Logikafuzzy PDF
Logikafuzzy PDF
Himpunan klasik merupakan himpunan dengan batasan yang tegas (crisp) (Jang, Sun, dan Mizutani, 2004).
Sebagai contoh : himpunan klasik A untuk bilangan nyata yang lebih besar dari 8 dapat diekspresikan dalam persamaan
(2.1).
A = {x | x > 8} (2.1)
Dalam persamaan (2.1) jelas batasan bahwa jika x lebih besar dari 8 maka x merupakan bagian himpunan A, sementara
Berkebalikan dengan himpunan klasik, himpunan samar merupakan himpunan tanpa batas yang jelas (Jang, Sun,
dan Mizutani, 2004). Dalam himpunan samar, batas antara “anggota himpunan” dan “bukan anggota himpunan” adalah
bertahap dan perubahan perlahan dibentuk dengan fungsi keanggotaan yang memberikan fleksibilitas dalam
memodelkan ekspresi linguistic (bahasa) yang biasa digunakan, sebagai contoh “airnya dingin” atau “suhu udara dingin”
Sebagai ilustrasi, secara matematika dapat diekspresikan bahwa himpunan orang yang tinggi adalah orang yang
tingginya lebih dari 180 cm. Jika diwujudkan dalam persamaan seperti pada persamaan (2.1), misal A= ”Orang yang
Tinggi” dan x =”Tinggi”, maka persamaan tersebut tidak cukup untuk mewujudkan konsep sesungguhnya dari orang
yang tinggi. Himpunan orang tinggi dalam konsep himpunan klasik digambarkan seperti dalam gambar 2.1.
1
derajat
keanggotaan
0
150 155 160 165 170 175 180 185 190
tinggi
Gambar 2.1. Himpunan Klasik Orang Tinggi
Jika digunakan persamaan tersebut maka orang dengan tinggi 180 cm dapat dikatakan orang yang tinggi
sementara orang dengan tinggi 175 cm bahkan 179 cm tidak dapat dikatakan sama sekali sebagai orang yang tinggi.
Terdapat batas yang jelas dan perubahan yang tajam antara menjadi anggota dan bukan anggota dalam himpunan.
1
0.65
derajat
keanggotaan
0
150 155 160 165 170 175 180 185 190
tinggi
Dalam himpunan samar, batas antara ”anggota himpunan” dan ”bukan anggota himpunan” adalah bertahap
dan dengan perubahan perlahan. Pada gambar 2.2, orang dengan tinggi lebih dari atau sama dengan 180 cm adalah
anggota himpunan orang yang tinggi dengan derajat keanggotaan 1. Sementara orang dengan tinggi kurang dari 180 cm,
dapat menjadi anggota himpunan orang yang tinggi dengan derajat keanggotaan yang berbeda-beda. Misal orang
dengan tinggi 175 cm, menjadi anggota himpunan orang yang tinggi dengan derajat keanggotaan 0.65, sementara orang
dengan tinggi 164 cm, memiliki derajat keanggotaan 0 terhadap himpunan orang yang tinggi. Derajat keanggotaan
menunjukkan seberapa dekat nilai terhadap batas derajat keanggotaan himpunan yang sempurna.
Himpunan klasik diwujudkan dengan mendefinisikan fungsi karakteristik untuk setiap elemen anggota
himpunan klasik tersebut (Jang, Sun, dan Mizutani, 2004). Misal untuk himpunan klasik A, (x,0) atau (x,1)
Tidak seperti himpunan klasik, himpunan samar menggunakan derajat untuk menilai keanggotaan suatu
elemen dalam suatu himpunan (Jang, Sun, dan Mizutani, 2004). Untuk itu fungsi karakteristik himpunan samar
menggunakan nilai antara 0 sampai 1, yang menunjukkan nilai derajat keanggotaan suatu elemen dalam
himpunan samar. Jika X adalah kumpulan obyek dengan keanggotaan elemen x didalamnya yang disebut
sebagai semesta pembicaraan, maka himpunan samar A dalam X didefinisikan sebagai himpunan dapat
A = {( x, µ A ( x )) | x ∈ X } (2.2)
Yang mana µ A(x) disebut fungsi keanggotaan untuk himpunan samar A. Fungsi keanggotaan memetakan setiap
elemen dari X dalam nilai keanggotaan antara 0 hingga 1. Sehingga dapat diketahui bahwa himpunan samar
merupakan perluasan sederhana dari himpunan klasik yang mana fungsi karakteristiknya dimungkinkan untuk
bernilai antara 0 dan 1. Jika nilai dari fungsi keanggotaan µ A(x) dibatasi untuk 0 dan 1 maka himpunan samar
Berdasar persamaan (2.2), jika X adalah kumpulan dari obyek diskrit maka himpunan samar A
A = ∑ xi ∈ X µ A ( xi ) / xi (2.3)
Sedangkan jika X adalah nilai kontinu, maka himpunan samar A dinyatakan dalam persamaan (2.4).
