Modul 3 Sistem Cerdas

MODUL PERKULIAHAN
Sistem Cerdas
Keanggotaan, Operator ,
Penalaran Monoton Fuzzy
Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh
04
Fakultas Teknik Teknik Elektro Triyanto Pangaribowo,ST,MT
Abstract Kompetensi
Pada modul ini dibahas mengenai Himpunan dan fungsi Mampu
keanggotaan serta penalaran monoton Fuzzy menjelaskan
dan
memahami
tentang
Himpunan
Fuzzy
2015 Sistem Cerdas
1 Triyanto Pangaribowo, ST, MT
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
Kurva GAUSS
Jika kurva PI dan kurva BETA menggunakan 2 parameter yaitu (γ) dan (β), kurva GAUSS
juga menggunakan (γ) untuk menunjukkan nilai domain pada pusat kurva, dan (k) yang
menunjukkan lebar kurva (dibawah). Nilai kurva untuk suatu nilai domain x diberikan
sebagai:
Gambar Karakteristik fungsional kurva GAUSS.
Fungsi Keanggotaan:
g. Koordinat Keanggotaan
Himpunan fuzzy berisi urutan pasangan berurutan yang berisi nilai domain dan kebenaran
nilai keanggotaannya dalam bentuk:

2015 Sistem Cerdas
Skalar(i) / Derajat(i)
‘Skalar’ adalah suatu nilai yang digambar dari domain himpunan fuzzy, sedangkan ‘Derajat’
skalar merupakan derajat keanggotaan himpunan fuzzynya.
Gambar Titik-titik koordinat yang menunjukkan PENGENDARA BERESIKO
TINGGI
Gambar diatas merupakan contoh himpunan fuzzy yang diterapkan pada sistem asuransi yang
akan menanggung resiko seorang pengendara kendaraan bermotor berdasarkan usianya, akan
berbentuk ‘U’. Koordinatnya dapat digambarkan dengan 7 pasangan berurutan sebagai
berikut:
16/1 21/.6 28/.3 68/.3 76/.5 80/.7 96/1
Gambar memperlihatkan koordinat yang menspesifikasikan titik-titik sepanjang domain
himpunan fuzzy. Semua titik harus ada di domain, dan paling sedikit harus ada satu titik yang
memiliki nilai kebenaran sama dengan 1. Apabila titik-titik tersebut telah digambarkan, maka
digunakan interpolasi linear untuk mendapatkan permukaan fuzzy-nya seperti terlihat pada
Gambar dibawah.
2015 Sistem Cerdas

Gambar Kurva yang berhubungan dengan PENGENDARA BERESIKO TINGGI
Fuzzy Logic Toolbox
Matlab menyediakan fungsi-fungsi khusus untuk perhitungan logika Fuzzy dimulai
dari perhitungan fungsi keanggotaan sampai dengan inferensi Fuzzy
Fungsi Keanggotaan
1. Trimf
Fungsi ini untuk membuat fungsi keanggotaan kurva segitiga (Gambar dibawah ). Ada 3
parameter yang dapat digunakan, yaitu [a b c]
Fungsi keanggotaan
2015 Sistem Cerdas

Syntax
y = trimf(x,params)
y = trimf(x,[a b c])
Contoh 1:
x=0:0.1:20;
y=trimf(x,[4 10 16]);
plot(x,y);
grid;
title('Fungsi Segitiga');
xlabel('x')
ylabel('mu[x]');
Untuk mencari nilai keanggotaan x = 12 dapat dituliskan:
>> trimf(12, [4 10 16])
ans =
0.6667
Hasil grafik ketika syntax di running:
2015 Sistem Cerdas

Gambar Output perintah
2. Trapmf
Fungsi ini untuk membuat fungsi keanggotaan kurva trapesium (Gambar dibawah).
Ada 4 parameter yang dapat digunakan, yaitu [a b c d].Fungsi keanggotaan:
Gambar Grafik fungsi Trapmf
Syntax
y = trapmf(x,[a b c d])
Contoh 2
x=0:0.1:16;
y=trapmf(5,[2 6 8 12]);
plot(x,y);
grid;
title('Fungsi Trapesium');
xlabel('x');
2015 Sistem Cerdas

ylabel('mu[x]');
Untuk mencari nilai fungsi keanggotaan x = 5, dapat ditulis
>> trapmf(5,[2 6 8 12])
ans =
0.7500
Gambar Output perintah

3. Gbellmf
Fungsi keanggotaan:
Gambar Grafik fungsi gbellmf
2015 Sistem Cerdas

Parameter: [a b c]
parameter b biasanya positif.

