ai_Fuzzy Logic
Transcript of ai_Fuzzy Logic
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 1/64
Logika Fuzzy
Oleh:Rina Dewi Indah Sari, S.Kom
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 2/64
Pengertian Fuzzy
� Logika Fuzzy adalah suatu cara yang tepat untuk memetakansuatu ruang input ke dalam suatu ruang output.
� Logika Fuzzy merupakan logical system yang mengikuti carapenalaran manusia yang cenderung menggunakan µpendekatan¶dan bukan µeksak¶.
� Sebuah pendekatan terhadap ketidakpastian yangmengkombinasikan nilai real [0«1] dan operasi logika.
� Logika fuzzy sebagai komponen utama pembangun
softcomputing, terbukti telah memiliki kinerja yang sangat baikuntuk menyelesaikan masalah-masalah yang mengandungketidakpastian di bidang engineering, psikologi, social, dan jugabidang ekonomi.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 3/64
Memetakan input ke output
� Diantara input dan output terdapat black box.� Di dalam black box terdapat proses yang tidak diketahui, bisa
didekati dengan pendekatan sistem linear, ekonometri,interpolasi, sistem pakar, logika fuzzy, dan lain-lain.
� Namun, seperti yang diungkapkan Lotfi Zadeh: ´Dalam hampir setiap kasus, cara fuzzy lebih cepat dan lebih murah´.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 4/64
Logika Fuzzy
� Logika Fuzzy adalah peningkatan dari logika Boolean yangberhadapan dengan konsep kebenaran sebagian.
� Di mana logika klasik (boolean) menyatakan bahwa segala haldapat diekspresikan dalam istilah binary (0 atau 1, ya atautidak), logika fuzzy menggantikan kebenaran boolean dengantingkat kebenaran.
� Logika fuzz y digunakan untuk menerjemahkan suatu besaranyang diekspresikan menggunakan bahasa (ling uistic ), misalkan
besaran kecepatan laju kendaraan yang diekspresikan denganpelan, agak cepat, cepat dan sangat cepat.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 5/64
Sejar ah Fuzzy
� Teori himpunan logika fuzzy dikembangkan oleh Prof LoftiZadeh pada tahun 1965.
� Ia berpendapat bahwa logika benar dan salah dari logikaboolean tidak dapat mengatasi masalah gradasi yang beradapada dunia nyata.
� Untuk mengatasi masalah gradasi yang tidak terhingga tersebut,Zadeh mengembangkan sebuah himpunan fuzzy.
� Tidak seperti logika boolean, logika fuzzy mempunyai nilai yang
kontinue.� Fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan
derajat dari kebenaran.� Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan
sebagian salah pada waktu yang sama.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 6/64
� Munculnya logika fuzzy dilatar belakangi oleh adanyakesenjangan antara hukum-hukum matematika dengan
permasalahan sesungguhnya dikehidupan nyata (realita).� Terkait dengan hal tersebut, Albert Einstein berpendapat:
³So far as the laws of mathematics refer to reality, they are not certain. And so far they are certain, they do not refer to reality ́.
� Dengan demikian, perlu suatu metode analisa baru untukmendekati solusi yang optimal terhadap permasalahanreal.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 7/64
Logika Tegas (Cr isp Logic)
� Pada teknik digital, dikenal dua macam logika yaitu 0 dan 1 serta tigaoperasi dasar yaitu NOT, AND dan OR.
� Logika semacam ini disebut dengan crisp logic .� Logika sering dipergunakan untuk mengelompokan sesuatu himpunan.� Sebagai contoh, akan dikelompokkan beberapa macam hewan, yaitu µhiu¶,
µkakap¶, µpari¶, µkucing¶, µkambing¶, µayam¶ ke dalam himpunan ikan.� Sangat jelas bahwa hiu, kakap dan pari adalah anggota himpunan ikan
sedangkan kucing, kambing, ayam adalah bukan anggotanya.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 8/64
Logika Fuzzy (samar/kabur/tidak tegas)
� Istilah fuzz y logic memiliki berbagai arti. Salah satu arti fuzz y logic adalah perluasancrisp logic , sehingga dapat mempunyai nilai antara 0 sampai 1.
