2
Crisp Sets
· S = himpunan semesta, A dan B adalah himpunan
didalam S.
· Untuk himpunan tegas A dan B, didefinikan:
· x A x anggota A.
· x A x bukan anggota A.
3
Example: Height
Tall people: >= 1.7m
1.7m , 1,8m, 2m dll, adalah anggota himpunan
1.0 m, 1.5m atau bahkan 1.69999m adalah bukan anggota
himpunan
Real systems have measurement uncertainty
so near the border lines, many misclassifications
Crisp sets have clear cut boundaries, hence do not reflect
uncertainty about membership
4
DALAM KEHIDUPAN SEHARI –HARI BIASA
DITEMUI HAL-HAL YANG DIKOTOMI (hitam
atau putih, ya atau tidak dll)
Contoh :
Youth : < 35 tahun
Middle age : 35 – 55 tahun
Old age : > 55 tahun
5
Zadeh’s Complaint
The “class of all real numbers which are much greater
than 1,” or “the class of beautiful women,” or “the class
of tall men,” do not constitute classes or sets in the
usual mathematical sense of these terms (Zadeh, 1965).
6
Weekend Days
Is Saturday a weekend day?
1 (yes, or true)
Is Tuesday a weekend day?
0 (no, or false)
Is Friday a weekend day?
0.8 (mostly yes, but not completely)
Is Sunday a weekend day?
0.95 (Yes, but not quite as Saturday)
7
LOGIKA FUZZY
Dikemukakan oleh Lotfi A. Zadeh tahun 1965
8
LOGIKA FUZZY
· Transisi diantara membership dan non-
membership dapat bergradasi.
· Fuzzy set memuat elemen-elemen yang
mempunyai derajat keanggotaan (degrees of
membership) yang bervariasi.
· Degree of membership diukur dengan sebuah
fungsi.
· Fungsi memetakan elemen-elemen pada sebuah
bilangan real pada interval 0 sampai 1, A[0,1].
9
• Crisp sets berbentuk biner. Sebuah elemen hanya
mempunyai 2 kemungkinan, anggota atau bukan
anggota
•Fuzzy sets, mempunyai grades of memberships.
Contoh : The set of cities `far' from Los Angeles
10
Example: Crisp set Tall
Fuzzy sets and concepts are commonly used in natural language
John is tall
Dan is smart
Alex is happy
The class is hot
E.g., the crisp set Tall can be defined as {x | height x > 1.7 meters}
But what about a person with a height = 1.69 meters?
What about 1.68 meters?
…
What about 1.52 meters?
11
Linguistic variable is a variable whose values are
sentences in a natural or artificial language.
For example, the values of the fuzzy variable height
could be tall, very tall, very very tall, somewhat tall, not
very tall, tall but not very tall, quite tall, more or less
tall.
Tall is a linguistic value or primary term
12
A Fuzzy Set Example
· Example:
A water melon of exactly 9.9kg can
belong to:
The set “large water melon” with a degree of 0.1, and to
The set of “very large water melon” with a degree of 0.9.
13
Membership
Ide “membership” adalah konsep dasar dari logika fuzzy
Setiap objek dalam semesta mempunyai derajat
keanggotaan pada beberapa himpunan
14
A1.0Membership Function
0.0
3kg 5kg 8kg 9kg 10kg
15
Crisp membership functions are either one or zero.
e.g. Numbers greater than 10.
A ={x | x>10}
A(x)
1
x
10
16
Degree of
membership
1
0
height
short tall
17
μ Himpunan Klasik
1.0
Middle age
0 35 55 umur
μ
Himpunan Fuzzy
1.0
0 15 35 45 55 70 umur 18
Representing Degree of Membership
· Untuk suatu himpunan fuzzy A, fungsi
keanggotaannya dinyatakan sebagai A.
· A(xi) adalah derajat keanggotaan dari xi
terhadap himpunan A.
· Contoh :
· A = Large water melon
· Misal xi adalah sebuah semangka dengan berat 9.9kg.
· Dari gambar fungsi keanggotaan sebelumnya, A(xi) =
0.1.
