Logika Samar
2/21/2020 yustia.hapsari@gmail.com 1
Prof.Lotfi A.Zadeh
Berkeley University 1965
Paper: “Fuzzy Set”
2/21/2020 yustia.hapsari@gmail.com 2
LOGIKA SAMAR
VS
LOGIKA TRADISIONAL
Istilah Dasar
2/21/2020 yustia.hapsari@gmail.com 3
Teori Dasar
Crisp Logic
Crisp logic is concerned with absolutes-true or
false, there is no in-between.
Contoh:
Rule:
If the temperature is higher than 80F, it is hot; otherwise,
it is not hot.
Kasus:
Temperature = 100F Hot
Temperature = 80.1F Hot
Temperature = 79.9F Not hot
Temperature = 50F Not hot
2/21/2020 yustia.hapsari@gmail.com 4
Fungsi Keanggotaan untuk crisp logic
True
HOT
False
0
80F Temperature
Contoh:
Budi tinggi -- apa yg dimaksud tinggi?
Budi sangat tinggi -- apa bedanya dengan
tinggi?
2/21/2020 yustia.hapsari@gmail.com 6
Fuzzy Logic
Keuntungan Fuzzy:
• Mudah dimengerti
• Pemodelan matematik sederhana
• Toleransi data-data yang tidak tepat
• Dapat memodelkan fungsi-fungsi non liner yang kompleks
• Mengaplikasikan pengalaman tanpa proses pelatihan
• Didasarkan pada bahasa alami
2/21/2020 yustia.hapsari@gmail.com 7
Fuzzy vs Probabilitas
• Fuzzy Probabilitas
• - Probabilitas berkaitan dengan ketidakmenentuan
dan kemungkinan
- Logika Fuzzy berkaitan dengan ambiguitas dan
ketidakjelasan
• Contoh 1:
Billy memiliki 10 jari kaki. Probabilitas Billy memiliki 9 jari kaki
adalah 0. Keanggotaan Fuzzy Billy pada himpunan orang
dengan 9 jari kaki 0
2/21/2020 yustia.hapsari@gmail.com 8
Fuzzy vs Probabilitas
Contoh Kasus :
Ada seorang ilmuwan disekap di sebuah gudang
penyimpanan obat kimia. Karena sangat kehausan
maka ia mencari keberadaan air. Ilmuwan tersebut
hanya menemukan dua peti yang masing-masing peti
berisi 50 botol air mineral.
Pada peti pertama terdapat tulisan ‘Peringatan: 1
dari 50 botol ini berisi cairan kimia mematikan
yang warna dan rasanya sama dengan air mineral.
Anda akan mati seketika jika meminumnya’.
2/21/2020 yustia.hapsari@gmail.com 9
Fuzzy vs Probabilitas
Contoh:
Ann 28 tahun, 0.8 pd himp “Muda”
Bob 35 tahun, 0.1 pd himp “Muda”
Charlie 23 tahun, 1.0 pd himp “Muda”
2/21/2020 yustia.hapsari@gmail.com 11
Fuzzy Set
Contoh:
Misalkan, x = {5, 10, 20, 30, 40, 50, 60, 70,
80} adalah crisp set Usia dalam satuan
tahun.
Balita, Dewasa, Muda, dan Tua adalah
empat fuzzy set yang merupakan subset
dari x.
2/21/2020 yustia.hapsari@gmail.com 12
Fuzzy Set
Pada tabel tersebut terdapat 4 buah fuzzy
set dengan anggota dan derajat
keanggotaannya sebagai berikut:
Balita = {}
Dewasa = {20, 30, 40, 50, 60, 70, 80}, di mana
derajat keanggotaannya dinyatakan oleh Dewasa
= {0.8, 1, 1, 1, 1, 1, 1}.
Muda = {5, 10, 20, 30, 40, 50}, di mana derajat
keanggotaannya dinyatakan oleh muda = {1, 1,
0.8, 0.5, 0.2, 0.1}.