Syntax
y = gbellmf(x,params)
Contoh 3
x=0:0.1:16; y=gbellmf(x,[2 5 8]);
plot(x,y);
grid;
title('Fungsi kurva Bell');
xlabel('x');
ylabel('mu[x]');
Untuk mencari nilai keanggotaan untuk x=3, dapat dituliskan
>> gbellmf(3,[2 5 8])
ans =
1.0485e004
2015 Sistem Cerdas

Gambar Output perintah contoh 3
4.Gaussmf
Fungsi keanggotaan:
Gambar Grafik fungsi gaussmf
Parameter: [σ c]
2015 Sistem Cerdas
Syntax
y = gaussmf(x,[sig c])
Contoh 4
x=0:0.1:15;
y=gaussmf(x,[2 7.5]);
plot(x,y);
grid;
title('Fungsi kurva Gauss');
xlabel('x');
ylabel('mu[x]');
Untuk mencari nilai keanggotaan untuk x = 5 , dapat dituliskan
>> gauss
mf(5,[2 7.5])
ans=
0.4578
Gambar Output perintah contoh

5. Pimf
2015 Sistem Cerdas

Fungsi keanggotaan:
f(x;a,b,c,d) = smf(x;a,b)*zmf(x;c,d)
Parameter: [a b c d]
Gambar Grafik fungsi pimf
Syntax
y = pimf(x,[a b c d])
Contoh 5
x=0:0.1:15;
y=pimf(x,[2 6 8 12]);
plot(x,y);
grid;
title('Fungsi kurva Phi');
xlabel('x');
ylabel('mu[x]');
>> pimf(10,[2 6 8 12])
ans =0.5000
2015 Sistem Cerdas

Gambar Output perintah Contoh5
6. Sigmf
Fungsi keanggotaan:
Parameter: [a c]
Gambar Grafik fungsi sigmf

Parameter a dapat bernilai positif maupun negatif.
Syntax
y = sigmf(x,[a c])
2015 Sistem Cerdas
Contoh 6
x=0:0.1:8;
y=sigmf(x,[2 4]);
plot(x,y);
grid;
title('Kurva Sigmoid');
xlabel('x');
ylabel('mu[x]');
>> sigmf(3,[2 4])
ans =
0.1192

7. Smf:
Fungsi keanggotaan:
2015 Sistem Cerdas

Parameter: [a b]
Gambar Grafik fungsi smf
Syntax
y = smf(x,[a b])
Contoh 7
x=0:0.1:12;
y=smf(x,[2 10]);
plot(x,y);
grid;
title('Kurva S');
xlabel('x')
ylabel('mu[x]');

2015 Sistem Cerdas
>> smf(6,[2 10])
ans
0.5000

>> smf(6,[2 10])
ans =
0.5000
Gambar Output perintah contoh7

8. Zmf
Fungsi keanggotaan:
Parameter: [a b]
2015 Sistem Cerdas

Gambar Grafik fungsi zmf
Syntax
y = zmf(x,[a b])
Contoh 8
x=0:0.1:10;
y=zmf(x,[2 8]);
plot(x,y);
grid;
title('Kurva Z');
xlabel('x');
ylabel('mu[x]');

