Materi Artificial intelegenci AI-13-1.pptx

YUSRIANTO MALAGO, S.KOM., M.KOM
LOGIKA FUZZY

DEFINISI
HIMPUNAN FUZZY
FUNGSI KEANGGOTAAN
OPERASI LOGIKA

DEFINISI
Logika fuzzy adalah suatu cara yang tepat untuk memetakan
suatu ruang input ke dalam suatu ruang output.

 Logika Fuzzy adalah peningkatan dari logika Boolean yang
mengenalkan konsep kebenaran sebagian. Di mana logika klasik
menyatakan bahwa segala hal dapat diekspresikan dalam istilah
binary (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy
menggantikan kebenaran boolean dengan tingkat kebenaran.
 Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1,
tingkat keabuan dan juga hitam dan putih, dan dalam bentuk
linguistik, konsep tidak pasti seperti "sedikit", "lumayan", dan
"sangat". Dia berhubungan dengan set fuzzy dan teori kemungkinan.
Fuzzy diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas
California, Berkeley pada 1965.
DEFINISI

 1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang
mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
 2. Logika fuzzy sangat fleksibel.
 3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
 4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang
sangat kompleks.
 5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-
pengalaman para pakar secara langsung tanpa harus melalui proses
pelatihan.
 6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali
secara konvensional.
 7. Logika fuzzy didasarkan pada bahasa alami.
ALASAN DIGUNAKANNYA
LOGIKA FUZZY

 Pada tahun 1990 pertama kali dibuat 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 adalah: seberapa kotor, jenis kotoran,
dan 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. Disamping itu,
sistem juga dapat menentukan jenis kotoran (daki atau
minyak).
APLIKASI

 Transmisi otomatis pada mobil. Mobil Nissan telah
menggunakan sistem fuzzy pada transmisi otomatis, dan
mampu menghemat bensin 12 – 17%.
 Ilmu kedokteran dan biologi, seperti sistem diagnosis yang
didasarkan pada logika fuzzy, penelitian kanker, manipulasi
peralatan prostetik yang didasarkan pada logika fuzzy, dll.
 Ilmu lingkungan, seperti kendali kualitas air, prediksi cuaca,
dll.
 Teknik, seperti perancangan jaringan komputer, prediksi
adanya gempa bumi, dll.
APLIKASI

 Pada himpunan tegas (crisp set), nilai keanggotaan suatu item x
dalam suatu himpunan A (ditulis A[x]) memiliki 2 kemungkinan :
 Satu (1), artinya x adalah anggota A
 Nol (0), artinya x bukan anggota A
 Contoh 1 :
Jika diketahui :
S={1,2,3,4,5,6} adalah semesta pembicaraan
A={1,2,3}
B={3,4,5}
maka :
 Nilai kaanggotaan 2 pada A, A[2] = 1, karena 2A
 Nilai kaanggotaan 4 pada A, A[4] = 0, karena 4 A
 Nilai kaanggotaan 2 pada B ????????
 Nilai kaanggotaan 5 pada B ????????
HIMPUNAN FUZZY

Contoh 2:
“Jika suhu lebih tinggi atau sama dengan 80 o
F, maka suhu disebut panas,
sebaliknya disebut tidak panas”
Kasus :
 Suhu = 100 o
F, maka Panas
 Suhu = 80.1 o
F, maka Panas
 Suhu = 79.9 o
F, maka tidak panas
 Suhu = 50 o
F, maka tidak panas
 If Suhu ≥ 80 o
F, disebut panas
 If Suhu < 80 o
F, disebut tidak panas
 Fungsi keanggotaan dari himpunan tegas gagal membedakan antara
anggota pada himpunan yang sama
 Ada problem-problem yang terlalu kompleks untuk didefinisikan secara
tepat

Contoh 3 :
Misal variable umur dibagi menjadi 3 katagori :
 MUDA umur <35 tahun
 PAROBAYA 35 ≤ umur ≤ 55 tahun
 TUA umur > 55 tahun
 Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA
 Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA
 Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA
 Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan
TIDAK PAROBAYA
 Apabila seseorang berusia 55 tahun, maka ia dikatakan TIDAK TUA
 Apabila seseorang berusia 55 tahun lebih ½ hari, maka ia dikatakan
TUA
Muda
1
0
[x]
35
[x]
Parobaya
1
0 35 55
Tua
1
0 55
[x]
Gambar 2a. Keanggotaan himpunan biasa (crisp) umur muda dan parobaya

 Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk
menyatakan umur sangat tidak adil, adanya perubahan kecil saja pada
suatu nilai mengakibatkan perbedaan katagori yang cukup signifikan
 Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Sesorang
dapat masuk dalam 2 himpunan yang berbeda. MUDA dan PAROBAYA,
PAROBAYA dan TUA, dsb. Seberapa besar eksistensinya dapat dilihat
pada nilai/derajat keanggotaannya. Gambar berikut menunjukkan
himpunan fuzzy untuk variabel umur :
0,5
1
Tua
Muda
0 35
25 45 55 65
40 50
Parobaya
[x]
0,25
Gambar 2b. Himpunan Fuzzy untuk variable
umur

0,5
1
Tua
Muda
0 35
25 45 55 65
40 50
Parobaya
[x]
0,25
Gambar 2b. Himpunan Fuzzy untuk variable
umur
Apabila x memiliki nilai keanggotaan fuzzy A[x]=0 berarti x tidak
menjadi
anggota himpunan A, demikian pula apabila x memiliki nilai keanggotaan fuzzy
µA[x]=1 berarti x menjadi anggota penuh pada himpunan A.

HIMPUNAN FUZZY
Variabel temperatur, terbagi menjadi 5 himpunan fuzzy,
yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.
SEMESTA????
DOMAIN????

FUNGSI KEANGGOTAAN HIMPUNAN FUZZY
(MEMBERSHIP FUNCTION)
 Adalah suatu fungsi (kurva) yang menunjukkan pemetaan titik-titik input
data ke dalam nilai keanggotaannya (derajat keanggotaan) yang memiliki
interval antara 0 sampai 1.
 Ada beberapa fungsi yang bisa digunakan :
1. Representasi linier
1

Contoh:
Fungsi keanggotaan
untuk himpunan PANAS
pada variabel temperatur
ruangan seperti terlihat
pada Gambar
 Panas (27) = ????
 Panas (34) = ????
1

Contoh:
Fungsi keanggotaan
untuk himpunan DINGIN
pada variabel temperatur
ruangan seperti terlihat
pada Gambar
 dingin (25) = ????
 dingin (17) = ????
1

2. Representasi segitiga
(triangular)
Ditentukan oleh 3 parameter
{a, b, c} sebagai berikut :
 





























x
c
c
x
b
b
c
x
c
b
x
a
a
b
a
x
a
x
c
b
a
x
triangle
,
0
,
,
,
0
,
,
:
Fungsi keanggotaan untuk himpunan
NORMAL pada variabel temperatur
ruangan seperti terlihat pada Gambar
2

3. Representasi Trapesium
Ditentukan oleh 4 parameter
{a,b,c,d} sebagai berikut :
 































x
d
d
x
c
c
d
x
d
c
x
b
b
x
a
a
b
a
x
a
x
d
c
b
a
x
trapezoid
,
0
,
,
1
,
,
0
,
,
,
;
NORMAL pada variabel temperatur
ruangan seperti terlihat pada Gambar
3

REPRESENTASI BENTUK 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.
4

REPRESENTASI BENTUK S
Kurva PERTUMBUHAN dan
PENYUSUTAN merupakan kurva-S
atau sigmoid yang berhubungan dengan
kenaikan dan penurunan permukaan
secara tak linear.
Kurva-S untuk PERTUMBUHAN akan
bergerak dari sisi paling kiri (nilai
keanggotaan = 0) ke sisi paling kanan
(nilai keanggotaan = 1). Fungsi
keanggotaannya akan tertumpu pada
50% nilai keanggotaannya yang
sering disebut dengan titik infleksi
Kurva-S untuk PENYUSUTAN akan
bergerak dari sisi paling kanan (nilai
keanggotaan = 1) ke sisi paling kiri
(nilai keanggotaan = 0)
5

Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu: nilai keanggotaan
nol ( ),
α nilai keanggotaan lengkap ( ),
γ dan titik infleksi atau crossover ( )
β yaitu titik
yang memiliki domain 50% benar.
5

Contoh
Fungsi keanggotaan untuk himpunan TUA
pada variabel umur seperti
terlihat pada Gambar
 tua (42) = ????
5

Contoh
MUDA pada variabel umur seperti
terlihat pada Gambar
 Muda (37)
5

REPRESENTASI BENTUK LONCENG
(BELL CURVE)
Untuk merepresentasikan bilangan fuzzy, biasanya digunakan
kurva berbentuk lonceng. Kurva berbentuk lonceng ini
terbagi atas 3 kelas, yaitu:
• himpunan fuzzy PI,
• beta,
• Gauss.
6

(BELL CURVE)
Kurva PI
Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak pada
pusat dengan domain ( ),
γ dan lebar kurva ( )
β seperti terlihat pada
Gambar
6

(BELL CURVE)
Kurva Beta
Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng namun lebih
rapat. Kurva ini juga didefinisikan dengan 2 parameter, yaitu nilai pada
domain yang menunjukkan pusat kurva ( ),
γ dan setengah lebar kurva ( )
β
seperti terlihat pada Gambar
Salah satu perbedaan mencolok kurva BETA
dari kurva PI adalah, fungsi
keanggotaannya akan mendekati nol hanya
jika nilai ( )
β sangat besar.
6