Tua = {20, 30, 40, 50, 60, 70, 80}, di mana
derajat keanggotaannya dinyatakan oleh Tua =
2/21/2020
{0.1, 0.2, 0.4,yustia.hapsari@gmail.com
0.6, 0.8, 1, 1}. 13
Fungsi Keanggotaan Logika Fuzzy
Fuzzy values
DOM
Degree of
Membership
Young Middle Old
1
0.5
0
25 40 55 Age
2/21/2020 yustia.hapsari@gmail.com 14
Crisp set vs. Fuzzy set
2/21/2020 yustia.hapsari@gmail.com 16
Contoh: Crisp Set
145
120
2/21/2020 yustia.hapsari@gmail.com 17
Contoh: Himpunan Fuzzy
185
tinggi
160 <= tinggi < 185
165
145
2/21/2020 yustia.hapsari@gmail.com 18
Istilah-Istilah
• Fuzzification: definisi dari himpunan fuzzy dan
penentuan derajat keanggotaan dari crisp input
pada sebuah himpunan fuzzy
2/21/2020 yustia.hapsari@gmail.com 19
Fuzzyfication (1)
Sangat Sangat
pendek Pendek Sedang Tinggi tinggi
1.0
2/21/2020 yustia.hapsari@gmail.com 20
Fuzzyfication (2)
Sangat Sangat
pendek Pendek Sedang Tinggi tinggi
1.0
0.58
0.42
• Himpunan Semesta
keseluruhan nilai yang boleh dioperasikan dalam suatu variabel fuzzy.
Contoh:
Semesta untuk variabel berat badan : [1, 150]
Semesta untuk variabel suhu : [0,100].
• Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam Semesta dan boleh
dioperasikan dalam suatu himpunan fuzzy.
Contoh : DINGIN = [0,60]
HANGAT = [50,80]
2/21/2020 yustia.hapsari@gmail.com 22
PANAS = [80, +)
Fungsi Keanggotaan: Fungsi Linier
1.0 1.0
0 a b 0 a b
Domain Domain
[x]= 0; x a
[x]= (b-x)/(b-a); a x b
(x-a)/(b-a); a x b
0; x b
1; x b
2/21/2020 yustia.hapsari@gmail.com 23
Fungsi Keanggotaan: Segitiga
1.0
0 a b c
Segitiga
[x] = 0; x a atau x c
(x-a)/(b-a); a x b
(c-x)/(c-b); b x c
2/21/2020 yustia.hapsari@gmail.com 24
Fungsi Keanggotaan: Trapesium
1.0
0 a b c d
Trapesium
[x]= 0; x a atau x d
(x-a)/(b-a); a x b
1; b x c
(d-x)/(d-c); c x d
2/21/2020 yustia.hapsari@gmail.com 25
Fungsi Keanggotaan: Sigmoid
1.0
0 a b c
Sigmoid
[x;a,b,c]sigmoid = 0; x a
2 ((x - a)/(c - a))2; a x b
1 - 2((c - x)/(c - a))2; b x c
1; x c
2/21/2020 yustia.hapsari@gmail.com 26
Fungsi Keanggotaan: Phi
1.0
[x;a,b,c]phi = [x;c-b,c-b/2,c]sigmoid; x c
[x;c,c+b/2,c+b]sigmoid; x > c
2/21/2020 yustia.hapsari@gmail.com 27
Operasi Fuzzy
OR (Union) – AND (Intersection)
Fuzzy union (): union dari 2 himpunan adalah maksimum dari tiap
pasang elemen element pada kedua himpunan
Contoh:
A = {1.0, 0.20, 0.75}
B = {0.2, 0.45, 0.50}
A B = {MAX(1.0, 0.2), MAX(0.20, 0.45), MAX(0.75, 0.50)}
= {1.0, 0.45, 0.75}
Fuzzy intersection (): irisan dari 2 himpunan fuzzy adalah
minimum dari tiap pasang elemen pada kedua himpunan.
contoh.
