SlideShare una empresa de Scribd logo
1 de 58
Descargar para leer sin conexión
Sistem Inferensi Fuzzy
Bahan Kuliah
IF4058 Topik Khusus IF
1
Teknik Informatika – STEI ITB
Oleh: Rinaldi Munir
Sistem Inferensi Fuzzy
• Fuzzy Inference System (FIS)  Sistem Inferensi Fuzzy
• Inferensi: penarikan kesimpulan
• Sistem inferensi fuzzy: penarikan kesimpulan dari
sekumpulan kaidah fuzzy
• Jadi, di dalam FIS minimal harus ada dua buah kaidah
fuzzy
• Input FIS: crisp values
• Output FIS: crisp values
2
3
FIS
Crisp values
(input)
Crisp values
(output)
FIS dapat dibangun dengan metode:
1. Metode Mamdani
2. Metdoe Sugeno
• Proses-proses di dalam FIS:
1. Fuzzyfikasi
2. Operasi fuzzy logic
3. Implikasi
4. Agregasi
5. Defuzzyfikasi
4
Fuzzyfikasi
Operasi
Fuzzy Logic
Implikasi
Agregasi
Defuzzyfikasi
Input
Output
Fuzzyfikasi
• Fuzzyfikasi: proses memetakan nilai crisp (numerik)
ke dalam himpunan fuzzy dan menentukan derajat
keanggotaannya di dalam himpunan fuzzy.
• Hal ini dilakukan karena data diproses berdasarkan
teori himpunan fuzzy sehingga data yang bukan
dalam bentuk fuzzy harus diubah ke dalam bentuk
fuzzy.
5
• Contoh: Input: v = 60 km/jam
maka sedang(60) = 0.75
cepat(60) = 0.4
6
(v)
lambat sedang cepat
1
0.75
0.40
0 35 55 60 75 v
kecepatan
7
Input: permintaan = 4000 kemasan/hari
Sumber: Sri Kusuma Dewi/Aplikasi Logika Fuzzy
Operasi Logika Fuzzy
• Jika bagian antesenden dihubungkan oleh konektor
and, or, dan not, maka derajat kebenarannya
dihitung dengan operasi fuzzy yang bersesuaian
8
0
1
0.375
A
0
1
0.75
B
var1 is A or var2 is B  max(0.375, 0.75) = 0.75
var1 is A and var2 is B  min(0.375, 0.75) = 0.375
Implikasi
• Proses mendapatkan keluaran dari IF-THEN rule
• Metode yang umum digunakan adalah metode
Mamdani
• Input: derajat kebenaran bagian antesenden dan
fuzzy set pada bagian konsekuen
• Fungsi implikasi yang digunakan adalah min
9
10
Contoh: IF Biaya Produksi is RENDAH and Permintaan is NAIK
THEN Produksi Barang is BERTAMBAH
Sumber: Sri Kusuma Dewi/Aplikasi Logika Fuzzy
• Contoh:
IF temperature IS cool AND pressure IS low,
THEN throttle is P2.
11
Sumber: Wikipedia
12
Contoh: Jika antesenden hanya satu predikat tunggal
IF Biaya Produksi is STANDARD
THEN Produksi Barang is NORMAL
Sumber: Sri Kusuma Dewi/Aplikasi Logika Fuzzy
Agregasi atau Komposisi
• Jika terdapat lebih dari satu kaidah fuzzy yang
dievaluasi, keluaran semua IF-THEN rule
dikombinasikan menjadi sebuah fuzzy set tunggal.
• Metode agregasi yang digunakan adalah max atau
OR terhadap semua keluaran IF-THEN rule
• Jika dilakukan fungsi min pada impikasi dan max
pada agregasi, maka metode Mamdani disebut juga
metode MIN-MAX (min-max inferencing)
13
• Misalkan terdapat n buah kaidah yang berbentuk:
IF x1 is A1
k and x2 is A2
k THEN yk is Bk k= 1, 2, …, n
yang dalam hal ini A1
k dan A2
k adalah himpunan fuzzy yang
merepresentasikan pasangan antesenden ke-k, dan Bk
adalah himpunan fuzzy yang menyatakan konsekuen ke-k.
• Berdasarkan metode implikasi Mamdani, maka keluaran
untuk n buah kaidah diberikan oleh:
B (y) =
k = 1, 2, …, n
14
))]]
(
(
)),
(
(
[min[
max
2
1
j
input
i
input k
k
A
A
k


