MATLAB, Penalaran Mamdani

dokumen-dokumen yang mirip
Fuzzy Expert Sistem. Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2015

Praktikum sistem Pakar Fuzzy Expert System

Praktikum 10 Tim Asisten Praktikum Sistem Pakar

Tahap Sistem Pakar Berbasis Fuzzy

: Pengantar Intelegensi Buatan. Worksheet 2 : Praktikum Fuzzy Logic menggunakan MATLAB

BAB 3 ALGORITMA PERENCANAAN SISTEM PENGENALAN PENYAKIT DARAH

Fuzzy Logic dengan Menggunakan MATLAB Bahan Kuliah

Praktikum Sistem Pakar Jumat 16 Desember 2013 Pertemuan 12. Tabel 1. Rancangan Variabel fuzzy Fungsi Nama Variabel Rentang Nilai Keterangan

LOGIKA FUZZY MENGGUNAKAN MATLAB

PENENTUAN JUMLAH PRODUKSI PULP PADA PT.TOBA PULP LESTARI, Tbk. DENGAN MENGGUNAKAN METODE FUZZY-MAMDANI SKRIPSI AGNES NENNY SISKA SINAGA

SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ

Studi Kasus Fuzzy Logic 2016

Solusi MATLAB. Double Click salah satu kotak input sehingga muncul Membership Function Editor. Pada Membership Function Editor:

BAB IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat

Erwien Tjipta Wijaya, ST.,M.Kom

DENIA FADILA RUSMAN

FUZZY SYSTEM & FUZZY REASONING DEPARTEMEN ILMU KOMPUTER IPB

Mahasiswa mampu memformulasikan permasalahan yang mengandung fakta dengan derajad ketidakpastian tertentu ke dalam pendekatan Sistem Fuzzy.

BAB 1 PENDAHULUAN. Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan

JOBSHEET SISTEM CERDAS REASONING 2. Fuzzifikasi

ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA

Sist Sis em t Fuzzy Fuzz Sistem Pakar

Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas

Sebelumnya... Penalaran pada Sistem Pakar. Ketidakpastian dalam Sistem Pakar. Contoh forward chaining & backward chaining

METODOLOGI PENELITIAN

EVALUASI KINERJA GURU DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI

Analisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic

LOGIKA FUZZY (Lanjutan)

BAB II LANDASAN TEORI. Pada bab ini berisi tentang teori mengenai permasalahan yang akan dibahas

BAB IV PEMBAHASAN. Pada penelitian ini akan dibandingkan antara aplikasi teori graf fuzzy dan

FUZZY LOGIC CONTROL 1. LOGIKA FUZZY

ANALISA SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KOSENTRASI JURUSAN TEKNIK MESIN UNP PADANG

LOGIKA FUZZY METODE MAMDANI DALAM SISTEM KEPUTUSAN FUZZY PRODUKSI MENGGUNAKAN MATLAB

BAB 2 LANDASAN TEORI

PENENTUAN JUMLAH PRODUKSI TELEVISI MERK X MENGGUNAKAN METODE FUZZY MAMDANI

BAB II TINJAUAN PUSTAKA

OPTIMASI FUNGSI KEANGGOTAAN FUZZY MENGGUNAKAN METODE MAMDANI TERHADAP PREDIKSI PERILAKU PEMBELI

NURAIDA, IRYANTO, DJAKARIA SEBAYANG

SISTEM CERDAS LATIHAN FUZZY LOGIC Dr. Fatchul Arifin, ST., MT. Phone:

IMPLEMENTASI FUZZY LOGIC DALAM MENENTUKAN PENDUDUK MISKIN (STUDI KASUS PADA BADAN PUSAT STATISTIK KOTA PAGARALAM)

BAB II: TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA

Desain sistem Analisis sistem Implementasi sistem Pemeliharaan Sistem HASIL DAN PEMBAHASAN Investigasi sistem

BAB III. Sub Kompetensi :

Materi 8: Introduction to Fuzzy Logic

IV PENGEMBANGAN FUZZY INFERENSI SISTEM SELEKSI METODE EOR

MODEL PENENTUAN GURU BERPRESTASI BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)

JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 4 NO. 1 SEPTEMBER 2011

PENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012

SISTEM PENGENDALIAN PERSEDIAAN DENGAN PERMINTAAN DAN PASOKAN TIDAK PASTI (Studi Kasus pada PT.XYZ) AYU TRI SEPTADIANTI

Sebelumnya... Penalaran pada Sistem Pakar. Ketidakpastian dalam Sistem Pakar. Contoh forward chaining & backward chaining

Fuzzy Logic. Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic.

Metode Fuzzy. Analisis Keputusan TIP FTP UB

BAB III METODE PENELITIAN

BAB II KAJIAN TEORI. untuk mengembangkan konsep dalam melakukan optimasi rule dalam diagnosa

LOGIKA FUZZY PADA PROSES PELET PAKAN IKAN

Aplikasi Fuzzy Inference System Dalam Penilaian Prestasi Mahasiswa

PENGEMBANGAN SISTEM PAKAR FUZZY

MODEL SISTEM PENDUKUNG KEPUTUSAN DENGAN FUZZY INFERENCE SYSTEM UNTUK PROMOSI KARYAWAN

BAB 2 LANDASAN TEORI

Penerapan Fuzzy Logic Sebagai Pendukung Keputusan Dalam Upaya Optimasi Penjualan Barang

Penilaian Hasil Belajar Matematika pada Kurikulum 2013 dengan Menggunakan Logika Fuzzy Metode Mamdani

PENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI

DAFTAR ISI. KATA PENGANTAR i. DAFTAR ISI. iv. DAFTAR GAMBAR. viii. DAFTAR TABEL. x. DAFTAR LAMPIRAN.. xi. 1.1 Latar Belakang dan Rumusan Masalah..

Vibration Monitoring. Diganosa Kerusakan. Produktifitas menurun

Jika kecepatan mobil adalah : 50 km/jam dan jaraknya adalah 0,75 m berapa posisi pedal yang harus di injak? Denganketentuan aturan sebagai berikut :

4-5-FUZZY INFERENCE SYSTEMS

ANALISIS PERBANDINGAN LOGIKA FUZZY DENGAN REGRESI BERGANDA SEBAGAI ALAT PERAMALAN

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

IDENTIFIKASI BUAH MANGGA GEDONG GINCU CIREBON BERDASARKAN CITRA RED-GREEN-BLUE MENGGUNAKAN ADAPTIF NEURO FUZZY INFERENCE SYSTEM ABSTRACT ABSTRAK

BAB II KAJIAN PUSTAKA. mengikuti sertifikasi, baik pendidikan gelar (S-1, S-2, atau S-3) maupun nongelar (D-

Bab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI

FUZZY LOGIC UNTUK MENENTUKAN PENJUALAN RUMAH DENGAN METODE MAMDANI (STUDI KASUS: PT GRACIA HERALD)

SISTEM PENDUKUNG KEPUTUSAN SELEKSI SUPPLIER DENGAN PENDEKATAN METODE FIS MAMDANI PADA KOPERASI XYZ

adalahkelompok profesi terbesar dan berperan vital dalam sistem tersebut yang menyebabkan ABSTRAK

PERBANDINGAN PRODUKSI KOPI OPTIMUM ANTARA METODE FUZZY-MAMDANI DENGAN FUZZY-SUGENO (Studi Kasus: PT SARIMAKMUR TUNGGALMANDIRI)

PENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI

Aplikasi Graf Fuzzy dan Aljabar Max-Plus untuk Pengaturan. Lampu Lalu Lintas di Simpang Empat Beran Kabupaten Sleman

LOGIKA FUZZY DALAM TEKNIK PERAMALAN SECARA STATISTIK

PERANCANGAN SISTEM KENDALI PADA MICROHIDRO DENGAN FUZZY LOGIC CONTROLLER

Ada 5 GUI tools yang dapat dipergunakan untuk membangun, mengedit, dan mengobservasi sistem penalaran, yaitu :

