Catatan Kuliah Wiwi 3

7/21/2019 Catatan Kuliah Fuzzy.
pdf
MATERI PERKULIAHAN
Dosen Pengampu : Drs. Sri Mulyana, M.Kom
Editor:
MULYANTO
PROGRAM PASCA SARJANA ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2012
http://slidepdf.com/reader/full/catatan-kuliah-fuzzypdf 1/60
7/21/2019 Catatan Kuliah Fuzzy.pdf
Pertemuan 2
12/9/2012
Bentuk lain inferensi

pvq
p .
q
Cerita: Ada fakta-fakta:

Telah terjadi pembunuhan
- Terdapat banyak jejak di seluruh ruang
- Tidak ada barang yang hilang
Apa motif pembunuhan ? (Politik, pencurian, other)
Asumsi:
p : motif politik
q : motif pencurian
r : other motif
s : ada barang hilang
t : pembunuh segera pergi
u : banyak jejak kaki
Rule:
1. q  s
2. p  t
3. t  u
Inferensi
1. p v q v r (kesimpulan)
2. q  s
s q (MP)  p v r
q
r
3. t  u
(u) t (MT)  p
t
p  t
Himpunan Klasik & Himpunan Fuzzy

Himpunan: kmpulan obyek dengan syarat keanggotaan tertentu.
Penyajian:
- list A = {a, b, c, d, e}
- Syarat A = {x | x 5 abjad pertama}
Disimbolkan: x  A x anggota A

Y  A  y bukan anggota A
Universe (Semesta pembicaraan) , dilambangkan dengan V atau X : himpunan yang memuat semua
obyek yang dibicarakan.
Operasi Dasar Himpunan: A & B himpunan dalam semesta X

1. Union : A  B = {x  X | x  A atau x  B}
2. Irisan: A B = {x X | x A dan x B}
3. Complemen  : Ac ={{x| x  X
 dan x  A}
 - Ac = X – A
4. Differensi: A | B atau A – B = {x | x  A dan x  B}
5. Selisih simetri: A  B = (A  B) – (A  B) atau
A  B = (A – B)  (B – A)
Derajat Keanggotaan A (x)  {1, 0}

Dimana: A (x) = 1, x  A
0, x  A
Sifat-sifat operasi himpunan setara dengan logika

^  
v  
  C
deMorgan
(p ^ q) = p v q not(A  B) = not(A)  not(B)
(p v q) = p ^ q (A B)c = Ac  Bc
p ^ p = 0 A  Ac = Ø
p v  p = 1 A  Ac = X(S) tidak berlaku di fuzzy
Pembuktian A  B
A  B = (A  B) – (A  B)
= (A  B)  (A  B)c
= (A  B)  (Ac  Bc)
= {(A  B)  Ac}  {(A  B)  Bc}
= {(A  Ac)  (B Ac) }  {(A  Bc)  (B  Bc)}
= (B Ac)  (A  Bc)
= (B – A)  (A – B)
= (A – B)  (B – A)
Gambar himpunan keanggotaan

1 , a  x  b
x A (x) =
1
0, x < a atau x > b
A (x) : fungsi keanggotaan x pada himpunan A (membership function)

a b
Contoh:
1. X = {1, …, 8}
A = {x | x  4}
B = {x | x genap}  {2, 4, 6, 8}
 {1, 2, 3, 4} =
=

1
1
0
1
1
1
+ + + + + + +
2 3
0
+ + + + + + +
1
4
1
0
5
0
0
6
1
0
7
0
0
8
1


A  B = 
1
1
1
+ + + + + + +
2
1
3
1
4
0
5
1
6
0
7
1
1
8

2 3 4 5 6 7 8
Himpunan Fuzzy
X = semesta pembicaraan
Himpunan fuzzy A (A), suatu himpunan dengan A (x)  [0, 1]
Contoh:
A
1
0 2 4 6 8

Penyajian:
1 2
1. A = =  diskrit
   ∫ ⋯  
1 + 2 +
Kalo pak Yoyo nulisnya: A = {(x1, A (x1)), (x2, A (x2)), … }
Kalo kontinu : A =
( )

Fungsi keanggotaan yang biasa dipakai:
1 A (x) =
−−
0,

x<a
a  x < b
1, x  b
a b
−−
1, x<a
1
A (x) = a  x < b
0, x  b
a b
1
1

Inti dari membership function  nilai maksimum 1, nilai minimum 0.
Di Buku Wang ada membershift function “number close to zero”  gaussion function
-x2
= e
0 , x <-1 atau x  1

1
A (x) = x+1 , -1  x < 0
1 – x , 0  x < 1
-1 0 1
Operasi Himpunan Fuzzy

Himpunan semesta X
Didefinisikan himpunan fuzzy A, B pada X.
1. A B (x) = A(x) B(x) = min( A(x), B(x))
2.
3.  
AB (x) = A(x) 
= 1 - A(x)
B(x) = max( A(x), B(x))
Grafiknya:
A B A B A A
1 1 1

A  B A  B
Yang tidak berlaku Fuzzy, tapi berlaku di klasik.
A  Ac
A  Ac
Kalau pada klasik
1 A  Ā = X
A  Ā = Ø
Kalau pada Fuzzy
1 A  Ac  X
A  AC  Ø
Contoh:
x = {1, 2, 3, 4, 5}
Didefinisikan A = 2
0,5
1
+
0,5
3
0,7
+
0,3
4
0,2
+
0,2
5
0,4

  
B=
2
+
3
+
4
+
5

Tentukan : , , AB, AB, A – B, B – A, AB, A  , A  , B  , (A  B)C, (A  B)c    
  
Jawab:
=
=
1
1
1
+ +
+

0
2
0,5
+
0,5
3
0,3
+
+
0,7
4
+
0,8
+
0,8
5
0,6

1 2 3 4 5
0 0,5 0,5 0,2 0,2 0,5 0,5 0,2 0,2
AB = bisa ditulis

AB =
    
A – B = A  Bc =
1
1
2
+
2 + 3 + 4 +
+ 0,7
+
3 
0,3
+
0,4

4
0,5
+
5
0,3
+
5
0,3
+
0,2

2 + 3 + 4 + 5
   
B – A = B  A = c
2
2
0,5
+
3
0,5
3
+
4
0,2
4
0,5
+
5
0,4
5
0,5

0,3 0,4
 
A  B = (A – B)  (B – A) =
A  =
A  =
 0,5
2
1
+
+ +
1
0,3
3
+
0,5
0,3
4
+
+
0,8
0,2
5
+
2

0,6
+

3
+
4
+
5

1 2 3 4 5
0,5 0,2 0,4
B  = + +
3 4 5
C 1 0,7 0,3 0,4 1 0 0,3 0,7 0,6
(A  B) = 1 – 2 + 3 + 4 + 5 = 1 + 2 + 3 + 4 +
           
(A  B)c = 1 -
1
= Ac  Bc = + +
0 0,3
+
0,7
+
0
0,6
+
(prove)
1
0,5
+
2
0,5
+
3
0,2
+
4
0,2
=
5
1
+
0,5
+
0,5
+
5
0,8
+
0,8

 
= Ac  Bc =
1 2
1
1
+
3
0,5
2
+
4
0,5
3
+
5
0,8
4
+
0,8
1
5

2 3 4 5
Pembuktian bahwa A  Ac  Ø

A  Ac =
A  Ac =
    0,5
1
3
+

+ +
1
0,3
4
+
0,5
0,2
5
+
 Ø
0,7
+
0,8
 X =
1
+ + + +
1 1 1 1

1 2 3 4 5 1 2 3 4 5
Contoh untuk yang kontinu

anak muda tua
1
usia
10 15 45 50 60

A (x) =
1
15 −
5
, x < 10
, 10  x < 15
0 , x  15
0 , x < 10
(x) = 10 , 10  x < 15
  −
1
5
, x  15
 (x) =
−
0
5
10
, x < 10 atau x  50
, 10  x < 15
1
50− 5
, 15  x < 45
, 45  x < 50
 (x) =
1
15− 5
, x < 10 atau x  50
, 10  x < 15
−
0
5
45
, 15  x < 45
, 45  x < 50
0 , x < 45
T (x) =
−
1
45
15
, 45  x < 60
, x  60
 (x) =
1
60
0
− 15
, x < 45
, 45  x < 60
, x  60
anak muda tua
1
AM (x) =
−
0
10
, x < 10 atau x  15
, 10  x < 12,5
usia
15−
5
5
, 12,5  x < 15
10 15 45 50 60
1
anak muda tua
MT (x) =
−
0
5
10
, x < 10
, 10  x < 15
1
50− , 15  x < 45
, 45  x < 48,75
10 15 45 50 60
usia
− 5
45
15
, 48,75 x < 60
1 , x  60
Fuzzy Relations
Relasi fuzzy melibatkan dua buah himpunan yang saling berelasi. Misal usia dengan kekuatan.
Konsep-konsep dasar himpunan Fuzzy

Support dari himpunan A adalah yang memiliki fungsi keanggotaan A (x) > 0.
Supp (A) = { x  U | A (x) > 0 }
Contoh : (di Wang) several =  0,5
3
Supp (several) = { 3, 4, 5, 6, 7, 8 }
+
0,8
4
+ + +
1
5
1
6
0,8
7
+
0,5
8


Konsep lain: alpha cut (cut)

cut (A) = { x  U | A (x)   }
Misalnya: untuk  = 0,7 maka several  = {4, 5 , 6 ,7}
Pada fuzzy yang kontinu.
1 Jika  = 0,1 maka A = [-0,9 ; 0,9]

Jika  = 0,9 maka A = [-0,1 ; 0,1]
-1 0 1
Pertemuan 3 (19 September 2012)

Standard Zadeh
µAB (x) = max (µ A (x), µB (x))
µAB (x) = min (µA (x), µB (x))
= 1 - µ A (x)
 
Operator-operator yang lain:
Fuzzy Complement, yang penting memenuhi 2 syarat pokok. Fuzzy complement merupakan komplemen
jika memenuhi aksioma-aksioma:
i) C(0) = 1 dan C(1) = 0 (boundary condition)
ii) a, b  [0, 1] jika a ≤ b maka C(a) ≥ C(b) (non increasing condition)
Contoh:
µA (x1) = 0,5
µA (x2) = 0,2
1 = 0,5
     
, x2 < x1
2 > 1
= 0,8
  
2
Berdasarkan aksioma di atas, berikut termasuk complement:

1. Sugeno Complement
C (a) =
1− ,   (-1, )
1+
Kalau: a = 0,2
b = 0,4
 =
=
−
1 0,2
−
1+0,2
1 0,4

−−
1+0,4
1
2. C (a) = ,   [0, 1]
Jika: a = 0
+ 1
=
 −  
0+
1 0
1 0
= = 1
a=1 = 0 = 0
3. Yager Complement  =
1+
1 1
−−  
1 1 1
C(a) = (1 – a)1/
a=0
a=1
 ,   (0, )
 = (1 – 0)1/ = 1
 = (1 – 1)1/ = 0
Contoh:
1. x : {1, 2, 3, 4, 5}
A=
B=
 1
0
0
+ +
+
1
2
0,5
+
0,5
3
0,7
+
+
0,3
4
0,2
+
+
0,2
5

0,4

1 2 3 4 5
Tentukan A-B, B-A, dengan menggunakan C Sugeno  = 2! (standard himpunan)
=
   −−
B =
=
(1 0)/(1+2.0)
1
1
0
2
1
0,25
+ +
3
(1 0)/(1+2.0)
+ (1
+
+
0,44
4
−
− 5
1)/(1+2.1)
+
2
0,57
(1 0,5)/(1+2.0,5)

+ (1
+
− 0,5)/(1+2.0,5)
−
3
(1 0,7)/(1+2.0,7)
+ (1
+
− 0,3)/(1+2.0,3)
−
4
(1 0,2)/(1+2.0,2)
+ (1
+
− 0,2)/(1+2.0,2)
−
5
(1 0,4)/(1+2.0,4)

 
=
1
1
A – B = A  Bc =
+
1
0,25
2
+
0,125
3
min (0,1)
4
+
0,57
+
2
+
5
0,33
min (1,0.25)

+
3
min (0.5,0.125)
+
min (0.3,0.57)
4
+
min (0.2,0.33)
5


 =
0
+
1
0,25
+
0,125
2
+
0,3
+
0,2

3 4 5

B – A = B  Ac =
=
1
min (0,1)
0
1
0
2
+
0,25
3
min (0.5,0)
2
0,2
4
0,4
+
5
min (0.7,0.25)

3
+
min (0.2,0.44)
4
+
min (0.4,0.57)
5

 1 + + 2 3 +
Untuk yang gabungan (union), misalkan akan diperiksa apakah hukum de Morgan berlaku jika
menggunakan Sugeno Complement dengan  = 2?
4 + 5

Contoh:
(A  B)c = Ac  Bc
A=
B=
 0
1
0
+ +
+
1
2
0,5
+
0,5
3
0,7
+
+
0,3
4
0,2
+
+
0,2
5
0,4


