TUGAS TEORI LOGIKA 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

tata letak pabrik. pengalihan kea hlian. Mesin ini bekerja meniru cara ibu rumahtangga mencuci dengan mesin cuci konvensional. aturan dan kemampuan menjelaskan. yang mana tingkat keahliannya dapat dibanding kan dengan keahlian seorang pakar. • MenurutEfraimTurban. tinggal memasukkan baju kotor kedalam tabungnnya.Manajemen dan pengambilan keputusan. 7.Transmisi otomatis pada mobil.Logika fuzzy didasarkan pada bahasa alami APLIKASI 1. pemodelan fuzzy pada sistem pemasaran yang kompleks SISTEM PAKAR DEFINISI Secara umum. mengisi deterjen dan mencuci dengan waktu yang sesuai.Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensiona l. .Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu 4. Cara kerjanya gampang. mesin dapat memutuskan berapa lama harus mencuci pakaian s upaya lebih hemat dan efisien.Pada tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang ( Matsushita Electric Industrial Company). SP harus mengandung: keahlian. Sistemfuzzy digunakan untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci. pembuatan games yang didasarkan padal ogikaf uzzy 6. agar komputer dapat menyelesaikan masalah sepe rti yang biasa dilakukan oleh para ahli. t ekan satu atau beberapa tombol dan mesin ini akan melakukan sisanya untuk anda.5. Jika pakaian lebih kotor mak a timer dibuat lebih lama. Dengan menimbang tingkat kekotoran kain yang direalisasikan dengan mengukur tingkat kekeruhan air cucian dengan sensor cahaya. Jika pakaian yang dicuci tidak terlalu kotor maka mencuci mestinya harus lebih cepat.Ekonomi. • Menurut Ignizio: Sistem pakar adalah suatu model dan prosedur yang berka itan. Mengisi air dengan jumlah yang cukup. den gan menjawab pernyataan jika dan maka (IF THEN). 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.Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pa kar secara langsung tanpa harus melalui proses pelatihan 6. seperti sistem diagnosis yang didasarkan pada log ika fuzzy 5. 2. lalu memutar timer yang sesuai dengan tingkat kekotoran pakaian. seperti manajemen basis data. dalam suatu domain tertentu. ahli. Di sinilah contohnya metode logika fuzzy dipakai. sistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer. inferensi.Ilmu kedokteran danb iologi. Selain mesin cuci Mesin cuci otomatis satu tabung yang muktahir saat ini sering mencantumkan kata fuzzy logic sebagai bagian dari prom osinya. Mobil nisan telah menggunakan asistem fuzzy pad a transmisi otomatis dan mampu menghemat bensin 12-17% 3. Ibu rumahtangga akan mengisi air dan deterjen yang secukupnya sesuai dengan banyaknya baju yang hendak dicuci agar lebih hemat. • Menurut Giarratano dan Riley : Sistem pakar adalah suatu sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar.

menyimpan pengetahuan dan keahlian para pakar 4.memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan men gandung ketidak pastian 12.meningkatkan kualitas 6. akhir’70 an Membantu konfigurasi sys tem computer besar SOPHIE Ana Lisissirkuit elektronik PROSPECTOR Didesign oleh Sheffield Research Institute.sulit dikembangkan.bisa melakukan proses secara berulang secara otomatis 3.mampu beroperasi dalam lingkungan berbahaya 8. Hal ini erat kaitannya dengan ketersediaan pakar dalam bid angnya 3.sebagai media pelengkap dalam pelatihan 13.meningkatkan kapabilitas dalam penyelesaian masalah 14.memiliki kemampuan untuk mengakses pengetahuan 9. akhir‘70an Digunaka n didalam geologi untuk membantu mencari dan menemukan deposit FOLIO Membantu memberikan keputusan bagi seorang manajer dalam halstokbroker d an investasi DELTA Pemeliharaan lokomoti Llistrik diesel Keuntungan sistem pakar : 1.mampu mengambil dan melestarikan keahlian para pakar 7.Contoh Sistem Pakar SistemPakar Kegunaan MYCIN Dirancang oleh Edward Feigenbaum(UniversitasStanford) th’70 an Diagnosa Penyakit DENDRAL Mengidentifikasi struktur molecular campuran yang tidak dikenal XCON & XSEL Dikembangkan oleh DEC dan CMU.Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli 2.meningkatkan output dan produktivitas 5.biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal 2.meningkatkan kapabilitas system computer 11.memiliki realibilitas 10.menghemat waktu dalam pengambilan keputusan Kelemahan sistem pakar : 1.system pakar tidak 100% bernilai benar Bentuk dan Struktur Sistem Konvensional Sistem Pakar(ES) Informasi dan pemrosesan biasanya jadi satu dengan program Basis pengetahua n merupakan bagian terpisah dari mekanisme inferensi Biasanya tidak bisa menjelaskan mengapa suatu input data itu dibutuhkan atau bag aimana output itu diperoleh Penjelasan adalah bagian terpenting dari system pakar Pengubahan program cukup sulit Pengubahan aturan dapat dilakuan dengan mudah Sistem hanya akan beroperasi jika system tersebut sudah lengkap Sistem d apat beroperasi hanya dengan beberapa aturan Eksekusi dilakukan langkah demi langkah Eksekusi dilakukan pada semua basis peng etahuan Menggunakan data Menggunakan Pengetahuan Tujuan utamanya adalah efisiensi Tujuan utamanya adalah efektivitas Ciri-ciri dan Domain Sistem Pakar : .

