Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Intelligent Control System (Fuzzy Control) Yusuf Hendrawan STP., M.App.Life Sc., Ph.D.

Presentasi serupa


Presentasi berjudul: "Intelligent Control System (Fuzzy Control) Yusuf Hendrawan STP., M.App.Life Sc., Ph.D."— Transcript presentasi:

1 Intelligent Control System (Fuzzy Control) Yusuf Hendrawan STP., M.App.Life Sc., Ph.D

2 What is Intelligence??? [1] IF … THEN … [2] Learning Iteration Process [3] Optimization Fuzzy ANN GA

3 Logika Fuzzy : memetakan suatu ruang input ke dalam suatu ruang output Ruang input Ruang output Kotak Hitam Alasan digunakannya Logika Fuzzy: 1.Konsep logika fuzzy mudah dimengerti 2.Logika fuzzy sangat sederhana 3.Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat 4.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 bekerjasama dengan teknik-teknik kendali secara konvensional 7.Logika fuzzy didasarkan pada bahasa alami

4 4 Fuzzy Applications Theory of fuzzy sets and fuzzy logic has been applied to problems in a variety of fields: ▫pattern recognition, decision support, data mining & information retrieval, medicine, law, taxonomy, topology, linguistics, automata theory, game theory, etc. And more recently fuzzy machines have been developed including: ▫automatic train control, tunnel digging machinery, home appliances: washing machines, air conditioners, etc.

5 TRADITIONAL REPRESENTATION OF LOGIC SlowFast Speed = 0 Speed = 1 bool speed; get the speed if ( speed == 0) { // speed is slow } else { // speed is fast }

6 FUZZY LOGIC REPRESENTATION For every problem must represent in terms of fuzzy sets. What are fuzzy sets? Slowest Fastest Slow Fast [ 0.0 – 0.25 ] [ 0.25 – 0.50 ] [ 0.50 – 0.75 ] [ 0.75 – 1.00 ]

7 FUZZY LOGIC REPRESENTATION SlowestFastest float speed; get the speed if ((speed >= 0.0)&&(speed < 0.25)) { // speed is slowest } else if ((speed >= 0.25)&&(speed < 0.5)) { // speed is slow } else if ((speed >= 0.5)&&(speed < 0.75)) { // speed is fast } else // speed >= 0.75 && speed < 1.0 { // speed is fastest } SlowFast

8 How to represent a fuzzy set in a computer ? The membership function must be determined first. Fuzzy Expert System

9 Terminology: Crisp or Fuzzy Logic Crisp Logic ▫ A proposition can be true or false only. Bob is a student (true) Smoking is healthy (false) ▫ The degree of truth is 0 or 1. Fuzzy Logic ▫ The degree of truth is between 0 and 1. William is young (0.3 truth) Ariel is smart (0.9 truth)

10 Sistem Fuzzy a.Variabel Fuzzy -Merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy, contoh: umur, temperatur, permintaan, dll b.Himpunan Fuzzy -Merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy -Contoh: 1) variabel umur terbagi menjadi 3 himpunan fuzzy: MUDA, PAROBAYA, TUA ; 2) variabel temperatur terbagi menjadi 5 himpunan fuzzy: DINGIN, SEJUK, NORMAL, HANGAT, PANAS c.Semesta Pembicaraan - Keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy, senantiasa bertambah (naik) secara monoton dari krii ke kanan. Contoh: 1) variabel umur [0, +∞]; 2) variabel temperatur [0, 40] d.Domain - Keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Contoh: 1) MUDA [0, 45]; 2) PAROBAYA [35, 55]; 3) TUA [45, +∞]; 4) DINGIN [0, 20]; 5) SEJUK [15, 25]; 6) NORMAL [20, 30]; 7) HANGAT [25, 35]; 8) PANAS [30, 40]

11 Fungsi Keanggotaan (Membership Function) Membership function adalah suatu kurva yang menunjukkan pemetaan titik- titik input data ke dalam nilai keanggotaannya yang memiliki interval antara 0 sampai 1 melalui pendekatan fungsi. a.Representasi Linear  pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas. 0 1 a b domain Derajat keanggotaan µ[x] Representasi Linear Naik

12 temperatur Derajat keanggotaan µ[x] PANAS 0 1 a b domain Derajat keanggotaan µ[x] Representasi Linear Turun temperatur Derajat keanggotaan µ[x] DINGIN

13 b. Representasi Kurva Segitiga  Gabungan antara 2 garis (linear). 0 1 a b domain Derajat keanggotaan µ[x] Kurva Segitiga c temperatur Derajat keanggotaan µ[x] NORMAL

