Fuzzy Bab 9
Fuzzy Bab 9
MAKALAH
Logika Fuzzy
Oleh :
JURUSAN MATEMATIKA
NOVEMBER 2019
9. FUZZY INFERENCE (INFERENSIA FUZZY)
Dalam bab ini, akan ditinjau konsep prinsip perluasan dan relasi fuzzy, yang
memperluas gagasan dan penerapan himpunan fuzzy. Dengan menafsirkan aturan
fuzzy sebagai relasi fuzzy yang sesuai, dengan menyelidiki skema penalaran
fuzzy yang berbeda. Skema inferensia ini, didasarkan pada aturan komposisi
inferensia, dan hasilnya diturunkan dari aturan himpunan fuzzy dan input yang
diberikan. Dua masalah penting (menentukan relasi implikasi dan pemilihan
operator komposisi) akan dibahas dan empat metode inferensi berbeda yang akan
diperkenalkan.
Seperti yang telah dibahas pada bab 3, prinsip ekstensi adalah konsep
dasar teori himpunan fuzzy yang menyediakan prosedur umum untuk memperluas
domain tegas ke domain fuzzy. Prosedur ini mengeneralisasikan pemetaan fungsi
biasa ke pemetaan antara himpunan fuzzy. Misalkan g adalah fungsi dari X ke Y,
dan A adalah himpunan fuzzy pada X yang didefinisikan sebagai berikut.
Maka prinsip ekstensi yang menyatakan hasil pemetaan dari himpunan fuzzy A
oleh fungsi f dapat dinyarakan sebagai himpunan fuzzy 𝐵 ⊆ 𝑌.
Komposisi dari dari himpunan diperoleh dari Cartesian Product dari himpunan
tersebut. Berbagai jenis komposisi yang telah dibahas pada bab 3 dapat diringkas
sebagai berikut.
Aplikasi dari relasi fuzzy mencakup beberapa hal seperti fuzzy control dan
pengambilan keputusan. Pada dasarnya relasi fuzzy dapat direpresentasikan
sebagai berikut.
Relasi fuzzy dalam ruang produk yang berbeda dapat dikombinasikan melalui
“Operasi Komposisi”. Operasi tersebut dapat disimbolkan dengan “∘”. Terdapat
dua jenis yang dapat digunakan dalam melakukan operasi komposisi.
a. Komposisi Max-Min
dimana 𝜇𝑅1∘𝑅2 (𝑥, 𝑧) = 𝑚𝑎𝑥 𝑚𝑖𝑛[𝜇𝑅1 (𝑥, 𝑦), 𝜇𝑅2 (𝑦, 𝑧)], 𝑥 ∈ 𝑋, 𝑦 ∈ 𝑌, 𝑧 ∈ 𝑍.
𝑅1 ⊆ 𝑋 × 𝑌, 𝑅2 ⊆ 𝑌 × 𝑍.
b. Komposisi Max-Product
𝑅1 ⊆ 𝑋 × 𝑌, 𝑅2 ⊆ 𝑌 × 𝑍.
a. Contoh 1
𝑅(𝑥, 𝑦) = 𝐴𝑝𝑟𝑜𝑘𝑠𝑖𝑚𝑎𝑠𝑖_𝑠𝑎𝑚𝑎(𝑥, 𝑦)
𝑅(𝑥) = 𝐾𝑒𝑐𝑖𝑙(𝑥)
Selanjutnya diasumsikan derajat keanggotaan dari R(x) dan R(x,y) diberikan pada
Tabel 1 dan Tabel 2. Jenis operator komposisi yang akan digunakan adalah
operator Max-Min.
b. Contoh 2
Proses mencari yang terdekat, dapat digunakan teknik pengukuran jarak antara
himpunan fuzzy, dan prosedur ini disebut "Linguistic Approximation".