(BELL CURVE)
Kurva Beta
SETENGAH BAYA pada variabel
umur seperti terlihat pada Gambar
6

(BELL CURVE)
Kurva Gauss
Jika kurva PI dan kurva BETA menggunakan 2 parameter yaitu ( )
γ dan
( ),
β kurva GAUSS juga menggunakan ( )
γ untuk menunjukkan nilai
domain pada pusat kurva, dan (k) yang menunjukkan lebar kurva
6

 Operasi logika adalah operasi yang mengkombinasikan dan
memodifikasi 2 atau lebih himpunan fuzzy. Nilai keanggotaan baru hasil
operasi dua himpunan disebut firing strength atau  predikat, ada 3
operasi dasar yang diciptakan oleh Zadeh :
1. Operator AND, berhubungan dengan operasi intersection
pada himpunan,  predikat diperoleh dengan mengambil nilai
minimum antar kedua himpunan.
AB = min(A[x], B[y])
Misal nilai keanggotaan umur 27 pada himpunan muda adalah
MUDA[27] = 0,6
dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI
adalah GAJITINGGI[2juta] = 0,8
maka -predikat untuk usia MUDA dan berpenghasilan TINGGI
adalah nilai keanggotaan minimum :
MUDAGAJITINGGI = min( MUDA[27],  GAJITINGGI[2juta])
= min (0,6 ; 0,8)
= 0,6
OPERASI LOGIKA
(OPERASI HIMPUNAN FUZZY)

2. Operator OR, berhubungan dengan operasi union pada
himpunan,  predikat diperoleh dengan mengambil nilai
maximum antar kedua himpunan.
AB = max(A[x], B[y])
MUDA[27] = 0,6 dan nilai keanggotaan 2 juta pada himpunan
penghasilan TINGGI adalah GAJITINGGI[2juta] = 0,8
maka -predikat untuk usia MUDA atau berpenghasilan TINGGI
adalah nilai keanggotaan maksimum :
MUDA  GAJITINGGI = max(MUDA[27], GAJITINGGI[2juta])
= max (0,6 ; 0,8)
= 0,8

3. Operasi NOT, berhubungan dengan operasi komplemen
pada himpunan,  predikat diperoleh dengan mengurangkan
nilai keanggotaan elemen pada himpunan dari 1.
MUDA[27]= 0,6 maka -predikat untuk usia TIDAK MUDA
adalah :
MUDA’[27] = 1 - MUDA[27
= 1 - 0,6
= 0,4

Penalaran Monoton
IF x is A THEN y is B
Diketahui dua himpunan fuzzy: TINGGI (tinggi badan orang
Semarang) dan BERAT (berat badan ideal orang Semarang)
seperti terlihat pada Gambar 5.19.
Penalaran monoton digunakan untuk merelasikan himpunan fuzzy A
pada variabel x dan himpunan fuzzy B pada variabel y dengan cara
membuat implikasi berikut

Penalaran Monoton
IF TinggiBadan is TINGGI THEN BeratBadan is BERAT IDEAL
Jika Bucin mempunyai tinggi badan 168 cm dengan berat
badan 55 kg, apakah Bucin termasuk orang yang
mempunyai berat badan ideal, kurus atau gemuk ?
Relasi antara kedua himpunan diatas diekspresikan dengan aturan
tunggal berikut:

Penalaran Monoton
Sebelumnya kita hitung dulu bagian IF, yaitu menghitung derajat tinggi badan sebagai
berikut,
Derajat Tinggi [168] = (168 - 155)/( 175 - 155) = 0.65
Derajat Tinggi untuk merelasikan himpunan TINGGI dan BERAT
IDEAL dengan cara menghitung bagian THEN, yaitu
Nilai Berat[0.65]  1-2[(70-y)/(70-50)]2
= 0.65
 1-2(70-y)2
/400 = 0.65 – 1
 -2(70-y)2
/400 = -0.35 (eliminasi min msg”)
 = (0.35 / 2) * 400
 (70-y)2 (pangkat diubah krn pindah)
= 70  ±√70
 (70-y) = 8,366-70
 -y = -61,634 kg
= 62 kg
Berat badan Bucin adalah 55 kg, berarti Cuplis termasuk orang kurus, karena berat
badannya lebih rendah dari berat badan idealnya 61,634 /= 62 kg.

Materi Artificial intelegenci AI-13-1.pptx

Materi Artificial intelegenci AI-13-1.pptx

More Related Content

Similar to Materi Artificial intelegenci AI-13-1.pptx

Recently uploaded

Materi Artificial intelegenci AI-13-1.pptx