Logika Fuzzy
A. Apa logika Fuzzy ?
Dalam kehidupan sehari-hari kita sering tidak dapat menentukan batasbatas suatu masalah secara jelas. Sebagai contoh, untuk menyatakan air itu
panas atau dingin, amat bersifat relative. Logika fuzzy merupakan suatu cara
yang tepat untuk memetakan suatu ruang input ke dalam ruang output. Dalam
gambar 1, kotak hitam menyatakan proses yang dilakukan terhadap input
supaya menghasilkan output.
Ruang Input
Kotak Hitam
Ruang Output
Knowledge Base
Fuzzyfication
Defuzzification
Input
Output
<30 tahun
Paruh baya
35-50 tahun
Tua
>50 tahun
Sebagai contoh, himpunan crisp untuk kategori paruh baya yang dibentuk
adalah:
1
Paruh
baya
Muda
30
Tua
50
Th
Dari contoh di atas terdapat batas yang tegas untuk tiap kategori umur. Tetapi
hal ini bisa menimbulkan kontradiktif jika kita mengambil contoh umur di sekitar
batas kategori. Misalkan kita ambil contoh umur 50 tahun masuk kategori tua
sedangkan umur 50 tahun kurang 1 bulan masuk kategori paruh baya. Hal ini
kurang logis sehingga diperlukan suatu himpunan yang bisa mengatasi hal
kontradiktif tersebut.
Dengan adanya himpunan fuzzy, hal kontradiktif tersebut bisa diatasi karena
batas tiap kategori bisa saling overlapping.
Paruh
baya
Tua
Muda
30
50
Th
C. Logika Fuzzy
Fungsi keanggotaan (f = membership function) merupakan suatu kurva
yang menunjukkan pemetaan antara titik-titik input data ke dalam nilai
keanggotaannya (derajat keanggotaan).
Ambil U sebagai semesta dari himpunan objek { u }. Himpunan fuzzy F
dalam semesta pembicaraa U dinyatakan dalam nilai keanggotaan f yang
mempunyai interfal nilai 0 ,1 . Himpunan fuzzy biasanya dinyatakan dengan :
F u , f u | u U
u / u
f
Contoh nilai keanggotaan dari suatu himpunan fuzzy dapat dilihat pada Gambar
5.
Gambar 7. Alfa-cut
C.3. Normalisasi
Normalisasi adalah proses untuk memetakan derajat keanggotaan tiap
elemen fuzzy agar nilai maksimum dari himpunan keanggotaan itu 1. Himpunan
nilai keanggotaan dapat tidak dinormalisasi dengan mengubah semua nilai
keanggotaan sehingga proporsional untuk tiap-tiap domain.
C.4. Fungsi Nilai Keanggotaan
Fungsi keanggotaan fuzzy ada beberapa macam antara lain :
1. fungsi keanggotaan segitiga
0
u a / b a
S u; a, b, c
c u / c b
0
untuk __ u a
untuk __ a u b
untuk __ b u c
untuk __ u c
0
u a / b a
S u : a, b, c, d 1
d u / d c
untuk
untuk
untuk
untuk
untuk
__ u a
__ a u b
__ b u c
__ c u d
__ u d
2 u a / c a
S u; a, b, c
untuk __ u a
untuk __ a u b
1 2 u c / c u
1
untuk __ b u c
untuk __ u c
S u; c b, c b / 2, c
u;b, c
1 S u; c, c b / 2, c b
C.5. Operasi himpunan fuzzy
Himpunan fuzzy dapat dioperasikan dengan beberapa macam yaitu:
No.
