Sistem Pakar teknik elektro fti unissula

Slides:



Advertisements
Presentasi serupa
Logika Fuzzy Stmik mdp
Advertisements

FUZZY.
Jurusan Teknik Informatika Samuel Wibisono
Ade Yusuf Yaumul Isnain
LOGIKA FUZZY Kelompok Rhio Bagus P Ishak Yusuf
Logika Fuzzy.
LOGIKA FUZZY PERTEMUAN 3.
YUSRON SUGIARTO, STP., MP., MSc
LOGIKA FUZZY.
Logika Fuzzy Jurusan Teknik Informatika Samuel Wibisono
LOGIKA FUZZY .
Kuliah Sistem Fuzzy nama :herlandi supriyadi nim :
CONTOH PENERAPAN LOGIKA FUZZY Fuzzy tsukamoto, mamdani, sugeno
Fuzzy Set dan Fuzzy Logic
LOGIKA FUZZY Rika Harman, S.Kom.M.SI.
LOGIKA FUZZY Anifuddin Azis.
Kecerdasan Buatan Logika Fuzzy.
Logika fuzzy.
Kecerdasan Buatan #10 Logika Fuzzy.
Dasar Pengendali cerdas
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
Pertemuan 9 Logika Fuzzy.
Sistem Berbasis Fuzzy Materi 1
Kuliah Sistem Fuzzy Pertemuan II “Logika Fuzzy”
Logika Fuzzy Jurusan Teknik Informatika Samuel Wibisono
Logika Fuzzy.
FUZZY INFERENCE SYSTEM (FIS) - MAMDANI
Sistem Inferensi Fuzzy
REASONING FUZZY SYSTEMS.
LOGIKA FUZZY.
Kode MK : TIF01405; MK : Kecerdasan Buatan
FUZZY INFERENCE SYSTEM (FIS) - TSUKAMOTO
Fuzzy Set Pertemuan 7 : Mata kuliah :K0144/ Matematika Diskrit
<KECERDASAN BUATAN>
DASAR FUZZY.
Pertemuan 9 Logika Fuzzy.
LOGIKA FUZZY Dosen Pengampu : Dian Tri Wiyanti, S.Si, M.Cs
Oleh : Yusuf Nurrachman, ST, MMSI
Logika Fuzzy.
KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
METODE FIS Pertemuan Ke-5.
Pertemuan 11 FUZZY INFERENCE SYSTEM (FIS)
KECERDASAN BUATAN PERTEMUAN 8.
HEMDANI RAHENDRA HERLIANTO
Sistem Inferensi Fuzzy
Operasi Himpunan Fuzzy
Pemanfaatan Sistem Fuzzy Sebagai Pendukung Keputusan
FUZZY INFERENCE SYSTEM (FIS) - TSUKAMOTO
Fuzzy Systems – Bagian 1 Ide dasar fuzzy systems adalah fuzzy sets dan fuzzy logic. Fuzzy logic sudah lama dipikirkan oleh para filsuf Yunani kuno. Plato:
Sistem Berbasis Aturan Fuzzy
LOGIKA MATEMATIKA PENGANTAR LOGIKA FUZZY.
Sistem samar (fuzzy System)
CCM110, MATEMATIKA DISKRIT Pertemuan 13-14, Sistem Fuzzy
METODE FIS Pertemuan Ke-5.
Fuzzy Expert Systems.
Penalaran Logika Fuzzy
Operator Himpunan Fuzzy
Logika Fuzzy Dr. Mesterjon,S.Kom, M.Kom.
DASAR FUZZY.
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:

Sistem Pakar teknik elektro fti unissula Logika Fuzzy Sistem Pakar teknik elektro fti unissula

Pendahuluan Pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh dari Universitas California, Juni 1965. Logika Fuzzy merupakan generalisasi dari logika klasik yang hanya memiliki dua nilai keanggotaan yaitu 0 dan 1 Nilai kebenaran suatu pernyataan berkisar dari sepenuhnya benar sampai sepenuhnya salah.

Pendahuluan Pada teori himpunan fuzzy, suatu objek dapat menjadi anggota dari banyak himpunan dengan derajat keanggotaan yang berbeda dalam masing-masing himpunan.

