f13e9 ai 12 logika fuzzy tsukamoto
Erwien Tjipta Wijaya, ST.,M.Kom
PENDAHULUAN
Logika Fuzzy pertama kali dikenalkan oleh Prof. Lotfi
A. Zadeh tahun 1965
Dasar Logika Fuzzy adalah teori himpunan fuzzy.
Teori himpunan fuzzy adalah peranan derajat
keanggotaan sebagai penentu keberadaan elemen
dalam suatu himpunan.
Nilai keanggotaan / Derajat keanggotaan /
Membership function menjadi ciri utama dari
penalaran pada Logika Fuzzy tersebut.
Logika Fuzzy digunakan untuk memetakan
permasalahan dari input menuju ke output
ALASAN PERLUNYA LOGIKA FUZZY
1.
2.
3.
4.
5.
6.
7.
Mudah dimengerti, karena logika fuzzy menggunakan dasar teori
himpunan.
Sangat fleksibel, artinya mampu beradaptasi terhadap perubahanperubahan dan ketidakpastian pada permasalahan.
Memiliki toleransi terhadap data yang tidak tepat. Jika diberikan
sekelompok data yang cukup homogen dan kemudian terdapat
beberapa data yang “eksklusif”, maka logika fuzzy memiliki
kemampuan untuk menangani data eksklusif tersebut.
Mampu memodelkan fungsi – fungsi nonlinear yang komplek.
Membangun dan mengimplikasikan pengalaman – pengalaman
para pakar secara langsung tanpa melalui proses pelatihan. (atau
biasa dikenal dengan Fuzzy Expert System)
Dapat digunakan pada teknik – teknik kendali secara
konvensional. (Teknik Industri, Teknik Mesin dan Teknik Elektro)
Didasarkan pada bahasa alami. Logika Fuzzy menggunakan
bahasa sehari – hari sehingga mudah dimengerti
HIMPUNAN FUZZY
Himpunan tegas (crisp), nilai keanggotaan item x dalam
suatu himpunan A, ditulis � � dengan
kemungkinan, yaitu :
memiliki 2
Satu (1), berarti bahwa suatu item menjadi anggota
dalam suatu himpunan.
2. Dua (2), berarti bahwa suatu item tidak menjadi anggota
dalam suatu himpunan.
1.
Jika diketahui : (Contoh Himpunan Dasar)
S = {1,2,3,4,5,6,7} //semesta pembicaraan
A = {1,2,3}
B = {3,4,5}
LANJUTAN (HIMPUNAN FUZZY)
Dikatakan bahwa :
Nilai keanggotaan 2 pada himpunan A, �
karena 2 A
Nilai keanggotaan 3 pada himpunan A, �
karena 3 A
Nilai keanggotaan 4 pada himpunan A, �
karena 4 A
Nilai keanggotaan 2 pada himpunan B, �
karena 2 B
Nilai keanggotaan 3 pada himpunan B, �
karena 3 B
= ,
= ,
= ,
= ,
= ,
LANJUTAN (HIMPUNAN FUZZY)
Misalkan variabel umum dibagi menjadi 3 kategori,
yaitu : (Contoh Himpunan Umur)
1. Muda
umur < 35 tahun
35 ≤ umur ≥ 55 tahun
umur > 55 tahun
2. Parobaya
3. Tua
Visualisasi dalam bentuk grafis
1
1
1
µ(x)
µ(x)
µ(x)
0
0
0
35
Umur (th)
0
0
35
Umur (th)
55
0
55
Umur (th)
LANJUTAN (HIMPUNAN FUZZY)
Penjelasan :
1. Apabila seorang berusia 34 tahun, maka ia dikatakan MUDA
(µ� � (34) = 1).
2. Apabila seorang berusia 35 tahun, maka ia dikatakan TIDAK
MUDA (µ� � (35) = 0).
3. Apabila seorang berusia 35 tahun kurang 1 hari, maka ia
dikatakan TIDAK MUDA (µ� � (35th – 1hr) = 0).
4. Apabila seorang berusia 35 tahun, maka ia dikatakan
PAROBAYA (µ �
� (35) = 1).
5. Apabila seorang berusia 34 tahun, maka ia dikatakan TIDAK
PAROBAYA (µ �
� (34) = 0).
6. Apabila seorang berusia 55 tahun, maka ia dikatakan
PAROBAYA (µ �
� (55) = 1).
7. Apabila seorang berusia 35 tahun kurang 1 hari, maka ia
dikatakan TIDAK PAROBAYA (µ �
� (35th – 1hr) = 0).
LANJUTAN (HIMPUNAN FUZZY)
Himpunan crisp umur masih belum adil, adanya
perubahan kecil akan mempengaruhi perbedaan
kategori yang cukup signifikan.
