(
0
,
0
,
0
,
0
)
(
0
,
0
,
0
,
0
)
x3
(0,0,0,0) (0,0,0,0)
lts05
z1
z2
0 1
T 0 0
0 0
Bila x1 memiliki
relasi dengan y3
dan y3 memiliki
relasi dengan z2,
maka x1 memiliki
relasi dengan z2 52
y1
y2
y3
0. 5
0 .4
R = x2
0 .8
x3
x1
Komposisi Max-Min :
z1
y4
y1
0
y2
0
S
y3
0
y4
0
z2
0.3
0
1
0
T ( x, z ) ( R ( x, y ) S ( y , z ))
yY
(0,0,0,0) (0.3,0,0.4,0)
(0,0,0,0) (0,0,0,0)
(0,0,0,0) (0,0,0,0)
z1
z2
0 0.4
T 0 0
lts05
0 0
x1
x2
x3
x1
y1
R x2 0
x3 0
y4
y2
y3
y1
y2
S
y3
y4
Max-Min Composition:
T ( x, z ) ( R ( x, y ) S ( y, z ))
yY
(0,0,0,0) (1,0,0,0)
(0,0,0,0) (0,0,0,0)
(0,0,0,0) (0,0,0,0)
lts05
0
T 0
z1
0
0
0
0
Bila x1
y3 dan
dengan
terkait
z2
1
0
1
0
terkait dengan
y3 terkait
z2 maka x1
dengan z2
1
0
0
54
y1
x1 0 .5
R x2 0
x3 0
y3
y4
0.4
0
0.8
y2
Max-Min Composition:
T ( x, z ) ( R ( x, y ) S ( y, z ))
yY
(0,0,0,0) (0.3,0,0.4,0)
(0,0,0,0) (0,0,0,0)
(0,0,0,0)
lts05
(0,0,0,0)
z1
y1 0
y2 0
S
y3 0
y4 0
0.3
0
1
0
z2
0 0.3
T 0 0
0 0
55
VARIABEL LINGUISTIK
Variabel linguistik vs variabel numeris
Variabel numeris
Harga numeris
x = 60 tahun
Variabel linguistik
x adalah tua
...(umur)
...
muda
agak-tua
tua
tua-sekali
umur
56
k
DIL(A) : A =
[ A(x)] k / x , k = integer
- Operasi NOT
lts05
57
Contoh
Panas
modifier
(A(x))2
agak
optimal
(( A(x))1/2
Sangat
Panas
optimal
4
{1/(1
+
(x/20)
} /x
X
maka
- lebih kurang muda = DIL(muda) = muda 0,5 =
lts05
1/(1 + (x/20)2 / x
58
fuzzy
Fuzzifikasi
tajam
Himp.1
Aturan 1
Himp.2
Aturan 2
Himp.N
fuzzy
tajam
Defuzzifikasi
Aturan K
agregasi
lts05
59
DEFUZZIFIKASI
mengubah harga fuzzy ke harga tajam
1. Metode Centroid
Untuk fungsi keanggotaan kontinu :
pengintegralan
Untuk fungsi kenggotaan diskrit :
yout
y
penjumlahan
lts05
60
yout
3. Center of Maxima
Dicari dua dataran tertinggi,
titik tengah diantara garis
yang menghubungkan dua
pusat dataran tersebut adalah nilai yout yang dicari
lts05
yout
61
lts05
62
simbol
AB
konklusi
(consequence)
if x is A then y is B
if x is A then y is B
x is A*
y is B*
AND
min
A A*
A*
w
B*
x
lts05
B*
65
if x is A and y is B then z is C
x is A* dan y is B*
z is C*
w1
= (w1 v w2) v C(z)
w2
lts05
66
firing strength
min
A*
B*
C*
w1
w2
x
67
min
A1 A1*
B1
B1*
C1
C1*
w1
y
A2 A2*
B2
w2
B2*
C2
C2*
w3
x
w4
max
C*
lts05
68
A1
B B1
C1
w1
Z
X
A A2
B B2
C2
w2
Z
X
Y
min
B
C
Z
x is
lts05
y is B
z is C
69
min
w2
z2
lts05
70
if project-duration is long and project funding is inadequate then the risk is high
if service is excellent or food is delicious then tip is high
Perhatikan relasi antecedentnya and atau or !!!
Aturan dengan multiple consequences :
if temperature is hot then hot water is reduced ;
cold water is increased
lts05
71
R2
Fakta :
Konsekuensi :
1. MAMDANI
Implikasi fuzzy (relasi antecedent dalam sebuah aturan) dimodelkan
sebagai operator min, sedangkan untuk relasi aturan aturannya
digunakan operator max.
lts05
72
Output total dihitung dengan meng OR kan output masing masing aturan,
lts05
73
lts05
74
2. TSUKAMOTO
Semua istilah linguistiknya (himpunan fuzzy) diasumsikan mempunyai
fungsi keanggotaan yang monoton.
Kompatibilitas aturan ke-i (firing level) dinyatakan sebagai
Output :
Pada mode ini, output tajam dari masing masing aturan, yaitu z1 dan z2,
dihitung dari persamaan :
,
sedangkan output tajam totalnya,
z0 , dihitung dengan metode
centre of gravity. adalah,
lts05
75
lts05
76
dan dari
kompatibilitas aturan 2 adalah
Dari persamaan
diperoleh harga z1 = 8 dan z2 = 4 .
Output totalnya adalah,
lts05
77
lts05
78
Model Sugeno
79
R2
Fakta
:
Konsekuensi
lts05
80
Dari
lts05
81
lts05
82
4. LARSEN
Larsen juga menggunakan operator min untuk relasi antar antecedent,
sedangkan implikasinya menggunakan operator product (perkalian aritmatik)
dan operator max untuk relasi antar aturan.
Kompatibilitas aturan :
lts05
83
lts05
84
lts05
85
lts05
86
Soal :
Mendekati sebuah persimpangan jalan mengendarai mobil,
bagaimana anda mengendalikan rem berdasarkan jarak antara mobil
anda dengan persimpangan dan kecepatan mobil saat itu.
Aturan aturan kendali :
1. Bila jarak (ti) adalah jauh dan kecepatan rendah maka injak rem
dengan tekanan halus.
2.
Bila jarak (ti) adalah dekat dan kecepatan rendah maka injak rem
dengan tekanan sedang.
3.
Bila jarak (ti) adalah jauh dan kecepatan tinggi maka injak rem
dengan tekanan sedang.
4.
Bila jarak (ti) adalah dekat dan kecepatan tinggi maka injak rem
dengan tekanan kuat.
lts05
87
Jarak ke persimpangan
Kecepatan
lts05
Jarak
D : Dekat
J : Jauh
Kecepatan
R : Rendah T : Tinggi
Tekanan rem
H : Halus
S : Sedang
88
K : Keras
Pendekatan
Fuzzifikasikan variable variabel antecedent (input)
Gunakan salah satu model inferensi (misal Mamdani min-max)
Tentukan hasil fungsi keanggotaan konsekuensi (output)
Defuzzifkasikan fungsi keanggotaan konsekuensi untuk
memperoleh harga tajam (crisp).
lts05
89
Fuzzy Inferencing
If jarak is jauh dan kecepatan is rendah tekan rem halus
lts05
90
lts05
91
Defuzzifikasi
Dengan metode :
92