Bahan Presentasi Mata Kuliah Sistem Cerdas Semester Pendek tahun 2016: FUZZY LOGIC

BAB I
SEKILAS FUZZY LOGIC

1.1 Defenisi Fuzzy Logic

Istilah fuzzy didefenisikan sebagai blurred (kabur atau remang remang), indistinct (tidak jelas),imprecisely defined(didefenisikan secara tidak presisi), confused (membingungkan),vague (tidak jelas).

System fuzzy adalah sebuah system yang dibangun dengan defenisi yang jelas berdasarkan teori fuzzy logic.

Secara umum ,fuzzy logic adalah sebuah metologi “berhitung” dengan variable kata-kata(linguistic variable), Sebagai pengganti berhitung dengan bilangan.

Fuzzy logic memberi ruang dan bahkan mengeksploitasi toleransi terhadap ketidakpresisian.

Disini peran sistem fuzzy, yaitu menjebatani komunikasi menjadi lebih efektif dan efisien antara mesin dan manusia atau bisa dibayangkan sistem fuzzy merupakan sebuah mesin penerjemah bahasa manusia sehingga lebih dimengerti oleh mesin dan begitu juga sebaliknya.

Ilustrasi Pengunaan Bahasa Presisi ( Dengan Bilangan ) Dan Bahasa Bermakna :

1.2 Mengapa Dan Kapan Perlu Fuzzy Logic?

Fuzzy logic merupakan suatu cara yang cocok untuk menyelesaikan masalah Pemetaan hubungan input dan ouput dari suatu system berdasarkan data input –output .

Gambar di atas merupakan pemetaan hubungan input-output .Di antara input dan output kita berikan sebuah system (black box) yang akan melakukan tugas pemetaan. Sistem yang dapat menggantikan fuzzy ini ada banyak akan tetapi dari sekian banyak itu fuzzy lah alternatif yang tersedia. Sistem fuzzy sering kali menjadi pilihan yang terbaik. Menurut Lotfti A Zaden, dalam hampir setiap kasus, anda dapat membangun sistem yang dapat menggantikan black-box pada gambar sebelumnya dengan menggunakan fuzzy logic. Dan dengan menggunakan fuzzy logic tersebut bisa menyebabkan apa yang anda lakukan lebih cepat dan efisien.

Alasan Menggunakan System Fuzzy Logic :

Dalam menyelesaikan masalah pada saat ini sering kali menggunakan system fuzzy logic. Berikut alasan kenapa menggunakan system fuzzy logic :

1. Konsep fuzzy logic sangat sederhana sehingga mudah dipahami. Kelbihannya dibanding konsep yang lain bukan pada kompleksitasnya, tetapi pada naturalness pendekatannya dalam memecahkan masalah.

2. Fuzzy logic fleksibel, dalam arti kata dapat dibangun dan dikembangkan dengan mudah tanpa harus dimulai dari nol.

3. Fuzzy logic memberikan toleransi terhadap ketidakpresisian data. Hal ini sangat cocok dengan fakta sehari-hari. Segala sesuatu dialam ini relatif tidak presisi, bahkan meskipun kita lihat secara lebih dekat dan hati-hati.

4. Pemodelaan/pemetaan untuk mencari hubungan data input-output dari sembarang system black box bias dilakukan dengan menggunakan system fuzzy.

5. Pengetahuan atau pengalaman dari pakar dapat dengan mudah digunakan untuk membangun system fuzzy logic. Hal ini merupakan kelebihan utama fuzzy logic .

6. Fuzzy logic dapat diterapkan dalam desain control tanpa harus menghilangkan teknik desain control konvesional yang sudah terlebih dahulu ada.

7. Fuzzy logic berdasarkan pada bahasa manusia.

1.3 Non-fuzzy logic dan fuzzy logic

Analogi suatu restoran dengan pelayanan dari pelayan yang bagus dan tidak.

