Nama : Rizky Monica Virgine

NIM : 04121004
Tugas Kecerdasan Buatan
Pemodelan Fuzzy-set dapat membantu ahli biologi atau ilmuwan dalam
pemodelan lingkungan yang tidak pasti seperti perubahan iklim, polusi
dan lain-lain. Untuk menggunakan model fuzzy set untuk pemodelan
lingkungan metode harus disediakan untuk memungkinkan penggunaan
model ini dalam konteks spasial. Hal ini dapat dilakukan sebagai part dari
sistem informasi geografis (GIS) atau dengan peralatan software khusus
seperti Matlab toolbox r (Sivanandam et al., 2006) atau aplikasi SAMT
open source.
Himpunan fuzzy (fuzzy set) adalah sekumpulan obyek x dengan masingmasing obyek memiliki nilai keanggotaan (membership function) atau
disebut juga dengan nilai kebenaran. Dengan F adalah notasi himpunan
fuzzy, _F (x) adalah derajat keanggotaan dari Z (nilai antara 0 sampai 1).
Table 1 Tabel nutrisi
Good

Medium

Jagung
Gandum hitam
tepung
Rape

0.2
0.4
0.6
0

0.8
0.6
0.4
0.1

Selai
...

0.6
...

0.4
...

Ba
d
0
0
0
0.
9
0
...

Misalnya seorang ahli biologi dapat mengekspresikan kualitas gizi

tanaman untuk Jangung seperti pada Tabel 1. Estimasi ini bisa menjadi
part dari model kualitas habitat crane. Jagung dengan nilai keanggotaan
0,8 milik "kualitas gizi medium" dan 0,2 untuk "kualitas gizi yang baik"
misalnya. Deskripsi ini dapat digunakan untuk mengekspresikan
ketidakpastian atau digunakan dalam membahas dengan para ahli
lainnya.
fuzzy set mungkin harus dikombinasikan dengan fuzzy set lainnya seperti
"AND", "OR" dan "NOT". Operasi ini dapat didefinisikan sebagai:
Definisi 1 (Fuzzy AND Min)

Definisi 2 (Fuzzy OR Max)

Definisi 3 (Fuzzy NOT)

Definisi definisi ini akan dipakai separt pemodelan fuzzy. Definisi

alternative untuk fuzzy and and or adalah

Definisi 3 (Fuzzy AND Prod)

Definisi 4 (Fuzzy OR Add)

Model Fuzzy
Model Fuzzy menentukan aturan dalam hal fuzzy set. Aturan Fuzzy terdiri
dari anteseden (IF-part) dan konsekuen (THEN-part). yg menggabungkan
input
yang
berbeda
menggunakan
"AND"
kombinasi.
Untuk
mengungkapkan OR kombinasi, seperangkat aturan dengan input yang
berbeda tetapi output yang sama sering digunakan.
Contoh :

Bias dijadikan 2 rule yaitu :

Algoritma Fuzzy
Algoritma Fuzzy menggunakan fungsi keanggotaan dan aturan dalam tiga
langkah:
1. fuzzification: untuk setiap masukan x = (x1, x2, ... ) semua fungsi
keanggotaan mij (xi) akan dihitung
2. inferensi:
- Menetapkan akm nilai menggunakan minimum atau operator
produk untuk setiap aturan (poin k ke output; m poin untuk aturan
yang berbeda dengan output k yang sama)
- Memilih aturan yang terbaik dari aturan m dengan output yang
sama k menggunakan operator yang maksimum

