Kelompok 8
Kelompok 8
Fuzzy Logics
Ajusta Ananta Yogarizki 2039201023
Muhammad Irsyad Aziz 2039201035
Ahmad Fikri Fawaid 2039201036
TOPIK YANG
DIBAHAS HARI INI
Pernyataan :
ØApabila seseorang berusia 29 tahun, maka ia dikatakan MUDA
ØApabila seseorang berusia 30 tahun, maka ia dikatakan TIDAK MUDA
ØApabila seseorang berusia 30 tahun, maka ia dikatakan DEWASA
ØApabila seseorang berusia 30 tahun kurang 1 hari, maka ia dikatakan TIDAK DEWASA
ØApabila seseorang berusia 50 tahun, maka ia dikatakan TIDAK TUA
ØApabila seseorang berusia 50 tahun lebih ½ hari, maka ia dikatakan TUA
•Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Sesorang dapat masuk
dalam 2 himpunan yang berbeda. MUDA dan DEWASA, DEWASA dan TUA, dsb.
Seberapa besar eksistensinya dapat dilihat pada nilai/derajat keanggotaannya. Gambar
berikut menunjukkan himpunan fuzzy untuk variabel umur :
OPERASI LOGIKA (OPERASI HIMPUNAN FUZZY)
Operasi Logika Fuzzy ialah Operasi yang mengkombinasikan dan memodifikasi 2 atau
lebih himpunan fuzzy. Nilai dari keanggotaan baru (derajat keanggotaan) sebagai hasil dari
operasi dua himpunan fuzzy disebut dengan firing strength atau α predikat. Terdapat 3
operasi dasar didalam himpunan fuzzy yang diciptakan oleh Zadeh :
1. AND (intersection) yaitu α - predikat diperoleh dengan mengambil nilai minimum antar
kedua himpunan.
2. OR (union) yaitu α - predikat diperoleh dengan mengambil nilai maximum antar kedua
himpunan.
3. NOT (complement) yaitu α -predikat diperoleh dengan mengurangkan nilai
keanggotaan elemen pada himpunan dari 1
Union (OR)
Operator OR berhubungan dengan operasi union pada himpunan, α - predikat diperoleh
dengan mengambil nilai maximum antar kedua himpunan.
Keterangan:
•µA = derajat keanggotaan x dari himpunan fuzzy A
•µB = derajat keanggotaan x dari himpunan fuzzy B
•µA[x] = derajat keanggotaan x dari himpunan fuzzy A pada aturan ke-i
•µB[y] = derajat keanggotaan x dari himpunan fuzzy B pada aturan ke-i
Contoh :
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);
dari contoh soal operator, dapat dihitung nilai α – predikat untuk usia MUDA atau berpenghasilan
TINGGI adalah:
•µMUDAorGAJITINGGI = max(µMUDA[27], µGAJITINGGI[2.000.000)
= max(0,6 ; 0,8)
= 0,8
Intersection (AND)
Operator AND berhubungan dengan operasi intersection pada himpunan α - predikat
diperoleh dengan mengambil nilai minimum antar kedua himpunan.
Keterangan:
•µA = derajat keanggotaan x dari himpunan fuzzy A
•µB = derajat keanggotaan x dari himpunan fuzzy B
•µA[x] = derajat keanggotaan x dari himpunan fuzzy A pada aturan ke-i
•µB[y] = derajat keanggotaan x dari himpunan fuzzy B pada aturan ke-i
Contoh:
Jika A dan B adalah himpunan fuzzy pada Semesta U = {0,1, 2,..., 10} yang dinyatakan
dengan :
•A = {(0,0),(1,0),(2,0),(3,0.1),(4,0.3),(5,0.5),(6,0.7),(7,0.8),(8,0.9), (9,1),(10,1)}
•B = {(0,1),(1,1),(2,1),(3,1),(4,0.8),(5,0.6),(6,0.4),(7,0.2),(8,0), (9,0),(10,0)}
•maka hasil operasi himpunan,
∩
•A B = min(a,b); = {(0,0),(1,0),(2,0),(3,0.1),(4,0.3),(5,0.5),(6,0.4),(7,0.2),(8,0),(9,0),(10,0)}
Komplemen (NOT)
Operator NOT berhubungan dengan operasi komplemen pada himpunan, α -predikat
diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan dari 1
contoh :
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);
dari contoh operator not diatas, dapat dihitung nilai a–predikat untuk usia TIDAK MUDA
adalah:
Metode Fuzzy Tsukamoto yakni metode yang memiliki toleransi pada data dan sangat fleksibel.
Kelebihan dari metode Tsukamoto iniadalah bersifat intuitif dan dapat memberikan tanggapan
berdasarkan informasi yang bersifat kualitatif, tidak akurat, dan ambigu.
Metode Fuzzy Tsukamoto sangat cocok digunakan untuk menangani masalah yang bobotnya
bisa dikelompokkan menjadi sebuah himpunan tersendiri.
Logika fuzzy bisa digunakan di berbagai bidang, missal seperti pada sistem diagnosia penyakit
(dalam bidang kedokteran), riset operasi (dalam bidang ekonomi), pemodelan sistem pemasaran,
prediksi terjadinya gempa bumi, kendali kualitas air, klasifikasi dan pencocokan pola (dalam bidang
teknik), dll
Langkah Langkah dalam Penggunaan Algoritma Fuzzy Tsukamoto
•1.Mencari pakar yang sesuai dengan tema sistem yang akan dibuat.
•2.Mendapatkan data hipotesa, misal penyakit, kerusakan, dll.
•3.Mendapatkan data evidence tiap hipotesa.
•4.Mendapatkan bilangan himpunan fuzzy pada tiap evidence.
•5.Mendapatkan data rule / aturan dari pakar berdasarkan data.
•6.Setelah mendapat semua data yang dibutuhkan, langkah selanjutnya adalah menghitung data
tersebut kedalam teori Fuzzy Tsukamoto, sehingga menjadi hasil yang diharapkan.
PENGERTIAN FUZZY SUGENO
•Secara umum logika fuzzy sugeno adalah suatu logika yang digunakan untuk
menghasilkan keputusan tunggal / crisp saat defuzzyfikasi,
•Fuzzyfikasi
•Penerapan rule
defuzzyfikasi dan output
BENTUK UMUM HIMPUNAN FUZZY
•Orde-Nol
IF (X is A ) (X is A ) (X is A ) (X is A ) THEN z =k
dengan Ai adalah himpunan fuzzy ke-I sebagai anteseden, dan k adalah konstanta (tegas)
sebagai konsekuen
•Orde-satu
IF (X is A ) …. (X is A ) THEN z = p
dengan Ai adalah himpunan fuzzy ke-I sebagai anteseden, dan pi adalah suatu konstanta ke-I
dan q merupakan konstanta dalam konsekuen
Pembentukan himpunan fuzzy
1.Membership fuzzy segitiga
2.Membership trapesium
CONTOH
DEFUZZYFIKASI
1.Pembentukan himpunan fuzzy Variabel input maupun output dibagi menjadi satu atau lebih
himpunan
2.Aplikasi fungsi implikasi Fungsi implikasi yang digunakan adalah Min
3. Komposisi aturan Ada tiga metode yang digunakan dalam melakukan inferensi sistem fuzzy :
a. Metode Max
b. Metode Additive (SUM)
c. Metode Probabilistik OR
4. Penegasan (defuzzy) Input dari defuzzifikasi adalahsuatu himpunan yang diperoleh dari
komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkanmerupakansuatubilangan pada
domain himpunan fuzzy tersebut.
Model Mamdani