Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Membangun DSS & KNN Dengan Fuzzy Inference System (FIS) Mamdani Oleh : Imam Cholissodin S.Si., M.Kom Sistem Pendukung Keputusan / Decision Support System.

Presentasi serupa


Presentasi berjudul: "Membangun DSS & KNN Dengan Fuzzy Inference System (FIS) Mamdani Oleh : Imam Cholissodin S.Si., M.Kom Sistem Pendukung Keputusan / Decision Support System."— Transcript presentasi:

1 Membangun DSS & KNN Dengan Fuzzy Inference System (FIS) Mamdani Oleh : Imam Cholissodin S.Si., M.Kom Sistem Pendukung Keputusan / Decision Support System

2 Content 1.Pengantar 2.Strategi Pengembangan 3.Proses Pengembangan DSS 4.Siklus Pengembangan 5.Pengembangan Oleh Tim dan Pengguna 6.Pembangkit DSS 7.Diskusi Kelompok 8.KNN + Fuzzy Inference System (FIS) Mamdani 9.Case Study 10.Latihan Individu + Tugas Kelompok

3 Pengantar Membangun DSS merupakan suatu pekerjaan yang besar & kompleks. Mengapa (Non Teknis & Teknis)? –SIM OK. –SOP OK. –Kebijakan dan Leadership. –Kesiapan mental, keuangan, dsb. –Perangkat Keras. Interface. Database. –Perangkat Lunak. Computer. Networking.

4 Strategi Dasar Pengembangan DSS dapat dikembangkan dengan menggunakan bahasa pemrograman tertentu. Menggunakan basis data generasi ke-4 (MySQL, Oracle dsb). Menggunakan pembangkit DSS seperti Excel, Opencalc (Spreadsheet). Menggunakan pembangkit DSS yang spesifik seperti Geographical Information Systems (GIS). Menggunakan Case Tools seperti: Oracle Case Method, IBM's DB2 dsb.

5 Proses Pengembangan Strategi vs Proses ? Perencanaan –Tujuan dan sasaran DSS. –Aturan, Kebijakan, SOP. Pengkajian/riset –Resources (HW, SW, Vendor dan kelayakan). Analisis dan Desain Konsep (Draft Desain) –Kebutuhan Fungsional Sistem dan Kebutuhan User. –Disesuaikan dengan Key Perfomance Indicators (KPI). Desain –Interface. –Database. –Knowledge Component.

6 Proses Pengembangan Konstruksi Desain –Integrasi Desain Implementasi –Testing (Internal) –Evaluasi –Demo –Orientation (User Acceptance test) –Training –Digunakan secara masal Pemeliharaan & Dokumentasi –Untuk pemeliharaan terhadap penggunanan DSS diperlukan dokumen untuk menjamin kelancaran penggunaan aplikasi. Adaptasi –Pengembangan DSS selanjutnya dapat memperhatikan masukan dan pengalaman sebelumnya.

7 Siklus Hidup DSS dan Prototipe Siklus Hidup DSS : –Asumsi dasarnya, kebutuhan informasi dari suatu sistem dapat ditentukan sebelumnya. –Information Requirements Definition (IRD) adalah pendekatan formal yang digunakan oleh sistem analis. –IRD bisa juga melibatkan Critical Success Factors (CSF). –DSS didesain untuk membantu pengambilan keputusan para manajer dengan diterapkan proses pembelajaran dalam desain atau proses. Sehingga user dapat belajar mengenai masalah atau lingkungannya dan mengidentifikasi kebutuhan. Prototype : –Proses desain berulang dengan mengkombinasikan 4 fase utama (analisis, desain, konstruksi, dan implementasi) ke dalam 1 langkah yang diulang-ulang.

8 Pengembangan berbasis Tim & Pengguna –Berbasis Tim sebelum era 80-an (PC/Minicomputer) Banyak orang dan kompleks. –Berbasis Pengguna sesudah era 80-an Sudah berbasis PC (SIM) sehingga lebih cepat. Pengembangan berbasis Tim –Perencanaan dan Organisasi DSS tergantung dari bentuk dan kebutuhan institusi untuk menghasilkan DSS yang spesifik. –Pembahasan meliputi : Membentuk Grup/Tim : Tim Teknis (TIK), Staff Bagian/Unit, Unit-Unit, dan Staf Ahli. Perencanaan. Representasi. Fleksibilitas.

