BAB I PENDAHULUAN
I.1 Pengertian Fuzzy
Fuzzy dapat diartikan sebagai sesuatu yang kabur, samar, tidak jelas, tidak tegas
atau tidak mempunyai batas yang tegas. Dalam kehidupan sehari-hari banyak kita jumpai
keadaan-keadaan yang memang kabur atau tidak jelas/tegas batasnya. Sebagai contoh jika
seorang Dosen meminta mahasiswa untuk berkelompok sesuai angkatan atau tahun
masuknya, maka akan segera terbentuk kelompok mahasiswa angkatan 2006, 2007, 2008
dan seterusnya. Tetapi jika seorang Dosen meminta mahasiswa untuk berkelompok sesuai
tingkat kepandaiannya (jenius, cerdas, pandai, cukup, bodoh), maka akan timbul keraguraguan di antara para mahasiswa tersebut. Mereka ragu-ragu apakah mereka termasuk
kelompok mahasiswa jenius, cerdas atau masuk kelompok yang lainnya. Karena memang
tidak ada batas yang jelas/tegas antara kelompok jenius, cerdas, pandai, cukup dan bodoh
tersebut.
Selain bentuk kekaburan seperti di atas, ada bentuk-bentuk kekaburan atau
ketidaktegasan lainya, misalnya :
1. Ambiguity = keambiguan, tidak tegas karena mempunyai makna ganda
Misal : bulan
2. Randomness = keacakan , ketidak-jelasan mengenai sesuatu karena sesuatu hal
baru akan terjadi
Misal : cuaca esok hari
3. Incompleteness = ketidak jelasan karena tidak lengkapnya informasi
Misal : kehidupan di luar angkasa
4. Imprecision = tidak tepat karena keterbatasan alat untuk mengumpulkan
informasi.
Misal : hasil pengukuran dalam fisika atom
5. Kekaburan semantik, yaitu kekaburan, kesamaran yang disebabkan karena makna
dari suatu kata/istilah tidak dapat didefinisikan secara tegas.
Misal : cantik, tinggi, pandai, sejuk, kotor, dll
Diktat Kendali Samar ini hanya akan membahas kendali samar untuk sistem kendali
(Fuzzy Logic Control / FLC) baik open-loop maupun close-loop.
Bagi Rudi yang IP nya 1.0, dia akan setuju kalau Tanto termasuk mahasiswa yang pandai,
tetapi bagi perusahaan multinasional yang mensyaratkan IP minimal 3.0 bagi calon
pendaftar, tidak akan mau menyeleksi Tanto karena mereka beranggapan Tanto tidak
pandai.
Faktanya, realitas dunia terlalu rumit jika semua harus didiskripsikan dengan bahasa yang
tegas. Untuk itu diperlukan bahasa keilmuan yang mampu mengungkap kekaburan istilah
(kekaburan semantik) dari bahasa sehari-hari secara memadai.
Lotfi A. Zadeh : penggagas pertama himpunan kabur (Fuzzy sets), yaitu cabang ilmu
matematika yang memperluas konsep himpunan tegas menjadi himpunan kabur. Dengan
konsep himpunan kabur maka memungkinkan untuk melakukan komputasi pada
kata/istilah yang mempunyai kekaburan semantik (linguistic computing).
BAB II
LOGIKA DAN HIMPUNAN TEGAS
II.1. Logika
Logika merupakan ilmu yang mempelajari secara sistematis kaidah-kaidah
penalaran yang absah (valid).
Ada 2 macam penalaran :
1. Penalaran deduktif : penalaran untuk menarik kesimpulan berdasarkan premispremis yang diandaikan benar dengan mengikuti pola penalaran tertentu.
2. Penalaran induktif : penalaran untuk menarik kesimpulan yang berlaku umum
berdasarkan premis-premis yang bersifat faktual.
Logika yang digunakan pada Logika Fuzzy adalah logika dengan penalaran
deduktif yang memanfaatkan seperangkat symbol-simbol untuk merepresentasikan
bahasa alamiah manusia (logika simbolik)
Logika simbolik :
1. Logika proposisi : penalaran manusia dengan menggunakan proposisi.
2. Logika predikat : penalaran yang mengakomodasi struktur internal dari proposisi.
Logika Proposisi
Proposisi adalah kalimat yang mempunyai nilai benar atau salah.
Proposisi atomic : proposisi yang tidak memuat proposisi lain sebagai komponennya
( >< Proposisi majemuk )
Proposisi majemuk dibentuk dari proposisi atomic dengan operasi logis :
1. Negasi (NOT, tidak, bukan)
(p)
1
0
(p)
0
1
(p) = 1 - (p)
p : Bilangan 5 habis dibagi 2
(p q) = min{(p), (q)}
atau
(p q) = (p) (q)
Implikasi (IF-THEN)
(p) (q) (pq)
1
1
1
1
0
0
0
1
1
0
0
1
(p q) = max{(p), (q)}
5. Bi-implikasi (ekivalensi)
(p) (q) (pq)
(pq) = 1 - (q) - (p)
1
1
1
atau
1
0
0
((pq)( qp))
0
1
0
0
0
1
Tautologi :
Tautologi adalah bentuk proposisi yang selalu bernilai 1 atau selalu menghasilkan nilai
benar.
