FUZZY
FUZZY MAMDANI
<ARTIFICIAL INTELLIGENCE>
Operasi Logika (Operasi Himpunan Fuzzy)
Operasi logika adalah operasi yang
mengkombinasikan dan memodifikasi 2 atau
lebih himpunan fuzzy.
Nilai keanggotaan baru hasil operasi dua
himpunan disebut firing strength atau
predikat, terdapat 3 operasi dasar pada
himpunan fuzzy :
◦ OR (Union)
◦ AND (Intersection)
◦ NOT (Complement)
<INTELLIGENCE SYSTEM>
OR (Union)
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}
3
OR (Union)
Misal nilai keanggotaan umur 27 pada himpunan muda adalah
MUDA[27] = 0,6 dan nilai keanggotaan 2 juta pada
himpunan penghasilan TINGGI adalah GAJITINGGI[2juta]
= 0,8
= 0,4
6
Contoh
Nilai keanggotaan sebagai hasil dari operasi 2 himpunan: fire strength atau -
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 -predikat
AB [x] = min(A[x], B[x]) untuk IPtinggi dan LulusCepat:
7
A B
AB AB A
A’
AB
AB
Penalaran monoton
(Aturan Fuzzy If Then)
Metode penalran secara monoton digunakan sebagai dasar untuk teknik
implikasi fuzzy. Meskipun penalaran ini sudah jarang sekali digunakan,
namun kadang masih digunakan untuk penskalaan fuzzy. Jika 2 variabel
fuzzy direlasikan dengan implikasi sederhana sebagai berikut :
If x is A Then Y is B
atau y=f((x,A),B)
maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan
dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari nilai
keanggotaan yang berhubungan dengan antesendennya
<INTELLIGENCE SYSTEM>
Contoh Implementasi
<INTELLIGENCE SYSTEM>
FUNGSI IMPLIKASI
Bentuk umum aturan yang digunakan dalam fungsi
implikasi :
IF x is A THEN y is B
dengan x dan y adalah skalar, A dan B adalah
himpunan fuzzy.
Proposisi yang mengikuti IF disebut anteseden,
sedangkan proposisi yang mengikuti THEN disebut
konsekuen.
Ada 2 fungsi implikasi:
Secara umum, ada dua fungsi
implikasi, yaitu :
1. Min (minimum), fungsi ini akan memotong output himpunan fuzzy
2. Dot (product), fungsi ini akan menskala output himpunan fuzzy
1. MIN (Minimum)
Fungsi ini akan memotong output himpunan fuzzy
Aplikasi Aplikasi fungsi
Operator AND implikasi Min
IF
IF Permintaan
Permintaan NAIK
NAIK AND
AND Persediaan
Persediaan SEDANG
SEDANG THEN
THEN Produksi
Produksi Barang
Barang NORMAL
NORMAL
16
2. DOT (Product)
Fungsi ini akan menskala output himpunan fuzzy
IF
IF Permintaan
Permintaan NAIK
NAIK AND
AND Persediaan
Persediaan SEDANG
SEDANG THEN
THEN Produksi
Produksi Barang
Barang NORMAL
NORMAL
17
FUZZY INFERENCE
SYSTEMS
18
Mekanisme FIS
Fuzzy Inference Systems (FIS)
FUZZYFIKASI DEFUZZY
INPUT OUTPUT
RULES AGREGASI
(CRISP) (CRISP)
19
Fuzzy Inference Systems
Kaidah-kaidah
21
Pokok Bahasan
Model Fuzzy Mamdani
22
Model Mamdani
Sering dikenal dengan nama Metode Max-Min. Metode ini
diperkenalkan oleh Ebrahim Mamdani pada tahun 1975.
Untuk mendapatkan output diperlukan 4 tahapan :
1.Pembentukan himpunan fuzzy Variabel input maupun output dibagi menjadi
satu atau lebih himpunan
2.Aplikasi fungsi implikasi Fungsi implikasi yang digunakan adalah Min
Model Mamdani(Contd)
3. Komposisi aturan Ada tiga metode yang
digunakan dalam melakukan inferensi sistem fuzzy :
a. Metode Max
b. Metode Additive (SUM)
c. Metode Probabilistik OR
4. Penegasan (defuzzy) Input dari defuzzifikasi
adalahsuatu himpunan yang diperoleh dari
komposisi aturan-aturan fuzzy, sedangkan output
yang dihasilkan merupakan suatu bilangan pada
domain himpunan fuzzy tersebut.
