Fuzzy logic part3
0 likes471 views
Dokumen tersebut membahas sistem berbasis aturan fuzzy yang terdiri dari tiga komponen utama: fuzzification, inference, dan defuzzification. Fuzzification mengubah masukan yang pasti menjadi fuzzy, inference melakukan penalaran menggunakan aturan fuzzy, dan defuzzification mengubah keluaran fuzzy menjadi nilai pasti.
![55//11//20132013
11
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.
• Suatu sistem berbasis aturan fuzzi
yang lengkap terdiri dari tiga
komponen utama:
– Fuzzification
– Inference
– Defuzzification](https://image.slidesharecdn.com/fuzzylogicpart3-130824063152-phpapp02/85/Fuzzy-logic-part3-1-320.jpg)
Fuzzy logic part3
- 1. 55//11//20132013 11 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. • Suatu sistem berbasis aturan fuzzi yang lengkap terdiri dari tiga komponen utama: – Fuzzification – Inference – Defuzzification
- 2. 55//11//20132013 22 Diagram blok lengkap sistem berbasis aturan fuzzy Fuzzification • Fuzzification: mengubah masukan- masukan yang nilai kebenarannya bersifat pasti (crisp input) ke dalam bentuk fuzzy input.
- 3. 55//11//20132013 33 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 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.
- 4. 55//11//20132013 44 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. 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
- 5. 55//11//20132013 55 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. 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.
- 6. 55//11//20132013 66 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). 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.
- 7. 55//11//20132013 77 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.