HIERARCHY PROCESS
Ikhtisar
Fuzzy Logic (Logika Fuzzy) atau biasa juga disebut dengan Logika Samar
merupakan suatu cara yang tepat untuk memetakan suatu ruang input ke dalam
suatu ruang output didasari oleh konsep himpunan fuzzy.
Diantara input dan output terdapat black box. Di dalam black box terdapat proses
yang tidak diketahui, bisa didekati dengan pendekatan sistem linear, ekonometri,
interpolasi, sistem pakar atau logika fuzzy, dan lain-lain. Namun, seperti yang
diungkapkan Lotfi Zadeh: ”Dalam hampir setiap kasus, cara fuzzy lebih cepat
dan lebih murah”.
Logika fuzzy sebagai komponen utama pembangun softcomputing, terbukti telah
memiliki kinerja yang sangat baik untuk menyelesaikan masalah-masalah yang
mengandung ketidakpastian. Implementasinya luas, baik di bidang engineering,
psikologi, social, dan juga bidang ekonomi.
Pengertian Fuzzy Logic
Fuzzy Logic adalah sebuah pendekatan untuk komputasi
berdasarkan "derajat kebenaran" daripada biasa "benar
atau salah" (1 atau 0) logika Boolean yang didasarkan
pada komputer modern.
Atau juga Logika fuzzy adalah suatu cara yang tepat
untuk memetakan suatu ruang input ke dalam suatu
ruang output.
Logika fuzzy diperkenalkan oleh Dr. Lotfi Zadeh dari
Universitas California, Berkeley pada 1965 atas usulan
dalam papernya yang monumental “Fuzzy Set”.
Dalam paper tersebut dipaparkan ide dasar fuzzy set
yang meliputi inclusion, union, intersection, complement,
relation dan convexity.
Sejarah Fuzzy LOgic
1965 Dalam papernya "Fuzzy Logic" oleh Prof. Lotfi
Zadeh, Fakultas Teknik Elektro, UC Berkeley,
Menentukan Pondasi "Teori Set Fuzzy“
1970 Aplikasi pertama Fuzzy Logic dalam Control
Engineering (Europe)
1975 Pengenalan Fuzzy Logic di Jepang
1980 Verifikasi Empiris Fuzzy Logic di Eropa
1985 Penerapan Luas Fuzzy Logic di Jepang
1990 Penerapan Luas Fuzzy Logic di Eropa
1995 Penerapan Luas Fuzzy Logic di U.S.
2000 Fuzzy Logic Menjadi Teknologi Standar dan juga
diterapkan dalam Data dan Analisis Sensor Signal.
Terutama Penerapan Fuzzy Logic dalam Bisnis dan
Keuangan.
ALASAN MENGGUNAKAN LOGIKA FUZZY
Dari gambar diatas yang merupakan himpunan dari DINGIN, SEDANG, dan
PANAS dapat dijelaskan bahwa:
Dari keterangan diatas dapat diambil kesimpulan bahwa
pemakaian himpunan crisp (tegas) untuk menyatakan suhu
sangat riskan, karena dengan adanya perubahan yang kecil
saja terhadap nilai mengakibatkan perbedaan kategori yang
cukup signifikan.
Maka dari itu, himpunan fuzzy digunakan untuk mengantisipasi
keadaan tersebut. Pengalokasian suhu dapat berada di dalam 2
himpunan yang berbeda. Misalnya suhu dapat berada di dalam
himpunan DINGIN dan SEDANG, SEDANG dan PANAS, dan
sebagainya. Dan seberapa besar nilai eksistensinya dalam
himpunan tersebut dapat dilihat dari nilai keanggotaannya.
Sehingga.
Atribut Fuzzy
Himpunan fuzzy memiliki 2 atribut (Kusuma Dewi,
2003)
A. Linguistik, yaitu penamaan suatu grup yang
mewakili suatu keadaan atau kondisi tertentu
dengan menggunakan bahasa alami, seperti:
DINGIN, SEDANG, PANAS
B. Numeris, yaitu suatu nilai (angka) yang
menunjukan ukuran dari suatu variabel seperti:
14, 15, 28
FUNGSI KEANGGOTAAN
Sedangkan linier turun, garis lurus dimulai dari nilai domain dengan derajat keanggotaan
tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat
keanggotaan lebih rendah dengan fungsi keanggotaan.
• Fungsi Keanggotaan Segitiga
Fungsi keanggotaan segitiga ditandai oleh adanya tiga parameter {a,b,c} yang akan menentukan koordinat x dari
tiga sudut. Kurva ini pada dasarnya merupakan gabungan antara dua garis lurus. Adapun persamaan untuk
bentuk segitiga ini adalah:
• Operator AND
Operator ini berhubungan dengan operasi interseksi pada himpunan. α-predikat sebagai
hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil
antara elemen pada himpunan-himpunan yang bersangkutan.
