Anda di halaman 1dari 59

FUZZY LOGIC

SPK 05
KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 1
Intelligence System
Inference
Making Decision
Fuzzy
Self Learning
Parallel Process
ANN
Optimize
Robust
GA
Diintisarikan dari paper : A new method of Soft Computing to estimate the economic
contribution rate of education in China
Definition
Fuzzy (adj): difficult to perceive clearly or
understand and explain precisely; indistinct or
vague.
Classical logic only permit discrete
classification (Yes No, Accept Reject, Old
Young), meanwhile, modern concept of logic
enables decision makers to choose in between
options.
KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 3
Asal Mula
Logika fuzzy pertama kali
dikembangkan oleh Lotfi A.
Zadeh (1965) Ilmuwan asal
Iran dari Universitas
California, Barkeley, AS.
Logika fuzzy telah banyak
diimplementasikan di
perangkat elektronik buatan
Jepang.
KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 4
Asal Mula
Contoh dari perangkat elektronik tersebut adalah
AC, Mesin Cuci, dan perangkat yang berhubungan
dengan bidang kendali.
Logika fuzzy menerjemahkan bahasa mesin yang
presisi (precision) menjadi bahasa manusia yang
memiliki makna/arti (significance).
As complexity rises, precise statements lose
meaningful and meaningful statements lose
precision. (Lotfi A. Zadeh)
KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 5
Precision Vs. Significance

KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 6
Contoh Nyata
Seorang ibu-ibu akan dikatakan Ibu Muda
apabila berusia <= 35 tahun.
A baru saja merayakan ulang tahun ke 35
seminggu yang lalu, apakah A masih dapat
dikatakan sebagai Ibu Sedikit Muda?
B kurang seminggu lagi akan merayakan ulang
tahunnya yang ke 35, apakah B masih dapat
dikatakan sebagai Ibu Kurang Muda?
KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 7
Contoh Nyata
Ketidak pastian dalam kasus tersebut
disebabkan oleh kaburnya pengertian Agak,
Kurang, Sedikit.

KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 8
Himpunan Tegas
Himpunan klasik yang telah dipelajari sebelum
Fuzzy adalah himpunan tegas (crisp set).
Untuk himpunan MUDA, usia ibu tersebut
haruslah berada di himpunan {, 30, 31, 32, 33,
34, 35}
Untuk himpunan PAROBAYA, berada di himpunan
{36, 37, 38, 39, 40}
Untuk himpunan TUA, berada di himpunan {41,
42, 43, 44, 45, }

KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 9
Fungsi Karakteristik
KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 10
Fungsi Karakteristik
KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 11
Fungsi Karakteristik
KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 12
0
1
20 35
Di bawah ini adalah grafik fungsi IBU MUDA
MUDA
Himpunan Fuzzy
Himpunan kecepatan PELAN adalah kecepatan
di bawah atau sama dengan 20 km/h.
Suatu speedometer menunjukkan angka
20,0001 km/h, apakah kendaraan tersebut
masih disebut PELAN?
Menurut himpunan tegas, kecepatan tersebut
sudah termasuk CEPAT. Namun, dalam
himpunan fuzzy, akan diturunkan derajat
keanggotaannya dalam himpunan PELAN.

KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 13
Himpunan Fuzzy
Derajat keanggotaan ditentukan dengan
fungsi keanggotaan:

A
: X -> [0, 1]

Bila dibandingkan dengan himpunan tegas

A
: X -> {0, 1}
KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 14
Himpunan Fuzzy
Arti derajat keanggotaan:

A
(x) = 1 berarti anggota penuh dari himpunan A

A
(x) = 0 berarti bukan anggota dari himpunan A

A
(x) = dimana 0 < < 1 berarti anggota dari
himpunan A dengan derajat keanggotaan sebesar
.
KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 15
Operasi fuzzy - AND
Operator ini berhubungan dengan operasi
interseksi pada himpunan
Maka -predikat dengan operator AND
diperoleh dengan mengambil nilai
keanggotaan terkecil antar elemen pada
himpunan-himpunan yang bersangkutan

Operasi fuzzy - AND
Contoh : Misalkan nilai keanggotaan 27
tahun pada himpunan MUDA adalah 0.6
(MUDA(27)=0.6) dan nilai keanggotaan Rp.
2.000.000 pada himpunan penghasilan
TINGGI adalah 0.8 (GAJITINGGI(2000000)=0.8)
maka nilai -predikat untuk usia MUDA dan
berpenghasilan TINGGI adalah
MUDA TINGGI=min(MUDA(27), GAJITINGGI(2000000))
=min(0.6, 0.8)
=0.6