15
16
17
Sumber: Sri Kusuma Dewi/Aplikasi Logika Fuzzy
18
Sumber: Mathworks
Defuzzyfikasi
• Defuzzyfikasi: proses memetakan besaran dari himpunan
fuzzy ke dalam bentuk nilai crisp.
Alasan: sistem diatur dengan besaran riil, bukan besaran
fuzzy.
19
Sumber: Sri Kusuma Dewi/Aplikasi Logika Fuzzy
• Strategi yang umum dipakai dalam defuzzifikasi
adalah menentukan bentuk kompromi terbaik.
• Metode-metode untuk strategi ini adalah:
1. Metode keanggotaan maximum (max-
membership)
2. Metode pusat luas (Center of Area, CoA). 3
3. Metode keanggotaan maksimum rata-rata (Mean-
max Membership atau Middle-of-Maxima)
20
1. Metode keanggotaan maximum (max-membership)
atau largest maximum (LOM)
Metode ini dikenal juga dengan metode tinggi. Solusi crisp
diperoleh dengan mengambil derajat keanggotaan tertinggi
dari semua hasil agregasi. Misalkan Z adalah himpunan fuzzi,
maka
C(z*)  C(z) untuk setiap z  Z
21
(z)
z* z
2. Metode keanggotaan maksimum rata-rata (Mean-
max Membership (MOM) atau Middle-of-Maxima)
Metode ini hampir sama dengan metode pertama, kecuali
titik maksimumnya tidak unik (berupa dataran).
Solusi crisp diperoleh dengan mengambil nilai rata-rata
domain yang memiliki nilai keanggotaan maksimum
22
(z)
a z* b z
2
*
b
a
z


3. Metode pusat luas (Center of Area, CoA).
Metode ini dikenal juga dengan nama metode centroid atau
center of gravity. Ini merupakan metode paling umum
digunakan.
Solusi crisp diperoleh dengan menghitung pusat gravitasi
(titik-berat) dari daerah agregasi.
23
Untuk variabel kontinu:
Untuk variabel diskrit:
24

 

)
(
)
(
*
z
dz
z
z
z
C
C







 n
j
j
C
n
j
j
C
j
z
z
z
z
1
1
)
(
)
(
*


• Contoh: (Sumber: Sri Kusuma Dewi/Aplikasi Logika Fuzzy)
25
• Variabel linguistik: Permintaan, Persediaan, Produksi
• Permintaan = {NAIK, TURUN}
26
• Persediaan = {SEDIKIT, BANYAK}
27
• Produksi barang = {BERKURANg, BERTAMBAH}
28
• Ditanya: berapa jumlah produksi jika permintaan
4000 kemasan dan persediaan 300 kemasan?
Penyelesaian:
1. Fuzzifikasi
29
2. Operasi logika fuzzy dan 3. Implikasi
Kaidah fuzzy 1:
• Operasi logika  min(0.25, 0.40) = 0.25
• Implikasi  fungsi min
30
Kaidah fuzzy 2:
• Operasi logika  min(0.25, 0.6) = 0.25
• Implikasi  fungsi min
31
Kaidah fuzzy 3:
• Operasi logika  min(0.75, 0.4) = 0.4
• Implikasi  fungsi min
32
Kaidah fuzzy 4:
• Operasi logika  min(0.75, 0.6) = 0.6
• Implikasi  fungsi min
33
4. Agregasi  fungsi max
34
35
5. Defuzzifikasi
• Metode yang digunakan: centroid
• Momen:
36