9 Diskusi Kelompok Buatlah Tabel jadwal perencanaan kegiatan untuk penyelesaian koding, laporan dan paper. Waktu ± selama 4 minggu kedepan untuk membangun DSS sesuai dengan Topik kelompok Anda. (Optional)

10 Pembangkit DSS Beberapa tools yang dipergunakan untuk mendukung proyek DSS : –Spreadsheet –Data management –Word Processing –Communication –Business Graphics –Project Management

11 Fuzzy Inference System (FIS) Mamdani Review Konsep Fuzzy (Tiga Komponen Utama) : –Fuzzifikasi (A) : Mengubah masukan-masukan yang nilai kebenarannya bersifat pasti (crisp input) ke dalam bentuk fuzzy input. –Inferensi (B) : 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 –Defuzzifikasi (C) : Mengubah fuzzy output menjadi crisp value berdasarkan fungsi keanggotaan yang telah ditentukan. Fuzzy Inference System (FIS) Mamdani : –Pada model ini, aturan fuzzy didefinisikan sebagai berikut: IF x 1 is A 1 AND …AND x n is A n THEN y is B –A 1, …, A n, dan B adalah nilai-nilai linguistik (atau fuzzy set) dan “x 1 is A 1 ” menyatakan bahwa nilai x 1 adalah anggota fuzzy set A 1. A µ Crisp Input Fuzzy Input B Fuzzy Rules Fuzzy Output C Output µ Crisp Value

12 Fuzzy Inference System (FIS) Mamdani Fuzzy K-Nearest Neighbor (KNN) Oleh (Keller, 1985) & (Li, 2007) : –Menentukan nilai K (Banyaknya tetangga terdekat). –Mencari K tetangga terdekat untuk data uji x menggunakan fungsi jarak. –Menghitung nilai keanggotaan u(x,c i ) menggunakan persamaan : –Mengambil nilai terbesar dari c = u(x,c i ) untuk semua 1 ≤ i ≤ C (banyak kelas). –Memberikan label kelas c ke data uji x. Ilustrasi Visualisasi KNN : Keterangan : ? K = 3 K = 5 Keterangan : Untuk K = 3, X Termasuk kelas Segitiga. x Untuk K = 5, X Termasuk kelas Kotak. Hasil : X adalah data uji.

13 Fuzzy Inference System (FIS) Mamdani Contoh Fuzzy K-Nearest Neighbor (KNN) : Perhatikan dataset berikut ini: (K=3, m=2) Jika data uji x = (18,10), tentukan kelas x dan hitung besarnya nilai derajat keanggotaan terhadap kelas 1 dan kelas 2! Penyelesaian : No ab Kelas No ab Kelas Jarak Euclidean Nilai keanggotaan x terhadap kelas 1: Nilai keanggotaan x terhadap kelas 2: Karena nilai u(x,c 1 ) > u(x,c 2 ), maka data uji x termasuk kelas 1. Kesimpulan :

14 HotWarmNormal Case Study FIS Mamdani Model Kasus : Misalkan terdapat sistem penyiram air otomatis yang dilengkapi dengan sensor suhu dan kelembaban. Jika nilai crisp yang diterima oleh sensor suhu dan sensor kelembaban dari lingkungan adalah sebagai berikut : –Suhu= 37 0 C –Kelembaban = 12% Berapa lama durasi penyiraman air yang harus dilakukan? Model Fuzzy : Setiap kriteria sensor tersebut memiliki karakteristik masing-masing, berikut detail fungsi keanggotaannya : –Fungsi keanggotaan Suhu Udara (Terdiri dari 5 variabel linguistik Cold, Cool, Normal, Warm, dan Hot) µ(X)µ(X) 1 2/3 1/3 Suhu ( 0 C) Cold Cool 1 a 0 µ(X)µ(X) b c d x

15 Case Study FIS Mamdani Model Fuzzy : Setiap kriteria sensor tersebut memiliki karakteristik masing-masing, berikut detail fungsi keanggotaannya : –Fungsi keanggotaan Kelembaban Tanah (Terdiri dari 3 variabel linguistik Dry, Moist, dan Wet) –Fungsi keanggotaan Durasi Penyiraman (Terdiri dari 3 variabel linguistik Short, Medium, dan Long) Long µ(X)µ(X) 1 Durasi (menit) Short Medium Wet µ(X)µ(X) 1 4/5 1/5 Kelembaban (%) Dry Moist

