FUZZY SYSTEM & FUZZY REASONING DEPARTEMEN ILMU KOMPUTER IPB

Ukuran: px

Mulai penontonan dengan halaman:

Download "FUZZY SYSTEM & FUZZY REASONING DEPARTEMEN ILMU KOMPUTER IPB"

Ratna Johan
7 tahun lalu
Tontonan:

1 FUZZY SYSTEM & FUZZY REASONING Workshop on Fundamental Concept and Implementation of Fuzzy Logic March 17 th 2016 Net Centric Computing Lab DEPARTEMEN ILMU KOMPUTER IPB

2 Outline Crips VS Fuzzy Pengembangan model/system berbasis Fuzzy Inference System (FIS) Penalaran pada Fuzzy Inference System Tsukamoto Mamdani Sugeno

3 Crips VS Fuzzy CRISP FUZZY Memungkinkan suatu nilai terdapat dalam lebih dari satu keanggotaan dengan degree of membership tertentu

4 PENGEMBANGAN MODEL/SISTEM BERBASIS FIS Definisi Permasalahan Fuzzifikasi Variabel Fuzzy Pembuatan Aturan Fuzzy (Fuzzy Inference System) Defuzzifikasi Evaluasi

5 Definisi Permasalahan Memastikan bahwa model/sistem yang akan dibuat untuk menyelesaikan masalah memiliki variabel fuzzy Identifikasi : Input dan Output Variabel Fuzzy disebut juga dengan variabel linguistik Variabel yang berpeluang memiliki perbedaan nilai impresi secara bahasa Contoh : kecepatan (lambat, normal, cepat) Suhu (dingin,normal,hangat,panas) Kelembaban (rendah, sedang, tinggi) dll

6 Fuzzifikasi Variabel Fuzzy Fuzzifikasi : Melakukan pengubahan dari suatu nilai skalar ke dalam himpunan yang bernilai/bersifat fuzzy Cara: Tentukan range dari nilai skalar tersebut kecepatan : [20 100] {km/jam} Suhu : [25 45] { 0 C} Jika masalah tersebut bukan pada domain kita (computer science) bisa dikonsultasikan ke pakar atau jika ada data bisa dari data yang kita miliki.

7 Fuzzifikasi Variabel Fuzzy. cont Cara {lanjutan}: Definisikan jumlah himpunan fuzzy untuk setiap variabel Jumlah himpuan akan terkait dengan kombinasi aturan yang akan dibuat Gunakan Fungsi Keanggotaan untuk mendapatkan nilia derajat keanggotaan Segitiga Trapesium Gaussian Nilai Range dari setiap variabel

8 Fuzzifikasi Variabel Fuzzy. cont Contoh penentuan nilai Derajat Keanggotaan [0 1]: Misal : a = 3 ; b = 7 dan c = 11 Tentukan nilai derajat keanggotan untuk x = 9? Jawab : (11 9 ) / (11 7) = 0. 5

9 Pembuatan Aturan Fuzzy (Fuzzy Inference System) Aturan/Rule dibuat dalam bentuk kaidah produksi Format : IF [variabel] is [himpunan ] THEN variabel [himpunan] Contoh : IF Level is okay THEN valve is no_change IF Level is okay AND rate is positif THEN valve is close slow Banyak atau sedikit aturan akan dipengaruhi oleh jumlah variabel dan jumlah himpunan fuzzy pada model yang dibuat

10 Defuzzifikasi Proses untuk mengubah dari nilai fuzzy ke dalam nilai crisp/real Dilakukan setelah semua aturan /rule dijalankan yang bersesuaian dengan input Proses ini bertujuan untuk mendapatkan nilai crisp /real kembali Tekniknya akan bergantung pada metode penalaran yang digunakan Contoh : Rata-rata terbobot Cog, Lom, Som, Mom, Bisector

11 Defuzzifikasi Formula untuk melakukan Defuzzifikasi secara umum : Pada prinsipnya adalah menentukan nilai tunggal dengan mengalikan setiap nilai x dari daerah hasil dengan setiap derajat keanggotaan yang bersesuaian

12 Perbandingan Tsukamoto, Mamdani, Sugeno Penalaran Input Output Deffuzzifikasi Penggunaan Tsukamoto Himpunan Fuzzy Himpunan Fuzzy Weigthed Average Humannis Controll Mamdani Himpunan Fuzzy Himpunan Fuzzy CoG Lom Som Mom Bisector Humanis Control Sugeno Himpunan Fuzzy - Konstanta - Linear (orde 1) Weigthed Average Control History

13 PENALARAN TSUKAMOTO Contoh Kasus Suatu katup tanki akan secara otomatis terbuka dan tertutup. Buka atau tutup tangki tersebut ditentukan oleh dua faktor. Faktor pertama adalah tingkat perbedaan air aktual dengan yang dibutuhkan (variabel level). Faktor kedua adalah tingkat perubahan air (variabel rate). Output dari sistem ini adalah flow rate dari katup pada tangki. Rancangan Input : level : {high,okay,low} rate : {negative,none,positive} Output : {close_fast, close_slow, no_change, open_low, open_fast}

