Fuzzy Systems mhs.stiki.ac.id/06114001/Software/bowo/Fuzzy%20Logic

1. Fuzzy Systemshttp://mhs.stiki.ac.id/06114001/Software/bowo/Fuzzy%20Logic.ppt

2. Fuzzy Logic • Dua buah logic yang dibahas sebelumnya adalah untuk masalah-masalah yang pasti. • Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic.

3. Masalah: Pemberian beasiswa • Misalkan terdapat permasalahan sebagai berikut: • Sebuah universitas akan memutuskan apakah seorang mahasiswa layak mendapatkan beasiswa atau tidak. • Misalkan kriteria yang diperhatikan adalah Indeks Prestasi (IP)3,0 dan hasil Test Psikologi (TP) 8,0. • Mahasiswa A memiliki IP=3,0 dan TP=8,0 • Mahasiswa B memiliki IP=2,999999, dan TP=8,5. • Dengan aturan tersebut diputuskan bahwa mahasiswa A layak mendapatkan beasiswa sedangkan mahasiswa B tidak. • Pada kasus di atas, universitas tersebut membuat keputusan dengan aturan yang jelas dan membedakan secara tegas, melihat masalah secara hitam dan putih (crisp), dan mungkin dianggap kurang adil.

4. Crisp set • Himpunan yang membedakan anggota dan non anggotanya dengan batasan yang jelas disebut crisp set. • Misalnya, jika C={x  x integer, x > 2}, maka anggota C adalah 3, 4, 5, dan seterusnya. • Sedangkan yang bukan anggota C adalah 2, 1, 0, -1, dan seterusnya.

5. Fuzzy Set • Fuzzy set merupakan dasar dari fuzzy logic dan fuzzy systems. • Suatu fuzzy set A di dalam Universe (semesta) U didefinisikan sebagai suatu fungsi keanggotaan A(x), yang memetakan setiap objek di U menjadi suatu nilai real dalam interval [0,1]. • Nilai-nilai A(x) menyatakan derajat keanggotaan x di dalam A.

6. Fuzzy Set • Contoh: • Misalkan, x = {5, 10, 20, 30, 40, 50, 60, 70, 80} adalah crisp set Usia dalam satuan tahun. • Balita, Dewasa, Muda, dan Tua adalah empat fuzzy set yang merupakan subset dari x.

7. Fuzzy Set • Pada tabel tersebut terdapat 4 buah fuzzy set dengan anggota dan derajat keanggotaannya sebagai berikut: • Balita = {} • Dewasa = {20, 30, 40, 50, 60, 70, 80}, di mana derajat keanggotaannya dinyatakan oleh Dewasa = {0.8, 1, 1, 1, 1, 1, 1}. • Muda = {5, 10, 20, 30, 40, 50}, di mana derajat keanggotaannya dinyatakan oleh muda = {1, 1, 0.8, 0.5, 0.2, 0.1}. • Tua = {20, 30, 40, 50, 60, 70, 80}, di mana derajat keanggotaannya dinyatakan oleh Tua = {0.1, 0.2, 0.4, 0.6, 0.8, 1, 1}.

8. Konvensi penulisan fuzzy set • Konvensi untuk menuliskan fuzzy set yang dihasilkan dari universe U yang diskrit adalah sebagai berikut: • Pada contoh di atas, fuzzy set Tua ditulis sebagai:

9. Konvensi penulisan fuzzy set • Sedangkan jika U adalah kontinu, maka fuzzy set A dinotasikan sebagai:

10. Membership functions (Fungsi-fungsi keanggotaan) • Di dalam fuzzy sistems, fungsi keangotaan memainkan peranan yang sangat penting untuk merepresentasikan masalah dan menghasilkan keputusan yang akurat. • Terdapat banyak sekali fungsi keanggotaan yang bisa digunakan. • Di sini hanya akan dibahas empat fungsi keanggotaan yang sering digunakan, yaitu: • Fungsi sigmoid • Fungsi phi • Fungsi segitiga • Fungsi trapesium

11. Fungsi Sigmoid • Sesuai dengan namanya, fungsi ini berbentuk kurva sigmoidal seperti huruf S. • Setiap nilai x (anggota crisp set) dipetakan ke dalam interval [0,1].