3. defuzzifikasi

Defuzzifikasi
Defuzzifikasi adalah suatu proses yang menggabungkan seluruh
fuzzy output menjadi sebuah hasil spesifik yang dapat digunakan untuk
masingmasing sistem output. Defuzzifikasi merupakan proses kebalikan
dari fuzzifikasi, di mana nilai keanggotaan dari suatu gugus fuzzy
dikonversi ke dalam suatu bilangan real. . Output hasil inferensi dari tiap
tiap aturan diberikan secara crisp (tegas) berdasarkan derajat
keanggotaan. Hasil akhirnya diperoleh dengan menggunakan ratarata
terbobot. Sedangkan metode Mamdani terdiri dari empat tahap, yaitu
pembentukan gugus fuzzy, aplikasi fungsi implikasi (aturan), komposisi
aturan dan penegasan. Penalaran dengan metode Sugeno hampir sama
dengan penalaran Mamdani, hanya saja output (consequent) system tidak
berupa gugus fuzzy, melainkan berupa konstanta atau persamaan linier.
Contoh: Habitat Model Menemukan Elang Tutul Kecil
Elang tutul kecil adalah salah satu spesies kunci di Jerman Timur utara.
Untuk meningkatkan pemahaman tentang teknik pemodelan fuzzy yang
disederhanakan menggunakan elang tutul kecil akan dijelaskan.
Struktur habitat
Struktur habitat hewan apapun tergantung pada nutrisi, kemungkinan
reproduksi dan perlindungan terhadap predator dan bahaya lainnya.
Untuk melihat eagle rendah ini berarti bahwa:
1. Ketika berburu itu baik bisa terbang atau duduk dan menunggu. Jika

berburu dalam penerbangan, tanaman penutup tidak harus terlalu

padat, sehingga bisa melihat mangsa di tanah. Untuk memungkinkan
untuk duduk dan menunggu beberapa "elemen struktur" bertengger di
harus tersedia.
2. Keturunan elang tutul kecil berada di hutan. Ini harus dapat mencapai

area berburu dari tempat bersarangnya elang tutul kecil.

3. Tidak ada predator di kawasan itu, namun tanaman energi angin atau

jalan dan kereta api mungkin berbahaya juga.

Fuzzy model nutrition

Daerah penelitian terletak timur laut dari Berlin, dan langkah-langkah
sekitar 1.830 km. Sebagian besar daerah digunakan untuk pertanian
tetapi ada juga lahan rumput, hutan, danau dan permukiman.
Sebelum model fuzzy "nutrition.fis" dapat digunakan cakupan tanah
dengan tanaman harus dihitung. cakupan tergantung pada jenis tanaman

dan oleh karena itu pada waktu tahun. Tanaman meliputi tanah
ditunjukkan pada Gambar 1. Sebagai contoh tahun 1995 dan hari 160
terpilih. Masukan lain untuk bagian gizi dari model habitat elang bintik
kecil adalah peta kepadatan struktur. (Dalam peta ini berarti jarak ke
struktur ditampilkan.) Sebuah kepadatan tinggi struktur sebagian dapat
mengimbangi penutup tinggi derajat tanaman karena burung ini mampu
menggunakan elemen struktur (lindung nilai, pohon dll) sebagai titik
berburu. masukan ini diwakili dalam Figure5. Catatan: peta ini diproduksi
menggunakan teknologi jendela bergerak untuk menggeneralisasi dari
struktur nyata untuk karakteristik landscape yang lebih.

Gambar 1 Derajat cover crop, area putih- daerah non makanan, warna
abu-abu: cerah warna yang lebih kecil tingkat cakupan (daerah putih
danau, hutan dan pemukiman

Gambar 2 Jarak asli

semakin kecil jarak

ke struktur elemen, semakin cerah warnanya

Very_small 0.100
Small
0.100

0.000
0.200

Medium

0.300

0.400

High

0.600

0.750

0.100 0.20
0.300 0
0.40
0
0.600 0.75
0
1.000 1.10
0

Sebagai output nilai crisp digunakan:

Very_small Small
0

0.2

Medium_sma Medium Medium_hig High

ll
h
0.4

0.5

0.6

0.8

Very_hi
gh
1

Rule basenya :
Coverage
degree

Structure Output

Numoutput Weig
ht

Very_small

High

Very_high

Kepercayaan pada aturan tersebut dapat diubah dengan menggunakan

faktor berat badan. (Ini dapat timbul, ketika lebih dari satu ahli
membangun sebuah set aturan.) Dengan Model fuzzy kualitas gizi untuk
melihat eagle tutul kecil dapat dihitung. Hasilnya ditunjukkan pada
Gambar 6.