14 PENALARAN TSUKAMOTO - FUZZIFIKASI Contoh Kasus Input : level rentang [-1 1] : {high,okay,low} direpresentasikan dengan kurva gaussian [stdev mean] high [0.3-1], okay [0.3 0], low [0.3 1] rate rentang [ ] : {negative,none,positive} direpresentasikan dengan kurva gaussian [stdev mean] negative [ ],none [0.03 0], positive [ ] Output : {close_fast, close_slow, no_change, open_low, open_fast} direpresentasikan dengan kurva segitiga [a b c] close_fast [ ], close_slow [ ], no_change [ ], open_low [ ], open_fast [ ]

15 PENALARAN TSUKAMOTO - Pembuatan Aturan Fuzzy [R1] : IF level is okay THEN valve is no_change [R2] : IF level is low THEN valve is open_fast [R3] : IF level is high THEN valve is close_fast [R4] : IF level is okay and rate is positive THEN valve is close_slow [R5] : IF level is okay and rate is negative THEN valve is open_slow

16 PENALARAN TSUKAMOTO Representasi Fuzzy Input Level

17 PENALARAN TSUKAMOTO Representasi Fuzzy Input rate

18 PENALARAN TSUKAMOTO Representasi Fuzzy Output Flow Level

19 Pertanyaan JI PENALARAN TSUKAMOTO Jika suatu saat kondisi level adalah 0.5 dan rate 0. Tentukan flow rate dari katup tanki tersebut? Jawab Level : 0.5 hitung nilai derajat keanggotaannya 0.5 termasuk himpunan high dengan nilai dmf = e termasuk himpunan okay dengan nilai dmf = termasuk himpunan low dengan nilai dmf = Rate : 0 hitung nilai derajat keangotaannya 0 termasuk himpunan negative dengan nilai dmf = termasuk himpunan none dengan nilai dmf = 1 0 termasuk himpunan positive dengan nilai dmf = e-242

20 PENALARAN TSUKAMOTO Proses Implikasi [R1] IF level is okay THEN valve is no_change alpha_predikat 1 = min (µ okay [0.5]) = min (0,2494) = 0,2494 Lihat Himpunan no_change pada OUTPUT a. (z 1 -(-0.1)) / (0-(-0.1)) = z 1 = b. (0.1-z 1 )/(0.1-0) = z 1 = z 1pusat = [ ( )]/2 = 0

21 PENALARAN TSUKAMOTO Proses Implikasi [R2] IF level is low THEN valve is open_fast alpha_predikat 2 = min (µ low [0.5]) = min (0,2494) = 0,2494 Lihat Himpunan open_fast pada OUTPUT a. (z 2 -(0.8)) / (0.9-(0.8)) = z 2 = b. (1-z 2 )/(1-0.9) = z 2 = z 2pusat = [ ] /2 = 0.9

22 PENALARAN TSUKAMOTO Proses Implikasi [R3] IF level is high THEN valve is close_fast alpha_predikat 3 = min (µ high [0.5]) = min (3.7267e-006) = e-006 Lihat Himpunan close_fast pada OUTPUT a. (z 3 -(-1)) / (0.8-(-1)) = e-006 z 3 = b. (-0.8-z 3 )/(-0.8-(-0.9)) = e-006 z 3 = -0.8 z 3pusat = [ (-0.8)] /2 = -0.89

23 PENALARAN TSUKAMOTO Proses Implikasi [R4] IF level is okey and rate is positive THEN valve is close_slow alpha_predikat 3 = min (µ okay [0.5]; µ positive [0]) = min (0.2494; e-242) = e-242 Lihat Himpunan close_slow pada OUTPUT a. (z 4 -(-0.6)) / (-0.4-(-0.6)) = e-242 z 4 = -0.6 b. (-0.4-z 4 )/(-0.4-(-0.5)) = e-242 z 4 = -0.4 z 4pusat = [ (-0.4)] /2 = -0.5

24 PENALARAN TSUKAMOTO Proses Implikasi [R5] IF level is okay and rate is negaative THEN valve is open_slow alpha_predikat 3 = min (µ okay [0.5]; µ negative [0]) = min (0.2494; ) = Lihat Himpunan open_slow pada OUTPUT a. (z 5 -(0.2)) / ( ) = z 5 = b. (0.4-z 5 )/( ) = z 5 = z 2pusat = [0.2 + (0.3999)] /2 =

25 PENALARAN TSUKAMOTO (DEFUZZIFIKASI) Perhitungan Nilai Crisp pada Penalaran Tsukamoto Diperoleh dengan menggunakan Rata-rata terbobot sebagai berikut : z e e e e Dengan demikian, nilai crisp / real dari flow rate untuk katup adalah Maknanya?

26 PRACATICAL USING MATLAB

27 >> fuzzy tank Deskripsi Desain FIS (Input dan Output)

28 PRACATICAL USING MATLAB and Simulation >> sltankrule klik

30 TERIMA KASIH

dokumen-dokumen yang mirip

PENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012

PENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012 PENALARAN FUZZY Digunakan untuk menghasilkan suatu keputusan tunggal / crisp saat defuzzifikasi Penggunaan akan bergantung