Bab 9. Inferensia Fuzzy
Bab 9. Inferensia Fuzzy
MAKALAH
Disusun untuk memenuhi tugas matakuliah Logika Fuzzy
yang dibina oleh Bapak Dr. Hery Susanto, M.Si
oleh
1. Karisma Chicha Widya Putri (160312601926)
2. Labbaika Rahma Ababil (160312601920)
3. Moh. Ridwan (160312604834)
4. Rizky Dwi Safitri (160312604829)
5. Suci Dinda Maulidah (160312604847)
6. Yusup Akbar Gunawan (160312604853)
Diketahui bahwa himpunan dari komposisi diperoleh dari himpunan hasil kali
Kartesius.
1) Komposisi himpunan crisp A dan B dapat direpresentasikan dengan relasi
R antara himpunan A dan B, yaitu :
R = {(𝑥, 𝑦)| 𝑥 ∈ 𝐴, 𝑦 ∈ 𝐵}, 𝑅 ⊆ 𝐴 × 𝐵
Contoh: A= {𝑎, 𝑏, 𝑐} dan B= {1,2}
𝐴 × 𝐵 = {(𝑎, 1), (𝑎, 2), (𝑏, 1), (𝑏, 2), (𝑐, 1), (𝑐, 2)}
𝑅 = {(𝑎, 1), (𝑏, 2), (𝑐, 1)}
2) Komposisi himpunan fuzzy A dan B, adalah relasi R antara A dan B
2
Atau 𝜇𝑅 (𝑥, 𝑦) = 𝜇𝐴 (𝑥) ∙ 𝜇𝐵 (𝑦)
Contoh:
A = {(𝑎, 0.3), (𝑏, 0.2), (𝑐, 0.1)} dan B = {(1, 0.6), (2, 0.1), (3, 0.5)}
𝑅 ⊆𝐴×𝐵
0.3 0.1 0.3 0.2 0.1 0.2 0.1 0.1
𝑅= + + + + + + +
(𝑎, 1) (𝑎, 2) (𝑎. 3) (𝑏, 1) (𝑏, 2) (𝑏, 3) (𝑐, 1) (𝑐, 2)
0.1
+
(𝑐, 3)
3) Komposisi relasi crisp R dan S
𝑆 ∘ 𝑅 = {(𝑥, 𝑧)| (𝑥, 𝑦) ∈ 𝑅, (𝑦, 𝑧) ∈ 𝑆}
dimana, 𝑅 ⊆ 𝐴 × 𝐵, 𝑆 ⊆ 𝐵 × 𝐶, 𝑑𝑎𝑛 𝑆 ∘ 𝑅 ⊆ 𝐴 × 𝐶
Contoh:
A = {1,2,3}, B = {a, b, c}, C = {𝛼, 𝛽, 𝛾}
𝑅 ⊆ 𝐴 × 𝐵, 𝑆 ⊆ 𝐵 × 𝐶
R= {(1,a), (2,b), (3,c)}, S= {(a,𝛽),(b,𝛼),(c,𝛾)}
𝑆 ∘ 𝑅 = {(1, 𝛽), (2, 𝛼), (3, 𝛾)}
4) Komposisi dari relasi fuzzy R dan S
SR = 𝑆 ∘ 𝑅 = {((𝑥, 𝑦), 𝜇𝑆𝑅 (𝑥, 𝑧))}
dimana 𝜇𝑆𝑅 (𝑥, 𝑧) = max min[𝜇𝑅 (𝑥, 𝑦), 𝜇𝑆 (𝑦, 𝑧)]
𝑦
Contoh: 𝑅 ⊆ 𝐴 × 𝐵, 𝑆 ⊆ 𝐵 × 𝐶
R A b c d
1 0.1 0.2 0.0 1.0
2 0.3 0.3 0.0 0.2
3 0.8 0.9 1.0 0.4
S 𝛼 𝛽 𝛾
a 0.9 0.0 0.3
b 0.2 1.0 0.8
c 0.8 0.0 0.7
d 0.4 0.2 0.3
3
𝑆∘𝑅 𝛼 𝛽 𝛾
1 0.4 0.2 0.3
2 0.3 0.3 0.3
3 0.8 0.9 0.8
Komposisi himpunan fuzzy dan relasinya akan diuraikan lebih detail pada
bagian selanjutnya.