𝑅: 𝑖𝑓 𝑥 𝑖𝑠 𝐴, 𝑡ℎ𝑒𝑛 𝑦 𝑖𝑠 𝐵
di mana A dan B adalah nilai linguistik yang didefinisikan oleh himpunan fuzzy
pada semesta X dan Y, masing-masing. Aturan ini juga disebut "implikasi fuzzy"
atau pernyataan kondisional fuzzy. Bagian "x adalah A" disebut "anteseden" atau
"premis", sedangkan "y adalah B" disebut “konsekuensi" atau "kesimpulan".
Secara umum, anteseden dan konsekuensi diwakili oleh bentuk variabel linguistik
yang dibahas dalam bab sebelumnya.
𝑅: 𝑖𝑓 𝑥 𝑖𝑠 𝐴, 𝑡ℎ𝑒𝑛 𝑦 𝑖𝑠 𝐵
𝑅: 𝐴 → 𝐵
Intinya, ekspresi menggambarkan hubungan antara dua variabel x dan y. Ini
menunjukkan bahwa aturan fuzzy dapat didefinisikan sebagai hubungan biner R
pada ruang produk X × Y.
𝑅: 𝐴 → 𝐵
R dapat dilihat sebagai himpunan fuzzy dengan fungsi keanggotaan dua dimensi
Hal tersebut merupakan aturan fuzzy dan relasi fuzzy. Akan ditentukan
fungsi keanggotaan dari aturan tersebut. Misalkan T dan H menjadi semesta dan
masing-masing merepresentasikan Temperatur dan Kelembapan. Misalkan
terdapat variabel 𝑡 ∈ 𝑇 dan ℎ ∈ 𝐻. Selanjutnya direpresentasikan himpunan fuzzy
“TInggi” dan “Cukup Tinggi” oleh A dan B.
A= “Tinggi, ” 𝐴 ⊆ 𝑇
B= “Cukup Tinggi, ” 𝐵 ⊆ 𝐻
Maka aturan yang telah diberikan dapat ditulis kembali seperti berikut.
R(t,h): Jika t adalah A maka h adalah B
Berdasarkan aturan tersebut dapat diperoleh dua proporsi predikat.
R(t): t adalah A, dan
R(h): h adalah B.
Sehingga aturan dapat ditulis sebagai berikut.
R(t,h): R(t) → R(h)
Jika diketahui fungsi keanggotaan A dan B, dapat ditentukan R(t,h) = A x
B dengan menggunakan fungsi implikasi fuzzy di mana R(t,h) ⊆ T x H.
Asumsikan fungsi keanggotaan 𝜇𝐴 (𝑡) dan 𝜇𝐵 (ℎ) masing-masing diberikan
dalam (Tabel 6, dan Tabel 7). Untuk mendapatkan hubungan untuk implikasi
dalam aturan fuzzy di atas, dipilih operasi min Mamdani.
Ketika diterapkan operasi min pada produk Cartesian A x B, didapatkan
relasi RC seperti yang ditunjukkan pada (Tabel 8.) Keanggotaan RC ini mewakili
aturan fuzzy. Perhatikan bahwa 𝜇R𝐶 (20, 50) = 0,1 diperoleh oleh min antara
𝜇𝐴 (20) = 0,1 dan 𝜇𝐵 (50) = 0,6. Demikian pula, 𝜇R𝐶 (30, 20) = 0,2 dari
𝜇𝐴 (30) = 0,5 dan 𝜇𝐵 (20) = 0,2.
Tabel 8. Nilai keanggotaan dari aturan Rc=AxB
t h 20 50 70 90
Seperti yang dapat kita lihat, A’ tidak sama dengan A dengan demikian
dapat diterapkan metode inferensi fuzzy dari modus ponens umum (GMP). Akan
digunakan aturan komposisi inferensi dengan komposisi max-min.
R(h) = R(t) ∘ RC (t,h),
di mana R(t) berada di (Tabel 9.) dan RC(t,h) di (Tabel 9.8.). Jika kita menyatakan
hasil kesimpulan sebagai B’maka isi dari B’ merupakan informasi tentang
kelembaban ketika "suhu cukup tinggi" (Tabel 9.10).