Ac =
Bc =
 1
1
1
1
+ +
+
2
0
2
0,25
+
3
3
0,25
0,125
+
4
0,44
+
4
+
0,57
5
0,57
+
5


0,33

1 2 3 4 5
  −
(A  B) =
(A  B) = c
0
1
+ +
2
1
3
(1 0)/(1+2.0)
4
0,7
+
0,3
+
+
5
− 
0,4
(1 1)/(1+2.1)

+
−
(1 0,7)/(1+2.0,7)
+
−
(1 0,3)/(1+2.0,3)
+
−
(1 0,4)/(1+2.0,4)


 =
=
1/1
1
1
+ +
+
0
1
0/3
2
+
0,125
0,3/2,4
+
3
0,44
+
+
2
0,7/1,6
4
0,33
 
+
0,6/1,8
5

3 4 5
c
A  B =  c
=
1
1
2
min (1,1)
+ +
1
0
+
0,125
3 4
min (0,0.25)
+
2
0,44
+
+
0,33
5
min (0.25,0.125)

3
+
min (0.44,0.57)
4
+
min (0.57,0.33)
5

1 2 3 4 5
Dengan menggunakan komplemen Sugeno dan union/intersection standard, hukum de Morgan tetap
berlaku.
(A  B) =
(A  B)c =
 −0
1
+
2
0,5
3
(1 0)/(1+2.0)
+
4
0,5
5
+
(1 0,5)/(1+2.0,5)
0,2
+
+
−
0,2

+
−
(1 0,5)/(1+2.0,5)
+
−
(1 0,2)/(1+2.0,2)
+
−
(1 0,2)/(1+2.0,2)


=
=
 1/1
1
1
+
+
0,25
1
0,5/2
2
+
+
0,25
0,5/2
+
3
0,57
+
+
2
0,8/1,4
4
0,57
+
 
0,8/1,4
5

3 4 5
1 2 3 4 5
10
Ac  Bc =
=
max (1,1)
1
+
1
0,25
+
+
max (0,0.25)
0,25
+
2
0,57
+
+
0,57
max (0.25,0.125)


3
+
max (0.44,0.57)
4
+
5

max (0.57,0.33)

1 2 3 4 5
Relasi / Fungsi
C : [ 0, 1 ]  [ 0, 1 ] complement
Union (S-Norm)
S : [ 0, 1 ] x [ 0, 1 ]  [ 0, 1 ]
Union dari himpunan fuzzy dengan himpunan fuzzy menghasilkan sebuah himpunan fuzzy.
µA (x) dan µB (x)  µAB (x)
Pemetaan fungsi keanggotaan himpunan A dan himpunan B ke fungsi keanggotaan A  B dinyatakan:
S (µA (x), µB (x)) = µAB (x)
Suatu fungsi S merupakan fungsi union (S-norm) jika memenuhi aksioma-aksioma sebagai berikut:
1. S(1, 1) = 1, S(0, a) = S(a, 0) = a (boundary condition)
2. S(a, b) = S(b, a) (comutative condition)
3. Jika a ≤ a’ dan b ≤ b’ maka S(a, b) ≤ S(a’, b’) (non decreasing condition)
4. S(S(a, b), c) = S(a, S(b, c)) (assosiative condition)
Beberapa fungsi yang memenuhi S-Norm

1. Dombi Class
− − − −− 

1
S(a, b) = 1 ,   [ 0, ]
1 1
1+ 1 + 1
2. Dubois-Prade Class

S(a, b) =
 −− − −  −
+
max (1
min ( , ,1
,1 , )
)
,   [ 0, 1]
3. Yager Class
1
S (a, b) = ,   [ 0, ]
4. Drastic Sum    
a, jika b = 0
SDS (a, b) = b, jika a = 0
1, +
1, others
5. Einstein Sum
SES (a, b) =
 
1+
+

6. Algebraic Sum
S AS (a, b) = a + b – ab
7. Zadeh – Standard
S (a, b) = max (a, b)
Contoh:
A=
B=

x = {1, 2, 3, 4, 5}
1
0
0
+ +
+
1
2
0,5
0,5
3
+
0,7
+
+
0,3
4
0,2
+
0,2
+
5
0,4


1 2 3 4 5
11
Drastic Sum
SDS (x) = 
0
1
1
+ + + +
2
1
3
1
4
1
5

Algebraic Sum
SAS (x) =
 − ∗  − ∗  − ∗  − ∗  − ∗
0+0
1
(0 0)
+
1+0,5
2
(1 0,5)
+
0,5+0,7
3
(0,5 0,7)
+
0,3+0,2
4
(0,3 0,2)
+
0,2+0,4
5
(0,2 0,4)

0 1 0,85 0,44 0,52
=

1 +2+
Pertemuan 4 (26 September 2012)

3 + 4 + 5
 
Untuk sembarang S-norm, berlaku:
max (a, b) ≤ S (a, b) ≤ SDS (a, b)
Pembuktian:
1. Max (a, b) ≤ S (a, b)
Menurut aksioma 1 dan 3
S (a, b) ≥ S (a, 0) = a
Juga
S (a, b) = S (b, a) ≥ S (b, 0) = b
Dari (1) dan (2) diperoleh: S (a, b) ≥ max (a, b)
Atau max (a, b) ≤ S (a, b)
2. Drastic Sum menyatakan a jika b = 0, b jika a = 0, 1 untuk yang lain.

S (a, b) ≤ SDS (a, b)
Di matematika, dikenal dengan pembuktian berdasarkan kasus:
o Jika b = 0, S(a, b) = S (a, 0) = a, sehingga S(a, b) = S DS (a, b) = a
o Jika a = 0, S(a, b) = S (0, b) = b, sehingga S(a, b) = S DS (a, b) = b
o Jika a  0, b  0, sehingga SDS (a, b) = 1 ≥ S (a, b)
Dari ketiga kondisi di atas, diperoleh S (a, b) ≤ SDS (a, b)
Fuzzy Intersection (T-Norm)

t : [ 0, 1 ] x [ 0, 1 ]  [ 0, 1 ]
Pemetaan fungsi keanggotaan fuzzy A dan B ke fungsi keanggotaan himpunan fuzzy A  B
t (µA (x), µB (x)) = µAB (x)
Yang sudah dikenal sebelumnya (standard Zadeh)
µAB (x) = min (µA (x), µB (x))
Aksioma-aksioma pada t-norm

1. t(0, 0) = 0, t(1, a) = t(a, 1) = a (boundary condition)
2. t(a, b) = t(b, a) (comutative condition)
3. Jika a ≤ a’ dan b ≤ b’ maka t(a, b) ≤ t(a’, b’) (non decreasing condition)
4. t(t(a, b), c) = t(a, t(b, c)) (assosiative condition)
12
Beberapa fungsi yang memenuhi t-norm

1. Dombi Class
−  −   
1
t(a, b) = 1 ,   [ 0, ]  pembuktian pake pendekatan limit
1 1
1+ 1 + 1
2. Dubois-Prade Class

t(a, b) =
.
   
max ( , , )
,   [ 0, 1]
3. Yager Class
Tw (a, b) = 1
,   [ 0, ]
−  −  − 
1, 1 + 1 1/

4. Drastic Product

a, jika b = 1
tDS (a, b) = b, jika a = 1
0, others
5. Einstein Product
tEP (a, b) =
6. Algebraic Product

2 ( +
.
−  −
 )

tAP (a, b) = a.b
7. Zadeh – Standard
t (a, b) = min (a, b)
Untuk sembarang t-norm, berlaku:

tDP (a, b) ≤ t (a, b) ≤ min (a, b)
Bukti:
1. tDP (a, b) ≤ t (a, b)
Jika b = 1, t (a, b) = t (a, 1) = a sehingga t (a, b) = t DP (a, b) = a
Jika a = 1, t (a, b) = t (1, b) = b sehingga t (a, b) = t DP (a, b) = b
Jika a  1, b  1 sehingga tDS (a, b) = 0 ≤ t (a, b)
2. t (a, b) ≤ min (a, b)
Menurut aksioma 1 dan 3
t (a, b) ≤ t (a, 1) = a (1)
Juga
t (a, b) = t (b, a) ≤ t (b, 1) = b (2)
Dari (1) dan (2) diperoleh: t (a, b) ≤ min (a, b)
Atau min (a, b) ≥ t (a, b)
Contoh:
A=
B=

x = {1, 2, 3, 4, 5}
1
0
0
+ +
+
1
2
0,5
0,5
3
+
0,7
+
+
0,3
4
0,2
+
+
0,2
5
0,4


1 2 3 4 5
13

Standard Zadeh
µAB (x) =
=
min (0,0)
0
1
+
0,5
+
+
0,5
min (1,0.5)
+
2

0,2
+
+
0,2
min (0.5,0.7)

3
+
min (0.3,0.2)
4
+
5

min (0.2,0.4)

1 2 3 4 5
Algebraic Product
µAB (x) = + (1 20,5) + (0,530,7) + (0,340,2) + (0,250,4)
 ∗  ∗ ∗  ∗ ∗ 
=
0
1
0 0
1
+
0,5
2
+
0,35
3
+
0,06
4
+
0,08
5


Drastic Product
µAB (x) =
0
1
+
0,5
2
0
+ + +
3
0
4
0
5

   ∩ 
∪
Hukum de Morgan
=
Jika diterjemahkan dalam bentuk Fuzzy
, = ,
Contoh: Buatlah dengan Yager Class dan Algebraic Sum/Product menggunakan C Standar
 − −  − 
Yager Class : Sw (a, b) =
tw (a, b) = 1
,
1,
1,
+
1
1

+ 1 1/

     

, =
= 1 –
,
1, +
1

Algebraic Sum : SAS (a, b) = a + b – ab

Product : tAP (a, b) = a.b
C(a) = 1 – a
C(b) = 1 – b
= (1 – a) (1 – b) = 1 – a – b + ab
 
Contoh:
,
,
= 1 – (a + b – ab) = 1 – a – b + ab
Buatlah    

, = , dengan Algebraic Sum/Product menggunakan C Standard.
 
tAP (a, b) = a.b
,
C(a) = 1 – a
= 1 – a.b
C(b) = 1 – b
, = (1 – a) + (1 – b) – (1 – a) * (1 – b)
= 2 – a – b – (1 – a – b + ab)
  = 1 – ab
14
Relasi Fuzzy
Relasi : cara mengkawankan
A B

Cartesian Product untuk dua himpunan A dan B

A x B = { (x, y) |  x  A,  y  B }
Pada keanggotaan biner, relasi dari A ke B = subset dari A x B
Misal: A = {1, 2}, B = {a, b}
A x B = { (1, a), (1, b), (2, a), (2, b) }  R = { (1, a), (2, b)
B x A = { (a, 1), (a, 2), (b, 1), (b, 2) }  S = { (a, 2), (b, 1)
A x A = A2 = { (1, 1), (1, 2), (2, 1), (2, 2)}
Jika A  B maka A x B  B x A

Syarat keanggotaan klasik  µR (x, y)  { 0 , 1 }
Ditulis: 1 , (x, y)  R
µR (x, y) =
0 , (x, y)  R
Misal:
A = {1, 2, 3}, B = {a, b, c}
= 1
(1, )
+
1
 
R = { (1, b), (3, b), (2, c) }
(3, )
+
1
(2, )

Dalam bentuk gambar:

1 a
2 b
3 c
A B

Kalau di Fuzzy  µR (x, y)  [ 0, 1 ]
Tidak hanya pada semesta yang diskrit, bisa juga didefinisikan pada semesta yang kontinu.
Sembarang relasi biner A ke A atau B ke B
UA = A x A (univers semesta pembicaraan)
IA = { (x, y) | x = y,  x, y  A }  I : Identitas
Misal : A = {0, 1, 2}
UA = { (0, 0), (0, 1), (0, 2), (1, 0), (1, 1), (1, 2), (2, 0), (2, 1), (2, 2) }
IA = { (0, 0), (1, 1), (2, 2) }
15
Misalkan suatu relasi : S = { (x, y) | y ≥ 2x, x, y  R }
Semua sifat pada himpunan juga berlaku pada relasi.