dll. HIMPUNAN FUZZY . Sistem jenis ini merupakan sistem yang berdiri sendiri tidak t ergabung dengan sistem yang lain. prediksi. misalnya DBMS. –Diagnosis : diagnosis medis. –Menghubungkan kesistem lain. debugging dan perbaikan kinerja –Kontrol: melakukan kontrol terhadap interpreasi. militer. dll –Monitoring : computer aided monitoring system –Debugging : memberikan resep obat terhadap kegagalan –Instruksi: melakukan instruksi untuk diagnosis. analisis citra. –Perencanaan: perencanaan keuangan. –Sistem mengabdi. Struktur Sistem pakar •User interface (antarmuka) : mekanisme komunikasi antara user dan Sistem Pakar •Explanation facility (subsistem Penjelasan) : digunakan untuk melacak respon da n memberikan penjelasan tentang kelakuan sistem pakar secara interaktif •Working memory : database global dari fakta yang digunakan dalam prosedur •Agenda : daftar prioritas prosedur yang dibuat oleh motor inferensi dan direkam dalam working memory •Inference engine (motor inferensi) : program yang berisi metodologi yang diguna kan untuk melakukan penalaran terhadap informasi-informasi dalam basis pengetahu an untuk memformulasikan konklusi. –Perancangan: perancangan layout sirkuit. •Motor inferensi menentukan aturan awal (rule antecedents) yang sesuai. dll. –Berdiri sendiri. termasuk pengenalan uc apan. memformulasikan dan menyelesaikan masalah. bangunan. •Knowledge acquisition facility : berisi pengetahuan-pengetahuan yang dibutuhkan untuk memahami. Sistem ini merupakan bagian dari computer khusus yang dihubung kan dengan suatu fungsi tertentu. Sisem ini merupakan bagian program yang terkandung didalam suatu alg oritma (konvensional) . prediksi ekonomi. perbaikan dan monito ring kelakukan sistem. Basis Aturan (Rule Based) Sistem Pakar •Pengetahuan dalam Sitem Pakar direpresentasikan dalam bentuk I F-THEN atau dala m bentuk Production Rules. mekanis. dll –Prediksi: prediksi demografi. Permasalahan yang Disentuh oleh Sitem Pakar (Domain Sistem Pakar ) : –Interpretasi:Pengambilan keputusan dari hasil observasi.–Memiliki fasilitas informasi yang handal –Mudah dimodifikasi –Dapat digunakan dalam berbagai jenis komputer –Memilki kemampuan untuk belajar beradaptasi. elektronis. Bentuk ini biasanya merupakan Sisten Pakar yang m enghubungkan kesuatu paket program tertentu. –Tergabung. –Sisi kiri harus cocok dengan fakta yang ada dimemori kerja •Aturan yang sesuai ditempatkan diagenda dan dapat diaktivasi •Aturan yang terdapat diagenda dapat diaktivasi –Aktivasi aturan akan membangkitkan fakta baru disisi kanan –Aktivasi dari satu aturan adalah bagian dari aktivasi aturan yang lain. interpretasi sinyal.