Beberapa metode defuzzifi-
kasi aturan MAMDANI :
a. Metode Centroid (Composite Moment)
b. Metode Bisektor
c. Metode Mean of Maximun (MOM)
d. Metode Largest of Maximum (LOM)
e. Metode Smallest of Maximum (SOM)
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 26
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
27
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
28
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)
29
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
30
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)
31
Model Fuzzy Mamdani
Defuzzifikasi: konversi dari himpunan fuzzy yang
dihasilkan dari komposisi ke dalam crisp value.
x
A x dx
COG a
b
x dx
a
A
32
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
33
CONTOH …
Suatu perusahaan soft drink akan memproduksi minuman jenis X.
Pada 3 bulan terakhir biaya produksi untuk minuman jenis
tersebut rata-rata sekitar Rp 500,- per kemasan, dan maksimum
mencapai Rp 1000,- per kemasan.
Banyaknya permintaan per hari rata-rata mencapai 30000
kemasan dan maksimum hingga mencapai 60000 kemasan.
Sampai saat ini, perusahaan baru mampu memproduksi barang
maksimum 100000 kemasan per hari.
34
Apabila proses produksi perusahaan tersebut menggunakan 3 aturan
fuzzy sbb:
35
1. Membuat himpunan dan input fuzzy
36
A. Variabel Biaya Produksi
[x] 1
0,68
0,32
0
0 250 500 750 800 1000
biaya produksi (Rp)
37
Jika biaya produksi sebesar Rp 800,- maka nilai keanggotaan
fuzzy pada tiap-tiap himpunan adalah:
◦ Himpunan fuzzy RENDAH, BPRendah[800]= 0,0
◦ Himpunan fuzzy STANDAR, BPStandar[800]=0,32
diperoleh dari:
(800;500,500) = S(800;500,750,1000)
= 2[(1000-800)/(1000-500)]2
= 0,32
[x]
0,25
0
0 10 25 30 35 50 60
permintaan (x1000 kemasan per hari)
39
Jika permintaan sebanyak 25000 kemasan per hari, maka nilai
keanggotaan fuzzy pada tiap-tiap himpunan adalah:
◦ Himpunan fuzzy TURUN, PmtTurun[25]=0,25
diperoleh dari:
= (30-25)/(30-10)
= 5/20
= 0,25
◦ Himpunan fuzzy BIASA, PmtBiasa[25]=0
◦ Himpunan fuzzy NAIK, PmtNaik[25]=0
40
C. Variabel Produksi Barang
BERKURANG NORMAL BERTAMBAH
Derajat
keanggotaan
[x]
0
0 10 30 50 70 90 100
produksi barang (x1000 kemasan per hari)
41
Nilai keanggotaan fuzzy pada tiap-tiap himpunan dirumuskan:
Himpunan fuzzy BERKURANG:
1; z 10
PBBerkuran g [z] (50 z ) / 40; 10 z 50
0; z 50
Himpunan fuzzy NORMAL:
0; ( z 30) atau ( z 70)
PBNormal [z] ( z 30) / 20; 30 z 50
(70 z ) / 20; 50 z 70
Himpunan fuzzy BERTAMBAH:
0; z 50
PBBertambah [z] (z 50) / 40; 50 z 90
1; z 90
42
2. Aplikasi operator fuzzy
A. Aturan ke-1:
43
B. Aturan ke-2:
44
C. Aturan ke-3:
45
3. Aplikasi fungsi implikasi
A. Aturan ke-1:
46
B. Aturan ke-2:
0,32 = (z-30)/20
0,05z = 1,82
z = 36,4
atau
0,32 = (70-z)/20
0,05z = 3,18
z = 63,6
Sehingga:
0; (z 30) atau ( z 70)
(z 30) / 20; 30 z 36,4
KFR2
0,32 36,4 z 63,6
(70 z ) / 20; 63,6 z 70
47
C. Aturan ke-3:
0,25 = (50-z)/40
0,025z = 1,00
z = 40
Sehingga:
0,25; z 40
KFR3 (50 z ) / 40; 40 z 50
0; z 50
48
3. Komposisi semua output
Untuk melakukan komposisi semua output fuzzy dilakukan dengan
menggunakan metode MAX.
