Fuzzy Expert Systems.

Slides:



Advertisements
Presentasi serupa
Water heating system Dasar kendali cerdas.
Advertisements

Sistem kontrol penyiram air
<Artificial intelligence>
SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2011
Bahan Kuliah IF4058 Topik Khusus IF
Mengatasi Ketidakpastian (Uncertainty)
Logika Fuzzy.
Sistem Inferensi Fuzzy
Logika Fuzzy.
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
Fuzzy Logic Control.
LOGIKA FUZZY .
CONTOH PENERAPAN LOGIKA FUZZY Fuzzy tsukamoto, mamdani, sugeno
FUZZY LOGIC LANJUTAN.
Pertemuan 22 FUZZIFIKASI DAN DEFUZZIFIKASI
Kuliah Sistem Fuzzy Pertemuan 5 “Sistem Inferensi Fuzzy”
Logika Fuzzy.
Kuliah Sistem Fuzzy Pertemuan 6
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.
Lin (1996), menggunakan jaringan syaraf untuk
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)
FUZZY INFERENCE SYSTEM (FIS) - TSUKAMOTO
FUZZY INFERENCE SYSTEM (FIS) - SUGENO
SISTEM FUZZY.
DASAR FUZZY.
LOGIKA FUZZY Dosen Pengampu : Dian Tri Wiyanti, S.Si, M.Cs
Perhitungan Membership
METODE FIS Pertemuan Ke-5.
Pertemuan 11 FUZZY INFERENCE SYSTEM (FIS)
Sistem Inferensi Fuzzy
Operasi Himpunan Fuzzy
FUZZY INFERENCE SYSTEM (FIS) - TSUKAMOTO
Rusmala, S.Kom., M.Kom Pertemuan 9, 10, 11
Contoh Penerapan Fuzzy System 1
Sistem Pakar teknik elektro fti unissula
FUZZY INFERENCE SYSTEM (FIS) - TSUKAMOTO
Logika Fuzzy Lanjut.
FUZZY INFERENCE SYSTEM (FIS) - SUGENO
METODE FIS Pertemuan Ke-5.
FUZZY TSUKAMOTO UTHIE.
CCM110 Matematika Diskrit Pertemuan-11, Fuzzy Inference System
Logika Fuzzy (Fuzzy Inference System)
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:

Fuzzy Expert Systems

Fuzzy Expert Systems Pengantar Model Fuzzy Sugeno Model Fuzzy Tsukamoto Model Fuzzy Mamdani

Pengantar Operasi dari sistem pakar fuzzy tergantung dari eksekusi 4 fungsi utama: Fuzzifikasi dari variabel input Inferensi / evaluasi rules Komposisi / agregasi Defuzzifikasi

Model Fuzzy Sugeno Michio Sugeno mengusulkan penggunaan singleton sebagai fungsi keanggotaan dari konsekuen. Singleton adalah sebuah himpunan fuzzy dengan fungsi keanggotaan: pada titik tertentu mempunyai sebuah nilai dan 0 di luar titik tersebut.

Model Fuzzy Sugeno Sugeno menggunakan konstanta atau fungsi matematika dari variabel input: IF x is A AND y is B THEN z is f(x, y) dimana x, y dan z adalah variabel linguistik; A dan B himpunan fuzzy untuk X dan Y, dan f(x, y) adalah fungsi matematik. IF x is A AND y is B THEN z is k

Model Fuzzy Sugeno Evaluasi Rule

Model Fuzzy Sugeno Komposisi

Model Fuzzy Sugeno Defuzzifikasi Weighted average (WA):

Model Fuzzy Sugeno: Contoh Mengevaluasi kesehatan orang berdasarkan tinggi dan berat badannya Input: tinggi dan berat badan Output: kategori sehat sangat sehat (SS), index=0.8 sehat (A), index=0.6 agak sehat (AS), index=0.4 tidak sehat (TS), index=0.2

L1: Fuzzification (1) Ada 3 variabel fuzzy yang dimodelkan: tinggi, berat, sehat

L2: Rules Evaluation (1) Tentukan rules Tabel Kaidah Fuzzy B E R A T T I N G Sangat kurus Kurus Biasa Berat Sangat berat Sangat pendek SS S AS TS Pendek Sedang Tinggi Sangat tinggi Dalam bentuk if-then, contoh: If sangat pendek dan sangat kurus then sangat sehat

L2: Rules Evaluation (2) Contoh: bagaimana kondisi kesehatan untuk orang dengan tinggi 161.5 cm dan berat 41 kg? sedang[161.5] = (165-161.5)/(165-160) = 0.7 tinggi[161.5] = (161.5-160)/(165-160) = 0.3

L2: Rules Evaluation (3) sangatkurus[41] = (45-41)/(45-40) = 0.8

Pilih bobot minimum krn relasi AND B E R A T T I N G G 0.8 0.2 Biasa Berat Sangat berat Sangat pendek SS S AS TS Pendek 0.7 0.3 Sangat tinggi L2: Rules Evaluation (4) B E R A T T I N G G 0.8 0.2 Biasa Berat Sangat berat Sangat pendek SS S AS TS Pendek 0.7 0.3 Sangat tinggi Pilih bobot minimum krn relasi AND

L3: Defuzzification Diperoleh: f = {TS, AS, S, SS} = {0.3, 0.7, 0.2, 0.2} Penentuan hasil akhir, ada 2 metoda: 1. Max method: index tertinggi 0.7 hasil Agak Sehat 2. Centroid method, dengan metoda Sugeno: Decision Index = (0.3x0.2)+(0.7x0.4)+(0.2x0.6)+(0.3x0.8) / (0.3+0.7+0.2+0.2) = 0.4429 Crisp decision index = 0.4429 Fuzzy decision index: 75% agak sehat, 25% sehat