Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Kelompok  Rhio Bagus P1308010  Ishak Yusuf1308011  Martinus N1308012  Cendra Rossa 1308013  Rahmat Adhi1308014  Chipty Zaimima1308069 LOGIKA FUZZY.

Presentasi serupa


Presentasi berjudul: "Kelompok  Rhio Bagus P1308010  Ishak Yusuf1308011  Martinus N1308012  Cendra Rossa 1308013  Rahmat Adhi1308014  Chipty Zaimima1308069 LOGIKA FUZZY."— Transcript presentasi:

1 Kelompok  Rhio Bagus P  Ishak Yusuf  Martinus N  Cendra Rossa  Rahmat Adhi  Chipty Zaimima LOGIKA FUZZY Sistem Berbasis Pengetahuan Sekolah Tinggi Manajemen Industri

2 Pengertian Logika Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output Fuzzy Set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh pada tahun 1965, orang Iran yang menjadi guru besar di University of California at Berkeley dalam papernya yang monumental “Fuzzy Set”. Ide dasar fuzzy set yang meliputi inclusion, union, intersection, complement, relation dan convexity

3 Contoh Pemetaan Logika Fuzzy Manajer pergudangan mengatakan pada manajer produksi seberapa banyak persediaan barang pada akhir minggu ini, kemudian manajer produksi akan menetapkan jumlah barang yang harus diproduksi esok hari

4 Alasan Memilih Logika Fuzzy dalam penerapan diberbagai bidang 1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti 2. Logika fuzzy sangat fleksibel dan didasarkan pada bahasa alami 4. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat 3. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks 5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman- pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan 6. Logika fuzzy dapat bekerja sama dengan teknik-teknik kendali secara konvensional

5 Himpunan Fuzzy Crisp Set Fuzzy Set Crisp Set adalah Himpunan yang membedakan anggota dan non anggotanya dengan batasan yang jelas Fuzzy set merupakan dasar dari fuzzy logic. Suatu fuzzy set di dalam Universe (semesta) U didefinisikan sebagai suatu fungsi keanggotaan yang memetakan setiap objek di U menjadi suatu nilai real dalam interval [0,1].

6 Contoh Himpunan Fuzzy 1. Crisp Set Nilai keanggotan suatu item x dalam suatu himpunan A yang sering ditulis dengan μA[x]. memiliki2 kemungkinan yaitu : - Satu(1) yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan - Nol(0) yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan Misalnya Jika diketahui: S = [1, 2, 3, 4, 5, 6] adalah semesta pembicaraan A = [1, 2, 3] B = [3, 4, 5] Maka dapat dikatakan: - Nilai keanggotaan 2 pada himpunan A, μA [2] = 1, karena 2 є A - Nilai keanggotaan 4 pada himpunan A, μA [4] = 0, karena 4

7 2. Fuzzy Set Contoh Himpunan Fuzzy Contoh dalam Fuzzy Set : - Misalkan, x = {5, 10, 20, 30, 40, 50, 60, 70, 80} adalah crisp set Usia dalam satuan tahun. - Balita, Dewasa, Muda, dan Tua adalah empat fuzzy set yang merupakan subset dari x.

8 Contoh Himpunan Fuzzy Pada tabel tersebut terdapat 4 buah fuzzy set dengan anggota dan derajat keanggotaannya sebagai berikut: - Balita = {} - Dewasa = {20, 30, 40, 50, 60, 70, 80} di mana derajat keanggotaannya dinyatakan oleh  Dewasa = {0.8, 1, 1, 1, 1, 1, 1} - Muda = {5, 10, 20, 30, 40, 50} di mana derajat keanggotaannya dinyatakan oleh  muda = {1, 1, 0.8, 0.5, 0.2, 0.1} -Tua = {20, 30, 40, 50, 60, 70, 80} di mana derajat keanggotaannya dinyatakan oleh  Tua = {0.1, 0.2, 0.4, 0.6, 0.8, 1, 1}