Operasi fuzzy - or
Operator ini berhubungan dengan operasi
union pada himpunan
Maka -predikat dengan operator OR
diperoleh dengan mengambil nilai
keanggotaan terbesar antar elemen pada
himpunan-himpunan yang bersangkutan


Operasi fuzzy - or
Contoh : Misalkan nilai keanggotaan 27 tahun
pada himpunan MUDA adalah 0.6 (MUDA(27)=0.6)
dan nilai keanggotaan Rp. 2.000.000 pada
himpunan penghasilan TINGGI adalah 0.8
(GAJITINGGI(2000000)=0.8) maka nilai -predikat
untuk usia MUDA atau berpenghasilan TINGGI
adalah
MUDA TINGGI=max(MUDA(27), GAJITINGGI2000000))
=max(0.6, 0.8)
=0.8

Operasi fuzzy - not


Operator ini berhubungan dengan operasi
komplemen pada himpunan
Maka -predikat dengan operator NOT
diperoleh dengan mengurangkan nilai
keanggotaan elemen pada himpunan yang
bersangkutan dari 1



Operasi fuzzy - not
Contoh : Misalkan nilai keanggotaan 27 tahun
pada himpunan MUDA adalah 0.6
(MUDA(27)=0.6) berapa nilai -predikat untuk
usia TIDAK MUDA
MUDA = 1 - MUDA(27)
= 1 0.6 = 0.4

A B
A . B A v B A
Operator Fuzzy
Contoh Soal
Misalkan variabel umur dibagi menjadi 3
kategori
MUDA: usia < 35 tahun
PAROBAYA: 35 <= usia <= 55 tahun
TUA: usia > 55 tahun

KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 23
Contoh Soal

KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 24
Fungsi keanggotaan
LINEAR NAIK

Fungsi keanggotaan
LINEAR TURUN
Fungsi keanggotaan
SEGITIGA
Fungsi keanggotaan
TRAPESIUM
Fungsi keanggotaan
Bahu





0 28 40
0
1
Fungsi keanggotaan
Kurva S Pertumbuhan
Fungsi keanggotaan
Kurva S Pertumbuhan

Fungsi keanggotaan
Kurva S - Penyusutan
Fungsi keanggotaan
Kurva S - Penyusutan
Fungsi keanggotaan
Kurva


Fungsi keanggotaan
Kurva



Fungsi keanggotaan
Beta
Fungsi keanggotaan
Gauss
Inference Fuzzy
Sistem Inferensi Fuzzy merupakan suatu
kerangka komputasi yang didasarkan pada
teori himpunan fuzzy yang berbentuk IF-THEN


Inference - tsukamoto
Untuk menentukan kinerja seorang karyawan
dipengaruhi oleh 3 variable, yaitu loyalitas,
kedisiplinan dan prestasi. Setiap variabel
terdiri dari 5 himpunan, yaitu sangat rendah
(SR), rendah (R), Cukup (C), Tinggi (T) dan
Sangat Tinggi (ST).
Sedangkan kinerja karyawan terbagi atas 2
kategori, yaitu Baik dan Buruk.
Inference - tsukamoto
Himpunan SR (Sangat Rendah)

>
s s
=

25 ; 0
25 0 ;
) (
25
25
x
x
x
x
SR

Inference - tsukamoto
Himpunan R (Rendah)

>
s s
s s
=

50 ; 0
50 25 ;
25 0 ;
) (
25
50
25
x
x
x
x
x
x
R

Inference - tsukamoto
Himpunan C (Cukup)

s s
s s
> s
=

75 50 ;
50 25 ;
75 atau 25 ; 0
) (
25
75
25
25
x
x
x x
x
x
x
C

Inference - tsukamoto
Himpunan T (Tinggi)

s s
s s
s
=

100 75 ;
75 50 ;
50 ; 0
) (
25
100
25
50
x
x
x
x
x
x
T

Inference - tsukamoto
Himpunan ST (Sangat Tinggi)

s s
s
=

100 75 ;
75 ; 0
) (
25
75
x
x
x
x
ST

Inference - tsukamoto
Himpunan fuzzy untuk kinerja

>
s s
=

75 ; 0
75 0 ;
) (
75
75
y
y
y
y
BURUK

Inference - tsukamoto
Himpunan fuzzy untuk kinerja

s s
s
=

100 50 ;
25 ; 0
) (
50
50
y
y
y
y
BAIK

Inference - tsukamoto
RULE BASE untuk suatu Kinerja dikatakan Baik
jika

IF Loyalitas TINGGI and Kedisiplinan TINGGI and
Prestasi SANGAT TINGGI then Kinerja BAIK