𝐴 × 𝐵 = ∫ 𝜇𝐴 (𝑥) ∔ 𝜇𝐵 (𝑦)/(𝑥, 𝑦)
𝑋×𝑌
4
seperti kontrol fuzzy dan pengambilan keputusan. Relasi fuzzy pada R ⊆ X × Y
didefinisikan pada ruang hasilkali Kartesius X × Y ditentukan oleh
R = {(𝑥, 𝑦), ( 𝜇𝑅 (𝑥, 𝑦))|(𝑥, 𝑦) ∈ 𝑋 × 𝑌}
Relasi fuzzy dalam ruang hasilkali yang berbeda dapat dikombinasikan
melalui “operasi komposisi” yang dilambangkan dengan notasi “∘”. Operasi
komposisi yang berbeda untuk relasi fuzzy, dengan dua operasi yaitu:
1) Komposisi Max – Min didefinisikan dengan
𝑅1 ∘ 𝑅2 = {((𝑥, 𝑧), 𝜇𝑅1 ∘ 𝑅2 (𝑥, 𝑧))}
dimana, 𝜇𝑅1 ∘ 𝑅2 (𝑥, 𝑧) = max min[𝜇𝑅1 (𝑥, 𝑦), 𝜇 𝑅2 (𝑦, 𝑧)]
𝑦
𝑥 ∈ 𝑋, 𝑦 ∈ 𝑌, 𝑧 ∈ 𝑍, 𝑅1 ⊆ 𝑋 × 𝑌, 𝑅2 ⊆ 𝑌 × 𝑍
𝑥 ∈ 𝑋, 𝑦 ∈ 𝑌, 𝑧 ∈ 𝑍, 𝑅1 ⊆ 𝑋 × 𝑌, 𝑅2 ⊆ 𝑌 × 𝑍
Operator “.” merepresentasikan operasi hasilkali pada aljabar.
5
Asumsikan derajat keanggotaan dari 𝑅(𝑥) dan 𝑅(𝑥, 𝑦) diberikan pada Tabel 9.1
dan 9.2. Untuk penalaran fuzzy, gunakan operator komposisi max – min
𝑅(𝑦) = 𝑅(𝑥) ∘ 𝑅(𝑥, 𝑦)
𝜇𝑅 (𝑦) = ⋁𝑦[𝜇𝑅 (𝑥) ∧ 𝜇𝑅 (𝑥, 𝑦)]
6
Tabel 9.4 nilai input tunggal 𝑥 = 2
X 1 2 3 4
𝜇𝑅 (𝑥) 0 1 0 0
7
Pada intinya, pernyataan mendeskripsikan relasi antara dua variabel 𝑥 dan
𝑦. Hal ini menunjukkan bahwa aturan fuzzy dapat didefinisikan sebagai relasi
biner 𝑅 pada ruang hasilkali 𝑋 × 𝑌.
8
9.2.3 Contoh Implikasi Fuzzy
Contoh 9.3 Terdapat aturan fuzzy di bawah ini.
Jika suhu tinggi, maka kelembabannya cukup tinggi
Ini adalah aturan fuzzy dan relasi fuzzy. Akan ditentukan fungsi keanggotaan dari
aturan. Misalkan T dan H masing-masing adalah semesta dari suhu dan
kelembaban, dan tentukan variabel 𝑡 ∈ 𝑇 dan ℎ ∈ 𝐻. Merepresentasikan bentuk
fuzzy "tinggi" dan "cukup tinggi" masing-masing oleh A dan B:
A=”Tinggi", 𝐴 ⊆ 𝑇
B=”Cukup Tinggi”, 𝐵 ⊆ 𝐻
Tabel 9.6 Derajat keanggotaan dari A di T (Suhu)
T 20 30 40
𝜇𝐴 (𝑡) 0,1 0,5 0,9
9
Ketika menerapkan operasi minimum pada hasilkali Kartesius 𝐴 × 𝐵, didapatkan
relasi 𝑅𝐶 seperti yang ditunjukkan pada (Tabel 9.8.) keanggotaan 𝑅𝐶
merepresentasikan aturan fuzzy. Dimana 𝜇𝑅𝐶 (20,50) = 0,1 diperoleh dari
minimum 𝜇𝐴 (20) = 0,1 dan 𝜇𝐵 (50) = 0,6 dengan cara yang sama 𝜇𝑅𝐶 (30,20) =
0,2 diperoleh dari minimum 𝜇𝐴 (30) = 0,5 dan 𝜇𝐵 (20) = 0,2.
10
9.2.4 Contoh Tambahan
Contoh 9.4.1 Terdapat aturan fuzzy dan himpunan fuzzy
atau
R: A(x)→ C(y)
A 𝑎1 𝑎2 𝑎3 𝑎4
C 𝑦1 𝑦2 𝑦3
Hitung relasi implikasi R(x, y) dengan menggunakan operator min dan perkalian.
