Pendahuluan
Ide dasar Fuzzy System
adalah Fuzzy Set dan Fuzzy
Logic
Plato menyatakan bahwa
terdapat area ketiga selain
Benar dan Salah
Konsep fuzzy logic yang
sangat sistematis pertama
kali diusulkan oleh Lotfi A
Zadeh, tahun 1965
Pendahuluan
Pertengahan 1970 para
ilmuwan Jepang berhasil
mengimplementasikan
konsep fuzzy ke dalam
berbagai peralatan
elektronik
Hingga saat ini, fuzzy
sudah diterapkan pada
berbagai sistem kontrol
seperti pada AC, mesin
Latar Belakang
Manusia cenderung
membahasakan sesuatu
secara umum, tidak presisi,
dan bersifat relatif
Representasi fakta yang
ambigu atau samar
mendasari adanya teori
fuzzy
Ilustrasi
Himpunan Klasik[1]
Sering disebut himpunan tegas
(crisp set)
Keanggotaan suatu elemen di
dalam himpunan dinyatakan
secara tegas (apakah elemen
tersebut anggota himpunan
atau bukan)
Untuk sembarang himpunan A,
sebuah elemen x adalah
anggota himpunan A bila x
terdapat di dalam A dan
dinyatakan dengan
Himpunan Klasik[2]
Kelemahan:
Tidak semua hal dapat
dinyatakan secara tegas apakah
sebuah elemen itu anggota
himpunan atau bukan
Contoh: Anggota himpunan orang
tinggi adalah jika tinggi badannya
1.7 meter atau lebih
Maka orang yang tingginya 1.699
m atau 1.695 m tidak disebut
tinggi dan tidak masuk ke dalam
Himpunan Klasik[3]
Derajat keanggotaan pada
himpunan klasik hanya bernilai
0 atau 1
Sementara di dalam persepsi
manusia, dikenal daerah
samar-samar pada
keanggotaan suatu himpunan
Contoh untuk kasus himpunan
orang tinggi, manusia
mengenal istilah kurang
Himpunan Klasik[4]
Misalkan A adalah himpunan
yang berisi gelas berisi penuh
air
Maka A adalah himpunan
berisi gelas kosong
Jika ada sebuah gelas yang
terisi air setengah penuh,
masuk ke dalam himpunan
mana?
9
Himpunan Fuzzy[1]
Untuk memfasilitasi kondisi yang
samar-samar di atas,
keanggotaan sebuah elemen di
dalam himpunan fuzzy dinyatakan
dengan derajat keanggotaan
atau membership values
artinya derajat
keanggotaan elemen x pada
himpunan A
Himpunan Fuzzy[2]
Arti derajat keanggotaan:
1. Jika
, maka x adalah
anggota penuh himp. A
2. Jika
, maka x bukan
anggota himp. A
3. Jika
,
maka x adalah anggota himp. A
dengan derajat keanggotaan
sebesar .
Himpunan Fuzzy[3]
Derajat keanggotaan menyatakan
seberapa benar anggota tersebut
memenuhi properti yang dinyatakan
di dalam himpunannya
Dalam penyajian enumerasi, setiap
anggota diberi nilai yang
menunjukkan derajat keanggotaan.
Derajat keanggotaan biasanya
merupakan bilangan dalam interval
[0, 1].
Biasanya
yang bernilai 0 tidak
12
Himpunan Fuzzy[4]
Misal didefinisikan sebuah
himpunan
A x : x bilangan yang cukup besar
Pengertian "bilangan cukup besar
sangat bersifat relatif
Misal bilangan 10.000, apakah
bilangan 1000 ini termasuk
bilangan yang cukup besar?
Diperlukan bobot atau derajat
keanggotaan yang
merepresentasikan
sejauh mana
13
Himpunan Fuzzy[5]
Misal diberikan bobot atau
nilai derajat keanggotaan
untuk beberapa bilangan asli
berikut :
xsebagai
102
bobot 0
x 104
bobot 0,3
x 105
bobot 0,35
x 1050
bobot 1
14
Representasi Himpunan
Fuzzy
Himpunan fuzzy dapat dinyatakan
dalam bentuk:
1. Enumerasi
Setiap anggota himpunan didaftar
(dilist) berikut nilai derajat
keanggotaannya masing-masing
2. Fungsi Keanggotaan
Himpunan dinyatakan dalam bentuk
fungsi yang memetakan setiap anggota
himpunan ke nilai derajat
keanggotaannya
15
Dapat
juga dinyatakan dalam bentuk
M (x)
= {(1/mercedes),
(1/BMW), (0,8/Audi),
(0,6/Toyota), (0,3/daihatsu)}
16
= {(0,1/3), (0,3/4),
(0,6/5), (1,0/ 6), (0,6/7), (0,3/8),
(0,1/9)}
17
= {(0,5/3) ,(0,8/4),(1/5),
(1/6), (0,8/7), (0,5/8)}
Hal ini berarti 5 dan 6 mempunyai
derajat 1, sedangkan 4 dan 7 dengan
derajat 0,8 dan 3, 8 dengan derajat
0,5.18 Sedangkan yang mempunyai
19
Jenis-jenis
Fungsi Keanggotaan
Fungsi Segitiga
Fungsi Trapesium
Fungsi Sigmoid
Contoh-1
Definisikan himpunan untuk
beberapa kategori usia manusia,
seperti tua dan remaja
menggunakan fungsi keanggotaan.