apabila seseorang berusia 34 tahun. memiliki 2 kemungkinan yaitu : * satu (1). MUDA dan PAROBAYA.Phase akademik 1965-1977 2. atau * nol (0).maka ia dikatakan TIDAK PAROBAYA (uparobaya[35 th – 1 hr] = 0). seseorang dapat masuk dalam 2 himpunan berbed a. PAROBAYA. Lingustik. yaitu : MUDA umur < 35 tahun PAROBAYA 35 <= umur <= 55 tahun TUA umur > 55 tahun Grapfis himpunan MUDA. 2.dsb. Himpunan tegas (crisp) Nilai keanggotaan suatu item x dalam suatu himpunan A. PAROBAYA dan TUA. apabila seseorang berusia 34 tahun. Dari uraian diatas dapat disimpulkan himpunan crisp dalam menyatakan umur sangat tidak adil. maka ia dikatakan TIDA K MUDA (umuda[35 thn – 1hr] = 0).Phase transformasi 1978-1988 3. apabila seseorang berusia 35 tahun kurang 1 hari.25. pabila seseorang berusia 35 tahun.25 . apabila seseorang berusia 35 tahun. maka ia dikatakan TIDAK MUDA(umuda[3 5] = 0). maka ia dikatakan TIDAK PAROBAYA (up arobaya[34] = 0). 4. yaitu : 1. • Yang terpenting dalam hal ini adalah menentukan hubungan antara derajat keanggotaan dalam himpunan fuzzy dan derajat kebenaran dalam fuzzy proposisi. yang sering ditulis denga n uA[x]. maka ia dikatakan PAROBAYA (uparobay a[35] = 1). 3. seperti : MUDA. maka ia dikatakan MUDA (umuda[34] = 1). • Secara luas logika fuzzy adalah suatu wilayah terapan dari teori himpuna n fuzzy. yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan. Numeris.PAROBAYA. apabila seseorang berusia 35 tahun kurang 1 hari.TUA. 7. yaitu penamaan suatu grup yang mewakili suatu keadaan atau ko ndisi tertentu dengan menggunakan bahasa alami.50. 2.Phase fuzzy boom 1989-…. 6. Seberapa besar eksistensinya dapat dilih at pada nilai keanggotaannya. Umur 40 tahun -> MUDA (UMUDA[40]=0. TUA Dari gambar sebelumnya terlihat bahwa : 1.Dalam perjalannya perkembangan teori himpunan fuzzy dibagi menjadi 3 fase. perubahan kecil pada suatu nilai mengakibatkan perbedaan kategori y ang cukup signifikan. yaitu suatu nilai (angka) yang menunjukan ukuran dari suatu var iabel seperti:40. apabila seseorang berusia 35 tahun. 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. maka ia dikatakan PAROBAYA (uparobaya [35] = 1). yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpu nan Contoh : Misalkan variable umur dibagi menjadi 3 kategori. 5. yaitu : 1. Himpunan fuzzy memiliki 2 attribut. Solusi : Himpunan fuzzy Dengan menggunakan himpunan fuzzy.

Representasi Kurva bentuk 5.25 PAROBAYA(UPAROBAYA[50]=0. Kurva Beta dan Kurva . garis lurus dimuali dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri. a < x £ b (c-x)/(c-b).temperatur. Variabel fuzzy Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fu zzy.dsb. x £ a atau x ³ d (x-a)/(b-a). Contoh: umur.kemudian bergerak menurun ke nilaidomain yang memiliki derajat ke anggotaan lebih rendah. x £ a atau x ³ c (x-a)/(b-a). B. Kurva PI. yaitu: A. Representasi Kurva Segitiga m[x] = 0. 2.Representasi Kurva-S 6.Representasi Kurva Bentuk x £ b x < d bahu Lonceng. Semesta pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk diop erasikan dalam suatu variabel fuzzy.5 Umur 50 tahun -> TUA (UTUA[50]=0. b < x < c 3. D. RepresentasiKurvaTrapesium m[x]= 0. ada 3 jenis.permintaan. 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.ada beberapa fungsi yang bias digunakan : 1. a < 1. Himpunan fuzzy Himpunan fuzzy merupakan suatu grup yang mewakili suaty kondisi atau keadaan tertentu dalam suatu variabel fuzzy C.5 Beberapa variabel yang perlu diketahui dalam memahami sistem fuzzy. c < 4. Representasi linear Ada 2 kemungkinan himpunan fuzzy linear yaitu : a. b < x £ c (d-x)/(d-c). 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.PAROBAYA(UPAROBAYA[40]=0.

