Fuzzy Modifier

Pada bagian ini kita akan melihat bagaimana semantik pada istilah baru dan

fungsi keanggotaan dapat didefinisikan.

Contoh.

Mari kita mempertimbangkan variabel linguistik"Umur/usia" di (Gambar

8.1.) Istilah linguistik "muda" dan "sangat muda" didefinisikan dalam

himpunan semesta U.
U = u u 0,100
Variabel umur mengambil nilai di himpunanT(umur)

T (umur) : muda, sangat muda, sangat sangat muda,

Dalam gambar,istilah "muda" diwakili oleh fungsi keanggotaan muda u

Ketika kami mewakili istilah "sangat muda", kita dapat menggunakan

kuadrat dari muda u sebagai berikut.

2
sangat muda
u = muda u

1
Grafik fungsi keanggotaan"sangat muda" diberikan pada gambar.

8.3 KUALIFIER KEBENARAN FUZZY

8.4.1 Nilai Kebenaran Fuzzy
Baldwin mendefinisikan kualifier kebenaran fuzzy dalam himpunan semesta
U = u u 0,100 sebagai berikut.
T = true, veru true, fairly true, absolutely true, absolutely false,
fairly false, false
Kualifier di T mendefinisikan "nilai kebenaran fuzzy"dan dapat didefinisikan
oleh fungsi keanggotaan. Jika kita mengambil fungsi keanggotaantrue v baldwin,
kualifier kebenaran yang diwakili olehfungsi keanggotaan(Gambar 8.2).
true v = vv 0,100
2
very true v = true v v 0,100
1
fairly v = true v 2v 0,100
true

false v = 1 true v v 0,100

2
very false v = false v v 0,100
1
fairly v = false v 2v 0,100
false

1 untuk v = 1
absolutely true v =
0, lainnya
1 untuk v = 0
absolutely false v =
0, lainnya

Contoh 8.18Mari kita pertimbangkan predikat menggunakan istilah utama "muda"

dan kualifier kebenaran fuzzy "sangat salah"
P = Tom adalah muda sangat salah
Misalkan istilah "muda" didefinisikan oleh fungsimuda

2
 1, jika u 0,25
2
young /muda u = 25
1+ , jika u 25,100
5

Istilah sangat salah dapat didefinisikan sebagai berikut.

2
very false = 1 true u
2
very false = 1 young /muda u

0, jika u 0,25
2 2
= u 25
1 1+ , jika u 25,100
Fig. 8.2. Baldwins5truth graph

Fig. 8.2. Baldwins truth graph

Oleh karena itu, jikaTom memiliki umur kurang dari 25, nilai kebenaran predikat P
adalah 0. Jika berada di 25,100 , nilai kebenaran dihitung dari very false
.

3
8.3.2 Contoh KualifierKebenaran Fuzzy
Contoh 8.19 Diberikan predikat P berikut ini.
P = 20 adalah muda
Asumsikan istilah "muda" dan"sangat muda" yang didefinisikan seperti pada gambar
8.3.
Kami melihat derajat keanggotaan dari 20 di "muda" adalah 0.9. Oleh karena itu,
nilai kebenaran predikat P adalah 0.9. Sekarang kita dapat memodifikasi predikat P
dengan menggunakan kualifier kebenaran fuzzy sebagai berikut.

Fig.8.3. Fuzzy setsyoung and very young

P1 = "20 is young is true".

P2 = "20 is young is fairly true".
P3 = "20 is young is very true".
P4 = "20 is young is false".
Nilai kebenaran yang berubah sesuai dengan kualifier seperti yang
ditunjukkan pada gambar 8.4.
Kita sudah tahumuda (20) adalah 0.9. Artinya, nilai kebenaran P adalah 0.9.
Untuk predikat P1 , kita menggunakan fungsi keanggotaan "benar/true" pada gambar

4
dan memperoleh nilai kebenaran 0.9. Untuk P2 , digunakan fungsi keanggotaan"fairly
true" dan diperoleh 0.95. Dengan cara yang sama, kita dapat menghitung untuk
P3 danP4 dan meringkas nilai-nilai kebenaran berikut ini.
Untuk P1 = 0.9
Untuk P2 = 0.95
Untuk P3 = 0.81
Untuk P4 = 0.1

Fig. 8.4. The truth values of fuzzy proposition

8.4 REPRESENTASI ATURAN FUZZY

8.5.1 Representasi Kesimpulan (Inference)danPengetahuan
Secara umum, "kesimpulan (inference)" adalah proses untuk memperoleh informasi
baru dengan menggunakan pengetahuan yang ada. Representasi pengetahuan
merupakan isu / masalah penting dalam kesimpulan. Ketika kita mempertimbangkan
metode representasi, jenis aturan berikut "jika-maka" adalah bentuk yang paling
populer.
jika x adalah a maka y adalah b

