Sistem Fuzzy: Kecerdasan Buatan
Sistem Fuzzy: Kecerdasan Buatan
Kecerdasan Buatan
PENDAHULUAN
Teori fuzzy set atau himpunan samar dikemukakan pertama oleh Lotfi
Zadeh 1965.
Dengan teori Fuzzy sets kita dapat merepresentasikan dan menangani
masalah ketidak-pastian dalam hal ini bisa berarti keraguan, ketidak
tepatan, kekurang lengkapan informasi dan kebenaran yang bersifat
sebagian.
KONSEP FUZZY
Berapa kemasan makanan jenis ABC yang harus diproduksi, jika jumlah
permintaan sebanyak 4000 kemasan, dan persediaan di gudang masih 300
kemasan?
FUZZINES VS PROBABILITAS
Sama-sama menangani ketidak-pastian tetapi perbedaan terdapat
pada masalah jenis ketidak-pastian yang ditangani.
Contoh Kasus:
Anda sedang terdampar di sebuah pulau gersang tanpa air. Pada
suatu hari Anda menemukan dua buah peti masing-masing peti berisi
50 botol air mineral.
Pada peti pertama terdapat tulisan peringatan ”1 dari 50 botol ini
berisi cairan kimia mematikan yang warna dan rasa seperti air
mineral, Anda akan mati seketika ketika meminumnya.”.
Pada peti kedua ”Satu plastik cairan kimia mematikan telah
dicampurkan ke dalam 50 botol, tetapi anda mati ketika meminum 50
botol tersebut”.
Karena dehidrasi berat, Anda membutuhkan 1 botol air agar tetap
hidup. Botol dari peti manakah yang Anda minum?
VARIABEL LINGUISTIK PADA SISTEM FUZZY
Istilah-istilah yang merepresentasikan fakta yang samar disebut
sebagai variabel linguistik.
Berikut merupakan contoh variabel linguistik beserta nilai tipikal
yang mungkin dalam suatu sistem fuzzy :
maka :
Nilai keanggotaan 2 pada A, A[2] = 1, karena 2A
Nilai keanggotaan 4 pada A, A[4] = 0, karena 4 A
Nilai keanggotaan 2 pada B ?
Nilai keanggotaan 5 pada B ?
CONTOH KASUS 1
“Jika suhu lebih tinggi atau sama dengan 80 oF, maka suhu disebut panas,
sebaliknya disebut tidak panas”
If Suhu ≥ 80 oF, disebut panas
If Suhu < 80 oF, disebut tidak panas
Kasus :
Suhu = 100 oF, maka Panas
Suhu = 80.1 oF, maka Panas
Suhu = 79.9 oF, maka tidak panas
Suhu = 50 oF, maka tidak panas
Fungsi keanggotaan dari himpunan tegas gagal membedakan antara anggota pada himpunan
yang sama
Ada problem-problem yang terlalu kompleks untuk didefinisikan secara tepat
CONTOH KASUS 2
Misal variable umur dibagi menjadi 3 katagori :
MUDA : umur <35 tahun
PAROBAYA : 35 ≤ umur ≤ 55 tahun
TUA : umur > 55 tahun
0 35 55 0 55
0 35
[x]
0,5
0,25
0 25 35 40 45 50 55 65
[x]
0,5
0,25
0 25 35 40 45 50 55 65
1. Representasi linier
CONTOH REPRESENTASI LINIER
Fungsi keanggotaan untuk himpunan
PANAS pada variabel temperatur
ruangan seperti terlihat pada gambar
Panas (27) = ?
Panas (34) = ?
CONTOH REPRESENTASI LINIER
dingin (25) = ?
dingin (17) = ?
2. Representasi Segitiga (triangular)
Ditentukan oleh 3 parameter {a, b, c} sebagai berikut :
0, x a
x a
, a x b
b a
trianglex : a, b, c
cx
,b x c
c b
0, c x
NORMAL (19) = ?
SOAL LATIHAN 1
Fungsi keanggotaan untuk himpunan PANAS pada variabel temperatur
seperti terlihat pada gambar berikut.
Berapa derajat keanggotaan 10, 30, 50 dan 70 pada himpunan
PANAS jika domain himpunan tersebut adalah [25, 65]?
PANAS
1
DERAJAT
KEANGGOTAAN
μ[X]
0 25 45 65 TEMPERATUR (⁰ C)
3. Representasi Trapesium
Ditentukan oleh 4 parameter {a,b,c,d} sebagai
berikut :
0, x a
xa
, a x b
ba
trapezoid x; a, b, c, d 1, b x c
d x
d c , c x d
0, d x
[32]
NORMAL(21) = ?