Misal : (p p)
PR : Tuliskan minimal 5 tautologi lainnya beserta pembuktiannya dengan tabel
kebenaran.
Kontradiksi :
Kontradiksi adalah bentuk proposisi yang selalu bernilai 0 atau selalu menghasilkan nilai
salah.
Misal : (p p)
Kaidah Inferensi :
Kaidah inferensi merupakan kaidah penalaran atau kaidah pengambilan kesimpulan yang
absah (valid).
(p1 p2 p3 p4 pn q )
Jika nilainya selalu benar, berarti pengambilan kesimpulannya absah karena merupakan
Tautologi.
II.2. HIMPUNAN
Himpunan Tegas (crisp set) merupakan sekumpulan obyek yang mempunyai
kesamaan sifat tertentu, terdefinisi secara tegas sehingga setiap obyek dapat ditentukan
dengan tegas apakah merupakan anggota himpunan atau bukan.
Ada beberapa cara untuk menyatakan himpunan, antara lain :
1. Cara daftar
A = { a, b, c, d, e}
N = {1, 2, 3, 4, }
2. Cara Aturan : memberi aturan (syarat keanggotaan) yang harus dipenuhi untuk
menjadi anggota himpunan.
A = { xx adalah salah satu dari 5 huruf pertama dlm abjad}
N = { xx adalah bilangan bulat positip}
3. Fungsi Karakteristik : fungsi dari himpunan semesta X ke himpunan {0, 1}
1 jika.x.adalah.salah.satu.dari.5.huruf . pertama.dlm.abjad
A ( x)
0 jika.lainnya
Operasi Himpunan
1. Komplemen :
2. Gabungan :
3. Irisan :
A' x X x A}
A B { x x A x B}
A B { x x A x B}
4. Selisih : :
A B {x x A x B}
5. Darab Cartesius :
AxB {( x, y ) x A x B}
A A A
3. A X A dan
A A
4. A B B A dan
A B B A
5. A ( A B) A dan
6. ( A B )' A' B' dan
A ( A B) A
( A B )' A' B'
7. A ( B C ) ( A B) C dan
8. A A' X
dan
A ( B C ) ( A B) C
A A'
Pada sifat-sifat dasar operasi himpunan terlihat bahwa berlaku Prinsip Dualitas , yang
artinya untuk suatu sifat terdapat sifat dualnya, yang diperoleh dengan mengganti
dengan
BAB III
HIMPUNAN KABUR
Himpunan kabur (Fuzzy set) dapat dipahami sebagai sekumpulan obyek yang
mempunyai kesamaan sifat tertentu, tetapi tidak dapat didefinisikan secara tegas apakah
merupakan anggota himpunan atau bukan.
Misal : Jika himpunan orang tinggi didefinisikan sebagai orang yang tingginya 170
cm, maka menurut definisi tersebut orang yang tingginya 169,5 cm tidak tinggi, dan kita
merasa aneh kalau seseorang dengan tinggi 169,5 cm dikatakan orang tersebut tidak
tinggi. Jadi kata tinggi tidak pas kalau didefinisikan secara tegas.
Masalah ini oleh Zadeh diatasi dengan suatu fungsi yang menyatakan derajat
kesesuaian dengan syarat keanggotaan himpunan tersebut.
- Fungsinya disebut Fungsi keanggotaan.
- Nilai fungsi disebut Derajat keanggotaan.
III.1. DEFINISI HIMPUNAN KABUR
Sebuah himpunan kabur dalam semesta pembicaraan U dinyatakan oleh fungsi
keanggotaan A (x) yang nilai keanggotaannya ada dalam interval [0,1]
Jadi jika nilai keanggotaan = 1 menyatakan keanggotaan penuh, 0 dipahami
sebagai sama sekali bukan anggota himpunan kabur tersebut dan nilai keanggotaan antara
0 1 adalah menjadi anggota himpunan dengan derajat kesesuaian sebesar nilai
keanggotaannya.
Contoh : Himpunan orang tinggi dapat dinyatakan dengan fungsi keanggotaan tinggi
dengan grafik seperti gambar 1 :
A (Rudi) = 1
A (Eny) = 0.625
A (Linda) = 0.25
A (Anton) = 1
( x2)2
/x
xR
10
3. Formula matematis
Contoh :
= himpunan kabur bilangan real yang dekat dengan 2
Dapat juga dituliskan dengan cara :
x 1, untuk.1 x 2
= ~ ( x) 3 x, untuk .2 x 3
E2
0,......untuk.lainnya
macam
fungsi
keanggotaan
dapat
digunakan
untuk
meng-
0; jika..u
(u; , ) (u ) /( ); jika.. u
1; lainnya
0; jika..x
x
2 ; jika.. x
S ( x; , , )
x
1 ; jika.. x
1;lainnya
12
Dengan
( )
2
1; jika..u
L(u; , ) ( u) /( ); jika.. u
0; lainnya
13
b. Fungsi S (Sigmoid)
Definisi : 1 S(x ; , , )
Contoh gambar fungsi S (turun) dapat dilihat pada gambar 7.
