Introduction Fuzzy Tsukamoto

23
Introduction Fuzzy Tsukamoto Abdi Pandu Kusuma 116060300111021 Aziz Musthafa 116060300111043 Ichsan Fahmi 116060300111054 Sistem Inferensi Fuzzy Pasca Sarjana (S2) Teknik Elektro - SKI

Transcript of Introduction Fuzzy Tsukamoto

Page 1: Introduction Fuzzy Tsukamoto

Introduction Fuzzy Tsukamoto

Abdi Pandu Kusuma116060300111021

Aziz Musthafa116060300111043

Ichsan Fahmi116060300111054

Sistem Inferensi Fuzzy

Pasca Sarjana (S2)Teknik Elektro - SKI

Page 2: Introduction Fuzzy Tsukamoto

SEKILAS TENTANG SISTEM FUZZY

REFRESHING MATERI FUZZY SEBELUMNYA DAN POSISIMETODE TSUKAMOTO DALAM SISTEM FUZZY

Page 3: Introduction Fuzzy Tsukamoto

Introduction FuzzyDIAGRAM KALSIFIKASI SISTEM FUZZY

Page 4: Introduction Fuzzy Tsukamoto

Sistem fuzzy dengan masukkan berupa bahasa dan angka

1.Metode Tsukamoto2.Metode Mamdani3.Metode Sugeno

Materi yang akan dipelajari berikut adalah berkaitan dengan metode tsukamoto yang merupakan salah satu bagian dari fuzzy inference pada diagram di atas

Page 5: Introduction Fuzzy Tsukamoto

Fuzzy Systems

Page 6: Introduction Fuzzy Tsukamoto

*Saran• Sebelum mempelajari inference fuzzy dengan metode tsukamoto diharapkan terlebih dahulu mempelajari teori dasar fuzzy,fuzzy set dan fuzzy relation,properti dan operation fuzzy

Tujuan• Dapat menjelaskan prinsip teory metode tsukamoto sebagai salah satu metode inference fuzzy• Dapat memberikan contoh perhitungan menggunakan metode tsukamoto• Dapat meyebutkan dan menjelaskan beberapa contoh aplikasi yang menggunakan metode tsukamoto sebagai inference fuzzynya• Dapat mengembangkan metode tsukamoto sebagai suatu solusi dengan pendekatan pemrograman misalnya menggunakan matlab/ scilab, VB dan sebagainya.

Page 7: Introduction Fuzzy Tsukamoto

Pokok BahasanSystem Inferensi Fuzzy

Metode Tsukamoto: Bentuk ke-1 dan Bentuk ke-2

Inferensi Menggunakan Metode Tsukamoto

Contoh analisis perhitungan menggunakan metode Tsukamoto

Contoh Aplikasi Menggunakan Pemrograman Visual Basic

Page 8: Introduction Fuzzy Tsukamoto

System Inferensi FuzzySistem Inferensi Fuzzy (Fuzzy Inference System / FIS) disebut juga fuzzy inference engine adalah sistem yang dapat melakukan penalaran dengan prinsip serupa seperti manusia melakukan penalaran dengan nalurinya. Terdapat beberapa jenis FIS yang dikenal antara lain :

• Metode Tsukamoto(yang akan dipelajari )• Metode Mamdani• Metode Sugeno

Page 9: Introduction Fuzzy Tsukamoto

Pengenalan System Inferensi FuzzyMetode TsukamotoMetode dimana setiap konsekuen pada aturan yang berbentuk

IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton.

Metode MamdaniMetode Mamdani sering disebut sebagai metode Max-Min.

Metode ini diperkenalkan oleh Ebrahim Mamdani tahun 1975. Untuk mendapatkan output, diperlukan 4 tahapan diantaranya pembentukan himpunan fuzzy, aplikasi fungsi implikasi, komposis aturan, & Penegasan (defuzzy).

Metode SugenoPada metode penalaran atau rule evaluatian Takegi Sugeno,

output sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear.

Page 10: Introduction Fuzzy Tsukamoto

Metode Tsukamoto• Pertama kali diperkenalkan oleh Tsukamoto.• Setiap konsekuen (kesimpulan) pada setiap aturan IF-THEN harus

direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan monoton .

• output hasil inferensi dari setiap aturan diberikan secara tegas (crisp) berdasarkan α- predikat , kemudian menghitung rata-rata terbobot (weight average)=>(Jang, dkk., 1997)(Kusumadewi, 2003)

Page 11: Introduction Fuzzy Tsukamoto

Metode Tsukamoto (Bentuk ke-1)Misalkan ada 1 variabel input (x) dan 1 variabel output (z). Dimana masing-masing variabel terdiri dari 2 himpunan fuzzy yaitu: Var x terdiri dari himpunan A Var z terdiri dari himpunan CDan digunakan 2 aturan fuzzy sbb: (R1) IF (x is small) THEN (z is C1) (R2) IF (x is medium) THEN (z is C2) (R3) IF (x is large) THEN (z is C2)

Page 12: Introduction Fuzzy Tsukamoto

Metode Tsukamoto(Bentuk ke-2)Misalkan ada 2 variabel input (x,y) dan 1 variabel output (z). Dimana masing-masing variabel terdiri dari 2 himpunan fuzzy yaitu:Var x terdiri dari himpunan A1, A2Var y terdiri dari himpunan B1, B2Var z terdiri dari himpunan C1, C2Dan digunakan 2 aturan fuzzy sbb: (R1) IF (x is A1) and (y is B1) THEN (z is C1) (R2) IF (x is A2) and (y is B2) THEN (z is C2)

Page 13: Introduction Fuzzy Tsukamoto

Inferensi Menggunakan Metode Tsukamoto

Page 14: Introduction Fuzzy Tsukamoto

Contoh: metode TsukamotoSuatu perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Dari data satu bulan terakhir, permintaan terbesar hingga mencapai 5000 kemasan/hari, dan permintaan terkecil sampai 1000 kemasan/hari. Persediaan barang di gudang terbanyak sampai 600 kemasan/hari, dan terkecil pernah sampai 100 kemasan/hari. Dengan segala keterbatasannya, sampai saat ini, perusahaan baru mampu memproduksi barang maksimum 7000 kemasan/hari, serta demi efisiensi mesin dan SDM tiap hari diharapkan perusahaan memproduksi paling tidak 2000 kemasan.