Misalkan R dan S adalah relasi. Maka berlaku:
R  S, R  S, Rc, Sc
Sifat-sifat relasi:
Didefinisikan relasi R, S pada X, Y.
R  X x Y (subset dari X x Y)
S  X x Y (subset dari X x Y)
Maka:
R  S  µRS (x, y) = S (µR (x, y), µS (x, y)) = max (µ R (x, y), µ S (x, y)) (standard zadeh)
Contoh:
  
R  S  µRS (x, y) = t (µ R (x, y), µS (x, y)) = min (µR (x, y), µS (x, y))
Rc =  , = C (µR (x, y)) = 1 - µR (x, y)
A = {1, 2, 3}, B = {a, b, c}

(standard zadeh)
(standard zadeh)
R = { (1, b), (3, b), (2, c) }

S = { (1, a), (2, b), (1, b), (3, e) }
R  S = { (1, a), (1, b), (2, b), (2, c), (3, b), (3, e) }

R  S = { (1, b) }
= semua anggota semesta yang bukan relasi R. (Semesta = U = A x B)
Komposisi Relasi
1 a x
2 b y
3 c z
A B C

Relasi langsung dari A ke C  T = R  S
Misalkan kita mempunyai R : relasi dari semesta X ke Y dan
S : relasi dari semesta Y ke Z
Maka relasi T yang merealisasikan dari X ke Z disebut komposisi relasi.
Contoh :
R S
R = { (x1, y1), (x1, y3), (x2, y4) }
1
1 1
S = { (y1, z2), (y3, z2) }
2
2
Apa relasi T dari X ke Z ?
3 2
3 T = R  S
4
Kita bisa menggunakan 2 buah metode:
X Y Z
1. Max-Min Komposisi relasi
2. Max – Product komposisi relasi
16
      
Jika digambarkan secara membership function
1 2 3 4 1 2
     
1 1
R = 2 0 0
3 0
0
0
1 0
0 1 S=
0 0
1 0 1
2 0 0

3 0 1
4 0 0

T (x1, z1) =
 

 
=
=

 
 
    
1 , ,
1,0 ,
0,0,0,0
, 1
0,0 , 1,0 , 0,0
 
=0
         
         

T (x1, z2) = 1, , , 2
= 1,1 , 0,0 , 1,1 , 0,0
= 1,0,1,0
=1
Dan seterusnya, sehingga diperoleh:
1 2
T=
   
1
2
3
0
0
0
01
0
17
Pertemuan 5 (3 Oktober 2012)
Pada logika Crisp

T = R  S
µT (x, z) = , ,  max – min
µT (x, z) =  max – product
Relasi Fuzzy ∈ ∘
∧  , ,
Relasi crisp tidak akan dapat merepresentasikan dengan baik untuk kasus sebagai berikut:
X = {SF, HK, TKY} , Y = { Boston, HK }
R : x  R sangat jauh (very var)
  
Misal :

0,3 0,9
R= 1 0
0,95 0,1
Kalau
Kalau di
di crisp
fuzzy  relasi adalah
 relasi
adalah subset dari Ax B
 A x B itu sendiri
Relasi Fuzzy: Q = { ((u 1, u2, ..., un), µQ (u1, u2, ..., un)) | (u1, u2, ..., u n)  U1 x U2 x ... x Un }
Dimana µQ (u1, u2, ..., un)  [0, 1]
Misal: A : himpunan fuzzy pada semesta X

B : himpunan fuzzy pada semesta Y
Jadi R : A  B adalah A x B maknanya A x B = R (X x Y), dengan µ R (x, y) = min (µ A (x), µB (y))
Contoh:
X = {x1, x2, x3}, Y = {y1, y2}
0,2 0,5 1
A= + +
1 2 3
B=
  
0,3
1
+
0,9
2


 
1 2
R =
1 min (0.2,0.3)
2 min (0.5,0.3)
min( 1,0.3)
min (0.2,0.9)

min (0.5,0.9)
min (1, 0.9)
    
3
1 2
1 0,2 0,2
=

2 0,3
3 0,3
Komposisi Relasi Fuzzy

0,5  Relasi Fuzzy
0,9
Misal: diberikan 2 relasi S (x, y) dan T (y, z) maka komposisi relasi dinyatakan S  T adalah relasi pada X x
Z dengan fungsi keanggotaan µST (x, z) = max t (µS (x, y), µT (y, z)), dimana t = t-norm.
Contoh:
X = {x1, x2, x3}, Y = {y1, y2}, Z = { z1, z2 }
A=
  
0,2
1
+
0,5
2
+
1
3

B=
 
0,3
1
+
0,9
2

18
C=
 
1
1
R1 : A  B
+
0,5
2

R2 : B  C
1
 0,2
1 2
0,2

R1 = 2 0,5
 
3
0,3
0,3
 
0,9
R2 = 
1

0,3
2 0,9
1 2
0,3
0,5

µR1R2 (x1, z1) = max (min (µR1 (x1, y1), µR2 (y1, z1) ), min (µR1 (x1, y2), µR2 (y2, z1) ))

0,2
R1  R2 = 0,3
0,3
 
0,2
0,5 
0,9
0,3
0,9
0,3
0,5

max min 0.2,0.3 ,min 0.2,0.9 max min 0.2,0.3 ,min 0.2,0.5
= max min 0.3,0.3 ,min 0.5,0.9
 0,2
= 0,5
         
max min 0.3,0.3 ,min 0.9,0.9
0,2
0,5
max min 0.3,0.3 ,min 0.5,0.5
max min 0.3,0.3 ,min 0.9,0.5
0,9 0,5
Diketahui:
R : A  A Tentukan R  R
A=
  
0,2
1
+
0,5
2
+
1
3

0,2 0,2 0,2 0,2 0,2 0,2 0,2 0,2 0,2
R  R = 0,2 1  0,2 1 = 0,2

0,2

Contoh di Wang    
0,5
0,5 0,5 0,2 0,5
0,5 0,5 0,2 0,5
0,5 0,5
1 =
    0,3

0,9

P (very far) : U  V

   1
0,95
0
0,1
Q (very near) : V  W

   0,95
0,1

0,1
0,9

P  Q = ? – Min
 Max
 
        
        

0.3,0.95 ,
  0.9,0.1 0.3,0.1 ,

  
0.9,0.9
        1,0.95 ,

0.95,0.95 ,
0,0.1
0.1,0.1
1,0.1 ,
0.95,0.1 ,
0,0.9
0.1,0.9 
19
  

0,3

0,9


=
 0,95
0,95
Max – Product
0,1
0,1
 

     

0.285,0.09 0.03,0.81
0.95,0 0.1,0
0.9025,0.01 0.095,0.09
   

0,285

0,81

=
 0,95
0,9025
0,1
0,095
Sifat-Sifat Relasi pada Himpunan Crisp

Diberikan A : himpunan.
Didefinisikan Relasi R : A  A (A2). Berikut sifat-sifat relasi:
1. Reflektif, x  A, x R x

a b c d
a 1
b 1
c 1
d 1
2. Simetris, x, y  A, jika x R y maka y R x
a b c d
a 1 1 1
b 1
c 1 1
d 1 1
3. Transitif,  x, y, z  A, jika x R y dan y R z maka x R z
Jika hanya memenuhi (a) refleksif dan (b) simetris maka disebut relasi tolerans, sedangkan jika
ditambahkan (c) transitif maka disebut relasi ekuivalensi .
20
Relasi tolerans bisa diekuivalensikan dengan melakukan komposisi relasi terhadap dirinya sendiri
(n-1)
maksimum (n-1) kali.  R1 = R1  R1  ...  R1 (sebanyak n-1 kali)
Contoh:

1 1
1 2
1
3
0
4
0 0
5
2 1 1 0 0 1
R1 = 3 0 0

4 0
5 0  0
0
1
1
0
0
0
1
0
0
1
Sifat: reflektif, simetris, tetapi tidak transitif
(x1, x2)  R dan (x2, x5)  R tetapi (x1, x5)  R tidak transitif
1 1 0 0 0 1 1 0 0 0
1 1 0 0 1 1 1 0 0 1
R1  R1 = 0 0 1 0 0  0 0 1 0 0
0 0 0 1 0 0 0 0 1 0
0 1 0 0 1 0 1 0 0 1
1 1 0 0 1
1 1 0 0 1
2
= 0 0 1 0 0 = R1  ekuivalens.
0
1
0
1
0
0
1
0
0
1
Bagaimana pada relasi fuzzy?
Relasi fuzzy merupakan relasi ekuivalensi jika:
1. Reflektif : (xi, xi)  R, µR (xi, xi) = 1
2. Simetris : µR (xi, x j) = µR (x j, xi)
3. Transitif : µR (xi, x j) = 1 dan µR (x j, xk) = 2 maka µR (xi, xk) =  dengan  ≥ min (1, 2)
Seperti pada relasi crisp, jika relasi fuzzy bersifat reflektif dan simetris (toleran), maka dapat dibawa ke
ekuivalensi :
R1(n-1) = R1  R1  ...  R1
Contoh:
1 0,8 0 0,1 0,2
0,8 1 0,4 0 0,9
Diberikan R = 0 0,4 1 0 0
0,1 0
0,2 0,9 0 0,5 1
0 1 0,5
Refleksif & simetris tetapi tidak transitif.


µR (x1, x2) = 0,8

µR (x2, x5) = 0,5

µR (x1, x5) = 0,2 ≥ min (0.8; 0.5)  salah, tidak transitif.
1 0,8 0 0,1 0,2 1 0,8 0 0,1 0,2

0,8 1 0,4 0 0,9 0,8 1 0,4 0 0,9
R  R = 0 0,4 1 0 0  0 0,4 1 0 0

0,1
0,2
0
0,9
0
0
1
0,5
0,5
1  0,1
0,2
0
0,9
0
0
1
0,5
0,5
1 
21
1 0,8 0,4 0,2 0,8

0,8 1 0,4 0,5 0,9
= 0,4 0,4 1 0 0,4

0,2
0,8
0,5
0,9
0
0,4
1
0,5
0,5
1 
µR (x1, x2) = 0,8
µR (x2, x4) = 0,5
µR (x1, x4) = 0,2 ≥ min (0.8; 0.5)  salah, tidak transitif.
1 0,8 0,4 0,2 0,8 1 0,8 0,4 0,2 0,8

0,8 1 0,4 0,5 0,9 0,8 1 0,4 0,5 0,9
R  R = 0,4 0,4 1 0 0,4  0,4 0,4 1 0 0,4

0,2
0,8
1
0,5
0,9
0,8
0
0,4
0,4
1
0,5
0,5
0,5
1
0,8
 0,2
0,8
0,5
0,9
0
0,4
1
0,5
0,5
1 
0,8 1 0,4 0,5 0,9
= 0,4 0,5

0,5
0,8
0,4
0,5
0,9
µR (x1, x2) = 0,8
1
0,4
0,4
0,4
1
0,5
0,4
1 
µR (x2, x3) = 0,4
µR (x1, x3) = 0,4 ≥ min (0.8; 0.4)  benar, transitif.
22
Pertemuan 6 (10 Oktober 2012)

VARIABEL LINGUISTIK DAN ATURAN FUZZY
Variabel Linguistik: variabel yang bisa dinyatakan dengan bahasa alami. Contoh: suhu, tekanan udara,
berat.
Variabel linguistik merupakan dasar representasi pengetahuan.
Zadeh : (X, T, U, M)
X : nama variabel linguistik
T : Himpunan Fuzzy linguistik
U : Domain variabel linguistik
M : Aturan bagi masing-masing fuzzy-nya ( membership function untuk T )
Contoh:
X : kecepatan mobil
T : { lambat, sedang, cepat }
U : [ 0, Vmax] = [ 0, 120 ]
M : { µlambat (x), µsedang (x), µcepat (x) }
y
lambat sedang cepat
µlambat (x) =
1
60
20
−
, x ≤ 40
, 40 ≤ x ≤ 60
0 , x ≥ 60
µsedang (x) =
−
0
40

, x ≤ 40 atau x ≥ 80
, 40 ≤ x ≤ 60
40 60 80 120
x
80−
20
20
, 60 ≤ x ≤ 80
0 , x ≤ 60
60
µcepat (x) = , 60 ≤ x ≤ 80
20
1 , x ≥ 80
−
Istilah-istilah pada variabel linguistik:
- Primary term: lambat, sedang, cepat
- Combination term: lambat dan sedang, lambat dan tidak cepat, sedang atau cepat
- Hedges term (penyangatan): sangat (very), agak (rather)
 Sangat/very (x) 
 Agak / rather 
 

2

Ada juga yang mendefinisikan fungsi tersendiri untuk ‘sangat’ dan ‘agak’.
y
lambat cepat
Sangat Sangat
lambat cepat
x
40 60 80 120

23
Kombinasi:
- sangat lambat dan agak cepat
-
    
Tidak sangat cepat
2
,
2
1-
Contoh:
 

U = { 1, 2, 3, 4, 5 }
µkecil (x) =
1
1
µ agak kecil (x) =
+
0,8
1
2
 
+
+
3
0,89
0,6
+
+
4
0,4
0,77
+
+
0,2
5
0,63

+
0,45


µ tidak kecil (x) =
µsangat tidak kecil (x) =
1
0
1
 
+
2
0
2
0,2
+
+
3
0,04
0,4
3
+
+
0,6
4
0,16
4
+
+
0,8
5
0,36

5
+
0,64

1 2 3 4 5
Aturan Fuzzy
IF < proposisi fuzzy > THEN < proposisi fuzzy >
Proposisi fuzzy :
- Atomic : bisa dieksekusi secara langsung dengan atomic function
X is A
µA (x) = ?
- Compound/majemuk :
 Jika pake AND (intersection) gunakan membership function t-norm
 Jika pake OR (union) gunakan membership function s-norm
 Jika pake NOT gunakan fuzzy complement
Untuk proposisi fuzzy yang compound bisa berasal dari linguistik / domain yang berbeda.
Misal: kecepatan angin + kelembaban udara  curah hujan.