9 Atribut Himpunan Fuzzy LinguistikNumeris Yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti : MUDA, PAROBAYA, TUA,dsb Yaitu suatu nilai (angka) yang menunjukan ukuran dari suatu variabel seperti : 40, 25, 30, dsb

10 Komponen Sistem Fuzzy Merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy seperti umur, temperatur, dsb Variabel Fuzzy Himpunan Fuzzy Merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy Semesta Pembicaraan Merupakan keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy Domain Merupakan keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy

11 Definisi Fungsi Keanggotaan Fuzzy Adalah suatu kurva yang menunjukan pemetaan titik-titik input data kedalam nilai keanggotaannya (derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Didalam fuzzy sistems, fungsi keangotaan memainkan peranan yang sangat penting untuk merepresentasikan masalah dan menghasilkan keputusan yang akurat.

12 Macam-Macam Fungsi Keanggotaan Fuzzy Representasi Linear Fungsi Sigmoid Fungsi Phi Fungsi Segitiga Fungsi Trapesium Linear Turun Linear Naik

13 Fungsi Representasi Linier Kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju nilai domain yang memiliki derajat keanggotaan lebih tinggi. FungsiKeanggotaan : 0;x ≤ a (x-a)/(b–a) ;a ≤ x ≤ b μ[x] = 1;x ≥ b

14 Fungsi Representasi Linier Garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah FungsiKeanggotaan : (x-a)/(b–a) ;a ≤ x ≤ b μ[x] = 0;x ≥ b

15 Fungsi Sigmoid Sesuai dengan namanya, fungsi ini berbentuk kurva sigmoidal seperti huruf S. Setiap nilai x (anggota crisp set) dipetakan ke dalam interval [0,1].

16 Fungsi Phi Pada fungsi keanggotaan ini, hanya terdapat satu nilai x yang memiliki derajat keanggotaan yang sama dengan 1, yaitu ketika x = c. Nilai-nilai di sekitar c memiliki derajat keanggotaan yang masih mendekati 1.

17 Fungsi Segitiga Sama seperti fungsi phi, pada fungsi ini juga terdapat hanya satu nilai x yang memiliki derajat keanggotaan sama dengan 1, yaitu ketika x = b. Tetapi, nilai-nilai di sekitar b memiliki derajat keanggotaan yang turun cukup tajam menjauhi 1.

18 Fungsi Trapesium Berbeda dengan fungsi segitiga, pada fungsi ini terdapat beberapa nilai x yang memiliki derajat keanggotaan sama dengan 1, yaitu ketika b  x  c. Tetapi derajat keanggotaan untuk a < x < b dan c < x  d memiliki karakteristik yang sama dengan fungsi segitiga.

19 Operator Dasar Operasi Himpunan 1. Operator AND Operator ini berhubungan dengan operasi interseksi pada himpunan. α-predikat sebagai hasil operasi dengan operator AND diperoleh mengambil nilai keanggotaan terkecil antarelemen pada himpunan-himpunan yang bersangkutan. μA∩B = min (μA[x], μB[y])

20 Operator Dasar Operasi Himpunan 2. Operator OR Operator ini berhubungandenganperasiunion padahimpunan. α-predikat sebagai hasil operasi dengan operator AND diperoleh mengambil nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan. μAUB = max(μA[x], μB[y])

21 Operator Dasar Operasi Himpunan 3. Operator NOT Operator ini berhubungan dengan operasi komplemen himpunan. α-predikat sebagai hasil operasi dengan operator AND diperoleh mengambil nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan μA’= 1-μA[x]

22 Penalaran Monoton Metode ini digunakan sebagai dasar untuk teknik implikasi fuzzy IF x is A THEN y is BTransfer FungsiY=f((x,A),B) Jika dua daerah fuzzy direalisasikan dengan implikasi sederhana sebagai berikut : 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

23 A2A2 B If X 1 is A 1 and X 2 is A 2 Then Y is B A1A1 A2A2 B X1X1 X2X2 Y Aplikasi fungsi implikasi Min Aplikasi fungsi implikasi Dot A1A1 Y X1X1 X2X2 If X 1 is A 1 and X 2 is A 2 Then Y is B a. b. Gambar 4. (a) Aplikasi fungsi implikasi menggunakan operator min. (b) Aplikasi fungsi implikasi menggunakan operator dot.