12. Fungsi Sigmoid

13. Fungsi Phi • Pada fungsi keanggotaan ini, hanya terdapat satu nilai x yang memiliki derajat keanggotaan yang sama dengan 1, yaitu ketika x=c. • Nilai-nilai di sekitar c memiliki derajat keanggotaan yang masih mendekati 1.

14. Fungsi Phi

15. Fungsi Segitiga • Sama seperti fungsi phi, pada fungsi ini juga terdapat hanya satu nilai x yang memiliki derajat keanggotaan sama dengan 1, yaitu ketika x=b. • Tetapi, nilai-nilai di sekitar b memiliki derajat keanggotaan yang turun cukup tajam menjauhi 1.

16. Fungsi Segitiga

17. Fungsi Trapesium • Berbeda dengan fungsi segitiga, pada fungsi ini terdapat beberapa nilai x yang memiliki derajat keanggotaan sama dengan 1, yaitu ketika b x  c • Tetapi derajat keanggotaan untuk a< x <b dan c< x  dmemiliki karakteristik yang sama dengan fungsi segitiga.

18. Fungsi Trapesium

19. Sistem berbasis aturan fuzzy • Variabel linguistik • Variabel linguistik adalah suatu interval numerik dan mempunyai nilai-nilai linguistik, yang semantiknya didefinisikan oleh fungsi keanggotaannya. • Misalnya, Suhu adalah variabel linguistik yang bisa didefinisikan pada interval [-100 C, 400 C]. • Variabel tersebut bisa memiliki nilai-nilai linguistik seperti ‘Dingin’, ‘Hangat’, ‘Panas’ yang semantiknya didefinisikan oleh fungsi-fungsi keanggotaan tertentu.

20. Suatu sistem berbasis aturan fuzzi yang lengkap terdiri dari tiga komponen utama: • Fuzzification • Inference • Defuzzification

21. Diagram blok lengkap sistem berbasis aturan fuzzy

22. Fuzzification • Fuzzification: mengubah masukan-masukan yang nilai kebenarannya bersifat pasti (crisp input) ke dalam bentuk fuzzy input.

23. Inference • Inference: melakukan penalaran menggunakan fuzzy input dan fuzzy rules yang telah ditentukan sehingga menghasilkan fuzzy output. • Secara sintaks, suatu fuzzy rule (aturan fuzzy) dituliskan sebagai: • IF antecendent THEN consequent • Terdapat dua model aturan fuzzy yang digunakan secara luas dalam berbagai aplikasi, yaitu: • Model Mamdani • Model Sugeno

24. Inference • Model Mamdani • Pada model ini, aturan fuzzy didefinisikan sebagai: IF x1 is A1 AND …AND xn is An THEN y is B di mana A1, …, An, dan B adalah nilai-nilai linguistik (atau fuzzy set) dan “x1 is A1” menyatakan bahwa nilai x1 adalah anggota fuzzy set A1.

25. Inference • Model Sugeno • Model ini dikenal juga sebagai Takagi-Sugeno-Kang (TSK) model, yaitu suatu varian dari Model Mamdani. • Model ini menggunakan aturan yang berbentuk: IF x1 is A1 AND…AND xn is An THEN y=f(x1,…,xn) di mana f bisa sembarang fungsi dari variabel-variabel input yang nilainya berada dalam interval variabel output. Biasanya, fungsi ini dibatasi dengan menyatakan f sebagai kombinasi linier dari variabel-variabel input: f(x1,…,xn) = w0 + w1x1 + …+wnxn di mana w0, w1,…,wn adalah konstanta yang berupa bilangan real yang merupakan bagian dari spesifikasi aturan fuzzy.

26. Defuzzification • Defuzzification: mengubah fuzzy output menjadi crisp value berdasarkan fungsi keanggotaan yang telah ditentukan. • Terdapat berbagai metode defuzzification yang telah berhasil diaplikasikan untuk berbagai macam masalah, di sini dibahas 5 metode di antaranya, yaitu: • Centroid method • Height method • First (or Last) of Maxima • Mean-Max method • Weighted Average

27. Defuzzification • Centroid method: • Metode ini disebut juga sebagai Center of Area atau Center of Gravity. • Metode ini menghitung nilai crisp menggunakan rumus: di mana y* suatu nilai crisp. • Fungsi integration dapat diganti dengan fungsi summation jika y bernilai diskrit, sehingga menjadi: di mana y* adalah nilai crisp dan R(y) adalah derajat keanggotaan dari y.