Misalkan: x, y variabel linguistik pada V dan W
A, B himpunan fuzzy pada V dan W
AND : x is A and y is B  A  B
µAB (x, y) = t (µA (x), µB (y))
OR : x is A or y is B  A  B

µAB (x, y) = S (µA (x), µB (y))
NOT :
  
, = 1 - µA (x, y)
Contoh:

      −   −

µFP (x) = S

1

,

, 1

µFP (x) = S

 −    −

1
            ℎ  

,

2
, 1

24

µFP (x) = S −      − 
1 ,
2
, 1
             ℎ 

µFP (x) = S   1  ,
2
, 1
∨∧∨
−      −  
Interpretasi Sebuah Aturan Fuzzy IF-THEN
 p  q 
 p  q 
∧∨∨∧ ∨


 ∨
 1


Beberapa interpretasi fuzzy IF – THEN (Bentuk umum: IF <FP1> THEN <FP2>
   −    

1. Implikasi Dienes – Rescher
, = 1
2. Implikasi Lukasiewicz
1 , 2

   −   −  
, Zadeh
3. Implikasi
,
=
=
1, 1
1
1
,
+
2
2
, 1 1
    ≤ 

4. Implikasi Godel
1 , 1 2
, =
2 , yang lain
5. Implikasi Mamdani
     

 Min
 Product
, = 1 , 2

Contoh:    ∘  
U = {1, 2, 3, 4}
, = 1 2
V = {1, 2, 3}
0 0,1 0,5 1
Large : + + + , pada U
1 2 3 4
1 0,4 0,2
Small : + + , pada V
1 2 3
Rule : IF x is Large THEN y is ‘agak not small’
Tentukan µQ (x, y) dengan metode Dienes – Rescher dan Zadeh
Jawab:
0 0,6 0,8
Not Small : + +
1 20 3
0,77 0,89
Agak not small : + +
1 2 3
Metode Dienes – Rescher
R:
Agak not 1 2 3
small
Large 0 0,77 0,89
1 0 1 1 1
2 0,1 0,9 0,9 0,9
25
3 0,5 0,5 0,77 0,89

4 1 0 0,77 0,89
µQD (x, y) =

1
1,1
+
1
1,2
+
1
1,3
+
0,9
2,1
+
0,9
2,2
+
0,9
2,3
+
0,5
3,1
+
0,77
3,2
+
0,89
3,3
+
0
4,1
+
0,77
4,2
+
0,89
4,3

Metode Zadeh
R:
Agak not 1 2 3
small
Large 0 0,77 0,89
1 0 1 1 1
2 0,1 0,9 0,9 0,9
3 0,5 0,5 0,5 0,5
4 1 0 0,77 0,89
µQD (x, y) =

1
1,1
+
1
1,2
+
1
1,3
+
0,9
2,1
+
0,9
2,2
+
0,9
2,3
+
0,5
3,1
+
0,5
3,2
+
0,5
3,3
+
0
4,1
+
0,77
4,2
+
0,89
4,3

Contoh 2:
U = {1, 2, 3, 4}
V = {1, 2, 3}
W = {1, 2, 3, 4}
0 0,1 0,5 1
Large : + + + , pada U
1 2 3 4
1 0,4 0,2
Small : + + , pada V
1 2 3
0,2 0,8 0,8 0,2
Middle : + + + , pada W
1 2 3 4
Rule : IF x is large AND x is middle THEN y is tidak kecil.
Tentukan µQ (x, y) dengan metode Dienes – Rescher
Jawab:
Tahap penyelesaian: Selesaikan dulu FP1 compound
x is large AND x is middle  t-Norm
Misalkan digunakan t-Norm standard Zadeh
min (0,0.2) min (0.1,0.8) min (0.5,0.8) min (1,0.2) 0 0,1 0,5 0,2
FP1 : + + + = + + +
FP2 :
− − −
1 1
1
1
+
1 0,4
2
+
2
1 0,2
3
= +
0
1
0,6
2
+
3
0,8
3

4 1 2 3 4
FP2 1 2 3
FP1
0 0,6 0,8
1 0 1 1 1
2 0,1 0,9 0,9 0,9
3 0,5 0,5 0,6 0,8
4 0,2 0,8 0,8 0,8
µQD (x, y) =

1
1,1
+
1
1,2
+
1
1,3
+
0,9
2,1
+
0,9
2,2
+
0,9
2,3
+
0,5
3,1
+
0,6
3,2
+
0,8
3,3
+
0,8
4,1
+
0,8
4,2
+
0,8
4,3

Contoh untuk fungsi kontinu

Misalkan:
x1 : kecepatan [0, 100]
x2 : akselerasi [0, 30]
26
y : kekuatan akselerator [0, 3]

Rule: IF x1 is slow AND x 2 is small THEN y is large
slow
1 1 large
small 1
x1 x2 y
35 55 10 1 2 3

µslow (x1) =
1
55 −
20
1

, x1 ≤ 35
, 35 ≤ x1 ≤ 55
0 , x1 ≥ 55
µsmall (x2) =
10 −
10
2
, x2 ≤ 10
0 , x2 ≥ 10
0 ,y≤1
µlarge (y) = 1 , 1 ≤ y ≤ 2
−
1 , y ≥ 2
Tentukan µQ (x1, x2, y), dimana intersection (AND) menggunakan aljabar product, dan IF-THEN
menggunakan Dienes-Rescher?
Jawab
FD1 = µslowsmall (x1, x2)  menggunakan algebraic product
x2
10 FD1 = µslowsmall (x1, x2) =

55
20
− −
0 , x1 ≥ 55 or x2 ≥ 10
1
10
10 2
, 35 ≤ x1 ≤ 55 and x2 ≤ 10
10 2 , x ≤ 35
small
x1
10
− ∗
1 and x2 ≤ 10
35 55
slow
   −    

Implikasi Dienes – Rescher
, = 1 1 , 2
1 −   −  −  − 
1 , =
1 , x1 ≥ 55 or x2 ≥ 10
1
1-
10
55
2
1
200
=
10
2
2
, 35 ≤ x1 ≤ 55 and x2 ≤ 10
, x1 ≤ 35 and x 2 ≤ 10
10
−  10
27
y
3
1 1 1
2
1
1
1
(x1, x2)
x1 ≤ 35 35 ≤ x1 ≤ x1 ≥ 55 or
and 55 and x2 ≥ 10
x2 ≤ 10 x2 ≤ 10

 
, =
1
1 −  −  − 
2
55
, x1 ≥ 55 or x2 ≥ 10 or y ≥ 2
1
200
10 2
, x1 ≤ 35 and x2 ≤ 10 and y ≤ 1

, 35 ≤ x1 ≤ 55 and x2 ≤ 10 and y ≤ 1
10
max  −  −  −   − 
1
2
55 1
200
10 2
, 1 , 35 ≤ x1 ≤ 55 and x2 ≤ 10 and 1 ≤ y ≤ 2
1 , x1 ≤ 35 and x 2 ≤ 10 and 1 ≤ y ≤ 2

max
  −  10 ,
28
Latihan Soal:
  
Untuk semua soal menggunakan operator
µAB (x) = ,
=1 , µAB (x) =   −    
, ,
1. Diketahui himpunan semesta U = {1, 2, 3} dan V = {a, b, c, d}

0,1 0,3 0,6 0,8 0,1 0 0,1 0,5 1 0,8 0,5 0,1
R1 = + + + + + + + + + + +
1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3,
R2 =
0,1
,1
+ 0,8
,2
+ 0,4
,3
Dengan menggunakan max-product tuliskan himpunan:
+ 0,2
,1
+ 0
,2
+ 0,4
,3
+ 0,1
                       ,1
+ 0,3
,2
+ 0,5
,3
+ 0,6
,1
+ 0,2
,2
+ 0
,3
a. R1  R2c
b. R2  R1c
Jawab:
  


1 0,1 0,3 0,6 0,8
3 1 0,8 0,5 0,1

0,9 0,7 0,4 0,2
R1 = 2 0,1 0 0,1 0,5 R1c = 0,9 1 0,9 0,5
0 0,2 0,5 0,9
  
1 2 3
0,1 0,8 0,4 0,9 0,2 0,6
    
0,2 0 0,4 0,8 1 0,6
R2 = R2c =
0,1 0,3 0,5 0,9 0,7 0,5
0,6 0,2 0 0,4 0,8 1
Relasi Fuzzy menggunakan max-product
0,9 0,2 0,6
a. R1  R2c = 
0,1
0,1
1
0,3
0
0,8
0,6
0,1
0,5
0,8
0,5 °
0,1

0,8
0,9
0,4
1
0,7
0,8
0,6
0,5
1


1 2 3
1 0,54 0,64 0,8
= 2 0,2 0,4 0,5
b. R2  R1c =
3 0,9
0,2 0 0,4
  
0,8
0,1 0,8 0,4
0,1 0,3 0,5

0,9
° 0,9
0,6
0,7
1
0,4
0,9
0,2
0,5 
0 0,2 0,5 0,9
0,6 0,2 0
      
0,72

0,8

0,72

0,4


0,18 0,14 0,2 0,36
=
0,27 0,3 0,27 0,45
0,54 0,42 0,24 0,12
2. Sebuah variabel linguistik ‘Kecepatan’ mempunyai fungsi keanggotaan sebagai berikut:
Slow (S) Medium (M) Fast (F)
1 Tentukan fungsi keanggotaan dari proposisi
berikut serta gambarkan grafiknya!
a. P1 = ( x is S or x is Not F ) and x is M , dan
tentukan P1(70)
b. P2 = ( x is M and x is not F ) or x is S dan
35 55 75 Vmax tentukan P2 (42)
29
Jawab:
µs (x) =
1
55
20
−
, x ≤ 35
, 35 ≤ x ≤ 55
0 , x ≥ 55
µm (x) =
−
0
35

, x ≤ 35 or x ≥ 75
, 35 ≤ x ≤ 55
−
20
75
20
, 55 ≤ x ≤ 75
µf (x) =
−
0
20
55

, x ≤ 55
, 55 ≤ x ≤ 75
1 , x ≥ 75
x is Not F
1 , x ≤ 55
75
= , 55 ≤ x ≤ 75

x is S or x is Not F
0
20
− , x ≥ 75
Slow (S) Not F

1
35 55 75 Vmax

0,1 , x ≤ 35 1 , x ≤ 55
= , 1 , 35 ≤ x ≤ 55 , 55 ≤ x ≤ 75
∪  − −

 
55
20
0,
75
20
, 55 ≤ x ≤ 75
0,0 , x ≥ 75
75
−
20
0, x ≥ 75
( x is S or x is Not F ) and x is M
1
∪∩ =
0
−
−
20
75
35
, x ≤ 35 or x ≥ 75
, 35 ≤ x ≤ 55
, 55 ≤ x ≤ 75
20
75 70
P1 (70) = = 0,25
x is M and x is not F
35 55 75 Vmax 20
−
( x is M and x is not F ) or x is S
1 1
1
35 55 75 Vmax 35 55 75 Vmax 35 55 75 Vmax

30
55
20
− −
Menentukan titik potong 35 ≤ x ≤ 55
=
20
35
 55 – x = x – 35
 2x = 90
 x = 45
1 , x ≤ 35
−−
55
, 35 ≤ x ≤ 45
∩∪ =
75−
20
20
35

, 45 ≤ x ≤ 55
, 55 ≤ x ≤ 75
20
P2 (42) =
55 − −
20
=
55 42
20
0
=
13
20
= 0,65
, x ≥ 75
3. Diberikan himpunan U = {1, 2, 3, 4}, V = {a, b, c} dan W = {#, *}. Untuk sembarang x  U, y  V, z  W
diberikan aturan Fuzzy sebagai berikut:
Q = IF x is A and Y is not B THEN z is very C . Masing-masing himpunan fuzzy didefinisikan sebagai
0,3 0,5 0,7 1 1 0,4 0,1 0,75 0,25
berikut: A = 1 + 2 + 3 + 4, B = + + , dan C = # +
a. Tentukan µQD (x, y, z)  Implikasi Fuzzy Dienes-Rescher
b. Tentukan µQZ (x, y, z)  Implikasi Fuzzy Zadeh
   ∗
Jawab:
FP1 = x is A and Y is not B  t-Norm
Not B =
  
0
Y is not B
+
0,6
+
a
0,9

b c
x is A
0 0,6 0,9
1 0,3 0 0,3 0,3
2 0,5 0 0,5 0,5
3 0,7 0 0,6 0,7
4 1 0 0,6 0,9
µFD1 (x, y) =
                       
0
1,
+
0,3
1,
+
0,3
1,
+
0
2,
+
0,5
2,
+
0,5
2,
+
0
3,
+
0,6
3,
+
0,7
3,
+
0
4,
+
0,6
4,
+
0,9
4,

FP2 = z is very C ..... hedges
C=
0,75
#
+
0,25
0,5625
∗
0,0625
Very C = +
#
Implikasi Fuzzy Dienes-Rescher