Page 15: Introduction Fuzzy Tsukamoto

Apabila proses produksi perusahaan tersebut menggunakan empat aturan fuzzy sbb:[R1] IF Permintaan TURUN And Persediaan BANYAK

THEN Produksi Barang BERKURANG;[R2] IF Permintaan TURUN And Persediaan SEDIKIT

THEN Produksi Barang BERKURANG;[R3] IF Permintaan NAIK And Persediaan BANYAK

THEN Produksi Barang BERTAMBAH;[R4] IF Permintaan NAIK And Persediaan SEDIKIT

THEN Produksi Barang BERTAMBAH;Berapa kemasan makanan jenis ABC yang harus diproduksi, jika jumlah permintaan sebanyak 4000 kemasan, dan persediaan di gudang masih 300 kemasan?

LANJUTAN SOAL

Page 16: Introduction Fuzzy Tsukamoto

Solusi Hitung nilai keanggotaan untuk variabel Permintaan

µpmtTURUN[4000] = (5000-4000)/(5000-1000) = 0.25µpmtNAIK[4000] = (4000-1000)/(5000-1000) = 0.75

Hitung nilai keanggotaan untuk variabel Persediaan!

µpsdSEDIKIT[300] = (600-300)/(600-100) = 0.6µpsdBANYAK[300] = (300-100)/(600-100) = 0.4

1

01000 5000

µ[x]

Pemintaan(kemasan/hari)

TURUN

NAIK

1

0100 600

µ[x]

Persediaan(kemasan/hari)

SEDIKIT

BANYAK

Page 17: Introduction Fuzzy Tsukamoto

Solusi

1

02000 7000

µ[x]

Produksi(kemasan/hari)

BERKURANG

BERTAMBAH

Page 18: Introduction Fuzzy Tsukamoto

SolusiHitung nilai α-prediket untuk masing-masing fungsi

implikasi dengan menggunakan operator MIN.[R1] IF Permintaan TURUN and Persediaan BANYAK THEN Produksi BERKURANG

α-prediket = µpmtTURUN ⋂ µpsdBANYAK

= min (µpmtTURUN[4000], µpsdBANYAK[300] ) = min(0.25; 0.4) = 0.25Petakan nilai keanggotaan ini kedalam himpunan fuzzy PRODUKSI:(7000-z) / 5000 = 0.25 z1 = 5750

[R2] IF Permintaan TURUN and Persediaan SEDIKIT THEN Produksi BERKURANG

α-prediket = µpmtTURUN ⋂ µpsdSEDIKIT

= min (µpmtTURUN[4000], µpsdSEDIKIT[300] ) = min(0.25; 0.6) = 0.25Petakan nilai keanggotaan ini kedalam himpunan fuzzy PRODUKSI:(7000-z) / 5000 = 0.25 z2 = 5750

Page 19: Introduction Fuzzy Tsukamoto

Solusi[R3] IF Permintaan NAIK and Persediaan BANYAK THEN Produksi BERTAMBAH

α-prediket = µpmtNAIK ⋂ µpsdBANYAK

= min (µpmtNAIK[4000], µpsdBANYAK[300] ) = min(0.75; 0.4) = 0.4Petakan nilai keanggotaan ini kedalam himpunan fuzzy PRODUKSI:(7000-z) / 5000 = 0.4 z3 = 4000

[R4] IF Permintaan NAIK and Persediaan SEDIKIT THEN Produksi BERTAMBAH

α-prediket = µpmtNAIK ⋂ µpsdSEDIKIT

= min (µpmtNAIK[4000], µpsdSEDIKIT[300] ) = min(0.75; 0.6) = 0.6Petakan nilai keanggotaan ini kedalam himpunan fuzzy PRODUKSI:(7000-z) / 5000 = 0.6 z4 = 5000

Page 20: Introduction Fuzzy Tsukamoto

Solusi

Page 21: Introduction Fuzzy Tsukamoto

Contoh Aplikasi dari Solusi diatasMenggunakan Visual Basic

>>> KLIK UNTUK DEMO PROGRAM

>>> KLIK CONTOH SOURCE CODE PROGRAM

Page 22: Introduction Fuzzy Tsukamoto

BEBERAPA CONTOH PENELITIAN YANG MENGGUNAKAN METODE TSUKAMOTO:

1. Aplikasi Perusahaan Makanan Menggunakan Metode Tsukamoto

2. Sistem Penunjang Keputusan Untuk Pemilihan Karyawan Teladan Dengan Logika

Fuzzy Tsukamoto

3. Sistem Inferensi Fuzzy (Metode Tsukamoto) Untuk Penentuan Kebutuhan Kalori

Harian

Page 23: Introduction Fuzzy Tsukamoto

TERIMAKASIH

SEKIAN