Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Soft Computing (SC) M. Haviz Irfani, S.Si, M.T.I. September 2011.

Presentasi serupa


Presentasi berjudul: "Soft Computing (SC) M. Haviz Irfani, S.Si, M.T.I. September 2011."— Transcript presentasi:

1 Soft Computing (SC) M. Haviz Irfani, S.Si, M.T.I. September 2011

2 Pendahuluan Softcomputing merupakan metode yang dapat mengolah data-data yang bersifat tidak pasti, impresisi dan dapat diimplementasikan dengan biaya yang murah (low-cost solution). Beberapa metode yang termasuk dalam kategori softcomputing misalnya fuzzy logic, artificial neural network, probabilistyc reasoning.

3 Pendahuluan Softcomputing bukanlah suatu metode yang berjalan sendiri dalam menyelesaikan masalah, melainkan lebih pada kerjasama serasi antara metode-metode di atas, sehingga segi positif tiap metode dapat berkontribusi secara aktif.

4 Bobot, Penilaian, Buku Bobot 4 SKS Tugas 20%, Kuis 10%, UTS 30% dan UAS 40% Buku: “Soft Computing”, Suyanto, ST, MSC, informatika.

5 Yang akan di bahas yaitu: 1.Fuzzy Logic 2.Artificial Neural Networks (ANN) 3.Evolutionary Computation (EC) 4.Probabilistic Computing.

6 Definisi Salah satu definisinya adalah sebagaimana disampaikan oleh pencetus softcomputing, yaitu Prof. Lotfi A. Zadeh, di homepage BISC [2], sbb: “Berbeda dengan pendekatan konvensional hardcomputing, softcomputing dapat bekerja dengan baik walaupun terdapat ketidakpastian, ketidakakuratan maupun kebenaran parsial pada data yang diolah. Hal inilah yang melatar- belakangi fenomena dimana kebanyakan metode softcomputing mengambil human-mind sebagai model.”.

7 Dalam makalah pertamanya “Soft Data Analysis” SC adalah penggabungan Fuzzy Logic, Neuro Computing, Evolutionary Computing dan Probabilistic Computing ke dalam suatu bidang multidisiplin [zad 97 ]. Tetapi inti dari SC adalah Fuzzy Logic.

8 Tujuan SC: 1.Toleransi terhadap Ketidakakuratan (imprecission) 2.Toleransi terhadap Ketidakpastian (uncertainty) 3.Toleransi terhadap Kebenaran Partial (partial truth) Untuk mencapai: 1.Ketahanan (Robustness)/ sangat unggul 2.Bisa ditelusuri (tractability)/praktis dan mudah direalisasikan 3.Biaya Rendah (Low Cost Solution)

9 Beberapa aplikasi SC -Sistem kontrol -Optimasi -Industri -Bisnis dan Keuangan -Transportasi -Pengolahan Cintra dan suara

10 Classical set Crips set adalah himpunan yang membedakan anggota dan non-anggotanya dengan batasan yg jelas. Ex: A={x| x bil ganjil, x>11} maka anggotanya adalah 13,15,17, dst dan yang bukan anggotanya 12,14,16,dst. Semua elemen dapat di daftarkan secara eksplisit.

11 Operasi dan Sifat Set Komutatif Asosiatif Distributif Idempoten Identitas Transitif Involusi

12 Logika Fuzzy Fuzzy berarti samar, kabur atau tidak jelas. Fuzzy adalah istilah yang dipakai oleh Lotfi A Zadeh pada bulan Juli 1964 untuk menyatakan kelompok/himpunan yang dapat dibedakan dengan kelompok lain berdasarkan derajat keanggotaan dengan kabur.

13 Kelebihan Logika Fuzzy Kemampuan dalam proses penalaran secara bahasa (linguistic reasoning), sehingga dalam perancangannya tidak memerlukan persamaan matematika dari objek yg akan diteliti.

14 Didalam teori himpunan klasik dinyatakan suatu objek adalah anggota (ditandai dengan “1”) atau bukan anggota (ditandai dengan “0”) dari suatu himpunan dengan batas keanggotaan yang jelas/tegas (crips). Namun dalam teori himpunan fuzzy memungkinkan derajat keanggotaan (member of degree) suatu objek dalam himpunan untuk menyatakan peralihan keanggotaan secara bertahap dalam interval anatara “0” dan “1” atau ditulis [0 1].

15 Fungsi Karakteristik S.r.s untuk semua x,

16 Plot kurva fungsi karakteristik Classical Set A merup Himpunan semua bilangan bulat >4 dan <10 5 9

17 Pendefinisan dalam fungsi karakteristik Intersection : Union: Complement: Difference: A=B utk semua xЄ U, A B utk semua xЄ U,

18 Contoh Visualisasi AB

19 Keterbatasan Classical set? Classical menganut nilai 0 dan 1. Fuzzy set mengatasi permasalahan dalam kehidupan bahwa terdapat nilai-nilai diantara 0 dan 1 yang perlu dipertimbangkan. A = Set of tall people Heights 5’10’’ 1.0 Crisp set A Membership Function(MF) Heights 5’10’’6’2’’.5.9 Fuzzy set A 1.0

20 Fuzzy Sets Digunakan untuk penalaran yg lebih manusiawi (memberikan rasa adil). Misalkan A terdapat dalam U. maka didefinisikan sebagai: x=[0,1]. menyatakan keanggotaan x di dalam A Universe or universe of discourse Fuzzy set Membership function (MF)

21 ilustrasi X={5,15,25,35,45} adalah suhu udara dalam (derajat C). Fuzzy set yaitu dingin, hangat dan panas merupakan subset dari x. Suhu derajat CDinginHangatPanas 510,10 150,90,80 250,510,6 350,10,60,9 4500,21 Dingin ={2,15,25,35} dan derajat kenggotaannya, dan seterusnya untuk Hangat dan Panas.