14 c. Representasi Kurva Trapesium  Sama seperti bentuk segitiga, hanya beberapa titik memiliki nilai keanggotaan a b domain Derajat keanggotaan µ[x] Kurva Trapesium d temperatur Derajat keanggotaan µ[x] NORMAL c 32

15 d. Representasi Kurva Bentuk Bahu  Daerah yang terletak di tengah-tengah suatu variabel yang dipresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun. Daerah bahu pada variabel Temperatur temperature Derajat keanggotaan µ[x] 40 DINGIN SEJUKNORMALHANGATPANAS Bahu KiriBahu Kanan

16 d. Representasi Kurva S  Kurva PERTUMBUHAN dan PENYUSUTAN merupakan kurva-S atau sigmoid yang berhubungan dengan kenaikan dan penurunan permukaan secara tak linear 0 1 Derajat keanggotaan µ[x] domain Kurva S PERTUMBUHAN 0 1 Derajat keanggotaan µ[x] domain Kurva S PENYUSUTAN bax μ[x] bax

17 1. Operator AND ▫Berhubungan dengan operasi interseksi pada himpunan  mengambil nilai keanggotaan terkecil. ▫Contoh: Misal nilai keanggotaan 27 tahun pada himpunan MUDA adalah 0.6 (µMUDA[27]=0.6); dan nilai keanggotaan Rp. 2 juta pada himpunan penghasilan TINGGI adalah 0.8 (µGAJITINGGI[2 x 10 6 =0.8]; maka α-predikat untuk usia MUDA dan berpenghasilan TINGGI adalah Operator OR ▫Operator ini berhubungan dengan operasi union pada himpunan  mengambil nilai keanggotaan terbesar. ▫Contoh: Pada contoh diatas α-predikat untuk usia MUDA dan berpenghasilan TINGGI adalah Operator NOT ▫Berhubungan dengan operasi komplemen pada himpunan ▫Contoh: nilai α-predikat untuk usia TIDAK MUDA adalah ▫1- µMUDA[27]=1-0.6= 0.4 Operator Dasar Zadeh untuk Operasi Himpunan Fuzzy

18 Metoda penalaran secara monoton digunakan sebagai dasar untuk teknik implikasi fuzzy  digunakan untuk penskalaan fuzzy. Jika 2 daerah fuzzy direalisasikan dengan implikasi sederhana: IF x is A THEN y is B; transfer fungsinya y=f((x,A),B); maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan dekomposisi fuzzy. Nilai output dapat diestimasi langsung dari nilai keanggotaan yang berhubungan dengan antesedennya. Penalaran MONOTON

19 Light Intensity Photosynthesis umol CO2 m -2 s

20 Fuzzy Inference System Metode Tsukamoto Metode Mamdani Metode Sugeno

21 Metode Tsukamoto Setiap konsekuen pada aturan yang berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton; Output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α- predikat (fire strength); Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot.

22 Contoh Misalkan ada 2 variabel input, Var-1(x) dan Var- 2(y), serta 1 variabel output, Var-3(z), dimana Var-1 terbagi atas 2 himpunan yaitu A1 dan A2 terbagi atas 2 himpunan B1 dan B2, Var-3 juga terbagi atas 2 himpunan yaitu C1 dan C2 (C1 dan C2 harus monoton). Ada 2 aturan yang digunakan, yaitu: [R1] IF (x is A1) AND (y is B2) THEN (z is C1) [R2] IF (x is A2) AND (y is B1) THEN (z is C2)

23 1 0 Var-1 μ[x] A1B2 μ[y] 1 0 Var Var-3 μ[z] C1 α1α1 z1 A2 μ[x] 1 0 Var Var-2 μ[y] B1C2 μ[z] 1 0 Var-3 α2α2 z2 Rata-rata terbobot Inferensi dengan menggunakan metode Tsukamoto

24 Contoh 2 Suatu perusahaan makanan akan memproduksi makanan jenis ABC. Dari data 1 bulan terakhir, permintaan terbesar mencapai 5000 kemasan/hari, dan permintaan terkecil mencapai 1000 kemasan/hari. Persediaan barang di gudang terbanyak mencapai 600 kemasan/hari, dan terkecil pernah mencapai 100 kemasan/hari. Dengan segala keterbatasannya, sampai saat ini, perusahaan baru mampu memproduksi barang maksimum 7000 kemasan/hari, untuk efisiensi mesin dan SDM tiap hari diharapkan perusahaan memproduksi paling tidak 2000 kemasan/hari. Berapa kemasan makanan jenis ABC yang harus diproduksi, jika jumlah permintaan sebanyak 4000 kemasan, dan persediaan di gudang masih 300 kemasan, apabila proses produksi perusahaan tersebut menggunakan 4 aturan fuzzy sebagai berikut:

25 Rules [R1] IF permintaan TURUN And Persedian BANYAK THEN Produksi Barang BERKURANG [R2] IF permintaan TURUN And Persedian SEDIKIT THEN Produksi Barang BERKURANG [R3] IF permintaan NAIK And Persedian BANYAK THEN Produksi Barang BERTAMBAH [R4] IF permintaan NAIK And Persedian SEDIKIT THEN Produksi Barang BERTAMBAH

26 TURUNNAIK μ[x] Permintaan (kemasan/hari) Permintaan, terdiri atas 2 himpunan fuzzy, yaitu: NAIK dan TURUN Fungsi keanggotaan variabel Permintaan 1.00 Nilai Keanggotaan:

27 SEDIKITBANYAK μ[x] Persediaan (kemasan/hari) Persediaan, terdiri atas 2 himpunan fuzzy, yaitu: SEDIKIT dan BANYAK Fungsi keanggotaan variabel Persediaan 1.00 Nilai Keanggotaan:

28 BERKURANGBERTAMBAH μ[x] Produksi (kemasan/hari) Produksi, terdiri atas 2 himpunan fuzzy, yaitu: BERKURANG dan BERTAMBAH Fungsi keanggotaan variabel Persediaan 1.00 Mencari Nilai z untuk setiap aturan dengan fungsi MIN  karena menggunakan And [R1] α1 = min (μ PERMINTAAN TURUN [4000], μ PERSEDIAAN BANYAK [300]  min (0.25; 0.4) = 0.25 THEN Produksi Barang BERKURANG  (7000-z)/5000 = 0.25  z1 = 5750 [R2] α2 = min (μ PERMINTAAN TURUN [4000], μ PERSEDIAAN SEDIKIT [300]  min(0.25; 0.6) = 0.25 THEN Produksi Barang BERKURANG  (7000-z)/5000 = 0.25  z2 = 5750 [R3] α3 = min (μ PERMINTAAN NAIK [4000], μ PERSEDIAAN BANYAK [300]  min (0.75; 0.4) = 0.4 THEN Produksi Barang BERTAMBAH  (z-2000)/5000 = 0.4  z3= 4000 [R4] α4 = min (μ PERMINTAAN NAIK [4000], μ PERSEDIAAN SEDIKIT [300]  min (0.75; 0.6) = 0.6 THEN Produksi Barang BERTAMBAH  (z-2000)/5000 = 0.6  z4=

29 Nilai z dapat dicari dengan cara: Jadi jumlah makanan yang harus diproduksi sebanyak 4983 kemasan

30 Metode Mamdani Metode Mamdani sering dikenal sebagai metode Max-Min, yang diperkenalkan oleh Ebrahim Mamdani tahun 1975; Output didapatkan dari 4 tahapan: 1) Pembentukan himpunan Fuzzy 2) Aplikasi fungsi implikasi (aturan) 3) Komposisi aturan 4) Penegasan (defuzzy)

31 μ[x] TURUNBANYAK μ[y] μ[z] BERKURANG α1α1 [R1] IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang BERKURANG PermintaanPersediaanProduksi Barang μ[z] [R1] α1 = min (μ PERMINTAAN TURUN [4000], μ PERSEDIAAN BANYAK [300]  min (0.25; 0.4) =

32 μ[x] TURUN SEDIKIT μ[z] BERKURANG α2α2 [R2] IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang BERKURANG PermintaanPersediaanProduksi Barang μ[z] [R2] α2 = min (μ PERMINTAAN TURUN [4000], μ PERSEDIAAN SEDIKIT [300]  min (0.25; 0.6) = μ[y]

33 [R3] IF Permintaan NAIK And Persediaan BANYAK THEN Produksi Barang BERTAMBAH [R3] α3 = min (μ PERMINTAAN NAIK[4000], μ PERSEDIAAN BANYAK [300]  min (0.75; 0.4) = BANYAK μ[y] PermintaanPersediaanProduksi Barang μ[z] 0.4 NAIK μ[x] BERTAMBAH μ[z] 1 α3α3

34 [R4] IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi Barang BERTAMBAH [R4] α4 = min (μ PERMINTAAN NAIK[4000], μ PERSEDIAAN SEDIKIT [300]  min (0.75; 0.6) = PermintaanPersediaanProduksi Barang μ[z] NAIK μ[x] BERTAMBAH μ[z] 1 α4α4 SEDIKIT 1 μ[y] 0 0.6