Tabel 10. Hasil dari inferensi fuzzy
h 20 50 70 90
𝜇𝐵′ (ℎ) 0,2 0,6 0,7 0,81
...
...
𝑅: ⋃ 𝑅𝑖
𝑖=1
𝑅𝑖 : 𝐴𝑖 → 𝐶𝑖
Perhatikan bahwa ada penghubung "also" atau "else" antara aturan-aturan.
Mari kita lihat bagaimana koneksi ditafsirkan ketika kita mempertimbangkan
max-min untuk operator komposisi.
Kita akan melihat bahwa operatornya komutatif dan dengan demikian the
fuzzy control action (fuzzy tindakan kontrol) dianggap sebagai hasil agregat yang
berasal dari aturan kontrol individu. Artinya, penghubung diimplementasikan
sebagai maks operasi. Selanjutnya, kita juga akan melihat properti yang sama
dengan operator produk-maksimum untuk komposisi.
Lemma 3 (Total hasil 𝐶 ′ adalah agregasi dari hasil individual 𝐶𝑖′ , Gambar 9.3)
Hasil inferensi 𝐶 adalah hasil agregasi dari 𝐶𝑖′ yang berasal dari aturan individu.
𝑛 𝑛 𝑛
𝐶 = 𝐴 ° ⋃ 𝑅𝑖 = ⋃ 𝐴 ° 𝑅𝑖 = ⋃ 𝐶𝑖′
′ ′ ′
(Bukti)
𝐶 ′ = 𝐴′ ° ⋃𝑛𝑖=1 𝑅𝑖 = 𝐴′ ° ⋃𝑛𝑖=1( 𝐴𝑖 → 𝐶𝑖 )
𝑅𝑖 = 𝐴𝑖 → 𝐶𝑖 𝑜𝑟 𝑅𝑖 = 𝐴𝑖 × 𝐶𝑖 𝑢𝑛𝑡𝑢𝑘 𝑖 = 1,2, … , 𝑛
Fungsi keanggotaan 𝜇𝐶 ′ dari himpunan fuzzy 𝐶 ′ ditentukan secara khusus untuk
semua 𝑤 𝜖 𝑊 oleh
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) ], min[𝜇𝐴′ (𝑢), 𝜇𝑅2 (𝑢, 𝑤) ], . min[𝜇𝐴′ (𝑢), 𝜇𝑅𝑛 (𝑢, 𝑤) ]}
𝑢 𝑢,𝑤 𝑢
Karena [𝜇𝐴′ (𝑢)°𝜇𝑅1 (𝑢, 𝑤) ] = max min[𝜇𝐴′ (𝑢), 𝜇𝑅1 (𝑢, 𝑤)]
𝑢 𝑢
𝜇𝐶 ′ (𝑤) =