fungsi ini  k  n memotong output himpun  n fuzzy 2. FI S y  ng p  ling mud  h dimengerti. Nil  i output d  p  t diestim  si sec  r   l  ngsung d  ri nil  i ke  nggot   n y  ng berhubung  n deng  n  ntesedenny  . Jik   2 d  er  h f uzzy dire  lis  sik  n deng  n implik  si sederh  n   seb  g  i berikut : IF x is A THEN y is B tr  nsfer fungsi : Y = f ((x.Dot (product). fungsi ini  k  n mensk  l   output himpun  n fuzzy SISTEM INFERENSI FUZZY Sistem Inferensi Fuzzy (Fuzzy Inference System/FIS) disebut jug   fuzzy inference engine  d  l  h sistem y  ng d  p  t mel  kuk  n pen  l  r  n deng  n prinsip serup   seper ti m  nusi   mel  kuk  n pen  l  r  n deng  n n  luriny  . α-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 µA∩B = min(µA[x]. Terd  p  t beber  p   jenis FIS y  ng diken  l y  itu M  md  ni. Sec  r   umum. FUNGSI IMPLIKASI Bentuk umum  tur  n y  ng digun  k  n d  l  m fungsi implik  si : IF x is A THEN y is B Deng  n x d  n y  d  l  h sk  l  r. k  ren   p  ling sesu  i deng  n n  luri m  nusi    d  l   h FIS M  md  ni.  d   du   fungsi implik  si. µB[y]) Oper  tor NOT Oper  tor ini berhubung  n deng  n oper  si komplemen himpun  n. A).GAUSS 7. y  itu: 1. FIS tersebut bekerj   berd  s  rk  n k  id  h-k  id  h linguistik d  n mem iliki  lgoritm   fuzzy y  ng menyedi  k  n sebu  h  proksim  si untuk dim  suki  n  lis   .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.Min (minimum). B) M  k   system fuzzy d  p  t berj  l  n t  np   h  rus mel  lui komposisi d  n dekomposisi f uzzy. sed  ngk  n proposisi y  ng mengikuti THEN disebut kons ekuen. Sugeno d  n Tsuk  moto. A d  n B  d  l  h himpun  n fuzzy. α-predik  t seb  g  i h  sil oper  si deng  n oper  tor AND diperoleh deng  n meng  mbil nil  i ke  nggot   n terkecil  nt  r elemen p  d   himpun  n-himpun  n y  ng bers  ngkut  n µA’= 1-µA[x] PENALARAN MONOTON Metode ini digun  k  n seb  g  i d  s  r untuk teknik implik  si fuzzy. α-predik  t seb  g  i h  sil oper  si deng  n oper  tor AND diperoleh deng  n meng  mbil nil  i ke  nggot   n terkecil  nt  r elemen p  d   himpun  n-himpun  n y  ng bers  ngkut  n µAUB = m  x(µA[x]. µB[y]) Oper  tor OR Oper  tor ini berhubung  n deng  n per  siunion p  d   himpun  n. Proposisi y  ng meng ikuti IF disebut  nteseden.

p  brik tersebut d  p  t memproduksi b  r  ng m  ksimum 7000 b  r  ng/h  r i d  n minim  lny   2000 b  r  ng/h  ri. solusi himpun  n fuzzy diperoleh deng  n c  r   meng  mbil n     il i m ksimum  tur  n.    [A3] IF Permint n SEDIKIT And Persedi   n BANYAK THEN Produksi B  r  ng BERKURANG . Proses d  l  m FIS 1. V  r-1 terb  gi  t  s himp. v  r-3 terb  g i  t  s himp. Metode ini diperk en  lk  n oleh Ebr  him M  md  ni p  d   t  hun 1975. 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). 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. A1 & A2. 2.m  tem  tik. 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. v  r-2 terb  gi  t  s himp. P  d   t  h  p  n ini sistem terdiri d  ri beber  p    tur  n. C1 & C2. Pembentuk  n himpun  n fuzzy. Ad   3 metode y  ng digun  k  n d  l   m mel  kuk  n inferensi sistem fuzzy. B1 & B2. kemudi  n menggun  k  nny   untuk memodifik  si d  er  h fuzzy. fungsi implik  si y  ng digun  k  n  d  l  h MIN 3. Sec  r   u mum d  p  t ditulis . Ap  bil   proses produksi p  brik tersebut mengg un  k  n  tur  n fuzzy seb  g  i berikut [A1] IF Permint   n BANYAK And Persedi   n BANYAK THEN Produksi B  r  ng BERTAMBAH . d  n meng  plik  sik  ny   ke output deng  n menggun  k  n oper  tor OR (union). Seb  g  i h  silny   .  dditive d  n prob  bilistik OR. diperluk   n 4 t  h  p  n y  itu : 1. y  itu : m  x. output h  sil inferensi d  ri ti  p-ti  p  tur  n diberik  n sec  r   teg  s berd  s  rk   n α-predik  t. Deng  n semu   ke terb  t  s  nny  . Persedi   n b  r  ng di gud  ng d  p  t menc  p  i titik tertin ggi y  itu 600 b  r  ng/h  ri d  n titik terend  hny   100 b  r  ng/h  ri. d  n v  r-2 (y). Ad   2  tur  n: ◦ If (x is A1)  nd (y is B2) Then (z is C1) ◦ If (x is A2)  nd (y is B1) Then (z is C2) Contoh : Sebu  h p  brik elektronik d  p  t berh  sil menc  p  i permint   n terbes  r seb  ny  k 50 00 b  r  ng/h  ri. Metode M  md  ni Metode M  md  ni sering jug   diken  l deng  n n  m   Metode M  x-Min. Untuk memperoleh output.    [A2] IF permint n SEDIKIT And persedi   n SEDIKIT THEN Produksi B  r  ng BERKURANG . Komponen  tur  n. N  mun pern  h p  brik tersebut h  ny   menc  p  i permint   n b  r  ng se b  ny  k 1000 b  r  ng/h  ri.    [A4] IF permint n BANYAK And persedi   n SEDIKIT THEN Produksi B  r  ng BERTAMBAH . G  mb  r 4.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. Aplik  si fungsi impliksi (  tur  n). 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. 2. p  d   metod   m  md  ni. sert   1 v  r output: v  r-3 (z). Proses d  l  m FIS ditunjuk  n p  d   G  mb  r 3. 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. p  d   metode m  md  ni. m  k   inferensi dip eroleh d  ri kumpul  n d  n korel  si  nt  r  tur  n. P  d   metode m  x.