1
2
3
4
5
6
7
Operasi
Equality
Union
Intersection
Complement
Normalitation
Concentration
Dilatation
Ekspresi operator
A(u)= B(u)
aUb(u)= max{ A(u), B(u)}
ab(u)= min{ A(u), B(u)}
A(u)= 1- A(u)
norml(A)(u) = A(u)/max(A(u))
conA(u)=( A(u))2
dilA(u)= (A(u))0.5
Keterangan
uU
uU
uU
uU
uU
uU
uU
Intensification
2( A (u))2
int( A) (u)
1 2(1 A (u))2
9
10
11
12
Algebraic
product
Bounded sum
Bounded
product
Drastic
product
uU
uU
uU
untuk __ B (u) 1
A (u )
AxB (u ) B (u )
0
untuk _ A (u) 1
untuk _ A (u), B (u) 1
D. Fuzzy Reasoning
Ada 2 cara yang sering dipakai dalam pengambilan kesimpulan
(reasoning) yaitu generalisasi modus ponen (GMP) dan generalisasi modus tolen
(GMT). Modus ponen sering disebut penyimpulan langsung (direct reasoning)
sedangkan modus tolen sering disebut penyimpulan tidak langsung (indirect
reasoning).
Misalkan suatu himpunan fuzzy dinyatakan dengan A, A, B, B dan
variabel linguistic dinyatakan dengan X dan Y, maka ekspresi dari modus ponen
dan modus tolen adalah :
Modus ponen :
Premise 1 (pengetahuan) : jika X adalah A maka Y adalah B
Premise 2 (fakta)
X adalah A
Kesimpulan
Y adalah B
B = A o R
Dimana :
R
jika A maka B
o
A
= operator komposisi
= himpunan fuzzy yang bisa berbentuk : A, sangat A, sedikit A, agak
A, not A dll.
Modus Tolen :
Premise 1 (pengetahuan) : jika X adalah A maka Y adalah B
Premise 2 (fakta)
Y adalah B
Kesimpulan
X adalah A
Biasanya pengambilan kesimpulan dengan metode ini hanya valid jika B = not B
dan A = not A sehingga nilai A dapat dinyatakan dengan :
A = R o B
x is
A THEN
is
3. metode Probor
metode probor diperoleh dengan melakukan product (perkalian) terhadap
semua output daerah fuzzy. Secara umum ditulikan dengan :
sf[xi]
10
sf[xi]
kf[xi]
F. Basis Aturan
Basis aturan terdiri dari sejumlah aturan yang biasanya dinyatakan secara
linguistic. Aturan fuzzy seringkali dinyatakan dengan IFTHEN..
Hal ini
3.
4.
Ak1
OR x2
IS Ak2 THEN
OR
Ak2 THEN
Bk1 ALSO Bk
G. Defuzzifikasi
Ada beberapa metode defuzzifikasi antara lain :
1. metode centroid
metode centroid dilakukan dengan mengambil titik pusat daerah fuzzy.
Secara umum dirumuskan dengan :
n
z z dz
z
z dz
atau
z
j 1
(z j )
(z
j 1
11
2. metode bisector
metode bisector dilakukan dengan mengambil nilai dari domain fuzzy yang
memiliki nilai keanggotaan separo dari nilai keanggotaan fuzzy. Secara
dirumuskan dengan :
p
Rn
R1
12
Gambar 1.
13
Gambar 2.
3. membership function berfungsi untuk merubah bentuk dan nilai himpunan
keanggotaan.
4. untuk menambah/mengurangi variabel input output tekan menu Edit pada
FIS dan pilih FIS properties, aka akan muncul tampilan FIS Editor seperti
gambar di bawah.
14
Gambar 3.
15
Gambar 4.
16
Gambar 5.
17
Gambar 6.
DAFTAR PUSTAKA :
1. Iterative Dichotomizer Three, Teori dan Aplikasi, Danny Manongga, 2005, FTI
UKSW.
2. Pengantar Algoritma Genetik, Danny Manongga, 2005, FTI UKSW.
3. Membangun Jaringan Saraf Tiruan menggunakan matlab, Sri Kusumadewi,
2004, Graha Ilmu.
4. Using Fuzzy Logic, Toward Intelligent System, Jun Yan dkk,1993, Prentice
Hall.
5. Fundamental of Neural Networks, Laurene Fauset, 1994, Prentice Hall.
18