FP1
FP2 # *
0,5625 0,0625
∗
(1,a) 0 1 1
(1,b) 0,3 0,7 0,7
(1,c) 0,3 0,7 0,7
(2,a) 0 1 1
31
(2,b) 0,5 0,5625 0,5

(2,c) 0,5 0,5625 0,5
(3,a) 0 1 1
(3,b) 0,6 0,5625 0,4
(3,c) 0,7 0,5625 0,3
(4,a) 0 1 1
(4,b) 0,6 0,5625 0,4
(4,c) 0,9 0,5625 0,1
µQD (x, y, z) =
     ∗      ∗      ∗      ∗      ∗   
1
1, ,#
+
1
1, ,
+
0,7
1, ,#
+
0,7
1, ,
+
0,77
1, ,#
+
0,7
1, ,
+
1
2, ,#
+
1
2, ,
+
0,5625
2, ,#
+
0,5
2, ,
+
0,5625
2, ,#
+
  ∗      ∗      ∗      ∗      ∗      ∗
0,5
2, ,
+
1
3, ,#
+
1
3, ,
+
0,5625
3, ,#
+
0,4
3, ,
+
0,5625
3, ,#
+
0,3
3, ,
+
1
4, ,#
+
1
4, ,
+
0,5625
4, ,#
+
0,4
4, ,
+
     ∗
0,5625
4, ,#
+
0,1
4, ,

Implikasi Fuzzy Zadeh
FP1
FP2 # *
0,5625 0,0625
(1,a) 0 1 1
(1,b) 0,3 0,7 0,7
(1,c) 0,3 0,7 0,7
(2,a) 0 1 1
(2,b) 0,5 0,5 0,5
(2,c) 0,5 0,5 0,5
(3,a) 0 1 1
(3,b) 0,6 0,5625 0,4
(3,c) 0,7 0,5625 0,3
(4,a) 0 1 1
(4,b) 0,6 0,5625 0,4
(4,c) 0,9 0,5625 0,1
µQZ (x, y, z) =
     ∗      ∗      ∗      ∗      ∗   
1
1, ,#
+
1
1, ,
+
0,7
1, ,#
+
0,7
1, ,
+
0,7
1, ,#
+
0,7
1, ,
+
1
2, ,#
+
1
2, ,
+
0,5
2, ,#
+
0,5
2, ,
+
0,5
2, ,#
+
  ∗      ∗      ∗      ∗      ∗      ∗
0,5
2, ,
+
1
3, ,#
+
1
3, ,
+
0,5625
3, ,#
+
0,4
3, ,
+
0,5625
3, ,#
+
0,3
3, ,
+
1
4, ,#
+
1
4, ,
+
0,5625
4, ,#
+
0,4
4, ,
+
     ∗
0,5625
4, ,#
+
0,1
4, ,

32
Pertemuan 8 (7/11/2012)
FORMULA LOGIKA (Logic Formula)
Logika: studi tentang metode/prinsip penalaran.
Penalaran: bisa menemukan proposisi baru dari proposisi-proposisi yang sudah ada.
Rule formula logika:
1. Nilai kebenaran [0, 1] adalah logic formula
3. Jika p, q = proposisi, maka

 ∨
2. Jika p = proposisi, maka p dan logic formula
∧
dan juga logic formula.
4. Logic formula hanya dinyatakan dengan 1, 2, atau 3.
Inferensi hakikatnya menggunakan bentuk-bentuk tautologi (selalu benar).

Contoh-contoh tautologi:
1.  ⇢  ⟺  ∨ 

2.
 ⇢  ⟺ ∧∨
Semua bentuk tautologi, dapat digunakan untuk inferensi deduktif biasa dikenal: inference rule.
Ada tiga aturan yang sering dikenal:

1. Modus Ponens (MP)
Dapat ditulis:
∧  →  → 
Premis 1 : x is A
Premis 2 : IF x is A THEN y is B
Conclusion : y is B
2. Modus Tollens (MT)
Dapat ditulis:
 ∧ →  → 
Premis 1 : y is not B
Conclusion : x is not B
3. Hypothetical Syllogism (HS)
Dapat ditulis:
 → ∧ →  ⟺ → 
Premis 2 : IF y is B THEN z is C
Conclusion : IF x is A THEN z is C
Prinsip dasar inferensi pada logika Fuzzy

Dikenal: GMP (Generalized Modus Ponens)
GMT (Generalized Modus Tollens)
GHS (Generalized Hypothetical Syllogism)
1. GMP
Premis 1 : x is A’
Conclusion : y is B’
33
Kriteria x is A’ (premis 1) y is B’ (conclusion)

P1 x is A y is B
P2 x is very A y is very B
P3 x is very A y is B
P4 x is agak A y is agak B
P5 x is agak A y is B
P6 x is not A Tidak tahu / unknown
P7 x is not A y is not B
2. GMT
Premis 1 : y is B’
Conclusion : x is A’
Kriteria y is B’ (premis 1) x is A’ (conclusion)

t1 y is not B y is not A
tt2 y is more
y is not not very B B
or less y is more
x is not not very A A
or less
3
t4 y is B Tidak tahu / unknown
t5 y is B x is A
3. GHS
Premis 2 : IF y is B’ THEN z is C
Conclusion : IF x is A THEN y is C’
GMP
Diberikan himpunan fuzzy A’ dalam U (untuk x is A’ )
Aturan fuzzy : IF x is A THEN y is B
Relasi fuzzy A  B dalam U x V
Suatu himpunan Fuzzy B’ dalam V didefinisikan:
′  ∈   ′   →  
= , ,
 →  
t
, : sembarang interpretasi fuzzy IF-THEN
: sembarang t-Norm
Contoh: U = {x1, x2, x3), V = {y1, y2}

Didefinisikan aturan fuzzy: IF x is A THEN y is B
Dengan: A = 0.5/x1 + 1/x2 + 0.6/x3 dan
B = 1/y1 + 0.4/y2
Diberikan fakta: 0.6/x1 + 0.9/x2 + 0.7/x3
Tentukan: B’
a. Implikasi Dienes Rescher dan t min
34
    −   

, = 1 ,
y1 y2
1 0.4
x1 = 0.5 1 0.5
x2 = 1.0 1 0.4
x3 = 0.6 1 0.4
Untuk y1  µB’ (y1) = Sup (min(0.6; 1), min(0.9;1), min(0.7;1))

= Sup (0.6; 0.9; 0.7)
= 0.9
Untuk y2  µB’ (y2) = Sup (min(0.6; 0.5), min(0.9;0.4), min(0.7;0.4))
= Sup (0.5; 0.4; 0.4)
= 0.5
B’ = 0.9/y1 + 0.5/y2
b. Implikasi Mamdani Product dan t Aljabar Product
,
    ∙ 
= 1 2
y1
1

y2
0.4
x1 = 0.5 0.5 0.2
x2 = 1.0 1.0 0.4
x3 = 0.6 0.6 0.24
Untuk y1  µB’ (y1) = Sup (0.6  0.5, 0.9  1, 0.7  0.6)

= Sup (0.3; 0.9; 0.42)
= 0.9
Untuk y2  µB’ (y2) = Sup (0.6  0.2, 0.9  0.4, 0.7  0.24)
= Sup (0.12; 0.36; 0.168)
= 0.36
B’ = 0.9/y1 + 0.36/y2
Misal diberikan fakta :

1. A’= A
2. A’ = Sangat A
3. A’ = Agak A
Dicoba dengan :
a. Implikasi Zadeh dan t Einstein Product
b. Implikasi Mamdani min dan Drastic Product
Jawab.
1. A’ = A
Implikasi Zadeh dan t Einstein Product
µQZ (x, y) =      − 
1 , 2 , 1 1
y1 y2
1 0.4
x1 = 0.5 0.5 0.5
x2 = 1.0 1.0 0.4
x3 = 0.6 0.6 0.4
tEP (a, b) =
 .
Untuk y −
2 +
1
−
µ (y ) =  0.5; 0.5,  1.0; 1.0,  0.6; 0.6 
B’ 1
35
=
= 1.0

0.2; 1; 0.31 
Untuk y2  µB’ (y2) =
=
= 0.4


0.5; 0.5 ,
0.25; 0.4; 0.19
  
1.0; 0.4 ,   
0.6; 0.4 
B’ = 1.0/y1 + 0.4/y2 (sama dengan B)
Implikasi Mamdani min dan t - Drastic Product

µQM (x, y) =    
1 , 2
y1 y2
1 0.4
x1 = 0.5 0.5 0.4
x2 = 1.0 1.0 0.4
x3 = 0.6 0.6 0.4
a, jika b = 1
tDP (a, b) = b, jika a = 1
0, others
=
    
0.5; 0.5 ,
 
0;1;0
  1.0; 1.0 ,    
0.6; 0.6
= 1.0
=
    
0.5; 0.4 ,
 
0;0.4;0
  1.0; 0.4 ,    
0.6; 0.4
= 0.4
B’ = 1.0/y1 + 0.4/y2 (sama dengan B)
2. A’ = sangat A = 0.25/x 1 + 1/x2 + 0.36/x3

=  

0.25; 0.5 ,
0.09; 1; 0.17    1.0; 1.0 ,    
0.36; 0.6
= 1.0
=
   
0.25; 0.5 ,

0.09; 0.4; 0.10
   1.0; 0.4 ,    
0.36; 0.4
= 0.4
B’ = 1.0/y1 + 0.4/y2 (sama dengan B)

=
= 1.0
0.25; 0.5 ,
      

0;1;0
1.0; 1.0 ,
   0.36; 0.6

=       

0.25; 0.4 ,
0;0.4;0
  
1.0; 0.4 , 
0.36; 0.4
= 0.4
B’ = 1.0/y1 + 0.4/y2 (sama dengan B)
3. A’ = agak A = 0.71/x 1 + 1/x2 + 0.77/x3

Untuk y1  µB’ (y1) = 0.71; 0.5 , 1.0; 1.0 , 0.77; 0.6
=
= 1.0
0.31; 1; 0.42
 
       
36
=

  
0.71; 0.5 ,
0.31; 0.4; 0.27
  
1.0; 0.4 ,   
0.77; 0.4
= 0.4
B’ = 1.0/y1 + 0.4/y2 (sama dengan B)

=

      
0.71; 0.5 ,
0;1;0
1.0; 1.0 ,    
0.77; 0.6
= 1.0
=      

= 0.4
0.71; 0.4 ,
0;0.4;0
1.0; 0.4 ,    
0.77; 0.4
B’ = 1.0/y1 + 0.4/y2 (sama dengan B)
37
Pertemuan 9 (14/11/2012)
GMT
Didefinisikan himpunan fuzzy B’ (untuk y is B’ ) dan relasi A  B dalam U x V (untuk representasi)
Aturan fuzzy : IF x is A THEN y is B
Maka himpunan fuzzy A’ dalam U didefinisikan:

 ′  ∈  ′   →  
= , ,
Sembarang tautologi bisa digunakan untuk inferensi deduktif.
Contoh:
U ={x1, x2, x3}, V = {y1, y2}
Fuzzy IF-THEN
IF x is A THEN y is Bi
Dengan A = 0.5/x 1 + 1/x2 + 0.1/x3
B = 1/y1 + 0.4/y2
Jika faktanya diberikan:
B’ = 0.1/y1 + 0.7/y2
Tentukan A’ = ?
Gunakan:
a. t Norm standard dan implikasi Dienes Rescher
y1 y2
1 0.4
x1 = 0.5 1 0.5
x2 = 1.0 1 0.4
x3 = 0.1 1 0.9
µA’ (x1) =
∈  ′    →    ′    →   
1 , 1, 1 , 2 , 1, 2
=    
0.1, 1 ,
= Sup (0.1, 0.5)
0.7, 0.5
= 0.5
µA’ (x2) =

∈ 
 ′   
 → 
1 ,    
2, 1 ′ 
,  
 →   
2 , 2, 2
=    
0.1, 1 ,
= Sup (0.1, 0.4)
0.7, 0.4
= 0.4
µA’ (x3) =
∈  ′    →    ′    →   
1 , 3, 1 , 2 , 3, 2
=    
0.1, 1 ,
= Sup (0.1, 0.7)
0.7, 0.9
= 0.7
A’ = 0.5/x1 + 0.4/x2 + 0.7/x3
b. t Norm Algebra Product dan implikasi Mamdani - Min

y1 y2
1 0.4
x1 = 0.5 0.5 0.4
x2 = 1.0 1 0.4
x3 = 0.1 0.1 0.1
38
µA’ (x1) = 0.1 × 0.5 , 0.7 × 0.4

= Sup (0.05, 0.28)

= 0.28
µA’ (x1) = 0.1 × 1 , 0.7 × 0.4

= Sup (0.1, 0.28)

= 0.28
µA’ (x1) = 0.1 × 0.1 , 0.7 × 0.1
= Sup (0.01, 0.07)

= 0.07
A’ = 0.28/x1 + 0.28/x2 + 0.07/x3
GHS
Diberikan relasi fuzzy A  B (IF x is A THEN y is B) dalam U x V

Dan relasi fuzzy B’  C (IF y is B’ THEN z is C ) dalam V x W
Didefinisikan:
 → ′   ∈   →   ′ →  