0; jika..u
(u ) /( ); jika.. u
(u; , , )
( u) /( ); jika.. u
1;lainnya
Contoh gambar fungsi Segitiga dapat dilihat pada gambar 8.
Fungsi
b. Fungsi
S (x; , / 2, ); jika. x
( x; , )
1 S (x; , / 2, ); jika. x
Contoh gambar fungsi
0; jika..u
(u ) /( ); jika.. u
(u; , , , ) 1; jika.. u
( u) /( ); jika.. u
1; lainnya
Fungsi ini mempunyai puncak tidak hanya di 1 titik saja, tetapi puncaknya
berupa kumpulan titik-titik dalam sebuah interval.
Contoh gambar fungsi Trapesium dapat dilihat pada gambar 9.
Height himpunan kabur adalah derajat keanggotaan terbesar yang bisa dicapai
titik-titik dalam fungsi keanggotaan tersebut. Jika height himpunan kabur = 1,
disebut himpunan kabur normal , sedangkan jika height himpunan kabur kurang
dari 1disebut subnormal.
hgt ( A)
sup . A ( x )
xU
3. Crossover Point
Crossover Point merupakan titik-titik di U yang derajat keanggotaanya = 0.5
4. Nucleus (teras).
Nucleus merupakan titik-titik di U yang derajat keanggotaanya = 1
Jika sebuah himpunan kabur hanya mempunyai 1 nucleus, maka titik tersebut
dinamakan nilai puncak (peak value) dari A.
5. Center (pusat).
a. Jika titik-titik pada fungsi keanggotaan himpunan kabur yang mencapai
maksimal adalah berhingga, maka nilai center adalah nilai rerata titik-titik
tersebut.
b. Jika titik-titik pada fungsi keanggotaan himpunan kabur yang mencapai
maksimal adalah tak berhingga positip, maka nilai center adalah nilai
terkecil titik-titik tersebut.
c. Jika titik-titik pada fungsi keanggotaan himpunan kabur yang mencapai
maksimal adalah tak berhingga negatip, maka nilai center adalah nilai
terbesar titik-titik tersebut.
6. Width
Width (A) = sup (S(A)) inf (S(A))
sup = supremum = max ;
Contoh :
16
b. B ;
c. A B
d. A B
b. Sensor 2 (S2)
c. S 1 S 2 ( x)
d. S 1 S 2 ( x)
e. S 1 S 2 ( x )
f. S 1 S 2 ( x )
Contoh Soal 3.
A = himpunan kabur dingin dengan fungsi keanggotaan L(u ;18, 20),
B = himpunan kabur sejuk dengan fungsi keanggotaan (u ; 19, 22, 25),
C = himpunan kabur hangat dengan fungsi keanggotaan (u ; 22, 24, 26, 28)
Gunakan MATLAB untuk menggambar grafik dari :
a. A(x) dan A(x) dalam 1 grafik
b. C(x) dan C(x) dalam 1 grafik
c. A(x), B(x) dan AuB(x) dalam 1 grafik
d. B(x), C(x) dan BC(x) dalam 1 grafik
Pada beberapa kasus, operasi dasar dari Zadeh kurang memuaskan sehingga berkembang
bentuk operasi dasar yang lain.
1. Fuzzy Komplemen
a. Sugeno class
18
C ( a )
1 a
1 .a
dgn [ 1, ]
b. Yager class
Cw ( a ) (1 a w )1 / w ;
dgn w [0, ]
dgn -1
b. Yager class
Sw (a,b) = min [ 1, (aw + bw ) 1/w]
dgn w [0, ]
a.b
; dgn [0,1]
max(a, b, )
b. Yager class
tw (a,b) = 1 - min [ 1, ((1-a)w +(1- b)w ) 1/w]
dgn w [0, ]
Masih ada banyak macam-macam class, baik untuk komplemen, union maupun
interseksi.
Pengubah Linguistik (linguistic hedge / modifier)
Pengubah Linguistik merupakan kata yang digunakan untuk mengubah sebuah kata
menjadi kata baru dengan makna yang baru pula.
Contoh kata : sangat, agak
Jika diketahui himpunan kabur A dengan semesta pembicaraan X, maka :
b. Kata sangat A, mempunyai fungsi keanggotaan :
sangat-A = konsentrasi dari A = kon(A) (x) = (A(x))2
c. Kata agak A, mempunyai fungsi keanggotaan :
agak-A = dilasi dari A = dil(A) (x) = (A(x))1/2
Contoh :
19
X = {1, 2, 3, 4, 5}. Himpunan kabur A adalah himpunan bilangan yang dekat dengan 5,
dengan fungsi keanggotaan sbb :
A = 0.2/1 + 0.4/2 + 0.6/3 + 0.8/4 + 1/5
Maka kata :
a. sangat dekat dengan 5 = kon(A)
b. sangat dekat sekali dengan 5 = kon(kon(A))
c. agak dekat dengan 5 = dil(A)
d. tidak sangat dekat dengan A = (kon(A))
e. dekat tetapi tidak sangat dekat dengan 5 = A (kon(A))
Coba, tentukan fungsi keanggotaan kata a sampai e tersebut !!!
