Post on 26-Sep-2020
Pengantar Logika FuzzyArita Witanti S.T.,M.TTeknik Informatika – FTI UMBY
Pendahuluan
• Logika fuzzy pertama kali
dikembangkan oleh Lotfi A. Zadeh
melalui tulisannya pada tahun 1965
tentang teori himpunan fuzzy.
• Lotfi Asker Zadeh adalah seorang
ilmuwan Amerika Serikat
berkebangsaan Iran dari Universitas
California di Barkeley,
2
Sejarah
Meskipun logika fuzzy dikembangkan di Amerika, namun ia lebihpopuler dan banyak diaplikasikan secara luas oleh praktisi Jepangdengan mengadaptasikannya ke bidang kendali (control).
Saat ini banyak dijual produk elektronik buatan Jepang yang menerapkan prinsip logika fuzzy, seperti mesin cuci, AC, dan lain-lain.
Fuzzy logic sudah diterapkan pada banyak bidang, mulai dari teorikendali hingga inteligensia buatan.
3
sejarah
Mengapa logika fuzzy yang ditemukan di Amerika malah lebihbanyak ditemukan aplikasinya di negara Jepang?
Salah satu penjelasannya: kultur orang Barat yang cenderungmemandang suatu persoalan sebagai hitam-putih, ya-tidak, bersalah-tidak bersalah, sukses-gagal, atau yang setara dengandunialogika biner Aristoteles,
sedangkan kultur orang Timur lebih dapat menerima dunia “abu-abu” atau fuzzy.
4
Latar belakang
Logika fuzzy umumnya diterapkan pada masalah masalah yang mengandung unsur ketidakpastian (uncertainty), ketidaktepatan(imprecise), noisy,dan sebagainya.
Logika fuzzy menjembatani bahasa mesin yang presisi denganbahasa manusia yang menekankan pada makna atau arti(significance).
Logika fuzzy dikembangkan berdasarkan bahasa manusia (bahasaalami)
5
Kepastian vs Ketidakpastian
• Kepastian (certainty)
Dinyatakan dengan:
• ‘ya’ dan ‘tidak’ (‘yes’ and ‘no’)
• ‘1’ dan ‘0’
• Ketidakpastian (uncertainty)
Misalnya:
• Kriteria ‘baik’?
• Kriteria ‘muda’?
• Kriteria ‘banyak’?
• Kriteria ‘tinggi’?6
7
Logika Fuzzy
• Bahasa manusia yang digunakan sehari-hari sebagian besar sifatnya samar (vague) atau tidak-pasti (uncertain)
• Misalnya:
• Tinggi
• Rendah
• Baik
• Banyak, dll
• Manusia adalah makhluk yang menggunakan reasoning (pengetahuan yang telah diperoleh sebelumnya), namun komputer tidak dapat melakukan hal ini
8
Lotfi Zadeh, 1973Professor, Systems Engineering, UC Berkeley
‘The closer one looks at a real world problem, the fuzzier becomes its solution’
“Professor Zadeh reasoned that people do not require precise, numerical information input, and yet they are capable of highly adaptive control.
If feedback controllers could be programmed to accept noisy, imprecise input, they would be much more effective and perhaps easier to implement” (Sumber: http://urtechfriendpaperpresentations5.blogspot)
As complexity rises, precise statements lose meaningful and meaningful statements lose precision (Lutfi A. Zadeh)
9
Fuzziness vs Complexity
Permasalahan (situasi) di dunia nyata biasanya sangat kompleks dan kompleksitas terkait dengan tingkat ketidak-pastian.
‘Semakin tinggi ketidak-pastian, maka semakin tinggi pula kompleksitasnya’
Sistem dan analisis tradisional (non-fuzzy) memakai logika pasti (precise) sehingga bisa mengurangi kompleksitasnya (yaitu mengurangi derajat ketidak-pastian atau fuzzines (kekaburan)
Himpunan fuzzy memungkinkan untuk pemodelan mengenai ketidakpastian yang terkait dengan vagueness, imprecision, dan kurangnya informasi mengenai suatu masalah.