� Pertanyaan yang akan timbul adalah, bagaimana dengan operasi NOT, AND dan OR ?o Operasi NOT x diperluas menjadi 1 - x,
o x OR y diperluas menjadi max( -x, y)o x AND y diperluas menjadi min( -x, y).
� Dengan cara ini, operasi dasar untuk crisp logic tetap sama.o NOT 1 = 1 ± 1 = 0o 1 OR 0 = max (1,0) = 1o 1 AND 0 = min (1,0) = 0,
� Ini diperluas untuk logika fuzzyo NOT 0,7 = 1 ± 0,7 = 0,3o 0,3 OR 0,1 = max (0,3, 0,1) = 0,3o 0,8 AND 0,4 = min (0,8, 0,4) = 0,4.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 9/64
Logika Cr isp vs Logika Fuzzy
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 10/64
Contoh 1
� Pelayan restoran memberikan pelayanan terhadap
tamu kemudian tamu akan memberikan tips sesuaidengan baik tidaknya pelayanan yang diberikan. Ruang input : memberikan pelayanan Ruang output : Tips
� Anda mengatakan kepada saya seberapa sejukruangan yang anda inginkan, saya akan mengatur
putaran kipas yang ada pada ruangan ini. Ruang input : suhu yang diinginkan Ruang output : putaran kipas
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 11/64
Contoh 2
� Contoh berikut akan menjelaskan bagaimana
konsep ³umur´ yang digolongkan ³tua´ dalampengertian fuzzy (samar) dan crisp (tegas).
� Misalkan variabel umur dibagi menjadi tigakategori, yaitu :o Muda : umur < 35 tahuno Parobaya : 35 � umur � 55 tahuno Tua : umur > 55 tahun
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 12/64
Konsep ³tua´ dalam Himpunan Cr isp
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 13/64
Keter angan gambar
� Usia 34 th, maka dikatakan muda ( muda [34] = 1) dan tidakparobaya ( parobaya [34] = 0)
� Usia 35 th, maka dikatakan tidak muda ( muda [35] = 0) danparobaya ( parobaya [35] = 1)
� Usia 35 th kurang 1 hari, maka dikatakan tidak muda ( muda [35th ±1 hr] = 0) dan tidak parobaya ( parobaya [35th ± 1 hr] = 0)
� Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untukmenyatakan umur sangat tidak adil, adanya perubahan kecil sajapada suatu nilai mengakibatkan perbedaan kategori yang cukupsignifikan.
� Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 14/64
Konsep ³tua´ dalam himpunan fuzzy
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 15/64
Keter angan gambar
� Umur 40 th, termasuk dalam himpunan muda dengan muda [40]= 0,25; namun umur tersebut juga termasuk dalam himpunan
parobaya dengan parobaya [40] = 0,5.� Umur 50 th, termasuk dalam himpunan tua dengan tua [50] =
0,25, namun umur tersebut juga termasuk dalam himpunanparobaya dengan parobaya [50] = 0,5.
� Derajat keanggotaan ini, menunjukkan seberapa dekat nilai tiap-tiap umur dalam anggota himpunan itu dengan konsep ³tua´.
� Kita bisa mengatakan bahwa anggota yang berumur 50 thadalah 25% (0,25) mendekati ³tua´, atau dengan bahasa alami³hampir atau mendekati tua´.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 16/64
Per bedaan logika Fuzzy dan Pr obabilitas
� Probabilitaso
ketidakmenentuano kemungkinan
� Logika Fuzzyo Ambiguitaso ketidakjelasan
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 17/64
Keuntungan Fuzzy
� Mudah dimengerti� Sangat Fleksibel
� Pemodelan matematik sederhana� Memiliki toleransi terhadap data-data yang tidak tepat� Mampu memodelkan fungsi-fungsi non liner yang kompleks� Didasarkan pada bahasa alami� Dapat bekerja sama dengan teknik-teknik kendali secara
konvensional.
