Rusmala, S.Kom., M.Kom Pertemuan 9, 10, 11

Slides:



Advertisements
Presentasi serupa
Contoh Kasus Fuzzy dalam menentukan Jumlah Produksi Barang berdasarkan Jumlah Permintaan konsumen dan Jumlah Barang yang tersedia di gudang.
Advertisements

SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2011
Bahan Kuliah IF4058 Topik Khusus IF
FUZZY INFERENCE SYSTEMS
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PENERIMAAN BEASISWA BAGI MAHASISWA BERBASIS LOGIKA FUZZY ADE SYAYUTI MANNAF K
FUZZY INFERENCE SYSTEMS
LOGIKA FUZZY Kelompok Rhio Bagus P Ishak Yusuf
Logika Fuzzy.
LOGIKA FUZZY PERTEMUAN 3.
Penalaran Mamdani dan Tsukamoto Pada pendekatan Fuzzy Inference System
SOFT COMPUTING PERTEMUAN 2.
LOGIKA FUZZY.
Logika Fuzzy Jurusan Teknik Informatika Samuel Wibisono
LOGIKA FUZZY .
CONTOH PENERAPAN LOGIKA FUZZY Fuzzy tsukamoto, mamdani, sugeno
Kuliah Sistem Fuzzy Pertemuan 5 “Sistem Inferensi Fuzzy”
Intelligent Control System (Fuzzy Control)
Model Fuzzy Tsukamoto.
Kecerdasan Buatan Logika Fuzzy.
Logika fuzzy.
KECERDASAN BUATAN LOGIKA FUZZY (Fuzzy Logic) Edy Mulyanto.
LOGIKA FUZZY (Lanjutan)
Kode MK :TIF , MK : Fuzzy Logic
LOGIKA FUZZY Oleh I Joko Dewanto
LOGIKA FUZZY ABDULAH PERDAMAIAN
FUZZY INFERENCE SYSTEMS
FUZZY INFERENCE SYSTEMS
Model Fuzzy Mamdani.
Pertemuan 11 FUZZY INFERENCE SYSTEM (FIS)
KECERDASAN BUATAN (Artificial Intelligence) Materi 5
Logika Fuzzy.
FUZZY TSUKAMOTO UTHIE.
FUZZY INFERENCE SYSTEM (FIS) - MAMDANI
Sistem Inferensi Fuzzy
REASONING FUZZY SYSTEMS.
LOGIKA FUZZY.
FUZZY INFERENCE SYSTEM (FIS)
FUZZY INFERENCE SYSTEM (FIS)
Kode MK : TIF01405; MK : Kecerdasan Buatan
FUZZY INFERENCE SYSTEM (FIS) - TSUKAMOTO
FUZZY INFERENCE SYSTEM (FIS) - SUGENO
<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.
LOGIKA FUZZY Dosen Pengampu : Dian Tri Wiyanti, S.Si, M.Cs
Oleh : Yusuf Nurrachman, ST, MMSI
Perhitungan Membership
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
FUZZY INFERENCE SYSTEM (FIS) - TSUKAMOTO
Sistem Pakar teknik elektro fti unissula
FUZZY INFERENCE SYSTEM (FIS) - TSUKAMOTO
FUZZY INFERENCE SYSTEM (FIS) - SUGENO
CCM110, MATEMATIKA DISKRIT Pertemuan 13-14, Sistem Fuzzy
METODE FIS Pertemuan Ke-5.
FUZZY TSUKAMOTO UTHIE.
CCM110 Matematika Diskrit Pertemuan-11, Fuzzy Inference System
Logika Fuzzy (Fuzzy Inference System)
Fuzzy Expert Systems.
Penalaran Logika Fuzzy
FUZZY TSUKAMOTO UTHIE.
Operator Himpunan Fuzzy
Logika Fuzzy Dr. Mesterjon,S.Kom, M.Kom.
FUZZY SYSTEM.
LOGIKA FUZZY. Definisi Logika Fuzzy adalah peningkatan dari logika Boolean yang mengenalkan konsep kebenaran sebagian. Di mana logika klasik menyatakan.
Transcript presentasi:

Rusmala, S.Kom., M.Kom Pertemuan 9, 10, 11 Metode Fuzzy

Fuzzy dalam SPK Adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam ruang output Fuzzy Logic Mamdani Sugeno Tsukamto Fuzzy custering Fuzzy C-means