A B = {MIN(1.0, 0.2), MIN(0.20, 0.45), MIN(0.75, 0.50)} = {0.2,
0.20, 0.50}
2/21/2020 yustia.hapsari@gmail.com 28
Complement
2/21/2020 yustia.hapsari@gmail.com 29
Contoh
Nilai keanggotaan sebagai hasil dari operasi 2 himpunan: fire strength atau a-
predikat
Misalkan nilai keanggotaan IP 3.2 pada himpunan
AND
IPtinggi adalah 0.7 dan nilai keanggotaan 8 semester
pada himpunan LulusCepat adalah 0.8 maka a-predikat
AB [x] = min(A[x], B[x]) untuk IPtinggi dan LulusCepat:
Pengantar
Model Fuzzy Mamdani
Model Fuzzy Sugeno
Model Fuzzy Tsukamoto
2/21/2020 yustia.hapsari@gmail.com 31
Pengantar
Operasi dari sistem pakar fuzzy tergantung dari
eksekusi 4 fungsi utama:
2/21/2020 yustia.hapsari@gmail.com 32
Istilah-Istilah
• Fuzzification: definisi dari himpunan fuzzy dan
penentuan derajat keanggotaan dari crisp input
pada sebuah himpunan fuzzy
2/21/2020 yustia.hapsari@gmail.com 33
Inference
Model Mamdani
Pada model ini, aturan fuzzy didefinisikan
sebagai:
IF x1 is A1 AND …AND xn is An THEN y is B
2/21/2020 yustia.hapsari@gmail.com 35
Inference
Model Sugeno
Model ini dikenal juga sebagai Takagi-Sugeno-
Kang (TSK) model, yaitu suatu varian dari
Model Mamdani.
Model ini menggunakan aturan yang
berbentuk:
IF x1 is A1 AND…AND xn is An THEN
y=f(x1,…,xn)
Height method
Metode ini dikenal sebagai prinsip
keanggotaan maksimum karena metode ini
secara sederhana memilih nilai crisp yang
memiliki derajat keanggotaan maksimum.
Oleh karena itu, metode ini hanya bisa dipakai
untuk fungsi keanggotaan yang memiliki
derajat keanggotaan 1 pada suatu nilai crisp
tunggal dan dan 0 pada semua nilai crisp yang
lain.
Fungsi seperti ini sering disebut sebagai
2/21/2020
singleton. yustia.hapsari@gmail.com 39
Defuzzification
2/21/2020 yustia.hapsari@gmail.com 40
Defuzzification
Mean-Max Method
Metode ini disebut juga sebagai Middle of
Maxima.
Merupakan generalisasi dari height method
untuk kasus di mana terdapat lebih dari satu
nilai crisp yang memiliki derajat keanggotaan
maksimum.
Sehingga y* didefinisikan sebagai titik tengah
antara nilai crisp terkecil dan nilai crisp terbesar
2/21/2020 yustia.hapsari@gmail.com 41
Defuzzification
Weighted Average
Metode ini mengambil nilai rata-rata dengan
menggunakan pembobotan berupa derajat
keanggotaan. Sehingga y* didefinisikan
sebagai:
2/21/2020 yustia.hapsari@gmail.com 44
Dengan fungsi ini, maka crisp input
suhu 370 C dikonversi ke nilai fuzzy
dengan cara:
Suhu 370 C berada pada nilai linguistik Warm
dan Hot.
Semantik atau derajat keanggotaan untuk Warm
dihitung menggunakan rumus:
-(x-d)/(d-c), c< x d
di mana c=36, dan d=39.
Sehingga derajat keanggotaan Warm=
-(37-39)/(39-36)=2/3
Derajat keanggotaan untuk Hot dihitung
menggunakan rumus (x-a)/(b-a), a < x < b, di
mana a=36, dan b=39.
