Pengantar Logika Fuzzy dan Sistem Fuzzy

Pengantar Logika Fuzzy dan Sistem Fuzzy

Prof.Siti Nurmaini

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.com

Logika Fuzzy

§Teknik pembelajaran mesin yang fleksibel

§Meniru logika pemikiran manusia

§Logika mungkin memiliki dua nilai dan mewakilihanya dua

solusi yang memungkinkan

§Logika fuzzy adalah alogika multi nilaidan memungkinkan

nilai-nilai perantarauntuk didefinisikan

Logika Fuzzy

• Logika kaburadalah cabang kecerdasan buatan yang

berhubungan dengan algoritma penalaran yang digunakan untuk meniru pemikiran manusia dan pengambilan keputusan di mesin.

• Algoritma ini digunakan dalam aplikasi di mana data proses tidak dapat direpresentasikan dalam bentuk biner.

• Contoh:

• “Udaranya terasa sejuk”

• “Dia masih muda”

Mereka tidak terpisah

• Logika fuzzy menafsirkan pernyataan-pernyataan samar seperti

ini sehingga masuk akal secara logis.

Motivasi

• Para ahli mengandalkan kewajaran ketika mereka memecahkan masalah.

•

Bagaimana kita dapat mewakili pengetahuan ahli yang menggunakan istilah-istilah yang tidak jelas dan ambigu di komputer?

•

Logika fuzzy bukanlah logika yang sebenarnyakusut, tapi logika yang digunakan untuk menggambarkan ketidakjelasan. Logika fuzzy adalah teori himpunan fuzzy yang

mengkalibrasi ketidakjelasan.

• Logika fuzzy didasarkan pada gagasan bahwa segala sesuatu mengakuinya

derajat , yaitu suhu, tinggi, kecepatan, jarak, keindahan – semuanya datang dalam skala yang menurun.

• Motornya berjalan benar-benar panas .

•

Tom adalah seorangsangat tinggipria.

Istilah Linguistik

•

Dalam logika fuzzy,himpunan yang menggambarkan nilai fuzzysering dipanggil istilah linguistik.

•

Mengaturbuah-buahanatau aturSayuranjuga dapat dianggap sebagai aistilah linguistik.

• Suhubisa sepertiDingin,hangatataupanas

• Tujuannya adalah menggunakan bahasa alami untuk membangun ekspresi fuzzy

• produk X adalah buah.

• Suhu t dingin.

•

Ketentuan "sangat" memperkuat pernyataan itu

• Fungsi keanggotaan himpunan"sangat dingin"harus memiliki jalur

yang lebih curam daripada jalur yang "dingin".

Logika Boolean vs. Logika Fuzzy

§Contoh Suhu

Dingin ^Panas

0 1

Dingin ^Panas

[0, 1]

Logika Fuzzy Vs Logika Boolean

Garing

Kusut

Tentu saja

Ya

Apakah Anda berusia di bawah 40 tahun?

umur tahun?

Mengapa tidak?

Apakah kamu muda?

...

TIDAK

Tak sebanyak itu

§Logika Boolean hanya dapat memiliki dua kemungkinan nilai yaitu 0/1, ya/tidak,

benar/salah dll.

§Logika fuzzy bisa bernilai banyak. Itu dapat memiliki nilai relatif seperti ya,

tidak, tidak terlalu banyak, sedikit dll.

Logika fuzzy vs teori Probabilitas

Ketidaksempurnaan

Ketakpastian Ketidakjelasan

Kemungkinan

Teori Logika Fuzzy

Lanjutan

• Membuka kedua botol Anda mengamati bir (botol A) dan asam klorida (botol B).

• Hasil pengamatan ini adalahkeanggotaannya tetap sama sedangkanprobabilitas turun menjadi nol.

• Kemungkinanmengukurkemungkinanbahwaacara masa depan akanterjadi.

• Logika kaburmengukurkemenduaandariacarayang mempunyai

sudah terjadi.

Apa itu Logika Fuzzy?

• Teori himpunan fuzzy

• Keanggotaan adalah masalah derajat.

•

Himpunan fuzzy VS teori himpunan klasik.

• Fondasi dasar himpunan fuzzy

• Himpunan Fuzzy (Zadeh, 1965), Logika Fuzzy (Zadeh, 1973)

• ^Kusut

•

Renungkan cara orang berpikir

• Upaya untuk memodelkan pengambilan keputusan, dan akal sehat.

• Prinsip matematika untukrepresentasi pengetahuan

berdasarkanderajat keanggotaandaripada aktifkeanggotaan

yang tajam logika biner klasik.

Himpunan kabur

•

Terimalah bahwa segala sesuatunya bisa saja terjadi sebagianBENAR dan sebagianPALSUpada tingkat apa pun pada saat yang sama.