>> zmf(5,[2 8])
ans =
0.5000
2015 Sistem Cerdas

FUZZY LOGIC MATLAB TOOLBOX

Agar dapat mengunakan fungsi-fungsi logika fuzzy yang ada paad Matlab, maka harus
diinstallkan terlebih dahulu TOOLBOX FUZZY. Toolbox. Fuzzy Logic Toolbox adalah
fasilitas yang tersedia dalam program matlab untuk membangun suatu sistem fuzzy logic.
Fuzzy Logic Toolbox memberikan fasilitas Graphical User Interface (GUI) untuk
mempermudah dalam membangun suatu sistem fuzzy. Pada gambar dibawah
menunjukkan tampilan windows untuk tiap-tiap GUI yang ada dalam Fuzzy Logic
Pada saat kita membangun sistem fuzzy dengan fuzzy logic toolbox, maka kita harus
melakukan editing yang meliputi: Jumlah Masukan/Keluaran, Klasifikasi
Masukan/Keluaran, Jenis MF Masukan/Keluaran, Rule, Metode Defuzzyfikasi, dst.
Ada 5 GUI tools yang dapat dipergunakan untuk membangun, mengedit, dan
mengobservasi sistem penalaran, yaitu :

2015 Sistem Cerdas
Fuzzy Inference System (FIS) Editor
1 Membership Function Editor
2 Rule Editor
3 Rule Viewer
4 Surface Viewer
Dengan memanfaatkan 3 fasilitas GUI yang pertama (FIS Editor, MF Editor dan Rule
Editor) kita dapat membaca dan memodifikasi data tentang sistem fuzzy yang akan kita
bangun. Sedangkan dengan 2 fasilitas GUI yang lainnya (Rule Viewer dan Surface
Viewer), maka kita akan bisa membaca saja tanpa dapat memodifikasi data tentang sistem
fuzzy yang telah kita buat.
2015 Sistem Cerdas

Gambar . Lima Buah GUI Yang Terdapat Dalam Fuzzy Logic Toolbox
FUZZY INFERENCE SYSTEM EDITOR (FIS EDITOR)
Untuk mengaktifkan FL Toolbox atau kita ingin memulai membangun sistem fuzzy
dengan memanfaatkan toolbox, maka kita cukup menuliskan fuzzy pada command line
pada command windows pada program matlab.
>> fuzzy (lalu tekan enter)
Kemudian pada layar akan muncul GUI untuk FIS Editor seperti pada gambar 10.2.
Dengan menggunakan FIS Editor ini kita dapat memulai melakukan editing terhadap
sistem fuzzy yang ingin kita bangun.
2015 Sistem Cerdas

a
c
b
d
h
f
g i
Gambar . Tampilan GUI Untuk FIS Editor
Keterangan gambar :
• Menu pilihan yang mengijinkan kita untuk membuka, menyimpan, dan
mengedit atau menampilkan sistem fuzzy
• Ikon variabel input. Kita dapat mengedit fungsi keanggotaan tiap-tiap variabel
input dengan cara menekan ikon ini 2 kali (double-click).
• Ikon diagram sistem. Kita dapat mengedit aturan (menuju ke rule editor) dengan
cara menekan ikon ini 2 kali (double click) .
• Ikon variabel output. Kita dapat mengedit fungsi keanggotaan tiap-tiap variabel
output dengan cara menekan ikon ini 2 kali (double-click).
• Nama sistem fuzzy yang akan kita bangun akan ditampilkan disini. Nama ini dapat
kita ubah dengan save as
• Pop-up menu yang digunakan untuk mengatur fungsi-fungsi penalaran fuzzy,

2015 Sistem Cerdas
seperti : AND, OR, fungsi implikasi, fungsi komposisi aturan (agregasi) atau metode
defuzzyfikasi.
• Menunjukkan operasi yang sedang dikerjakan.
• Kolom edit, digunakan untuk mengedit nama input atau output
• Tombol untuk mencari tahu informasi lebih lanjut tentang kerja FIS
Editor.
Dalam program matlab, apabila kita menginginkan membuka sistem fuzzy yang telah
dibuat sebelumnya (misalnya : produksi.fis), maka kita bisa langsung mengetikkan dari
command line pada command windows :
>> fuzzy produksi
Membership Function Editor
b
c
d
e i
j
f k
g
Gambar . Editor Fungsi Keanggotaan
2015 Sistem Cerdas