Misalkan x = usia, maka nyatakan
fungsi keanggotaan x jika dibuat
batasan:
a. Definisi tua : usia >= 60, tidak
tua: usia<40
b. Definisi dewasa: usia 27-40,
bukan dewasa: usia<20 dan
usia>60
24
c. Definisi remaja: usia 16 20,
Operasi pada
Himpunan Fuzzy
Operasi Himpunan
Fuzzy
Mencakup 3 operasi dasar
Operasi AND
Operasi OR
Operasi NOT
Operasi AND
Misalkan terdapat dua buah
himpunan Fuzzy A dan B
untuk semua
Contoh-1 AND
1. Misalkan terdapat dua buah
Fuzzy Set berikut:
A = himpunan mobil
mewah = {1/mercedes,
1/BMW, 0.8/Audi,
0.6/Toyota, 0.3/Daihatsu}
B = himpunan mobil
keluarga = {0.3/mercedes,
0.4/BMW, 0.5/Audi,
1/Toyota, 0.8/Daihatsu}
Nyatakanlah himpunan
fuzzy yang berisi mobil
mewah dan mobil keluarga!
Contoh-2 AND
2. Misalkan terdapat 2 buah
himpunan Fuzzy A dan B
dengan fungsi
keanggotaannya
digambarkan sebagai
berikut:
Gambarkan fungsi
Jawaban
Operasi OR
Misalkan terdapat dua buah
himpunan Fuzzy A dan B
untuk semua
Contoh-1 OR
1. Misalkan terdapat dua buah
Fuzzy Set berikut:
A = himpunan mobil
mewah = {1/mercedes,
1/BMW, 0.8/Audi,
0.6/Toyota, 0.3/Daihatsu}
B = himpunan mobil
keluarga = {0.3/mercedes,
0.4/BMW, 0.5/Audi,
1/Toyota, 0.8/Daihatsu}
Nyatakanlah himpunan
fuzzy yang berisi mobil
mewah atau mobil
keluarga!
Contoh-2 OR
2. Misalkan terdapat 2 buah
himpunan Fuzzy A dan B
dengan fungsi
keanggotaannya
digambarkan sebagai
berikut:
Gambarkan fungsi
Jawaban
Operasi NOT
Misalkan terdapat sebuah himpunan
Fuzzy A
untuk semua
Contoh-1 NOT
1. Misalkan terdapat dua buah
Fuzzy Set berikut:
A = himpunan mobil
mewah = {1/mercedes,
1/BMW, 0.8/Audi,
0.6/Toyota, 0.3/Daihatsu}
Nyatakanlah himpunan
fuzzy yang berisi mobil
tidak mewah!
Contoh-2 NOT
2. Misalkan terdapat 2 buah
himpunan Fuzzy A dan B
dengan fungsi
keanggotaannya
digambarkan sebagai
berikut:
Gambarkan fungsi
Jawaban
Latihan
Misalkan A = himpunan fuzzy yang
menyatakan usia remaja, B = himpunan
fuzzy yang menyatakan usia produktif
Gambarkan fungsi keanggotaan
B
Gambarkan fungsi keanggotaan
remaja dan produktif
Gambarkan fungsi keanggotaan
remaja atau produktif
Gambarkan fungsi keanggotaan
tidak remaja tapi produktif
Gambarkan fungsi keanggotaan
himpunan A dan
himpunan usia
himpunan usia
himpunan usia
himpunan
Peubah Linguistik
adalah peubah yang memiliki
nilai linguistik
Nilai linguistik tersebut disebut
terma
Contoh peubah linguistik:
Suhu, dengan himpunan terma
{panas, sedang, dingin}
Kecepatan, dengan himpunan
terma {cepat, sedang, lambat}
Studi Kasus
Misalkan sebuah perguruan
tinggi akan memberikan
beasiswa kepada
mahasiswa berdasarkan
kriteria: IPK dan Gaji per
bulan orang tuanya (G).
Beasiswa diberikan kepada
mahasiswa yang memiliki
prestasi akademik bagus
tetapi tingkat ekonomi
Studi Kasus-lanj
Jika digunakan rule
berdasarkan classical set
yaitu:
IF IPK >= 3,00 AND G <= 10
juta THEN dapat beasiswa
Studi Kasus-lanj.
Bagaimana jika digunakan
Sistem Pengambilan
Keputusan berdasarkan
Fuzzy Logic?
