Pertemuan 10
LOGIKA FUZZY
LOGIKA FUZZY
Definisi Logika Fuzzy
Definisi
Logika Fuzzy Logika FuzzyKeuntungan Keuntungan
Logika Fuzzy AplikasiAplikasi Himpunan Fuzzy Himpunan
Fuzzy
Fungsi Keanggotaan
Fungsi
Keanggotaan Operator Fuzzy Operator
Logika Fuzzy
Fuzzy Logic
An Introduction
Logika Fuzzy
•
Logika Fuzzy
adalah peningkatan dari
logika Boolean yang mengenalkan
konsep
kebenaran sebagian
.
•
Logical system
yang mengikuti cara
penalaran manusia yang cenderung
menggunakan ‘pendekatan’ dan bukan
‘eksak’
Sebuah pendekatan terhadap
ketidakpastian yang
Logika Fuzzy
Konsep Logika Fuzzy dicetuskan oleh Lotfi
Zadeh, seorang profesor University of California
di Berkeley
Sebuah himpunan fuzzy dari semesta U
dikelompokkan oleh fungsi keanggotaan μ
A(x)
yang berada pada nilai antara [0, 1] (Wang,
1997).
Fungsi keanggotaan dari
himpunan klasik
hanya memiliki 2 nilai yaitu 0 dan 1, sedangkan
fungsi
keanggotaan himpunan fuzzy
Keuntungan Fuzzy
Mudah dimengerti Mudah dimengerti
Pemodelan Pemodelan
Toleransi Toleransi
Dapat Dapat
Mengaplikasikan Mengaplikasikan
Didasarkan Didasarkan
APLIKASI
•
Tahun 1990 Mesin Cuci dengan logika Fuzzy di
Jerman (Matshushita Electric Industri
Company)
•
Transmisi otomatis pada mobil. Nissan telah
menggunakannya dan mampu menghemat
bensin 12-17%.
•
Kereta bawah tanah Sendai mengontrol
pemberhentian otomatis.
•
Ilmu kedokteran, manajemen keputusan,
8
9
Contoh: Crisp Set
Orang dengan tinggi 150cm maka ia tergolong sedang (sedang[150]=1)
120 sangat pendek 145 165 185 pendek sedang tinggi sangat tinggi
tinggi < 120 120 <= tinggi < 145
145 <= tinggi < 165 165 <= tinggi < 185
tinggi >= 185
Orang dengan tinggi 150cm maka ia tergolong tidak tinggi (tinggi[150]=0)
Orang dengan tinggi 165cm kurang 2mm maka ia tergolong tidak tinggi
(tinggi
10
Contoh: Himpunan Fuzzy
120
sangat pendek 145
165 185
pendek sedang
tinggi sangat tinggi
tinggi < 120 115 <= tinggi < 145
140 <= tinggi < 165 160 <= tinggi < 185
HIMPUNAN FUZZY
• Pada himpunan tegas (crisp set), nilai keanggotaan
suatu item x dalam suatu himpunan A (ditulis A[x]) memiliki 2 kemungkinan :
– Satu (1), artinya x adalah anggota A
– Nol (0), artinya x bukan anggota A
• Contoh 1 :
Jika diketahui :
S={1,2,3,4,5,6} adalah semesta pembicaraan A={1,2,3} B={3,4,5} maka :
– Nilai keanggotaan 2 pada A, A[2] = 1, karena 2A
– Nilai keanggotaan 4 pada A, A[4] = 0, karena 4
HIMPUNAN FUZZY
Contoh 2:
“Jika suhu lebih tinggi atau sama dengan 80 oF,
maka suhu disebut panas, sebaliknya disebut tidak
panas”
– Suhu = 100 oF, maka Panas
– Suhu = 80.1 oF, maka Panas
– Suhu = 79.9 oF, maka tidak panas
– Suhu = 50 oF, maka tidak panas
• If Suhu ≥ 80 oF, disebut panas
• If Suhu < 80 oF, disebut tidak panas
• Fungsi keanggotaan dari himpunan crips gagal
membedakan antara anggota pada himpunan yang sama
• Ada problem-problem yang terlalu kompleks untuk
HIMPUNAN FUZZY
Contoh 3 :
Misal variable umur dibagi menjadi 3 katagori : • MUDA umur <35 tahun
• PAROBAYA 35 ≤ umur ≤ 55 tahun • TUA umur > 55 tahun
– Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA
– Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA
– Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA
– Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK PAROBAYA
– Apabila seseorang berusia 55 tahun, maka ia dikatakan TIDAK TUA
– Apabila seseorang berusia 55 tahun lebih ½ hari, maka ia dikatakan TUA Muda 1 0 [x] 35 [x] Parobaya 1
0 35 55
Tua
1
0 55
[x]
HIMPUNAN FUZZY
• Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut.