Editor fungsi keanggotaan seperti yang terlihat pada gambar 10.3, berfungsi untuk
mengedit fungsi keanggotaan himpunan fuzzy untuk tiap-tiap variabel input dan output.
Editor ini dapat dipanggil dengan memilih menu View – Edit membership functions… atau
menekan tombol Ctrl+2 atau dengan menekan 2 kali (double click) ikon variabel input
atau variabel output (point b atau point d pada gambar 10.2).
Keterangan Gambar :
1. Menu pilihan untuk menyimpan, membuka, mengedit, dan melihat sistem
fuzzy.
2. Daerah variabel. Untuk mengedit fungsi keanggotaan salah satu variabel,
tekan satu kali.
3. Gambar ini akan menampilkan semua fungsi keanggotaan himpunan fuzzy
pada suatu variabel.
4. Untuk mengedit atribut suatu fungsi keanggotaan himpunan fuzzy (nama, tipe,
parameter), cukup ditekan satu kali.
5. Menunjukkan nama dan tipe variabel yang ditunjuk.
6. Daerah untuk mengedit range variabel.
7. Daerah untuk mengedit range variabel yang akan ditampilkan.
8. Menunjukkan operasi yang sedang berjalan.
9. Daerah untuk mengedit nama himpunan fuzzy yang ditunjuk.
10. Pop-up menu untuk memilih tipe atau jenis fungsi keanggotaan himpunan
fuzzy yang ditunjuk.
11. Daerah untuk mengedit parameter-parameter himpunan fuzzy yang ditunjuk.
2015 Sistem Cerdas

Rule Editor
Rule editor merupakan digunakan baik untuk mengedit maupun menampilkan aturan
yang akan atau telah dibuat. Editor ini dapat dipanggil dengan cara memilih menu View
– Edit rules… atau menekan tombol Ctrl + 3 atau menekan 2 kali (double click) ikon
diagram sistem (point-c pada Gambar 10.2.). Maka akan muncul rule editor seperti
terlihat pada Gambar dibawah
d
c
f g h i
Gambar . Rule Editor
Keterangan Gambar. :
4. Menu pilihan untuk menyimpan, membuka, mengedit dan melihat sistem

fuzzy.
5. Daerah yang berisi aturan-aturan fuzzy.
6. Listbox yang berisi himpunan-himpunan fuzzy untuk input1.

2015 Sistem Cerdas
7. Listbox yang berisi himpunan-himpunan fuzzy untuk output1.
8. Pilihan operator yang digunakan.
9. Bobot untuk aturan yang ditunjuk.
10. Tombol untuk menghapus aturan yang ditunjuk.
11. Tombol untuk menambahkan aturan.
12. Tombol untuk mengubah aturan yang ditunjuk.
Rule Viewer
Viewer ini berguna untuk melihat alur panalaran fuzzy pada sistem, meliputi pemetaan
input yang diberikan ke tiap-tiap variabel input, aplikasi operator dan fungsi implikasi,
komposisi (agregasi) aturan, sampai pada penentuan output tegas pada metode
defuzzifikasi.
ab
d c
e
f
g
h
Gambar 10.10. Rule Viewer
2015 Sistem Cerdas

Viewer ini dapat dipanggil dengan cara memilih View – View rules… atau menekan
tombol Ctrl + 5, maka akan muncul rule viewer seperti terlihat pada Gambar 10.10.
Keterangan Gambar :
1. Menu pilihan untuk menyimpan, membuka, mengedit dan melihat sistem

fuzzy.
2. Kolom ini (kuning) menunjukkan variabel input yang digunakan dalam aturan.
3. Kolom ini (biru) menunjukkan variabel output yang digunakan dalam aturan.
4. Tiap-tiap baris menunjukan satu aturan. Apabila ingin mengetahui aturan

tersebut, tekan nomor aturan satu kali, kemudian akan muncul aturan tersebut
pada status bar.
5. Menunjukkan kombinasi output dari tiap-tiap aturan yang terbentuk dari

fungsi komposisi (agregasi) yang digunakan, kemudian dilanjutkan dengan
proses defuzzifikasi.
6. Tempat untuk mengedit input yang diberikan.
7. Tombol-tombol untuk melihat aturan ke samping kiri, kanan, turun atau naik.
8. Status bar yang menunjukkan operasi yang sedang dijalankan.
OPERATOR DASAR ZADEH UNTUK OPERASI HIMPUNAN FUZZY
Seperti halnya himpunan konvensional, ada beberapa operasi yang didefinisikan secara
khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai
hasil dari operasi 2 himpunan sering dikenal dengan nama fire strength atau α–predikat. Ada
3 operator dasar yang diciptakan oleh Zadeh, yaitu:
Operator AND
2013 Sistem Cerdas

