(UNCERTAINTY)
Y U LYA M U H A R M I , M . K O M
APA ITU KETIDAKPASTIAN ?
1. Data : Kehilangan data, data tidak dapat diandalkan, data yang mendua,
penyajian data tidak tepat, data tidak konsisten,data subjektif, data
diperoleh dari kelailaian.
2. Pengetahuan pakar
a. Ketidakkonsistenan antara pakar yang berbeda
b. Kemasuk-akalan (“best guess” dari pakar)
c. Kualitas
i. Pemahaman yang dalam pada pengetahuan causal (sebab akibat)
ii. Kualitas secara statistik (pengamatan)
d. Cakupan (hanya domain sekarang ?)
KETIDAKPASTIAN ATURAN
1. Kesalahan
• Ambiguitas, sesuatu didefinisikan dengan lebih dari satu cara
• Ketidaklengkapan data
• Kesalahan informasi
• Kontradiksi aturan
• Subsumpsi aturan
• Redundancy aturan
• Kehilangan aturan
• Penggabungan data
KONTRADIKSI ATURAN
Jika hanya E1 yang muncul, maka masalah tidak akan timbul karena aturan
yang akan digunakan adalah aturan 3, tetapi apabila E1 dan E2 sama-sama
muncul maka kedua aturan (aturan 3 dan 4) sama- sama akan dijalankan.
REDUNDANCY ATURAN
• Mudah dimengerti,
• Memiliki toleransi terhadap data-data yang tidak tepat,
• Memodelkan fungsi nonlinear yang sangat kompleks,
• Mengaplikasikan pengalaman pakar secara langsung tanpa
harus melalui proses pelatihan,
• Bekerjasama dengan teknik kendali secara konvensional,
• Didasarkan pada bahasa alami
16/06/2023 22
Contoh-contoh masalah yang mengandung
ketidakpastian:
24
Contoh 2: Kecepatan “pelan” didefinisikan di bawah 20 km/jam.
Bagaimana dengan kecepatan 20,001 km/jam, apakah masih
dapat dikatakan pelan?
Manusia mungkin mengatakan bahwa kecepatan 20,001
km/jam itu “agak pelan”.
25
DASAR-DASAR LOGIKA FUZZY
Variable Fuzzy
Himpunan Fuzzy
• Atribut Linguistik
• Atribut Numerik
Semesta Pembicaraan
• Rentang nilai
• Pada himpunan tegas (crisp set), nilai keanggotaan suatu item x dalam suatu himpunan
A (ditulis A[x]) memiliki 2 kemungkinan :
• Satu (1), artinya x adalah anggota A
• Nol (0), artinya x bukan anggota A
• Contoh 1 :
Jika diketahui :
S={1,2,3,4,5,6} adalah semesta pembicaraan
A={1,2,3}
B={3,4,5}
maka :
• Nilai kaanggotaan 2 pada A, A[2] = 1, karena 2A
• Nilai kaanggotaan 4 pada A, A[4] = 0, karena 4 A
• Nilai kaanggotaan 2 pada B ????????
• Nilai kaanggotaan 5 pada B ????????
Contoh 2:
“Jika suhu lebih tinggi atau sama dengan 80 oF, maka suhu disebut panas,
sebaliknya disebut tidak panas”
Kasus :
• Suhu = 100 oF, maka Panas
• Suhu = 80.1 oF, maka Panas
• Suhu = 79.9 oF, maka tidak panas
• Suhu = 50 oF, maka tidak panas
0 35 55 0 55
0 35
Gambar 2a. Keanggotaan himpunan biasa (crisp) umur muda dan parobaya
0,5
0,25
0 25 35 40 45 50 55 65
Gambar 2b. Himpunan Fuzzy untuk variable
umur
1 Muda Parobaya Tua
[x]
0,5
0,25
0 25 35 40 45 50 55 65
• Adalah suatu fungsi (kurva) yang menunjukkan pemetaan titik-titik input data ke
dalam nilai keanggotaannya (derajat keanggotaan) yang memiliki interval antara 0
sampai 1.
• Ada beberapa fungsi yang bisa digunakan :
1 1. Representasi linier
FUNGSI KEANGGOTAAN HIMPUNAN FUZZY
(MEMBERSHIP FUNCTION)
Fungsi keanggotaan
untuk himpunan
PANAS pada variabel
temperatur ruangan
seperti terlihat pada
Gambar
Contoh:
Fungsi keanggotaan
untuk himpunan
DINGIN pada variabel
temperatur ruangan
seperti terlihat pada
Gambar
0, x a
xa
, a x b
triangle x : a, b, c b a
cx
,b x c
c b
0, c x
0, x a
xa
, a x b
ba
trapezoid x; a, b, c, d 1, b x c
d x
d c , c x d
0, d x
Contoh
Fungsi keanggotaan untuk himpunan
TUA pada variabel umur seperti
terlihat pada Gambar
Contoh
Fungsi keanggotaan untuk himpunan
MUDA pada variabel umur seperti
terlihat pada Gambar
Muda (37)
6
REPRESENTASI BENTUK LONCENG
(BELL CURVE)
Kurva PI
Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak
pada
pusat dengan domain (γ), dan lebar kurva (β) seperti terlihat
pada
Gambar
6
REPRESENTASI BENTUK LONCENG
(BELL CURVE)
Kurva Beta
Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng namun lebih
rapat. Kurva ini juga didefinisikan dengan 2 parameter, yaitu nilai pada
domain yang menunjukkan pusat kurva (γ), dan setengah lebar kurva (β)
seperti terlihat pada Gambar
Kurva Beta
Fungsi keanggotaan untuk himpunan
SETENGAH BAYA pada variabel
umur seperti terlihat pada Gambar
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, ada 3 operasi dasar yang diciptakan oleh Zadeh :
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
maka -predikat untuk usia MUDA dan berpenghasilan TINGGI adalah nilai
keanggotaan minimum :