1.3.1 pendekatan Non-Fuzzy

Model ini mengabaikan kualitas pelayanan, tidak membedakan pelayanan buruk dengan pelayanan yang memuaskan maka terasa tidak adil. Agar bisa adil :

Bonus = 0.2/10 * pelayanan + 0.05

Jika diplotkan maka akan didpatkan digram sebagai berikut :

if pelayanan < 3

Bonus = (0.1/3)*pelayanan+0.05;

Elseif pelayanan<7

Bonus = 0.15;

Elseif pelayanan<10,

Bonus = (0.10/3)*(pelayanan-7)+0.15;

End

1.3.2 Pendekatan Fuzzy

Dengan pedekatan fuzzy maka pemodelan bisa disederhanakan dengan hanya berdasarkan pada beberapa IF THEN rule yang mudah dipahami.

If service is poor or food is rancid,

Then bonus is cheap

If service is good,

Then bonus is average

If service is excellent or food is delicious,

Then bonus is generous

BAB II

KONSEP FUZZY LOGIC

Motivasi utama teori fuzzy logic adalah Memetakan sebuah ruang input kedalam ruang output dengan menggunakan IF-THEN rules.

Pemetaan dilakukan dalam suatu fuzzy interfence System (FIS), urutan rule bisasembarang.

FIS mengevaluasi semua rule secara simultam untuk menghasilkan kesimpulan.Oleh karenanya ,semua rule harus didefenisikan lebih dahulu sebelum kita membangun sebuah FIS yang igunakan untuk menginterpretasikan semua rule tersebut.

Konsep umum kronologi proses pembangunan FIS

Mekanisme dalam FIS dirangkum :

FIS adalah sebuah metode yang menginterpretasikan harga-harga dalam vector input menarik kesimpulan berdasar sekumpulan IF-THEN rules yang diberikan , dan kemudia menghasilkan vector output.

2.1 Fuzzy Set

Untuk memahami fuzzu logic, terlebih dahulu dimulai dengan memahami fuzzy set. Fuzzy set adalah sebuah himpunan di mana keanggotaan dari tiap elemennya tidak mempunyai batas yang jelas .Himpunan demikian sangat kontras dengan himpunan klasik.

Sebagai contoh : himpunan nama hari-hari dalam satu minggu dan himpunan selain nama-nama hari .Bisa dibuatkan dalam himpunan hari-hari dalam satu minggu atau pada himpunan hari-hari akhir minggu .

Dijelaskan didalamnya dari 7 hari dalam seminggu, jumat termasuk dalam Himpunan hari-hari akhir minggu selain sabtu dan minggu.

Cara kerja fuzzy logic hanya masalah generalisasi logika “ya-tidak” (Boolean). Misalkan ,dalam logika Boolean ,”benar” diberi bobot 1 dan “salah” diberi bobot 0, dalam fuzzy logic hal yang sama bias dilakukan dengan memboboti “benar”/”salah” dalam rentang 0 sampai 1.

Dialog ini memberikan contoh perlunya pemakaian fuzzy logic

A : apakah minggu adalah anggota himpunan hari akhir minggu?

B : 0.95 (ya,tidak sepenuhnya seperti hari sabtu terutama hari akhir minggu)

A : apakah sabtu adalah anggota himpunan hari akhir minggu ?

B : 1 (ya)

A : apakah selasa adalah anggota himpunan hari akhir minggu ?

B : 0(tidak)

A : apakah jumat adalah anggota himpunan hari akhir minggu?

B : 0.8 (ya sebagian besar dan tidak sepanjang hari)

2.2 Fuzzy Keanggotaan

Kurva pada gambar sebelumnya merupakan sebuah fungsi yg memetakan ruang input (waktu dalam seminggu) menjadi bobot atau derajat “akhir minggu” atau lebih sering disebut membership function (fungsi keanggotaan).

Fungsi keanggotaan mendefenisikan bagaimana tiap titik dalam ruang input dipetajam menjadi bobot atau derajat keanggotaan antara 0 dan 1.

Dalam teori himpunan,ruang input juga dikenal sebagai universe of discourse.