A = ∫ µ A ( x) / x (2.4)
X
Tanda Σ dan ∫ merupakan tanda untuk union (gabungan) dari pasangan ( x , µ A ( x )) bukan merupakan tanda
penjumlahan atau integral. Tanda / juga hanya merupakan tanda antara pasangan elemen x dengan fungsi
Sebagai contoh himpunan samar dengan semesta pembicaraan diskrit, misal X = {0, 1, 2, 3, 4, 5, 6} adalah
himpunan dari jumlah anak yang mungkin diinginkan oleh pasangan suami istri. Maka himpunan samar A
untuk jumlah anak yang diinginkan oleh pasangan suami istri adalah :
Sedangkan contoh himpunan samar dengan semesta pembicaraan X kontinu, misal X = R+ merupakan
himpunan dari kemungkinan usia harapan hidup manusia indonesia. Maka himpunan samar A = berkisar usia
A = { {( x, µ A ( x )) | x ∈ X } } (2.5)
1
µ A ( x) = (2.6)
x − 60
4
1+
10
2.1.3 Fungsi Keanggotaan
Himpunan Samar didefinisikan oleh fungsi keanggotaannya. Fungsi keanggotaan merupakan suatu
kurva yang menunjukkan pemetaan titik-titik data masukan ke dalam nilai keanggotaannya (Jang, Sun, dan
Mizutani, 2004). Terdapat beberapa kurva yang digunakan untuk mendefinisikan fungsi keanggotaan (Jang,
Fungsi keanggotaan segitiga ditentukan oleh 3 parameter yaitu {a, b, c} dengan mengikuti aturan dalam
persamaan (2.7).
0,
x − a x ≤ a
,a ≤ x ≤ b
segitiga( x; a, b, c) = b − a (2.7)
c−x b≤ x≤c
,
c − b c ≤ x
0,
Atau dengan menggunakan min dan max, dapat didefinisikan dengan persamaan (2.8).
x−a c−x
segitiga ( x; a, b, c) = max min , ,0 (2.8)
b−a c−b
Parameter {a, b, c} dengan a < b < c menentukan koordinat x dari 3 sudut fungsi keanggotaan segitiga.
1
Derajat
keanggotaan
0
a b c
Fungsi keanggotaan trapesium ditentukan 4 parameter {a, b, c, d} yang mengikuti aturan dalam persamaan
(2.9).
0, x≤a
x−a
, a≤ x≤b
b − a
trapesium( x; a, b, c, d ) = 1, b ≤ x ≤ c (2.9)
d − x c ≤ x ≤ d
d − c ,
0, d≤x
Dan sebagai alternatif dapat digunakan min dan max dalam persamaan (2.10).
x−a d −x
trapesium( x; a, b, c, d ) = max min ,1, ,0 (2.10)
b−a d −c
Dalam persamaan (2.10) parameter {a, b, c, d} dengan a < b < c < d menentukan koordinat x dari 3 sudut
fungsi keanggotaan trapesium. Fungsi keanggotaan trapesium dapat digambarkan seperti pada gambar 2.4.
1
Derajat
keanggotaan
0
a b c d
Fungsi keanggotaan Gaussian ditentukan dengan 2 parameter {c, σ} dengan mengikuti persamaan (2.11).
2
1 x −c
gaussian( x; c, σ ) = e 2 σ
(2.11)
Fungsi keanggotaan gaussian ditentukan oleh c dan σ. c merepresentasikan titik tengah (center) dan σ
merepresentasikan lebar dari fungsi keanggotaan. Fungsi keanggotaan Gaussian dapat diwujudkan seperti
Derajat
keanggotaan
0
c
σ
Gambar 2.5. Fungsi Keanggotaan Gaussian
Fungsi keanggotaan lonceng ditentukan oleh 3 parameter {a, b, c} dengan mengikuti persamaan (2.12).
1
bell ( x; a, b, c) = 2b
(2.12)
x−c
1+
a
c mendefinisikan titik tengah, a mendefinisikan lebar kurva dan b digunakan untuk mengendalikan nilai
slope dan crossover. Parameter b biasanya bernilai positif. Fungsi keanggotaan lonceng dapat diilustrasikan
0
c-a c c+a
2a
1
sig ( x; a, c) = (2.13)
1 + exp[− a ( x − c )]
Nilai parameter a mengendalikan slope pada nilai crossover x = c. Fungsi keanggotaan sigmoidal dapat
1
Derajat
keanggotaan 0.5
0
c
Variabel linguistik merupakan cara untuk mendefinisikan himpunan samar dengan variabel yang berupa
Variabel linguistik didefinisikan dengan lima hal dituliskan dalam persamaan (2.14).
linguistik x. X adalah semesta pembicaraan dari x. G adalah aturan sintaksis yang menghasilkan istilah dalam
T(x). Dan M adalah aturan semantik yang berhubungan dengan setiap nilai linguistik.