• Operator OR
Operator ini berhubungan dengan operasi union pada himpunan. α-predikat sebagai hasil
operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antara
elemen pada himpunan-himpunan yang bersangkutan.
• 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-himpunan yang bersangkutan dari 1.
Istilah-Istilah
• Fuzzification: definisi dari himpunan fuzzy dan
penentuan derajat keanggotaan dari crisp input
pada sebuah himpunan fuzzy
15
Fuzzyfication (1)
Sangat Sangat
pendek Pendek Sedang Tinggi tinggi
1.0
16
Fuzzyfication (2)
Sangat Sangat
pendek Pendek Sedang Tinggi tinggi
1.0
0.58
0.42
17
Fungsi Keanggotaan: Fungsi Linier
1.0 1.0
0 a b 0 a b
Domain Domain
[x]= 0; x a
[x]= (b-x)/(b-a); a x b
(x-a)/(b-a); a x b
0; x b
1; x b
18
Fungsi Keanggotaan: Segitiga
1.0
0 a b c
Segitiga
[x] = 0; x a atau x c
(x-a)/(b-a); a x b
(c-x)/(c-b); b x c
19
Fungsi Keanggotaan: Trapesium
1.0
0 a b c d
Trapesium
[x]= 0; x a atau x d
(x-a)/(b-a); a x b
1; b x c
(d-x)/(d-c); c x d
20
Fungsi Keanggotaan: Sigmoid
1.0
0 a b c
Sigmoid
[x;a,b,c]sigmoid = 0; x a
2 ((x - a)/(c - a))2; a x b
1 - 2((c - x)/(c - a))2; b x c
1; x c
21
Fungsi Keanggotaan: Phi
1.0
[x;a,b,c]phi = [x;c-b,c-b/2,c]sigmoid; x c
[x;c,c+b/2,c+b]sigmoid; x > c
22
Operasi Fuzzy
OR (Union) – AND (Intersection)
• Fuzzy union (): union dari 2 himpunan adalah maksimum dari tiap
pasang elemen element pada kedua himpunan
• Contoh:
– A = {1.0, 0.20, 0.75}
– B = {0.2, 0.45, 0.50}
– A B = {MAX(1.0, 0.2), MAX(0.20, 0.45), MAX(0.75, 0.50)}
= {1.0, 0.45, 0.75}
• Fuzzy intersection (): irisan dari 2 himpunan fuzzy adalah
minimum dari tiap pasang elemen pada kedua himpunan.
• contoh.
– A B = {MIN(1.0, 0.2), MIN(0.20, 0.45), MIN(0.75, 0.50)} = {0.2,
0.20, 0.50}
23
Complement
24
Contoh
Pengantar
Model Fuzzy Sugeno
Model Fuzzy Tsukamoto
Model Fuzzy Mamdani
27
Model Fuzzy Sugeno
28
Model Fuzzy Sugeno
Sugeno menggunakan konstanta atau fungsi matematika dari
variabel input:
IF x is A IF x is A
AND y is B AND y is B
THEN z is f(x, y) THEN z is k
29
Model Fuzzy Sugeno
Evaluasi Rule
1 1 1
A3 B1
0.1 OR 0.1
0.0
(max)
0 x1 X 0 y1 Y 0 k1 Z
0 x1 X 0 k3 Z
Rule 3: IF x is A1 (0.5) THEN z is k3 (0.5)
30
Model Fuzzy Sugeno
Komposisi
1 1 1 1
0.5 0.5
0.2
0.1 0.2 0.1
0 k1 Z 0 k2 Z 0 k3 Z 0 k1 k2 k3 Z
31
Model Fuzzy Sugeno
Defuzzifikasi
0 z1 Z
Crisp Output
z1
32
Model Fuzzy Sugeno: Contoh
33
L1: Fuzzification (1)
fungsi keanggotaan untuk tinggi
Sangat Sangat
pendek Pendek Sedang Tinggi tinggi
1.0
Ada 3 variabel fuzzy
yang dimodelkan: tinggi,
berat, sehat
0 40 45 50 55 60 65 80 85
34
L2: Rules Evaluation (1)
Tentukan rules
Tabel Kaidah Fuzzy
BERAT
Sangat Sangat
Kurus Biasa Berat
kurus berat
T Sangat
I pendek SS S AS TS TS
N
G Pendek S SS S AS TS
G
I Sedang AS SS SS AS TS
Tinggi TS S SS S TS
Sangat
tinggi TS AS SS S AS
35
L2: Rules Evaluation (2)
Contoh: bagaimana kondisi kesehatan untuk orang dengan tinggi
161.5 cm dan berat 41 kg?