, = , , ,
Contoh:
Diberikan U = {x1, x2, x3}, V = {y1, y2}, W = {z1, z2, z3}
Diketahui himpunan fuzzy A pada U dengan:
A = 0.2/x1 + 0.5/x2 + 0.8/x3
Didefinisikan himpunan fuzzy B pada V dengan:
B = 0.9/y1 + 0.4/y2
Dan C pada W dengan:
C = 0.9/z1 + 0.6/z2 + 0.3/z3
Jika diketahui fakta B’ = 0.8/y + 0.5/y
1 2
Tentukan:
 → ′  
, !
Aturan: t standard Zadeh dan implikasi Dienes Rescher
y1 y2
A B
0.9 0.4
x1 = 0.2 0.9 0.8
x2 = 0.5 0.9 0.5
x3 = 0.8 0.9 0.4
z1 z2 z3
B’ C
0.9 0.6 0.3
y1 = 0.8 0.9 0.6 0.3
y2 = 0.5 0.9 0.6 0.5
µAC’ (x1, z1) =  0.9, 0.9  

, 0.8, 0.9 = Sup (0.9, 0.8) = 0.9
µAC’ (x2, z1) =  0.9, 0.9  
, 0.5, 0.9 = Sup (0.9, 0.5) = 0.9
µAC’ (x3, z1) =  0.9, 0.9  
, 0.4, 0.9 = Sup (0.9, 0.4) = 0.9
µAC’ (x1, z2) =  0.9, 0.6  
, 0.8, 0.6 = Sup (0.6, 0.6) = 0.6
µAC’ (x2, z2) =  0.9, 0.6  
, 0.5, 0.6 = Sup (0.6, 0.5) = 0.6
µAC’ (x3, z2) =  0.9, 0.6  
, 0.4, 0.6 = Sup (0.6, 0.4) = 0.6
µAC’ (x1, z3) = 0.9, 0.3 , 0.8, 0.5 = Sup (0.3, 0.5) = 0.5
µAC’ (x2, z3) = 0.9, 0.3 , 0.5, 0.5 = Sup (0.3, 0.5) = 0.5
µAC’ (x3, z3) =   
0.9, 0.3 , 
0.4, 0.5 = Sup (0.3, 0.4) = 0.4
39
z1 z2 z3
A C’
0.9 0.6 0.3
x1 = 0.2 0.9 0.6 0.5
x2 = 0.5 0.9 0.6 0.5
x3 = 0.8 0.9 0.6 0.4
Jika A’ = Sangat A, tentukan µC’ (z) !

A = 0.2/x1 + 0.5/x2 + 0.8/x3
Sangat A = 0.04/x1 + 0.25/x2 + 0.64/x3
µC’ (z1) =
∈   
0.04,0.9 ,
= sup (0.04, 0.25, 0.64)
 
0.25,0.9 , 0.64,0.9 
= 0.64
µC’ (z2) =

 ∈   
0.04,0.6 ,  
0.25,0.6 , 0.64,0.6 
= sup (0.04, 0.25, 0.6)
= 0.6
µC’ (z3) =
∈   
0.04,0.5 ,
= sup (0.04, 0.25, 0.4)
 
0.25,0.5 , 0.64,0.4 
= 0.4
Jadi C’ = 0.64/z1 + 0.6/z2 + 0.4/z3
Kalo pake Modus Tollens, bisa ditanyakan:

Jika C’ = sangat C, tentukan µA’ (x) !
C = 0.9/z1 + 0.6/z2 + 0.3/z3
Sangat C = 0.81/z1 + 0.36/z2 + 0.09/z3
µA’ (x1) =

∈   
0.81,0.9 ,
= sup (0.81, 0.36, 0.09)
 
0.36,0.9 , 
0.09,0.9
= 0.81
µA’ (x2) =

∈   
0.81,0.6 ,
= sup (0.6, 0.36, 0.09)
 
0.36,0.6 , 
0.09,0.6
= 0.6
µA’ (x3) =

∈   
0.81,0.5 ,
= sup (0.5, 0.36, 0.09)
 
0.36,0.5 , 
0.09,0.4
= 0.5
A’ = 0.81/x1 + 0.6/x2 + 0.5/x3
Sifat-sifat Khusus
Akan dilihat nilai µA’(x), µB’(y), µAC’ (x, z) dengan berbagai variasi A’ dan B’.
1. GMP
Dipilih t-Norm : min dan implikasi: Mamdani Product
A : normal (ada nilai x yang membershift function = 1,

 ∈   
= 1)
Beberapa tipe A:
a. A’ = A (seperti pada konvensional)
µB’ (y) =
 ,
 ∈    ∙
= Sup (µA (x), µB(y))
∈   
karena = 1
40
= µB (y)
b. A’ = very A
µB’ (y) =
    ∙
2
,
jika >
  ∈ 
= Sup (µA (x), µB(y))
= µB (y)
Contoh:
A = 0.5/x1 + 1/x2 + 0.4/x3
B = 1/y1 + 0.5/y2
A’ = A
y1 y2
A B
1.0 0.5
x = 0.5 0.5 0.25
1
x2 = 1.0 1.0 0.5
x3 = 0.4 0.4 0.2
=

  
0.5,0.5 ,

0.5,1.0,0.4
    1.0,1.0 , 0.4,0.4
= 1.0
=
= 0.5

       
0.5,0.25 ,
0.25,0.5,0.2
1.0,0.5 , 0.4,0.2
B’ = B = 1/y1 + 0.5/y2
A’ = very A = 0.25/x 1 + 1/x2 + 0.16/x3

=


0.25,0.5 ,
0.25,1.0,0.16    
1.0,1.0 , 0.16,0.4 
= 1.0
=


0.25,0.25 ,
0.25,0.5,0.16
   
1.0,0.5 , 
0.16,0.2
= 0.5
B’ = B = 1/y 1 + 0.5/y2
c. A’ = more or less A
µB’ (y) =
  ∈ 
   ∙

,
   ∙

Jadi:
µB’ (y) = sup
= µB (y)
 ∙
d. A’ = not A = 0.5/x 1+ 0/x2 + 0.6/x3

=
= 0.5

       
0.5,0.5 ,
0.5,0.0,0.4
0,1.0 , 0.6,0.4
Untuk y2  µB’ (y2) =       

0.5,0.25 , 0,0.5 , 0.6,0.2
= 0.25,0,0.2

= 0.25 
41
B’ = B = 0.5/y1 + 0.25/y2

 ∈  
terjadi apabial 1 - µA (x) = µA (x) . µB (y)
µA (x) . µB (y) + µA (x) = 1
µA (x) (µB (y) + 1) = 1
1
µA (x) =
  
 −  
+1
1
 

=
′   

=
+1
(titik potong)
42
Pertemuan 10 (21/11/2012)
1. GMP
Syarat:
- T Norm = min
- µAB (x, y) = mamdani product

Jika:
a. A’ = A
b. A’ = very A µB’ (y) = µB (y)
c. A’ = more or less A
Harus fuzzy bukan crisp
Contoh: fungsi kontinu
Misal: kita punya rule: if x is A then y is B
Contoh: jika harga tinggi maka stock rendah.
1 Harga tinggi 1 Stock rendah
Harga Stock
25 50 75 100 5 10 15 20

0 , x  50 1 , y  5
µA (x) =
− 50
, 50  x  75 µB (y) =
15 − , 5  y  15
25 10
1 , 75  x  100 0 , 15  y  20
Buat µAB (x, y) dengan mamdani product.
100
1 mB(y)
0
75 m A(x)
m A(x) .
mB(y) 0
50
0 0 0
5 15 20

0 , x  50 atau 15  y  20
− 50
, 50  x  75 dan y  5
1525
µAB (x, y) = −
10
, 75  x  100 dan 5  y  15
   −
−
25
50 15
10
, 50  x  75 dan 5  y  15
1 , 75  x  100 dan y  5
Misalkan diberikan A’ sbb:
0 , x  25
A’ µA’ (x) =
− 25
, 25  x  75
1 50
1 , 75  x  100
25 50 75 100
43
µB’ (y) =
∈   ′   →   
, ,
1. y 5   ′    ′     ′  

µB’ (y) =
0  x  50
,0 , ,
50  x  75
, ,1
75  x  100
   
= 0, ,1
=1
2. 5  y  15 
µB’ (y) =  ′    ′       
,0 , , . , 1,
 x  50 50  x  75 75  x  100
= 
       
0, . ,
= 
3. 15  y 20  
µB’ (y) =  ′    ′    ′  
,0 , ,0 , ,0
  
=
=0
0,0,0
0   x  
50 50 x 75 75 x 100
1 , 0  y  5
µB’ (y) =
15 − , 5  y  15
10
0 , 15  y  20
2. GMT
Fakta: IF x is A THEN y is B
y is B’
x is A
Syarat:
- T Norm = min
- µAB (x, y) = mamdani product
- Sup µB (y) = 1
µA’ (y) =
∈  ′   →   
, ,
Misalkan: Diberikan B’ =
 
µA’ (y) =
 ∈   −    
1 , .
Nilai

∈  
minimum terjadi di y0 V, dimana:
1 −     

.
=
+
 .
= 1

 

 
  
+ 1 = 1
 
1
=
1+  
mA’ (x) = 1 - mB (y) = mA (x) . mB (y)

1
= mA (x) . m B (y) substitusi dari hasil yg diperoleh sebelumnya
=
     
1+
1+   
Contoh 2:
Misalkan: Diberikan B’ = B
µA’ (x) =
∈        , .
44
=

∈     
, .
=
 ∈    
= µA(x)
. µB(y) maksimal bernilai 1 sesuai dengan asumsi
Contoh: fungsi kontinu di GMP

1. B’ = B
100
1 mB(y)
0
75 m A(x)
m A(x) .
mB(y) 0
50
0 0 0
5 15 20

Diberikan B’ = B
1 Stock rendah
Stock
5 10 15 20
µA’ (x) =

∈    →   
, ,

a. 0 x 50
  
µA’ (x) =
      1,0 ,
0  y  5 5  y  15
,0 , 0,0
15  y  20
=
=0
 
0,0,0
b. 50  x  75 

µA’ (x) =          
1,
0  y  5
, ,
5  y  15
. , 0,0
15  y  20
=         
, . ,0
= 
  
c. 75  x 100 
µA’ (x) =
    
1,1 ,
   
, , 0,0
=

    0
1,
y   
5
,0
5 y 15 15 y 20
=1
0 , 0  x  50
µA’ (x) = µ A (x) =
− 50
, 50  x  75
25
1 , 75  x  100
45
2. B’ = 
100
1 mB(y)
0
75 m A(x)
0
m A(x) .
mB(y)
50
0 0 0
5 15 20
Diberikan B’ = 

0 , 0  y  5
1 µB’ (y) =
− 5
, 5  y  15
10
1 , 15  y  20
5 10 15 20
µA’ (x) =
∈  ′   →   
, ,
a. 0 x 50
  
µA’ (x) =   ′     
0,0 ,
0  y  5 5  y  15
,0 , 1,0
15  y  20
=
=0
0,0,0  
b. 50  x  75 
µ (x) = 0, , , . , 1,0
A’
    ′5
−
= 0,  ,
− ×
− 
 , 0
    15
0  y  5
 y  15
5 50

 y  20
15
10 25 10
=  −

5
,
− 50
×
15 −
−  =
50
10 25 10
−  25
Nilai Sup min dicapai ketika:
′ − = − . − 
y V

5
=
50
×
15

10 25 10
25
− 5 = −  −
5
50 15
25
15
−−  = − 50
25 (y – 5) = (x – 50) (15 – y)
25y – 125 = 15x – 750 – xy + 50y
-25y = 15x – xy – 625
xy – 25y = 15x – 625
y(x – 25) = 15x – 625
y=
15 − 625

−
µA’ (x) = −′  5

25
=
15 −10
− = − −  = − = −  = − 
625
= − 25
5 15 625 5 +125 10 500 10 50 50
10 10
− rumus
Atau bisa juga menggunakan  [Wang,
− 1997,
 −  − 
p.84]:
25 10 25 10 25 25
46
  = −−
mA’ (x) = 1+ 
50
25
=
−
50
25
− =
− 50

   1+
25
50 25+
25
50
− 25
c. 75  x  100 

µA’ (x) = 0,1 ,  
     ′  , , 1,0
         

0 y 5
= 0, ′ ,  , 0
5 y 15 15 y 20
 ′    

= ,
− − 5 15
′
Sup minimum terjadi pada  =
=
10 10
y – 5 = 15 – y
2y = 20
y = 10
µA’ (x) = ′   10 =
10 5 − = 5
= 0.5
10 10
0 , 0  x  50
µA’ (x) = − 50
25
, 50  x  75
0,5 , 75  x  100
3. B’ = not very B
100
1 mB(y)
0
75 m A(x)
m A(x) .
mB(y) 0
50
0 0 0
5 15 20

Diberikan B’ = not very B
1 0 , 0  y  5
µB’ (y) = 1 − 15 −  , 5  y  15
2
10
1 , 15  y  20
5 10 15 20
∈  ′   →   

µA’ (x) = , ,
a. 0 x 50
  
µA’ (x) =  ′     0,0 ,
0  y  5 5  y  15
,0 , 1,0
15  y  20
= 
=0
0,0,0
b. 50  x  75 

µA’ (x) =    ′       
0,
0  y  5
, ,
5  y  15
. , 1,0
15  y  20
=
=
 ′ ′  
 
0,
 
  
,
,
.
.