Sebagai contoh jika didefinisikan variabel linguistik nilai ujian, maka himpunan istilah linguistik T(nilai
ujian) adalah T(nilai ujian) = {jelek, sedang, bagus} yang mana setiap istilah dalam T(nilai ujian) didefinisikan
dengan semesta pembicaraan X = [0 10]. Aturan sintaksis berkaitan dengan cara nilai linguistik dalam
himpunan istilah T(nilai ujian) dihasilkan. Aturan semantik mendefinisikan fungsi keanggotaan untuk setiap
0
1 2 3 4 5 6 7 8 9 10
nilai ujian
Gambar 2.8. Himpunan Samar Nilai Ujian
Pada gambar 2.8 dapat dilihat M(jelek) adalah himpunan samar untuk nilai ujian kurang dari sama
1, x≤5
µ ( jelek ) = (2.15)
6 − x, 5≤ x≤6
Sedangkan M(sedang) adalah himpunan samar untuk nilai ujian diantara 6 hingga 7.5 dengan fungsi
x − 5, 5≤ x≤6
µ ( sedang ) = 1, 6 ≤ x ≤ 7 .5 (2.16)
8.5 − x, 7 .5 ≤ x ≤ 8 .5
Dan M(bagus) adalah himpunan samar untuk nilai ujian diantara lebih dari sama dengan 8.5 dengan fungsi
x − 7.5, 7 .5 ≤ x ≤ 8 .5
µ (bagus) = (2.17)
1, x ≥ 8 .5
2.2 Logika Samar
Perbedaan utama dari proposisi klasik dan proposisi samar terdapat pada rentang nilai kebenarannya
(Klir, dan Yuan, 1995). Jika proposisi klasik akan dinyatakan benar atau salah, maka proposisi samar
dinyatakan dalam derajat kebenarannya. Proposisi samar dapat diklasifikasikan dalam 4 tipe (Klir, dan Yuan,
1995).
Proposisi samar tidak bersyarat dan tidak terukur diekspresikan dengan persamaan (2.24) (Klir, dan
Yuan, 1995).
p : ν adalah F (2.24)
Dengan υ adalah variabel yang memberikan nilai υ dari himpunan semesta V. Sedangkan F merupakan
himpunan samar dalam V. Untuk setiap nilai υ dari υ memiliki derajat keanggotan F(υ) terhadap F yang juga
Misal υ kecepatan kendaraan dengan fungsi keanggotaan untuk sifat tinggi seperti terlihat pada gambar 2.9.
tinggi
1
derajat
keanggotaan
0
10 20 30 40 50 60 70 80 90 100
kecepatan kendaraan
Maka proposisi terbentuk adalah kecepatan kendaraan (υ) adalah tinggi (F), dengan derajat kebenaran T(p) =
F(υ), sehingga jika kecepatan kendaraan υ = 85 maka derajat kebenaran proposisi T(p) = F(υ) = 1 dan jika
Proposisi samar tidak bersyarat dan terukur diekspresikan dengan persamaan (2.26) (Klir, dan Yuan,
1995).
Yang mana υ adalah variabel yang memberikan nilai υ dari himpunan semesta V. Sedangkan F merupakan
himpunan samar dalam V dan S adalah ukuran kebenaran samar. Secara umum derajat kebenaran T(p) dari
Misal υ umur dengan fungsi keanggotaan untuk sifat muda dan ukuran kebenaran samar dapat
didefinisikan seperti dalam gambar 2.10. Contoh proposisinya adalah Umur Jaka adalah Muda adalah Benar
Sekali. Dan misal umur Jaka 32 tahun, akan merupakan anggota himpunan samar muda dengan derajat
keanggotaan 0.6, dan proposisi tersebut memiliki derajat kebenaran dengan ukuran kebenaran samar Benar
Sekali 0.36.
muda
1
Derajat
Keanggotaan
F(v)
0
5 10 15 20 25 30 35 40
Umur (v) (a)
1 1/2
Agak Benar; T(p) = S(F(v)) = (F(v))
Benar; T(p) = S(F(v)) = F(v)
Ukuran 2
Benar Sekali; T(p) = S(F(v)) = (F(v))
Kebenaran
T(p) 1
F(v) (b)
Proposisi samar bersyarat dan tidak terukur diekspresikan dengan persamaan (2.28) (Klir, dan Yuan,
1995).
Yang mana x, y merupakan variabel yang nilainya berada dalam himpunan X,Y dan A, B adalah himpunan
samar dalam himpunan X,Y. Contoh proposisinya adalah Jika Jaka Gemuk maka Ukuran Celananya adalah
Besar.
Proposisi samar bersyarat dan terukur diekspresikan dengan persamaan (2.29) (Klir, dan Yuan, 1995).
Yang mana x, y merupakan variabel yang nilainya berada dalam himpunan X,Y dan A, B adalah himpunan
samar dalam himpunan X,Y dan S merupakan ukuran kebenaran samar. Contoh proposisinya adalah Jika Jaka
Fungsi implikasi berkaitan dengan bagaimana cara menginterpretasikan proposisi samar menjadi suatu
Fungsi implikasi minimum akan memotong keluaran dari himpunan samar (Kusumadewi, 2003), seperti
Aplikasi Fungsi
Implikasi
TINGGI SEDANG NORMAL
Fungsi implikasi dot akan menskalakan keluaran dari himpunan samar (Kusumadewi, 2003), seperti
Aplikasi Fungsi
Implikasi
TINGGI SEDANG NORMAL
Metode maksimum merupakan metode penarikan kesimpulan yang mana solusi himpunan samar
diperoleh dengan mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah
Aplikasi Fungsi
BERTAMBAH Implikasi
RENDAH NAIK
Kesimpulan
[
] ← [
], [
] (2.30)
Dengan [
] merupakan nilai keanggotaan solusi samar sampai aturan ke-i, dan [
] merupakan nilai
keanggotaan konsekuen samar aturan ke-i. Proses penarikan kesimpulan dengan metode maksimum terlihat
Metode penjumlahan merupakan metode penarikan kesimpulan yang mana solusi himpunan samar
diperoleh dengan cara melakukan bounded-sum terhadap semua keluaran daerah samar (Kusumadewi, 2003).