10
Contoh-contoh masalah yang mengandungketidakpastian:
Contoh 1:
Seseorang dikatakan “tinggi” jika tinggi badannya lebih dari 1,7 meter.
Bagaimana dengan orang yang mempunyai tinggi
badan 1,6999 meter atau 1,65 meter, apakah
termasuk kategori orang tinggi?
Menurut persepsi manusia, orang yang mempunyai
tinggi badan sekitar 1,7 meter dikatakan “kurang
lebih tinggi” atau “agak tinggi”.
11
Contoh ketidakpastian
• 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”.
• Ketidapastian dalam kasus –kasus ini disebabkan
oleh kaburnya pengertian “agak”, “kurang lebih”,
“sedikit”, dan sebagainya
12
Himpunan Klasik vs Himpunan Fuzzy
(a) Himpunan klasik
(b) Himpunan fuzzy
13
Misalkan terdapat himpunan A yang anggotanya adalah bilangan –bilangan pada jangkauan 5 hingga 7 sebagai berikut.
Himpunan Klasik
• Contoh
Misalkan semesta pembicaraan X terdiri atas elemen-elemen sbb:
X = {1, 2, 3, 4}
Maka:
jumlah anggota himpunan = 4 = x
jumlah himpunan bagian = 2 x = 24 = 16 yaitu
P(x) = {, {1}, {2}, {3}, {4}, {1, 2}, {1, 3}, {1, 4},…..}
(sebutkan yang lain)14
Operasi Himpunan Klasik
Misalkan dua himpunan A dan B pada semesta pembicaraan X, maka
operasi-operasi yang dapat terjadi adalah:
• Union
Union dari himpunan A dan B dinyatakan sbg AB.
15
• Irisan (intersection)
Irisan dari himpunan A dan B dinyatakan sbg AB.
16
• Komplemen
Komplemen A dinotasikan sebagai Ā dan didefinisikan sebagai semua
elemen yang berada di luar himpunan A (tetapi masih termasuk
dalam semesta pembicaraan yang sama.
17
Bagian yang diarsir adalah
komplemen A
• Difference
Difference himpunan A dan B dinotasikan sbg A|B dan didefinisikan
sebagai elemen-elemen himpunan A yang bukan elemen himpunan B
18
Sifat-sifat Operasi Himpunan Klasik
• Komutatif :
• Asosiatif :
• Distributif:
• Transitif:
: ada di dalam atau ekivalen, : ada di dalam 19
Sifat-sifat Operasi Himpunan Klasik (lanj.)
• Identitas:
• Involution :
• AA = A
• AA = A
• Law of excluded middle:
• Law of contradiction:
20
De Morgan’s Law
21
Pemetaan Himp. Klasik ke Fungsi
Misalkan ada dua himpunan pada dua semesta pembicaraan yang berbeda. Jika x
adalah elemen dalam himpunan X yang terhubung dengan y yang merupakan
elemen himpunan Y, maka hal ini biasa dinyatakan sebagai:
f : X Y dan dibaca sebagai pemetaan X ke Y.
Fungsi karakteristik A didefinisikan sbg:
22
Misalkan himpunan A dan B pada semesta pembicaraan X
• Union
V merupakan simbol operator maksimum.
• Irisan (intersection)
merupakan simbol operator minimum. 23
• Komplemen
• Containtment
Contoh
Misalkan terdapat 3 himpunan A = {9, 5, 6, 8, 10}, B = {1, 2, 3, 7, 9}, dan
C = {1, 0} dalam semesta pembicaraan X.
Buktikan bahwa A(BC) =(AB)C24
Himpunan Fuzzy
• Nilai keanggotaannya berada pada rentang antara 0 dan 1 atau [0, 1]
• Semakin tinggi nilai keanggotaan maka berarti semakin tinggi derajat
keanggotaannya
• Fungsi yang demikian disebut fungsi keanggotaan (membership function) dan
himpunannya disebut himpunan fuzzy
• Elemen dalam suatu himpunan fuzzy mempunyai kemungkinan untuk juga
menjadi anggota himpunan fuzzy yang lain (bandingkan dengan himpunan klasik
dengan nilai keanggotaan 0 dan 1)
25
Himpunan Fuzzy
Logika fuzzy dikembangkan dari teori himpunan fuzzy.