� Logika fuzzy dapat membangun dan mengaplikasikanpengalaman2 para pakar secara langsung tanpa harus melaluiproses pelatihan.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 18/64
Aplikasi Fuzzy
� Mesin cuci (Jepang,1990, Matsushita Electric IndustrialCompany)o Sistem fuzzy digunakan untuk menentukan putaran yang
tepat secara otomatis berdasarkan jenis dan banyaknyakotoran serta jumlah yang akan dicuci.
o Menggunakan sensor optik yang mengeluarkan cahaya kedalam air dan mengukur cahaya tersebut ke ujung lainnya.Semakin kotor maka cahayanya semakin redup.
� Mobilo Penerapannya pada transmisi otomatis
� Kereta bawah tanah Sendaio Mengontrol pemberhentian otomatis pada area tertentu
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 19/64
Aplikasi Fuzzy
� Kedokteran (Inggris)o Teknologi mikro, yaitu operasi jarak jauh.o Saat ini masih terus dikembangkan penelitian mengenai
penyakit kanker.o Diagnosa berdasarkan logika fuzzy
� Manajemen dan pengambilan keputusano Manajemen basisdata, tata letak pabrik, pembuatan games
yang didasarkan pada logika fuzzy.
� Ekonomio Pemodelan fuzzy pada sistem pemasaran yang kompleks.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 20/64
Istilah dalam Fuzzy
� Variabel Fuzzy
� Himpunan Fuzzy� Notasi Himpunan� Semesta Fuzzy� Domain Fuzzy�
Fungsi Keanggotaan� FIS (Fuzzy Inference System)
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 21/64
Var iabel Fuzzy
� Variabel Fuzzyo
merupakan konsep atau permasalahan yangakan dibahas dalam suatu sistem fuzzy.
� Contoh : umur, temperatur, permintaan, dsb.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 22/64
Himpunan Fuzzy
� Himpunan fuzzy merupakan suatu group yang mewakilisuatu kondisi atau keadaan dalam suatu variabel fuzzy.
� Himpunan Fuzzy memiliki 2 atribut, yaitu :o Linguistik,
yaitu penamaan suatu grup yang mewakili suatu keadaanatau kondisi tertentu dengan menggunakan bahasa alami,
misalnya: MUDA, PAROBAYA, TU A.o Numeris,
yaitu suatu nilai (angka) yang menunjukkan ukuran darisuatu variabel
misalnya: 40, 25, 50.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 23/64
Notasi himpunan Fuzzy
� Jika kita punya himpunan fuzzy A, maka
dinyatakan dalam notasi :� : nama himpunan� : elemen himpunan� : semesta (universe of discourse)�
: derajad keanggotaan elemen dalamhimpunan.� Contoh : A[40] = 0,25
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 24/64
Semesta Fuzzy
� Semesta pembicaraan adalah keseluruhan nilai yangdiperbolehkan untuk dioperasikan dalam suatu variabel fuzzy.
� Semesta pembicaraan merupakan himpunan bilangan real yangsenantiasa naik (bertambah) secara monoton dari kiri ke kanan.
� Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif.
� Adakalanya nilai semesta pembicaraan ini tidak dibatasi batasnilainya.
� Contoh :o Semesta pembicaraan untuk variabel umur : (0 - �)o Semesta pembicaraan untuk variabel temperatur : (0 - 40)
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 25/64
Domain
� Domain himpunan fuzzy adalah keseluruhan nilai yangdiijinkan dalam semesta pembicaraan dan boleh
dioperasikan dalam suatu himpunan fuzzy.� Seperti halnya semesta pembicaraan, domain merupakan
himpunan bilangan real yang senantiasa naik (bertambah)secara monoton dari kiri ke kanan.
� Nilai domain dapat berupa bilangan positif maupun negatif.
� Contoh domain himpunan fuzzy :o Muda : [0, 35]o Parobaya : [35, 55]o Tua : [55, �]
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 26/64
Fungsi Keanggotaan
� Fungsi keanggotaan (membership function) adalahsuatu kurva yang menunjukkan pemetaan titik-titikinput data ke dalam nilai keanggotaannya (sering
juga disebut derajat keanggotaan) yang memilikiinterval antara 0 sampai 1.