Sangat Sangat
pendek Pendek Sedang Tinggi tinggi
1.0
0.7
0.3
36
L2: Rules Evaluation (3)
Sangat Sangat
kurus Kurus Biasa Berat berat
1.0
0.8
0.2
0 40 45 55
37
BERAT
Sangat
0.8 0.2 Biasa Berat
berat
T
I
Sangat
pendek SS S AS TS TS L2: Rules
N
G
G
Pendek S SS S AS TS
Evaluation (4)
I 0.7 AS SS SS AS TS
0.3 TS S SS S TS
Sangat
tinggi TS AS SS S AS
BERAT
Sangat
0.8 0.2 Biasa Berat
berat
Sangat
T SS S AS TS TS
Pilih bobot minimum I
pendek
38
L3: Defuzzification
Diperoleh:
f = {TS, AS, S, SS} = {0.3, 0.7, 0.2, 0.2}
39
Model Fuzzy Tsukamoto
• Karakteristik:
Konsekuen dari setiap aturan if-then fuzzy direpresentasikan
dengan himpunan fuzzy monoton
40
Model Fuzzy Tsukamoto
[A1] IF Permintaan BANYAK And Persediaan BANYAK
THEN Produksi Barang BERTAMBAH ;
[A2] IF permintaan SEDIKIT And persediaan SEDIKIT
THEN Produksi Barang BERKURANG ;
[A3] IF Permintaan SEDIKIT And Persediaan BANYAK
THEN Produksi Barang BERKURANG ;
[A4] IF permintaan BANYAK And persediaan SEDIKIT
THEN Produksi Barang BERTAMBAH ;
41
Contoh (2)
Permintaan; terdiri atas 2 himpunan fuzzy, yaitu BANYAK dan SEDIKIT
[x]
SEDIKIT BANY AK
1
0.75
0.25
0
0 1000 4000 5000
Permintaan (barang/hari)
Nilai Keanggotaan :
PmtSEDIKIT[4000] = (5000-4000)/(5000-1000)
= 0.25
PmtBANYAK[4000] = (4000-1000)/ (5000-1000)
= 0.75
42
Contoh (3)
Persediaan; terdiri atas 2 himpunan fuzzy, yaitu BANYAK dan SEDIKIT
[x]
SEDIKIT BANY AK
1
0.6
0.4
0
0 100 300 600
Persediaan (barang/hari)
Nilai Keanggotaan :
PsdSEDIKIT[300] = (600-300)/(600-100)
= 0.6
PsdBANYAK[300] = (300-100)/(600-100)
= 0.4
43
Contoh (4)
Produksi Barang
[x]
BERKURANG BERTAMBAH
1
0
0 2000 7000
Produksi Barang (barang/hari)
Nilai Keanggotaan :
1, z 2000
7000 z
Pr BrgBERKURANG [ z ] , 2000 z 7000
7000 2000
0, z 7000
0 z 2000
z 2000
Pr BrgBERTAMBAH [ z ] 2000 z 7000
7000 2000
1 z 7000
44
Contoh (5)
PERMINTAAN
B: 0.75 S: 0.25
PER
B: 0.4 Bertambah Berkurang
SE
DIAAN S: 0.6 Bertambah Berkurang
PERMINTAAN
B: 0.75 S: 0.25
PER B: 0.4 0.4 0.25
SE
DIAAN S: 0.6 0.6 0.25
PERMINTAAN
B: 0.75 S: 0.25
PER
B: 0.4 4000 5750
SE
DIAAN S: 0.6 5000 5750
45
Contoh
0 z 2000
z 2000
Pr BrgBERTAMBAH [ z ] 2000 z 7000
7000 2000
1 z 7000
46
Contoh (6)
Defuzzification: mencaria nilai z. Dapat dicari dengan metoda
centroid Tsukamoto :
Z 4983
47
Summary
• Ada 4 tahapan utama sistem pakar fuzzy:
fuzzifikasi, inferensi, komposisi, defuzzifikasi.
• Metoda yang paling banyak dipakai Sugeno.
• Menggunakan fungsi matematik atau konstanta.
• Sugeno: komputasi lebih efisien tetapi kehilangan
interpretabilitas linguistik.