• Himpunan klasik yang sudah dipelajari selama ini disebut himpunan tegas (crisp set).
• Di dalam himpunan tegas, keanggotaan suatu unsur di dalam
himpunan dinyatakan secara tegas, apakah objek tersebut
anggota himpunan atau bukan.
• Untuk sembarang himpunan A, sebuah unsur x adalah
anggota himpunan apabila x terdapat atau terdefinisi di dalam A.
Contoh: A = {0, 4, 7, 8, 11}, maka 7 Є A, tetapi 5 ∉ A.
26
Notasi Himpunan Fuzzy
• Notasi himpunan fuzzy A
• Jika sebuah elemen x merupakan anggota himpunan fuzzy A, maka pemetaannya dinyatakan dengan notasi berikut:
Artinya bahwa nilai keanggotaan x pada himpunan fuzzy A mempunyai nilai yang berada di antara rentang 0 dan 1.
Elemen x juga bisa menjadi anggota himpunan fuzzy yang lain (dengan nilai keanggotaan yang tertentu pula)
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
Grafis Keanggotaan Fuzzy
Secara grafis, fungsi keanggotaan x pada himpunan fuzzy A dapat
digambarkan sebagai berikut.
43
Operasi pada Himpunan Fuzzy
• Union
44
• Irisan
45
• Komplemen
46
• Himpunan fuzzy A yang didefinisikan pada suatu semesta pembicaraan x mrpk
himpunan bagian dari semesta pembicaraan tsb.
• Nilai keanggotaan setiap elemen x dalam himpunan nol atau null set () = 0. Null
set adalah himpunan yang semua elemennya mempunyai nilai keanggotaan nol.
• Nilai keanggotaan setiap elemen x dalam whole set = 1. Whole set adalah
himpunan yang semua elemennya mempunyai nilai keanggotaan satu.
• Himpunan fuzzy memenuhi hukum de Morgan sbb:
• Tetapi
47
Sifat-sifat Operasi Himp. Fuzzy
• Komutatif
• Asosiatif
• Distributif
48
Sifat-sifat Operasi Himp. Fuzzy
• Idempontensi
• Identitas
• Transitif
• Involution
49
Contoh
Untuk himpunan fuzzy berikut,
temukan
• komplemen,
• union, dan
• irisannya
50
3
8,0
2
7,0
1
4,0
gggB
3
7,0
2
9,0
1
6,0
gggA
Contoh
Untuk himpunan fuzzy berikut,
temukan
• komplemen,
• union, dan
• irisannya
51
Post test
Misalkan X adalah semesta pesawat penerbangan komersial
X={a10, b52, b117, C5, C130, f4, f14, f15, f16, f111, kc130}
dan A adalah himpunan fuzzy penumpang pesawat
dan B adalah himpunan fuzzy kargo pesawat
Temukan komplemen, union, dan irisan dari kedua himpunan fuzzy tsb.
52
Soal 2
Untuk himpunan fuzzy berikut,
temukan
• komplemen,
• Union,
• Irisan,
•
•
53
54
55
56
57
REFERENSI
• [1] Timothy J Ross, 2010, Fuzzy Logic with Engineering Applications, John Wiley & Sons
• [2] SN Sivanandam, Sumathi, Deepa, 2007, Introduction to Fuzzy Logic using Matlab, Springer
• [3] Sri Kusumadewi, Hari Purnomo, 2010, “Aplikasi Logika Fuzzy untuk Pendukung Keputusan”, Penerbit Graha Ilmu
• [4] Sri Kusumadewi, 2010, “Neuro-Fuzzy: Integrasi Sistem Fuzzy & Jaringan Syaraf”, Penerbit Graha Ilmu
• [5] Rinaldi Munir, 2011, ‘Pengantar Logika Fuzzy’, Teknik Informatika STEI ITB
58