� Salah satu cara yang dapat digunakan untuk
mendapatkan nilai keanggotaan adalah denganmelalui pendekatan fungsi.� Ada beberapa fungsi yang bisa digunakan.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 27/64
Pendekatan Fungsi
� Reprensentasi Linear �
Reprensentasi Kurva Segitiga� Reprensentasi Kurva Trapesium� Reprensentasi Kurva Bentuk Bahu� Reprensentasi Kurva ± S�
Reprensentasi Kurva BentukL
onceng (BellCurve)� Koordinat Keanggotaan
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 28/64
Reprensentasi Linear
� Pada representasi linear, pemetaan input ke derajatkeanggotaannya digambarkan sebagai suatu garislurus.
� Bentuk ini paling sederhana dan menjadi pilihanyang baik untuk mendekati suatu konsep yangkurang jelas.
� Ada dua keadaan himpunan fuzzy yang linear:o Representasi Linier Naiko Representasi Linier Turun
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 29/64
Representasi Linier Naik
� Kenaikan himpunan dimulai pada nilai domain yang memilikiderajat keanggotaan nol [0] bergerak ke kanan menuju nilai
domain yang memiliki derajat keanggotaan lebih tinggi.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 30/64
Representasi Linier Tur un
� Garis lurus dimulai dari nilai domain dengan derajatkeanggotaan tertinggi pada sisi kiri, kemudian bergerak
menurun ke nilai domain yang memiliki derajat keanggotaanlebih rendah.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 31/64
Reprensentasi Kur va Segitiga
� Kurva segitiga pada dasarnya merupakan gabungan antara duagaris (linear) seperti berikut
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 32/64
Reprensentasi Kur va Tr apesium
� Kurva Trapesium pada dasarnya seperti bentuk segitiga, hanyasaja ada beberapa titik yang memiliki nilai keanggotaan
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 33/64
Reprensentasi Kur va Bentuk Bahu
� Representasi KurvaBentuk Bahu merupakan
satu sisi dari variabelyang tidak mengalamiperubahan, dimanahimpunan fuzzy µbahu¶digunakan untukmengakhiri variabel
suatu daerah fuzzy.� Bahu kiri bergerak dari
benar ke salah,demikian juga bahukanan bergerak darisalah ke benar.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 34/64
Reprensentasi Kur va ± S
� Kurva Pertumbuhan dan Penyusutan merupakan Kurva± S atausigmoid yang berhubungan dengan kenaikan dan penurunan
permukaan secara tak linear.� Kurva ± S untuk Pertumbuhan akan bergerak dari sisi paling kiri
(nilai keangggotaan = 0) ke sisi paling kanan (nilai kenggotaan =1).
� Fungsi keanggotaannya akan tertumpu pada 50% nilaikeanggotaannya yang sering disebut dengan titik infleksi.
� Kurva ± S untuk Penyusutan akan bergerak dari sisi palingkanan (nilai keangggotaan = 1) ke sisi paling kiri (nilaikenggotaan = 0).
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 37/64
Reprensentasi Kur va Bentuk Lonceng(Bell Cur ve)
� Kurva berbentuk lonceng ini terbagi menjadi
3 kelas :o Kurva o Kurva (Beta)o Kurva Gauss
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 38/64
Kur va
� Kurva berbentuk lonceng dengan derajat
keanggotaan 1 terletak pada pusat dengandomain (), dan lebar kurva ().
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 39/64
Kur va (Beta)
� Kurva Beta juga didefinisikan dengan 2 parameter,yaitu nilai pada domain yang menunjuk pusat kurva(), dan setengah lebar kurva (), dan fungsikeanggotaannya akan mendekati nol hanya jika nilai() sangat besar.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 40/64
Kur va Gauss
� Pada kurva Gauss menggunakan 2 parameter yaitu() dan (), kurva Gauss juga menggunakan ()untuk menunjukkan nilai domain pada pusat kurva,dan (k) yang menunjukkan lebar kurva.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 43/64
Titik-titik koor dinat yang menunjukkan
Pengendar a Beresiko Tinggi
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 44/64
Keter angan gambar
� Pada gambar merupakan contoh himpunan fuzzyyang diterapkan pada sistem asuransi yang akanmenanggung resiko seorang pengendara kendaraanbermotor berdasarkan usianya, akan berbentuk µU¶.