max {[𝜇𝐴′ (𝑢)°𝜇𝑅1 (𝑢, 𝑤)], [𝜇𝐴′ (𝑢)°𝜇𝑅2 (𝑢, 𝑤) ], … , [𝜇𝐴′ (𝑢)°𝜇𝑅𝑛 (𝑢, 𝑤) ]}
𝑢,𝑤
𝐶𝑖′ = 𝐴′ °𝑅𝑖
maka
𝐶 ′ = [𝐴′ °𝑅1 ] ∪ [𝐴′ °𝑅2 ] ∪. . .∪ [𝐴′ °𝑅𝑖 ]
= ⋃𝑛𝑖=1 𝐴′ °𝑅𝑖
= ⋃𝑛𝑖=1 𝐴′ °(𝐴𝑖 → 𝐶𝑖 )
= ⋃𝑛𝑖=1 𝐶𝑖′
Kami melihat bahwa hasil 𝐶 ′ adalah union (agregasi) hasil 𝐶𝑖′ dari aturan
individu. Itu adalah,
𝑛
𝜇𝐶 ′ (𝑤) = ⋁ 𝜇𝐶𝑖′
𝑖=1
Gambar 9.3. Lemma 3 (Total hasil 𝐶 ′ adalah gabungan dari hasil individu 𝐶𝑖′ )
(Bukti)
𝐶 ′ = (𝐴′ , 𝐵′ )° ⋃𝑛𝑖=1 𝑅𝑖 = (𝐴′ , 𝐵′ )° ⋃𝑛𝑖=1(𝐴𝑖 𝑎𝑛𝑑 𝐵𝑖 → 𝐶𝑖 )
𝑅𝑖 = 𝐴𝑖 𝑎𝑛𝑑 𝐵𝑖 → 𝐶𝑖 𝑜𝑟𝑅𝑖 = 𝐴𝑖 × 𝐵𝑖 × 𝐶𝑖 𝑢𝑛𝑡𝑢𝑘 𝑖 = 1,2, … , 𝑛
Fungsi keanggotaan 𝜇𝐶 ′ dari himpunan fuzzy 𝐶 ′ ditentukan secara khusus untuk
semua 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
max min {[𝜇𝐴′ (𝑢), 𝜇𝐵′ (𝑣)], max[𝜇𝑅1 (𝑢, 𝑣, 𝑤), 𝜇𝑅2 (𝑢, 𝑣, 𝑤), . . . , 𝜇𝑅𝑛 (𝑢, 𝑣, 𝑤) ] }
𝑢,𝑣 𝑢,𝑣 𝑢,𝑣,𝑤
min[𝜇𝐴′ (𝑢), 𝜇𝐵′ (𝑣), 𝜇𝑅2 (𝑢, 𝑣, 𝑤) ], . . . , min[𝜇𝐴′ (𝑢), 𝜇𝐵′ (𝑣), 𝜇𝑅2 (𝑢, 𝑣, 𝑤) ] }
𝑢,𝑣 𝑢,𝑣
𝜇𝐶 ′ (𝑤) = ⋁ 𝜇𝐶𝑖′
𝑖=1
Lemma 4: (𝑅𝑖 : (𝐴𝑖 𝑎𝑛𝑑 𝐵′ → 𝐶𝑖 ) 𝑡𝑒𝑟𝑑𝑖𝑟𝑖 𝑑𝑎𝑟𝑖 𝑅𝑖1 : (𝐴𝑖 → 𝐶𝑖 ) 𝑑𝑎𝑛 𝑅𝑖2 : (𝐵𝑖 →
𝐶𝑖 ))
Ketika ada aturan 𝑅𝑖 dengan dua input variabel 𝐴𝑖 dan 𝐵𝑖 , hasil inferensi 𝐶𝑖
diperoleh dari inferensi individu 𝑅𝑖1 : (𝐴𝑖 → 𝐶𝑖 ) dan 𝑅𝑖2 : (𝐵𝑖 → 𝐶𝑖 )
𝐶𝑖′ = (𝐴′ , 𝐵′ )°(𝐴𝑖 𝑎𝑛𝑑 𝐵′ → 𝐶𝑖 )
= [𝐴′ °(𝐴𝑖 → 𝐶𝑖 )] ∩ [𝐵′ °(𝐵𝑖 → 𝐶𝑖 )] 𝑗𝑖𝑘𝑎 𝜇𝐴𝑖 ×𝐵𝑖 =
𝜇𝐴𝑖 ˄𝜇𝐵𝑖 (𝑢𝑛𝑡𝑢𝑘 𝑅𝐶 )
= [𝐴′ °𝑅𝑖1 ] ∩ [𝐵′ °𝑅𝑖2 ] 𝑑𝑖 𝑚𝑎𝑛𝑎 𝑅𝑖1 = 𝐴𝑖 → 𝐶𝑖 𝑑𝑎𝑛 𝑅𝑖2 = 𝐵𝑖 → 𝐶𝑖