[
] ← , [
] + [
] (2.31)
Dengan [
] merupakan nilai keanggotaan solusi samar sampai aturan ke-i, dan [
] merupakan nilai
Metode probabilistic OR merupakan metode penarikan kesimpulan yang mana solusi himpunan samar
diperoleh dengan cara melakukan product terhadap semua keluaran daerah samar (Kusumadewi, 2003). Secara
[
] ← [
] + [
] − [
] ∗ [
] (2.32)
Dengan [
] merupakan nilai keanggotaan solusi samar sampai aturan ke-i, dan [
] merupakan nilai
Defuzzifikasi atau penegasan merupakan metode untuk memetakan nilai dari himpunan samar ke dalam
nilai crisp (Wang, 1997). Masukan proses defuzzifikasi adalah himpunan samar. Terdapat beberapa metode
Pada metode ini, penyelesaian crisp diperoleh dengan cara mengambil titik pusat (z*) daerah samar. Secara
umum untuk semesta kontinu dirumuskan dalam persamaan (2.33), dan untuk semesta diskret dirumuskan
∗ =
(2.33)
∑"
!# ! !
=
∗
∑"
!# !
(2.34)
2. Metode Bisektor
Pada metode ini, penyelesaian crisp diperoleh dengan cara mengambil nilai pada domain samar yang
memiliki nilai keanggotaan separo dari jumlah total nilai keanggotaan pada daerah samar.
Pada metode ini, penyelesaian crisp diperoleh dengan cara mengambil nilai rata-rata domain samar yang
Pada metode ini, penyelesaian crisp diperoleh dengan cara mengambil nilai terbesar pada domain samar
Pada metode ini, penyelesaian crisp diperoleh dengan cara mengambil nilai terkecil pada domain samar
Secara keseluruhan metode defuzzifikasi dapat digambarkan seperti pada gambar 2.14.
Sistem inferensi samar merupakan suatu kerangka komputasi yang didasarkan pada teori himpunan
samar, aturan samar JIKA-MAKA dan penalaran samar (Jang, Sun, dan Mizutani, 2004). Struktur dasar dari
sistem inferensi samar terdiri dari 3 konseptual komponen (Jang, Sun, dan Mizutani, 2004), yaitu :
Basis Data (Database) yang mendefinisikan fungsi keanggotaan untuk digunakan dalam aturan samar.
Mekanisme penalaran yang menjalankan proses pengambilan keputusan berdasar aturan dan fakta diberikan
Sistem inferensi samar dasar dapat menerima masukan berupa nilai samar maupun crisp, akan tetapi
keluaran dihasilkan lebih sering berupa himpunan samar. Untuk mendapatkan keluaran crisp dapat dilakukan
rule 1
W1 (fuzzy)
x is A1 y is B1
Crisp
Or rule 2 (crisp)
(fuzzy)
x x is A2
W1
y is B2 Aggregator (fuzzy) Defuzzifier y
rule n
W1 (fuzzy)
x is An y is Bn
Sistem inferensi fuzzy menerima input crisp. Input ini kemudian dikirim ke basis pengetahuan yang
berisi n aturan fuzzy dalam bentuk If-Then. Fire strength akan dicari pada setiap aturan. Apabila jumlah aturan
lebih dari satu, maka akan dilakukan agregasi dari semua aturan. Selanjutnya, hasil agregasi akan dilakukan
Terdapat beberapa model Sistem Inferensi Samar (Jang, Sun, dan Mizutani, 2004), antara lain :
Perbedaan antara ketiga sistem inferensi samar terdapat pada konsekuen dari aturan samar, aggregasi dan
prosedur defuzzifikasi.
2.3.2 Model-model Sistem Samar
samar.
4. Defuzzifikasi
Defuzzifikasi pada metode mamdani dapat dilakukan dengan beberapa metode defuzzifikasi antara lain :
Sistem samar model Sugeno juga dikenal dengan nama model TSK. Model Sugeno merupakan usaha
susunan :
konsekuen. f(x,y) biasanya merupakan polinomial pada variabel masukan x dan y, tetapi dapat berupa fungsi.
Jika f(x,y) merupakan polinomial orde 1 maka hasil dari sistem inferensi samar disebut model samar sugeno
s
orde 1. Ketika f merupakan konstanta maka sistem inferensi samarnya disebut model samar sugeno orde 0.
Ilustrasi sistem samar model sugeno dapat dilihat pada gambar 2.17.
Dalam sistem samar model tsukamoto, konsekuen pada setiap aturan samar JIKA-MAKA
JIKA diwakili oleh
himpunan
punan samar dengan fungsi keanggotaan monoton. Nilai hasil pada konsekuen setiap aturan samar berupa
rata-rata
rata terbobot dari keluaran setiap aturan samar (Jang, Sun, dan Mizutani, 2004).
2004) Ilustrasi sistem samar
Misal terdapat 2 variabel masukan, yaitu x dan y serta sebuah variabel keluaran yaitu z. Variabel x
terbagi atas 2 himpunan A1 dan A2, variabel y terbagi atas 2 himpunan B1 dan B2, dan variabel keluaran y
α-predikat
predikat untuk aturan pertama adalah w1 dan α-predikat
predikat untuk aturan kedua adalah w2. Dengan penalaran
monoton didapat keluaran aturan pertama adalah z1 dan z2 sebagai keluaran untuk aturan kedua. Dan untuk
w1 z1 + w2 z 2
z= (2.35)
w1 + w2
1. SISTEM INFERENSI FUZZY
a. METODE TSUKAMOTO
b. METODE MAMDANI
c. METODE SUGENO
Setiap konsekuen pada aturan berbentuk IF-THEN direpresentasikan dengan suatu himpunan Fuzzy dengan fungsi
keanggotaan yang monoton. Sebagai hasil, output tiap-tiap aturan diberikan secara tegas berdasar α-predikat (fire
strenght).