� Semua titik harus ada di domain, dan paling sedikitharus ada satu titik yang memiliki nilai kebenaran
sama dengan satu.� Koordinatnya dapat digambarkan dengan 7pasangan berurutan sebagai berikut :
16/1 21/.6 28/.3 68/.3 76/.5 80/.7 96/1
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 45/64
Oper asi Dasar Himpunan Fuzzy
(Oper asi Dasar Zadeh)
� Seperti halnya himpunan konvensional, adabeberapa operasi yang didefinisikan secara khususuntuk mengkombinasi dan memodifikasi himpunanfuzzy.
� Nilai keanggotaan sebagai hasil dari operasi 2himpunan sering dikenal dengan nama f ire strength
atau ±predikat.� Ada 3 operator dasar yang diciptakan oleh Zadehyaitu : AND, OR, NOT
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 46/64
Oper ator AND
� Operator ini berhubungan dengan operasi interseksipada himpunan.
� ±predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilaikeanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan.
�
A B = min(A[x], B[y])
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 47/64
Oper ator OR
� Operator ini berhubungan dengan operasi unionpada himpunan.
� ±predikat sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaanterbesar antar elemen pada himpunan-himpunanyang bersangkutan.
�
AU
B = max(A[x], B[y])
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 48/64
Oper ator NOT
� Operator ini berhubungan dengan operasi
komplemen pada himpunan.� ±predikat sebagai hasil operasi denganoperator NOT diperoleh denganmengurangkan nilai keanggotaan elemenpada himpunan yang bersangkutan dari 1.
� A¶ = 1 - A[x]
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 49/64
Penalar an Monoton
� Metode penalaran secara monoton digunakan sebagai dasar untuk teknik implikasi fuzzy.
� Meskipun penalaran ini sudah jarang sekali digunakan, namunterkadang masih digunakan untuk penskalaan fuzzy.
� Jika 2 daerah fuzzy direlasikan dengan implikasi sederhanasebagai berikut :
IF x is A THEN y is B� Transfer fungsi :
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 antesedennya.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 51/64
Algor itma Implikasi Monoton
� Untuk suatu elemen x pada domain A, tentukan nilaikeanggotaannya dalam daerah fuzzy A, yaitu :
A[X];� Pada daerah fuzzy B, nilai keanggotaan yang
berhubungan tentukan permukaan fuzzy-nya.� Tarik garis lurus ke arah domain.� Nilai pada sumbu domain y, merupakan solusi dari
fungsi implikasi tersebut.� Dapat dituliskan : y B = f (A[X] , DB)0
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 53/64
Sistem Inf erensi Fuzzy
� Sistem Inferensi Fuzzy (F uzz y Inf erence System/F IS ) disebut juga fuzz y inf erence engine adalah sistem yang dapatmelakukan penalaran dengan prinsip serupa seperti manusia
melakukan penalaran dengan nalurinya.� Terdapat beberapa jenis FIS yang dikenal yaitu
o Mamdanio Sugenoo Tsukamoto
� FIS yang paling mudah dimengerti, karena paling sesuai dengan
naluri manusia adalah FIS Mamdani yang bekerja berdasarkankaidah-kaidah linguistik dan memiliki algoritma fuzzy yangmenyediakan sebuah aproksimasi untuk dimasuki analisamatematik.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 54/64
Pr oses dalam FIS
� Input yang diberikan kepada FIS adalah berupa bilangantertentu dan output yang dihasilkan juga harus berupa bilangan
tertentu.� Kaidah-kaidah dalam bahasa linguistik dapat digunakan sebagai
input yang bersifat teliti harus dikonversikan terlebih dahulu, lalumelakukan penalaran berdasarkan kaidah-kaidah danmengkonversi hasil penalaran tersebut menjadi output yangbersifat teliti.
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 55/64
Bagian-bagian FIS
� Pengetahuan (Knowledge)o Penalaran yang dinyatakan dalam aturan
berbentuk IF (jika) x is A, THEN (maka) y is B� Fakta
o merupakan masukan fuzzy (nilai nyata yang ada)yang akan dicari inferensi (konklusi)nya denganmenggunakan aturan fuzzy. Fakta tidak harussama dengan basis pengetahuan.