= 𝐶𝑖1 ∩ 𝐶𝑖2 𝑑𝑖 𝑚𝑎𝑛𝑎 𝐶𝑖1 = 𝐴′ °𝑅𝑖1 𝑑𝑎𝑛 𝐶𝑖2 = 𝐵′ °𝑅𝑖2
𝐶𝑖′ = (𝐴′ , 𝐵′ )°(𝐴𝑖 𝑎𝑛𝑑 𝐵′ → 𝐶𝑖 )
= [𝐴′ °(𝐴𝑖 → 𝐶𝑖 )] ∙ [𝐵′ °(𝐵𝑖 → 𝐶𝑖 )] 𝑗𝑖𝑘𝑎 𝜇𝐴𝑖 ×𝐵𝑖 = 𝜇𝐴𝑖 ∙
𝜇𝐵𝑖 (𝑢𝑛𝑡𝑢𝑘 𝑅𝑝 )
= max min {min[𝜇𝐴′ , (𝜇𝐴𝑖 → 𝜇𝐶𝑖 )], min[𝜇𝐵′ , (𝜇𝐵𝑖 → 𝜇𝐶𝑖 )]}
𝑢,𝑣
Lemma 5: (Untuk input tunggal, 𝐶𝑖′ ditentukan oleh pencocokan derajat minimum
𝐴𝑖 dan 𝐵𝑖 Gambar 9.5)
Jika inputnya adalah fuzzy singletons, yaitu, 𝐴′ = 𝑢0 , 𝐵′ = 𝑣0 , derajat
kecocokan 𝑎𝑖 adalah nilai minimum antara 𝜇𝐴𝑖 (𝑢0 ) dan 𝜇𝐵𝑖 (𝑣0 ) dari lemma 1,
hasil inferensi dapat diperoleh dengan menggunakan Aturan operasi minimum
Mamdani 𝑅𝐶 dan operasi produk Larsen aturan 𝑅𝑝 untuk implikasinya.
Gambar 9.4. Lemma 4 (Aturan 𝑅𝑖 dapat didekomposisi menjadi 𝑅𝑖1 dan 𝑅𝑖2 dan
hasilnya 𝐶𝑖′ dari 𝑅𝑖 adalah persimpangan dari hasil 𝐶𝑖1 dan 𝐶𝑖2 dari 𝑅𝑖1 dan 𝑅𝑖2 ,
masing-masing.)
𝜇𝐶𝑖′ (𝑤) = 𝑎𝑖 ˄𝜇𝐶𝑖 (𝑤) 𝑢𝑛𝑡𝑢𝑘 𝑅𝐶
𝜇𝐶𝑖′ = min {min[𝜇𝐴𝑖 (𝑢0 ), 𝜇𝐶𝑖 (𝑤)], min[𝜇𝑩𝑖 (𝑣0 ), 𝜇𝐶𝑖 (𝑤)] }
= 𝑎𝑖 ˄ 𝜇𝐶𝑖 (𝑤)
2. Jika kami menggunakan operasi minimum Larsen untuk implikasi
𝜇𝐶𝑖′ = min{[𝜇𝐴𝑖 (𝑢0 ) ∙ 𝜇𝐶𝑖 (𝑤)], [𝜇𝑩𝑖 (𝑣0 ), 𝜇𝐶𝑖 (𝑤)] }
= 𝑎𝑖 ∙ 𝜇𝐶𝑖 (𝑤)
Lemma 6: (Untuk input fuzzy, 𝐶𝑖′ ditentukan oleh pencocokan minimum
derajat ( 𝐴′ 𝑑𝑎𝑛 𝐴𝑖 ) dan (𝐵′ 𝑑𝑎𝑛 𝐵𝑖 ), Gambar 9.6)
Jika input diberikan sebagai himpunan fuzzy 𝐴′ dan 𝐵′ , derajat
kecocokan 𝑎𝑖 ditentukan oleh minimum antara ( 𝐴′ 𝑑𝑎𝑛 𝐴𝑖 ) dan (𝐵′ 𝑑𝑎𝑛 𝐵𝑖 ).