Sehingga:
0,25; z 35
(z 30) / 20; 35 z 36,4
SF 0,32; 36,4 z 63,6
(70 z ) / 20; 63,6 z 70
0; z 70
49
4. Penegasan (Defuzzy)
50
D2
D3
D1 D4
51
Menghitung Momen:
35 35
2
M1 (0,25)z dz 0,125z 0
153,125
0
36,4
36,4 36,4
M2 (0,05z 1,5)z dz (0,05z 2 1,5z ) dz 0,0167z 3 0,75z 2 14,43418
35 35 35
63,6 63,6
2
M3 (0,32)z dz 0,16z 36,4
435,2
36,4
70
70 70
2
M4 (0,05z 3,5)z dz (0,05z 3,5z ) dz 0,0167z 3 1,75z 2 64,45292
63,6 63,6 63,6
52
Menghitung Luas:
A1 = 35*0,25 = 8,75
A2 = (0,25+0,32)*(36,4-35)/2 = 0,399
A3 = (63,6-36,4)*0,32 = 8,704
A4 = (70-63,6)*0,32/2 = 1,024
53
Metode Komposisi
Metode Max
Metode Additive
Metode Probabilistik OR (PROBOR)
55
1. Metode MAX (Maximum)
Apabila digunakan fungsi implikasi MIN, maka metode komposisi ini sering
disebut dengan nama MAX-MIN atau MIN-MAX atau MAMDANI.
56
Contoh:
Misalkan ada 3 aturan (proposisi) sebagai berikut:
57
2. Aplikasi op. fuzzy 3. Aplikasi metode implikasi (min)
1. Input fuzzy
(and = min)
rendah naik bertambah
IF biaya produksi RENDAH AND permintaan NAIK THEN produksi barang BERTAMBAH
standar normal
58
2. Metode ADDITIVE
Solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum
terhadap semua output daerah fuzzy.
Secara umum dituliskan:
sf[xi] min(1,sf[xi]+kf[xi])
dengan:
sf[xi] = nilai keanggotaan solusi fuzzy sampai
aturan ke-i;
kf[xi] = nilai keanggotaan konsekuen fuzzy
aturan ke-i
59
3. Metode PROBABILISTIK OR (PROBOR)
Solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap
semua output daerah fuzzy.
Secara umum dituliskan:
sf[xi] (sf[xi]+kf[xi]) - (sf[xi] *kf[xi])
dengan:
sf[xi] = nilai keanggotaan solusi fuzzy sampai
aturan ke-i;
kf[xi] = nilai keanggotaan konsekuen fuzzy
aturan ke-i;
60
PENEGASAN (DEFUZZY)
Input dari proses defuzzifikasi adalah suatu
himpunan fuzzy yang diperoleh dari
komposisi aturan-aturan fuzzy.
Sedangkan output yang dihasilkan
merupakan suatu bilangan pada domain
himpunan fuzzy tersebut.
Jika diberikan suatu himpunan fuzzy dalam
range tertentu, maka harus dapat diambil
suatu nilai crsip tertentu sebagai output
62
63
1. Metode CENTROID
Solusi crisp diperoleh dengan cara
mengambil titik pusat daerah fuzzy C.
n
n
z i * C (z i ) z C ( z )dz
z i0
1
z n
n
C (z i )
i 0
1
C ( z )dz
64
2. Metode BISEKTOR
Solusi crisp diperoleh dengan cara
mengambil nilai pada domain fuzzy yang
memiliki nilai keanggotaan separo dari
jumlah total nilai keanggotaan pada daerah
fuzzy C.
p n
z p sdh
1
C (z)dz
p
C (z)dz
65
3. Metode MEAN OF MAXIMUM (MOM)
Solusi crisp diperoleh dengan cara
mengambil nilai rata-rata domain pada
himpunan C yang memiliki nilai
keanggotaan maksimum.
66
4. Metode SMALLEST OF MAXIMUM
(SOM)
Solusi crisp diperoleh dengan cara
mengambil nilai terkecil dari domain pada
himpunan C yang memiliki nilai
keanggotaan maksimum.
67
5. Metode LARGEST OF MAXIMUM
(LOM)
68