CONTOH KASUS 1:
Sebuah perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Dari data 1 bulan terakhir,
PERMINTAAN TERBESAR mencapai 5000 kemasan/hari, dan PERMINTAAN TERKECIL 1000 kemasan/hari. PERSEDIAAN
TERBANYAK digudang sampai 600 kemasan/hari, dan PERSEDIAAN TERKECIL mencapai 100 kemasan/hari. Dengan
segala keterbatasan kemampuan PRODUKSI TERBANYAK adalah 7000 kemasan/hari, dan agar efisien PRODUKSI
TERKECIL adalah 2000 kemasan/hari. Dalam produksi perusahaan menggunakan aturan :
Berapa harus diproduki jika PERMINTAAN 4000 kemasan dan PERSEDIAAN 300 kemasan.
SOLUSI :
Terdapat 3 variabel fuzzy yaitu (1) permintaan, (2) persediaan, dan (3) produksi
• PERMINTAAN
Terdiri dari 2 himpunan fuzzy, yaitu (1) TURUN, dan (2) NAIK
Diketahui :
Permintaan terendah adalah 1000 kemasan/hari
Permintaan tertinggi adalah 5000 kemasan/hari
Permintaan permasalahan = 4000 kemasan
1 ≤ 1000
5000 −
μ[x]
$%&'"())"*(+&+"[
] , , 1000 ≤ ≤ 50003
4000
TURUN NAIK
1
0,75 0 ≥ 5000
0 ≤ 1000
− 1000
$%&'"())"*")[
] , , 1000 ≤ ≤ 50003
4000
1 ≥ 5000
0,25
0
1000 4000 5000
PERMINTAAN
Kemasan/hari
• PERSEDIAAN
Terdiri dari 2 himpunan fuzzy, yaitu (1) SEDIKIT, dan (2) BANYAK
Diketahui :
Persediaan terendah adalah 100 kemasan/hari
Persediaan tertinggi adalah 600 kemasan/hari
Persediaan permasalahan = 300 kemasan
1 5 ≤ 100
600 − 5
μ[y]
0 5 ≥ 600
0 5 ≤ 100
5 − 100
, 100 ≤ 5 ≤ 6003
0,6
$%&%))"*7)"4)[4] ,
500
1 5 ≥ 600
0,4
0
100 300 600
PERSEDIAAN
Kemasan/hari
• PRODUKSI
Terdiri dari 2 himpunan fuzzy, yaitu (1) BERKURANG, dan (2) BERTAMBAH
Diketahui :
Produksi terendah adalah 2000 kemasan/hari
Produksi tertinggi adalah 7000 kemasan/hari
Produksi permasalahan = ditanyakan ?? kemasan
1 : ≤ 2000
7000 − :
μ[z]
0 : ≥ 7000
0 : ≤ 2000
: − 2000
$&8+*7%&()'7)=[] , , 2000 ≤ : ≤ 70003
5000
1 : ≥ 7000
0
2000 7000
PRODUKSI
Kemasan/hari
• Permintaan x
5000 − >?@ABCDEEC*DF@FC[GHHH] =
$%&'"())"*(+&+"[
] , , 1000 ≤ ≤ 50003 4000
4000
0 ≥ 5000 = 0,25
4000 − 1000
Fungsi keanggotaan NAIK : Permintaan = 4000
0 ≤ 1000 >?@ABCDEEC*CEBI[GHHH] =
4000
− 1000
$%&'"())"*")[
] , , 1000 ≤ ≤ 50003
4000 = 0,75
1 ≥ 5000
• Persediaan y
1 5 ≤ 100
Fungsi keanggotaan SEDIKIT : Persediaan = 300
5 − 100 >?@J?KBEEC*NECOEI[LHH] =
$%&%))"*7)"4)[4] , , 100 ≤ 5 ≤ 6003 500
500
1 5 ≥ 600 = 0,4
• Mencari Produksi z
1 : ≤ 2000
7000 − :
$&8+*7%&+&)"9[] , , 2000 ≤ : ≤ 70003
5000
0 : ≥ 7000
= 0,25
WHHH*XQ
YHHH
z1 = 5750
1 : ≤ 2000
7000 − :
$&8+*7%&+&)"9[] , , 2000 ≤ : ≤ 70003
5000
0 : ≥ 7000
= 0,25
WHHH*XZ
YHHH
z2 = 5750
0 : ≤ 2000
: − 2000
$&8+*7%&()'7)=[] , , 2000 ≤ : ≤ 70003
5000
1 : ≥ 7000
= 0,4
XL*ZHHH
YHHH
z3 = 4000
0 : ≤ 2000
: − 2000
$&8+*7%&()'7)=[] , , 2000 ≤ : ≤ 70003
5000
1 : ≥ 7000
= 0,6
XG*ZHHH
YHHH
z3 = 5000
μ[x] μ[y] μ[z]
TURUN BANYAK BERKURANG
1 1 1
0,4
α1
0,25
0 0 0
1000 4000 5000 100 300 600 2000 z1 7000
α2
0,25
0 0 0
1000 4000 5000 100 300 600 2000 z2 7000
α3
0 0 0
1000 4000 5000 100 300 600 2000 z3 7000
α4
0 0 0
1000 4000 5000 100 300 600 2000 z4 7000
7475
:= = 4983
1,5
1.2. METODE MAMDANI
Disebut juga metode MAX-MIN. Untuk mendapatkan output melalui 4 tahapan sebagai berikut :
CONTOH KASUS 1:
Sebuah perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Dari data 1 bulan terakhir,
PERMINTAAN TERBESAR mencapai 5000 kemasan/hari, dan PERMINTAAN TERKECIL 1000 kemasan/hari. PERSEDIAAN
TERBANYAK digudang sampai 600 kemasan/hari, dan PERSEDIAAN TERKECIL mencapai 100 kemasan/hari. Dengan
segala keterbatasan kemampuan PRODUKSI TERBANYAK adalah 7000 kemasan/hari, dan agar efisien PRODUKSI
TERKECIL adalah 2000 kemasan/hari. Dalam produksi perusahaan menggunakan aturan :
Berapa harus diproduki jika PERMINTAAN 4000 kemasan dan PERSEDIAAN 300 kemasan.