Dari pada lemma 2, hasilnya dapat diperoleh dengan menggunakan operasi min
untuk 𝑅𝐶 dan operasi produk untuk 𝑅𝑝 .
Gambar 9.5. Lemma 5 ( 𝑎𝑖 adalah derajat kecocokan antara 𝐴𝑖 (𝑢0 ) dan 𝐵𝑖 (𝑣0 ).)
𝜇𝐶𝑖′ (𝑤) = 𝑎𝑖 ˄𝜇𝐶𝑖 (𝑤) 𝑢𝑛𝑡𝑢𝑘 𝑅𝐶
Di mana 𝑎𝑖 = min [ max(𝜇 𝐴′ (𝑢) → 𝜇𝐴𝑖 (𝑢)), max(𝜇 𝐵′ (𝑣) → 𝜇𝐵𝑖 (𝑣))]
𝑢 𝑣
Di mana 𝑎𝑖 = min[ 𝑎𝐴 , 𝑎𝐵 ] =
Demikian pula, kita dapat membuktikan lemma ketika produk digunakan untuk
implikasi dan produk-maks untuk komposisi ( 𝑅𝑝 ). Karena itu, dari lemma, kita
bisa nyatakan
𝜇𝐶 ′ = ⋃𝑛𝑖=1 𝑎𝑖 ˄𝜇𝐶𝑖 𝑢𝑛𝑡𝑢𝑘 𝑅𝐶
𝜇𝐶 ′ = ⋃𝑛𝑖=1 𝑎𝑖 ∙ 𝜇𝐶𝑖 𝑢𝑛𝑡𝑢𝑘 𝑅𝑝
di mana derajat pencocokan (faktor weighting, faktor satisfaction, firing strength)
𝑎𝑖 adalah ukuran kontribusi aturan ke-i pada tindakan kontrol fuzzy.
1. Masukan Singleton
Jika input diberikan sebagai nilai singleton, derajat kecocokan (firing
trength) 𝑎1 dan 𝑎2 dari aturan pertama dan kedua dapat dinyatakan sebagai
𝑎1 = 𝜇𝐴1 (𝑢0 )˄𝜇𝐵1 (𝑣0 )
𝑎2 = 𝜇𝐴2 (𝑢0 )˄𝜇𝐵2 (𝑣0 )
di mana 𝜇𝐴1 (𝑢0 ) dan 𝜇2 (𝑣0 ) adalah derajat match pastial antara data user-
supplied (𝑢0 𝑑𝑎𝑛 𝑣0 ) dan data (𝐴𝑖 𝑑𝑎𝑛 𝐵𝑖 ) dalam basis aturan.
2. Fuzzy Input
Jika input diberikan sebagai himpunan fuzzy 𝐴′ dan 𝐵′ , derajat
kecocokan 𝑎𝑖 dari peraturan adalah
𝑎𝑖 = min [ max(𝜇 𝐴′ (𝑢) ˄ 𝜇𝐴𝑖 (𝑢)) , max(𝜇𝐵′ (𝑣) ˄ 𝜇𝐵𝑖 (𝑣)) ] 𝑢𝑛𝑡𝑢𝑘 𝑖 =
𝑢 𝑣
1,2
Kami melihat bahwa derajat kecocokan diperoleh melalui operasi minimum
dalam produk Cartesian. Hubungan ini memainkan peran kunci dalam mengikuti
empat metode inferensi.
9.4.1 metode mamdani
Metode ini menggunakan operasi minimum 𝑅𝐶 sebagai suatu implikasi fuzzy dan
operator max-min untuk komposisi. Misalkan dasar aturan diberikan bentuk
berikut.
𝑅𝑖 :jika 𝑢 adalah 𝐴𝑖 dan 𝑣 adalah 𝐵𝑖 maka 𝑤 adalah 𝐶𝑖 , 𝑖 = 1,2, … , 𝑛
Untuk 𝑢 ∈ 𝑈, 𝑣 ∈ 𝑉, dan 𝑤 ∈ 𝑊.