Jawab
𝑅𝑐 = 𝐴 × 𝐶
𝜇𝐴 (𝑎) ∧ 𝜇𝐵 (𝑦)
𝑅𝑐 = ∫
𝑎×𝑦 (𝑎, 𝑦)
𝑅𝑃 = 𝐴 × 𝐶
𝜇𝐴 (𝑎) ⋅ 𝜇𝐵 (𝑦)
𝑅𝑐 = ∫
𝑎×𝑦 (𝑎, 𝑦)
11
Contoh 9.4.2 Fakta 𝐴′ diberikan untuk aturan contoh sebelumnya
𝐴′ 𝑎1 𝑎2 𝑎3 𝑎4
Hitung output 𝐶′ ketika mengaplikasi operasi komposisi untuk fakta 𝐴′ dan aturan
R(x,y)
Jawaban
𝐶𝑐′ 𝑦1 𝑦2 𝑦3
𝐶𝑝′ 𝑦1 𝑦2 𝑦3
𝜇𝐵′ (20) = 𝑚𝑎𝑥 {𝑚𝑖𝑛{𝜇𝐴′ (𝑡), 𝜇𝑅𝐶 (20)}} = 𝑚𝑎𝑥{0.01, 0.2, 0.2} = 0.2
12
𝜇𝐵′ (50) = 𝑚𝑎𝑥 {𝑚𝑖𝑛{𝜇𝐴′ (𝑡), 𝜇𝑅𝐶 (50)}} = 𝑚𝑎𝑥{0.01, 0.25, 0.6} = 0.6
𝜇𝐵′ (70) = 𝑚𝑎𝑥 {𝑚𝑖𝑛{𝜇𝐴′ (𝑡), 𝜇𝑅𝐶 (70)}} = 𝑚𝑎𝑥{0.01, 0.25, 0.7} = 0.2
𝜇𝐵′ (90) = 𝑚𝑎𝑥 {𝑚𝑖𝑛{𝜇𝐴′ (𝑡), 𝜇𝑅𝐶 (90)}} = 𝑚𝑎𝑥{0.01, 0.25, 0.81} = 0.81
1 2 𝑛
𝑅 = {𝑅𝑀𝐼𝑀𝑂 , 𝑅𝑀𝐼𝑀𝑂 , … , 𝑅𝑀𝐼𝑀𝑂 }
𝑖
Dimana 𝑅𝑀𝐼𝑀𝑂 merepresentasikan aturan :
Jika 𝑥 adalah 𝐴𝑖 dan 𝑦 adalah 𝐵𝑖 maka 𝑧1 adalah 𝐶𝑖 , … . . , 𝑧𝑞 adalah 𝐷𝑖 ,
𝑖
Anteseden dari 𝑅𝑀𝐼𝑀𝑂 membentuk himpunan fuzzy 𝐴𝑖 𝑥 … … 𝑥 𝐵𝑖 pada “Ruang
produk” 𝑈 × … × 𝑉 . Akibatnya adalah “gabungan” pada aturan 𝑞 bebas (𝑧1 +
𝑖
𝑧2 + ⋯ + 𝑧𝑞 ). Demikian aturan ke-i 𝑅𝑀𝐼𝑀𝑂 dapat direpresentasikan sebagai
implikasi dari fuzzy
𝑖
𝑅𝑀𝐼𝑀𝑂 : (𝐴𝑖 × … × 𝐵𝑖 ) → (𝑧1 + ⋯ + 𝑧𝑞 )
𝑛 𝑛 𝑛
𝑞 𝑛
= {⋃ ⋃[(𝐴𝑖 × … × 𝐵𝑖 ) → 𝑧𝑘 ]}
𝑘=1 𝑖=1
𝑞
𝑘 𝑘
= {⋃ 𝑅𝐵𝑀𝐼𝑆𝑂 } 𝑑𝑖𝑚𝑎𝑛𝑎 𝑅𝐵𝑀𝐼𝑆𝑂 = [(𝐴𝑖 × … × 𝐵𝑖 ) → 𝑧𝑖 ]
𝑘=1
13
1 2 𝑘 𝑞
= {𝑅𝐵𝑀𝐼𝑆𝑂 , 𝑅𝐵𝑀𝐼𝑆𝑂 , … , 𝑅𝐵𝑀𝐼𝑆𝑂 , … , 𝑅𝐵𝑀𝐼𝑆𝑂 }
𝑘
Akibatnya, aturan dasar 𝑅 terdiri dari himpunan sub-aturan dasar 𝑅𝐵𝑀𝐼𝑆𝑂
𝑘
dimana 𝑘 = 1,2, … , 𝑞. Sub-aturan dasar 𝑅𝐵𝑀𝐼𝑀𝑂 mempunyai variabel “multiple
input” dan variabel “single control”. Sehingga struktur aturan umum dari sistem
fuzzy MIMO dapat direpresentasikan sebagai kumpulan dari sistem fuzzy MISO
1 2 𝑘 𝑞
𝑅 = {𝑅𝐵𝑀𝐼𝑆𝑂 , 𝑅𝐵𝑀𝐼𝑆𝑂 , … , 𝑅𝐵𝑀𝐼𝑆𝑂 , … , 𝑅𝐵𝑀𝐼𝑆𝑂 }
𝑘
dimana 𝑅𝐵𝑀𝐼𝑆𝑂 merepresentasikan aturan :
jika 𝑥 adalah 𝐴𝑖 dan … , 𝑦 adalah 𝐵𝑖 maka 𝑧𝑘 adalah 𝐶𝑖 , untuk 𝑖 = 1,2, … . , 𝑛
𝑎𝑘𝑖𝑏𝑎𝑡𝑛𝑦𝑎 ∶ 𝑤 𝑎𝑑𝑎𝑙𝑎ℎ 𝐶′
14
dimana “𝐴𝑖 dan 𝐵𝑖 ” adalah himpunan fuzzy 𝐴𝑖 × 𝐵𝑖 pada 𝑈 × 𝑉.
𝑅𝑖 : (𝐴𝑖 dan 𝐵𝑖 ) → 𝐶𝑖 adalah relasi implikasi fuzzy pada 𝑈 × 𝑉 × 𝑊, dan →
melambangkan fungsi implikasi fuzzy.