1 output d  n 3 rules Rule: 1 Rule: 1 IF x is A3 IF project_funding is  dequ  te OR y is B1 OR project_st  ffing is sm  ll THEN z is C1 THEN risk is low Rule: 2 Rule: 2 IF x is A2 IF project_funding is m  rgin  l AND y is B2 AND project_st  ffing is l  rge THEN z is C2 THEN risk is norm  l Rule: 3 Rule: 3 IF x is A1 IF project_funding is in  dequ  te THEN z is C3 THEN risk is high Fuzzifik  si: menentuk  n der  j  t ke  nggot   n input x1 d  n y1 p  d   himpun  n fuzzy 3.Metode b. tur  n fuzzy. Jik   diberik  n su  tu himpu n  n fuzzy d  l  m r  nge tertentu. 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. Defuzzyfik  si p  d   metode m  md  ni untuk semest   diskrit me nggun  k  n pers  m   n z = ∑ z¬j µ(zj)/∑ µ(zj) Ad   tig    . m  k   h  rus d  p  t di  mbil su  tu nil  i crisp ter tentu seb  g  i output. 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.Metode metode y  ng digun  k  n d  l  m mel  kuk  n inferensi sisten fuzzy : M  x Additive (SUM) Prob  bilistik OR 4. h  ny   s  j   output (konsekue n) sistem tid  k berup  h impun  n fuzzy.Metode L  rgest of M  ximum(LOM) e. •Beber  p   metode defuzzifi-k  si  tur  n MAMDANI :  .  .Model Fuzzy Sugeno Orde-Nol BentukUmum: IF (X1 is A1) (X2is A2) (X3is A3) ….Metode c. 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.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. (XNisAN) THEN z = k .Metode Me  n of M  ximun(MOM) d.Metode Bisektor c.) µkf(x¬i))       4. mel  ink  n berup   konst  nt    t  u pers  m   n line  r.Metode Sugeno Pen  l  r  n ini h  mpir s  m   deng  n pen  l  r  n M  md  ni.Metode Sm  llest of M  ximum(SOM) Contoh: perso  l  n sederh  n   deng  n 2 input.µdf (x¬i) m  x (µdf(xi. tur  n fuzzy.Metode Centroid(Composite Moment) b.

Model Fuzzy Sugeno Orde-S  tu Bentuk Umum: IF (X1 is A1) …. d  n k  d  l  h konst  nt   ( teg  s) seb  g  i konsekuen b. . 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  . N  mun terk  d  ng dibutuhk  n su  tu d  t   y  ng bersif  t  mbiguous.Deng  n Ai  d  l  h himpun  nfuzzy ke-I seb  g  i  n teseden. d  n pi  d  l  h su  tu kons t  nt   ke-I d  n q merup  k  n konst  nt   d  l  m konsekuen.(XNisAN) THEN z = p1* x1 + …+ pN* XN + q Deng  n Ai  d  l  h himpun  nfuzzy ke-I seb  g  i  n teseden. m  k   digun  k  n b  sis d  t   fuzzy. 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. 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.

Sign up to vote on this title
UsefulNot useful