35 Komposisi Antar Aturan Dari hasil aplikasi fungsi implikasi dari tiap aturan, digunakan metoda MAX untuk melakukan komposisi antar semua aturan  (a1-2000)/5000 = 0.25  a1 = 3250  (a2-2000)/5000 = 0.6  a2 = 5000 BERKURANGBERTAMBAH μ[x] a1a2 μ[z] = 0.25;z≤3250 (z-2000)/5000; 3250≤z≤ ; z≥5000

36 Penegasan (Defuzzy) Salah satu metode penegasan yang bisa digunakan adalah metode centroid. Untuk, itu perlu dihitung momen untuk setiap daerah Kemudian dihitung luas setiap daerah: A1 = 3250*0.25 = A2 = ( )*( )/2 = A3 = ( )*0.6 = 1200 μ[z] = 0.25;z≤3250 (z-2000)/5000; 3250≤z≤ ; z≥5000 Menghitung Titik Pusat: Jadi jumlah makanan yang harus diproduksi sebanyak 4248 kemasan

37 Metode Sugeno Penalaran SUGENO hampir sama dengan MAMDANI; Diperkenalkan oleh Takagi-Sugeno Kang tahun 1985; Output sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linier.

38 Metode Sugeno Model Fuzzy Sugeno Orde Nol IF (x 1 is A 1 ) ο (x 2 is A 2 ) ο (x 3 is A 3 ) ο … ο (x N is A N ) THEN z=k - dengan A i adalah himpunan fuzzy ke-i sebagai antesenden, dan k adalah suatu konstanta (tegas) sebagai konsekuen. Model Fuzzy Sugeno Orde Satu IF (x 1 is A 1 ) ο (x 2 is A 2 ) ο (x 3 is A 3 ) ο … ο (x N is A N ) THEN z=p*x1 + … + p N *x N + q - dengan A i adalah himpunan fuzzy ke-i sebagai antesenden, dan p i adalah suatu konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuen. Apabila komposisi aturan menggunakan metode SUGENO, maka defuzzy dilakukan dengan cara mencari nilai rata-ratanya. AND / OR

39 Modifikasi Aturan Persamaan ditentukan oleh User [R1] IF permintaan TURUN And Persedian BANYAK ▫THEN Produksi Barang = Permintaan - Persediaan [R2] IF permintaan TURUN And Persedian SEDIKIT ▫THEN Produksi Barang = Permintaan [R3] IF permintaan NAIK And Persedian BANYAK ▫THEN Produksi Barang = Permintaan [R4] IF permintaan NAIK And Persedian SEDIKIT ▫THEN Produksi Barang = (1.25 * Permintaan) - Persediaan

40 Mencari Nilai α dan nilai z untuk setiap aturan dengan fungsi MIN  karena menggunakan And [R1] α1 = min (μ PERMINTAAN TURUN [4000], μ PERSEDIAAN BANYAK [300]  min (0.25; 0.4) = 0.25 THEN Produksi Barang = Permintaan – Persediaan  Nilai z1 = = 3700 [R2] α2 = min (μ PERMINTAAN TURUN [4000], μ PERSEDIAAN SEDIKIT [300]  min(0.25; 0.6) = 0.25 THEN Produksi Barang = Permintaan  Nilai z2 = 4000 [R3] α3 = min (μ PERMINTAAN NAIK [4000], μ PERSEDIAAN BANYAK [300]  min (0.75; 0.4) = 0.4 THEN Produksi Barang = Permintaan  Nilai z3 = 4000 [R4] α4 = min (μ PERMINTAAN NAIK [4000], μ PERSEDIAAN SEDIKIT [300]  min (0.75; 0.6) = 0.6 THEN Produksi Barang = (1.25 * Permintaan) – Persediaan  Nilai z4 = (1.25*4000)-300 = 4700 Nilai z: Jadi jumlah makanan yang harus diproduksi sebanyak 4230 kemasan

41 41 Fuzzy Controllers Used to control a physical system

42 42 Structure of a Fuzzy Controller

43 Types of Fuzzy Controllers: - Supervisory Control - Types of Fuzzy Controllers: - Supervisory Control - Fuzzy Logic Controller Outputs Set Values for Underlying PID Controllers:

44 Types of Fuzzy Controllers: - PID Adaptation - Types of Fuzzy Controllers: - PID Adaptation - Fuzzy Logic Controller Adapts the P, I, and D Parameter of a Conventional PID Controller:

45 Types of Fuzzy Controllers: - Fuzzy Intervention - Types of Fuzzy Controllers: - Fuzzy Intervention - Fuzzy Logic Controller and PID Controller in Parallel:


Download ppt "Intelligent Control System (Fuzzy Control) Yusuf Hendrawan STP., M.App.Life Sc., Ph.D."

Presentasi serupa


Iklan oleh Google