2/21/2020
Sehingga yustia.hapsari@gmail.com
derajat keanggotaan untuk 45
Hot=(37-36)/(39-36)=1/3.
Misalkan, kita juga menggunakan
fungsi keanggotaan trapesium untuk
kelembaban tanah.
2/21/2020 yustia.hapsari@gmail.com 46
Dengan fungsi ini, maka crisp input kelembaban 12%
dikonversi menjadi nilai fuzzy dengan cara berikut ini:
Kelembaban 12% berada pada nilai linguistik Dry dan
Moist.
Semantik atau derajat keanggotaan untuk Dry dihitung
menggunakan rumus:
-(x-d)/(d-c), c < x d
di mana c=10, dan d=20.
Sehingga derajat keanggotaan untuk Dry adalah
-(12-20)/(20-10)=4/5.
Derajat keanggotaan untuk Moist dihitung dengan
menggunakan rumus:
(x-a)/(b-a), a < x < b
di mana a=10, dan b=20.
Sehingga derajat keanggotaan Moist=(12-10)/(20-
10)=1/5.
2/21/2020 yustia.hapsari@gmail.com 47
Jadi, proses fuzzification
menghasilkan empat fuzzy input:
Suhu Udara = Warm (2/3) dan Hot(1/3)
Kelembaban tanah = Dry (4/5) dan
Moist(1/5).
2/21/2020 yustia.hapsari@gmail.com 48
Proses Inferensi
Terdapat berbagai macam cara dalam menentukan aturan
fuzzy.
Misalkan, untuk durasi penyiraman digunakan fungsi
keanggotaan trapesium dengan tiga nilai linguistik: Short,
Medium, dan Long.
2/21/2020 yustia.hapsari@gmail.com 49
Misalkan aturan fuzzy didefinisikan
sebagai berikut:
2/21/2020 yustia.hapsari@gmail.com 50
Dengan definisi aturan fuzzy tersebut,
didapatkan 3x5=15 aturan fuzzy, yaitu:
IF Suhu=Cold AND Kelembaban=Dry
THEN Durasi=Long
.
.
.
IF Suhu=Hot AND Kelembaban=wet THEN
Durasi=Short
Di sini akan dibahas penggunaan
inferensi menggunakan model
2/21/2020
Mandani dan Model Sugeno.
yustia.hapsari@gmail.com 51
Proses Inferensi menggunakan Model
Mamdani
Jika menggunakan Model Mamdani, dapat digunakan dua
cara inferensi, yaitu clipping (alpha-cut) atau scaling.
Metode yang paling umum digunakan adalah clipping
karena mudah diimplementasikan dan bila diagregasikan
dengan fungsi lain akan menghasilkan bentuk yang mudah
di-defuzzification.
2/21/2020 yustia.hapsari@gmail.com 52
Dari empat data fuzzy input tersebut,
Warm (2/3), Hot(1/3), Dry(4/5), dan
Moist(1/5), didapatkan empat aturan
(dari 15 aturan) yang dapat
diaplikasikan:
IF Suhu is Warm AND Kelembaban is Dry
THEN Durasi is Long
IF Suhu is Warm AND Kelembaban is
Moist THEN Durasi is Medium
IF Suhu is Hot AND Kelembaban is Dry
THEN Durasi is Long
IF Suhu is Hot AND Kelembaban is Moist
2/21/2020 yustia.hapsari@gmail.com 53
THEN Durasi is Medium
Dari empat aturan fuzzy dan empat fuzzy input
tersebut, maka proses inferensi yang terjadi adalah
seperti di bawah ini.