Konsep Logika Fuzzy Fungsi Keanggotaan Operasi Dasar dalam Himpunan Fuzzy Variabel Linguistik Aturan IF-THEN Fuzzy

Fungsi Keanggotaan Merupakan kurva yang mendefinisikan bagaimana masing-masing titik dalam ruang input dipetakan dalam nilai keanggotaan (derajat keanggotaan) antara 0 dan 1. Fungsi keanggotaan μ memetakan elemen x dari himpunan semesta X, ke sebuah bilangan μ(x), yang menentukan derajat keanggotaan dari elemen dalam himpunan fuzzy A:

Fungsi Keanggotaan Menurut Klir and Bo (1995), kisaran nilai fungsi keanggotaan yang paling umum digunakan adalah interval [0,1]. Dalam kasus ini, masing-masing fungsi keanggotaan memetakan elemen-elemen dari himpunan semesta X yang diberikan, yang selalu merupakan suatu himpunan crisp, ke dalam bilangan nyata dalam interval [0,1]

Operasi Dasar dalam Himpunan Fuzzy Terdapat 3 operasi dasar dalam himpunan Fuzzy menurut Wang (1997): Operasi Fungsi Keanggotaan Complement Intersection Union

Variabel Linguistik Suatu variabel yang memiliki nilai berupa kata-kata dalam bahasa alamiah. (Wang,1997) Setiap variabel linguistik berkaitan dengan sebuah fungsi keanggotaan. Sebuah variabel linguistik ditentukan oleh (X,T,U,M): X : nama dari variabel linguistik T : himp. nilai-nilai lingustik yg dapat diambil oleh X U: domain fisik aktual di mana variabel lingustik X mengambil nilai-nilai kuantitatifnya (crisp) M : suatu aturan semantik yg menghubungkan masing-masing nilai linguistik dalam T dengan suatu himp. Fuzzy dalam U.

CONTOH X adalah Temperatur (0C), T= {dingin, sejuk, normal, hangat, panas}, U= [0,40], M menghubungkan “dingin”, “sejuk”, “normal”, “hangat”, “panas” dengan fungsi keanggotaan seperti di gambar

Aturan IF-THEN Fuzzy Sistem Fuzzy adalah sistem berbasis pengetahuan atau sistem berbasis aturan di mana basis pengetahuannya direpresentasikan sebagai sekumpulan aturan produksi (aturan IF-THEN). (Wang, 1997). Aturan IF-THEN fuzzy adalah pernyataan IF-THEN di mana beberapa kata-kata dalam pernyataan tersebut ditentukan oleh fungsi keanggotaan.

Aturan produksi fuzzy adalah relasi fuzzy antara dua proposisi fuzzy. Aturan tersebut dinyatakan sbb: IF <proposisi fuzzy 1> THEN <proposisi fuzzy 2> Proposisi 1 dinamakan antecedent, proposisi 2 dinamakan consequent Proposisi fuzzy adalah proposisi yang memiliki derajat kebenaran yang dinyatakan oleh suatu bilangan dalam interval [0,1], dimana benar dinyatakan nilai 1 dan salah nilai 0 (Klir&Bo, 1995) Premis dari fuzzy dapat memiliki lebih dari satu premis. Semua bagian dari premis dihitung secara simultan dan diselesaikan untuk sebuah nilai tunggal dengan menggunakan operator fuzzy dalam himp. Fuzzy.

Logika Fuzzy Logika fuzzy adalah suatu cara untuk memetakan suatu ruang input ke dalam suatu ruang output. Antara input dan output terdapat suatu kotak hitam yang harus memetakan input ke output yang sesuai.

Skema logika fuzzy

ALASAN MENGGUNAKAN FUZZY Konsep logika fuzzy mudah dimengerti Logika fuzzy sangat fleksibel Memiliki toleransi terhadap data-data yang tidak tepat Dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan

APLIKASI LOGIKA FUZZY Tahun 1990 pertama kali mesin cuci dengan logika fuzzy di Jepang (Matsushita Electric Industrial Company). Sistem fuzzy digunakan untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci. Input yang digunakan : seberapa kotor, jenis kotoran, banyaknya yang dicuci. Mesin ini menggunakan sensor optik, mengeluarkan cahaya ke air dan mengukur bagaimana cahaya tersebut sampai ke ujung lainnya. Makin kotor, maka sinar yang sampai makin redup. Sistem juga mampu menentukan jenis kotoran tersebut daki/minyak.