20
BAB IV
RELASI KABUR
IV.1. RELASI TEGAS
Antara anggota suatu himpunan bisa terdapat suatu hubungan atau relasi tertentu
dengan anggota himpunan lain. Dengan demikian relasi dapat dipahami sebagai
himpunan suatu pasangan-pasangan.
Definisi :
Relasi tegas (biner) R antara anggota himpunan X dengan anggota himpunan Y
didefinisikan sebagai himpunan bagian dari darab Cartesius X x Y, yaitu suatu himpunan
tegas :
R XxY
Y = {2, 3, 4}
R adalah relasi lebih besar atau sama dengan, antara anggota himpunan X dan Y.
Ada beberapa cara untuk menyatakan relasi pada himpunan tegas untuk contoh kasus
tersebut, yaitu :.
1. Diagram Panah :
2. Graf berarah :
3. Matrik Relasi :
21
0
R 1
1
0
0
1
0
0
0
atau
R=
1
2
3
2
0
1
1
3
0
0
1
4
0
0
0
X x Y}
Dengan demikian, Relasi kabur berupa sebuah himpunan kabur yang anggotanya terdiri
dari pasangan-pasangan, dan setiap pasangan mempunyai derajat keanggotaan
[0, 1] yang menyatakan derajat eratnya hubungan atau relasi tersebut.
Cara menyatakan relasi pada himpunan kabur :
Contoh kasus : 2 buah himpunan X dan Y dengan relasi kabur R didefinisikan sebagai
berikut :
22
R {(( x, y), R ( x, y)
1
( x, y) x
( x y )
1 e
0.3
R 0.5
0.9
0 .1
0 .3
0 .7
0
0.4
atau
R=
31
78
205
1
0.3
0.5
0.9
27 119
0.1 0
0.3 0
1.7 0.4
23
d. B = proj R on Y
e. ce(A)
f. ce(B)
g. ce(A) R
h. A o R dgn komposisi max-min
i. A o R dgn komposisi max-dot
24
BAB V
APPROXIMATE REASONING / PENALARAN HAMPIRAN /
PENALARAN KABUR
Penalaran hampiran disajikan menggunakan Variabel Linguistik. Variabel
linguistik adalah variabel yang nilainya berupa kata atau kalimat dalam bahasa natural
(manusia)
Contoh :
1. Kata umur merupakan variabel linguistik jika nilainya dituliskan dalam bentuk :
muda, agak muda, tua, sangat tua, dll
2. Kata umur merupakan variabel numerik jika nilainya dituliskan dalam bentuk :
15, 20, 45, 70, dll
Pada penalaran hampiran kerangka kerja (framework) yang digunakan sehubungan
variabel linguistik meliputi 4 variabel, yaitu : (x, T, X, M)
x : lambang variable linguistik
T : himpunan nilai-nilai linguistik yang dapat menggantikan x
X : domain/semesta pembicaraan (numeris) dari nilai-nilai linguistik T
M : himpunan aturan semantik yang mengaitkan istilah dalam T dengan fungsi
keanggotaan himpunan kabur dalam X
Contoh :
Ingin dirancang sebuah pengendali suhu/temperatur. Kerangka kerja (framework) yang
cocok digunakan sehubungan variabel linguistik tersebut misalnya adalah :
x : temperatur
T : { dingin, sejuk, hangat}
X : [ 0o , 40o]
M : dingin = L(x ; 0, 15)
sejuk
hangat
25
Pada sistem kendali samar kerangka kerja yang biasa digunakan adalah :
x : error (e) dan d-error (e)
T : { PB, PM, PS, ZO, NS, NM, NB} ;
dengan P : positive; N : negative; ZO : zero;
B : big; M : medium; S : small
X : [ -6 , 6]
M : NB = L(x ; - 6, - 3)
NM = (x ; - 7, - 4, - 1)
NS = (x ; - 5, - 2, 1) ;
ZO = (x ; - 3, 0, 3)
PS = (x ; - 1, 2, 5)
PM = (x ; 1, 4, 7)
PB = (x ; 3, 6)
Gambar himpunan kabur untuk kerangka kerja tersebut dapat dilihat pada gambar 10.
Gambar 10. Himpunan kabur NB, NM, NS, ZO, PS, PM dan PB dengan domain [ -6 , 6]
V.1. PROPOSISI KABUR (FUZZY PROPOSITION)
Proposisi kabur adalah kalimat yang memuat predikat kabur.