Himpunan Fuzzy digunakan untuk mengantisipasi
hal tersebut.
Seseorang dapat masuk dalam 2 himpunan yang
berbeda, MUDA dan PAROBAYA, PAROBAYA dan
TUA dan sebagainya.
LANJUTAN (HIMPUNAN FUZZY)
MUDA
PAROBAYA
TUA
1
µ (x)
0,5
0,25
0
25
30
40 45 50 55
Umur (th)
65
LANJUTAN (HIMPUNAN FUZZY)
Penjelasan :
1. Seseorang yang berumur 40 tahun, termasuk dalam
himpunan MUDA dengan µ� � (40) = 0.25, namun
dia juga termasuk dalam himpunan PAROBAYA
dengan µ �
� (40) = 0.5
2. Seorang yang berumur 50 tahun, termasuk dalam
himpunan TUA dengan µ
(50) = 0.25 namun dia
juga termasuk dalam himpunan PAROBAYA dengan
µ �
� (50) = 0.5.
LANJUTAN (HIMPUNAN FUZZY)
Himpunan Fuzzy memiliki 2 atribut :
1. Linguistik, Penamaan grup yang mewakili suatu
keadaan / kondisi tertentu dengan menggunakan
bahasa alami. Misal : MUDA, PAROBAYA dan TUA
2. Numeris / Domain, Suatu nilai (angka) yang
menunjukan ukuran dari suatu variabel seperti : 40,
35, 60 dan seterusnya
SISTEM FUZZY
START
VARIBEL FUZZY
KOMPOSISI ATURAN
(IF-THEN RULES)
OPERASI LOGIKA
HIMPUNAN FUZZY
SEMESTA
PEMBICARAAN
DEFUZZIFIKASI / FUZZY
INFERENCE ENGINE
DOMAIN
END
MEMBERSHIP
FUNCTION
MEMBERSHIP FUNCTION
Fungsi keanggotaan / Membership Function adalah
sebuah kurva yang menunjukan pemetaan titik –
titik input data ke dalam nilai keanggotaannya atau
disebut derajat keanggotaan yang memiliki nilai 0
sampai dengan 1.
Fungsi – fungsi keanggotaan fuzzy adalah :
1. Representasi Linier, memiliki 2 macam himpunan
fuzzy. Diantaranya adalah :
REPRESENTASI LINIER NAIK
Representasi Linier Naik
Fungsi keanggotaan :
�
=
−
−
;
;
;
>
<
CONTOH REPRESENTASI LINIER NAIK
Fungsi keanggotaan untuk himpunan PANAS pada
variabel TEMPERATUR
Misal : �
� �
=
−
−
Berapakah jika temperatur :
�
� �
=?
��
� �
=
=?
= ,
REPRESENTASI LINIER TURUN
Representasi Linier Turun
Fungsi Keanggotaan
�
=
−
−
;
;
;
<
<
CONTOH REPRESENTASI LINIER TURUN
Fungsi keanggotaan untuk himpunan DINGIN pada
variabel TEMPERATUR
Misal : �
� ��
=
−
−
Berapakah jika temperatur :
�
� ��
=?
��
� ��
=
= ,
=?
REPRESENTASI SEGITIGA
2.
Representasi Segitiga
Fungsi Keanggotaan
�
=
−
−
−
−
;
;
;
;
CONTOH REPRESENTASI SEGITIGA
Fungsi keanggotaan untuk himpunan NORMAL pada
variabel TEMPERATUR
Misal : �
�
=
−
−
=
= ,
REPRESENTASI TRAPESIUM
3. Representasi Kurva Trapesium / Trapezoid
Fungsi Keanggotaan
CONTOH REPRESENTASI TRAPESIUM
Fungsi keanggotaan untuk himpunan NORMAL pada
variabel TEMPERATUR
Misal : �
�
=
−
−
=
= ,
REPRESENTASI SIGMOID
(PERTUMBUHAN)
4. Representasi Kurva S atau Sigmoid
Sigmoid (Pertumbuhan)
Fungsi Keanggotaan
REPRESENTASI SIGMOID (PENYUSUTAN)
Sigmoid (Penyusutan)
Fungsi keanggotaan
REPRESENTASI KURVA S ATAU SIGMOID
Kurva S didefinisikan dengan 3 parameter, yaitu :
Nilai keanggotaan nol ( )
Nilai keanggotaan lengkap (γ)
Titik infeksi / crossover ( ), titik memiliki domain 50%
benar
CONTOH REPRESENTASI KURVA S
(PERTUMBUHAN)
Fungsi keanggotaan untuk himpunan TUA pada variabel
UMUR
Misal : �
�
=
−
Berapakah jika UMUR : �
�
−
−
=
=?
−
= ,
CONTOH REPRESENTASI KURVA S
(PENYUSUTAN)
Fungsi keanggotaan untuk himpunan MUDA pada
variabel UMUR
Misal : �
�
=
−
−
=
= ,
REPRESENTASI BAHU
5. Representasi Bahu
Daerah yang terletak di tengah-tengah suatu variabel
yang direpresentasikan dalam bentuk segitiga, pada sisi
kanan dan kirinya akan naik dan turun (misalkan: DINGIN
bergerak ke SEJUK bergerak ke HANGAT dan bergerak ke
PANAS). Tetapi terkadang salah satu sisi dari variabel
tersebut tidak mengalami perubahan. Sebagai contoh,
apabila telah mencapai kondisi PANAS, kenaikan
temperatur akan tetap berada pada kondisi PANAS.
Himpunan fuzzy „bahu‟, bukan segitiga, digunakan untuk
mengakhiri variabel suatu daerah fuzzy. Bahu kiri
bergerak dari benar ke salah, demikian juga bahu kanan
bergerak dari salah ke benar.
REPRESENTASI LONCENG (BELL CURVE)
6. Representasi Lonceng di bagi menjadi 3 bagian :
Pi
Beta
Gauss
REPRESENTASI LONCENG (PI)
Kurva
PI berbentuk lonceng dengan derajat
keanggotaan 1 terletak pada pusat dengan domain
(γ) dan lebar kurva ( )
REPRESENTASI LONCENG (BETA)
Kurva BETA berbentuk lonceng namun lebih rapat,
kurva ini terdapat 2 parameter, dimana nilai domain
yang menunjukkan pusat kurva (γ) dan setengah
lebar kurva ( ).
Salah satu perbedaan mencolok kurva BETA
dari kurva PI adalah, fungsi keanggotaannya
akan mendekati nol hanya jika nilai (β) sangat
besar.
CONTOH KURVA LONCENG (BETA)
Fungsi
keanggotaan
variabel umur
untuk
PAROBAYA
pada
REPRESENTASI KURVA LONCENG (GAUSS)
Jika kurva PI dan BETA menggunakan 2 parameter
yaitu (γ) dan ( ). Kurva Gauss juga menggunakan
(γ) untuk menunjukan nilai domain pada pusat kurva,
dan (κ) yang menunjukan lebar kurva.
OPERASI LOGIKA
Operasi logika adalah operasi yang menggabungkan dan
memodifikasi 2 atau lebih himpunan fuzzy.
Nilai keanggotaan baru hasil dari operasi 2 himpunan disebut
firing strenght atau predikat (α).
Ada 3 operasi dasar yan diciptakan oleh zadeh :
1.
Operator AND, berhubungan dengan operasi intersection
pada himpunan, α predikat diperoleh dengan mengambil nilai
minimum antar ke dua atau lebih himpunan.
AB = min(A[x], B[y])
Contoh :
MUDAGAJITINGGI = min( MUDA[27], GAJITINGGI[2juta])
= min (0,6 ; 0,8)
= 0,6
LANJUTAN (OPERATOR LOGIKA)
berhubungan dengan operasi
union pada himpunan, predikat diperoleh
dengan mengambil nilai maximum antar
kedua himpunan.
AB = max(A[x], B[y])
2. Operator OR,
Contoh :
MUDA GAJITINGGI = max(MUDA[27], GAJITINGGI[2juta])
= max (0,6 ; 0,8)
= 0,8
LANJUTAN (OPERATOR LOGIKA)
3. Operasi
NOT, berhubungan dengan
operasi komplemen pada himpunan,
predikat diperoleh dengan mengurangkan
nilai keanggotaan elemen pada himpunan
dari 1.
Contoh :
MUDA[27]
= 1 - MUDA[27]
= 1 - 0,6
= 0,4
PENALARAN MONOTON
Metode Penalaran Monoton digunakan sebagai dasar
untuk teknik implikasi fuzzy.
Metode ini sudah jarang digunakan tapi masih digunakan
untuk pengskalaan fuzzy.
Contoh jika 2 daerah fuzzy direlasikan dengan implikasi
sederhana (Cox, 1994)
IF x is A THEN y is B
Transfer fungsi :
=
, ,
Sistem dapat berjalan tanpa komposisi dan dekomposisi
fuzzy.
CONTOH PENALARAN MONOTON
µ
µ
=
=�
;
−
−
,
,
=
= ,
= ,
Karena 0,75 > 0,5 maka letak y adalah
Antara 55 sampai dengan 70 sehingga
−
−
− /
−
= ,
−
/ 900 = 0,75
−
/ 900 = 0,25
−
=
,
(70-y) = +√
,
y = 70 + 10,6 ambil (-) karena nilainya
Harus < 70
y = 59,4
FUNGSI IMPLIKASI
Secara umum ada 2 fungsi implikasi yang dapat
digunakan (Yan,1994):
1. Min (minimum), fungsi ini akan memotong output
himpunan fuzzy.
LANJUTAN FUNGSI IMPLIKASI
2. Dot (product), fungsi ini akan mengskala output
himpunan fuzzy.
DEFUZZIFIKASI DENGAN FUZZY INFERENCE SYSTEM
Fuzzy Inference System, berfungsi sebagai sistem
penalaran fuzzy yang bertugas untuk mengolah data
himpunan fuzzy yang telah ditentukan kemudian
menghitung nilai rata – rata terbobot.
Macam – macam FIS (Fuzzy Inference System) :
Metode Tsukamoto
Metode Sugeno
Metode Mamdani
METODE TSUKAMOTO
METODE TSUKAMOTO, Perluasan dari penalaran
monoton, setiap konsekuen pada aturan IF-THEN
harus direpresentasikan degan himpunan fuzzy
dengan fungsi keanggotaan yang monoton. Sebagai
hasil inferensi dari tiap – tiap aturan diberikan secara
tegas (crisp) berdasarkan -predikat (fire strength).
Hasil akhir dengan rata – rata terbobot.
INFERENSI TSUKAMOTO (Jang, 1997)
STUDI KASUS
Suatu perusahaan makanan kaleng akan memproduksi
makanan jenis sarden.
Diketahui : (Data 1 bulan terakhir)
1.
2.
3.
1000 ≤ Permintaan ≥ 5000 (Kemasan / Perhari)
100 ≤ Persediaan Gudang ≥ 600 (Kemasan / Perhari)
2000 ≤ Produksi ≥ 7000 (Kemasan / Perhari)
Pertanyaan:
Berapa kemasan yang diproduksi jika jumlah permintaan 4000
kemasan dan persediaan digudang masih 300 kemasan
ATURAN FUZZY
[R1] IF Permintaan TURUN
AND Persediaan
BANYAK THEN Produksi BERKURANG
[R2] IF Permintaan TURUN
AND Persediaan
SEDIKIT THEN Produksi BERKURANG
[R3] IF Permintaan NAIK
AND Persediaan
BANYAK THEN Produksi BERTAMBAH
[R4] IF Permintaan NAIK AND Persediaan SEDIKIT
THEN Produksi BERTAMBAH
JAWABAN
Ada 3 variabel fuzzy yang akan di modelkan terdiri –
dari :
1. Input
: Permintaan dan Persediaan
2. Output : Produksi
INPUTAN PERMINTAAN
Representasi Linier Naik dan Turun :
Persamaan Linier Turun :
��
=
−
−
;
;
;
LANJUTAN INPUTAN PERMINTAAN
Persamaan Linier Naik:
��
�
=
−
−
�
=
;
;
Hitung nilai keanggotaannya :
�
−
�
�
�=
−
;
= ,
= ,
INPUTAN PERSEDIAAN
Representasi Linier Naik dan Turun :
Persamaan Linier Turun
��
�
=
−
−
;
;
;
LANJUTAN INPUTAN PERSEDIAAN
Persamaan Linier Naik
��
−
−
=
� �
;
Hitung nilai keanggotaannya:
�
�
�
�
�
=
� �=
−
−
;
;
= ,
= ,
OUTPUTAN PRODUKSI
Representasi Linier Naik dan Turun :
Persamaan Linier Turun
��
�
=
−
−
;
;
;
LANJUTAN OUTPUTAN PRODUKSI
Persamaan Linier Naik
��
=
−
−
;
;
;
HITUNG NILAI -Predikat
� − ��
�� � = ��
∩ ��
� �
= min(��
∩ ��
= min(0,25; 0,4) = 0,25
Himpunan produksi KURANG :
(7000 – z)/5000 = 0,25 =
� − ��
�� � = ��
∩ ��
�
= min(��
∩ ��
= min(0,25; 0,6) = 0,25
Himpunan produksi KURANG :
(7000 – z)/5000 = 0,25 =
� �
)
�
)
LANJUTAN NILAI -Predikat
� − ��
�� � = ��
� ∩ ��
� �
= min(��
∩ ��
�
= min(0,75; 0,4) = 0,4
� �
)
�
)
Himpunan produksi TAMBAH :
(Z – 2000)/5000 = 0,4
� − ��
=
�� � = ��
� ∩ ��
�
∩ ��
= min(��
�
= min(0,75; 0,6) = 0,6
Himpunan produksi TAMBAH :
(Z – 2000)/5000 = 0,6
=
HITUNG NILAI Z
=
=
=
�
,
,
∗
∗� +�
�
+�
=
+ ,
,
∗
+ ,
∗� +�
+�
+ , ∗
+ , + ,
∗� +�
+�
+ , ∗
∗�
KESIMPULAN
Jadi jumlah sarden yang harus diproduksi sebanyak
4983 kemasan
ditambah.
dan
termasuk
produksi
harus
PENDAHULUAN
Logika Fuzzy pertama kali dikenalkan oleh Prof. Lotfi
A. Zadeh tahun 1965
Dasar Logika Fuzzy adalah teori himpunan fuzzy.
Teori himpunan fuzzy adalah peranan derajat
keanggotaan sebagai penentu keberadaan elemen
dalam suatu himpunan.
Nilai keanggotaan / Derajat keanggotaan /
Membership function menjadi ciri utama dari
penalaran pada Logika Fuzzy tersebut.
Logika Fuzzy digunakan untuk memetakan
permasalahan dari input menuju ke output
ALASAN PERLUNYA LOGIKA FUZZY
1.
2.
3.
4.
5.
6.
7.
Mudah dimengerti, karena logika fuzzy menggunakan dasar teori
himpunan.
Sangat fleksibel, artinya mampu beradaptasi terhadap perubahanperubahan dan ketidakpastian pada permasalahan.
Memiliki toleransi terhadap data yang tidak tepat. Jika diberikan
sekelompok data yang cukup homogen dan kemudian terdapat
beberapa data yang “eksklusif”, maka logika fuzzy memiliki
kemampuan untuk menangani data eksklusif tersebut.
Mampu memodelkan fungsi – fungsi nonlinear yang komplek.
Membangun dan mengimplikasikan pengalaman – pengalaman
para pakar secara langsung tanpa melalui proses pelatihan. (atau
biasa dikenal dengan Fuzzy Expert System)
Dapat digunakan pada teknik – teknik kendali secara
konvensional. (Teknik Industri, Teknik Mesin dan Teknik Elektro)
Didasarkan pada bahasa alami. Logika Fuzzy menggunakan
bahasa sehari – hari sehingga mudah dimengerti
HIMPUNAN FUZZY
Himpunan tegas (crisp), nilai keanggotaan item x dalam
suatu himpunan A, ditulis � � dengan
kemungkinan, yaitu :
memiliki 2
Satu (1), berarti bahwa suatu item menjadi anggota
dalam suatu himpunan.
2. Dua (2), berarti bahwa suatu item tidak menjadi anggota
dalam suatu himpunan.
1.
Jika diketahui : (Contoh Himpunan Dasar)
S = {1,2,3,4,5,6,7} //semesta pembicaraan
A = {1,2,3}
B = {3,4,5}
LANJUTAN (HIMPUNAN FUZZY)
Dikatakan bahwa :
Nilai keanggotaan 2 pada himpunan A, �
karena 2 A
Nilai keanggotaan 3 pada himpunan A, �
karena 3 A
Nilai keanggotaan 4 pada himpunan A, �
karena 4 A
Nilai keanggotaan 2 pada himpunan B, �
karena 2 B
Nilai keanggotaan 3 pada himpunan B, �
karena 3 B
= ,
= ,
= ,
= ,
= ,
LANJUTAN (HIMPUNAN FUZZY)
Misalkan variabel umum dibagi menjadi 3 kategori,
yaitu : (Contoh Himpunan Umur)
1. Muda
umur < 35 tahun
35 ≤ umur ≥ 55 tahun
umur > 55 tahun
2. Parobaya
3. Tua
Visualisasi dalam bentuk grafis
1
1
1
µ(x)
µ(x)
µ(x)
0
0
0
35
Umur (th)
0
0
35
Umur (th)
55
0
55
Umur (th)
LANJUTAN (HIMPUNAN FUZZY)
Penjelasan :
1. Apabila seorang berusia 34 tahun, maka ia dikatakan MUDA
(µ� � (34) = 1).
2. Apabila seorang berusia 35 tahun, maka ia dikatakan TIDAK
MUDA (µ� � (35) = 0).
3. Apabila seorang berusia 35 tahun kurang 1 hari, maka ia
dikatakan TIDAK MUDA (µ� � (35th – 1hr) = 0).
4. Apabila seorang berusia 35 tahun, maka ia dikatakan
PAROBAYA (µ �
� (35) = 1).
5. Apabila seorang berusia 34 tahun, maka ia dikatakan TIDAK
PAROBAYA (µ �
� (34) = 0).
6. Apabila seorang berusia 55 tahun, maka ia dikatakan
PAROBAYA (µ �
� (55) = 1).
7. Apabila seorang berusia 35 tahun kurang 1 hari, maka ia
dikatakan TIDAK PAROBAYA (µ �
� (35th – 1hr) = 0).
LANJUTAN (HIMPUNAN FUZZY)
Himpunan crisp umur masih belum adil, adanya
perubahan kecil akan mempengaruhi perbedaan
kategori yang cukup signifikan.
Himpunan Fuzzy digunakan untuk mengantisipasi
hal tersebut.
Seseorang dapat masuk dalam 2 himpunan yang
berbeda, MUDA dan PAROBAYA, PAROBAYA dan
TUA dan sebagainya.
LANJUTAN (HIMPUNAN FUZZY)
MUDA
PAROBAYA
TUA
1
µ (x)
0,5
0,25
0
25
30
40 45 50 55
Umur (th)
65
LANJUTAN (HIMPUNAN FUZZY)
Penjelasan :
1. Seseorang yang berumur 40 tahun, termasuk dalam
himpunan MUDA dengan µ� � (40) = 0.25, namun
dia juga termasuk dalam himpunan PAROBAYA
dengan µ �
� (40) = 0.5
2. Seorang yang berumur 50 tahun, termasuk dalam
himpunan TUA dengan µ
(50) = 0.25 namun dia
juga termasuk dalam himpunan PAROBAYA dengan
µ �
� (50) = 0.5.
LANJUTAN (HIMPUNAN FUZZY)
Himpunan Fuzzy memiliki 2 atribut :
1. Linguistik, Penamaan grup yang mewakili suatu
keadaan / kondisi tertentu dengan menggunakan
bahasa alami. Misal : MUDA, PAROBAYA dan TUA
2. Numeris / Domain, Suatu nilai (angka) yang
menunjukan ukuran dari suatu variabel seperti : 40,
35, 60 dan seterusnya
SISTEM FUZZY
START
VARIBEL FUZZY
KOMPOSISI ATURAN
(IF-THEN RULES)
OPERASI LOGIKA
HIMPUNAN FUZZY
SEMESTA
PEMBICARAAN
DEFUZZIFIKASI / FUZZY
INFERENCE ENGINE
DOMAIN
END
MEMBERSHIP
FUNCTION
MEMBERSHIP FUNCTION
Fungsi keanggotaan / Membership Function adalah
sebuah kurva yang menunjukan pemetaan titik –
titik input data ke dalam nilai keanggotaannya atau
disebut derajat keanggotaan yang memiliki nilai 0
sampai dengan 1.
Fungsi – fungsi keanggotaan fuzzy adalah :
1. Representasi Linier, memiliki 2 macam himpunan
fuzzy. Diantaranya adalah :
REPRESENTASI LINIER NAIK
Representasi Linier Naik
Fungsi keanggotaan :
�
=
−
−
;
;
;
>
<
CONTOH REPRESENTASI LINIER NAIK
Fungsi keanggotaan untuk himpunan PANAS pada
variabel TEMPERATUR
Misal : �
� �
=
−
−
Berapakah jika temperatur :
�
� �
=?
��
� �
=
=?
= ,
REPRESENTASI LINIER TURUN
Representasi Linier Turun
Fungsi Keanggotaan
�
=
−
−
;
;
;
<
<
CONTOH REPRESENTASI LINIER TURUN
Fungsi keanggotaan untuk himpunan DINGIN pada
variabel TEMPERATUR
Misal : �
� ��
=
−
−
Berapakah jika temperatur :
�
� ��
=?
��
� ��
=
= ,
=?
REPRESENTASI SEGITIGA
2.
Representasi Segitiga
Fungsi Keanggotaan
�
=
−
−
−
−
;
;
;
;
CONTOH REPRESENTASI SEGITIGA
Fungsi keanggotaan untuk himpunan NORMAL pada
variabel TEMPERATUR
Misal : �
�
=
−
−
=
= ,
REPRESENTASI TRAPESIUM
3. Representasi Kurva Trapesium / Trapezoid
Fungsi Keanggotaan
CONTOH REPRESENTASI TRAPESIUM
Fungsi keanggotaan untuk himpunan NORMAL pada
variabel TEMPERATUR
Misal : �
�
=
−
−
=
= ,
REPRESENTASI SIGMOID
(PERTUMBUHAN)
4. Representasi Kurva S atau Sigmoid
Sigmoid (Pertumbuhan)
Fungsi Keanggotaan
REPRESENTASI SIGMOID (PENYUSUTAN)
Sigmoid (Penyusutan)
Fungsi keanggotaan
REPRESENTASI KURVA S ATAU SIGMOID
Kurva S didefinisikan dengan 3 parameter, yaitu :
Nilai keanggotaan nol ( )
Nilai keanggotaan lengkap (γ)
Titik infeksi / crossover ( ), titik memiliki domain 50%
benar
CONTOH REPRESENTASI KURVA S
(PERTUMBUHAN)
Fungsi keanggotaan untuk himpunan TUA pada variabel
UMUR
Misal : �
�
=
−
Berapakah jika UMUR : �
�
−
−
=
=?
−
= ,
CONTOH REPRESENTASI KURVA S
(PENYUSUTAN)
Fungsi keanggotaan untuk himpunan MUDA pada
variabel UMUR
Misal : �
�
=
−
−
=
= ,
REPRESENTASI BAHU
5. Representasi Bahu
Daerah yang terletak di tengah-tengah suatu variabel
yang direpresentasikan dalam bentuk segitiga, pada sisi
kanan dan kirinya akan naik dan turun (misalkan: DINGIN
bergerak ke SEJUK bergerak ke HANGAT dan bergerak ke
PANAS). Tetapi terkadang salah satu sisi dari variabel
tersebut tidak mengalami perubahan. Sebagai contoh,
apabila telah mencapai kondisi PANAS, kenaikan
temperatur akan tetap berada pada kondisi PANAS.
Himpunan fuzzy „bahu‟, bukan segitiga, digunakan untuk
mengakhiri variabel suatu daerah fuzzy. Bahu kiri
bergerak dari benar ke salah, demikian juga bahu kanan
bergerak dari salah ke benar.
REPRESENTASI LONCENG (BELL CURVE)
6. Representasi Lonceng di bagi menjadi 3 bagian :
Pi
Beta
Gauss
REPRESENTASI LONCENG (PI)
Kurva
PI berbentuk lonceng dengan derajat
keanggotaan 1 terletak pada pusat dengan domain
(γ) dan lebar kurva ( )
REPRESENTASI LONCENG (BETA)
Kurva BETA berbentuk lonceng namun lebih rapat,
kurva ini terdapat 2 parameter, dimana nilai domain
yang menunjukkan pusat kurva (γ) dan setengah
lebar kurva ( ).
Salah satu perbedaan mencolok kurva BETA
dari kurva PI adalah, fungsi keanggotaannya
akan mendekati nol hanya jika nilai (β) sangat
besar.
CONTOH KURVA LONCENG (BETA)
Fungsi
keanggotaan
variabel umur
untuk
PAROBAYA
pada
REPRESENTASI KURVA LONCENG (GAUSS)
Jika kurva PI dan BETA menggunakan 2 parameter
yaitu (γ) dan ( ). Kurva Gauss juga menggunakan
(γ) untuk menunjukan nilai domain pada pusat kurva,
dan (κ) yang menunjukan lebar kurva.
OPERASI LOGIKA
Operasi logika adalah operasi yang menggabungkan dan
memodifikasi 2 atau lebih himpunan fuzzy.
Nilai keanggotaan baru hasil dari operasi 2 himpunan disebut
firing strenght atau predikat (α).
Ada 3 operasi dasar yan diciptakan oleh zadeh :
1.
Operator AND, berhubungan dengan operasi intersection
pada himpunan, α predikat diperoleh dengan mengambil nilai
minimum antar ke dua atau lebih himpunan.
AB = min(A[x], B[y])
Contoh :
MUDAGAJITINGGI = min( MUDA[27], GAJITINGGI[2juta])
= min (0,6 ; 0,8)
= 0,6
LANJUTAN (OPERATOR LOGIKA)
berhubungan dengan operasi
union pada himpunan, predikat diperoleh
dengan mengambil nilai maximum antar
kedua himpunan.
AB = max(A[x], B[y])
2. Operator OR,
Contoh :
MUDA GAJITINGGI = max(MUDA[27], GAJITINGGI[2juta])
= max (0,6 ; 0,8)
= 0,8
LANJUTAN (OPERATOR LOGIKA)
3. Operasi
NOT, berhubungan dengan
operasi komplemen pada himpunan,
predikat diperoleh dengan mengurangkan
nilai keanggotaan elemen pada himpunan
dari 1.
Contoh :
MUDA[27]
= 1 - MUDA[27]
= 1 - 0,6
= 0,4
PENALARAN MONOTON
Metode Penalaran Monoton digunakan sebagai dasar
untuk teknik implikasi fuzzy.
Metode ini sudah jarang digunakan tapi masih digunakan
untuk pengskalaan fuzzy.
Contoh jika 2 daerah fuzzy direlasikan dengan implikasi
sederhana (Cox, 1994)
IF x is A THEN y is B
Transfer fungsi :
=
, ,
Sistem dapat berjalan tanpa komposisi dan dekomposisi
fuzzy.
CONTOH PENALARAN MONOTON
µ
µ
=
=�
;
−
−
,
,
=
= ,
= ,
Karena 0,75 > 0,5 maka letak y adalah
Antara 55 sampai dengan 70 sehingga
−
−
− /
−
= ,
−
/ 900 = 0,75
−
/ 900 = 0,25
−
=
,
(70-y) = +√
,
y = 70 + 10,6 ambil (-) karena nilainya
Harus < 70
y = 59,4
FUNGSI IMPLIKASI
Secara umum ada 2 fungsi implikasi yang dapat
digunakan (Yan,1994):
1. Min (minimum), fungsi ini akan memotong output
himpunan fuzzy.