16 Case Study FIS Mamdani Aturan-Aturan Fuzzy : –Dengan definisi aturan fuzzy tersebut, didapatkan 3 x 5 = 15 aturan fuzzy, yaitu: 1.IF Suhu = Cold AND Kelembaban = Dry THEN Durasi = Long 2.IF Suhu = Cool AND Kelembaban = Dry THEN Durasi = Long 3.IF Suhu = NormalAND Kelembaban = Dry THEN Durasi = Long 4.IF Suhu = WarmAND Kelembaban = Dry THEN Durasi = Long 5.IF Suhu = HotAND Kelembaban = Dry THEN Durasi = Long 6.IF Suhu = ColdAND Kelembaban = Moist THEN Durasi = Long 7.IF Suhu = CoolAND Kelembaban = Moist THEN Durasi = Medium. 15.IF Suhu = Hot AND Kelembaban = Wet THEN Durasi = Short ColdCoolNormalWarmHot DryLong MoistLongMedium WetShort Kelembaban Suhu Udara

17 HotWarmNormal Case Study FIS Mamdani Penyelesaian (Konversi Ke Nilai Fuzzy) : –Fungsi keanggotaan Suhu Udara (Terdiri dari 5 variabel linguistik Cold, Cool, Normal, Warm, dan Hot) Suhu = 37 0 C Karena Suhu 37 0 C berada pada nilai linguistik Warm dan Hot, maka : –untuk Warm dihitung menggunakan rumus (c=36, d=39) : –untuk Hot dihitung menggunakan rumus (a=36, b=39): µ(X)µ(X) 1 2/3 1/3 Suhu ( 0 C) Cold Cool

18 Case Study FIS Mamdani –Fungsi keanggotaan Kelembaban Tanah (Terdiri dari 3 variabel linguistik Dry, Moist, dan Wet) Kelembaban = 12% Karena Kelembaban 12% berada pada nilai linguistik Dry dan Moist, maka : –untuk Dry dihitung menggunakan rumus (c=10, d=20) : –untuk Moist dihitung menggunakan rumus (a=10, b=20): Wet µ(X)µ(X) 1 4/5 1/5 Kelembaban (%) Dry Moist

19 Case Study FIS Mamdani Penyelesaian (Hasil Proses Fuzzifikasi) : (Menghasilkan 4 Fuzzy Input) –Suhu Udara = Warm (2/3) dan Hot(1/3). –Kelembaban tanah = Dry (4/5) dan Moist(1/5). Aturan-Aturan Fuzzy Terpilih : –Dari 4 data Fuzzy input tersebut, Warm (2/3), Hot(1/3), Dry(4/5), dan Moist(1/5), didapatkan empat aturan terpilih (dari 15 aturan) yang telah didefinisikan : 1.IF Suhu = WarmAND Kelembaban = Dry THEN Durasi = Long 2.IF Suhu = WarmAND Kelembaban = MoistTHEN Durasi = Medium 3.IF Suhu = HotAND Kelembaban = Dry THEN Durasi = Long 4.IF Suhu = HotAND Kelembaban = MoistTHEN Durasi = Medium ColdCoolNormalWarmHot DryLong MoistLongMedium WetShort Kelembaban Suhu Udara

20 Case Study FIS Mamdani Aturan-Aturan Fuzzy Terpilih : –Dari 4 data Fuzzy input tersebut, Warm (2/3), Hot(1/3), Dry(4/5), dan Moist(1/5), didapatkan empat aturan (dari 15 aturan) yang telah didefinisikan : 1.IF Suhu = WarmAND Kelembaban = Dry THEN Durasi = Long 2.IF Suhu = WarmAND Kelembaban = MoistTHEN Durasi = Medium 3.IF Suhu = HotAND Kelembaban = Dry THEN Durasi = Long 4.IF Suhu = HotAND Kelembaban = MoistTHEN Durasi = Medium ColdCoolNormalWarmHot DryLong MoistLongMedium WetShort Kelembaban Suhu Udara No.µ Aµ BHasil = Min(µA,µB) 1Warm = 2/3 = 0.67Dry = 4/5 = 0.8Long = Warm = 0.67 Moist = 1/5 = 0.2Medium = Hot = 1/3 = 0.33 Dry = 0.8Long = Hot = 0.33Moist = 0.2Medium = 0.2 No. µ(y) = Max(Hasil) 1Long = Medium = 0.2 Note : FIS Mamdani pada implikasi (fuzzy rules) menggunakan metode MIN, sedangkan pada komposisi aturan menggunakan metode MAX. Metode FIS Mamdani juga dikenal dengan metode MAX-MIN.