Approximate Reasoning digunakan untuk menggambarkan suatu pengetahuan yang
dinyatakan dengan proposisi kabur tunggal (proposisi atomic) dalam bentuk bahasa
natural.
Contoh :
Sebuah proposisi atomik :
Proposisi atomik tersebut kemudian diubah menjadi variabel linguistik dengan cara sbb :
1. Pilih symbol e untuk menyatakan variable Error
2. Pilih symbol NB untuk menyatakan variable negative-big
3. Tuliskan simbol keseluruhan proposisi atomiknya :
e is NB
26
Contoh :
Jika terdapat kalimat :
Maka derajat kebenaran proposisi kabur tersebut sama dengan derajat keanggotaan e = -4
dalam himpunan kabur NB, yaitu NB (- 4 ) = 0.33
V.2. OPERATOR LOGIKA KABUR
Seperti halnya dengan proposisi tegas, proposisi kabur majemuk juga dapat dibentuk dari
proposisi atomik dengan menggunakan operator logika kabur.
Ada 4 operator logika kabur biner :
1. Konjungsi kabur (AND)
e is ZO;
e is PM
e is ZO AND PM
e is ZO OR PM
e is ZO AND PM = ZO PM
e is PM
e is ZO OR PM = ZO PM
3. Negasi kabur
e is ZO;
e is NOT ZO
e is NOT ZO = ZO
4. Implikasi kabur
e is ZO;
e is PM
IF e is ZO THAN e is PM
IF e is ZO THAN e is PM = ZO PM
= max [ ce( A ) (x,y) , ce(B) (x,y) ]
= max [ 1 - ce(A) (x,y) , ce(B) (x,y) ]
27
kadang tidak cocok digunakan untuk sebuah bidang ilmu atau sebuah system tertentu.
Beberapa implikasi kabur diantaranya ialah :
1. Implikasi Zadeh :
Rm (x, y) = max [ min ((A) (x) , (B) (y)) , 1 - (A) (x) ]
2. Implikasi Lukasiewicz
Ra (x, y) = min [ 1, 1 - (A) (x) + (B) (y) ]
3. Implikasi Gdel (paling terkenal)
Ra (x, y) =
1, jika. A ( x) B ( x)
B ( x) , lainnya
28
Rb] on Y
b. 3 o Rb = komposisi max-min
Hasil :
3 o Rb = [ 0 0 1 0 0 ] o
0.8
0.6
0.4
0.4
0.4
1
1
1
0.7 1
0.7 1
0.8
0.7
0.7
= [ 0.4 0.7 1 ]
3 o Rc = [ 0 0 1 0 0 ] o
0 .2
0 .4
0 .4
0 .4
0.4
0.2
0.4
0.6
0.7
0.7
0.2
0.4
0.6
0.8
1
29
2. Derajat keanggotaan untuk x = 3 dalam cepat dapat dicari secara grafis, khususnya
jika implikasi yang digunakan adalah Mamdani dan Godel, seperti gambar 11.
Contoh Lain :
Andaikan himpunan kabur untuk kendali standar { NB, NM, NS, , PB} dengan domain
[-6, 6]. Digunakan aturan kendali sederhana yaitu :
IF e is PM THEN u is NS
dengan e = error, dan u = output berada dalam domain E = U = [-6, 6]
Himpunan kabur PM dan NS didefinisikan sbb :
PM = 0/1 + (1/3)/2 + (2/3)/3 + 1/4 + (2/3)/5 + (1/3)/6
NS = 0/-5 + (1/3)/-4 + (2/3)/-3 + 1/-2 + (2/3)/-1 + (1/3)/0 + 0/1
Andaikan pada kendali tersebut nilai e yang terjadi saat itu adalah 3, maka hitung
himpunan kabur u saat e = 3 secara grafis jika :
a. Implikasi yang digunakan adalah Mamdani
b. Implikasi yang digunakan adalah Godel
Titik dimana nilai tegas e berada, biasa disimbolkan sebagai e* dan disebut titik
penyulutan (firing).
30
BAB VI
LOGIKA KABUR
VI.1. Pengambilan Kesimpulan
Pada logika kabur, proposisinya berupa proposisi kabur yang didefinisikan dalam
sebuah himpunan kabur. Tujuan utama logika kabur adalah memberikan dasar-dasar
dalam pengambilan keputusan berdasarkan proposisi yang kabur, sehingga dapat
mendekati kebenaran, menggunakan teori himpunan kabur.
Cara atau aturan untuk pengambilan kesimpulan yang abash dalam logika kabur
disebut Inference Rule.
Ada 3 cara pengambilan kesimpulan :
a. Generalized Modus Ponen.