 

)
(
)
(
*
z
dz
z
z
z
C
C

  Momen
 Luas daerah
• Luas daerah:
• Titik pusat:
37
Metode Sugeno
• FIS yang dibahas sebelum ini adalah FIS tipe
Mamdani
• Tipe Mamdani merupakan tipe FIS standard yang
umum dipakai
• Kelemahan FIS tipe Mamdani adalah tidak mangkus
sebab harus menghitung luas daerah di bawah kurva
• FIS alternatif adalah FIS dengan metode Sugeno,
yang diperkenalkan oleh Takagi-Sugeno-Kang.
38
39
Michio Sugeno
• Format kaidah fuzzy Sugeno-
IF x is A AND y is B THEN z is f(x, y)
yang dalam hal ini:
– x, y dan z adalah peubah lingusitik;
– A dan B adalah himpnan fuzzy ;
– f (x, y) adalah fungsi matematik.
• Bentuk yang paling umum diguankan adalah model fuzzy
Sugeno orde-nol:
IF x is A AND y is B THEN z is k
yang dalam hal ini k adalah konstanta.
40
Sumber: Alexander Rakic, Fuzzy Logic: Introduction 3, Fuzzy Inference
• Pada metode Sugeno, fuzzifikasi, operasi fuzzy, dan
implikasi sama seperti metode Mamdani.
• Perbedaannya hanya pada agregasi dan defuzzifikasi.
• Jika pada metode Mamdani agregasi berupa daerah di
bawah kurva, maka pada metode Sugeno agregasi
berupa singleton-singleton.
• Pada kasus model Sugeno orde-nol, output setiap kaidah
fuzzy adalah konstanta dan semua fungsi keanggotaan
konsekuen dinyatakan dengan singleton spikes.
41
42
Mamdani
Sugeno
• Defuzzyfikasi pada metode Sugeno lebih sederhana,
karena hanya menghitung center of single-ton:
• yang dalam hal ini, adalah nilai singleton.
43



)
(
).
(
*
z
z
z
z
C
C


z
• Contoh: (masih soal sebelumnya, penerapan center
of singleton pada Mamdani)
44
z1
(Sumber: Sri Kusuma Dewi/Aplikasi Logika Fuzzy)
45
z2
46
z3
47
z4
• Defuzzifikasi:
48



)
(
).
(
*
z
z
z
z
C
C


• Contoh: (Speed control) Seberapa cepat anda
berkendara bergantung pada cuaca (temperatur dan
keadaan langit)
49
50 70 90 110
30
10
Temp. (F°)
Freezing Cool Warm Hot
0
1
(Sumber: Andrew L. Nelson/ Introduction to Fuzzy Logic Control/University of
South Florida)
Temp = {Freezing, Cool, Warm, Hot}
50
Cover = {Sunny, Cloudly, Overcast}
40 60 80 100
20
0
Cloud Cover (%)
Overcast
Cloudy
Sunny
0
1
51
Speed = {Slow, Fast}
50 75 100
25
0
Speed (mph)
Slow Fast
0
1
Kaidah fuzzy:
• If Cover is Sunny and temp is Warm then speed is Fast
Sunny(Cover)  Warm(Temp)  Fast(Speed)
• If cover is Cloudy and temp is Cool then speed is Slow
Cloudy(Cover)Cool(Temp) Slow(Speed)
• Pertanyaan: seberapa cepat berkendara jika
temperatur 65 F° dan langit 25% berawan?
52
• Fuzzifikasi:
65 F°  Cool = 0.4, Warm= 0.7
53
50 70 90 110
30
10
Temp. (F°)
Freezing Cool Warm Hot
0
1
0.4
0.7
25% berawan  Sunny = 0.8, Cloudy = 0.2
54
40 60 80 100
20
0
Cloud Cover (%)
Overcast
Cloudy
Sunny
0
1
0.2
0.8
• Operasi fuzzy dan implikasi:
R1: If Cover is Sunny and temp is Warm then speed is
Fast
min( 0.8, 0.7) = 0.7
 Fast = 0.7
R2: If cover is Cloudy and temp is Cool then speed is
Slow
min(0.2, 0.4) = 0.2
 Slow = 0.2
55
• Agregasi dan Defuzzifikasi:
56
50 75 100
25
0
Speed (mph)
Slow Fast
0
1
0.2
0.7
Persamaan garis Fast melalui (25, 0) dan (75, 1)  (z) = 0.02(z – 25)
(z) = 0.7  z = 0.7/0.02 + 25 = 60
Persamaan garis Slow melalui (25, 1) dan (75, 0)  (z) = -0.02(z – 75)
(z) = 0.2  z = 0.2/(-0.02) + 75 = 65
57
1
.
61
7
.
0
2
.
0
)
65
2
.
0
(
)
60
7
.
0
(
* 