Gambar 3 Kualitas nutrisi untuk elang tutul kecil

Very_small
Very_small
Small
Small
Small
Medium

Medium
Small
High
Medium
Small
High

Medium

Medium

Very_high
1
High
0.8
Very_high
1
Medium_high 0.6
Medium
0.5
Medium_sma 0.6
ll
Medium_sma 0.4
ll

1
1
1
1
1
1
1

Medium
High

Small
High

High
High

Medium
Small

Small
0.2
Medium_sma 0.4
ll
Small
0.2
Very_small 0

1
1
1
1

Model Fuzzy untuk Habitat

Output dari bagian dari model gizi merupakan salah satu masukan untuk
perhitungan kualitas habitat. Input berikutnya adalah jarak ke tempat
penangkaran. Tempat-tempat ini terletak di hutan. Jarak asli ke hutan
dapat digunakan untuk mengevaluasi habitat berkembang biak potensial.
Masukan terakhir termasuk terancamnya disebabkan oleh tanaman energi
angin. Elang tutul kecil akan menghindari daerah-daerah di sekitar
tanaman energi angin. Tanaman energy angin dapat mengecilkan daerah
berburu burung. Ketiga input dimasukkan ke dalam model fuzzy baru.
Hasilnya adalah kualitas habitat dari daerah. Dengan model seperti itu
sangat mudah untuk memperkirakan pengaruh tanaman energi angin
direncanakan atau beberapa mode penggunaan lahan alternatif. Model ini
dapat digunakan untuk mengoptimalkan lokasi untuk tanaman energi
angin baru. Keuntungan yang besar dari pendekatan pemodelan ini
adalah bahwa semua pengaruh untuk kualitas habitat akan
dipertimbangkan. Hal ini tidak logis untuk melindungi elang tutul kecil di
daerah di mana ia tidak bisa hidup.
Simulasi dinamis
Banyak variabel ekologi adalah fungsi dari waktu. Ini dimulai dengan
ketergantungan pertumbuhan sederhana dari tingkat cakupan, seperti
yang dibahas dalam contoh elang tutul kecil. Pendekatan Fuzzy dapat
digunakan untuk menyederhanakan model tradisional, membuat mereka
lebih stabil dan meningkatkan akurasi mereka. Keuntungan yang paling
penting dari model fuzzy dinamis adalah bahwa ekologi mampu
memahami dan memodifikasi semua bagian dari model. Struktur yang
jelas dari model fuzzy, yang terdiri dari definisi fungsi keanggotaan dan
aturan yang ditetapkan, adalah faktor kunci untuk memastikan dipahami.
Di sisi lain, ahli ekologi memerlukan sistem pengembangan perangkat
lunak untuk menggabungkan persamaan diferensial dengan model fuzzy.
Sebuah sistem pemodelan sederhana didasarkan pada bahasa
pemrograman Python (termasuk "scipy" untuk pemecahan persamaan

diferensial) tersedia sebagai perangkat lunak open source. simulator ini

memungkinkan model fuzzy untuk dianalisis sebagai bagian dari
persamaan diferensial. Sebuah program menggabungkan model fuzzy
kemudian dapat dibangun sebagai bagian dari sistem persamaan
diferensial dengan output grafis untuk memvisualisasikan grafik dari
persamaan diferensial diselesaikan. Program executable ini dapat
digunakan sebagai langkah pertama untuk membangun model fuzzy
dinamis. Perangkat lunak ini berkembang sangat pesat; upaya sekarang
sedang dibuat untuk mengintegrasikan pemodelan spasial dan dinamis.

Model FUZZY Bagian dari Model Dinamis

Dalam model ekologi tradisional, persamaan diferensial mengandung
ekspresi aljabar. Misalnya, model Lotka-Volterra terkenal harus
menunjukkan bahwa:

16
14
12
10
Pop

8
6
4
2
0

200

400

600

800

1000

Gambar 4 Mangsa = hitam , predator = abu-abu

Tabel 2 Subset rules fuzzy Fpredator (x,y)

Number

x (prey)

y (predator)