P1 :
x is A
P2 :
IF x is A THEN y is B
Kesimpulan :
y is B
y is B
P2 :
IF x is A THEN y is B
Kesimpulan :
x is A
IF x is A THEN y is B
P2 :
IF y is B THEN z is C
Kesimpulan :
IF x is A THEN z is C
Atau
P1 :
IF x is A THEN y is B
P2 :
IF y is B THEN z is C
Kesimpulan :
IF x is A THEN z is
31
Tabel VI.1. Kriteria Intuitive untuk Pengambilan kesimpulan pada Implikasi Kabur
IF x is A THEN y is B
Kriteria
I
II - 1
II - 2
II 2*
III - 1
III - 2
IV
V
VI
VII
VIII
P1 : Fakta
x is A
x is very A
x is very A
x is A dan A A
x is more or less A
x is more or less A
x is not A
Kesimpulan
y is B
y is very B
y is B
y is B
y is more or less B
y is B
y is unknown
y is not B
y is not (very B)
y is not (more or less B)
y is B
IX
y is B z is C
Jenis Implikasi
Standard, Godel
Standard
Godel, Goguen
Standard, Godel
Mamdani
Mamdani,
Zadeh,
x is not A
x is not (very A)
x is not (more or less A)
x is unknown
Godel, Standard
Standard
Standard
Standard
Mamdani,
Zadeh,
x is A z is C
Godel, Standard
Standard,
Godel,
Mamdani, Goguen
Contoh :
Domain X = {1, 2, 3, 4, 5}, Y = {50, 60, 70} dan
R XxY =
0.2
0.4
0.4
0.4
0.4
0.2
0.4
0.6
0.7
0.7
0. 2
0.4
0. 6
0. 8
1
32
S YxZ =
0.2
0.2
0.2
0 .4
0.4 0.4
0 .5
0 .5
0.7 0.7
0 .8 1
x is banyak
P2 :
Kesimpulan :
y is cepat
0.2
0.4
0.4
0.4
0.4
0.2
0.4
0.6
0.7
0.7
0.2
0.4
0.2
0.4
0.4
0.4
0.4
0. 2
0.4
0. 6
0. 8
1
0. 2
0.4
0.6 0.6
0.7 0.8
0.7 1
x is agak banyak
P2 :
Kesimpulan :
y is agak cepat
==========
agak-banyak = 0.2/1 + 0.4/2 + 0.6/3 + 0.8/4 + 1/5
P1 : x is agak banyak = 0.44/1 + 0.63/2 + 0.77/3 + 0.89/4 + 1/5
0.2
0.4
0.4
0.4
0.4
0. 2
0.4
0.6 0.6
0.7 0.8
0.7 1
0.2
0.4
33
Kesimpulan :
0.2
0.4
0.4
0.4
0.4
0.2
0.4
0.6
0.7
0.7
0. 2
0.4
0. 6
0. 8
1
y is tidak cepat
P2 :
Kesimpulan :
x is tidak banyak
=============
cepat = 0.4/50 + 0.7/60 + 1/70
P1 : y is tidak cepat = 0.6/50 + 0.3/60 + 0/70
P2 : IF x is banyak THEN y is cepat (dalam Y x X) =
R YxX =
0.4
0.7
1
Kesimpulan :
0.2 0.4 0.4 0.4
0.2
0 .4 0 .6 0 .7
x is tidak banyak
= [0.6 0.3 0] o
(dgn max-min)
0.4
0.7
1
34
1, jika. A ( x) B ( x)
0, lainnya
Rs (x, y) =
Rs (XxY) =
1
1
0
0
1
1
1
1
0 1
1
1
1
0
; sehingga Rs (YxX) =
1
1
1 0 0 0
1 1 0 0
1 1 1 1
Kesimpulan :
1
1
x is tidak banyak
= [0.6 0.3 0] o
(dgn max-min)
1 0 0 0
1 1 0 0
1 1 1 1
P2 :
Kesimpulan :
=========
0 .2
0 .4
0 .4
0 .4
0.4
0.2
0.2
0.2
0.2
0.4
0.6
0.8
0.7 1
0.2
0.4
0.6
0.7
0 .4
0 .5
0 .5
0.4 0.4
0.7 0.7
0 .8 1
35
0.4
0.4
0.6
0.7
0.7
0.2
0.2
0.2
0.2
0.4
0.5
0.2
0.2
0.5
0.5
0 .2
0 .4
0 .4
0 .4
0.2
0.4
0.6
0.8
1
0.2
0.2
0.2
0 .4
0.4 0.4
0 .5
0 .5
0.7 0.7
0 .8 1
0.2
0.4
0.6
0.8 0.8
0.8 1
0.2
0.4
0.6
e is ZO
P2 :
e is NS
P3 :
IF e is ZO AND e is NS THEN u is NS
Jika e* = 1 ; dan e * = 0, maka kesimpulannya adalah daerah yang diarsir seperti pada
gambar 11.
