Fuzzy Type 2_updated.pdf

7/26/2019 Fuzzy Type 2_updated.pdf

1/35

PendahuluanFuzzy logic diperkenalkan pertama kali oleh Prof. Lotfi A Zadeh pada tahun 1965.

Fuzzy Set dapat digunakan untuk merepresentasikan dan menangani masalah

ketidakpastian. Sistem logika Fuzzy memiliki fungsi keanggotaan yang memetakan

setiap anggotanya ke dalam satu derajat keanggotaan. Hal semacam ini merupakan

keanggotaan crisp atau disebut juga himpunan Fuzzy yang dikenal dengan FuzzyLogic tipe-1 (T1 FL). Sistem T1 FL sudah banyak diterapkan dalam ilmu kontrol,

perkiraan, peramalan, data mining dan sistem pendukung keputusan. Seiring dengan

waktu, Prof. Zadeh menyadari bahwa fungsi keanggotaan T1 FL sebenarnya

merupakan bilangan tegas juga.


2/35

Himpunan Crisp dan Himpunan Fuzzy

Himpunan Crisp adalah himpunan yang

membedakan anggota dan non-anggotanya

dengan batasan yang jelas (0 atau 1).

Himpunan fuzzy

Himpunan Fuzzy didefinisikan

sebagai suatu fungsi

keanggotaan yang memetakan

setiap objek suatu nilai real

dalam interval (0,1).


3/35

Notasi Fuzzy

Tanda pembagi (/) menyatakan pasangan (bukan operasi

Tanda penjumlah (+) menyatakan simbol function-theoretic union

(bukan operasi penjumlahan)


4/35

Fungsi Keanggotaan

Merupakan suatu kurva

yang menunjukkan

pemetaan titik-titik input

data ke dalam nilai

keanggotaannya yang

memiliki nilai antara 0

sampai 1.


5/35

Metode Logika Fuzzy

Ada berbagai macam metode logika fuzzy, yaitu ;

1. Takagi-Sugeno-Kang (TSK)

2. Mamdani

.

Metode logika fuzzy yang sering digunakan saat ini adalah Mamdani dan Takagi-

Sugeno-Kang (TSK). Keduanya memiliki kesamaan pada struktur antecedentdan

kaidah JIKA-MAKA yang digunakan. Perbedaannya adalah pada bagian

konsekuen, dimana bagian konsekuen pada sistem Mamdani berupa set fuzzy,

adapun bagian konsekuen pada sistem TSK berupa fungsi.


6/35

Fuzzy TSK Tipe 1FuzzypadaAntecedent Crisp pada Consequent

Misalkan diketahui

dua buah aturan:


7/35

Mengapa dibutuhkan Fuzzy Tipe 2?

Fuzzy tipe 1 tidak merepresentasikan ketidakpastian (uncertainty) pada fungsi

keanggotaannya.


8/35

Bagaimana Cara Memodelkan Ketidakpastian?

Ada beberapa cara untuk memodelkan Type-2 Fuzzy Logic, yaitu :

1. General T2 Kompleksitas komputasinya tinggi

2. Interval Type-2 (IT2) Perhitungannya cepat dan komputasinya sederhana

3. Quasi-T2 metode terbaru


9/35

Type-2 Fuzzy Logic SystemType-2 fuzzy (T2 FL) awalnya juga diperkenalkan oleh Zadeh.

Saat itu kemampuan komputerisasi terbatas sehingga pemakaian fuzzy tipe-2 tidak

begitu populer. Namun sejak tahun 2000-an fuzzy tipe-2 sudah banyak menjadi

pilihan bagi peneliti meskipun membutuhkan komputasional yang kompleks. Hal ini

dikarenakan kemampuan komputer sudah sangat luar biasa cepatnya. T2 FLmemiliki performansi yang lebih baik dari T1 FL.


10/35

Fuzzy TSK Tipe 2

Untuk model fuzzy TSK bertipe 2, terdapat tiga kemungkinan struktur :

1. Bagian antecedents berupa set fuzzy bertipe 2 dan bagian consequent

adalah set fuzzy bertipe 1. Struktur ini disebut Model I.

2. 2. Bagian antecedents berupa set fuzzy bertipe 2 dan bagian consequent

adalah nilai crisp. Struktur ini disebut Model II.

3. 3. Bagian antecedents berupa set fuzzy bertipe 1 dan bagian consequent

adalah set 1. Struktur ini disebut Model III.