z
Jadi, kecepatan berkendaraan adalah 61 mph
58
Mamdani or Sugeno?
• Mamdani method is widely accepted for capturing expert
knowledge. It allows us to describe the expertise in more
intuitive, more human-like manner. However, Mamdani-type
fuzzy inference entails a substantial computational burden.
• On the other hand, Sugeno method is computationally
effective and works well with optimization and adaptive
techniques, which makes it very attractive in control
problems, particularly for dynamic nonlinear systems.
Sumber: Alexander Rakic, Fuzzy Logic: Introduction 3, Fuzzy Inference

Más contenido relacionado

Similar a Sistem Inferensi Fuzzy.pptx

Pp 15(integral tak tentu)
Pp 15(integral tak tentu)Pp 15(integral tak tentu)
Pp 15(integral tak tentu)-Eq Wahyou-
 
Bab 9. Teknik Pengintegralan ( Kalkulus 1 )
Bab 9. Teknik Pengintegralan ( Kalkulus 1 )Bab 9. Teknik Pengintegralan ( Kalkulus 1 )
Bab 9. Teknik Pengintegralan ( Kalkulus 1 )Kelinci Coklat
 
Rancang Bangun Fuzzy logic Control Untuk Pengendali Pengereman Otomatis.pdf
Rancang Bangun Fuzzy logic Control Untuk Pengendali Pengereman Otomatis.pdfRancang Bangun Fuzzy logic Control Untuk Pengendali Pengereman Otomatis.pdf
Rancang Bangun Fuzzy logic Control Untuk Pengendali Pengereman Otomatis.pdfJupiterSinaga2
 
pert7_8-fis-e28093-metode-sugeno.pptx
pert7_8-fis-e28093-metode-sugeno.pptxpert7_8-fis-e28093-metode-sugeno.pptx
pert7_8-fis-e28093-metode-sugeno.pptxValentino Selayan
 
Fungsi turunan.pptx
Fungsi turunan.pptxFungsi turunan.pptx
Fungsi turunan.pptxBabang7
 
Sistem inferensi fuzzy
Sistem inferensi fuzzySistem inferensi fuzzy
Sistem inferensi fuzzyAinul Yaqin
 
Presentasi fuzzy logic (Logika Fuzzy)
Presentasi fuzzy logic (Logika Fuzzy)Presentasi fuzzy logic (Logika Fuzzy)
Presentasi fuzzy logic (Logika Fuzzy)radar radius
 
Pandahuluan sistem fuzzy
Pandahuluan sistem fuzzyPandahuluan sistem fuzzy
Pandahuluan sistem fuzzyLarasWiranti2
 

Similar a Sistem Inferensi Fuzzy.pptx (16)

Pp 15(integral tak tentu)
Pp 15(integral tak tentu)Pp 15(integral tak tentu)
Pp 15(integral tak tentu)
 