28. Defuzzification • Height method • Metode ini dikenal sebagai prinsip keanggotaan maksimum karena metode ini secara sederhana memilih nilai crisp yang memiliki derajat keanggotaan maksimum. • Oleh karena itu, metode ini hanya bisa dipakai untuk fungsi keanggotaan yang memiliki derajat keanggotaan 1 pada suatu nilai crisp tunggal dan dan 0 pada semua nilai crisp yang lain. • Fungsi seperti ini sering disebut sebagai singleton.

29. Defuzzification • First (or Last) of Maxima • Metode ini juga merupakan generalisasi dari height method untuk kasus di mana fungsi keanggotaan output memiliki lebih dari satu nilai maksimum. • Sehingga nilai crisp yang digunakan adalah salah satu dari nilai yang dihasilkan dari maksimum pertama atau maksimum terakhir (tergantung pada aplikasi yang akan dibangun).

30. Defuzzification • Mean-Max Method • Metode ini disebut juga sebagai Middle of Maxima. • Merupakan generalisasi dari height method untuk kasus di mana terdapat lebih dari satu nilai crisp yang memiliki derajat keanggotaan maksimum. • Sehingga y* didefinisikan sebagai titik tengah antara nilai crisp terkecil dan nilai crisp terbesar di mana m adalah nilai crisp yang paling kecil dan M adalah nilai crisp yang paling besar.

31. Defuzzification • Weighted Average • Metode ini mengambil nilai rata-rata dengan menggunakan pembobotan berupa derajat keanggotaan. Sehingga y* didefinisikan sebagai: di mana y adalah nilai crisp dan (y) adalah derajat keanggotan dari nilai crisp y.

32. Studi kasus • Teori tentang fuzzy set dan fuzzy logic banyak digunakan untuk membangun sistem berbasis aturan fuzzy untuk masalah kontrol, seperti masalah sprinkler control system (sistem kontrol penyiram air). • Misalkan nilai crisp yang diterima oleh sensor suhu adalah 370 C dan nilai crisp yang diterima sensor kelembaban adalah 12%. • Berapa lama durasi penyiraman yang harus dilakukan?

33. Proses fuzzification • Misalkan, untuk suhu udara kita menggunakan fungsi keanggotaan trapesium dengan lima variabel linguistik: Cold, Cool, Normal, Warm, dan Hot

34. Dengan fungsi ini, maka crisp input suhu 370 C dikonversi ke nilai fuzzy dengan cara: • Suhu 370 C berada pada nilai linguistik Warm dan Hot. • Semantik atau derajat keanggotaan untuk Warm dihitung menggunakan rumus: • -(x-d)/(d-c), c< x d di mana c=36, dan d=39. • Sehingga derajat keanggotaan Warm= -(37-39)/(39-36)=2/3 • Derajat keanggotaan untuk Hot dihitung menggunakan rumus (x-a)/(b-a), a < x < b, di mana a=36, dan b=39. • Sehingga derajat keanggotaan untuk Hot=(37-36)/(39-36)=1/3.

35. Misalkan, kita juga menggunakan fungsi keanggotaan trapesium untuk kelembaban tanah.

36. Dengan fungsi ini, maka crisp input kelembaban 12% dikonversi menjadi nilai fuzzy dengan cara berikut ini: • Kelembaban 12% berada pada nilai linguistik Dry dan Moist. • Semantik atau derajat keanggotaan untuk Dry dihitung menggunakan rumus: • -(x-d)/(d-c), c < x  d di mana c=10, dan d=20. • Sehingga derajat keanggotaan untuk Dry adalah -(12-20)/(20-10)=4/5. • Derajat keanggotaan untuk Moist dihitung dengan menggunakan rumus: • (x-a)/(b-a), a < x < b di mana a=10, dan b=20. • Sehingga derajat keanggotaan Moist=(12-10)/(20-10)=1/5.

37. Jadi, proses fuzzification menghasilkan empat fuzzy input: • Suhu Udara = Warm (2/3) dan Hot(1/3) • Kelembaban tanah = Dry (4/5) dan Moist(1/5).

38. Proses Inferensi • Terdapat berbagai macam cara dalam menentukan aturan fuzzy. • Misalkan, untuk durasi penyiraman digunakan fungsi keanggotaan trapesium dengan tiga nilai linguistik: Short, Medium, dan Long.