LANJUTAN FUNGSI IMPLIKASI
2. Dot (product), fungsi ini akan mengskala output
himpunan fuzzy.
DEFUZZIFIKASI DENGAN FUZZY INFERENCE SYSTEM
Fuzzy Inference System, berfungsi sebagai sistem
penalaran fuzzy yang bertugas untuk mengolah data
himpunan fuzzy yang telah ditentukan kemudian
menghitung nilai rata – rata terbobot.
Macam – macam FIS (Fuzzy Inference System) :
Metode Tsukamoto
Metode Sugeno
Metode Mamdani
METODE TSUKAMOTO
METODE TSUKAMOTO, Perluasan dari penalaran
monoton, setiap konsekuen pada aturan IF-THEN
harus direpresentasikan degan himpunan fuzzy
dengan fungsi keanggotaan yang monoton. Sebagai
hasil inferensi dari tiap – tiap aturan diberikan secara
tegas (crisp) berdasarkan -predikat (fire strength).
Hasil akhir dengan rata – rata terbobot.
INFERENSI TSUKAMOTO (Jang, 1997)
STUDI KASUS
Suatu perusahaan makanan kaleng akan memproduksi
makanan jenis sarden.
Diketahui : (Data 1 bulan terakhir)
1.
2.
3.
1000 ≤ Permintaan ≥ 5000 (Kemasan / Perhari)
100 ≤ Persediaan Gudang ≥ 600 (Kemasan / Perhari)
2000 ≤ Produksi ≥ 7000 (Kemasan / Perhari)
Pertanyaan:
Berapa kemasan yang diproduksi jika jumlah permintaan 4000
kemasan dan persediaan digudang masih 300 kemasan
ATURAN FUZZY
[R1] IF Permintaan TURUN
AND Persediaan
BANYAK THEN Produksi BERKURANG
[R2] IF Permintaan TURUN
AND Persediaan
SEDIKIT THEN Produksi BERKURANG
[R3] IF Permintaan NAIK
AND Persediaan
BANYAK THEN Produksi BERTAMBAH
[R4] IF Permintaan NAIK AND Persediaan SEDIKIT
THEN Produksi BERTAMBAH
JAWABAN
Ada 3 variabel fuzzy yang akan di modelkan terdiri –
dari :
1. Input
: Permintaan dan Persediaan
2. Output : Produksi
INPUTAN PERMINTAAN
Representasi Linier Naik dan Turun :
Persamaan Linier Turun :
��
=
−
−
;
;
;
LANJUTAN INPUTAN PERMINTAAN
Persamaan Linier Naik:
��
�
=
−
−
�
=
;
;
Hitung nilai keanggotaannya :
�
−
�
�
�=
−
;
= ,
= ,
INPUTAN PERSEDIAAN
Representasi Linier Naik dan Turun :
Persamaan Linier Turun
��
�
=
−
−
;
;
;
LANJUTAN INPUTAN PERSEDIAAN
Persamaan Linier Naik
��
−
−
=
� �
;
Hitung nilai keanggotaannya:
�
�
�
�
�
=
� �=
−
−
;
;
= ,
= ,
OUTPUTAN PRODUKSI
Representasi Linier Naik dan Turun :
Persamaan Linier Turun
��
�
=
−
−
;
;
;
LANJUTAN OUTPUTAN PRODUKSI
Persamaan Linier Naik
��
=
−
−
;
;
;
HITUNG NILAI -Predikat
� − ��
�� � = ��
∩ ��
� �
= min(��
∩ ��
= min(0,25; 0,4) = 0,25
Himpunan produksi KURANG :
(7000 – z)/5000 = 0,25 =
� − ��
�� � = ��
∩ ��
�
= min(��
∩ ��
= min(0,25; 0,6) = 0,25
Himpunan produksi KURANG :
(7000 – z)/5000 = 0,25 =
� �
)
�
)
LANJUTAN NILAI -Predikat
� − ��
�� � = ��
� ∩ ��
� �
= min(��
∩ ��
�
= min(0,75; 0,4) = 0,4
� �
)
�
)
Himpunan produksi TAMBAH :
(Z – 2000)/5000 = 0,4
� − ��
=
�� � = ��
� ∩ ��
�
∩ ��
= min(��
�
= min(0,75; 0,6) = 0,6
Himpunan produksi TAMBAH :
(Z – 2000)/5000 = 0,6
=
HITUNG NILAI Z
=
=
=
�
,
,
∗
∗� +�
�
+�
=
+ ,
,
∗
+ ,
∗� +�
+�
+ , ∗
+ , + ,
∗� +�
+�
+ , ∗
∗�
KESIMPULAN
Jadi jumlah sarden yang harus diproduksi sebanyak
4983 kemasan
ditambah.
dan
termasuk
produksi
harus