Sistem Berbasis
Pengetahuan Fuzzy
SBP Fuzzy
Adalah sebuah sistem atau
proses yang bekerja
berdasarkan pengetahuan
fuzzy sebagai cara
pengambilan keputusan
Modul Fuzzifikasi
Adalah proses memetakan nilai
numerik ke dalam bentuk
himpunan fuzzy
Masukan yang nilai
kebenarannya bersifat pasti
(crisp input) dikonversi
menjadi bentuk fuzzy input
Fuzzy input berupa nilai
linguistik yang semantiknya
ditentukan berdasarkan fungsi
keanggotaan
Contoh: IPK 2,99 dikonversi
Inferensi
Mensimulasikan
pengambilan keputusan
manusia berdasarkan
konsep fuzzy
Menggunakan rules of
knwoledge
Ada 2 model yang banyak
digunakan:
1. Model Mamdani
2. Model Sugeno
Inferensi
Model Mamdani
Penalarannya menyerupai intuisi
atau perasaan manusia
Proses perhitungannya cukup
kompleks sehingga
membutuhkan waktu relatif lama
Menghasilkan ketelitian yang
tinggi
Model Sugeno
Proses perhitungan lebih simpel,
waktu relatif cepat
Cocok untuk sistem kontrol yang
memerlukan respon cepat
Modul Defuzzifikasi
Beberapa metode yang
dapat dipakai:
1.
2.
3.
4.
5.
Centroid Method
Height Method
First (or Last) of Maxima
Mean-Max Method
Weighted Average
Studi Kasus 1
Penentuan Penerima
Beasiswa
Penentuan Penerima
Beasiswa
Pemberian beasiswa kepada
mahasiswa didasarkan pada
dua kriteria, yaitu:
1. IPK, dan
2. Gaji per bulan orang tuanya (G)
Output:
Nilai kelayakan
Fuzzifikasi[1]
Tujuan akhir yang ingin
diperoleh di dalam
fuzzifikasi adalah
mendapatkan nilai fuzzy
untuk setiap inputan
yang nantinya akan
diinputkan ke dalam modul
inferensi
Nilai fuzzy yang dimaksud
mencakup:
1. Nilai linguistik, dan
Fuzzifikasi[2]
Langkah2 yang harus
dilakukan:
1. Nyatakan nilai linguistik apa
saja yang akan digunakan
untuk setiap variabel input
2. Tentukan fungsi keanggotaan
untuk setiap nilai linguistik
3. Tentukan nilai fuzzy untuk
setiap nilai inputan yang akan
diuji
Untuk G 10 juta
Besar (0,4), Sangat Besar (0,6)
Inferensi[1]
Tujuan akhir yang ingin
diperoleh pada bagian
inferensi adalah
mendapatkan nilai fuzzy
output yang nantinya
akan diinputkan ke dalam
modul defuzzifikasi
Nilai fuzzy output
mencakup:
Nilai linguistik, dan
Inferensi[2]
Langkah2 yang harus
dilakukan:
1. Nyatakan nilai linguistik apa
saja yang akan digunakan
untuk masing-masing variabel
output
2. Tentukan fungsi keanggotaan
untuk setiap nilai linguistik
3. Buat aturan fuzzy berdasarkan
nilai linguistik pada input dan
output
Rendah
Rendah
Rendah
Rendah
Cukup
Tinggi
Rendah
Rendah
Rendah
Bagus
Tinggi
Tinggi
Tinggi
Rendah
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IPK
IPK
IPK
IPK
IPK
IPK
IPK
IPK
IPK
IPK
IPK
IPK
=
=
=
=
=
=
=
=
=
=
=
=
Buruk
Buruk
Buruk
Buruk
Cukup
Cukup
Cukup
Cukup
Bagus
Bagus
Bagus
Bagus
AND
AND
AND
AND
AND
AND
AND
AND
AND
AND
AND
AND
G
G
G
G
G
G
G
G
G
G
G
G
=
=
=
=
=
=
=
=
=
=
=
=
IF
IF
IF
IF
IPK
IPK
IPK
IPK
=
=
=
=
Cukup
Cukup
Bagus
Bagus
AND
AND
AND
AND
G
G
G
G
=
=
=
=
Defuzzifikasi
Tujuan akhir yang ingin diperoleh
di dalam defuzzifikasi adalah
mendapatkan nilai output
yang bersifat crisp (tegas)
sebagai hasil akhir
Langkah yang dilakukan:
1. Lakukan proses composition atau
agregasi hasil clipping yang
diperoleh dari bagian inferensi
2. Tentukan nilai crisp akhir
(menggunakan metode2
defuzzifikasi)
Maka:
Model Sugeno
Model Sugeno
Salah satu model di dalam
tahap inferensi
Perhitungan lebih sederhana
Waktu komputasi relatih lebih
cepat
Cocok digunakan untuk
membangun sistem kontrol
yang memerlukan respon cepat
dengan kebutuhan akurasi yang
tidak terlalu tinggi
Referensi
1. Fuzzy Sets and Systems,
Didier Dubois, Henri Prade,
Academic Press, 1980
2. Soft Computing
Membangun Mesin Ber-IQ
Tinggi, Suyanto, Penerbit
Informatika, 2008
3. Diktat Kuliah Sistem Pakar,
Jusak Irawan, 2007