Sesorang dapat masuk dalam 2 himpunan yang berbeda. MUDA dan PAROBAYA, PAROBAYA dan TUA, dsb. Seberapa besar eksistensinya dapat dilihat pada nilai/derajat keanggotaannya. Gambar berikut menunjukkan himpunan fuzzy untuk variabel umur :
0,5
1 Muda Tua
0 25 35 40 45 50 55 65
Parobaya
[x]
0,25
HIMPUNAN FUZZY
•
Variabel Fuzzy
Variabel dalam suatu sistem fuzzy. Contoh :
berat badan, tinggi badan, suhu dsb
•
Himpunan Fuzzy (Fuzzy set)
Himpunan fuzzy yang mewakili suatu kondisi
pada suatu variabel fuzzy.
Contoh :
Variabel suhu terbagi menjadi 3 himpunan fuzzy,
yaitu : panas, hangat, dingin.
Variabel nilai terbagi menjadi : tinggi, sedang,
HIMPUNAN FUZZY
•
Himpunan Fuzzy memiliki
2 atribut
–
Linguistik : Penamaan suatu grup yang
mewakili suatu keadaan/ kondisi tertentu
dengan bahasa alami. Contoh : MUDA,
PAROBAYA, TUA
–
Numerik : sesuatu nilai (angka) yang
17
Himpunan Fuzzy
•Himpunan Semesta
keseluruhan nilai yang boleh dioperasikan dalam suatu variabel fuzzy.
Contoh:
Semesta untuk variabel berat badan : [1, 150] Semesta untuk variabel suhu : [0,100].
• Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam Semesta dan boleh
dioperasikan dalam suatu himpunan fuzzy. Contoh :DINGIN = [0,60]
FUNGSI
KEANGGOTAAN
•
A
g
e
•
2
5
•
4
0
•
5
5
•
Yo
un
g
•
Ol
d
•
1
•
Mi
ddl
e
•
0
.
5
• DOM • Degree ofMembers hip
•
Fuzzy values
• Nilai Fuzzy berasosiasi dengan derajat keanggotaan pada himpunan
FUNGSI KEANGGOTAAN
HIMPUNAN FUZZY
(MEMBERSHIP FUNCTION)
<Intelligence System>
•
Adalah suatu fungsi (kurva) yang
menunjukkan pemetaan titik-titik input
data ke dalam nilai keanggotaannya
(derajat keanggotaan) yang memiliki
interval antara 0 sampai 1.
•
Ada beberapa fungsi yang bisa digunakan :
1.Linier
Fungsi Keanggotaan:
Fungsi Linier
20 a 1.0 b 0 Domain a 1.0 b 0 Domain Linier Naik Linier Turun
[x]= 0; x a
(x-a)/(b-a); a x b
1; x b
[x]= (b-x)/(b-a); a x b
Fungsi Keanggotaan:
Segitiga
21
a 1.0
b 0
Segitiga
c
[x] = 0; x a atau x c
(x-a)/(b-a); a x b
Fungsi Keanggotaan:
Trapesium
22
a 1.0
b 0
Trapesium
c d
[x]= 0; x a atau x d
(x-a)/(b-a); a x b
1; b x c (d-x)/(d-c); c
Fungsi Keanggotaan:
Sigmoid
23
a 1.0
b 0
Sigmoid
c
[x;a,b,c]sigmoid = 0; x a
2 ((x - a)/(c - a))2;
a x b
1 - 2((c - x)/(c - a))2; b x c
Fungsi Keanggotaan: Phi
24
c-b 1.0
c-b/2 0
Phi
c c+b/2 c+b
[x;a,b,c]
phi=
[x;c-b,c-b/2,c]
sigmoid; x
c
AN EGG-BOILING
FUZZY LOGIC RO
BOT
OPERATOR FUZZY
•
Operasi logika adalah operasi
yang mengkombinasikan dan
memodifikasi 2 atau lebih
himpunan fuzzy.
