METODE FIS Pertemuan Ke-5.

Slides:



Advertisements
Presentasi serupa
<Artificial intelligence>
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
Logika Fuzzy.
Sistem Inferensi Fuzzy
FUZZY.
Logika Fuzzy.
FUZZY INFERENCE SYSTEMS
Kecerdasan Buatan Sepak bola pragmatis Dengan Teori Algoritma fuzzy
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
CONTOH PENERAPAN LOGIKA FUZZY Fuzzy tsukamoto, mamdani, sugeno
FUZZY LOGIC LANJUTAN.
Pertemuan 22 FUZZIFIKASI DAN DEFUZZIFIKASI
Kuliah Sistem Fuzzy Pertemuan 5 “Sistem Inferensi Fuzzy”
Intelligent Control System (Fuzzy Control)
Logika Fuzzy.
Model Fuzzy Tsukamoto.
LOGIKA FUZZY.
KECERDASAN BUATAN LOGIKA FUZZY (Fuzzy Logic) Edy Mulyanto.
LOGIKA FUZZY (Lanjutan)
FUZZY INFERENCE SYSTEMS
Logika Fuzzy Lanjut.
FUZZY INFERENCE SYSTEMS
Model Fuzzy Mamdani.
Pertemuan 11 FUZZY INFERENCE SYSTEM (FIS)
KECERDASAN BUATAN (Artificial Intelligence) Materi 5
CARA KERJA SISTEM PAKAR
Logika Fuzzy.
FUZZY TSUKAMOTO UTHIE.
FUZZY INFERENCE SYSTEM (FIS) - MAMDANI
FIS – Metode SUGENO Pert- 6.
Sistem Inferensi Fuzzy
REASONING FUZZY SYSTEMS.
FUZZY INFERENCE SYSTEM (FIS)
FUZZY INFERENCE SYSTEM (FIS)
Kode MK : TIF01405; MK : Kecerdasan Buatan
FUZZY INFERENCE SYSTEM (FIS) - TSUKAMOTO
FUZZY INFERENCE SYSTEM (FIS) - SUGENO
Fuzzy logic Fuzzy Logic Disusun oleh: Tri Nurwati.
DASAR FUZZY.
LATIHAN 1 (kelompok 1 – 3) Permintaan terbesar 6000 kemasan/hari, permintaan terkecil 2000 kemasan/hari Persediaan barang digudang terbanyak mencapai 700.
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 :)
Sistem Inferensi Fuzzy
Operasi Himpunan Fuzzy
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
Logika Fuzzy Lanjut.
FUZZY INFERENCE SYSTEM (FIS) - SUGENO
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
DASAR FUZZY.
LOGIKA FUZZY. Definisi Logika Fuzzy adalah peningkatan dari logika Boolean yang mengenalkan konsep kebenaran sebagian. Di mana logika klasik menyatakan.
Transcript presentasi:

METODE FIS Pertemuan Ke-5

MAMDANI SUGENO TSUKAMOTO Metode mamdani

Untuk mendapatkan output, diperlukan 4 tahapan : Pembentukan himpunan fuzzy ( variabel input dan output dijadikan himp fuzzy) 2. Aplikasi fungsi implikasi (yg dipakai Min) Komposisi aturan a. Metode Max b. Metode Sum c. Probabilistic or 4. Defuzzyfikasi a. mtd Centroid b. Mtd Bisector c. mtd Mean of Max. d. mtd Largest of Max e. mtd Smallest of Max

Contoh: (Sumber: Sri Kusuma Dewi/Aplikasi Logika Fuzzy)

Rule Evaluation Variabel input :Permintaan, Persediaan. Variabel output : Produksi Barang. Untuk dua masukan, satu sistem keluaran aturan tersebut dapat ditulis dalam bentuk matriks.

Variabel linguistik: Permintaan, Persediaan, Produksi Permintaan = {NAIK, TURUN}

Persediaan = {SEDIKIT, BANYAK}

Produksi barang = {BERKURANg, BERTAMBAH}

Ditanya: berapa jumlah produksi jika permintaan 4000 kemasan dan persediaan 300 kemasan? Penyelesaian: Fuzzifikasi

Operasi logika fuzzy dan 3. Implikasi Kaidah fuzzy (Rule) 1: Operasi logika  min(0.25, 0.40) = 0.25 Implikasi  fungsi min

Kaidah fuzzy 2: Operasi logika  min(0.25, 0.6) = 0.25 Implikasi  fungsi min

Kaidah fuzzy 3: Operasi logika  min(0.75, 0.4) = 0.4 Implikasi  fungsi min

Kaidah fuzzy 4: Operasi logika  min(0.75, 0.6) = 0.6 Implikasi  fungsi min

4. Agregasi  fungsi max

Daerah hasil dibagi menjadi 3 bagian, A1, A2, A3 Daerah hasil dibagi menjadi 3 bagian, A1, A2, A3. Kemudian cari nilai a1 dan a2 : (a – prod_minimal)/interval_prod = nilai_keanggotaan (a1 – 2000)/5000 = 0.25 -- a1 = 3250 (a2 – 2000)/5000 = 0.60  a2 = 5000 Fungsi keanggotaan hasil komposisi ini adalah

Metode yang digunakan: centroid Defuzzifikasi Metode yang digunakan: centroid Momen:  Momen  Luas daerah

Luas daerah: Titik pusat:

Model Fuzzy Mamdani Centre of gravity (COG): mencari titik yang membagi area solusi menjadi 2 bagian yang sama

4 Defuzzifikasi / Menghitung z akhir Menghitung z* menggunakan metode Centroid kontinyu Daerah A1 Daerah A2 Daerah A3 Moment Luas

4 Defuzzifikasi / Menghitung z akhir Menghitung z* menggunakan metode Centroid kontinyu Jadi, jumlah makanan jenis ABC yang harus diproduksi sebanyak 4248 kemasan. Menghitung z* menggunakan metode Mean of Maximum (MOM) Jadi, jumlah makanan jenis ABC yang harus diproduksi sebanyak 6000 kemasan.

Evaluasi Bagaimana jika jumlah PERMINTAAN = 2500, PERSEDIAAN = 500, berapa kemasan makanan jenis ABC yang harus diproduksi ?

Terima kasih