21 Case Study FIS Mamdani Proses Defuzzifikasi : –Hasil dari inferensi Fuzzy : –Proses composition dari dua fuzzy set, Durasi Medium (1/5) dan Durasi Long (2/3) menghasilkan satu fuzzy set tunggal seperti berikut: No.µ Aµ BHasil = Min(µA,µB) 1Warm = 2/3 = 0.67Dry = 4/5 = 0.8Long = Warm = 0.67 Moist = 1/5 = 0.2Medium = Hot = 1/3 = 0.33 Dry = 0.8Long = Hot = 0.33Moist = 0.2Medium = 0.2 No. µ(y) = Max(Hasil) 1Long = = 2/3 = Medium = 1/5 = 0.2 Long µ(X)µ(X) 1 Durasi (menit) Short Medium 2/3 1/5 Misalkan digunakan Centroid method untuk proses defuzzification. Titik-titik pada area abu-abu ditentukan secara acak sehingga akan didapatkan satu titik pusat area (center of area atau center of gravity). Misalkan titik-titik sembarang tersebut adalah (n s =10) : 24, 28, 32, 36, 40, 48, 60, 70, 80, 90. Center of Area

22 Case Study FIS Mamdani Proses Defuzzifikasi : –Proses composition dari dua fuzzy set, Durasi is Medium (1/5) dan Durasi is Long (2/3) menghasilkan satu fuzzy set tunggal seperti berikut: –Sehingga diperoleh hasil sebagai berikut : –Jadi, ketika Suhu Udara 37 0 C dan Kelembaban Tanah 12%, sistem akan secara otomatis menyiramkan air selama menit. Long µ(X)µ(X) 1 Durasi (menit) Short Medium 2/3 1/5 Misalkan digunakan Centroid method untuk proses defuzzification. Titik-titik pada area abu-abu ditentukan secara acak sehingga akan didapatkan satu titik pusat area (center of area atau center of gravity). Misalkan titik-titik sembarang tersebut adalah (n s =10) : 24, 28, 32, 36, 40, 48, 60, 70, 80, 90. Center of Area

23 Latihan Individu Berdasarkan case study, jika sistem penyiram air tersebut dilengkapi sensor khusus untuk mendeteksi kelembaban, artinya kelembaban tersebut dipengaruhi oleh sub- kriteria (curah hujan & angin) dengan data dari lapangan sebagai berikut : Misalkan fungsi keanggotaan kelembaban awal dimodifikasi dengan fungsi keanggotaan algoritma Fuzzy K-Nearest Neighbor (KNN), dengan rumus berikut : (K=5, m=2). Tentukan lama durasi penyiraman air yang harus dilakukan sistem, jika diketahui nilai crisp yang diterima oleh sensor suhu = 37 0 C, curah hujan = 45, dan angin = 15? No.Curah HujanKecepatan AnginKelembaban 15010Moist 22035Dry 3755Wet 46020Wet 5408Moist 61050Dry 7570Dry 81840Dry 91910Moist Fungsi keanggotaan Kelembaban : (Awal)

24 Tugas Kelompok Buatlah contoh kasus yang unik + penyelesaiannya menggunakan Algoritma K-Nearest Neighbor (KNN) dengan Fuzzy Inference System (FIS) Mamdani sesuai dengan kreatifitas kelompok anda. (Min. 1 soal : Min. 2 kriteria beserta variabel linguistik dan fungsi keanggotaannya) ! Note : Kerjakan dalam file *.doc/docx

25 Progress Final Project Bagian 1 of 3 (Minggu 12) : –Abstrak –Pendahuluan Bagian 2 of 3 (Minggu 13) : –Uraian Metode & Uraian Objek Penelitian –Proses Manualisasi dari Case Study –Design Antarmuka –Bedah Paper 3 Bagian 3 of 3 (Minggu 14) : –Implementasi –Uji coba –Evaluasi Eji coba

26 Selesai


Download ppt "Membangun DSS & KNN Dengan Fuzzy Inference System (FIS) Mamdani Oleh : Imam Cholissodin S.Si., M.Kom Sistem Pendukung Keputusan / Decision Support System."

Presentasi serupa


Iklan oleh Google