Secara umum ,beberapa kesimpulan tentang himpunan dan fungsi keanggotaan fuzzy diberikan di bawah ini :

1. Fuzzy set menekankan konsep variable samar (vague or fuzzy variable) seperti hari minggu ,suhu panas,pelari cepat,dll

2. Fuzzy set mengijinkan keanggotaan parsial dari suatu himpunan seperti hari jumat yang dianggap sebagai hari akhir minggu namun dengan derajat di bawah 1.

3. Derajat keanggotaan fuzzy dalam fuzzy set berkisar antara 0 sampai 1.

4. Tiap fungsi keanggotan µ berasosiasi dengan sebuah fuzzy set tertentu dan memetakan suatu nilai input ke nilai derajat keanggotaan yang sesuai. Misalnya dalam kasus fuzzy set orang berbadan “tinggi” mempunyai fungsi keanggotaan sendiri, yaitu µtinggi yang berbeda dengan fungsi keanggotaan dari fuzzy set orang berbadan “rendah” yaitu µ rendah.

2.3 Boolean Logic dan Fuzzy Logic

Merupakan sebuah fakta bahwa dalam fuzzy logic bersifat lebih general daeripada Boolean logic. Dalam fuzzy logic ,jika variable fuzzy diset pada derajat maksimumnya, yaitu 1 atau minimumnya yaitu 0, maka akan berlaku Boolean logic (atau two-valued logic).

Misalkan ada dua fuzzy set,yaitu A dan B dan ada sebuah anggota himpunan x. Anggota himpunan x ini bisa dikelompokan dalam fuzzy set A dengan derajat keanggotaan µA(x) dan juga fuzzy set B dengan derajat keanggotaan µB(x) . Sekarang lihat jika operasi min dilakukan antara dua fuzzy set A dan B tersebut di notasikan dengan :

min(µA(x),µB(x)

Berdasarkan gambar diatas, dengan menggunakan fungsi min, max dan 1-A untuk menggantikan operator AND, OR, dan NOT, kita bisa menggunakan sembarang variabel fuzzy untuk melakukan operasi-operasi fuzzy logic yg ekivalen dengan AND, OR, dan NOT, bahkan bisa lebih general.

2.4 Operator tambahan FUZZY LOGIC

Pada pembahasan sebelumnya memilih korespondensi AND = min , OR = max , dan NOT = komplemen penambahan. Dalam fuzzy logic kita bisa berkreasi sendiri dalam mendefinisikan sendiri fungs-fungsi yang bisa menggantikan operasi AND,OR,NOT. Namun fungsi-fungsi buatan sendiri tersebut harus mengacu pada aturan-aturan umum operasi fuzzy logic .

2.5 IF-THEN rule

Fuzzy logic bekerja berdasar aturan-aturan yang dinyatakan dalam bentuk pernyataan IF-THEN. Sebuah aturan fuzzy berbentuk seperti berikut :

if x is A the y is B

BAB III

FUZZY INFERENCE SYSTEM ( FIS )

Defenisi FIS

Metode FIS

Kedua metode hanya berbeda dalam cara penentuan harga output FIS.

Metode Mamdani

- Struktur FIS

- Fuzzifikasi

- Operasi Fuzzy Logic :

1. Implikasi

2. Agregasi

3. Defuzzifikasi

4. Diagram FIS

Metode Sugeno

—Rumus menghitung nilai keluaran :

Keluaran rule yang demikian bukan dalam bentuk fungsi keanggotaan, tapi bilangan yang berubah secara linier terhadap variabel input yang mengikuti persamaan :

z = av + bw + c

Jika b=0, FIS dikatakan berorde satu dimana keluaran mengikuti persamaan garis

z = av + c

Jika a=b=0, FIS dikatakan berorde nol karena keluaran berupa bilangan konstan yaitu z=c

BAB IV

MATLAB

Matlab Dasar

Matlab merupakan singkatan dari matrix laboratory.

Pada awalnya Matlab digunakan untuk menangani berbagai operasi matriks dan vektor menggunakan library dari LINPACK dan EISPACK. Saat ini Matlab telah menggabungkan library LAPACK dan BLAS yang lebih efisien dalam menangani operasi matriks dan vector.

Memulai Matlab