Gunakan aturan Conjunction () dengan memilih
derajat keanggotaan minimum dari nilai-nilai
linguistik yang dihubungkan oleh dan lakukan
clipping pada fungsi keanggotaan trapesium untuk
Durasi Penyiraman, sehingga diperoleh:
IF Suhu is Warm (2/3) AND Kelembaban is Dry
(4/5) THEN Durasi is Long (2/3)
IF Suhu is Warm (2/3) AND Kelembaban is Moist
(1/5) THEN Durasi is Medium (1/5)
IF Suhu is Hot (1/3) AND Kelembaban is Dry
(4/5) THEN Durasi is Long (1/3)
IF Suhu is Hot (1/3) AND Kelembaban is Moist
2/21/2020
(1/5) THEN Durasi is Medium (1/5)
yustia.hapsari@gmail.com 54
Gunakan aturan Disjunction () dengan
memilih derajat keanggotaan maksimum
dari nilai-nilai linguistik yang dihubungkan
oleh .
Dari ‘Durasi is Long (2/3) Durasi is Long
(1/3)’ dihasilkan ‘Durasi is Long (2/3)’.
Sedangkan dari ‘Durasi is Medium (1/5)
‘Durasi is Medium (1/5) dihasilkan ‘Durasi is
Medium (1/5) ‘
Dengan demikian diperoleh dua pernyataan:
Durasi is Long (2/3), dan
2/21/2020
Durasi is Medium (1/5)
yustia.hapsari@gmail.com 55
Proses inferensi menggunakan Model Mamdani menggunakan
proses clipping menghasilkan dua area abu-abu seperti gambar
berikut:
2/21/2020 yustia.hapsari@gmail.com 56
Proses Inference menggunakan Model
Sugeno
2/21/2020 yustia.hapsari@gmail.com 57
2/21/2020 yustia.hapsari@gmail.com 58
Proses Defuzzification
Sebelum defuzzification, harus
dilakukan proses composition, yaitu
agregasi hasil clipping dari semua
aturan fuzzy sehingga didapatkan satu
fuzzy set tunggal.
2/21/2020 yustia.hapsari@gmail.com 59
Proses Defuzzification menggunakan
Model Mamdani
2/21/2020 yustia.hapsari@gmail.com 60
Misalkan digunakan Centroid method untuk
proses defuzzification.
Titik-titik pada area abu-abu ditentukan
secara acak sehingga akan didapatkan satu
titik pusat area (center of area atau center of
gravity).
Misalkan titik-titik sembarang tersebut
adalah: 24, 28, 32, 36, 40, 48, 60, 70, 80,
90.
2/21/2020 yustia.hapsari@gmail.com 61
Dengan menggunakan titik-titik tersebut dan
persamaan:
2/21/2020 yustia.hapsari@gmail.com 63
Jika untuk proses defuzzification digunakan Height Method,
maka dari dua fuzzy set, Medium (1/5) dan Long (2/3),
dipilih nilai maksimumnya yaitu Long (2/3).
Karena nilai crisp untuk Long adalah 60, maka proses
defuzzification menghasilkan nilai crisp sebesar 60.
Dengan demikian, Durasi Penyiraman adalah 60 menit.
Jika menggunakan Weighted Average untuk proses
defuzzification diperoleh hasil:
2/21/2020 yustia.hapsari@gmail.com 64
Latihan Soal
Teori tentang fuzzy set dan fuzzy logic banyak
digunakan untuk membangun sistem berbasis
aturan fuzzy untuk masalah kontrol, seperti
masalah sprinkler control system (sistem kontrol
penyiram air).
Misalkan nilai crisp yang diterima oleh sensor
suhu adalah 250 C dan nilai crisp yang diterima
sensor kelembaban adalah 60%.
Berapa lama durasi penyiraman yang harus
dilakukan (Methode Mamdani dan Sugeno) ?
