LOGIKA FUZZY Dosen Pengampu : Dian Tri Wiyanti, S.Si, M.Cs

Slides:



Advertisements
Presentasi serupa
Logika Fuzzy Stmik mdp
Advertisements

Contoh Kasus Fuzzy dalam menentukan Jumlah Produksi Barang berdasarkan Jumlah Permintaan konsumen dan Jumlah Barang yang tersedia di gudang.
SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2011
Bahan Kuliah IF4058 Topik Khusus IF
FUZZY INFERENCE SYSTEMS
Jurusan Teknik Informatika Samuel Wibisono
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PENERIMAAN BEASISWA BAGI MAHASISWA BERBASIS LOGIKA FUZZY ADE SYAYUTI MANNAF K
LOGIKA FUZZY Kelompok Rhio Bagus P Ishak Yusuf
Logika Fuzzy.
LOGIKA FUZZY PERTEMUAN 3.
YUSRON SUGIARTO, STP., MP., MSc
LOGIKA FUZZY.
LOGIKA FUZZY .
Kuliah Sistem Fuzzy nama :herlandi supriyadi nim :
CONTOH PENERAPAN LOGIKA FUZZY Fuzzy tsukamoto, mamdani, sugeno
Kuliah Sistem Fuzzy Pertemuan 5 “Sistem Inferensi Fuzzy”
Intelligent Control System (Fuzzy Control)
LOGIKA FUZZY Rika Harman, S.Kom.M.SI.
Model Fuzzy Tsukamoto.
LOGIKA FUZZY Anifuddin Azis.
Kecerdasan Buatan Logika Fuzzy.
Logika fuzzy.
KECERDASAN BUATAN LOGIKA FUZZY (Fuzzy Logic) Edy Mulyanto.
Kode MK :TIF , MK : Fuzzy Logic
LOGIKA FUZZY Oleh I Joko Dewanto
LOGIKA FUZZY ABDULAH PERDAMAIAN
FUZZY INFERENCE SYSTEMS
FUZZY INFERENCE SYSTEMS
Pertemuan 11 FUZZY INFERENCE SYSTEM (FIS)
KECERDASAN BUATAN (Artificial Intelligence) Materi 5
Pertemuan 9 Logika Fuzzy.
Sistem Berbasis Fuzzy Materi 1
Kuliah Sistem Fuzzy Pertemuan II “Logika Fuzzy”
Logika Fuzzy.
FUZZY TSUKAMOTO UTHIE.
FUZZY INFERENCE SYSTEM (FIS) - MAMDANI
Sistem Inferensi Fuzzy
LOGIKA FUZZY.
Kode MK : TIF01405; MK : Kecerdasan Buatan
FUZZY INFERENCE SYSTEM (FIS) - TSUKAMOTO
<KECERDASAN BUATAN>
LATIHAN 1 (kelompok 1 – 3) Permintaan terbesar 6000 kemasan/hari, permintaan terkecil 2000 kemasan/hari Persediaan barang digudang terbanyak mencapai 700.
Pertemuan 9 Logika Fuzzy.
Oleh : Yusuf Nurrachman, ST, MMSI
Perhitungan Membership
Logika Fuzzy.
KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
METODE FIS Pertemuan Ke-5.
Pertemuan 11 FUZZY INFERENCE SYSTEM (FIS)
Penyusun: Tri Nurwati (dari segala sumber :)
KECERDASAN BUATAN PERTEMUAN 8.
HEMDANI RAHENDRA HERLIANTO
Sistem Inferensi Fuzzy
Operasi Himpunan Fuzzy
Pemanfaatan Sistem Fuzzy Sebagai Pendukung Keputusan
FUZZY INFERENCE SYSTEM (FIS) - TSUKAMOTO
Rusmala, S.Kom., M.Kom Pertemuan 9, 10, 11
Sistem Pakar teknik elektro fti unissula
FUZZY INFERENCE SYSTEM (FIS) - TSUKAMOTO
CCM110, MATEMATIKA DISKRIT Pertemuan 13-14, Sistem Fuzzy
METODE FIS Pertemuan Ke-5.
FUZZY TSUKAMOTO UTHIE.
CCM110 Matematika Diskrit Pertemuan-11, Fuzzy Inference System
Fuzzy Expert Systems.
Penalaran Logika Fuzzy
FUZZY TSUKAMOTO UTHIE.
Operator Himpunan Fuzzy
Logika Fuzzy Dr. Mesterjon,S.Kom, M.Kom.
Logika Fuzzy Pertemuan 13
FUZZY. Pendahuluan ■Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy. ■Lotfi.
Transcript presentasi:

LOGIKA FUZZY Dosen Pengampu : Dian Tri Wiyanti, S.Si, M.Cs

 Komputer hanya berbasiskan bilangan biner (0 dan 1).  Kesenjangan komunikasi antara bahasa manusia dengan bahasa mesin (komputer) yang hanya memahami bahasa biner.  Sulitnya untuk merepresentasikan bahasa manusia (ex: panas, dingin, cepat, lambat, dll). Dian Tri Wiyanti, S.Si, M.Cs