22 Presentasi fungsi keanggotaan dalam Fuzzy Set 1.Grafik; digunakan untuk himpunan yg tidak terbatas,misal segitiga,trapesium,phi, dll. 2.Tabel daftar; untuk himpunan yg terbatas. Ex: Dingin={,,, } Atau Dingin=1/5 + 0,9/15 + 0,5/25 + 0,1/35 3. Geometri; untuk himpunan yg terbatas. Dan 4. Analisis; untuk himpunan yg tidak terbatas.

23 Untuk dimensi ke –n ?? Jika Fuzzy Set berisi n elemen, ruang euclidien dimensi ke- n. (bentuk Analisis)

24 Bentuk Grafik Fuzzy Sets: 3 57 x

25 Fungsi Keanggotaan (membership Function(MF)) Adalah fungsi yg digunakan untuk memetakan setiap nilai crsip x menjadi derajat keanggotaan dalam [0,1]. Dalam Fuzzy set dengan cara grafik terdapat 3 bagian yaitu: core, alfa-cut, dan support. Core: himpunan semua elemen yg memiliki derajat keanggotaan 1. support: himpunan semua elemen x dalam U s.r.s. Dan alfa-cut : kumpulan classical sets tak terbatas s.r.s

26 Grafik fungsi Fuzzy sets x support

27 Karakteristik dari MF 1.Langkah-langkah subjektif 2.Bukan fungsi probabilitas MFs Heights 5’10’’ “tall” in Asia “tall” in the US “tall” in NBA

28 Aritmatika Logika Fuzzy Beberapa operasi yg diperlukan dalam penalaran logika fuzzy, yaitu: a.Gabungan(Union), C=AUB ↔μ C ( x)=max(μ A ( x), μ B ( x))=μ A ( x)V μ B ( x) 26 A 410 B 2 AUB

29 b. Irisan(Intersaction), C=AΠB ↔μ C ( x)=min(μ A ( x), μ B ( x))=μ A ( x)Λ μ B ( x) 26 A 410 B 2 AnB 4 6 c. Kesamaan, μ A ( x)=μ B ( x);xЄU d. Produk (product), μ A.B ( x)=μ A ( x). μ A ( x);xЄU e. Komplemen(complement), μ A’ ( x)=1-μ A ( x);xЄU

30 Beberapa bentuk model MF: 1. Fungsi Linier. Setiap x dipetakan dalam [0,1] berdasarkan fungsi, presentasi grafik dan analisis sebagai berikut: ab x 1 ab x 1

31 2. Fungsi Sigmoid.Kurva berbentuk seperti huruf S. Setiap x dipetakan dalam [0,1] ac x 1 a x 1 bc b

32 3. Fungsi Segitiga. Hanya terdapat 1 nilai x yg mempunyai derajat keanggotaan yg sama dg 1 (x=b), selain itu x mendekati 1 dan menjauhi 1 a bc x 1

33 4. Fungsi Trapesium, terdapat beberapa nilai x berderajat keanggotaan 1 (b≤x ≤c). a bc x 1 c

34 5. Fungsi berbentuk Bell. Fungsi2x kenanggotaannya memiliki karakteristik tertentu. c-b/2 c x 1 c+b/2 b 0,5 BENTUK 1 :

35 c-b c x 1 c+b 0,5 BENTUK 2 :

36 c x 1 b

37 Kerangka Kerja Kontrol Logika Fuzzy. Masukkan Nilai Tegas Fuzzyfikasi Proses Penalaran Defuzzyfikasi Keluaran Nilai Tegas Aturan Dasar

38 Fuzzyfikasi adalah proses pengubahan nilai tegas yg ada ke dalam fungsi keanggotaan. Defuzzyfikasi adalah proses pemetaan fuzzy ke himpunan tegas (crips), kebalikan dari proses fuzzyfikasi. Z* = defuzzyfier(Z) Z:hasil penalaran fuzzy Z*:keluaran kontrol logika fuzzy

39 Operator dasar untuk Fuzzy Set (α- predikat sbg hasil operasi AND,OR dan NOT) Operator AND, untuk interseksi himpunan. Operator OR, berhubungan dengan operasi Union pada himpunan. Operator NOT, operasi komplemen pada himpunan.

40 Contoh: Misalkan nilai keanggotaan 27 tahun pada himpunan MUDA adalah 0,6 ( ); dan nilai keanggotaan Rp pada pengahsilan TINGGI adalah 0,8 ( ). Maka α predikat untuk usia MUDA berpenghasilan TINGGI adalah?

41 Aturan dasar Fuzzy logik Aturan dasar logika Fuzzy merupakan suatu bentuk aturan relasi/implikasi “if …then…”. IF x is A THEN y is B dalam bentuk fungsi y= f((x,A),B)


Download ppt "Soft Computing (SC) M. Haviz Irfani, S.Si, M.T.I. September 2011."

Presentasi serupa


Iklan oleh Google