MODUL PERKULIAHAN

Sistem Fuzzy

Sistem Inferensi Fuzzy

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

04
Teknik Teknik Elektro P141700001  Eko Ihsanto, S.T., M.Eng.

Abstrak
Langkah penerapan logika Fuzzy.
Fuzzifikasi, operator fuzzy,
penerapan metode implikasi,
agregasi, defuzzifikasi.
Kompetensi
Mahasiswa memiliki kemampuan
menerapkan logika Fuzzy untuk
penyederhanaan kalkulasi tertentu
 Inferensi fuzzy adalah proses pemetaan sebenarnya dari input yang diberikan
ke output menggunakan logika fuzzy. Proses ini melibatkan semua bagian yang
telah kita bahas di bagian sebelumnya: fungsi keanggotaan, operator logika fuzzy,
dan aturan if-then.

Sistem inferensi fuzzy telah berhasil diterapkan di berbagai bidang seperti

kontrol otomatis, klasifikasi data, analisis keputusan, sistem pakar, dan visual
komputer. Karena sifatnya yang multi-disiplin, sistem inferensi fuzzy dikenal dengan
sejumlah nama, seperti sistem berbasis aturan fuzzy, sistem pakar fuzzy, model
fuzzy, memori asosiatif fuzzy, pengontrol logika fuzzy, dan sistem fuzzy. Karena
istilah yang digunakan untuk menggambarkan berbagai bagian dari proses inferensi
fuzzy jauh dari standar, kami akan berusaha sejelas mungkin tentang istilah berbeda
yang diperkenalkan pada bagian ini.

4.1. Kalkulasi tip untuk Restoran

Di bagian ini, kita akan melihat bagaimana semuanya cocok menggunakan dua-tip
satu-input satu-output tiga-aturan masalah tip yang kita lihat dalam pendahuluan.
Hanya kali ini kami tidak akan melewatkan detail apa pun. Struktur dasar dari contoh
ini ditunjukkan pada diagram di bawah ini.

Informasi mengalir dari kiri ke kanan, dari dua input ke satu output. Sifat paralel dari
aturan adalah salah satu aspek yang lebih penting dari sistem fuzzy.

2014 Sistem Fuzzy

2 Eko Ihsanto, S.T, M.Eng.
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Menghindari mode berdasarkan breakpoints, kami akan mulai dari area di
mana perilaku sistem yang sebelumnya didominasi oleh aturan tertentu, sekarang
beralih yang aturan lain.

Dalam Fuzzy Logic Toolbox, ada lima bagian dari proses inferensi fuzzy, yaitu :

fuzzifikasi variabel input, penerapan operator fuzzy (AND atau OR) dalam
anteseden, implikasi dari anteseden ke konsekuen, agregasi dari konsekuensi di
seluruh aturan, dan defuzzifikasi. Terkadang nama samar dan ganjil ini memiliki
makna yang sangat spesifik yang akan kami definisikan dengan hati-hati saat kami
melangkah ke masing-masing tahap secara lebih rinci di bawah.

Langkah 1. Fuzzifikasi Inputs.

Langkah pertama adalah mengambil input dan menentukan sejauh mana

masing-masing dari himpunan fuzzy yang sesuai melalui fungsi keanggotaan. Input
selalu berupa nilai numerik yang terbatas pada semesta wacana variabel input
(dalam hal ini interval antara 0 dan 10) dan outputnya adalah derajat keanggotaan
fuzzy (selalu interval antara 0 dan 1). Fuzzifikasi benar-benar tidak berarti apa-apa
selain dari pencarian tabel atau evaluasi fungsi.

Contoh yang kami gunakan di bagian ini dibangun di atas tiga aturan, dan
masing-masing aturan tergantung pada penyelesaian input ke sejumlah himpunan
linguistik fuzzy yang berbeda: layanan buruk, layanan baik, makanan tengik,
makanan enak dan begitu seterusnya.

Sebelum aturan dapat dievaluasi, input harus difuzzifikasi terhadap himpunan

linguistik ini. Misalnya, sejauh mana makanan itu benar-benar enak? Gambar di
bawah ini menunjukkan seberapa baik makanan di restoran ujicoba kami (dinilai
pada skala 0 hingga 10) cocok dengan variabel linguistik "lezat". Dalam hal ini, kami
menilai makanan sebagai 8, mengingat definisi grafis kami tentang lezat, sesuai
dengan μ=0,7.