𝑖𝑛𝑝𝑢𝑡 ∶ 𝑣 𝑎𝑑𝑎𝑙𝑎ℎ 𝐴′
𝑅𝑒𝑠𝑢𝑙𝑡 ∶ 𝐶′
𝑅1 ⊂ 𝑈 × 𝑊
Prosedur inferensia ini disebut “aturan komposisi dari inferensia”. Oleh karena
itu, inferensia ditentukan oleh dua faktor yaitu : “operator implikasi” dan
“operator komposisi”. Seperti yang telah diketahui sebelumnya, untuk implikasi
pada ruang hasilkali Kartesius 𝑅 = 𝐴 𝑋 𝐶 dua operator yang sering digunakan :
𝐼𝑚𝑝𝑙𝑖𝑘𝑎𝑠𝑖 𝑀𝑎𝑚𝑑𝑎𝑛𝑖 (𝑅𝐶 ): 𝑜𝑝𝑒𝑟𝑎𝑡𝑜𝑟 𝑚𝑖𝑛
15
Lemma 1 (untuk 1 input singleton, hasil C’ diperoleh dari C dan derajat
kesesuaian 𝛼1 , Gambar 9.1)
ketika aturan fuzzy 𝑅1 dan input singleton 𝑢0 diberikan
𝑅1 : 𝑗𝑖𝑘𝑎 𝑢 𝑎𝑑𝑎𝑙𝑎ℎ 𝐴 𝑚𝑎𝑘𝑎 𝑤 𝑎𝑑𝑎𝑙𝑎ℎ 𝐶,
𝐴𝑡𝑎𝑢 𝑅1 : 𝐴 → 𝐶
= 𝜇𝐴 (𝑢0 ) → 𝜇𝑐 (𝑤)
i) jika diterapkan operator minimum untuk implikasinya,
𝜇𝑐′ (𝑤) = min [𝜇𝐴 (𝑢0 ), 𝜇𝑐 (𝑤)]
= 𝛼1 ∧ 𝜇𝑐 (𝑤) 𝑑𝑖𝑚𝑎𝑛𝑎 𝛼1 = 𝜇𝐴 (𝑢0 )
= 𝜇𝐴 (𝑢0 ) ∙ 𝜇𝐶 (𝑤)
Lemma 2 (untuk 1 input fuzzy, hasil C’ diperoleh dari C dan derajat kesesuaian
𝛼1 , Gambar 9.2)
Ketika aturan fuzzy 𝑅1 : 𝐴 → 𝐶 dan input 𝐴’ diberikan , hasil inferensia 𝐶’
didefinisikan dengan fungsi keanggotaan 𝜇𝑐′ .
16
Gambar 9.1 Grafik representasi Lemma 1 dengan 𝑅𝐶
(ketika input singleton diberikan, 𝐶′ diperoleh dari 𝐶 dan 𝛼1 )
𝜇𝐶 ′ (𝑤) = 𝛼1 ∧ 𝜇𝐶 (𝑤) untuk 𝑅𝐶
𝜇𝐶 ′ (𝑤) = 𝛼1 ∙ 𝜇𝐶 (𝑤) untuk 𝑅𝑃
dimana 𝛼1 = max[𝜇𝐴′ (𝑢) ∧ 𝜇𝐴 (𝑢)]
𝑢
(Bukti)
a) 𝑅𝐶 , dengan menerapkan operator minimum untuk implikasi dan max-min untuk
komposisi
𝐶 ′ = 𝐴′ ∘ (𝐴 → 𝐶)
= 𝐴′ ∘ (𝐴 × 𝐶)
= 𝐴′ ∘ 𝑅1
𝜇𝐶 ′ (𝑤) = {𝜇𝐴′ (𝑢) ∘ (𝜇𝐴 (𝑢) → 𝜇𝐶 (𝑤))} = {𝜇𝐴′ (𝑢) ∘ 𝜇𝑅1 (𝑢, 𝑤)}
17
𝐶 ′ = 𝐴′ ∘ (𝐴 → 𝐶)
= 𝐴′ ∘ (𝐴 × 𝐶)
= 𝐴′ ∘ 𝑅1
𝜇𝐶 ′ (𝑤) = {𝜇𝐴′ (𝑢) ∘ (𝜇𝐴 (𝑢) → 𝜇𝐶 (𝑤))} = {𝜇𝐴′ (𝑢) ∘ 𝜇𝑅1 (𝑢, 𝑤)}
𝑅: ⋃𝑛𝑖=1 𝑅𝑖
𝑅𝑖 : 𝐴𝑖 → 𝐶𝑖
Ada penghubung “juga (also)” atau “lain (else)” antar aturan. Penghubung
tersebut digunakan ketika memperhatikan max-min untuk operator komposisi.
Operator tersebut bersifat komutatif dan kontrol fuzzy dianggap sebagai hasil
18
yang agregat dari aturan kontrol individu. Sehingga penghubung
diimplementasikan sebagai operasi max. Sehingga, akan dilihat sifat yang sama
menggunakan operator hasilkali max untuk komposisi.
