• LOGIKA FUZZY
• Definisi
• 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. Dia diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley pada 1965.
• Himpunan Fuzzy
• Pada himpunan tegas (crisp set), nilai keanggotaan suatu item x dalam suatu himpunan A (ditulis mA[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 2A
– Nilai kaanggotaan 4 pada A, A[4] = 0, karena 4 A
Contoh 2:
“Jika suhu lebih tinggi atau sama dengan 80 oF, maka suhu disebut panas, sebaliknya disebut tidak panas”
Kasus :
– Suhu = 100 oF, maka Panas
– Suhu = 80.1 oF, maka Panas
– Suhu = 79.9 oF, maka tidak panas
– Suhu = 50 oF, maka tidak panas
• If Suhu ≥ 80 oF, disebut panas
• If Suhu < 80 oF, 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
• 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 :
• ATRIBUT HIMPUNAN FUZZY
• 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 :
• Representasi linier
• Contoh : Soal SKD hal 9 dan 11
• Representasi segitiga (triangular)
Ditentukan oleh 3 parameter {a, b, c} sebagai berikut :
Contoh : soal hal 12 SKD
• Representasi Trapesium
Ditentukan oleh 4 parameter {a,b,c,d} sebagai berikut :
Contoh : soal hal 12 SKD
• Representasi bentuk lain :
– Bentuk bahu
– Bentuk S
– Bentuk lonceng
– Bentuk Beta
– Bentuk Gauss
• Operasi Logika (Operasi Himpunan Fuzzy)
• Operasi logika adalah operasi yang mengkombinasikan dan memodifikasi 2 atau lebih himpunan fuzzy. Nilai keanggotaan baru hasil operasi dua himpunan disebut firing strength atau a predikat, menurut Kusumadewi (2004) ada 3 operasi dasar yang diciptakan oleh Zadeh :
• Operator AND, berhubungan dengan operasi intersection pada himpunan, a predikat diperoleh dengan mengambil nilai minimum antar kedua himpunan.
AÇB = min(mA[x], mB[y])
Misal nilai keanggotaan umur 27 pada himpunan muda adalah mMUDA[27] = 0,6 dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah mGAJITINGGI[2juta] = 0,8
maka -predikat untuk usia MUDA dan berpenghasilan TINGGI adalah nilai keanggotaan minimun :
mMUDAÇGAJITINGGI = min(m MUDA[27], m GAJITINGGI[2juta])
= min (0,6 ; 0,8)
= 0,6
• Operator OR, berhubungan dengan operasi union pada himpunan, a predikat diperoleh dengan mengambil nilai maximum antar kedua himpunan.
AÈB = max(mA[x], mB[y])
Misal nilai keanggotaan umur 27 pada himpunan muda adalah mMUDA[27] = 0,6 dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah mGAJITINGGI[2juta] = 0,8
maka -predikat untuk usia MUDA atau berpenghasilan TINGGI adalah nilai keanggotaan maksimum :
MUDA È GAJITINGGI = max(MUDA[27], GAJITINGGI[2juta])
= max (0,6 ; 0,8)
= 0,8
• Operasi NOT, berhubungan dengan operasi komplemen pada himpunan, a predikat diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan dari 1.
Misal nilai keanggotaan umur 27 pada himpunan muda adalah mMUDA[27]= 0,6 maka -predikat untuk usia TIDAK MUDA adalah :
mMUDA’[27] = 1 - MUDA[27
= 1 - 0,6
= 0,4
• Penalaran monoton
(Aturan Fuzzy If Then)
(Aturan Fuzzy If Then)
• Metode penalran secara monoton digunakan sebagai dasar untuk teknik implikasi fuzzy. Meskipun penalaran ini sudah jarang sekali digunakan, namun kadang masih digunakan untuk penskalaan fuzzy. Jika 2 variabel fuzzy direlasikan dengan implikasi sederhana sebagai berikut :
If x is A Then Y is B
atau y=f((x,A),B)
maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari nilai keanggotaan yang berhubungan dengan antesendennya
• Aturan Fuzzy If-Then (atau disebut juga aturan fuzzy, fuzzy implikasi, atau pernyataan kondisional Fuzzy) adalah aturan yang digunakan untuk merumuskan relasi conditional antara 2 atau lebih himpunan fuzzy.
Bentuk umum :
If (X1 is A1)Ù (X2 is A2) … (Xn is An) Then Y is B; xi, yi skalar, dan A, B himpunan Fuzzy
Menurut Kusumadewi (2004) Ada 2 fungsi implikasi yang digunakan yaitu :
• Min (minimum), fungsi ini akan memotong output (konsekuen) himpunan fuzzy.
• Dot (product), fungsi ini akan menskala output himpunan fuzzy.
• Contoh Implementasi
Contoh : Soal hal 28 SKD
0 komentar:
Posting Komentar