SOAL LATIHAN 2
Fungsi keanggotaan untuk himpunan DINGIN pada variabel
temperatur seperti terlihat pada gambar berikut.
Berapa derajat keanggotaan 5, 15, 35, 45 dan 65 pada himpunan
DINGIN jika domain himpunan DINGIN tersebut adalah [10,60]?
DERAJAT
KEANGGOTAAN
μ[X]
0 60 TEMPERATUR (⁰ C)
10 30 40
4. REPRESENTASI BENTUK BAHU
Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu: nilai keanggotaan nol (α), nilai
keanggotaan lengkap (γ), dan titik infleksi atau crossover (β) yaitu titik yang memiliki domain 50% benar.
5. REPRESENTASI BENTUK S
tua (42) = ?
5. REPRESENTASI BENTUK S
Muda (37)
Muda (42) = ?
SOAL LATIHAN 3
Berapa derajat keanggotaan PANAS pada variabel temperatur, bila
sebuah benda mempunyai temperatur 25⁰C di sisi depan dan 65⁰C di
sisi belakang, dan grafik kurva keanggotaan untuk himpunan fuzzy
PANAS terlihat pada gambar berikut?
1 PANAS
DERAJAT
KEANGGOTAAN
μ[X]
0 20 70 TEMPERATUR (⁰ C)
OPERASI LOGIKA
(OPERASI HIMPUNAN FUZZY)
Operasi logika adalah operasi yang mengkombinasikan dan memodifikasi 2 atau
lebih himpunan fuzzy.
Nilai keanggotaan baru hasil operasi dua himpunan disebut firing strength atau
predikat, terdapat 3 operasi dasar yang diciptakan oleh Zadeh :
1. Operator AND, berhubungan dengan operasi intersection pada himpunan, predikat
diperoleh dengan mengambil nilai minimum antar kedua himpunan.
AB = min(A[x], B[y])
Misal nilai keanggotaan umur 27 pada himpunan muda adalah MUDA[27] = 0,6
dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah
GAJITINGGI[2juta] = 0,8
maka predikat untuk usia MUDA dan berpenghasilan TINGGI adalah nilai keanggotaan
minimum :
Input yang digunakan adalah: seberapa kotor, jenis kotoran, dan banyaknya
yang dicuci. Mesin ini menggunakan sensor optik, mengeluarkan cahaya ke
air dan mengukur bagaimana cahaya tersebut sampai ke ujung lainnya. Makin
kotor, maka sinar yang sampai makin redup. Di samping itu, sistem juga
dapat menentukan jenis kotoran (daki atau minyak).
APLIKASI SISTEM FUZZY (2)
Transmisi otomatis pada mobil. Mobil Nissan telah menggunakan
sistem fuzzy pada transmisi otomatis, dan mampu menghemat
bensin 12 – 17%.
1. Fuzzyfikasi
2. Pembentukan basis pengetahuan fuzzy (rule dalam bentuk if.. then).
3. Mesin inferensi (fungsi implikasi max-min atau dot-product)
4. Defuzzyfikasi
CONTOH METODE DEFUZZYFIKASI
z *
μz i i
μ i
METODE SISTEM FUZZY TSUKAMOTO
Secara umum :
If (X is A) and (Y is B) then (Z is C)
Dimana A, B, dan C adalah himpunan fuzzy.
z *
αz
i i
α i
SKEMA FUNGSI IMPLIKASI MIN DAN PROSES DEFUZZYFIKASI DENGAN MENCA RI
NILAI RATA-RATA.
MIN atau PRODUCT
μ μ μ
A1 B1 C1
α1
X Y z1 Z
μ
μ μ
A2 C2
B2
α2
Y z2 Z
X
X Y α1z 1 α 2 z 2
Rata-rata Pembobotan = z
α1 α 2
Contoh Sistem Fuzzy Tsukamoto
µPmtTURUN[4000] = (5000-4000)/4000
= 0,25
µPmtNAIK[4000] = (4000-1000)/4000
= 0,75
VARIABEL FUZZY YANG AKAN DIMODELKAN : PERSEDIAAN
µPsdSEDIKIT[300] = (600-300)/500
= 0,6
µPsdBANYAK[300] = (300-100)/500
= 0,4
VARIABEL FUZZY YANG AKAN DIMODELKAN : PRODUKSI BARANG
Cari nilai z untuk setiap aturan dengan menggunakan fungsi MIN pada
aplikasi fungsi implikasinya:
[R1] IF Permintaan TURUN And Persediaan BANYAK
THEN Produksi Barang BERKURANG;
Jadi jumlah makanan kaleng jenis ABC yang harus diproduksi sebanyak 4983
kemasan.
Soal Latihan 4