Mengenal Fuzzy Logic
Download as PPTX, PDF0 likes731 views
Dokumen ini membahas sistem pendukung keputusan berbasis logika fuzzy yang merepresentasikan ketidakpastian dan ketidakjelasan dalam informasi. Logika fuzzy mengonversi nilai ketidakpastian menjadi nilai absolut melalui himpunan crisp dan fungsi keanggotaan. Contoh penerapan logika fuzzy diberikan melalui evaluasi kesehatan berdasarkan tinggi dan berat badan.
Mengenal Fuzzy Logic
- 1. Fuzzy Logic Decision Support System
- 2. Teori Himpunan Fuzzy • Merepresentasikan ketidakpastian, ketidakjelasan, ketidaktepatan, kekurangan informasi (Tettamanzi, 2001) • Ketidakjelasan merupakan suatu kondisi dimana suatu perihal kemungkinan tidak dapat didefinisikan secara jelas. • Ketidakjelasan juga dihubungkan dengan ketidakpastian yang diberikan dalam bentuk informasi linguistik atau intuisi.
- 3. Linguistik ? Bahasa Alami “Bahasa Alami merupakan bahasa yang kita gunakan sehari-hari terutama dalam mendeskripsikan atau merepresentasikan perihal sesuatu”
- 4. Contoh Bahasa Alami : • Budi tinggi – apa yang dimaksud tinggi? • Budi sangat tinggi – apa bedanya dengan tinggi? Tua, muda, parobaya ? Baik, sangat baik, kurang baik? Tepat, sangat tepat, kurang tepat? Jauh, dekat, sangat jauh, sangat dekat?
- 5. Tidak mudah merubah bahasa alami ke dalam nilai absolut 0 dan 1. Sehingga suatu proporsi yang mengandung ketidakjelasan ini adalah Fuzzy Logika Fuzzy digunakan untuk merubah ketidakpastian kedalam nilai absolut 0 dan 1, dengan himpunan CRISP dan Himpunan Keanggotaan
- 6. Himpunan Crisp Untuk memudahkan pengambil keputusan dalam merepresentasikan ketidak pastian maka dikenalkan bilangan Crisp, yaitu himpunan bilangan yang mewakili nilai keanggotan suatu item (x) dalam suatu himpunan (A), yang memiliki kemungkinan nilai 0 atau 1 Contoh bilangan Crisp : 0, 0.25, 0.5, 0.75, 1 Keterangan Bilangan Crisp Sangat Rendah 0 Rendah 0.25 Cukup 0.5 Tinggi 0.75 Sangat Tinggi 1
- 7. Himpunan Keanggotaan Didasarkan pada fungsi keanggotaan yang merupakan suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaan. Beberapa fungsi keanggotaan yaitu : • Fungsi linear • Fungsi segitiga • Fungsi trapesium • Fungsi sigmoid • Fungsi Phi
- 10. Fungsi Trapesium
- 11. Fungsi Sigmoid
- 12. Fungsi Phi
- 13. Fungsi Trapesium Fungsi Trapesium banyak digunakan untuk menghitung derajat keanggotaan dalam banyak masalah pengambilan keputusan, salah satu jenis fuzzy yang menggunakan fungsi trapesium adalah Fuzzy Sugeno.
- 14. Contoh Kasus “Terdapat survey yang tujuannya untuk melakukan evaluasi kesehatan orang berdasarkan tinggi dan berat badannya “ Permasalahan : “bagaimana menginputkan tinggi badan dan berat seseorang (x) agar diketahui nilai index keanggotaan fuzzy? “ contoh : tinggi = 161.5 cm , berat = 41 kg? kenapa harus dilakukan keanggotaan fuzzy? Balik lagi ke permasalahan bahasa alami !!
- 15. Solusi Melakukan Fuzzification Menentukan derajat keanggotaan dengan fungsi trapesium
- 16. Penyelesaian Kasus Tentukan nilai maks = 0.7
- 17. Penyelesaian Kasus Tentukan nilai maks = 0.8
- 18. Kesimpulan Doni yaitu tinggi = 161.5 cm , berat = 41 kg? Dari hasil derajat keanggotaan fuzzy yang dilakukan maka Rani tergolong tinggi sedang dengan nilai 0.7 dan sangat kurus dengan nilai 0.8
- 19. Coba Hitung Tinggi dan Berat Anda dan apakah derajat keanggotaan yang dihasilkan?
- 20. Terimakasih