11/35

Interval Type-2 Fuzzy LogicInterval type-2 fuzzy set terdiri dariUpper

Membership Function (UMF) danLower

Membership Function (LMF) di mana

keduanya merupakan type-1 fuzzy set.

Fungsi keanggotaan dalam interval type-2

fuzzy logic diatur sebagai daerah yang

disebut dengan Footprint of Uncertainty

(FOU) yang dibatasi dengan 2 buah type-1

fungsi keanggotaan fuzzy logic UMF dan

LMF.


12/35

Struktur Tipe-2 Fuzzy

Logic1. Fuzzifier

Proses ini mentransformasikan masukan crips

menjadi variabel dalam bentuk fuzzy bertipe 2.

Fungsi keanggotaan untuk setiap bagian

antecedent adalah sistem fuzzy bertipe-2 interval

yang dituliskan sebagai berikut:

2. Rules

3. Inference

4. Defuzzifier

5. Type-Reducer

Type-1 vs Type-2

Kesamaan: Proses fuzzifier, rule base, inference

engine.

Perbedaan: Output Processor. Pada Tipe-2

menggunakan Type-Reducer.


13/35

State-of-the-Art (1)

Historical Development Fuzzy Type 2


14/35

State-of-the-Art (2)

1. Aplikasi, seperti pada sistem pengambilan keputusan yang kompleks seperti di bidang

kedokteran.

2. Kompleksitas komputasi. Beberapa penelitian akhir-akhir ini menunjukkan Generalized

Type-2 dibanding Interval Type-2, namun kompleksitasnya lebih tinggi. Selain itu Fuzzy Tipe-2

Peluang penelitian untuk mengeksplorasi Fuzzy Tipe 2

uga e omp e s an ng pe- .

3. Optimisasi. Cara optimisasi Fuzzy tipe-2 masih menjadi open question. Pemilihan: rule,

membership function, operator, dan algoritma defuzzifikasi masih dilakukan secara manual.

4. Defuzzifikasi.Algoritma untuk defuzzifikasi menjadi isu yang penting dan masih mungkin

untuk dikembangkan lagi.

5. FOU. FOU juga menjadi isu penting dalam perancangan Fuzzy Tipe-2, karena kita tidak

mengetahui apakah FOU mewakili ketidakpastian secara berlebihan atau kurang mewakili.


15/35

State-of-the-Art (3)Beberapa penelitian yang pernah dilakukan dalam pengembangan dan

implementasi Fuzzy Tipe 2:

1. Penerapan Fuzzy Tipe 2 di berbagai bidang seperti: classification, clustering,

pattern recognition, dan intelligent control.

2. Perbandingan antara Fuzzy Type 1 dan Type 2 untuk mengetahui

permasalahan seperti apa yang sudah cukup baik dimodelkan dengan Tipe 1

dan seperti apa yang membutuhkan Tipe 2 yang komputasinya lebih

kompleks.

3. Optimasi Fuzzy Type 2 menggunakan Algoritme Genetika, Particle Swarm

Optimization, Ant Colony Optimization, dll. Hal ini bertujuan untuk menciptakandesain Fuzzy Tipe 2 secara otomatis.


16/35

Aplikasi Fuzzy LogicSaat ini, penggunaan terbesar logika fuzzy terdapat pada sistem pakar fuzzy

(fuzzy expert system). Penerapan logika fuzzy pada sistem pakar fuzzy mencakup

beberapa bidang, antara lain:

1. Aplikasi teknik. Logika fuzzy banyak digunakan oleh perusahaan, sebagai

contoh: pintu otomatis yang bisa membuka sendiri, penaksiran kualitas aspal

jalan raya, tombol tunggal untuk mesin cuci, dan sebaginya.

2. Pengenalan pola. Logika fuzzy untuk pengenalan pola antara lain, yang

banyak dikembangkan oleh perusahaan elektronik saat ini, yaitu untuk

pengenalan simbol tulisan tangan pada komputer saku. Contoh yang lain

adalah klasifikasi sinar-x, pemutar film otomatis, dan sebagainya


17/35

Aplikasi Fuzzy Logic3. Aplikasi media. Dalam bidang media sebagai contoh: diagnosa terhadap

gangguan apnoca tidur, diagnosa radang sendi, kontrol pembiusan, dan

sebagainya.