2014 Sistem Fuzzy

3 Eko Ihsanto, S.T, M.Eng.
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
(Pujian untuk koki adalah "makanan anda enak sampai tingkat 0,7.") Dengan cara
ini, setiap input dikaburkan atas semua fungsi keanggotaan yang diperlukan oleh
aturan.

Langkah 2. Menerapkan Operator Fuzzy.

Setelah input difuzzifikasi, kita tahu sejauh mana setiap bagian dari anteseden
telah dipenuhi untuk setiap aturan. Jika anteseden aturan yang diberikan memiliki
lebih dari satu bagian, operator fuzzy diterapkan untuk mendapatkan satu angka
yang mewakili hasil anteseden untuk aturan tersebut. Jumlah ini kemudian akan
diterapkan ke fungsi output. Input ke operator fuzzy adalah dua atau lebih nilai
keanggotaan dari variabel input fuzzified. Outputnya adalah nilai kebenaran tunggal.

Seperti yang dijelaskan dalam bagian operasi logika fuzzy, sejumlah metode
yang didefinisikan dengan baik dapat mengisi untuk operasi AND atau operasi OR.
Dalam Fuzzy Logic Toolbox, dua metode AND bawaan didukung: min (minimum)
dan prod (produk). Dua metode OR bawaan juga didukung: max (maksimum), dan
metode probabilistik OR. Metode probabilistik OR (juga dikenal sebagai jumlah
aljabar) dihitung sesuai dengan persamaan persamaan (a, b) = a + b - ab Selain
metode bawaan ini, anda dapat membuat metode anda sendiri untuk AND dan OR
dengan menulis fungsi dan pengaturan apa pun yang menjadi metode pilihan anda.
Akan ada informasi lebih lanjut tentang cara melakukan ini nanti.

Yang ditunjukkan di bawah ini adalah contoh dari operator OR. Kami
mengevaluasi anteseden aturan 3 untuk perhitungan tip. Dua potong anteseden
yang berbeda (layanan sangat baik dan makanan lezat) menghasilkan nilai
keanggotaan fuzzy masing-masing 0,0 dan 0,7. Operator fuzzy OR hanya memilih

2014 Sistem Fuzzy

4 Eko Ihsanto, S.T, M.Eng.
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
maksimum dua nilai, 0,7, dan operasi fuzzy untuk aturan 3 selesai. Jika kami
menggunakan metode OR probabilistik, hasilnya akan tetap 0,7 dalam kasus ini.

Langkah 3. Menerapkan Metode Implikasi.

Sebelum menerapkan metode implikasi, kita harus menjaga berat aturan.

Setiap aturan memiliki bobot (angka antara 0 dan 1), yang diterapkan ke nomor yang
diberikan oleh pendahulunya. Umumnya bobot ini adalah 1 (seperti untuk contoh ini)
dan karenanya tidak berpengaruh sama sekali pada proses implikasinya. Tetapi dari
waktu ke waktu anda mungkin ingin memberi bobot satu aturan relatif terhadap yang
lain dengan mengubah nilai bobotnya menjadi sesuatu selain 1.

Metode implikasi didefinisikan sebagai pembentukan konsekuensi

(seperangkat fuzzy) berdasarkan anteseden (angka tunggal). Input untuk proses
implikasi adalah nomor tunggal yang diberikan oleh anteseden, dan output adalah
himpunan fuzzy. Implikasi terjadi untuk setiap aturan. Dua metode bawaan
didukung, dan mereka adalah fungsi yang sama yang digunakan oleh metode AND:
min (minimum) yang memotong himpunan fuzzy keluaran, dan prod (produk) yang
mengukur skala himpunan fuzzy keluaran.

2014 Sistem Fuzzy

5 Eko Ihsanto, S.T, M.Eng.
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
Langkah 4. Agregasi Semua Output.

Agregasi adalah ketika kita menyatukan output dari setiap aturan dengan
bergabung dengan utas paralel. Ini hanya masalah mengambil semua himpunan
fuzzy yang mewakili output dari setiap aturan dan menggabungkannya ke dalam
himpunan fuzzy tunggal dalam persiapan untuk langkah kelima dan terakhir,
defuzzifikasi. Agregasi hanya terjadi satu kali untuk setiap variabel output. Input dari
proses agregasi adalah daftar fungsi output terpotong yang dikembalikan oleh
proses implikasi untuk setiap aturan. Output dari proses agregasi adalah satu
himpunan fuzzy untuk setiap variabel output.

Perhatikan bahwa selama metode agregasi bersifat komutatif (yang

seharusnya selalu demikian), maka urutan pelaksanaan aturan tidak penting.