2/21/2020 yustia.hapsari@gmail.com 65
Model Fuzzy Mamdani
Contoh: persoalan sederhana dengan 2 input,1 output
dan 3 rules
Rule: 1 Rule: 1
IF x is A3 IF project_funding is adequate
OR y is B1 OR project_staffing is small
THEN z is C1 THEN risk is low
Rule: 2 Rule: 2
IF x is A2 IF project_funding is marginal
AND y is B2 AND project_staffing is large
THEN z is C2 THEN risk is normal
Rule: 3 Rule: 3
IF x is A1 IF project_funding is inadequate
THEN z is C3 THEN risk is high
2/21/2020 yustia.hapsari@gmail.com 66
Mamdani fuzzy inference
Fuzzifikasi: menentukan derajat keanggotaan
input x1 dan y1 pada himpunan fuzzy
1 1 B1 B2
A1 A2 A3 0.7
0.5
0.2 0.1
0 0
x1 X y1 Y
(x = A1) = 0.5 (y = B1) = 0.1
(x = A2) = 0.2 (y = B2) = 0.7
2/21/2020 yustia.hapsari@gmail.com 67
Model Fuzzy Mamdani
Inferensi: apikasikan fuzzified inputs, (x=A1) =
0.5,
(x=A2) = 0.2, (y=B1) = 0.1 and (y=B2) = 0.7, ke
anteseden dari aturan fuzzy
2/21/2020 yustia.hapsari@gmail.com 68
Model Fuzzy Mamdani
1 1 1
A3 B1 C1 C2 C3
0.1 OR 0.1
0.0
(max)
0 x1 X 0 y1 Y 0 Z
Rule 1: IF x is A3 (0.0) OR y is B1 (0.1) THEN z is C1 (0.1)
1 1 1
0.7
C1 C2 C3
A2 0.2 B2 AND 0.2
(min)
0 x1 X 0 y1 Y 0 Z
Rule 2: IF x is A2 (0.2) AND y is B2 (0.7) THEN z is C2 (0.2)
1 1
A1 0.5 0.5 C1 C2 C3
0 x1 X 0 Z
Rule 3: IF x is A1 (0.5) THEN z is C3 (0.5)
2/21/2020 yustia.hapsari@gmail.com 69
Model Fuzzy Mamdani
Dua teknik yang umum digunakan untuk mengaplikasikan hasil
evaluasi anteseden ke fungsi keanggotaan konsekuen:
Degree of Degree of
Membership Membership
1.0 1.0
C2 C2
0.2 0.2
0.0 0.0
Z Z
clipping scaling
2/21/2020 yustia.hapsari@gmail.com 70
Model Fuzzy Mamdani
Composisi: agregasi keluaran semua rule ke dalam
himpunan fuzzy tunggal.
1 1 1
C1 C2 C3
0.5 0.5
0.2 0.2
0.1 0.1
0 Z 0 Z 0 Z 0 Z
z is C 1 (0.1) z is C 2 (0.2) z is C 3 (0.5)
2/21/2020 yustia.hapsari@gmail.com 71
Model Fuzzy Mamdani
Defuzzifikasi: konversi dari himpunan fuzzy yang
dihasilkan dari komposisi ke dalam crisp value.
x x dx
A
COG a
b
x dx
a
A
2/21/2020 yustia.hapsari@gmail.com 72
Model Fuzzy Mamdani
Centre of gravity (COG): mencari titik yang membagi
area solusi menjadi 2 bagian yang sama
Degree of
Membership
1.0
0.8
0.6
0.4
0.2
0.0
0 10 20 30 40 50 60 70 80 90 100
67.4 Z
2/21/2020 yustia.hapsari@gmail.com 73
Model Fuzzy Sugeno
Inferensi Mamdani tidak efisien karena melibatkan proses
pencarian centroid dari area 2 dimensi.
2/21/2020 yustia.hapsari@gmail.com 74
Model Fuzzy Sugeno
Perbedaan antara Mamdani dan Sugeno ada pada konsekuen.