•

Kumpulan 'pria jangkung' yang tajam dan tidak jelas

Fungsi keanggotaan

• Representasi set yang tajam

• Fungsi karakteristik

• Representasi himpunan fuzzy

• Fungsi keanggotaan

Fungsi Keanggotaan yang terkenal

Segitiga ^Trapesium

Gaussian ^lonceng

Probabilitas Fuzzy Vs

•

^Fuzzy ≠ Probabilitas => μ^A(x) ≠ hal^A(X)

•

Keduanya memetakan x ke nilai dalam [0,1].

•

^PA(x) mengukur milik kitapengetahuanatauketidaktahuankebenaran kejadian x termasuk dalam himpunan A.

• Probabilitas berkaitan denganketakpastianDankemungkinan.

• μA(x) mengukur derajatrasa memilikidari x ke himpunan A dan tidak ada minat mengenaiketakpastiandi belakang hasil acara x.

Peristiwa x telah terjadi dan kita hanya tertarik untuk melakukan observasi mengenai sejauh mana x menjadi milik A.

•

Logika fuzzy berkaitan dengankemenduaanDanketidakjelasan.

Contoh

• Sebotol air

• 50% kemungkinan menjadi beracun berarti 50%

kemungkinannya.

• 50% airnya bersih.

• 50% air beracun.

• 50% keanggotaan fuzzy beracun berarti air tersebut mengandung racun.

• Air setengah beracun.

Operasi Logika Fuzzy

• Operasi gabungan fuzzy atau fuzzy ATAU • ^μ

^A+B

^{= maks[μ}

^A

^{(x), μ}

^B

^(X)]

• Operasi simpang fuzzy atau fuzzy And

aku μ^AB= menit[μ^A(x), μ^B(X)]

• Operasi pelengkap

aku μ^A= 1-μ^A(X)

Variabel linguistik dan lindung nilai

• Anginadalah sedikit kuat.

• Cuacaadalah lumayan dingin.

• Tinggiadalah hampir tinggi.

• Beratadalah sangat tinggi.

• Angin, Cuaca, Tinggi Badan dan Berat Badan merupakan variabel linguistik.

• Sedikit, Cukup, Hampir, Sangat adalah pagar tanaman.

• Kuat, Dingin, Tinggi dan tinggi merupakan nilai kebahasaan.

Contoh

• Keanggotaan kebugaran tubuh

Inferensi Fuzzy

•

Inferensi fuzzy adalah proses merumuskan pemetaan dari suatu hal memasukkanke sebuahkeluaranmenggunakan logika fuzzy.

•

Jika maka peraturan

• jika suhu dingin maka katup air panas terbuka dan katup air dingin ditutup

• Basis Aturan

• Jika jarak ke persimpangan (dti) adalah jauh dan kecepatan lambat menerapkan jeda lembut

•

Jika memang demikiandekat dan kecepatan lambat terapkan jeda sedang

•

Kalau dti jauhdan kecepatan cepat terapkan istirahat sedang

•

Jika memang demikiandekat dan kecepatan cepat menerapkan istirahat tinggi

Inferensi Fuzzy

• Asumsikan kita ingin mengevaluasi kesehatan seseorang berdasarkan tinggi dan berat badannya.

• Variabel inputnya adalah angka-angka tajam milik orang tersebuttinggiDanberat.

• Keluarannya adalahpersentase kesehatan.

Langkah 1: Fuzzifikasi

• Fuzzifikasi adalah suatu proses dimana bilangan

diubah menjadi

Langkah 2: Aturan

• Aturan mencerminkan keputusan para ahli.

• Aturan ditabulasikan sebagai kata-kata kabur

• Aturan dapat dikelompokkan dalam subset

• Aturan bisa menjadi mubazir

• Aturan dapat disesuaikan dengan keinginan

Aturan (Lanjutan)

• Aturan ditabulasikan sebagai kata-kata kabur

• – Sehat (H)

• – Agak sehat (SH)

• – Kurang Sehat (LH)

• – Tidak Sehat (U)

• Fungsi aturan F

• f = {U, LH, SH, H}

Tabel Aturan Fuzzy

Langkah 3: Perhitungan

• Untuk seseorang, hitunglah keanggotaan berat dan tinggi badannya

•

Asumsikan tinggi badan seseorang adalah 185cm

•

Asumsikan berat badan orang tersebut adalah 49

Perhitungan (lanjutan)

• Aktivasi Aturan

• Operasi Minimal

Perhitungan (lanjutan)

• Keputusan Fuzzified Berskala

Langkah 4: Keputusan Akhir

• Defuzzifikasi

Mengapa Logika Fuzzy?

• Logika fuzzy secara konseptual mudah dipahami.

•

Logika fuzzy bersifat fleksibel.

•

Logika fuzzy toleran terhadap data yang tidak tepat.

•

Logika fuzzy dapat memodelkan fungsi nonlinier dengan kompleksitas yang berubah-ubah.

• Logika fuzzy dapat dibangun berdasarkan pengalaman para ahli.

• Logika fuzzy didasarkan pada bahasa alami.

• Logika fuzzy dapat dipadukan dengan teknik kontrol

konvensional.

TERIMA KASIH