Maka, 𝑅𝑖 = (𝐴𝑖 𝑑𝑎𝑛 𝐵𝑖 ) → 𝐶𝑖 didefinisikan oleh
𝜇𝑅𝑖 = 𝜇(𝐴𝑖 𝑑𝑎𝑛 𝐵𝑖 )→𝐶𝑖 (𝑢, 𝑣, 𝑤)
(1) maka input data adalah singleton 𝑢 = 𝑢0 , 𝑣 = 𝑣0
𝜇𝐶𝑖′ (𝑤) = [𝜇𝐴𝑖 (𝑢0 ) 𝑑𝑎𝑛 𝜇𝐵𝑖 (𝑣0 )] → 𝜇𝐶𝑖 (𝑤)
Metode mamdani menggunakan operasi minimum (∧) untuk implikasi fuzzy
(→). dari lemma 5,
𝜇𝐶𝑖′ (𝑤) = 𝛼𝑖 ∧ 𝜇𝐶𝑖 (𝑤) 𝑑𝑖𝑚𝑎𝑛𝑎 𝛼𝑖 = 𝜇𝐴𝑖 (𝑢0 ) ∧ 𝜇𝐵𝑖 (𝑣0 )
Fig. 9.7. representasi grafik dari metode mamdani dengan input singleton
Oleh karena itu secara umum, dari lemma 3,
Fig 9.8 grafik interpretasi dari metode mamdani dengan input himpunan fuzzy
Hasil 𝐶 ′ adalah himpunan fuzzy dan sehingga jika kita ingin mendapatkan aksi
kontrol deterministik, suatu metode defuzzyfikasi digunakan yang akan
didiskusikan di bab selanjutnya.
Contoh 9.5 ada suatu aturan dasar fuzzy termasuk 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 bersegi tiga.
Jika suatu input diberikan sebagai nilai singleton 𝑢0 = 3, bagaimana kami
menghitung output 𝐵′ menggunakan metode mamdani ?
Kami bisa melihat derajat kecocokan antara A dan 𝑢0 adalah 𝛼 = 0.5 oleh karena
itu output 𝐵’ dimuat oleh irisan antara B dan 𝛼 = 0.5. yaitu 𝐵′ diekspresikan oleh
area menurun dari 0.5 di 𝐵 (Fig. 9.9).
Sekarang, perhatikan kasus yang input 𝐴′ = (0,1,2). Yaitu,
𝜇𝐴′ (𝑥 ) = 𝑥 𝑢𝑛𝑡𝑢𝑘 0 ≤ 𝑥 ≤ 1
= −𝑥 + 2 𝑢𝑛𝑡𝑢𝑘 1 ≤ 𝑥 ≤ 2
= 0 untuk yg lainnya
Kita bisa memperoleh derajat kecocokan 𝛼 = 2/3 dan maka 𝐵′ adalah bagian
menurun dari 2/3 di B (Fig 9.10).
Dari lemma 3,
Representasi grafik dari metode ini dengan input singleton diberikan dalam (Fig
9.9)
(2) ketika input data diberikan sebagai bentuk dari himpunan-himpunan fuzzy 𝐴′
dan 𝐵′, dari lemma 6, kita ketahui
Fig. 9.12 grafik representasi dari metode Larsen dengan himpunan fuzzy input
Contoh 9.6
Ada 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 inferensi 𝐶′ ketika input adalah 𝑢0 = 3, 𝑣0 = 4 menggunakan
metode Larsen
ii) tentukan hasil inferensi 𝐶 ′ ketika input adalah 𝐴 = (0,1,2) dan 𝐵 = (2,3,4).
Solusi di ilustrasikan dalam (Fig 9.13, 9.14), secara berturut-turut.
Metode ini juga menghemat waktu defuzzifikasi karena hasil akhir 𝑤0 adalah nilai
tegas.
Gambar 9.16. grafik Representasi dari metode TSK
DAFTAR RUJUKAN
Lee, K.H. 2005. First Course on Fuzzy Theory and Applications. Berlin: Springer.