,0
47
Nilai Supy V min dicapai ketika:

′     

= .
Dengan menggunakan rumus [Wang, 1997, p.84]
µA’ (x) = µA(x) . µB(y)
      −  
2
+4 2
= 2
− 50
  − 50 2
+4  −− 50 2

25 25 25
=
2
=
− 50
50
  −  − − 
25
50 2
+4
1
2
50 2
25
c. 75  x  100 

µA’ (x) = 0,1 ,   ′      , , 1,0
0  y  5 5  y  15 15  y  20
= 0, ′ ,  ,0
Sup minimum terjadi pada
1−
15− 2
 =
 
15− =  
 ′ 

10 10
−
100 225+30 − 2
=
150 10 − 
100 100
2
y – 30y – 10y + 150 + 125 = 0
2
y – 40y + 275 = 0
y1,2 =
−  − 
± 2 4

40±
 −
− 2
40 2 4.1.275
=
2.1
=

40± 500
2
40±22,36
= 2
66,36 15−33,18
y1 = = 33,18
2
 µA’ (x) =
10
= -1,818 (tidak memenuhi karena negatif)
17,64 15−8,82
y2 =
2
= 8,82  µA’ (x) = 10
= 0,618
0 , 0  x  50
µA’ (x) =
− 50
50
  −  − − 
50 2
25
+4
1
2 25
50 2
, 50  x  75
0,618 , 75  x  100
48
Pertemuan 11
(28/11/2012)
FUZZY RULE BASED DAN FUZZY INFERENCE ENGINE
Fuzzy rule Based  System Fuzzy  Fuzzy Inference Engine

Arsitektur Sistem Fuzzy secara umum:
Input Output
Fuzzifier Fuzzy Rule Based Defuzzifier y V
x U
(crisp) (crisp)
Fuzzy
Fuzzy set di U Inference Engine Fuzzy set di V
Fuzzifikasi:
1. Fuzzy singleton  Tsukamoto  ketika x=1

2. Fuzzy Segitiga (triangular)
3. Fuzzy Norm.
Yang kompleks:
U-nya banyak, misal:
n
U = U1 x U2 x ... x Un  R
n
x = (x1, x2, ..., xn)  R , y  R  multiple input, single output.
Struktur Basis Aturan Fuzzy

Secara umum bentuknya:
l

Ru : IF x1 is 1 and x2 is 
2 and ... and xn is  THEN y is B
l
dengan:
 dan Bl suatu himpunan fuzzy dalam U i  R dan V  R.
( x1 , x2 , ... , xn)  U = U1  U2  ...  Un dan y  V .
T
Misal:
- M : banyaknya aturan
- L = 1, 2, ..., M .
Aturan Fuzzy IF ... THEN dapat berbentuk:
a. Partial rules

IF x1 is 1 and ... and xm is
Contoh:

l
THEN y is B , dimana m < n
Harga Stok Permintaan

Rendah Banyak Naik
Tinggi Sedikit Turun
Jika harga rendah dan stock banyak permintaan naik
49
Kalo parsial:
Jika harga tinggi maka permintaan turun.
b. Formula OR
IF (x 1 is  and ... and x is  ) OR (x
1 m m+1 is
 +1 and ... and x n is  ) THEN y is B l

c. Pernyataan tunggal
y is Bl
  
d. Aturan Gradual
The smaller the x, the bigger the y
e. Aturan Non Fuzzy  convensional production rules.
Properties Himpunan Rule

a. Completeness (lengkap)
Suatu himpunan Fuzzy IF THEN disebut lengkap jika ada paling sedikit 1 aturan dari basis
aturan dimana
Contoh Komplet:
( )
U 1
    ≠
U 2
0, untuk semua i = 1, 2, ..., n.
V
Harga Stock Permintaan
Rendah Banyak Naik
Rendah Sedikit Turun
Tinggi Banyak Naik
Tinggi Sedikit Turun
IF x 1 is Rendah and x 2 is Banyak THEN y is B 1
IF x 1 is Rendah and x 2 is Sedikit THEN y is B 2
IF x 1 is Tinggi and x 2 is Banyak THEN y is B 3

IF x 1 is Tinggi and x 2 is Sedikit THEN y is B 4
b. Consistent
Jika x-nya sama, maka y-nya tidak boleh beda.
FUZZY INFERENCE ENGINE
Rule based: himpunan m buah rule.

Prinsip: mengkombinasikan semua aturan/rule tersebut sehingga menjadi 1 rule dalam U  V.
Yang perlu diketahui: intuitively antar rule bagaimana?
Misal:
IF X1 is A1 THEN y is B 1
IF X2 is A2 THEN y is B 2 independen
IF X1 is A1 and X2 is A2 THEN y is B3  saling bergantungan
Mamdani  saling independen  pakai S-Norm

Godel  saling bergantung  pakai t-Norm
Apa makna dari aturan-aturan tersebut (secara intuitif)

1. Aturan-aturan tersebut merupakan pernyataan kondisional yang independen.
 union (s-norm)  mamdani

2. Semua aturan(t-norm)
 interseksi merupakan satu kesatuan (saling memberi dampak pada kesimpulan)
 godel
50
l
Misal: Rn relasi fuzzy pada U x V sebagai representasi fuzzy IF ... THEN (rule).
  ⋯ 
Rnl = 1 × 2 × ×  Bl
U = U1  U2  ...  Un
Didefinisikan:
 
Dimana 
1× 2× × 1 2
   ⋯  → ,  , ⋯ ,   =    
merepresentasikan sebarang operator t-norm.
1 1
⋯    
Untuk sudut pandang Union, diperoleh relasi fuzzy Q M dalam U  V adalah:

  =
 =1
Kombinasi ini dikenal sebagai Kombinasi Mamdani, ditulis:

           ⋯    
, = 1 , + 2 , + + ,

Dengan + sebarang s-norm.
Untuk sudut pandang irisan, diperoleh relasi fuzzy QG dalam U  V adalah:

  =
 =1
Kombinasi ini dikenal sebagai Kombinasi Godel, ditulis:

,         ⋯    
= 1 ,  2 ,   ,

Dengan + sebarang t-norm.
Misal: A’ sebarang himpunan fuzzy dalam U (sebagai input)
atau
= ,
′  ∈   ′      , Union (Mamdani)
′  ∈   ′     

= , , Irisan (Godel)
Contoh: A = { x1, x2, x3}
B = { y1, y2}
Diberikan aturan:
 IF x1 is A2 THEN y is B1
 IF x2 is A1 THEN y is B2
Dengan : A1 = 0.6/ x1 + 1/ x2 + 0.4/ x3 B1 = 1/ y1 + 0.4/ y2
A2 = 0.4/ x1 + 0.8/ x2 + 0.7/ x3 B2 = 0.8/ y1 + 0.5/ y2
Jika A’ = 0.5/ x1 + 0.9/ x2 + 0.6/ x3 tentukan B’ !
Misal, dipakai: mamdani min, t-norm min, s-norm max
Metode: komposisional dan individual
Jawab:
Individual rule based inference
  →  
2 1
,
B1
R 1 y1 y2
1 0.4
x1 = 0.4 0.4 0.4
A2 x2 = 0.8 0.8 0.4
x3 = 0.7 0.7 0.4
51
  →  
1 2
,
B2
R 2 y1 y2
0.8 0.5
x1 = 0.6 0.6 0.5
A1 x2 = 1 0.8 0.5

x3 = 0.4 0.4 0.4
Untuk individual masing-masing rule akan diberikan input terhadap A’ akan didapat B1’ dan B2’. B’
tinggal dipandang sebagai minimum/intersection.
′ 
1
=

 ∈   ′    →  
, 2 1
,
′  
1 1 =

∈   
0.5, 0.4 , 0.9, 0.8 ,   
0.6, 0.7 = 0.8
′  
′ 
1 2 =
 ∈    
= 0.8/ y1 + 0.4/ y2
0.5, 0.4 , 0.9, 0.4 ,   
0.6, 0.4 = 0.4
′ 
2
=
∈   ′    →  
, 1 2
,
′  
2 1 =

∈   
0.5, 0.6 , 0.9, 0.8 ,   
0.6, 0.4 = 0.8
′  
′ 
2 2 =
 ∈    
= 0.8/ y1 + 0.5/ y2
0.5, 0.5 , 0.9, 0.5 ,   
0.6, 0.4 = 0.5
′     = 0.8/ 1 + 

0.5/ 2
= ?
   = 0.8/ 1 + 
0.4/ 2
Komposisional
         
, = 1 , + 2 ,  Mamdani
        
, = 1 ,  2 ,  Godel
Mamdani y1 y2
R
x1 0.6 0.5
x2 0.8 0.5
x3 0.7 0.4
′  1 =

∈   
0.5, 0.6 , 0.9, 0.8 ,   
0.6, 0.7 = 0.8
′  
′ 
2 =
= 0.8/
 ∈    
1 +
0.5, 0.5 ,
0.5/ 2
0.9, 0.5 ,   
0.6, 0.4 = 0.5
Godel y1 y2

R
x1 0.4 0.4
x2 0.8 0.4
x3 0.4 0.4
′   ∈  

1 = 0.5, 0.4 ,
  0.9, 0.8 ,
  
0.6, 0.4 = 0.8
52
′   ∈    

2 = 0.5, 0.4 ,  
0.9, 0.4 , 
0.6, 0.4 = 0.4
′   = 0.8/ 
1 + 0.4/ 2
Hasilnya sama baik yang menggunakan metode individual maupun komposisional.
Beberapa fuzzy inference engine

1. Product Inference Engine
- Individual  union
- Implikasi  Mamdani product
- S-Norm  max
- T-Norm  algebraic product
2. Minimum Inference Engine
- Individual  union
- Implikasi  Mamdani min
- S-Norm  max
- T-Norm  min

3. Lukasiewicz Inference Engine
- Individual  intersection
- Implikasi  Lukasiewicz
- T-Norm  min
4. Zadeh Inference Engine
- Implikasi  Zadeh
- T-Norm  min
5. Dienes-Rescher Inference Engine
- Implikasi  Dienes-Rescher
- T-Norm  min
Jika A’ adalah fungsi singleton, maka fuzzy inference engine diperoleh:

1. Product
2. Min
= ′   ∗ 
.
3. Lukasiewicz
′      ∗  
= min ,
′
= min 1, 1 + ∗
′   

   −      ∗
4. Zadeh
=   ∗    −
min ,   , 1
5. Dienes-Rescher
′    −   ∗  
= max 1 ,
Catatan:
Fuzzy set A’ merupakan fuzzy singleton, apabila
*
1, jika x = x
 ′ 
=
0, selain itu
53
Contoh: diberikan rule

IF x1 is A1 and x2 is A2 and ... and xn is An THEN y is B
1 - | y | , -1  y  1 1
Dimana B =
0, yang lain
Jika A’ merupakan fuzzy singleton, tentukan

Misal, diperoleh: µA ( x1, x2, ... , xn)  ′  ?
-1 0 1
y
= min ∗  ∗    ∗ ⋯    ∗

1 1 , 2 2 , ,

   
=
 ∗ 
=   ∗
=1

   ∗ ≥
Case 1 : 0,5
1
1
mAp( x p*)
mA( x*)
y
-1 0 1 y

Mamdani-Min Mamdani-Product
1 1
mA p( x p*)
1-mAp( x p*) 1-mAp( x p*)
y y
-1 0 1 -1 0 1

Lukasiewicz Zadeh
1-mAp( x p*)
y
-1 0 1

Dienes-Rescher
Case 2 :    ∗ < 0,5
1 1
mAp( x p*) mAp( x p*)
mA( x*)
y y
-1 0 1 -1 0 1

Mamdani-Min Mamdani-Product
54
1 1
1-mAp( x p*)
1-mAp( x p*)
y y
-1 0 1 -1 0 1

Lukasiewicz Zadeh
1-mAp( x p*)
y
-1 0 1

Dienes-Rescher
Jika tidak singleton, maka pada product inference engine, rumusnya menjadi:
Bernilai 1 jika singleton
Pertemuan 12 (5/12/2012)
* *
Pemetaan titik x  U ( x : bilangan real) ke suatu himpunan fuzzy A’ dalam U.
Beberapa yang dikenal:
1. Singleton Fuzzifier
* *
Yaitu memetakan x  U ke himpunan fuzzy A’ dalam U dengan nilai keanggotaan 1 pada x
dan 0 untuk yang lain.
*
1, x = x
1
µA’ ( x) =
0, yang lain
2. Gaussian Fuzzifier

x*
*
Yaitu memetakan x  U ke himpunan fuzzy A’ dalam U dengan fungsi keanggotaan sebagai
berikut:
∗
 ′  = − −  ⋯ −− ∗ 
2 2
1 1
1  

Dimana a i adalah parameter positif, dan t-norm
atau min. biasanya menggunakan algebraic product
3. Triangular Fuzzifier

*
Yaitu memetakan x  U ke himpunan fuzzy A’ dalam U dengan fungsi keanggotaan
triangular sebagai berikut:
 −  −∗ ⋯  − −∗   −∗ 
1 1 1
  1 , jika bi, i = 1, 2, ..., n
 ′  =
0, yang lain
1 1
Dimana bi adalah parameter positif, dan t-norm  biasanya menggunakan algebraic product
atau min.
55
Defuzzifier
Memetakan dari suatu himpunan fuzzy di dalam U sebagai output dari fuzzy inference engine ke
dalam sebuah titik y* dalam V dimana y adalah crisp.
Ada 4 cara untuk melakukan defuzzifier, yaitu:
1. Center of gravity defuzzifier (centroid) : biasanya untuk fungsi yang kontinu.
*
y adalah titik berat dari area yang dibatasi oleh fungsi-fungsi B.
= ∗  ′′
.