Mamdani =metode Max-Min Output (hasil), diperlukan 4 tahapan Pembentukan himpunan fuzzy Variabel input maupun output dibagi menjadi satu atau lebih himpunan Aplikasi fungsi implikasi menyatakan relasi antara variabel input dengan variabel output. fungsi implikasi yang digunakan adalah Min Komposisi aturan Ada 3 metode yang digunakan Matode Max(Maximum) Metode Additive (Sum) Metode Probabilistik (probor) Defuzzifikasi Suatu himpunan yang diperoleh dari komposisi aturan-aturan fuzzy output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut

Metode Sugeno sama dengan penalaran Mamdani, hanya saja output sistem tidak berupa himpunan fuzzy , melainkan berupa konstanta atau persamaan linear Model Fuzzy SugenoOrde-Nol BentukUmum: Model Fuzzy SugenoOrde-Satu

TSUKAMOTO = logika fuzzy hanya memiliki dua nilai keanggotaan yaitu 0 dan 1 dimana bisa berarti atau bernilai benar atau salah secara bersamaan. Nilai samar antara benar atau salah 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 berdasarkan α-predikat. Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot

Fungsi keanggotaan Representasi linier Representasi kurva segitiga Reprensentasi kurva trapezium

Representasi linier Pemetaan input kederajat keanggotaanya digambarkan sebagai suatu garis lurus. Representasi linier naik

Representasi linier turun

Representasi kurva segitiga

Representasi Kurva trapezium

Metode fuzzy tsukamoto Contoh 1 Metode fuzzy tsukamoto

Perusahaan Makanan Kaleng Sebuah perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Dari data 1 bulan terakhir permintaan terbesar hingga mencapai 5000 kemasan/ hari dan permintaan terkcil sampai 1000 kemasan /hari. Persediaan barang digudang paling banyak sampai 600 kemasam / hari dan paling sedikit sampai 100 kemasan / hari. Dengan segala keterbatasannya, sampai saat ini, perusahaan baru mampu meproduksi barang maksimal 7000 kemasamn / hari, serta demi efesiensi mesin dan SDM tiap hari diharapkan perusahaan memproduksi paling tidak sampai 2000 kemasan. Apabila proses produksi perusahaan tersebut menggunakan 4 aturan sebagai berikut :

Rule 1 IF permintaan TURUN AND Persediaan BANYAK THEN produksi barang BERKURANG Rule 2 IF permintan TURUN AND Persediaan SEDIKIT THEN produksi barang BERKURANG Rule 3 IF permintan NAIK AND Persediaan BANYAK THEN produksi barang BERTAMBAH Rule 4 IF permintan NAIK AND Persediaan SEDIKIT THEN produksi barang BERTAMBAH

Berapa kemasan makanan ABC yang aharus diproduksi, jika jumlah permintaan sebanyak 2500 kemasan. Dan persediaan digudang masih 500 kemasan?

Restoran Disebuah restoran ada seorang pelayan yang melayani mulai dari menyambut kedatangan, menulis menu yang di pesan, mengatur makanan sampai menyajikan makanan. Faktor penilaian ansar : Pembayaran Durasi/ pelayanan TIPS

Diketahui Pembayaran makanan yang dibeli, terendah adalah Rp 50.000 dan tertinggi Rp 1.550.000 untuk sekali datang Lamanya menunggu pesanan datang tercepat adalah 1 menit dan terlama 16 menit. Tips yang diberikan ansar adalah Rp 10.000 sampai Rp 30.000 Jika makanan yang dipesan Rp. 600.000 Lama menunggu pesan adalah 12 menit Pertanyaan Berapa tips yang ansar berikan?

Tabel : data maks dan min Data jumlah Satuan Pembayaran tertinggi 1.550.000 Pembayaran Terendah 50.000 Pelayan Tercepat 1 Pelayanan terlama 6 Tips terendah 10.000 Tips Terbanyak 30.000

penyelesaian Memodelkan variabel fuzzy Inferensi Menentukan output crips

Memodelkan variabel fuzzy

INFERENSI [R1] IF Pembayaran Rendah And Pelayanan Lama Then Tips Rendah z1 adalah nilai z untuk aturan fuzzy [r1]

[R2] IF Pembayaran Rendah And Pelayanan Cepat Then Tips Rendah z1 adalah nilai z untuk aturan fuzzy [R2]

[R3] IF Pembayaran Tinggi And Pelayanan Lama Then Tips Banyak z3 adalah nilai z untuk aturan fuzzy [R3]

[R4] IF Pembayaran Tinggi And Pelayanan Cepat Then Tips Banyak z4 adalah nilai z untuk aturan fuzzy [R3]

Menentuka output crips