4. Aplikasi finansial. Logika fuzzy juga digunakan dalam bidang ekonomi

, ,keuangan pada sebuah perusahaan, dan sebagainya


18/35

Studi Kasus : Perancangan Pengendali Fuzzy Type-2Untuk Masalah Backer-Upper Truk

Pengendalian backer-upper truk merupakan permasalahan kendali non-linear.

Rancangan ini bertujuan untuk memasukkan sebuah truk ke dalam suatu terminal

pengangkut secepat dan seakurat mungkin. Rancangan ini menyajikan desain

dan hasil simulasi dari implementasi pengontrol Fuzzy bertipe 2 (T2FC) untuk

kasus backer-upper truk. Pengontrol yang dirancang terdiri dari modul fuzzy

backward truckdan modul fuzzy forward truck.


19/35

Sasaran Pengendalian (Target)

Mengendalikan Truckdari posisi awal {Xt , Yt , t} Ke terminal pengangkut

Xt Yt t Pada arah "f= 90

.*Gerakan Truck ke Depan/Belakang diatur dengan kecepatan konstan


20/35

DiagramTruk

dan Terminal pengangkut


21/35

Posisi Truk di tentukan dengan menggunakan 3 Variabel Yaitu : , X , Y

= Derajat Arah truck terhadap Horizontal.

(X,Y) = Koordinat/posisi Truck

Sistem Menggunakan kontrol Dengan 2 Modul Fuzzy Logic

Fuzzy untuk arah maju (Forward Module).

Sistem fuzzy untuk arah mundur (Backward Module).


22/35

Variabel

Rentang Variabel Masukan

[ - 90,- 120] danX [ 0 , 10]

en ang ar a e e uaran

[-30 , 30]

Sehingga keadaan akhir Truck (Xf, f) = (5, 90)


23/35

Pergeseran gerak Truck

Digunakan Persamaan

Dengan (X,Y ) koordinat truk dan b adalah panjang truk.


24/35

Struktur Sistem Pengendalian Truck


25/35

Himpunan fuzzy posisi truk terbagi menjadi 5 variabel linguistik :

kanan (R), kanan-tengah (RC), tengah (C), kiri tengah (LC) dan kiri (L).

Himpunan fuzzy arah truk terbagi menjadi 7 variabel linguistik :

- , , - , , - ,dan kiri-bawah (LD).

Himpunan fuzzy arah setir terbagi menjadi 7 variabel linguistik :

positif-besar (PB), positif-sedang (PM), positif kecil (PS), nol (Z), negatif-kecil

(NS), negatif-sedang (NM) dan negatif-besar (NB.)


26/35

Karena terdapat lima variabel linguistik untuk posisi truk dan tujuh variabel liguistik

untuk arah truk, maka akan terdapat 35 kaidah yang akan digunakan. Karena

hanya terdapat dua variabel masukan pada fuzzy, maka basis kaidah yang

digunakan dapat didokumentasikan dalam bentuk matriks seperti yang

ditunjukkan pada Gambar berikut.


27/35

Kaidah-kaidah pada Fuzzy Backward Truck Module


28/35

Kaidah-kaidah pada FuzzyForward Truck Module


29/35

Fungsi keanggotaan untuk posisi Truck


30/35

Fungsi keanggotaan untuk arah Truck


31/35

Fungsi keanggotaan untuk arah Steer


32/35

Hasil Simulasi Fuzzy Logic Tipe II

Hasil trajektori untuk posisi awalX

= 20,Y

= 18.4 dan "

" = 60.


33/35

Hasil trajektori untuk posisi awalX

= 17.5 ,Y

= 8 dan "

" = 162.

.


34/35

Pebandingan Hasil Simulasi

.


35/35

Kesimpulan1. Fuzzy Tipe 1 tidak dapat memodelkan ketidakpastian (uncertainty)

2. Fuzzy Tipe 2 mengatasi masalah ketidakpastian fungsi keanggotaan pada

fuzzy tipe 1.

3. Perbedaan Fuzzy tipe 1 dan 2:

Representasi fungsi keanggotaan. Pada Fuzzy Type-2 Interval, digunakan

batas atas dan batas bawah.

Fuzzy Tipe 2 membutuhkan Type Reduceryang harus diubah ke bentuk

Fuzzy tipe 1 Sebelum dilakukan defuzzifikasi.

4. Kelebihan Fuzzy tipe 2 dalam memodelkan ketidakpastian membuka

peluang yang luas untuk diimplementasikan secara luas di berbagai bidang.

Fuzzy Type 2_updated.pdf

Documents

Transcript of Fuzzy Type 2_updated.pdf