96 Triyanto Pangarbowo,ST,MT
Operator ini berhubungan dengan operasi interseksi pada himpunan. α– predikat sebagai hasil
operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar
elemen pada himpunan-himpunan yang bersangkutan.
μA∩B = min(μA[x], μB[y])
Contoh 1:
Misalkan nilai keanggotaan 27 tahun pada himpunan MUDA adalah 0,6 (μMUDA[27]=0,6); dan
nilai keanggotaan Rp 2.000.000,- pada himpunan penghasilan TINGGI adalah 0,8
(μGAJITINGGI[2x106]=0,8); maka α–predikat untuk usia MUDA dan berpenghasilan TINGGI
adalah:
μMUDA∩GAJITINGGI = min(μMUDA[27], μGAJITINGGI[2x106)
= min(0,6; 0,8)
= 0,6
Contoh 2:
Misalkan nilai keanggotaan IP 3.2 pada himpunan IPtinggi adalah 0.7 dan nilai keanggotaan 8
semester pada himpunan LulusCepat adalah 0.8 maka a-predikat untuk IPtinggi dan LulusCepat:
IPtinggiLulusCepat = min(IPtinggi[3.2], LulusCepat[8])
= min(0.7,0.8) = 0.7
Operator OR
Operator ini berhubungan dengan operasi union pada himpunan. α– predikat sebagai hasil
operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antar
elemen pada himpunanhimpunan yang bersangkutan.
μA∪B = max(μA[x], μB[y])
Contoh 1:
2013 Sistem Cerdas

Pada contoh dapat dihitung nilai α–predikat untuk usia MUDA atau berpenghasilan TINGGI
adalah:
μMUDA∪GAJITINGGI = max(μMUDA[27], μGAJITINGGI[2x106)
= max(0,6; 0,8)
= 0,8
Contoh 2:
α–predikat untuk IPtinggi atau LulusCepat
IPtinggiLulusCepat = max(IPtinggi[3.2], LulusCepat[8])
= max(0.7,0.8)
= 0.8
Operator NOT
Operator ini berhubungan dengan operasi komplemen pada himpunan. α– predikat sebagai
hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan
elemen pada himpunan yang bersangkutan dari 1.
A’ = 1-A[x]
Contoh 1:
Pada contoh , dapat dihitung nilai α–predikat untuk usia TIDAK MUDA adalah:
μMUDA’ [27] = 1 - μMUDA[27]
= 1 - 0,6
= 0,4
Contoh 2:
a-predikat untuk BUKAN IPtinggi

IPtinggi‘ = 1 - IPtinggi[3.2] = 1 - 0.7 = 0.3
PENALARAN MONOTON (Aturan Fuzzy If Then)
2013 Sistem Cerdas

Metode penalaran secara monoton digunakan sebagai dasar untuk teknik implikasi fuzzy.
Meskipun penalaran ini sudah jarang sekali digunakan, namun terkadang masih digunakan
untuk penskalaan fuzzy. Jika 2 daerah fuzzy direlasikan dengan implikasi sederhana sebagai
berikut :
IF x is A THEN y is B
transfer fungsi:
y = f((x,A),B)
maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan dekomposisi fuzzy.
Nilai output dapat diestimasi secara langsung dari nilai keanggotaan yang berhubungan
dengan antesedennya.
Contoh:
Misalkan ada 2 himpunan fuzzy: TINGGI (menunjukkan tinggi badan orang Indonesia) dan
BERAT (menunjukkan berat badan orang Indonesia) seperti terlihat pada Gambar dibawah.
Gambar Himpunan fuzzy: TINGGI dan BERAT.
Relasi antara kedua himpunan diekspresikan dengan aturan tunggal sebagai berikut:
IF TinggiBadan is TINGGI THEN BeratBadan is BERAT
Implikasi secara monoton akan menyeleksi daerah fuzzy A dan B dengan algoritma sebagai
berikut:
 Untuk suatu elemen x pada domain A, tentukan nilai keanggotannya dalam daerah
fuzzy A, yaitu: μA[x];
2013 Sistem Cerdas