SOLUSI :
Terdapat 3 variabel fuzzy yaitu (1) permintaan, (2) persediaan, dan (3) produksi
• PERMINTAAN
Terdiri dari 2 himpunan fuzzy, yaitu (1) TURUN, dan (2) NAIK
Diketahui :
Permintaan terendah adalah 1000 kemasan/hari
Permintaan tertinggi adalah 5000 kemasan/hari
Permintaan permasalahan = 4000 kemasan
1 ≤ 1000
5000 −
μ[x]
$%&'"())"*(+&+"[
] , , 1000 ≤ ≤ 50003
4000
TURUN NAIK
1
0,75 0 ≥ 5000
0 ≤ 1000
− 1000
$%&'"())"*")[
] , , 1000 ≤ ≤ 50003
4000
1 ≥ 5000
0,25
0
1000 4000 5000
PERMINTAAN
Kemasan/hari
• PERSEDIAAN
Terdiri dari 2 himpunan fuzzy, yaitu (1) SEDIKIT, dan (2) BANYAK
Diketahui :
Persediaan terendah adalah 100 kemasan/hari
Persediaan tertinggi adalah 600 kemasan/hari
Persediaan permasalahan = 300 kemasan
1 5 ≤ 100
600 − 5
μ[y]
0 5 ≥ 600
0 5 ≤ 100
5 − 100
, 100 ≤ 5 ≤ 6003
0,6
$%&%))"*7)"4)[4] ,
500
1 5 ≥ 600
0,4
0
100 300 600
PERSEDIAAN
Kemasan/hari
• PRODUKSI
Terdiri dari 2 himpunan fuzzy, yaitu (1) BERKURANG, dan (2) BERTAMBAH
Diketahui :
Produksi terendah adalah 2000 kemasan/hari
Produksi tertinggi adalah 7000 kemasan/hari
Produksi permasalahan = ditanyakan ?? kemasan
1 : ≤ 2000
7000 − :
μ[z]
0 : ≥ 7000
0 : ≤ 2000
: − 2000
$&8+*7%&()'7)=[] , , 2000 ≤ : ≤ 70003
5000
1 : ≥ 7000
0
2000 7000
PRODUKSI
Kemasan/hari
• Permintaan x
4000 − 1000
Fungsi keanggotaan NAIK : Permintaan = 4000
0 ≤ 1000 >?@ABCDEEC*CEBI[GHHH] =
4000
− 1000
$%&'"())"*")[
] , , 1000 ≤ ≤ 50003
4000 = 0,75
1 ≥ 5000
• Persediaan y
1 5 ≤ 100
Fungsi keanggotaan SEDIKIT : Persediaan = 300
5 − 100 >?@J?KBEEC*NECOEI[LHH] =
$%&%))"*7)"4)[4] , , 100 ≤ 5 ≤ 6003 500
500
1 5 ≥ 600 = 0,4
μ[x] μ[y] μ[z]
TURUN BANYAK BERKURANG
1 1 1
0,4
α1
0,25
0 0 0
1000 4000 5000 100 300 600 2000 7000
α2
0,25
0 0 0
1000 4000 5000 100 300 600 2000 7000
α3
0 0 0
1000 4000 5000 100 300 600 2000 7000
α4
0 0 0
1000 4000 5000 100 300 600 2000 7000
0,6
0,25
0
2000 a1 a2 7000
= 0,60
EZ*ZHHH
YHHH
a1 = 5000
Defuzzifikasi
Sehingga
Secara umum menyerupai metode MAMDANI, akan tetapi output/konsekuen berupa konstanta atau persamaan
linear.