36
37
Tabel 1. Daftar basis aturan system kendali samar close loop, dengan 7 variabel linguistik
e \ e
NB
NM
NS
ZO
PS
PM
PB
NB
1. NB
8. NB
15. NB
22. NB
29. NM
36. NS
43. ZO
NM
2. NB
9. NB
16. NB
23. NM
30. NS
37. ZO
44. PS
NS
3. NB
10. NB
17. NM
24. NS
31. Z0
38. PS
45. PM
ZO
4. NB
11. NM
18. NS
25. ZO
32. PS
39.PM
46. PB
PS
5. NM
12. NS
19. ZO
26. PS
33. PM
40. PB
47. PB
PM
6. NS
13. ZO
20. PS
27. PM
34. PB
41. PB
48. PB
PB
7. ZO
14. PS
21. PM
28. PB
35. PB
42. PB
49. PB
***
38
BAB VII
STRUKTUR FKBC (Fuzzy Knowledge Based Controller)
VII.1. STRUKTUR FKBC
Struktur FKBC merupakan struktur yang digunakan untuk merancang sistem
kendali samar yang menggunakan basis pengetahuan yang biasanya diperoleh dari pakar.
Struktur FKBC dapat dilihat pada gambar 12.
39
40
xdx
t ( A)
dx
ab
2
x i M
41
Himpunan Kabur A dalam semesta R diubah menjadi bilangan tegas t(A) yang
merupakan absis dari pusat gravitasi daerah di bawah grafik fungsi keanggotaan
himpunan kabur A.
Jadi :
t ( A)
( x ) xdx
( x ) dx
t ( A)
i 1
n
i 1
( xi ) xi
A
( xi )
A Ai
i 1
merupakan rerata terbobot dari pusat-pusat m buah himpunan kabur tersebut, dengan
tinggi masing-masing himpunan kabur itu sebagai bobotnya.
m
Jadi :
t ( A)
b x
i 1
m
i i
b
i 1
Jika hasil pengambilan kesimpulan yang masih berupa himpunan kabur adalah y is
cepat = 0.4/50 + 0.7/60 + 1/70, maka perhitungan nilai tegas jika digunakan fungsi
penegasan adalah sebagai berikut :
1. Purata Maksimum
Nilai maksimum ( = 1) hanya ada di 1 titik, yaitu 70, maka :
t(y is cepat) = 70
2. Pusat Gravitasi (Center of Gravity/CoG) :
t(y is cepat) =
60 95
77.5
2
43
Luas A1
x1. A1 x 2. A2
A1 A2
x1 = (130-0)/2 = 65
Luas A2
x2 = 45 + [(110-45)/2] = 77.5
Maka : t ( A)
(65)(44) (77.5)(15)
67
(44) (15)
44
20 85
55.5
2
60 95
77.5
2
t ( A)
Maka :
(0.4)(55.5) (0.7)(77.5)
71,52
(0.4) (0.7)
Contoh Soal :
Andaikan himpunan kabur untuk kendali standar { NB, NM, NS, , PB} dengan domain
[-6, 6]. Digunakan aturan kendali sederhana yaitu :
IF e is PM AND e is ZO THEN u is NS
dengan e = error, e = delta-error dan u = delta-output berada dalam domain E = dE =
dU = [-6, 6]
Andaikan pada kendali tersebut nilai e yang terjadi saat itu adalah 3, maka hitung
himpunan kabur u saat e = 3 secara grafis jika :
a. Implikasi yang digunakan adalah Mamdani
b. Implikasi yang digunakan adalah Godel
Kemudian hitung nilai tegasnya untuk masing-masing himpunan kabur u hasil
pengambilan kesimpulan menggunakan 3 macam fungsi penegasan.
Andaikan aturannya adalah :
IF e is PM AND e is NS THEN u is PS
Jika pada kendali tersebut nilai e yang terjadi saat itu adalah 3 dan e = 0, maka hitung
himpunan kabur u secara grafis jika :
c. Implikasi yang digunakan adalah Mamdani
d. Implikasi yang digunakan adalah Godel
Kemudian hitung nilai tegasnya untuk masing-masing himpunan kabur u hasil
pengambilan kesimpulan menggunakan 3 macam fungsi penegasan.
45
BAB VIII
PERANCANGAN SISTEM KENDALI SAMAR
UNTUK SISTEM KENDALI OPEN LOOP SISTEM KENDALI
CLOSE LOOP
VIII.1. PERANCANGAN SISTEM KENDALI SAMAR UNTUK SISTEM
KENDALI OPEN LOOP
Sistem kendali dapat dibedakan berdasarkan jumlah Input dan jumlah Outputnya yaitu :
a. SISO (Single Input Single Output)
Sistem
b. MISO (Multiple Input Single Output)
Sistem
aliran udara dingin adalah 15o C. Jika tegangan diset antara 0 V dan 12 V, maka katub
aliran udara panas dan dingin akan membuka sebagian secara proporsional, sehingga
menghasilkan suhu udara antara 15o C - 30o C.
a. Rancang framework untuk input dan output.
b. Susun basis aturan
c. Jika set point adalah 18o C, hitung nilai outputnya menggunakan 3 macam fungsi
penegasan.
d. Ulangi untuk set point : 20o C dan 25o C.