 Pada daerah fuzzy B, nilai keanggotaan yang berhubungan dengan tentukan
permukaan fuzzy-nya. Tarik garis lurus ke arah domain. Nilai pada sumbu domain, y,
merupakan solusi dari fungsi implikasi tersebut. Dapat dituliskan:
yB = f(μA[x],DB)
Gambar dibawah menunjukkan kerja algoritma tersebut. Seseorang yang memiliki tinggi
badan 165 cm, memiliki derajat keanggotaan 0,75 pada daerah fuzzy TINGGI; diperoleh dari:
μTINGGI[165] = (165 – 150)/(170 – 150)
= 15/20
= 0,75
Nilai ini dipetakan ke daerah fuzzy BERAT yang akan memberikan solusi berat badan orang
tersebut yaitu 59,4 kg; diperoleh dari:
μBERAT[y] = S(y; 40,55,70) = 0,75
Karena 0,75 > 0,5 maka letak y adalah antara 52,5 sampai 70, sehingga:
⇔ 1-2[(70-y)/(70-40)]2 = 0,75
⇔ 1-2(70-y)2/900 = 0,75
⇔ 2(70-y)2/900 = 0,25
⇔ (70-y)2 = 112,5
⇔ (70-y) = √(112,5)
⇔y = 70 10,6 ---> ambil (-) nya, karena nilainya harus < 70
⇔y = 59,4
2013 Sistem Cerdas

0
Gambar Implikasi monoton: TINGGI ke BERAT.
FUNGSI IMPLIKASI
Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan dengan suatu
relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam fungsi implikasi adalah:
IF x is A THEN y is B
dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy. Proposisi yang mengikuti
IF disebut sebagi anteseden, sedangkan proposisi yang mengikuti THEN disebut sebagai
konsekuen. Proposisi ini dapat diperluas dengan menggunakan operator fuzzy, seperti:
IF (x1 is A1) • (x2 is A2) • (x3 is A3) • ...... • (xN is AN) THEN y is B
dengan • adalah operator (misal: OR atau AND).
Secara umum, ada 2 fungsi implikasi yang dapat digunakan, yaitu:
2013 Sistem Cerdas

1
a. Min (minimum). Fungsi ini akan memotong output himpunan fuzzy. Gambar dibawah
menunjukkan salah satu contoh penggunaan fungsi min.
Gambar Fungsi implikasi: MIN.
b. Dot (product). Fungsi ini akan menskala output himpunan fuzzy. Gambar dibawah
menunjukkan salah satu contoh penggunaan fungsi dot.
Gambar Fungsi implikasi: DOT.
2013 Sistem Cerdas

2
DaftarPustaka
1. Kusumadewi; Sri. 2003. Artificial Intelligence (Teknik & Aplikasinya). Yogyakarta:
Graha Ilmu
2. Suyoto. 2004. Intelegensi Buatan (Teori dan Pemrograman). Yogyakarta : Gava
media.
3. Sutojo, T. Edy ,Mulyanto dan Suhartono,Vincent. 2010. Kecerdasan Buatan. Andi
Offset. Yogyakarta.
4. Kusumadewi; Sri. 2004. Membangun Jaringan Syaraf Tiruan dengan Matlab & Excel
Link. Yogyakarta: Graha Ilmu.
5. Kuswadi; Son. 2004. Kendali Cerdas: Teori dan Aplikasi Praktisnya. Yogyakarta :
Andi
6. Away, gunaldi, 2010, the shortcut of matlab programing, informatic bandung.
7. Kusumadewi; Sri. 2002, analisis dan disain sistem fuzzy menggunakan toolsbox
matlab, Yogyakarta: Graha Ilmu.
8. Murata, Tadao, 1989, petri net properties, analysis and application, proceding of
IEEEVol4 april 1989.
9. Jan Jantzen, (1998), Tutorial On Fuzzy Logic, Denmark, Technical University of Denmark,
Department of Automation,
10. Khaled Hammouda and Prof. Fakhreddine Karray, (1996), A Comparative Study of Data
Clustering Techniques, Canada , Department of Systems Design EngineeringUniversity of
Waterloo.
2013 Sistem Cerdas