16
17
18
19
20
21
22
23
24
25

High
High
High
High
High
Very_high
Very_high
Very_high
Very_high
Very_high

Zero
Small
Medium
High
Very_high
Zero
Small
Medium
High
Very_high

Outp
ut
sp
mp
hp
sn
mn
sp
mhp
hp
mp
sn

10
9
8
Pop

7
6
5
4

200

400

600

800

1000

Gambar 5 Mangsa = hitam , predator = abu-abu

Model ini menggambarkan interaksi antara mangsa (x) dan predator (y).
Mangsa, yang menggunakan sumber nutrisi konstan untuk tumbuh ( x),
dikurangi dengan predator (-y x y). predator tergantung pada mangsa ( x
y), dan dikurangi dengan laju konstan kematian (-y y). Dengan parameter
( = 0.01, =0.0075, =0.02 dan =0.005), nilai-nilai awal untuk mangsa
dan predator (10,0, 5.0) dan dt0.2 untuk 1000 langkah-langkah simulasi
menghasilkan grafik berikut dengan perilaku siklik , lihat Gambar 4.
Hasil dari model Lotka-Volterra muncul sangat "artificial" dari sudut
pandang ekologi. Siklus stabil sangat langka di alam. Mengubah perilaku
untuk membuatnya lebih realistis berarti mengubah model. Pendekatan
Fuzzy jauh lebih mudah untuk memahami dan beradaptasi di sini.
Pertama, model Lotka-Volterra digantikan oleh seperangkat model Fuzzy satu untuk mangsa, yang lainnya untuk predator.

F adalah konstanta skala untuk mengontrol perilaku sistem. Fungsi

keanggotaan segitiga, dan tidak ditampilkan di sini. Namun, aturan yang
menarik. Dalam model fuzzy Fpredator (x, y) mereka menggabungkan

masukan x {zero, small, medium high, very_high} dan masukan y { zero,

small, medium high, very_high } dengan output {hn =-0.05, mhn =- 0.03,
mn =- 0.02,
sn=-0.01, zero=-0.0, sp=-0.01, mp=-0.02, mhp=-0.03, hp=-0.05}.
Sebuah subset dari aturan ditunjukkan pada Tabel 2. Aturan 25 berarti
bahwa mangsa very_high dan predator very_high mengarah ke
pertumbuhan negatif kecil (sn) dari predator. Ekologi menyadari fakta
bahwa, bahkan di bawah kondisi optimal, populasi yang sangat besar
predator sering dikurangi dengan faktor-faktor lain (penyakit, misalnya).
Pengetahuan ini dapat dimasukkan langsung ke dalam aturan fuzzy.
perilaku sistem yang dihasilkan "dampened", sehingga jauh lebih realistis,
lihat Gambar 5.

Bagian Model Sistem Dinamis

Dalam rangka untuk belajar bagaimana landscape memiliki perubahan
dari waktu ke waktu, bagian spasial hanya membutuhkan nilai-nilai fitur
landscape t=t0, t0 + COMINT, t0 + <2*COMINT, ...; komunikasi Interval
COMINT bisa menjadi salah satu hari, satu bulan, satu tahun, dan
seterusnya. Bagian yang dinamis, bagaimanapun, dapat kenaikan waktu
di langkah-langkah kecil DT untuk meniru perubahan terus-menerus.
Bagian dinamis berhubungan nilai data saat ini dan masa depan pada
setiap titik grid oleh persamaan diferensial biasa

Ringkasan Modeling Fuzzy

Sebuah sistem berbasis aturan terletak di jantung dari semua pemodelan
fuzzy masalah ekologi. Input untuk sistem ini diambil dari GIS
menggambarkan landscape atau dari sistem simulasi dinamis. Output dari
model mengevaluasi indikator lingkungan. Aturan set mudah dimengerti,
dan harus membentuk dasar untuk membahas model dengan para ahli
lainnya. Penggunaan model fuzzy harus disertai dengan strategi untuk
pengembangan lebih lanjut. Strategi ini harus mencakup visualisasi dari
perilaku sistem, tes pada set nyata data, analisis sensitivitas, dll,
termasuk
adaptasi
menggunakan
algoritma
pelatihan.
Saran berikut dapat ditawarkan mengenai pengembangan model fuzzy:
mulai dengan model sederhana (tidak lebih dari tiga input, sebaliknya
menggunakan dua model)
Penggunaan segitiga atau trapesium berbentuk fungsi keanggotaan
menggunakan FUZZY_AND Prod daripada FUZZY_AND Min

 menggunakan nilai crisp sebagai jenis output

prosedur penggunaan pelatihan untuk meningkatkan model

memeriksa model menggunakan alat analisis grafis, memerintah

statistik dan analisis sensitivitas