48
Soal
Mengevaluasi mahasiswa berdasarkan GPA dan nilai
GRE
49
Fungsi Keanggotaan untuk GPA
50
Soal
P F G VG E
1.0
0 60 70 80 90 100
Decision
51
Soal
GRE
H M L
G
P
A H E VG F
M G G P
L F P P
52
Model Fuzzy Mamdani
Contoh: persoalan sederhana dengan 2 input,1 output
dan 3 rules
Rule: 1 Rule: 1
IF x is A3 IF project_funding is adequate
OR y is B1 OR project_staffing is small
THEN z is C1 THEN risk is low
Rule: 2 Rule: 2
IF x is A2 IF project_funding is marginal
AND y is B2 AND project_staffing is large
THEN z is C2 THEN risk is normal
Rule: 3 Rule: 3
IF x is A1 IF project_funding is inadequate
THEN z is C3 THEN risk is high
53
Mamdani fuzzy inference
Fuzzifikasi: menentukan derajat keanggotaan
input x1 dan y1 pada himpunan fuzzy
1 1 B1 B2
A1 A2 A3 0.7
0.5
0.2 0.1
0 0
x1 X y1 Y
(x = A1) = 0.5 (y = B1) = 0.1
(x = A2) = 0.2 (y = B2) = 0.7
54
Model Fuzzy Mamdani
Inferensi: apikasikan fuzzified inputs, (x=A1) =
0.5,
(x=A2) = 0.2, (y=B1) = 0.1 and (y=B2) = 0.7, ke
anteseden dari aturan fuzzy
55
Model Fuzzy Mamdani
1 1 1
A3 B1 C1 C2 C3
0.1 OR 0.1
0.0
(max)
0 x1 X 0 y1 Y 0 Z
Rule 1: IF x is A3 (0.0) OR y is B1 (0.1) THEN z is C1 (0.1)
1 1 1
0.7
C1 C2 C3
A2 0.2 B2 AND 0.2
(min)
0 x1 X 0 y1 Y 0 Z
Rule 2: IF x is A2 (0.2) AND y is B2 (0.7) THEN z is C2 (0.2)
1 1
A1 0.5 0.5 C1 C2 C3
0 x1 X 0 Z
Rule 3: IF x is A1 (0.5) THEN z is C3 (0.5)
56
Model Fuzzy Mamdani
Dua teknik yang umum digunakan untuk mengaplikasikan hasil
evaluasi anteseden ke fungsi keanggotaan konsekuen:
Degree of Degree of
Membership Membership
1.0 1.0
C2 C2
0.2 0.2
0.0 0.0
Z Z
clipping scaling
57
Model Fuzzy Mamdani
Composisi: agregasi keluaran semua rule ke dalam
himpunan fuzzy tunggal.
1 1 1
C1 C2 C3
0.5 0.5
0.2 0.2
0.1 0.1
0 Z 0 Z 0 Z 0 Z
z is C 1 (0.1) z is C 2 (0.2) z is C 3 (0.5)
58
Model Fuzzy Mamdani
Defuzzifikasi: konversi dari himpunan fuzzy yang
dihasilkan dari komposisi ke dalam crisp value.
x x dx
A
COG a
b
x dx
a
A
59
Model Fuzzy Mamdani
Centre of gravity (COG): mencari titik yang membagi
area solusi menjadi 2 bagian yang sama
Degree of
Membership
1.0
0.8
0.6
0.4
0.2
0.0
0 10 20 30 40 50 60 70 80 90 100
67.4 Z
60
Permasalahan
Nyata
Representasi Natural
Fuzzifikasi
defuzzifikasi
Solusi
Fuzzy AHP
Langkah-langkah dalam penentuan bobot (tingkat)
kepentingan kriteria dan alternatif ternormalisasi
menggunakan TFN adalah (Murtaza, 1999):
Tahapan pengolahan data dengan
menggunakan Fuzzy AHP
Tahapan pengolahan data dengan
menggunakan Fuzzy AHP
Representasi Segitiga
μ(x)
0
1 3 5 7 9
Kuesioner Perbandingan
Berpasangan
RS AR VOL BSH HAR KEM MRK KNT WRN
RS 1
AR 1
VOL 1
BSH 1
HAR 1
KEM 1
MRK 1
KNT 1
WRN 1
RS AR VOL BSH HAR KEM MRK KNT WRN
1 3 5 7 9
Konversi Bilangan Fuzzy
• Contoh :
RS dibanding AR : sedikit lebih penting
= (1, 3, 5)
AR dibanding RS = (1/5, 1/3, 1)
= (0.2, 0.33, 1)
Fuzzy pairwise comparison
Jika a = 0.5
F = 0.5* [0.5*0.75+0.18+(1-0.5)*0.05]
= 0.5 * 0.58 = 0.29