Sugeno menggunakan konstanta atau fungsi matematika dari
variabel input:
IF x is A IF x is A
AND y is B AND y is B
THEN z is f(x, y) THEN z is k
2/21/2020 yustia.hapsari@gmail.com 75
Model Fuzzy Sugeno
Evaluasi Rule
1 1 1
A3 B1
0.1 OR 0.1
0.0
(max)
0 x1 X 0 y1 Y 0 k1 Z
0 x1 X 0 k3 Z
Rule 3: IF x is A1 (0.5) THEN z is k3 (0.5)
2/21/2020 yustia.hapsari@gmail.com 76
Model Fuzzy Sugeno
Komposisi
1 1 1 1
0.5 0.5
0.2
0.1 0.2 0.1
0 k1 Z 0 k2 Z 0 k3 Z 0 k1 k2 k3 Z
2/21/2020 yustia.hapsari@gmail.com 77
Model Fuzzy Sugeno
Defuzzifikasi
0 z1 Z
Crisp Output
z1
2/21/2020 yustia.hapsari@gmail.com 78
Latihan Soal 2
2/21/2020 yustia.hapsari@gmail.com 79
L1: Fuzzification (1)
0 40 45 50 55 60 65 80 85
2/21/2020 yustia.hapsari@gmail.com 80
L2: Rules Evaluation (1)
Tentukan rules
Tabel Kaidah Fuzzy
BERAT
Sangat Sangat
Kurus Biasa Berat
kurus berat
T Sangat
I pendek SS S AS TS TS
N
G Pendek S SS S AS TS
G
I Sedang AS SS SS AS TS
Tinggi TS S SS S TS
Sangat
tinggi TS AS SS S AS
2/21/2020 yustia.hapsari@gmail.com 81
L2: Rules Evaluation (2)
Contoh: bagaimana kondisi kesehatan untuk orang dengan tinggi 161.5 cm dan
berat 41 kg?
Sangat Sangat
pendek Pendek Sedang Tinggi tinggi
1.0
0.7
0.3
2/21/2020 yustia.hapsari@gmail.com 82
L2: Rules Evaluation (3)
Sangat Sangat
kurus Kurus Biasa Berat berat
1.0
0.8
0.2
0 40 45 55
2/21/2020 yustia.hapsari@gmail.com 83
BERAT
Sangat
0.8 0.2 Biasa Berat
berat
T Sangat
I pendek SS S AS TS TS L2: Rules
N
G Pendek S SS S AS TS Evaluation (4)
G
I 0.7 AS SS SS AS TS
0.3 TS S SS S TS
Sangat
tinggi TS AS SS S AS
BERAT
Sangat
0.8 0.2 Biasa Berat
berat
Sangat
T pendek SS S AS TS TS
Pilih bobot minimum krn I
relasi AND N Pendek S SS S AS TS
G
G 0.7 0.7 0.2 SS AS TS
I
0.3 0.3 0.2 SS S TS
Sangat
tinggi TS AS SS S AS
2/21/2020 yustia.hapsari@gmail.com 84
L3: Defuzzification
Diperoleh:
f = {TS, AS, S, SS} = {0.3, 0.7, 0.2, 0.2}
2/21/2020 yustia.hapsari@gmail.com 85
Summary
• Ada 4 tahapan utama sistem pakar fuzzy:
fuzzifikasi, inferensi, komposisi, defuzzifikasi.
• 2 metoda yang paling banyak dipakai: Mamdani
dan Sugeno.
• Metoda Mamdani menggunakan himpunan fuzzy
sebagai konsekuen rule, Metoda Sugeno
menggunakan fungsi matematik atau konstanta.
• Mamdani: komputasi lebih berat, human-like
inference, Sugeno: komputasi lebih efisien tetapi
kehilangan interpretabilitas linguistik.