Lemma 3 (total hasil 𝐶′ adalah agregasi dari hasil tunggal 𝐶𝑖′ , Gambar 9.3)
Hasil dari inferensia C adalah agregasi dari hasil 𝐶𝑖′ yang diperoleh dari aturan
tunggal.
𝑛 𝑛 𝑛
𝐶 = 𝐴 ∘ ⋃ 𝑅𝑖 = ⋃ 𝐴 ∘ 𝑅𝑖 = ⋃ 𝐶𝑖′
′ ′ ′
(Bukti)
𝑛 𝑛
′ ′
𝐶 = 𝐴 ∘ ⋃ 𝑅𝑖 = 𝐴′ ⋃∘ (𝐴𝑖 → 𝐶𝑖 )
𝑖=1 𝑖=1
Fungsi keanggotaan 𝜇𝑐′ dari himpunan fuzzy 𝐶’ adalah titik demi titik yang
didefinisikan ∀𝑤 ∈ 𝑊 dengan
𝜇𝐶 ′ (𝑤) = 𝜇𝐴′ (𝑢) ∘ max[𝜇𝑅1 (𝑢, 𝑤), 𝜇𝑅2 (𝑢, 𝑤), … , 𝜇𝑅𝑛 (𝑢, 𝑤)]
𝑢,𝑤
𝜇𝑐 ′ (𝑤) = max min {𝜇𝐴′ (𝑢), max[𝜇𝑅1 (𝑢, 𝑤), 𝜇𝑅2 (𝑢, 𝑤), … , 𝜇𝑅𝑛 (𝑢, 𝑤)] }
𝑢 𝑢 𝑢,𝑤
𝑚𝑎𝑥 𝑚𝑎𝑥
= {min[𝜇𝐴′ (𝑢), 𝜇𝑅1 (𝑢, 𝑤)],
𝑢 𝑢, 𝑤 𝑢
min[𝜇𝐴′ (𝑢), 𝜇𝑅2 (𝑢, 𝑤)] , …,
𝑢
Karena [𝜇𝐴′ (𝑢) ∘ 𝜇𝑅𝑖 (𝑢, 𝑤)] = max min[𝜇𝐴′ (𝑢), 𝜇𝑅𝑖 (𝑢, 𝑤)],
𝑢 𝑢
19
𝜇𝐶𝑖′ = [𝜇𝐴′ (𝑢) ∘ 𝜇𝑅𝑖 (𝑢, 𝑤)]
𝐶𝑖′ = 𝐴′ ∘ 𝑅𝑖
maka
𝐶 ′ = [𝐴′ ∘ 𝑅1 ] ∪ [𝐴′ ∘ 𝑅2 ] ∪ … ∪ [𝐴′ ∘ 𝑅𝑛 ]
𝑛
= ⋃ 𝐴′ ∘ 𝑅𝑖
𝑖=1
𝑛
= ⋃ 𝐴′ ∘ (𝐴𝑖 → 𝐶𝑖 )
𝑖=1
𝑛
= ⋃ 𝐶𝑖′
𝑖=1
Hasil 𝐶 adalah gabungan (agregasi) hasil 𝐶𝑖′ dari aturan tunggal, yaitu,
′
𝜇𝐶 ′ (𝑤) = ⋁ 𝜇𝐶𝑖′
𝑖=1
𝑅1 : 𝐴1 → 𝐶1
𝑅2 : 𝐴2 → 𝐶2
20
Gambar 9.3 Lemma 3 (Total hasil 𝐶 ′ adalah gabungan dari hasil individu 𝐶𝑖′ )
Dengan menggeneralisasi Lemma 3 untuk kasus variabel multiple input seperti
𝑛
𝑅: ⋃ 𝑅𝑖
𝑖=1
𝑅𝑖 : 𝐴𝑖 dan 𝐵𝑖 → 𝐶𝑖
Corollary dari Lemma 3 : (Lemma 3 dalam kasus multiple input)
Hasil inferensia 𝐶 adalah agregasi hasil 𝐶𝑖′ yang berasal dari aturan tunggal.