5
Aturan tersebut ditafsirkan sebagai "implikasi" dan terdiri dari "anteseden (bagian
jika)" dan "konsekuen (bagian maka)". Jika aturan diberikan dalam bentuk diatas dan
kami memiliki fakta dalam bentuk berikut,
x adalah a
maka dapat menyimpulkan dan mendapatkan hasil yang baru:
y adalah b
berdasarkan pembahasan di atas, kita dapat meringkas dua jenis"penalaran".
(1) Modus ponens
Fakta/Peristiwa : x adalah a
Aturan/kaidah : jika x adalah a maka y adalah b
Hasil/Kesimpulan: y adalah b
(2) Modus tollens
Fakta : y adalah b
Aturan/kaidah : jika x adalah a maka y adalah b
Kesimpulan : x adalah a

8.4.2 RepresentasiPredikatFuzzyoleh RelasiFuzzy

Kami melihat bahwa predikat fuzzy dianggap sebagai himpunan fuzzy. Dalam
bagian ini, kita akan melihat bagaimana predikat fuzzy digunakan dalam kesimpulan
Fuzzy. Ketika ada proposisi predikat fuzzy sehingga "x adalah P", itu diwakili oleh
himpunan fuzzy P(x) dan fungsi keanggotaan adalah P x
(x). Kita juga tahu relasi

fuzzy merupakan salah satu jenis himpunan fuzzy, dan dengan demikian kita dapat
mewakili predikat dengan menggunakan relasi.
R(x) = P
P adalah himpunan fuzzy dan R(x) adalah relasi yang terdiri dari unsur-unsur di P.
Fungsi keanggotaan predikat diwakili oleh P x
(x) yang menunjukkan derajat

keanggotaan x di P. Predikat diwakili oleh relasi akan digunakan dalam representasi

aturan fuzzy dan premis.

8.4.3 RepresentasiAturanFuzzy
Ketika kita mempertimbangkan aturan fuzzy, bentuk umumnya diberikan di bawah
ini.

6
 Jika x adalah A, maka y adalah B.
Aturan fuzzy dapat mencakup predikat fuzzy dalam anteseden dan konsekuen, dan
dapat ditulis ulang seperti pada bentuk.
R(x,y): jika A(x), maka B(y)
atau
R(x,y): A(x) B(y)
Jika ada aturan dan fakta yang melibatkan himpunan fuzzy, kita dapat menjalankan
dua jenis penalaran.
(1) Modus ponens umum (Generalized modus ponens (GMP))
Fakta : x adalah A : R(x)
Aturan/kaidah : jika x adalah A maka y adalah B : R(x,y)
Kesimpulan : y adalah B : R(y) = R(x) R(x, y)
(2) Modus tollens umum (Generalized modus tollens (GMT))
Fakta : x adalah B : R(y)
Aturan/kaidah : jika x adalah A maka y adalah B : R(x,y)
Kesimpulan : x adalah A : R(x) = R(y) R(x, y)
Dalam alasan di atas, kita melihatbahwa fakta-fakta(A dan B ) tidak persis
sama dengan A dan B dalam aturan; hasilnya mungkin juga berbeda dengan
konsekuen. Oleh karena itu, kita sebut jenis kesimpulan sebagai "penalaran fuzzy
(perkiraan) atau kesimpulan".
Secara umum, ketika kita membuat / menjalankan penalaran fuzzy
(perkiraan), kami menerapkan "aturan komposisi dari kesimpulan". Operasi yang
digunakan dalam penalaran dilambangkan dengan notasi "", dan dengan demikian
hasilnya diwakili oleh output dari komposisi ketika kita menggunakan GMP.
R(y) = R(x) R(x, y)
Contoh 8.20. Kami memiliki pengetahuan seperti:
Jika x adalah A maka y adalah B
x adalah A
Dari pengetahuan di atas, bagaimana kita dapat menerapkan prosedur kesimpulan
untuk mendapatkan informasi baru tentang y?
i) Menerapkan operator implikasi untuk mendapatkan relasi implikasi
R x, y = A B. Di sini, produk CartesianA B digunakan.

7
 R(x,y): A(x) B(y)
ii) Memanipulasi fakta ke bentuk R(x) dan kemudian menerapkan modus ponens
umum
R(y) = R(x) R(x, y)
Dalam langkah ini, operator komposisi"" digunakan.
Oleh karena itu,ada dua isu dalam penalaran fuzzy: penentuan "relasi implikasi
"R(x, y) dan seleksi dari "operator komposisi".