ab
c ∗
d cd ∗ … ∗
" c"fghi =
a. Module Fuzzy Sugeno Orde-Nol
ab
c ∗
d cd ∗ … ∗
" c"fghi = $ ∗ + ⋯ + $" ∗
" + k
b. Model Fuzzy Sugeno Orde-Satu
CONTOH KASUS 1:
Sebuah perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Dari data 1 bulan terakhir,
PERMINTAAN TERBESAR mencapai 5000 kemasan/hari, dan PERMINTAAN TERKECIL 1000 kemasan/hari. PERSEDIAAN
TERBANYAK digudang sampai 600 kemasan/hari, dan PERSEDIAAN TERKECIL mencapai 100 kemasan/hari. Dengan
segala keterbatasan kemampuan PRODUKSI TERBANYAK adalah 7000 kemasan/hari, dan agar efisien PRODUKSI
TERKECIL adalah 2000 kemasan/hari. Dalam produksi perusahaan menggunakan aturan :
R1 : JIKA permintaan TURUN dan persediaan BANYAK maka produksi = permintaan - persediaan
R2 : JIKA permintaan TURUN dan persediaan SEDIKIT maka produksi = permintaan
R3 : JIKA permintaan NAIK dan persediaan BANYAK maka produksi permintaan
R4 : JIKA permintaan NAIK dan persediaan SEDIKIT maka produksi = 1,25 * Permintaan - Persediaan
Berapa harus diproduki jika PERMINTAAN 4000 kemasan dan PERSEDIAAN 300 kemasan.
SOLUSI :
Terdapat 3 variabel fuzzy yaitu (1) permintaan, (2) persediaan, dan (3) produksi
• PERMINTAAN
Terdiri dari 2 himpunan fuzzy, yaitu (1) TURUN, dan (2) NAIK
Diketahui :
Permintaan terendah adalah 1000 kemasan/hari
Permintaan tertinggi adalah 5000 kemasan/hari
Permintaan permasalahan = 4000 kemasan
1 ≤ 1000
5000 −
μ[x]
$%&'"())"*(+&+"[
] , , 1000 ≤ ≤ 50003
4000
TURUN NAIK
1
0,75 0 ≥ 5000
0 ≤ 1000
− 1000
$%&'"())"*")[
] , , 1000 ≤ ≤ 50003
4000
1 ≥ 5000
0,25
0
1000 4000 5000
PERMINTAAN
Kemasan/hari
• PERSEDIAAN
Terdiri dari 2 himpunan fuzzy, yaitu (1) SEDIKIT, dan (2) BANYAK
Diketahui :
Persediaan terendah adalah 100 kemasan/hari
Persediaan tertinggi adalah 600 kemasan/hari
Persediaan permasalahan = 300 kemasan
1 5 ≤ 100
600 − 5
μ[y]
0 5 ≥ 600
0 5 ≤ 100
5 − 100
, 100 ≤ 5 ≤ 6003
0,6
$%&%))"*7)"4)[4] ,
500
0,4
1 5 ≥ 600
0
100 300 600
PERSEDIAAN
Kemasan/hari
• Permintaan x
4000 − 1000
Fungsi keanggotaan NAIK : Permintaan = 4000
0 ≤ 1000 >?@ABCDEEC*CEBI[GHHH] =
4000
− 1000
$%&'"())"*")[
] , , 1000 ≤ ≤ 50003
4000 = 0,75
1 ≥ 5000
• Persediaan y
1 5 ≤ 100
Fungsi keanggotaan SEDIKIT : Persediaan = 300
5 − 100 >?@J?KBEEC*NECOEI[LHH] =
$%&%))"*7)"4)[4] , , 100 ≤ 5 ≤ 6003 500
500
1 5 ≥ 600 = 0,4
• Mencari Produksi z
:2 = 4000
:3 = 4000
R4 : JIKA permintaan NAIK dan persediaan SEDIKIT maka produksi = 1,24 * Permintaan - Persediaan
6345
:= = 4230
1,5
DAFTAR PUSTAKA
[2] Russel, S.J., dan Norvig, P., Artificial Intelligence a Modern Aproach
Dalam JST, neuron input akan menerima informasi dan menjumlahkan semua nilai-nilai
nilai semua bobot yang
masuk. Nilai masukan tersebut kemudian akan dibandingakan dengan nilai ambang melalui fungsi aktivasi.
a
Jika nilai masukan melewati nilai ambang maka neuron akan diaktifkan dan memberikan nilai keluaran kepada
neron output.
• ARSITEKTUR JST
a. SINGLE LAYER
b. MULTI LAYER
X1
w1
X2 w2 y_in
Σ F y
w3
XN
Persamaan :
4_" m
n
i
o
• FUNGSI AKTIVASI
a. Fungsi Aktivasi (Fungsi Undak Biner)
• Hebb
Merupakan model jaringan dengan pembelajaran paling sederhana
dengan :
xi = input data ke i
y = output data
algoritma
CONTOH KASUS :
X1
w1
y_in
w2 Σ F y
X2
b
Jaringan syaraf untuk fungsi OR dengan fungsi aktivasi Bipolar:
X=
-1 -1
-1 1
1 -1
1 1
T=
-1
1
1
1
Bobot awal =
W=
0
0
B= 0
Perubahan bobot :
Data ke -1
w1 = 0 + 1 = 1
w2 = 0 + 1 = 1
b = 0 – 1 = -1
Data ke -2
w1 = 1 - 1 = 0
w2 = 1 + 1 = 2
b = -1 + 1 = 0
Data ke -3
w1 = 0 + 1 = 1
w2 = 2 - 1 = 1
b=0+1=1
Data ke -4
w1 = 1 + 1 = 2
w2 = 1 + 1 = 2
b=1+1=2
• Perceptron
Perceptron biasa digunakan untuk mengklasifikasikan sesuatu. Fungsi aktivasi dibuat sedemikian rupa
sehingga terdapat pembatasan daerah positif dan negatif.