𝑛 𝑛 𝑛
(Bukti)
𝐶 ′ = (𝐴′ , 𝐵 ′ ) ∘ ⋃𝑛𝑖=1 𝑅𝑖 = (𝐴′ , 𝐵 ′ ) ∘ ⋃𝑛𝑖=1(𝐴𝑖 dan 𝐵𝑖 → 𝐶𝑖 )
𝑅𝑖 = 𝐴𝑖 dan 𝐵𝑖 → 𝐶𝑖 atau 𝑅𝑖 = 𝐴𝑖 × 𝐵𝑖 × 𝐶𝑖 untuk 𝑖 = 1, 2, … , 𝑛
Fungsi keanggotaan 𝜇𝐶 ′ dari himpunan fuzzy 𝐶 ′ adalah titik demi titik
didefinisikan ∀𝑤 ∈ 𝑊 oleh
𝜇𝐶 ′ (𝑤) = [𝜇𝐴′ (𝑢), 𝜇𝐵′ (𝑣)] ∘ max[𝜇𝑅1 (𝑢, 𝑣, 𝑤), 𝜇𝑅2 (𝑢, 𝑣, 𝑤), … 𝜇𝑅𝑛 (𝑢, 𝑣, 𝑤)]
𝑢,𝑣,𝑤
𝐶𝑖′ = (𝐴′ , 𝐵 ′ ) ∘ 𝑅𝑖
21
maka
𝐶 ′ = [(𝐴′ , 𝐵 ′ ) ∘ 𝑅1 ] ∪ [(𝐴′ , 𝐵 ′ ) ∘ 𝑅2 ] ∪ … ∪ [(𝐴′ , 𝐵 ′ ) ∘ 𝑅𝑛 ]
𝑛
= ⋃(𝐴′ , 𝐵 ′ ) ∘ 𝑅𝑖
𝑖=1
= ⋃ 𝐶𝑖′
𝑖=1
sehingga,
𝑛
𝜇𝐶 ′ (𝑤) = ⋁ 𝜇𝐶𝑖′
𝑖=1
22
𝜇𝐶𝑖′ = max min{(𝜇𝐴′ , 𝜇𝐵′ ), min[( 𝜇𝐴𝑖 → 𝜇𝐶𝑖 ), (𝜇𝐵𝑖 → 𝜇𝐶𝑖 )]}
𝑢,𝑣
= max min{min[ 𝜇𝐴′ , ( 𝜇𝐴𝑖 → 𝜇𝐶𝑖 )], min[𝜇𝐵′ , (𝜇𝐵𝑖 → 𝜇𝐶𝑖 )]}
𝑢,𝑣
23
Gambar 9.4 Lemma 4 (Aturan 𝑅𝑖 dapat diuraikan menjadi 𝑅𝑖1 dan 𝑅𝑖2 dan hasil 𝐶𝑖′
dari 𝑅𝑖 adalah irisan hasil 𝐶𝑖1 dan 𝐶𝑖2 masing-masing dari 𝑅𝑖1 dan 𝑅𝑖2 ).
𝜇𝐶𝑖′ (𝑤) = 𝛼𝑖 ∧ 𝜇𝐶𝑖 (𝑤) untuk 𝑅𝐶
𝜇𝐶𝑖′ = min {[𝑢0 ∘ (𝜇𝐴𝑖 (𝑢) → 𝜇𝐶𝑖 (𝑤))] , [𝑣0 ∘ (𝜇𝐵𝑖 (𝑣) → 𝜇𝐶𝑖 (𝑤))] }
= 𝛼𝑖 ∧ 𝜇𝐶𝑖 (𝑤)
2. Jika menggunakan operator hasilkali Larsen untuk implikasi,
𝜇𝐶𝑖′ = min{[𝜇𝐴𝑖 (𝑢0 ) • 𝜇𝐶𝑖 (𝑤)], [𝜇𝐵𝑖 (𝑣0 ) • 𝜇𝐶𝑖 (𝑤)]}
24
Contoh 9.4.3
Terdapat aturan dasar fuzzy dengan hanya satu aturan:
merupakan himpunan fuzzy segitiga. Hitung output himpunan fuzzy ketika input
yang diberikan sebagai 𝑥0 = 1 dan 𝑦0 = 1.5
Jawaban
Perhatikan
𝑧−0 𝑦−1
=
1−0 2−1
𝑧 =𝑦−1
25
Gambar 9.5 Lemma 5 (𝛼𝑖 adalah derajat kesesuaian minimum antara 𝐴𝑖 (𝑢0 ) dan
𝐵𝑖 (𝑣0 ))
𝜇𝐶𝑖′ (𝑤) = 𝛼𝑖 ∧ 𝜇𝐶𝑖 (𝑤) 𝑢𝑛𝑡𝑢𝑘 𝑅𝐶
dimana 𝛼𝑖 = min [max (𝜇𝐴′ (𝑢) ∧ 𝜇𝐴𝑖 (𝑢)) , max (𝜇𝐵′ (𝑣) ∧ 𝜇𝐵𝑖 (𝑣))]
𝑢 𝑣
Dengan cara yang sama, dapat dibuktikan lemma ketika hasilkali digunakan
untuk implikasi dan hasilkali max untuk komposisi (𝑅𝑃 ).