APLIKASI LOGIKA FUZZY Transmisi otomatis pada mobil Nissan,menghemat bensin 12 – 17 % Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu Ilmu kedokteran dan biologi, seperti sistem diagnosis kanker Manajemen dan pengambilan keputusan, misal tata letak pabrik berdasarkan logika fuzzy, pembuatan games berdasarkan logika fuzzy,dll Ilmu lingkungan, misal kendali kualitas air, prediksi cuaca Teknik,misal perancangan jaringan komputer, prediksi adanya gempa bumi, dll dsb

HIMPUNAN TEGAS (CRISP) Nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan μA[x], memiliki 2 kemungkinan, yaitu : 1, yang berarti bahwa item tersebut (x) anggota himpunan A 0, yang berarti bahwa item tersebut (x) bukan anggota himpunan A

Contoh S = [1,2,3,4,5,6] adalah semesta pembicaraan A = [1,2,3] Jadi : nilai keanggotaan 2 pada himpunan A  μA[2] = 1 , karena 2 ∈ A nilai keanggotaan 3 pada himpunan A  μA[3] = 1 , karena 3 ∈ A nilai keanggotaan 4 pada himpunan A  μA[4] = 0 , karena 4 ∉ A nilai keanggotaan 2 pada himpunan B  μB[2] = 0 , karena 2 ∉ B nilai keanggotaan 3 pada himpunan B  μB[3] = 1 , karena 3 ∈ A

Contoh 2 Misalnya variabel umur dibagi menjadi 3 kategori, yaitu : MUDA umur < 35 tahun PAROBAYA 35 ≤ umur ≤ 55 tahun TUA umur > 55 tahun

Contoh 2 lanjutan usia 34 tahun maka dikatakan MUDA  μMUDA[34] = 1 usia 35 tahun maka dikatakan TIDAKMUDA  μMUDA[35] = 0 usia 35 tahun maka dikatakan PAROBAYA  μPAROBAYA[35] = 1 usia 34 tahun maka dikatakan TIDAKPAROBAYA  μPAROBAYA[34] = 0 usia 35 tahun kurang 1 hari maka dikatakan TIDAKPAROBAYA  μPAROBAYA[35 th – 1 hari] = 0 Himpunan crisp untuk menyatakan umur bisa tidak adil karena adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan.

HIMPUNAN FUZZY Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut diatas. Seseorang dapat masuk dalam 2 himpunan yang berbeda, MUDA dan PAROBAYA, PAROBAYA dan TUA, dsb. Seberapa besar eksistensinya dalam himpunan tersebut dapat dilihat pada nilai keanggotaannya.

Himpunan fuzzy untuk variabel umur :

Keterangan usia 40 tahun termasuk dalam himpunan MUDA dengan μMUDA[40] = 0,25 termasuk juga dalam himpunan PAROBAYA dengan μ PAROBAYA [40] = 0,5 usia 50 tahun termasuk dalam himpunan TUA dengan μTUA[50] = 0,25 termasuk juga dalam himpunan PAROBAYA dengan μ PAROBAYA [50] = 0,5

Kesimpulan Himpunan crisp, nilai keanggotaan hanya 0 dan 1. Himpunan fuzzy, nilai keanggotaan terletak pada rentang 0 sampai 1. Bila x memiliki nilai keanggotaan fuzzy μ A [x] = 0  x bukan anggota himpunan A Bila x memiliki nilai keanggotaan fuzzy μ A [x] = 1  x anggota penuh himpunan A

Sistem Fuzzy Terdapat 4 tahap dalam pembangunan sistem Fuzzy menurut Havinga et al (1999) Sistem Fuzzy fuzzifikasi inferensia komposisi defuzzifikasi Output Input

Fuzzifikasi Variabel input (crisp) dari sistem fuzzy ditransfer ke dalam himpunan fuzzy untuk dapat digunakan dalam perhitungan nilai kebenaran dari premis pada setiap aturan dalam basis pengetahuan. Tahap ini mengambil nilai-nilai crisp dan menentukan derajat dimana nilai-nilai tersebut menjadi anggota dari setiap himpunan fuzzy yang sesuai.

Inferensi Diimplementasikan untuk masing-masing aturan dalam basis pengetahuan. Dalam inferensi, nilai kebenaran premis dari aturan-aturan yang terpicu digunakan untuk menentukan nilai kebenaran bagian kesimpulan dari aturan yang terpicu. Input proses inferensi adalah nilai yang diberikan premis, output adalah suatu himpunan fuzzy. Metode yang digunakan min dan product (Havinga et al, 1999)

Komposisi Proses dimana himpunan fuzzy yang menyatakan output dari setiap aturan dikombinasikan bersama ke dalam sebuah himpunan fuzzy. Metode yang digunakan max dan sum .

Defuzzifikasi Input defuzzikasi adalah himpunan fuzzy (yang dihasilkan dari proses komposisi) dan output adalah sebuah nilai (crisp) Teknik yang umum digunakan adalah Center of gravity (centriod) defuzzifier Center average deffuzifier Maximum defuzzifier