Bab 9. Teknik Pengintegralan ( Kalkulus 1 )
Bab 9. Teknik Pengintegralan ( Kalkulus 1 )Bab 9. Teknik Pengintegralan ( Kalkulus 1 )
Bab 9. Teknik Pengintegralan ( Kalkulus 1 )
 
5_AI.pptx
5_AI.pptx5_AI.pptx
5_AI.pptx
 
pert3_4-fuzzy.pptx
pert3_4-fuzzy.pptxpert3_4-fuzzy.pptx
pert3_4-fuzzy.pptx
 
Rancang Bangun Fuzzy logic Control Untuk Pengendali Pengereman Otomatis.pdf
Rancang Bangun Fuzzy logic Control Untuk Pengendali Pengereman Otomatis.pdfRancang Bangun Fuzzy logic Control Untuk Pengendali Pengereman Otomatis.pdf
Rancang Bangun Fuzzy logic Control Untuk Pengendali Pengereman Otomatis.pdf
 
06-fuzzy.ppt
06-fuzzy.ppt06-fuzzy.ppt
06-fuzzy.ppt
 
06-fuzzy.ppt
06-fuzzy.ppt06-fuzzy.ppt
06-fuzzy.ppt
 
pert7_8-fis-e28093-metode-sugeno.pptx
pert7_8-fis-e28093-metode-sugeno.pptxpert7_8-fis-e28093-metode-sugeno.pptx
pert7_8-fis-e28093-metode-sugeno.pptx
 
kuliah ecc
kuliah ecckuliah ecc
kuliah ecc
 
Fungsi turunan.pptx
Fungsi turunan.pptxFungsi turunan.pptx
Fungsi turunan.pptx
 
Sistem inferensi fuzzy
Sistem inferensi fuzzySistem inferensi fuzzy
Sistem inferensi fuzzy
 
pert6_-fis_mamdani.pptx
pert6_-fis_mamdani.pptxpert6_-fis_mamdani.pptx
pert6_-fis_mamdani.pptx
 
Presentasi fuzzy logic (Logika Fuzzy)
Presentasi fuzzy logic (Logika Fuzzy)Presentasi fuzzy logic (Logika Fuzzy)
Presentasi fuzzy logic (Logika Fuzzy)
 
Papercoding Final
Papercoding FinalPapercoding Final
Papercoding Final
 
Pandahuluan sistem fuzzy
Pandahuluan sistem fuzzyPandahuluan sistem fuzzy
Pandahuluan sistem fuzzy
 