26
Sehingga, dari lemma, dapat dinyatakan
𝑛
Jawaban
Perhatikan untuk
𝑟−1 𝑥−1
=
0−1 1
𝑟−1= 1−𝑥
𝑟 =2−𝑥
Perhatikan untuk
𝑟−0 𝑥−1
=
1 1
𝑟 =𝑥−1
Sehingga
𝑥−1= 2−𝑥
2𝑥 = 3
3
𝑥=
2
Substitusikan ke persamaan 𝑟 = 𝑥 − 1
3
𝑟= − 1 = 0.5
2
Perhatikan untuk
27
𝑧−1 𝑦−2
=
−1 1
𝑧−1 =2−𝑦
𝑧 = 3−𝑦
Perhatikan untuk
𝑧 − 0 𝑦 − 1.5
=
1 1
𝑧 = 𝑦 − 1.5
Sehingga
3 − 𝑦 = 𝑦 − 1.5
2𝑦 = 4.5
𝑥 = 2.25
Substitusikan ke persamaan 𝑧 = 𝑦 − 1.5
28
Diberikan input himpunan
fuzzy 𝐴′
𝑅𝑖 : 𝐴𝑖 × 𝐵𝑖 → 𝐶𝑖 𝛼𝑖 = min[𝜇𝐴𝑖 (𝑢0 ), 𝜇𝐵𝑖 (𝑣0 )]
Diberikan input singleton 𝑢0
dan 𝑣0
𝑅𝑖 : 𝐴𝑖 × 𝐵𝑖 → 𝐶𝑖
𝛼𝑖 = min [max (𝜇𝐴′ (𝑢) ∧ 𝜇𝐴𝑖 (𝑢)), max (𝜇𝐵′ (𝑣)
𝑣
Diberikan input himpunan 𝑢
fuzzy 𝐴′ dan B′
∧ 𝜇𝐵𝑖 (𝑣))]
Gambar 9.6 Lemma 6 (𝛼𝑖 adalah derajat kesesuaian minimum antara (𝐴′ dan A)
dan (𝐵 ′ dan B) )
untuk contoh, perhatikan dua aturan kontrol fuzzy.
𝑅1 : jika 𝑢 adalah 𝐴1 dan 𝑣 adalah 𝐵1 maka 𝑤 adalah 𝐶1
𝑅2 : jika 𝑢 adalah 𝐴2 dan 𝑣 adalah 𝐵2 maka 𝑤 adalah 𝐶2
𝐴𝑖 , 𝐵𝑖 , dan 𝐶𝑖 didefinisikan pada 𝑈, 𝑉, dan 𝑊, masing-masing, untuk 𝑖 = 1, 2, 𝑢 ∈
𝑈, 𝑣 ∈ 𝑉, dan 𝑤 ∈ 𝑊.
Input selalu diukur dengan sensor dan tegas. Pada beberapa kasus
mengonversi data input ke dalam himpunan fuzzy. Secara umum, nilai tegas dapat
diperlakukan sebagai fuzzy singleton.
(1) Singleton input
Jika input diberikan sebagai nilai singleton, derajat kesesuaian (firing strength) 𝛼1
dan 𝛼2 dari aturan pertama dan kedua dapat diekspresikan sebagai
29
𝛼1 = 𝜇𝐴1 (𝑢0 ) ∧ 𝜇𝐵1 (𝑣0 )
𝛼2 = 𝜇𝐴2 (𝑢0 ) ∧ 𝜇𝐵2 (𝑣0 )
dimana 𝜇𝐴1 (𝑢0 ) dan 𝜇𝐵2 (𝑣0 ) adalah derajat parsial kesesuaian antara user-
supplied data (𝑢0 dan 𝑣0 ) dan data (𝐴𝑖 dan 𝐵𝑖 ) pada aturan dasar.
(2) Fuzzy input
Jika input yang diberikan sebagai himpunan fuzzy 𝐴′ dan 𝐵′, derajat kesesuaian 𝛼𝑖
dari aturan adalah
𝛼𝑖 = 𝑚𝑖𝑛 [𝑚𝑎𝑥 (𝜇𝐴′ (𝑢) ∧ 𝜇𝐴𝑖 (𝑢)), 𝑚𝑎𝑥 (𝜇𝐵′ (𝑣) ∧ 𝜇𝐵𝑖 (𝑣))]
𝑢 𝑣
untuk 𝑖 = 1,2
Terlihat bahwa derajat kesesuaian diperoleh melalui operasi minimum
pada hasilkali Kartesius.
30
Prosedur inferensia fuzzy Mamdani ketika input diberikan sebagai
singleton direpresentasikan dalam (Gambar 9.7).
𝐶 ′ = ⋃ 𝐶𝑖′
𝑖=1
dimana 𝛼𝑖 = 𝑚𝑖𝑛 [𝑚𝑎𝑥 (𝜇𝐴′ (𝑢) ∧ 𝜇𝐴𝑖 (𝑢)), 𝑚𝑎𝑥 (𝜇𝐵′ (𝑣) ∧ 𝜇𝐵𝑖 (𝑣))]
𝑢 𝑣
𝐶 ′ = ⋃ 𝐶𝑖′
𝑖=1
31
Gambar 9.8 Grafik interpretasi metode Mamdani dengan input himpunan fuzzy
Hasil 𝐶′ adalah himpunan fuzzy dan sehingga jika ingin mendapatkan aksi
kontrol deterministik, metode defuzzyfikasi dibahas pada bab selanjutnya.
Contoh 9.5 Ada aturan dasar fuzzy yang memuat satu aturan seperti:
𝑅: Jika 𝑢 adalah 𝐴 maka 𝑣 adalah 𝐵
dimana 𝐴 = (0, 2, 4) dan 𝐵 = (3, 4, 5) adalah himpunan fuzzy triangular.
Jika suatu input diberikan sebagai nilai singleton 𝑢0 = 3, cara menghitung
output B’ menggunakan metode Mamdani dapat dimulai dengan menghitung
derajat kesesuaian antara A dan 𝑢0 adalah 𝛼 = 0.5, oleh karena itu output B’
diperoleh dengan irisan antara B dan 𝛼 = 0.5. B’ diekspresikan oleh area di
bawah 0.5 di B (Gambar 9.9).