Misalkan ada seorang karyawan yang memiliki
nilai Loyalitas 60, kedisiplinan 80, dan prestasi 90,
maka bagaimana kinerja karyawan tersebut?
Inference - tsukamoto

s s
s s =
s
=

100 75 ;
75 50 ; 4 . 0
50 ; 0
) 60 (
25
100
25
50 60
x
x
x
x
INGGI LoyalitasT

Inference - tsukamoto

s s
s s =
s
=

100 75 ;
75 50 ; 8 . 0
50 ; 0
) 80 (
25
100
25
50 80
x
x
x
x
anTINGGI Kedisiplin

Inference - tsukamoto

s s =
s
=

100 75 ; 6 . 0
75 ; 0
) 90 (
25
75 90
Pr
x
x
atTinggi estasiSang

Inference - tsukamoto
Karena digunakan operator AND untuk
merelasikan antar variabel, maka nilai -
predikat aturan tersebut adalah
-predikat = min(0.4; 0.8; 0.6)
= 0.4
Lalu dilakukan defuzzyfikasi
Inference - tsukamoto
Defuzzyfikasi
4 . 0
50
50
=
y
0.4
y=70
Air Temperature
Set cold {50, 0, 0}
Set cool {65, 55, 45}
Set just right {70, 65, 60}
Set warm {85, 75, 65}
Set hot {, 90, 80}

Rule Base
Fan Speed
Set stop {0, 0, 0}
Set slow {50, 30, 10}
Set medium {60, 50, 40}
Set fast {90, 70, 50}
Set blast {, 100, 80}
Rule Base
Air Conditioning Controller Example:
IF Cold then Stop
If Cool then Slow
If OK then Medium
If Warm then Fast
IF Hot then Blast



Taken from book of Sri Kusumadewi,
Analisis & Desain Sistem Fuzzy menggunakan Toolbox Matlab, Graha Ilmu, 200
Rule Base
Fuzzy Air Conditioner



























S
t
o
p























S
l
o
w
M
e
d
iu
m













F
a
s
t



















B
la
s
t
0
10
20
30
40
50
60
70
80
90
100
0
1
45 50 55 60 65 70 75 80
0
C
o
l
d
















C
o
o
l
85 90
J
u
s
t
R
i
g
h
t


















W
a
r
m



















H
o
t
if Cold
then Stop
IF Cool
then
Slow
If Just Right
then
Medium
If Warm
then
Fast
If Hot
then
Blast
Mapping Inputs to Outputs
1



























S
t
o
p























S
l
o
w
M
e
d
iu
m













F
a
s
t



















B
la
s
t
0
10
20
30
40
50
60
70
80
90
100
0
1
45 50 55 60 65 70 75 80
0
C
o
l
d
















C
o
o
l
85 90
J
u
s
t
R
i
g
h
t


















W
a
r
m



















H
o
t
t
References
Dr. Sri Kusumadewi, S.Si., M.T., Neuro-Fuzzy:
Integrasi Jaringan Syaraf dengan Sistem Fuzzy.
Dr. Rinaldi Munir, Topik Khusus IF: Teknik
Informatika STEI ITB
H.-J. Zimmerman, Fuzzy Set Theory
Haixiang Guo, Fengqin Diao, Kejun Zhu, Jinling
Li, Yanmin Xing, A new method of soft
computing to estimate the economic
contribution rate of education in China
KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 58
Tugas On The Spot
Tuliskan resume materi hari ini di selembar kertas
yang telah disediakan.
Minggu depan 22 Okt tidak ada kuliah di kelas
melainkan mencoba modul fuzzy di matlab di
SPK/LPSI.
Modul akan diunggah di Share ITS.
Report dari hasil percobaan di capture lalu
diunggah di Share ITS.
Tetap absen.
KS141401 SPK Institut Teknologi Sepuluh Nopember (ITS) 59