Statistika2
Statistika2Statistika2
Statistika2
 

Sistem Inferensi Fuzzy.pptx

  • 1. Sistem Inferensi Fuzzy Bahan Kuliah IF4058 Topik Khusus IF 1 Teknik Informatika – STEI ITB Oleh: Rinaldi Munir
  • 2. Sistem Inferensi Fuzzy • Fuzzy Inference System (FIS)  Sistem Inferensi Fuzzy • Inferensi: penarikan kesimpulan • Sistem inferensi fuzzy: penarikan kesimpulan dari sekumpulan kaidah fuzzy • Jadi, di dalam FIS minimal harus ada dua buah kaidah fuzzy • Input FIS: crisp values • Output FIS: crisp values 2
  • 3. 3 FIS Crisp values (input) Crisp values (output) FIS dapat dibangun dengan metode: 1. Metode Mamdani 2. Metdoe Sugeno
  • 4. • Proses-proses di dalam FIS: 1. Fuzzyfikasi 2. Operasi fuzzy logic 3. Implikasi 4. Agregasi 5. Defuzzyfikasi 4 Fuzzyfikasi Operasi Fuzzy Logic Implikasi Agregasi Defuzzyfikasi Input Output
  • 5. Fuzzyfikasi • Fuzzyfikasi: proses memetakan nilai crisp (numerik) ke dalam himpunan fuzzy dan menentukan derajat keanggotaannya di dalam himpunan fuzzy. • Hal ini dilakukan karena data diproses berdasarkan teori himpunan fuzzy sehingga data yang bukan dalam bentuk fuzzy harus diubah ke dalam bentuk fuzzy. 5
  • 6. • Contoh: Input: v = 60 km/jam maka sedang(60) = 0.75 cepat(60) = 0.4 6 (v) lambat sedang cepat 1 0.75 0.40 0 35 55 60 75 v kecepatan
  • 7. 7 Input: permintaan = 4000 kemasan/hari Sumber: Sri Kusuma Dewi/Aplikasi Logika Fuzzy
  • 8. Operasi Logika Fuzzy • Jika bagian antesenden dihubungkan oleh konektor and, or, dan not, maka derajat kebenarannya dihitung dengan operasi fuzzy yang bersesuaian 8 0 1 0.375 A 0 1 0.75 B var1 is A or var2 is B  max(0.375, 0.75) = 0.75 var1 is A and var2 is B  min(0.375, 0.75) = 0.375
  • 9. Implikasi • Proses mendapatkan keluaran dari IF-THEN rule • Metode yang umum digunakan adalah metode Mamdani • Input: derajat kebenaran bagian antesenden dan fuzzy set pada bagian konsekuen • Fungsi implikasi yang digunakan adalah min 9
  • 10. 10 Contoh: IF Biaya Produksi is RENDAH and Permintaan is NAIK THEN Produksi Barang is BERTAMBAH Sumber: Sri Kusuma Dewi/Aplikasi Logika Fuzzy
  • 11. • Contoh: IF temperature IS cool AND pressure IS low, THEN throttle is P2. 11 Sumber: Wikipedia
  • 12. 12 Contoh: Jika antesenden hanya satu predikat tunggal IF Biaya Produksi is STANDARD THEN Produksi Barang is NORMAL Sumber: Sri Kusuma Dewi/Aplikasi Logika Fuzzy
  • 13. Agregasi atau Komposisi • Jika terdapat lebih dari satu kaidah fuzzy yang dievaluasi, keluaran semua IF-THEN rule dikombinasikan menjadi sebuah fuzzy set tunggal. • Metode agregasi yang digunakan adalah max atau OR terhadap semua keluaran IF-THEN rule • Jika dilakukan fungsi min pada impikasi dan max pada agregasi, maka metode Mamdani disebut juga metode MIN-MAX (min-max inferencing) 13
  • 14. • Misalkan terdapat n buah kaidah yang berbentuk: IF x1 is A1 k and x2 is A2 k THEN yk is Bk k= 1, 2, …, n yang dalam hal ini A1 k dan A2 k adalah himpunan fuzzy yang merepresentasikan pasangan antesenden ke-k, dan Bk adalah himpunan fuzzy yang menyatakan konsekuen ke-k. • Berdasarkan metode implikasi Mamdani, maka keluaran untuk n buah kaidah diberikan oleh: B (y) = k = 1, 2, …, n 14 ))]] ( ( )), ( ( [min[ max 2 1 j input i input k k A A k  