+ daerah
positif
-
daerah
negatif -
p11 + p22 + q = 0
p11 + p22 ≥ −q
0. Inisialisasi
a. Set semua bobot dan bias (misal = 0)
b. Set learning rate ( 0 < α < 1 )
c. Set maksimum epoh
1. Tetapkan epoh =0
2. Selama belum false, ulangi langkah sbb :
a. Untuk setiap sk – tk, dengan k=1,2,...,n
i. Set input : xki = ski
k = 1,2,..., m
A
ii. Hitung respon untuk unit
5BC = qs + m B pBs
BoQ
j=1,2,.., c
1, 3 uvwx 5_vys ≥ 0
untuk output biner
5s = t
0, uvwx 5_vys < 0
1, 3 uvwx 5_vys ≥ 0
untuk output bipolar
5s = t
−1, uvwx 5_vys < 0
iii. Perbaiki bobot dan bias
qs = qs + P{Is − 5Is
b. Tes kondisi berhenti
CONTOH KASUS :
X1
w1
y_in
w2 Σ F y
X2
qs = qs + P{Is + 5Is
Epoh 1 :
5 = |0 = 1
5 ≠ {Q ; 5 = 1 ; {Q = 0 ~ℎvyx {ux^v : {Q − 5 = −1 ; = −1
pQ = 0 + 1−10 = −1
Perbaiki bobot
pZ = 0 + 1−10 = −1
q = 0 + 1−1 = −1
5 = |−1 = 0
5 ≠ {Z ; 5 = 0 ; {Z = 1 ~ℎvyx {ux^v : {Z − 5 = 1 ; = 1
pQ = −1 + 110 = −1
Perbaiki bobot
pZ = −1 + 111 = 0
q = −1 + 11 = 0
5 = |−1 = 0
5 ≠ {L ; 5 = 0 ; {L = 1 ~ℎvyx {ux^v : {L − 5 = 1 ; = 1
pQ = −1 + 111 = 0
Perbaiki bobot
pZ = 0 + 110 = 0
q = 0 + 11 = 1
5 = |1 = 1
5 = {G ; 5 = 1 ; {G = 1 ~ℎvyx {v^xw {ux^v
Epoh 2 :
5 = |1 = 1
5 ≠ {Q ; 5 = 1 ; {Q = 0 ~ℎvyx {ux^v : {Q − 5 = −1 ; = −1
pQ = 0 + 1−10 = −1
Perbaiki bobot
pZ = 0 + 1−10 = −1
q = 1 + 1−1 = 0
5 = |−1 = 0
5 ≠ {Z ; 5 = 0 ; {Z = 1 ~ℎvyx {ux^v : {Z − 5 = 1 ; = 1
pQ = −1 + 110 = −1
Perbaiki bobot
pZ = −1 + 111 = 0
q = 0 + 11 = 1
5 = |0 = 1
5 = {L ; 5 = 1 ; {L = 1 ~ℎvyx {v^xw {ux^v
5 = |1 = 1
5 = {G ; 5 = 1 ; {G = 1 ~ℎvyx {v^xw {ux^v
Epoh 3 :
5 = |1 = 1
5 ≠ {Q ; 5 = 1 ; {Q = 0 ~ℎvyx {ux^v : {Q − 5 = −1 ; = −1
pQ = −1 + 1−10 = −1
Perbaiki bobot
pZ = 0 + 1−10 = 0
q = 1 + 1−1 = 0
5 = |0 = 1
5 ≠ {Z ; 5 = 1 ; {Z = 1 ~ℎvyx {v^xw {ux^v
5 = |−1 = 0
5 = {L ; 5 = 0 ; {L = 1 ~ℎvyx {ux^v : {L − 5 = 1 ; = 1
pQ = −1 + 111 = 0
pZ = 0 + 110 = 0
q = 0 + 11 = 1
5 = |1 = 1
5 = {G ; 5 = 1 ; {G = 1 ~ℎvyx {v^xw {ux^v
Epoh 4 :
5 = |1 = 1
5 ≠ {Q ; 5 = 1 ; {Q = 0 ~ℎvyx {ux^v : {Q − 5 = −1 ; = −1
pQ = 0 + 1−10 = 0
Perbaiki bobot
pZ = 0 + 1−10 = 0
q = 1 + 1−1 = 0
5 = |1 = 1
5 ≠ {Z ; 5 = 1 ; {Z = 1 ~ℎvyx {v^xw {ux^v
5 = |0 = 1
5 = {L ; 5 = 1 ; {L = 1 ~ℎvyx {v^xw {ux^v
5 = |1 = 1
5 = {G ; 5 = 1 ; {G = 1 ~ℎvyx {v^xw {ux^v
Epoh 5 :
5 = |0 = 1
5 ≠ {Q ; 5 = 1 ; {Q = 0 ~ℎvyx {ux^v : {Q − 5 = −1 ; = −1
pQ = 0 + 1−10 = 0
Perbaiki bobot
pZ = 0 + 1−10 = 0
q = 0 + 1−1 = −1
5 = |0 = 1
5 ≠ {Z ; 5 = 1 ; {Z = 1 ~ℎvyx {v^xw {ux^v
5 = |1 = 1
5 = {L ; 5 = 1 ; {L = 1 ~ℎvyx {v^xw {ux^v
5 = |1 = 1
5 = {G ; 5 = 1 ; {G = 1 ~ℎvyx {v^xw {ux^v