Gambar 14. Pengendali katub pencampur aliran udara (air flow mixing)
Jawab :
Blok diagram sistem adalah sbb :
Suhu
Sistem
Tegangan
47
Secara umum pada sistem kendali open loop orde satu, andaikan u adalah input
plant yang berbentuk tangga satuan (unit step) dan y adalah nilai steady-state dari output
plant, maka grafik respon transiennya adalah seperti gambar 15 :
48
= L (x ; 1, 4)
sedang = (x ; 1, 5, 8)
berat
= (x ; 6, 9)
= L (x ; 1, 3)
agak kasar
= (x ; 1, 4, 7)
agak lembut
= (x ; 2, 5, 8)
lembut
= (x ; 6, 8)
Framework Output I
x : kecepatan putar
T : { lambat, agak cepat, cepat, sangat cepat}
X : [ 0 , 1500] rpm
M:
lambat
= L (x ; 100, 500)
agak cepat
cepat
sangat cepat
= (x ; 1000, 1400)
49
Framework Output II
x : lama putaran
T : { sebentar, sedang, lama}
X : [ 0 , 5] menit
M : sebentar
= L (x ; 0, 2)
sedang = (x ; 1, 2.5, 4)
lama
= (x ; 3, 5)
Tingkat kelembutan
Lembut
Agak lembut
Agak kasar
Kasar
Ringan
1. lambat
4. lambat
7. Agak cepat
10. cepat
Sedang
2. Lambat
5. Agak cepat
8. cepat
11. Sangat cepat
Berat
3. Agak cepat
6. cepat
9. Sangat cepat
12. Sangat cepat
Berat Cucian
50
Lembut
Agak lembut
Agak kasar
Kasar
Ringan
1. sebentar
4. sebentar
7. sedang
10. sedang
Sedang
2. sebentar
5. sedang
8. Sedang
11. Lama
Berat
3. sedang
6. sedang
9. lama
12. lama
process output
error
change-of-error
e dan
sum-of-error
change-of-control output
u dan
control output
Kontroler
otomatik
dan
di industri biasanya
diklasifikasikan
berdasarkan
aksi
Bentuk aturannya :
51
IF e is .. THEN u is .
2. Model PD
Bentuk persamaannya :
u = Kp . e + Kp. Td . e
Bentuk aturannya :
IF e is .. AND e is THEN u is .
3. Model PI
Bentuk persamaannya :
u = Kp . e + Ki . e dt
u = Kp . e + Ki . e
e(t ) e(i )
i 1
52
Kedua nilai input tersebut dipetakan ke nilai perubahan aksi kendalinya yaitu u atau u
melalui seperangkat aturan.
Sedangkan input plant, yang juga merupakan output dari FLC dihitung sbb :
u(t) = u(t-T) + dnu un(t)
dengan dnu merupakan faktor denormalisasi.
Blok Derivative pada gambar 16 berfungsi untuk mengubah nilai error (e) menjadi nilai
change-of-error (ce), sedangkan blok Integrator mengubah nilai change-of-control output
u menjadi nilai control output (u)
Cara menghitung faktor normalisasi dan denormalisasi.
Faktor normalisasi dihitung berdasarkan perkiraan nilai-nilai e dan ce terbesar yang
mungkin terjadi, dengan persamaan sbb :
ne nce
1
max yd y
Sedangkan factor denormalisasi dihitung berdasarkan nilai u terbesar dari system, dengan
persamaan sbb :
dnu
1
max(u )
53
Andaikan fungsi keanggotaan untuk input dan output ternormalisasi serta respon
transient yang kemungkinan terjadi adalah seperti gambar 17, dengan framework untuk
en, cen dan un adalah sbb :
T : { Negatip (N), Zero (Z), Positip (P)}
X : [ -1 , 1]
M : N = L (x ; - 0.5, 0)
Z = (x ; - 0.5, 0, 0.5)
P = (x ; 0, 0.5)
4. Jika overshot sudah berkurang seperti kondisi (3) dimana en bernilai N dan cen
bernilai P, maka un diberi nilai Z supaya sistem bergerak ke nilai set point dengan
tidak menghasilkan undershot yang besar.
5. Jika terjadi undershot seperti kondisi (4) dimana en bernilai P dan cen bernilai P,
maka un harus bernilai P supaya sistem kembali bergerak ke nilai set point.
Aturan selengkapnya ada pada tabel 7.
Tabel 7. Basis aturan untuk respon transient gambar 17.
en
N
P
Z
N
N
Z
N
cen
P
Z
P
P
Z
N
P
Z
Jika pada contoh gambar 17 tersebut jumlah variable linguistic yang dirancang
hanya 3 (N, Z, P), maka untuk kondisi lain mungkin lebih baik menggunakan jumlah
variable linguistic yang dirancang > 3. Untuk hal tersebut kita bisa menganalisis dan
mengembangkan basis aturannya berdasarkan Gambar 17 dengan kondisi-kondisi yang
mungkin terjadi . Contoh basis aturan standar yang banyak digunakan untuk system
kendali samar close loop dengan 7 variabel linguistic adalah seperti Tabel 1.
*** yth ***
55