  • 15. 15
  • 16. 16
  • 17. 17 Sumber: Sri Kusuma Dewi/Aplikasi Logika Fuzzy
  • 19. Defuzzyfikasi • Defuzzyfikasi: proses memetakan besaran dari himpunan fuzzy ke dalam bentuk nilai crisp. Alasan: sistem diatur dengan besaran riil, bukan besaran fuzzy. 19 Sumber: Sri Kusuma Dewi/Aplikasi Logika Fuzzy
  • 20. • Strategi yang umum dipakai dalam defuzzifikasi adalah menentukan bentuk kompromi terbaik. • Metode-metode untuk strategi ini adalah: 1. Metode keanggotaan maximum (max- membership) 2. Metode pusat luas (Center of Area, CoA). 3 3. Metode keanggotaan maksimum rata-rata (Mean- max Membership atau Middle-of-Maxima) 20
  • 21. 1. Metode keanggotaan maximum (max-membership) atau largest maximum (LOM) Metode ini dikenal juga dengan metode tinggi. Solusi crisp diperoleh dengan mengambil derajat keanggotaan tertinggi dari semua hasil agregasi. Misalkan Z adalah himpunan fuzzi, maka C(z*)  C(z) untuk setiap z  Z 21 (z) z* z
  • 22. 2. Metode keanggotaan maksimum rata-rata (Mean- max Membership (MOM) atau Middle-of-Maxima) Metode ini hampir sama dengan metode pertama, kecuali titik maksimumnya tidak unik (berupa dataran). Solusi crisp diperoleh dengan mengambil nilai rata-rata domain yang memiliki nilai keanggotaan maksimum 22 (z) a z* b z 2 * b a z  
  • 23. 3. Metode pusat luas (Center of Area, CoA). Metode ini dikenal juga dengan nama metode centroid atau center of gravity. Ini merupakan metode paling umum digunakan. Solusi crisp diperoleh dengan menghitung pusat gravitasi (titik-berat) dari daerah agregasi. 23
  • 24. Untuk variabel kontinu: Untuk variabel diskrit: 24     ) ( ) ( * z dz z z z C C         n j j C n j j C j z z z z 1 1 ) ( ) ( *  
  • 25. • Contoh: (Sumber: Sri Kusuma Dewi/Aplikasi Logika Fuzzy) 25
  • 26. • Variabel linguistik: Permintaan, Persediaan, Produksi • Permintaan = {NAIK, TURUN} 26
  • 27. • Persediaan = {SEDIKIT, BANYAK} 27
  • 28. • Produksi barang = {BERKURANg, BERTAMBAH} 28
  • 29. • Ditanya: berapa jumlah produksi jika permintaan 4000 kemasan dan persediaan 300 kemasan? Penyelesaian: 1. Fuzzifikasi 29
  • 30. 2. Operasi logika fuzzy dan 3. Implikasi Kaidah fuzzy 1: • Operasi logika  min(0.25, 0.40) = 0.25 • Implikasi  fungsi min 30
  • 31. Kaidah fuzzy 2: • Operasi logika  min(0.25, 0.6) = 0.25 • Implikasi  fungsi min 31
  • 32. Kaidah fuzzy 3: • Operasi logika  min(0.75, 0.4) = 0.4 • Implikasi  fungsi min 32
  • 33. Kaidah fuzzy 4: • Operasi logika  min(0.75, 0.6) = 0.6 • Implikasi  fungsi min 33
  • 34. 4. Agregasi  fungsi max 34
  • 35. 35
  • 36. 5. Defuzzifikasi • Metode yang digunakan: centroid • Momen: 36     ) ( ) ( * z dz z z z C C    Momen  Luas daerah
  • 37. • Luas daerah: • Titik pusat: 37
  • 38. Metode Sugeno • FIS yang dibahas sebelum ini adalah FIS tipe Mamdani • Tipe Mamdani merupakan tipe FIS standard yang umum dipakai • Kelemahan FIS tipe Mamdani adalah tidak mangkus sebab harus menghitung luas daerah di bawah kurva • FIS alternatif adalah FIS dengan metode Sugeno, yang diperkenalkan oleh Takagi-Sugeno-Kang. 38