2/21/2020 yustia.hapsari@gmail.com 86
Model Fuzzy Tsukamoto
Karakteristik:
Konsekuen dari setiap aturan if-then fuzzy direpresentasikan
dengan himpunan fuzzy monoton
2/21/2020 yustia.hapsari@gmail.com 87
Model Fuzzy Tsukamoto
[A1] IF Permintaan BANYAK And Persediaan BANYAK
THEN Produksi Barang BERTAMBAH ;
[A2] IF permintaan SEDIKIT And persediaan SEDIKIT
THEN Produksi Barang BERKURANG ;
[A3] IF Permintaan SEDIKIT And Persediaan BANYAK
THEN Produksi Barang BERKURANG ;
[A4] IF permintaan BANYAK And persediaan SEDIKIT
THEN Produksi Barang BERTAMBAH ;
2/21/2020 yustia.hapsari@gmail.com 88
Studi Kasus Tsukamoto
2/21/2020 yustia.hapsari@gmail.com 89
Contoh (2)
[x]
SEDIKIT BANY AK
1
0.75
0.25
0
0 1000 4000 5000
Permintaan (barang/hari)
Nilai Keanggotaan :
PmtSEDIKIT[4000] = (5000-4000)/(5000-1000)
= 0.25
PmtBANYAK[4000] = (4000-1000)/ (5000-1000)
= 0.75
2/21/2020 yustia.hapsari@gmail.com 90
Contoh (3)
Persediaan; terdiri atas 2 himpunan fuzzy, yaitu BANYAK dan SEDIKIT
[x]
SEDIKIT BANY AK
1
0.6
0.4
0
0 100 300 600
Persediaan (barang/hari)
Nilai Keanggotaan :
PsdSEDIKIT[300] = (600-300)/(600-100)
= 0.6
PsdBANYAK[300] = (300-100)/(600-100)
= 0.4
2/21/2020 yustia.hapsari@gmail.com 91
Contoh (4)
Produksi Barang
[x]
BERKURANG BERTAMBAH
1
0
0 2000 7000
Produksi Barang (barang/hari)
Nilai Keanggotaan :
1, z 2000
7000 z
Pr BrgBERKURANG [ z ] , 2000 z 7000
7000 2000
0, z 7000
0 z 2000
z 2000
Pr BrgBERTAMBAH [ z ] 2000 z 7000
7000 2000
1 z 7000
2/21/2020 yustia.hapsari@gmail.com 92
Contoh (5)
PERMINTAAN
B: 0.75 S: 0.25
PER
B: 0.4 Bertambah Berkurang
SE
DIAAN S: 0.6 Bertambah Berkurang
PERMINTAAN
B: 0.75 S: 0.25
PER
SE B: 0.4 0.4 0.25
DIAAN
S: 0.6 0.6 0.25
PERMINTAAN
B: 0.75 S: 0.25
PER B: 0.4 4000 5750
SE
DIAAN S: 0.6 5000 5750
2/21/2020 yustia.hapsari@gmail.com 93
Contoh (6)
Z 4983
2/21/2020 yustia.hapsari@gmail.com 94
Aturan Fuzzy
Z=(@1Z1+@2Z2+@3Z3+@4Z4)/(@1+@2+@3+@4)
Jika Permintaan Pasar sebesar 4000 dan Persediaan ada 300 maka
proses produksi harus sebesar z (4983)
2/21/2020 yustia.hapsari@gmail.com 95
LATIHAN SOAL
2/21/2020 yustia.hapsari@gmail.com 96
Soal
Mengevaluasi mahasiswa berdasarkan GPA dan nilai
GRE
2/21/2020 yustia.hapsari@gmail.com 97
Fungsi Keanggotaan untuk GPA
2/21/2020 yustia.hapsari@gmail.com 98
Soal
P F G VG E
1.0
0 60 70 80 90 100
Decision
2/21/2020 yustia.hapsari@gmail.com 99
Soal
GRE
H M L
G
P
A H E VG F
M G G P
L F P P