•
Nilai keanggotaan baru hasil
operasi dua himpunan disebut
firing strength
atau
predikat,
terdapat 3 operasi dasar pada
himpunan fuzzy :
–
OR (Union)
•
Fuzzy union (
): union dari 2
himpunan adalah maksimum dari
tiap pasang elemen element pada
kedua himpunan
•
Contoh:
–
A = {1.0, 0.20, 0.75}
–
B = {0.2, 0.45, 0.50}
–
A
B = {MAX(1.0, 0.2),
MAX(0.20, 0.45), MAX(0.75, 0.50)}
= {1.0, 0.45, 0.75}
27OR (Union)
Misal nilai keanggotaan umur 27 pada
himpunan muda adalah
MUDA[27] = 0,6
dan nilai keanggotaan 2 juta pada
himpunan penghasilan TINGGI adalah
GAJITINGGI[2juta] = 0,8
maka
-predikat untuk usia MUDA atau
berpenghasilan TINGGI adalah nilai
keanggotaan maksimum :
MUDA
GAJITINGGI
= max(MUDA[27], GAJITINGGI[2juta])
= max (0,6 ; 0,8)
AND (Intersection)
Fuzzy intersection (): irisan dari 2 himpunan fuzzy
adalah minimum dari tiap pasang elemen pada kedua himpunan.
contoh.
A B = {MIN(1.0, 0.2), MIN(0.20, 0.45), MIN(0.75,
0.50)} = {0.2, 0.20, 0.50}
Misal nilai keanggotaan umur 27 pada himpunan
muda adalah MUDA[27] = 0,6 dan nilai
keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah GAJITINGGI[2juta] = 0,8
maka -predikat untuk usia MUDA dan
berpenghasilan TINGGI adalah nilai keanggotaan minimun :
MUDAGAJITINGGI
NOT (Complement)
• Komplemen dari variabel fuzzy dengan derajat
keanggotaan=x adalah (1-x).
• Komplemen ( _c): komplemen dari himpunan fuzzy
terdisi dari semua komplemen elemen.
• Contoh
– Ac = {1 – 1.0, 1 – 0.2, 1 – 0.75} = {0.0, 0.8, 0.25}
– Misal nilai keanggotaan umur 27 pada himpunan
muda adalah MUDA[27]= 0,6 maka -predikat untuk usia TIDAK MUDA adalah :
MUDA’[27] = 1 - MUDA[27
= 1 - 0,6
= 0,4
Contoh
31
AND
AB [x] = min(A[x], B[x])
AB [x] = max(A[x], B[x])
O R
NOT (Complement)
A’[x] = 1 - A[x]
IPtinggiLulusCepat = min(IPtinggi[3.2], LulusCepat[8]) = min(0.7,0.8) = 0.7
Misalkan nilai keanggotaan IP 3.2 pada himpunan
IPtinggi adalah 0.7 dan nilai keanggotaan 8 semester pada himpunan LulusCepat adalah 0.8 maka a-predikat untuk IPtinggi dan LulusCepat:
Nilai keanggotaan sebagai hasil dari operasi 2 himpunan: fire strength atau a-predikat
a-predikat untuk IPtinggi atau LulusCepat:
IPtinggiLulusCepat = max(IPtinggi[3.2], LulusCepat[8]) = max(0.7,0.8) = 0.8
a-predikat untuk BUKAN IPtinggi :
A B
A B A B A
A’
A
B
A
A
B
A
FUNGSI IMPLIKASI
Secara umum, ada dua fungsi
implikasi, yaitu :
1. Min (minimum), fungsi ini akan
memotong output himpunan fuzzy
2. Dot (product), fungsi ini akan
TAHAPAN LOGIKA
FUZZY
•
Fuzzifcation:
suatu proses pengubahan nilai
tegas/real ke dalam fungsi keanggotaan fuzzy
•
Rule Based:
suatu bentuk aturan
relasi/implikasi if-then. Contoh if X=A dan Y=B
then Z=C
•
Inference Engine:
proses implikasi dalam
menalar nilai masukan untuk menentukan nilai
keluaran sebagai bentuk pengambil keputusan.
•
Defuzzifcation:
proses pemetaan dari
FUZZIFIKASI
•
Dipergunakan untuk memetakan
variable input yang berupa nilai
numerik/ crisp kedalam FUZZY set
Basis Pengetahuan
•
Terdiri atas
basis data
dan
basis
aturan
.
•
Basis Data
berisi nilai linguistik dan
derajat keanggotaan variable input
yang diperoleh melalui proses
Fuzzifikasi.
•
Basis Aturan
terdiri dari aturan
kendali Fuzzy yang digunakan untuk
mencapai tujuan dari objek
FUZZY INFERENCE
ENGINE
Model penalaran yang digunakan, ada
3 model yang sering digunakan
Model Fuzzy Mamdani
Model Fuzzy Sugeno
DEFUZIFIKASI
•
Dipergunakan untuk proses pemetaan
dari himpunan fuzzy keluaran (Fuzzy
reasoning) kedalam nilai numerik
sebagai aksi kendali. Metoda yang
dapat digunakan pada proses
defuzzifikasi adalah:
•
Center of Area (COA),
•
Center of Sum (COS),
FUZZY