19
Fuzzy sets with a discrete universe
Let X = {0, 1, 2, 3, 4, 5, 6} be a set of numbers of
children a family may possibly have.
fuzzy set A with “sensible number of children in a
family” may be described by
A = {(0, 0.1), (1, 0.3), (2, 0.7), (3, 1), (4, 0.7), (5, 0.3), (6,
0.1)}
20
NOTASI
Misal S = himpunan semesta yang dinyatakan
sbg {x}. Suatu himpunan fuzzy A dalam S
dinyatakan dengan fungsi keanggotaan μA sbb:
A = {(x, μA(x)) | x U} U Diskret
atau
A ( x1 ) A ( x2 ) A ( xn )
A ...
x1 x2 xn
21
CONTOH 1:
Pada himpunan semesta U ={2,3,4,5,6,7,8}, himpunan
fuzzy F yang menyatakan:
a. ‘integer yang mendekati sama dengan 5’ dapat
didefinisikan sebagai berikut :
23
CONTOH 2 :
Tinggi badan seseorang dapat dinyatakan dalam fungsi
keanggotaan yang diberikan dalam rumus sbb :
0 , jk tinggi(x) < 1,5 m
µtinggi(x)= (tinggi(x) -1,5) / 0,3 , jk 1,5m≤tinggi(x)≤1,8m
1 , jk tinggi(x) >1,8 m
Maka dapat ditentukan derajat ketinggian seseorang sbb
25
Example: Fuzzy Short
Short(x) = {0 if x >= 1.9m ,
1 if x <= 1.7m,
else ( 1.9 - x ) / 0.2 }
26
MEMBERSHIP FUNCTIONS
A triangular membership function dispesifikasikan
dengan 3 parameter {a,b,c}:
Triangle(x; a, b, c) = 0 if x a;
= (x-a)/(b-a) if a x b;
= (c-x)/(c-b) if b x c;
= 0 if c x.
27
MEMBERSHIP FUNCTIONS
Trapezoid(x; a, b, c, d) = 0 if x a;
= (x-a)/(b-a) if a x b;
= 1 if b x c;
= (d-x)/(d-c) 0 if c x d;
= 0, if d x.
28
MEMBERSHIP
FUNCTIONS
The S-function can be used to define fuzzy sets
S(x, a, b, c) = 0 for x a
= 2(x-a/c-a)2 for a x b
= 1 – 2(x-c/c-a)2 for b x c
=1 for x c
a b c
29
MEMBERSHIP FUNCTIONS
Fungsi phi, didefinisikan sebagai
P(x, a, b) = S(x, b-a, b-a/2, b) for x b
= 1 – S(x, b, b+a/2, a+b) for x b
31
Easy to understand
Flexible
Tolerant of imprecision
Based on intuition and judgment
No need for a mathematical model
Relatively simple, fast and adaptive
Less sensitive to system fluctuations
32
OPERASI HIMPUNAN FUZZY
UNION (GABUNGAN)
- Misal ada 2 himpunan fuzzy A dan B
dengan fungsi keanggotaan μA(x) dan
μB(x) maka gabungan antara A dengan B
(A B) didefinisikan sebagai :
μA B (x) = max {μA(x) , μB(x)},
untuk semua x S
33
Fuzzy Logic OR
34
OPERASI HIMPUNAN FUZZY (2)
INTERSECTION (IRISAN)
Misal ada 2 himpunan fuzzy A dan B
dengan fungsi keanggotaan μA(x) dan
μB(x) maka irisan antara A dengan B
(A ∩ B) didefinisikan sebagai :
μA ∩ B (x) = min {μA(x) , μB(x)},
untuk semua x S
35
Fuzzy Logic AND
36
OPERASI HIMPUNAN FUZZY (3)
COMPLEMENT (NOT)
Komplemen dari suatu himpunan fuzzy A
dengan fungsi keanggotaan μA(x)
didefinisikan sebagai :
μA’(x) = 1 - μA(x) ,
untuk semua x U
37
Fuzzy Logic NOT
38
Example fuzzy set operations
A’
AB AB
A B
39
Operations
A B
A B AB A
40
Karakteristik himpunan fuzzy
Support(A) is set of all points x in X such that
{(x| µA(x) > 0 }
core(A) is set of all points x in X such that
{(x | µA(x) =1 }
Crossover point of a fuzzy set A is a point x in X
such that
{(x| µA(x) = 0.5 }
α-cut of a fuzzy set A is set of all points x in X
such that
{(x| µA(x) ≥ α }
41
LATIHAN 1
Diketahui himpunan fuzzy usia A sbb :
a. Tentukan derajat keanngotaan young, middle dan old untuk
seseorang yang berusia: 1. 30 tahun, 2. 71 tahun
μ
Himpu Fuzzy
1.0
0 15 35 45 55 70 umur 42
LATIHAN 2
Jika fungsi keanggotaan tinggi badan seseorang
dinyatakan sebagai berikut :
µTall(x) = { 1 if x >= 1.7m ,
0 if x <= 1.5m,
else ( x - 1.5 ) / 0.2 }