Berdasarkan kasus ini, input yang diberikan sebagai himpunan triangular
A’= (0, 1, 2).
𝜇𝐴′ (𝑥) = 𝑥 untuk 0 ≤ 𝑥 ≤ 1
= −𝑥 + 2 untuk 1 ≤ 𝑥 ≤ 2
= 0 untuk nilai 𝑥 yang lain
Diperoleh derajat kesesuaian 𝛼 = 2/3 maka B’ adalah area yang berada di bawah
dari 2/3 di B (Gambar 9.10).
32
Gambar 9.9. Inferensi fuzzy dengan input 𝑢0 = 3
33
𝑛 𝑛
𝐶 ′ = ⋃ 𝐶𝑖′
𝑖=1
Representasi grafik dari metode ini dengan input singleton diberikan pada Gambar
9.11
(2) Ketika data input diberikan sebagai bentuk himpunan fuzzy 𝐴′ dan 𝐵 ′ , dari
Lemma 6, diketahui
𝜇𝐶𝑖′ (𝑤) = 𝛼𝑖 ⋅ 𝜇𝐶𝑖 (𝑤)
dimana 𝛼𝑖 = min[max (𝜇𝐴′ (𝑢) ∧ 𝜇𝐴𝑖 (𝑢)) , max (𝜇𝐵′ (𝑣) ∧ 𝜇𝐵𝑖 (𝑣))]
𝑢 𝑣
𝐶 = ⋃ 𝐶𝑖′
′
𝑖=1
Gambar 9.11 Representasi grafik dari metode Larsen dengan input tunggal
34
Gambar 9.12 Representasi grafik dari metode Larsen dengan input himpunan
fuzzy
Contoh 9.6 Diberikan suatu aturan fuzzy
R : jika u adalah A dan v adalah B maka w adalah C
dimana A=(0, 2, 4), B=(3, 4, 5) dan C=(3, 4, 5)
i) Tentukan hasil inferensia C’ ketika input 𝜇0 = 3, 𝑣0 = 4 dengan menggunakan
metode Larsen
ii) Tentukan hasil inferensia C’ ketika input A’=(0, 1, 2), B’=(2, 3, 4).
Solusi diilustrasikan pada Gambar 9.13 dan Gambar 9.14.
35
Gambar 9.14 Metode Larsen dengan input A’=(0, 1, 2), B’=(2, 3, 4)
𝛼𝑖 = min[max (𝜇𝐴′ (𝑢) ∧ 𝜇𝐴𝑖 (𝑢)) , max (𝜇𝐵′ (𝑣) ∧ 𝜇𝐵𝑖 (𝑣))]
𝑢 𝑣
36
Gambar 9.15 Representasi grafik dari metode Tsukamoto
Hasil akhir diturunkan dari rata-rata bobot seperti berikut, ketika ada dua
aturan.
𝛼1 𝑤1 + 𝛼2 𝑤2
𝑤0 =
𝛼1 + 𝛼2
Karena masing-masing aturan menyimpulkan hasil tegas, model fuzzy
Tsukamoto mengagregasi masing-masing output aturan dengan metode rata-rata
bobot. Hal tersebut meghindari proses defuzzyfikasi yang memakan waktu.
37
R1 : jika u adalah 𝐴1 dan v adalah 𝐵1 maka 𝑤 = f1 (𝑢, 𝑣) = p1 𝑢 + q1 𝑢 + r1
R 2 : jika u adalah 𝐴2 dan v adalah 𝐵2 maka 𝑤 = f2 (𝑢, 𝑣) = p2 𝑢 + q 2 𝑢 + r2
dimana p1 , p2 , q1 dan q 2 adalah konstan.
Nilai yang disimpulkan dari aksikontrol dari aturan pertama adalah f1 (𝑢0 , 𝑣0 )
dimana 𝑢0 dan 𝑣0 merupakan input singleton, dan 𝛼1 adalah derajat kesesuaian.
Nilai yang disimpulkan dari yang kedua adalah f2 (𝑢0 , 𝑣0 ) dengan derajat
kesesuaian 𝛼2 . Derajat kesesuaian diperoleh seperti metode sebelumnya.
𝛼𝑖 = [𝜇𝐴𝑖 (𝑢0 ) ∧ 𝜇𝐵𝑖 (𝑣0 )]
Semua derajat kesesuaian merupakan nilai tegas. Hasil agregasi diberikan
oleh rata-rata bobot.
𝛼1 f1 (𝑢0 , 𝑣0 ) + 𝛼2 f2 (𝑢0 , 𝑣0 )
𝑤0 =
𝛼1 + 𝛼2
𝛼1 𝑤1 + 𝛼2 𝑤2
=
𝛼1 + 𝛼2
Metode ini juga menghemat waktu defuzzyfikasi karena hasil akhir 𝑤0 adalah
nilai tegas.
38
DAFTAR RUJUKAN
Lee, K.H. 2005. First Course on Fuzzy Theory and Applications. Berlin: Springer.
39