Tiga metode built-in didukung: maks (maksimum), probor (probabilistik atau),

dan jumlah (hanya jumlah dari setiap himpunan output aturan).

Dalam diagram di bawah ini, ketiga aturan telah ditempatkan bersama untuk
menunjukkan bagaimana output dari masing-masing aturan digabungkan, atau
diagregasikan, ke dalam satu himpunan fuzzy tunggal untuk output keseluruhan.

2014 Sistem Fuzzy

6 Eko Ihsanto, S.T, M.Eng.
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
Langkah 5. Defuzzifikasi.

Input untuk proses defuzzifikasi adalah himpunan fuzzy (himpunan fuzzy

keluaran agregat) dan outputnya adalah nomor tunggal, ketajaman hasil akhirnya
muncul dari kekaburan. Seperti halnya ketidakjelasan membantu evaluasi aturan
selama langkah-langkah perantara, hasil akhir untuk setiap variabel umumnya
adalah angka jernih tunggal. Jadi, mengingat himpunan fuzzy yang mencakup
rentang nilai output, kita perlu mengembalikan satu nomor, dengan demikian
bergerak dari himpunan fuzzy ke output yang jernih.

Mungkin metode defuzzifikasi yang paling populer adalah perhitungan centroid,

yang mengembalikan pusat area di bawah kurva. Ada lima metode built-in yang
didukung: centroid, bisector, tengah maksimum (rata-rata nilai maksimum himpunan
keluaran), terbesar maksimum, dan terkecil maksimum.

2014 Sistem Fuzzy

7 Eko Ihsanto, S.T, M.Eng.
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
4.2. Diagram Inferensi Fuzzy
Diagram fuzzy inference adalah gabungan dari semua diagram yang lebih kecil
yang telah kita lihat sejauh ini di bagian ini. Secara bersamaan menampilkan semua
bagian dari proses inferensi fuzzy yang telah kami periksa. Informasi mengalir
melalui diagram inferensi fuzzy seperti yang ditunjukkan di bawah ini.

Perhatikan bagaimana aliran dihasilkan dari input di kiri bawah, lalu di setiap
baris, atau aturan, dan kemudian turunkan output aturan untuk selesai di kanan
bawah.

Ini adalah cara yang sangat ringkas untuk menunjukkan semuanya sekaligus,
dari fuzzifikasi variabel linguistik sampai defuzzifikasi output agregat.

2014 Sistem Fuzzy

8 Eko Ihsanto, S.T, M.Eng.
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Di bawah ini adalah diagram inferensi fuzzy ukuran penuh nyata. Ada banyak
hal yang bisa dilihat dalam diagram inferensi fuzzy, tetapi begitu anda terbiasa, anda
bisa belajar banyak tentang suatu sistem dengan sangat cepat. Sebagai contoh, dari
diagram ini dengan input khusus ini, kita dapat dengan mudah mengatakan bahwa
metode implikasinya adalah pemotongan dengan fungsi min. Fungsi max sedang
digunakan untuk operasi fuzzy OR. Aturan 3 (baris paling bawah dalam diagram
yang ditunjukkan berlawanan) memiliki pengaruh paling kuat pada output. Dan
seterusnya. Inference Viewer, yang dijelaskan di bagian selanjutnya, adalah
implementasi MATLAB dari diagram inferensi fuzzy.

2014 Sistem Fuzzy

9 Eko Ihsanto, S.T, M.Eng.
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
4.2.1. Modifikasi

Fuzzy Logic Toolbox dirancang untuk memberi anda sebanyak mungkin

kebebasan, dalam batasan dasar proses yang dijelaskan di sini, untuk
menyesuaikan proses inferensi fuzzy untuk aplikasi anda. Misalnya, anda dapat
mengganti fungsi MATLAB anda sendiri dengan salah satu fungsi default yang
digunakan dalam lima langkah yang dijelaskan di atas: anda membuat fungsi
keanggotaan anda sendiri, DAN metode, ATAU metode, metode implikasi, metode
agregasi, dan metode defuzzifikasi. Sistem yang terbuka dan mudah dimodifikasi
adalah salah satu tujuan utama dari Fuzzy Logic Toolbox. Bagian selanjutnya akan
menjelaskan secara tepat bagaimana membuat sistem ini bekerja menggunakan alat
yang disediakan.

2014 Sistem Fuzzy

10 Eko Ihsanto, S.T, M.Eng.
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id