  • 40. • Format kaidah fuzzy Sugeno- IF x is A AND y is B THEN z is f(x, y) yang dalam hal ini: – x, y dan z adalah peubah lingusitik; – A dan B adalah himpnan fuzzy ; – f (x, y) adalah fungsi matematik. • Bentuk yang paling umum diguankan adalah model fuzzy Sugeno orde-nol: IF x is A AND y is B THEN z is k yang dalam hal ini k adalah konstanta. 40 Sumber: Alexander Rakic, Fuzzy Logic: Introduction 3, Fuzzy Inference
  • 41. • Pada metode Sugeno, fuzzifikasi, operasi fuzzy, dan implikasi sama seperti metode Mamdani. • Perbedaannya hanya pada agregasi dan defuzzifikasi. • Jika pada metode Mamdani agregasi berupa daerah di bawah kurva, maka pada metode Sugeno agregasi berupa singleton-singleton. • Pada kasus model Sugeno orde-nol, output setiap kaidah fuzzy adalah konstanta dan semua fungsi keanggotaan konsekuen dinyatakan dengan singleton spikes. 41
  • 43. • Defuzzyfikasi pada metode Sugeno lebih sederhana, karena hanya menghitung center of single-ton: • yang dalam hal ini, adalah nilai singleton. 43    ) ( ). ( * z z z z C C   z
  • 44. • Contoh: (masih soal sebelumnya, penerapan center of singleton pada Mamdani) 44 z1 (Sumber: Sri Kusuma Dewi/Aplikasi Logika Fuzzy)
  • 45. 45 z2
  • 46. 46 z3
  • 47. 47 z4
  • 49. • Contoh: (Speed control) Seberapa cepat anda berkendara bergantung pada cuaca (temperatur dan keadaan langit) 49 50 70 90 110 30 10 Temp. (F°) Freezing Cool Warm Hot 0 1 (Sumber: Andrew L. Nelson/ Introduction to Fuzzy Logic Control/University of South Florida) Temp = {Freezing, Cool, Warm, Hot}
  • 50. 50 Cover = {Sunny, Cloudly, Overcast} 40 60 80 100 20 0 Cloud Cover (%) Overcast Cloudy Sunny 0 1
  • 51. 51 Speed = {Slow, Fast} 50 75 100 25 0 Speed (mph) Slow Fast 0 1
  • 52. Kaidah fuzzy: • If Cover is Sunny and temp is Warm then speed is Fast Sunny(Cover)  Warm(Temp)  Fast(Speed) • If cover is Cloudy and temp is Cool then speed is Slow Cloudy(Cover)Cool(Temp) Slow(Speed) • Pertanyaan: seberapa cepat berkendara jika temperatur 65 F° dan langit 25% berawan? 52
  • 53. • Fuzzifikasi: 65 F°  Cool = 0.4, Warm= 0.7 53 50 70 90 110 30 10 Temp. (F°) Freezing Cool Warm Hot 0 1 0.4 0.7
  • 54. 25% berawan  Sunny = 0.8, Cloudy = 0.2 54 40 60 80 100 20 0 Cloud Cover (%) Overcast Cloudy Sunny 0 1 0.2 0.8
  • 55. • Operasi fuzzy dan implikasi: R1: If Cover is Sunny and temp is Warm then speed is Fast min( 0.8, 0.7) = 0.7  Fast = 0.7 R2: If cover is Cloudy and temp is Cool then speed is Slow min(0.2, 0.4) = 0.2  Slow = 0.2 55
  • 56. • Agregasi dan Defuzzifikasi: 56 50 75 100 25 0 Speed (mph) Slow Fast 0 1 0.2 0.7 Persamaan garis Fast melalui (25, 0) dan (75, 1)  (z) = 0.02(z – 25) (z) = 0.7  z = 0.7/0.02 + 25 = 60 Persamaan garis Slow melalui (25, 1) dan (75, 0)  (z) = -0.02(z – 75) (z) = 0.2  z = 0.2/(-0.02) + 75 = 65
  • 58. 58 Mamdani or Sugeno? • Mamdani method is widely accepted for capturing expert knowledge. It allows us to describe the expertise in more intuitive, more human-like manner. However, Mamdani-type fuzzy inference entails a substantial computational burden. • On the other hand, Sugeno method is computationally effective and works well with optimization and adaptive techniques, which makes it very attractive in control problems, particularly for dynamic nonlinear systems. Sumber: Alexander Rakic, Fuzzy Logic: Introduction 3, Fuzzy Inference