Membangun DSS & KNN Dengan Fuzzy Inference System (FIS) Mamdani

Presentasi berjudul: "Membangun DSS & KNN Dengan Fuzzy Inference System (FIS) Mamdani"— Transcript presentasi:

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

2 Content Pengantar Strategi Pengembangan Proses Pengembangan DSS
Siklus Pengembangan Pengembangan Oleh Tim dan Pengguna Pembangkit DSS Diskusi Kelompok KNN + Fuzzy Inference System (FIS) Mamdani Case Study 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 Pengkajian/riset
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 Implementasi
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
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 x1 is A1 AND …AND xn is An THEN y is B A1, …, An, dan B adalah nilai-nilai linguistik (atau fuzzy set) dan “x1 is A1” menyatakan bahwa nilai x1 adalah anggota fuzzy set A1. Fuzzy Rules Output µ Crisp Input A B C Fuzzy Input Fuzzy Output 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,ci) menggunakan persamaan : Mengambil nilai terbesar dari c = u(x,ci) untuk semua 1 ≤ i ≤ C (banyak kelas). Memberikan label kelas c ke data uji x. Ilustrasi Visualisasi KNN : Keterangan : Keterangan : Hasil : Untuk K = 3, X Termasuk kelas Segitiga. K = 3 ? Untuk K = 5, X Termasuk kelas Kotak. K = 5 x 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 a b Kelas 1 23 14 2 11 20 3 10 15 No a b Kelas Jarak Euclidean 1 23 14 6.4 2 11 20 12.2 3 10 15 9.4 Nilai keanggotaan x terhadap kelas 1: Kesimpulan : Karena nilai u(x,c1) > u(x,c2), maka data uji x termasuk kelas 1. Nilai keanggotaan x terhadap kelas 2:

14 Case Study FIS Mamdani µ(X) µ(X)
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 = 370 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) 1 Cold Cool Normal Warm Hot 1 µ(X) 2/3 x a b c d 1/3 -10 3 12 15 24 27 36 39 50 Suhu (0C)

15 Case Study FIS Mamdani µ(X) µ(X)
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) µ(X) Dry Moist Wet 1 4/5 1/5 Kelembaban (%) 10 20 40 50 70 µ(X) Short Medium Long 1 Durasi (menit) 20 28 40 48 90

16 Case Study FIS Mamdani Suhu Udara Kelembaban Aturan-Aturan Fuzzy :
Dengan definisi aturan fuzzy tersebut, didapatkan 3 x 5 = 15 aturan fuzzy, yaitu: IF Suhu = Cold AND Kelembaban = Dry THEN Durasi = Long IF Suhu = Cool AND Kelembaban = Dry THEN Durasi = Long IF Suhu = Normal AND Kelembaban = Dry THEN Durasi = Long IF Suhu = Warm AND Kelembaban = Dry THEN Durasi = Long IF Suhu = Hot AND Kelembaban = Dry THEN Durasi = Long IF Suhu = Cold AND Kelembaban = Moist THEN Durasi = Long IF Suhu = Cool AND Kelembaban = Moist THEN Durasi = Medium . IF Suhu = Hot AND Kelembaban = Wet THEN Durasi = Short Suhu Udara Cold Cool Normal Warm Hot Dry Long Moist Medium Wet Short Kelembaban

17 Case Study FIS Mamdani µ(X) Penyelesaian (Konversi Ke Nilai Fuzzy) :
Fungsi keanggotaan Suhu Udara (Terdiri dari 5 variabel linguistik Cold, Cool, Normal, Warm, dan Hot) Suhu = 370 C Karena Suhu 370 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) Cold Cool Normal Warm Hot 1 2/3 1/3 -10 3 12 15 24 27 36 39 50 Suhu (0C)

18 Case Study FIS Mamdani µ(X) 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): µ(X) Dry Moist Wet 1 4/5 1/5 Kelembaban (%) 10 20 40 50 70

19 Case Study FIS Mamdani Suhu Udara Kelembaban
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 : IF Suhu = Warm AND Kelembaban = Dry THEN Durasi = Long IF Suhu = Warm AND Kelembaban = Moist THEN Durasi = Medium IF Suhu = Hot AND Kelembaban = Dry THEN Durasi = Long IF Suhu = Hot AND Kelembaban = Moist THEN Durasi = Medium Suhu Udara Cold Cool Normal Warm Hot Dry Long Moist Medium Wet Short Kelembaban

20 Case Study FIS Mamdani Suhu Udara Kelembaban
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 : IF Suhu = Warm AND Kelembaban = Dry THEN Durasi = Long IF Suhu = Warm AND Kelembaban = Moist THEN Durasi = Medium IF Suhu = Hot AND Kelembaban = Dry THEN Durasi = Long IF Suhu = Hot AND Kelembaban = Moist THEN Durasi = Medium Suhu Udara Cold Cool Normal Warm Hot Dry Long Moist Medium Wet Short Kelembaban No. µ A µ B Hasil = Min(µA,µB) 1 Warm = 2/3 = 0.67 Dry = 4/5 = 0.8 Long = 0.67 2 Warm = 0.67 Moist = 1/5 = 0.2 Medium = 0.2 3 Hot = 1/3 = 0.33 Dry = 0.8 Long = 0.33 4 Hot = 0.33 Moist = 0.2 No. µ(y) = Max(Hasil) 1 Long = 0.67 2 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 µ(X) 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 A µ B Hasil = Min(µA,µB) 1 Warm = 2/3 = 0.67 Dry = 4/5 = 0.8 Long = 0.67 2 Warm = 0.67 Moist = 1/5 = 0.2 Medium = 0.2 3 Hot = 1/3 = 0.33 Dry = 0.8 Long = 0.33 4 Hot = 0.33 Moist = 0.2 No. µ(y) = Max(Hasil) 1 Long = = 2/3 = 0.67 2 Medium = 1/5 = 0.2 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 (ns=10) : 24, 28, 32, 36, 40, 48, 60, 70, 80, 90. µ(X) Metode Centroid : Metode ini menetapkan nilai crisp dengan cara mengambil titik pusat (Center of Area) daerah fuzzy dari beberapa titik-titik yang dipilih secara acak. Short Medium Long 1 Center of Area 2/3 1/5 Durasi (menit) 20 28 40 48 90

22 Case Study FIS Mamdani µ(X) 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 370 C dan Kelembaban Tanah 12%, sistem akan secara otomatis menyiramkan air selama menit. 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 (ns=10) : 24, 28, 32, 36, 40, 48, 60, 70, 80, 90. µ(X) Short Medium Long 1 Center of Area 2/3 1/5 Durasi (menit) 20 28 40 48 90

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 = 370 C, curah hujan = 45, dan angin = 15? Fungsi keanggotaan Kelembaban : (Awal) No. Curah Hujan Kecepatan Angin Kelembaban 1 50 10 Moist 2 20 35 Dry 3 75 5 Wet 4 60 40 8 6 7 70 18 9 19

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