2. Center average
∗  
=
=1
=1
.

3. Maximum membership principal  terlalu kasar, optimistik

µB’ ( y*)  µB’ ( y), untuk semua y  V.
w1
*
y = w1 w2
y1 y2
4. Min-Max membership (middle of maxima)
w1
*
y =
  1+ 2 w2
2
y1 y2
56
Contoh: Suatu survey memberikan 3 buah B’ (output)
Tentukan z * ?
a. Center of average
2,5 . 0,3 + 5 . 0,5 + 6,5 . 1 9,75
y* = = = 5,42
0,3+0,5+1 1,8
b. Middle of maxima

6+7 13
y* = = = 6,5
2 2
c. Centroid
−3
= 3,6
= 0,3  y
2
− = 5,5
5 = 0,5  y
Pembilang =  ′    .

=         −     
0
1
0,3 .
3,6
1
+
4
0,3. + 3,6
2
3 5,5
. + 4 0,5 . +
 −         −  
6
5,5
7
5 . + 6 + 7 8
8
.
      −       −  
1
= 13.0,3 3 + 12 .0,3 2
0
3,6
1
+ 16 3 34 2
4
3,6
+ 14 2
5,5
4
+ 13 3 5
2
2 6
5,5
+
2
    −  
1 2 7
6
+ 4 2 13 3
8
7
=
= 0,1 + 1,794 + 0,611 + 3,5625 + 2,167 + 6,5 + 3,667
18,4005
Penyebut =  ′  

1
      −     −  
= 0 0,3 +
3,6
1
0,3 +
4
3,6 2
3
+ 4
5,5
0,5 +
6
5,5
5
+ 6
7
    −
+
8
8
      −     −  
7
1 3,6 2 4 5,5 2 6 7
= 12.0,3 2
+ 0,3 1 + 1
4
3
2
+ 12 + 1
2
5 + 6 +
0 3,6 4 5,5
 −  
8 1
2
2 8
7

= 0,15 + 0,78 + 0,16 + 0,75 + 0,375 + 1 + 0,5
= 3,715
y*= 18,4005
3,715
=4,953
57
Contoh 2:
Diberikan sistem fuzzy 2 input 1 output. Didefinisikan aturan fuzzy:
IF x1 is A1 and x 2 is A2 THEN y is A1
IF x 1 is A2 and x 2 is A1 THEN y is A2
dengan A1 dan A2 = himpunan fuzzy dalam R dengan fungsi keanggotaan:
1 , 1 1
µA1 ( x) =  − − ≤  ≤
0 , yang lain
µA2 ( x) =  − − ≤  ≤
1
0
1 ,0
, yang lain
2
∗ ∗
Inputan : 1 , 2 = (0.3, 0.6) dengan singleton fuzzifier.
Tentukan output sistem fuzzy, dengan: product inference engine dan center of average.
′   ∗  
= .
′    ∗   ∗      ∗   ∗   
= . 1 . 1 2 , .1 2. 2
                     
= 1
1
0,3 .
2
2
0,6 . 1 ,
2
2
0,3 .
1
1
0,6 . 2

= 0,7.0,6. , 0,3.0,4.
  
=     
  
0,42. 1
1
, 0,12. 2
2

1 1 1
0,42
0,12
-1 0 1 0 1 2 -1 0 1 2
A1 A2

Center of average
* 0,42.0+0,12.1 0,12
y = = = 0,222
0,42+0,12 0,54
w1
Khusus untuk fungsi semacam ini: 1
 Center of average w1+w2
y* =
 2
w1
  1+ 2
w2
-1 0 1 2
 Centroid
Penyebut = luas area = luas area 1 + luas area 2 + irisan
= w1 + w2 - 12 1+ 2  ∙
 
1 2
= 0,42 + 0,12 - 12 0,42 . 0,12
0,42+0,12

= 0,4933
Pembilang =
0
1 1+ +
 1
1+ 2
1 1 +
1
 1 2 +
2
2 2
1 0 1
= −−
1 
+ +  
1
3
1
  −        − 1+ 2
6   
1 2 6 1+ 2
2
= − 0,42+0,12+ 
6
1
 1 0,423
6 0,42+0,12 2
= 0,0923
* 0,0923
y = = 0,1872
0,4933
Bentuk-bentuk implementasi fuzzy logic
Inference engine yang sering dijumpai:

1. Mamdani min  singleton fuzzifier
2. Sugeno (TSK)

3. Tsukamoto
58
Mamdani Min
- Singleton fuzzifier
- µB’( y) = min (µA’ ( x) . µB ( y))

Karena singleton=1
µB’( y) = µB ( y)
mA( x2) mA( x2)
mA( x1) mB’( y)
x1 x2

Contoh:
Suatu perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Dari data 1 bulan
terakhir, permintaan terbesar sehingga mencapai 5000 kemasan/hari, dan permintaan terkecil
sampai 1000 kemasan/hari. Persediaan barang di gudang terbanyak sampai 600 kemasan/hari, dan
terkecil pernah sampai 100 kemasan/hari. Dengan segala keterbatasannya, sampai saat ini,
perusahaan baru mampu memproduksi barang maksimum 7000 kemasan/hari, serta demi efisiensi
mesin dan SDM tiap hari diharapkan perusahaan memproduksi paling tidak 2000 kemasan. Apabila
proses perusahaan tersebut menggunakan 4 aturan fuzzy.
[R1] IF Permintaan TURUN and Persediaan BANYAK THEN Produksi BERKURANG.
[R2] IF Permintaan TURUN and Persediaan SEDIKIT THEN Produksi BERKURANG.
[R3] IF Permintaan NAIK and Persediaan BANYAK THEN Produksi BERTAMBAH.
[R4] IF Permintaan NAIK and Persediaan SEDIKIT THEN Produksi BERTAMBAH.
Berapa kemasan makanan jenis ABC yang harus diproduksi, jika jumlah permintaan sebanyak 4000
kemasan dan persediaan di gudang masih 300 kemasan?
Jawab:
Ada 3 variabel fuzzy yang akan dimodelkan: permintaan, persediaan dan produksi.
TURUN NAIK SEDIKIT BANYAK BERKURANG BERTAMBAH

1 1 1
0,75
0,6
0,4
0,25
1000 4000 5000 100 300 600 2000 7000

Permintaan Persediaan Produksi Barang
(kemasan/hari) (kemasan/hari) (kemasan/hari)
* *
Input ( x1 , x2 ) = (permintaan, persediaan) = (4000, 300)
[R1] IF Permintaan TURUN and Persediaan BANYAK THEN Produksi BERKURANG.

m(x) m(y) m(z)
TURUN BANYAK BERKURANG BERKURANG

1 1 1 1
0,4 0,25
0,25
1000 4000 5000 100 300 600 2000 7000 2000 7000

59
[R2] IF Permintaan TURUN and Persediaan SEDIKIT THEN Produksi BERKURANG.

m(x) m(y) m(z)
TURUN SEDIKIT BERKURANG BERKURANG

1 1 1 1
0,6
0,25
0,25
1000 4000 5000 100 300 600 2000 7000 2000 7000

[R3] IF Permintaan NAIK and Persediaan BANYAK THEN Produksi BERTAMBAH.
m(x) m(y) m(z)
NAIK BANYAK BERTAMBAH

1 1 1 1
0,75
0,4 BERTAMBAH
0,4
1000 4000 5000 100 300 600 2000 7000 2000 7000

[R4] IF Permintaan NAIK and Persediaan SEDIKIT THEN Produksi BERTAMBAH.
m(x) m(y) m(z)
NAIK SEDIKIT BERTAMBAH

1 1 1 1
0,75 0,6 BERTAMBAH
0,6
1000 4000 5000 100 300 600 2000 7000 2000 7000

Komposisi antar aturan
m(z)
0,6
0,25
A1 A2 A3
0 a1 a2

(a1 – 2000)/5000 = 0,25  a1 = 3.250
(a2 – 2000)/5000 = 0,60  a2 = 5.000
Dengan demikian, fungsi keanggotaan untuk hasil komposisi ini adalah:

0,25 ; z  3250
= ( z – 2000) / 5000 ; 3250  z  5000
0,6 ; z  5000
M1 =   
3250
0
0,25 z dz = 0,125z2  3250
0 = 1320312,5
M2 = 3250
7000
−
5000 z 2000
5000
z dz =  
5000
3250
0,0002z 2 − 
0,4z dz = 0,000067z 3 − 
0,2z 2 5000
3250 = 3187515,625
2 7000
M3 = 5000 0,6 z dz = 0,3z 5000 = 7200000
  
Luas setiap daerah:

A1 = 3250 * 0,25 = 812,5
A2 = (5000 – 3250) * (0,25 + 0,6) / 2 = 743,75
A3 = (7000 – 5000) * 0,6 = 1.200
Titik pusat dapat diperoleh

Catatan Kuliah Wiwi 3

Diunggah oleh

Informasi Dokumen

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

Catatan Kuliah Wiwi 3

Diunggah oleh

Hak Cipta:

Format Tersedia

7/21/2019 Catatan Kuliah Fuzzy.

Dosen Pengampu : Drs. Sri Mulyana, M.Kom

PROGRAM PASCA SARJANA ILMU KOMPUTER

Bentuk lain inferensi

Cerita: Ada fakta-fakta:

Himpunan Klasik & Himpunan Fuzzy

Disimbolkan: x  A x anggota A

Operasi Dasar Himpunan: A & B himpunan dalam semesta X

Derajat Keanggotaan A (x)  {1, 0}

Sifat-sifat operasi himpunan setara dengan logika

Gambar himpunan keanggotaan

A (x) : fungsi keanggotaan x pada himpunan A (membership function)

Fungsi keanggotaan yang biasa dipakai:

0 , x <-1 atau x  1

Operasi Himpunan Fuzzy

Kalau pada klasik

Kalau pada Fuzzy

AB = bisa ditulis

Pembuktian bahwa A  Ac  Ø

Contoh untuk yang kontinu

Konsep-konsep dasar himpunan Fuzzy

Konsep lain: alpha cut (cut)

Pada fuzzy yang kontinu.

1 Jika  = 0,1 maka A = [-0,9 ; 0,9]

Pertemuan 3 (19 September 2012)

Berdasarkan aksioma di atas, berikut termasuk complement:

Beberapa fungsi yang memenuhi S-Norm

− − − −− 

2. Dubois-Prade Class

Pertemuan 4 (26 September 2012)

2. Drastic Sum menyatakan a jika b = 0, b jika a = 0, 1 untuk yang lain.

Fuzzy Intersection (T-Norm)

Aksioma-aksioma pada t-norm

Beberapa fungsi yang memenuhi t-norm

2. Dubois-Prade Class

4. Drastic Product

6. Algebraic Product

Untuk sembarang t-norm, berlaku:

     

Algebraic Sum : SAS (a, b) = a + b – ab

Buatlah    

Cartesian Product untuk dua himpunan A dan B

Jika A  B maka A x B  B x A

Dalam bentuk gambar:

Misalkan suatu relasi : S = { (x, y) | y ≥ 2x, x, y  R }

Semua sifat pada himpunan juga berlaku pada relasi.

A = {1, 2, 3}, B = {a, b, c}

R = { (1, b), (3, b), (2, c) }

Pertemuan 5 (3 Oktober 2012)

Pada logika Crisp

Misal: A : himpunan fuzzy pada semesta X

Komposisi Relasi Fuzzy

0,2 0,2 0,2 0,2 0,2 0,2 0,2 0,2 0,2

R  R = 0,2 1  0,2 1 = 0,2

    0,3

P (very far) : U  V

Q (very near) : V  W

        1,0.95 ,

  

   

Sifat-Sifat Relasi pada Himpunan Crisp

1. Reflektif, x  A, x R x

2. Simetris, x, y  A, jika x R y maka y R x

3. Transitif,  x, y, z  A, jika x R y dan y R z maka x R z