� Konklusio keputusan berdasarkan pengetahuan dan fakta
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 56/64
Metode Mamdani
� Metode Mamdani sering juga dikenal dengan nama MetodeMax-Min.
� Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun1975.� Nilai tegas akan berupa daerah atau range, ada beberapa
metode defuzzy yang bisa dipakai pada komposisi aturanmamdani (metode dalam fuzzy), antara lain :
1. metode centroid (Composite Moment)
2. metode bisektor 3. metode mean of maximum (MOM)4. metode largest of maximum (LOM)5. metode smallest of maximum (SOM)
� Dari beberapa metode tersebut diatas dapat digunakan salahsatu untuk menentukan nilai tegas dari defuzzy
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 57/64
Tahapan dalam metode Mamdani
� Pembentukan himpunan fuzzy;o variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy.
� Aplikasi fungsi impliksi (aturan);o
fungsi implikasi yang digunakan adalahM
IN
� Komponen aturan;o sistem terdiri dari beberapa aturan, inferensi diperoleh dari korelasi antar aturan. Ada 3
metode yang digunakan, yaitu : max, additive(SUM) dan probabilistik OR.
� Penegasan (defuzzyfikasi)o Input dari proses defuzzyfikasi adalah suatu himpunan fuzzy yang diperoleh dari
komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatubilangan pada domain himpunan fuzzy tersebut. Jika diberikan suatu himpunan fuzzydalam range tertentu, maka harus dapat di ambil suatu nilai crisp tertentu sebagai output.
o Defuzzyfikasi pada metode mamdani untuk semesta diskrit menggunakan persamaan
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 58/64
Metode Fuzzy Mamdani
� Tentukan derajad kesepadanan (degree of match)o Ingat :
� Hitung kuat penyulutano Ingat :
� Lakukan implikasio Ingat :
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 59/64
Metode Sugeno
� Setiap perhitungan dapat mempunyai nilaitegas apabila sudah melakukan penelitianterlebih dahulu atau dengan kata lainpenentuan nilai tegas berdasar data yangsudah ada
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 60/64
Metode Tsukamoto
� Dalam metode ini nilai crisp berupa titik tegas.� Tiap-tiap aturan (proposisi) pada basis pengetahuan
fuzzy akan berhubungan dengan suatu relasi fuzzy.� Bentuk umum dari aturan yang digunakan dalam
fungsi implikasi adalah:IF x is A THEN y is B
� atau bisa dijabarkan sebagai berikut[R1] IF (x is A1) and (y is B2) THEN (z is C1)[R2] IF (x is A2) and (y is B1) THEN (z is C2)
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 61/64
� Setiap konsekuen pada aturan yangberbentuk IF-THEN harus direpresentasikandengan suatu himpunan fuzzy dengan fungsikeanggotaan yang monoton.
� Sebagai hasilnya, output hasil inferensi daritiap-tiap aturan diberikan secara tegasberdasarkan -predikat.
� Hasil akhirnya diperoleh denganmenggunakan rata-rata terbobot
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 63/64
Contoh Kasus
� Contoh penerapan pada kasus produksi(ekonomi)
8/6/2019 ai_Fuzzy Logic
http://slidepdf.com/reader/full/aifuzzy-logic 64/64
Tugas
� Pada penerimaan mahasiswa baru di STMIK ASIA Malang,terdapat test tulis yang harus diikuti oleh calon mahasiswa.
Batasan nilai 0-100.� Himpunan fuzzy untuk nilai ujian test dengan kriteria yang akandiperoleh sebagai berikut : tidak lulus, lulus dengan syarat, lulusmutlak.
� Himpunan fuzzy untuk NUN siswa adalah sebagai berikut :rendah, sedang, dan tinggi berdasar nilai ujian nasional yang
telah dilaksanakan pada jenjang pendidikan sebelumnya.� Buat fungsi keanggotaan, grafik fungsi keanggotaan, serta
hitung nilai fuzzy jika seorang calon mahasiswa mempunyai nilaitest 78 dan nilai NUN 40