24 Fungsi Implikasi Bentuk umum aturan yang digunakan dalam fungsi implikasi adalah : IF x is A THEN y is B Dengan : x dan y adalah skalar A dan B adalah himpunan fuzzy Proposisi yang mengikuti IF disebut anteseden Proposisi yang mengikutiTHEN disebut konsekuen Fungsi Implikasi

25 Komponen Fungsi Implikasi Min (minimum)Dot (product) fungsi ini akan memoong output himpunan fuzzy fungsi ini akan menskala output himpunan fuzzy

26 Metode Inferensi Fuzzy Yaitu melakukan penalaran menggunakan fuzzy input dan fuzzy rules yang telah ditentukan sehingga menghasilkan fuzzy output Secara sintaks suatu fuzzy rule (aturan fuzzy) dituliskan sebagai berikut : IF antecendent THEN consequent

27 Metode Inferensi Fuzzy Metode Sugeno Metode Mamdani MetodeTsukamoto Metode Aturan Inferensi Fuzzy

28 Setiap konsekuen pada aturan yang berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya output hasi linferensi dari tiap-tiap aturan diberikan secara tegas berdasarkan α-predikat. Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot. Metode Inferensi Fuzzy

29 Sering dikenal dengan nama Metode Max-Min. Metode ini diperkenal kan oleh Ebrahim Mamdani pada tahun 1975 Tahapan Mendapatkan Output Pembentukan himpunan fuzzy Aplikasi Fungsi Implikasi Komposisi Aturan Penegasan (Defuzzy) Metode Centroid Metode Bisektor Metode Mean of Maximum Metode Largest of Maximum Metode Smallest of Maximum Metode Inferensi Fuzzy

30 Penalaran ini hampir sama dengan penalaran Mamdani, hanya saja output (konsekuen) sistem tidak berupa himpunan fuzzy melainkan berupa konstanta atau persamaan linear. a. Model Fuzzy Sugeno Orde-Nol IF (X 1 is A 1 ) - (X 2 is A 2 ) - (X 3 is A 3 ) - …. - (X N is A N ) THEN z = k Dengan : Ai adalah himpunan fuzzy ke-I sebagai anteseden k adalah konstanta (tegas) sebagai konsekuen b. Model Fuzzy Sugeno Orde-Satu IF (X 1 is A 1 ) - …. - (X N is A N ) THEN z = p 1 * x 1 + …+ p N * X N + q Dengan : Ai adalah himpunan fuzzy ke-I sebagai anteseden pi adalah suatu konstanta ke-I q merupakan konstanta dalam konsekuen

31 Database Fuzzy Sebagian besar basis data standar diklasifikasikan berdasarkan bagaimana data tersebut dipandang oleh user dan menggunakan query untuk mencari data yang diinginkan. Namun terkadang dibutuhkan suatu data yang bersifat ambiguous, maka digunakan basis data fuzzy. Salah satu diantaranya adalah model Tahani. Basisdata fuzzy model Tahani masih tetap menggunakan relasi standar, hanya saja model ini menggunakan teori himpunan fuzzy untuk mendapatkan informasi pada query-nya.

32 Akhirnya SELESAI juga ffffuuuuhhhhhhhh


Download ppt "Kelompok  Rhio Bagus P1308010  Ishak Yusuf1308011  Martinus N1308012  Cendra Rossa 1308013  Rahmat Adhi1308014  Chipty Zaimima1308069 LOGIKA FUZZY."

Presentasi serupa


Iklan oleh Google