 Memungkinkan nilai keanggotaan berada di antara 0 dan 1.  Merepresentasikan bahasa manusia ke dalam ekspresi matematis. Dian Tri Wiyanti, S.Si, M.Cs

 Mesin cuci.  Transmisi otomatis (mobil Nissan).  Ilmu kedokteran dan biologi (diagnosis penyakit).  Klasifikasi dan pencocokan pola.  Ilmu lingkungan (ex: prediksi cuaca, kendali kualitas air).  Riset operasi (dalam bidang ekonomi). Dian Tri Wiyanti, S.Si, M.Cs

1) Linguistik yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA, PAROBAYA, TUA. 2) Numeris yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel seperti: 40, 25, 50, dsb. Dian Tri Wiyanti, S.Si, M.Cs

1) Variabel fuzzy Merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. 2) Himpunan fuzzy Merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. 3) Semesta pembicaraan Keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. 4) Domain himpunan fuzzy Keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.

Dian Tri Wiyanti, S.Si, M.Cs

Fuzzifikasi >> pengubahan nilai crisp ke dalam nilai fuzzy Sistem inferensi (knowledge base) >> rule-rule yang ada dicari nilai α-predikat tiap-tiap rule Defuzzifikasi >> pengubahan besaran fuzzy ke bentuk nilai crisp’nya

Variabel fuzzy  kecepatan Himpunan fuzzy  lambat, cepat Semesta pembicaraan  [0,5000] rpm Domain  lambat : [0,1500] rpm cepat : [1000,5000] rpm Dian Tri Wiyanti, S.Si, M.Cs

Variabel fuzzy  hasil produksi Himpunan fuzzy  berkurang, normal, bertambah Semesta pembicaraan  [0,100] Domain  berkurang : [0,50] normal : [30,70] bertambah : [50,100] Contoh lain : usia..?? Dian Tri Wiyanti, S.Si, M.Cs

1) Representasi naik Derajat keanggotaan

Dian Tri Wiyanti, S.Si, M.Cs 2) Representasi turun Derajat keanggotaan

Dian Tri Wiyanti, S.Si, M.Cs 3) Representasi segitiga Derajat keanggotaan

Dian Tri Wiyanti, S.Si, M.Cs 4) Representasi trapesium Derajat keanggotaan

Variabel :  kecepatan putar kipas angin,  suhu ruangan,  frekuensi putar kipas angin. Himpunan fuzzy :  kecepatan putar kipas angin : lambat, cepat  suhu ruangan : rendah, tinggi  frekuensi putar kipas angin : kecil, besar

Semesta pembicaraan :  kecepatan putar kipas angin : [1000 rpm, 5000 rpm]  suhu ruangan : [100 Kelvin, 600 Kelvin]  frekuensi putar kipas angin : [2000 rpm, 7000 rpm] Domain :  kecepatan putar kipas angin lambat : [1000, 2500] cepat : [2000, 5000]  suhu ruangan rendah : [100, 350] tinggi : [300, 600]  frekuensi putar kipas angin kecil : [2000, 3500] besar : [3000, 7000]

RULE :  IF kecepatan lambat AND suhu tinggi THEN frekuensi kecil  IF kecepatan lambat AND suhu rendah THEN frekuensi kecil  IF kecepatan cepat AND suhu tinggi THEN frekuensi besar  IF kecepatan cepat AND suhu rendah THEN frekuensi besar

Suatu perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Dari data 1 bulan terakhir, permintaan menurun ada pada kisaran kemasan/hari, dan permintaan naik berkisar kemasan/hari. Permintaan tidak pernah lebih dari 5000 kemasan/hari. Persediaan barang di gudang maksimum mencapai 600 kemasan/hari. Persediaan dikatakan sedikit jika banyaknya antara kemasan/hari. Sedangkan dikatakan banyak pada kisaran kemasan/hari. Perusahaan dapat memproduksi barang maksimum 7000 kemasan/hari. Kriteria produksi berkurang jika antara , dan kriteria bertambah pada kemasan.

OPERASI DASAR HIMPUNAN FUZZY Digunakan untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan disebut fire strength atau α-predikat.

R1 : IF permintaan turun AND persediaan banyak THEN produksi barang berkurang R2 : IF permintaan turun AND persediaan sedikit THEN produksi barang berkurang R3 : IF permintaan naik AND persediaan banyak THEN produksi barang bertambah R4 : IF permintaan naik AND persediaan sedikit THEN produksi barang bertambah

Berapa kemasan makanan jenis ABC yang harus diproduksi, jika jumlah permintaan sebanyak 4000 kemasan dan persediaan di gudang masih 300 kemasan?

 Mencari derajat keanggotaan dari permasalahan yang diberikan.  Inferensi : evaluasi rule-rule yang ada a) mencari nilai α-predikat, dan b) nilai z.

Pada metode Tsukamoto, untuk menentukan output crisp menggunakan rata-rata terbobot :