39. Misalkan aturan fuzzy didefinisikan sebagai berikut:

40. Dengan definisi aturan fuzzy tersebut, didapatkan 3x5=15 aturan fuzzy, yaitu: • IF Suhu=Cold AND Kelembaban=Dry THEN Durasi=Long . . . • IF Suhu=Hot AND Kelembaban=wet THEN Durasi=Short • Di sini akan dibahas penggunaan inferensi menggunakan model Mandani dan Model Sugeno.

41. Proses Inferensi menggunakan Model Mamdani • Jika menggunakan Model Mamdani, dapat digunakan dua cara inferensi, yaitu clipping (alpha-cut) atau scaling. • Metode yang paling umum digunakan adalah clipping karena mudah diimplementasikan dan bila diagregasikan dengan fungsi lain akan menghasilkan bentuk yang mudah di-defuzzification.

42. Dari empat data fuzzy input tersebut, Warm (2/3), Hot(1/3), Dry(4/5), dan Moist(1/5), didapatkan empat aturan (dari 15 aturan) yang dapat diaplikasikan: • IF Suhu is Warm AND Kelembaban is Dry THEN Durasi is Long • IF Suhu is Warm AND Kelembaban is Moist THEN Durasi is Medium • IF Suhu is Hot AND Kelembaban is Dry THEN Durasi is Long • IF Suhu is Hot AND Kelembaban is Moist THEN Durasi is Medium

43. Dari empat aturan fuzzy dan empat fuzzy input tersebut, maka proses inferensi yang terjadi adalah seperti di bawah ini. • Gunakan aturan Conjunction () dengan memilih derajat keanggotaan minimum dari nilai-nilai linguistik yang dihubungkan oleh  dan lakukan clipping pada fungsi keanggotaan trapesium untuk Durasi Penyiraman, sehingga diperoleh: • IF Suhu is Warm (2/3) AND Kelembaban is Dry (4/5) THEN Durasi is Long (2/3) • IF Suhu is Warm (2/3) AND Kelembaban is Moist (1/5) THEN Durasi is Medium (1/5) • IF Suhu is Hot (1/3) AND Kelembaban is Dry (4/5) THEN Durasi is Long (1/3) • IF Suhu is Hot (1/3) AND Kelembaban is Moist (1/5) THEN Durasi is Medium (1/5)

44. Gunakan aturan Disjunction () dengan memilih derajat keanggotaan maksimum dari nilai-nilai linguistik yang dihubungkan oleh . • Dari ‘Durasi is Long (2/3)  Durasi is Long (1/3)’ dihasilkan ‘Durasi is Long (2/3)’. • Sedangkan dari ‘Durasi is Medium (1/5)  ‘Durasi is Medium (1/5) dihasilkan ‘Durasi is Medium (1/5) ‘ • Dengan demikian diperoleh dua pernyataan: • Durasi is Long (2/3), dan • Durasi is Medium (1/5)

45. Proses inferensi menggunakan Model Mamdani menggunakan proses clipping menghasilkan dua area abu-abu seperti gambar berikut:

46. Proses Inference menggunakan Model Sugeno • Model Sugeno menggunakan fungsi keanggotaan yang lebih sederhana dibandingkan Model Mamdani. • Fungsi keanggotaan tersebut adalah Singleton, yaitu fungsi keanggotaan yang memiliki derajat keanggotaan 1 pada suatu nilai crisp tunggal dan 0 pada semua nilai crisp yang lain. • Misalkan fungsi Singleton untuk Durasi Penyiraman didefinisikan seperti gambar berikut:

47. Dengan cara yang sama seperti Model Mamdani, diperoleh: Durasi is Long (2/3) dan Durasi is Medium (1/5). • Proses inferensi menggunakan Model Sugeno menghasilkan dua derajat keanggotaan sebagai berikut:

49. Proses Defuzzification • Sebelum defuzzification, harus dilakukan proses composition, yaitu agregasi hasil clipping dari semua aturan fuzzy sehingga didapatkan satu fuzzy set tunggal.

50. Proses Defuzzification menggunakan Model Mamdani • Proses composition dari dua fuzzy set, Durasi is Medium (1/5) dan Durasi is Long (2/3) menghasilkan satu fuzzy set tunggal seperti berikut: