ABOUT
REPRESENTASI PENGETAHUAN
INFERENSI
PENALARAN
REFERENSI
• www.mathwork.com
• Sri kusumadewi, Artificial Intelligent (teknik
dan aplikasinya), Penerbit Karya Ilmu.
• Penerapan Soft Computing dengan MATLAB,
Prabowo Pudjo Widodo, Rahmadya Trias
Handyanto, Penerbit Rekayasa Sains.
• http://commons.wikimedia.org/wiki/Fuzzy_op
erator
About
• Ditemukan oleh Lotfi A Zadeh
• Pada hampir semua kasus, kita dapat
menghasilkan suatu solusi tanpa
menggunakan logika fuzzy, namun
menggunakan fuzzy akan lebih cepat dan
murah
• Konsep tentang logika fuzzy sudah ada pada
diri kita sejak lama
Keunggulan
• Mempunyai toleransi terhadap data-data yang
tidak tepat
• Mampu memodelkan fungsi nonlinear yang
sangat kompleks
• Dapat membangun dan mengaplikasikan
pengalaman – pengalaman para pakar secara
langsung, tanpa harus melalui proses pelatihan.
• Dapat bekerjasama dengan teknik-teknik
pengendalian secara konvensional
• Logika fuzzy didasarkan pada bahasa alami.
Contoh
• Seorang tamu akan memberikan tip kepada
pelayan restoran sesuai dengan kepuasan
terhadap servis dan makanan yang disajikan.
• Saya akan mengatur suhu AC sehingga cukup
sejuk buat saya.
• Penumpang mengatakan kepada sopir untuk
lebih cepat, lalu sopir mengatur kecepatan
taxi.
Aplikasi fuzzy
• Pemasaran, pemodelan fuzzy untuk sistem
pemasaran yang kompleks
• Psikologi, menganalisis kelakuan masyarakat.
• Prediksi cuaca
• Kereta bawah tanah Sendai mengontrol
pemberhentian otomatis pada area tertentu.
• dll
• Pada himpunan tegas (crisp), nilai
keanggotaan suatu sistem x dalam suatu
himpunan A memiliki dua kemungkinan, yaitu
0 dan 1
• 1 berarti x anggota A
• 0 berarti x bukan anggota A
Contoh pada variabel umur
• Misalkan umur dibagi 3 kategori:
– MUDA umur < 35 tahun
– PAROBAYA 35<= umur <=55 tahun
– TUA umur > 55 tahun
• Apabila seseorang berusia 34 tahun, maka ia
dikatakan MUDA (µmuda[34] = 1)
• Apabila seseorang berusia 35 tahun, maka ia
dikatakan TIDAK MUDA (µmuda[34] = 0)
• Dari sini bisa dikatakan bahwa pemakaian
himpunan crisp untuk menyatakan umur menjadi
tidak adil.
Himpunan Fuzzy
• Himpunan fuzzy bisa digunakan untuk
mengantisipasi hal tersebut. Seseorang dapat
masuk ke dalam 2 himpunan yang berbeda
MUDA dan PAROBAYA, PAROBAYA dan TUA.
• Seberapa besar eksistensinya dalam himpunan
tersebut dapat dilihat pada nilai
keanggotaannya.
HIMPUNAN FUZZY UNTUK VARIABEL UMUR
µ[x]
0,25
25 35 40 45 55 65
Artinya:
• Bila umur = 40 tahun, maka masuk ke
himpunan MUDA, dengan µMUDA[40] = 0,25
• Dan masuk ke himpunan PAROBAYA dengan
µPAROBAYA[40]= 0,5.
• Himpunan fuzzy mempunyai dua atribut :
– Linguistik : MUDA, PAROBAYA, TUA.
– numeris : 25,45,50
Sistem fuzzy
1. Variabel Fuzzy
contoh: UMUR, TEMPERATUR, PERMINTAAN
2. Himpunan Fuzzy
himpunan fuzzy merupakan suatu grup yang
mewakili suatu kondisi, atau kedaan tertentu
dalam suatu variabel fuzzy
3. Semesta pembiacaraan (mis: umur: 0 -
takhingga)
4. Domain: nilai dalam semesta pembicaraan yang
diijinkan untuk dioperasikan. Ex: MUDA = [0 45],
PAROBAYA = [35 55]
REPRESENTASI PENGETAHUAN
FUZZY
Representasi linear (naik dan turun)
1. Himpunan Fuzzy bahu, bukan segitiga, digunakan untuk mengakhiri variabel suatu daerah
fuzzy. Bahu kiri bergerak dari benar ke salah, bahu kanan bergerak dari salah ke benar.
2. Terkadang salah satu sisi dan variabel tersebut tidak mengalami perubahan.
3. Contohnya, kalau temperatur sudah bergerak ke PANAS, maka akan terus PANAS.
4. Kurva ini untuk merepresentasikan daerah yang terletah ditengah – tengah suatu variabel
yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik turun.
Representasi sigmoid
Pertumbuhan Penyusutan
0,5
α β ɣ
1 ;x<= α
1-2((x- α) / (ɣ- α))2 ;α<=x<= β
S(x: α,β,ɣ) = 2((ɣ-x)/ (ɣ- α))2 ;β<=x<= ɣ
0 ;x>=ɣ
0 ;x<= α
2((x- α )/(ɣ- α))2 ;α<=x<= β
S(x: α,β,ɣ) = 1-2((ɣ-x) / (ɣ- α))2 ;β<=x<= ɣ
1 ;x>=ɣ
Contoh pertumbuhan
µTUA = 1 – 2((60-50) / (60-35))2
= 1 – 2(10/25)2
= 0,68
TUA
1
0,68
0,5
0 35 50 60
Representasi kurva bentuk lonceng
IF x is A THEN z is C
IF y is B THEN z is C
IF x is A OR y is B THEN z is C
KOMPLEMEN DASAR ZADEH
µA’ = 1 - µA[x]
INTERSEKSI NON ZADEH DAN PENGGANTI
• µ A irisan B = µA*B = gAND (µA[x], µB[y],k]
Hasil defuzzifikasi dengan variabel OUT, adalah 7.4928 yang jika dibandingkan dengan
skala 10 masih dibilang buruk. Karena itu perlu pelatihan menggunakan ANFIS
ANFIS
ADAPTIVE FUZZY INFERENCE SYSTEM (ANFIS)
• ANFIS membentuk rule dengan proses
pembelajaran.
• Teknik yang digunakan bisa berupa propagasi
balik saja, atau digabung dengan metode
kuadrat terkecil (least square)
• Fungsi keanggotaan sama dengan FIS
• Keberhasilan sistem ditentukan oleh data yang
menjadi sumber pembelajaran.
• Data yang dimasukkan kedalam editor ANFIS
adalah matriks masukan dan target sekaligus.
Misal
• Bila kita merancang ANFIS dengan dua masukan
dengan satu keluaran, maka data yang masukkan
ke editor ANFIS harus berupa matriks dengan tiga
kolom.
• Kolom pertama merupakan data input pertama,
• Kolom kedua merupakan data input kedua,
• Kolom ketiga merupakan target yang sesuai
keinginan kita.
• Jumlah baris merupakan jumlah data yang akan
dilatih, makin lengkap makin baik.
Pada kasus pemberian TIPS
• Jalankan program MATLAB
• Ketik ANFISEDIT. Tapi sebelumnya pastikan
kita bekerja pada folder yang sama dengan
data yang akan di latih.
• Buatlah matrik data yang akan dilatih. Contoh:
train_data =
000
101
011
213
224
123
303
314
325
415
145
516
527
538
549
5 5 10
• Klik tombol rado worksp yang artinya kita akan
mengambil data dari workspace command
window.
• klik Load data
• Ketik train_data
• OK
• Bila data berasal dari excel, maka copas ke
notepad kemudian disimpan dalam bentuk
DAT.
• Klik train NOW
• Pilih grid partition -> generate FIS
• Pilih gbellmf tentang tipe fungsi keanggotaan.
• Klik OK
• Bila klik structure akan terpampang informasi
neuron pada anfis
• Untuk memperjelas FIS hasil training, buka FIS
hasil training dengan mengetik pada
command window = fuzzy [namafile]
• Kemudian kita uji dengan nilai, ketik
fis=readfis(‘namafile’)
• Out=evalfis([1,1],fis)
Praktek
Train Data
Hasil train data
Memasukkan MF dari tiap input
Training error
Klik test NOW
Klik structure
Uji fuzzy inference System
Uji dengan nilai
Artinya, hasil FIS ini sudah
mendekati nilai yang kita
inginkan, dengan kata lain =
akurat.