Modul 3 Sistem Cerdas

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul 3 Sistem Cerdas

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL PERKULIAHAN

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

Gambar Karakteristik fungsional kurva GAUSS.

nilai keanggotaannya dalam bentuk:

skalar merupakan derajat keanggotaan himpunan fuzzynya.

Gambar Titik-titik koordinat yang menunjukkan PENGENDARA BERESIKO

berbentuk ‘U’. Koordinatnya dapat digambarkan dengan 7 pasangan berurutan sebagai

16/1 21/.6 28/.3 68/.3 76/.5 80/.7 96/1

Gambar memperlihatkan koordinat yang menspesifikasikan titik-titik sepanjang domain

2015 Sistem Cerdas

Matlab menyediakan fungsi-fungsi khusus untuk perhitungan logika Fuzzy dimulai

dari perhitungan fungsi keanggotaan sampai dengan inferensi Fuzzy

parameter yang dapat digunakan, yaitu [a b c]

2015 Sistem Cerdas

Hasil grafik ketika syntax di running:

2015 Sistem Cerdas

Ada 4 parameter yang dapat digunakan, yaitu [a b c d].Fungsi keanggotaan:

Gambar Grafik fungsi Trapmf

2015 Sistem Cerdas

Untuk mencari nilai fungsi keanggotaan x = 5, dapat ditulis

>> trapmf(5,[2 6 8 12])

Gambar Output perintah

Gambar Grafik fungsi gbellmf

2015 Sistem Cerdas

parameter b biasanya positif.

x=0:0.1:16; y=gbellmf(x,[2 5 8]);

title('Fungsi kurva Bell');

Untuk mencari nilai keanggotaan untuk x=3, dapat dituliskan

>> gbellmf(3,[2 5 8])

2015 Sistem Cerdas

Gambar Grafik fungsi gaussmf

title('Fungsi kurva Gauss');

Untuk mencari nilai keanggotaan untuk x = 5 , dapat dituliskan

Gambar Output perintah contoh

2015 Sistem Cerdas

Gambar Grafik fungsi pimf

title('Fungsi kurva Phi');

Untuk mencari nilai keanggotaan untuk x=10, dapat dituliskan

>> pimf(10,[2 6 8 12])

2015 Sistem Cerdas

Gambar Grafik fungsi sigmf

Untuk mencari nilai keanggotaan untuk x=3, dapat dituliskan

>> sigmf(3,[2 4])

Gambar Output perintah contoh 6

2015 Sistem Cerdas

Gambar Grafik fungsi smf

Untuk mencari nilai keanggotaan untuk x=6, dapat dituliskan

Untuk mencari nilai keanggotaan untuk x=6, dapat dituliskan

Gambar Output perintah contoh7

2015 Sistem Cerdas

Untuk mencari nilai keanggotaan untuk x=5, dapat dituliskan

2015 Sistem Cerdas

FUZZY LOGIC MATLAB TOOLBOX

mempermudah dalam membangun suatu sistem fuzzy. Pada gambar dibawah

melakukan editing yang meliputi: Jumlah Masukan/Keluaran, Klasifikasi

Masukan/Keluaran, Jenis MF Masukan/Keluaran, Rule, Metode Defuzzyfikasi, dst.

mengobservasi sistem penalaran, yaitu :

1 Membership Function Editor

fuzzy yang telah kita buat.

2015 Sistem Cerdas

pada command windows pada program matlab.

>> fuzzy (lalu tekan enter)

sistem fuzzy yang ingin kita bangun.