IMPLEMENTASI FUZZY MAMDANI DALAM MENENTUKAN PEMBELIAN CAT (STUDI KASUS PT. XYZ)

STUDY TENTANG APLIKASI FUZZY LOGIC MAMDANI DALAM PENENTUAN PRESTASI BELAJAR SISWA (STUDY KASUS: SMP PEMBANGUNAN NASIONAL PAGAR MERBAU)

BAB 2 LANDASAN TEORI

SISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB

Institut Teknologi Sepuluh Nopember Surabaya

3.1.2 Analisis Kebutuhan... Error! Bookmark not defined Perancangan... Error! Bookmark not defined Pengujian... Error!

LOGIKA FUZZY. Kelompok Rhio Bagus P Ishak Yusuf Martinus N Cendra Rossa Rahmat Adhi Chipty Zaimima

Untuk dapat lebih memahani fuzzy Tsukamoto, berikut contoh kasus :

PENDAHULUAN A. LATAR BELAKANG MASALAH

Jurnal String Vol. 1 No. 1 Tahun 2016 ISSN: MODEL EVALUASI KINERJA KARYAWAN DENGAN METODE FUZZY SUGENO PADA RESTO ABTL

ANALISA TINGKAT KEPUASAN MASYARAKAT DENGAN KUALITAS KINERJA KEPOLISIAN MENGGUNAKAN METODE FUZZY LOGIC SUGENO

IV. PERANCANGAN 4.1 Kerangka Sistem Yang Dirancang

Logika Fuzzy. Farah Zakiyah Rahmanti 2016

BAB III METODE PENELITIAN. sistem yang digunakan untuk menggambarkan aliran data secara keseluruhan

SIDANG TUGAS AKHIR IMPLEMENTASI FUZZY RULES UNTUK PERENCANAAN DAN PENENTUAN PRIORITAS DI PDAM KOTA SURABAYA. oleh: WINDA ZULVINA

BAB II LANDASAN TEORI. Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya

PENGGUNAAN METODE FIS MAMDANI DALAM MEMPERKIRAKAN TERJADINYA GELOMBANG TSUNAMI AKIBAT GEMPA BUMI

Penerapan Fuzzy Inference System pada Prediksi Curah Hujan di Surabaya Utara

OPTIMASI PENGGUNAAN MEMBERSHIP FUNCTION LOGIKA FUZZY PADA KASUS IDENTIFIKASI KUALITAS MINYAK TRANSFORMATOR

Transkripsi:

MATLAB, Penalaran Mamdani Praktikum 9 Sistem Pakar Tim Asisten Sistem Pakar 2014 Ketentuan Praktikum Sebelum praktikum dimulai dipersilahkan untuk berdoa agar kegiatan praktikum berjalan dengan lancar Lembar Kerja Praktikum ini dibuat sebagai panduan bagi mahasiswa untuk praktikum pertemuan ke - 9 Mahasiswa akan mendapatkan penjelasan terlebih dahulu oleh dosen mengenai subatansi yang akan dipelajari Mahasiswa dipersilahkan untuk bertanya, memberikan komentar atau masukan kepada dosen dengan cara yang baik. Setelah selesai mahasiswa akan mengerjakan Latihan yang terdapat di halaman bagian akhir setelah materi selesai 1

Pembahasan Langkah 1 : Menambah variabel Menambah membership function Langkah 2 : menambah Rule Langkah 3 : evaluasi FIS Membuat FIS Fungsi newfis untuk membuat FIS baru. FIS=newfis(FISNAME) FIS=newfis(FISNAME, FISTYPE) FIS=newfis(FISNAME, FISTYPE, andmethod, ormethod, impmethod, aggmethod, defuzzmethod) default FIS type : Mamdani 2

Membuat FIS a=newfis('newsys'); getfis(a); Nama variabel Membuat FIS Name = newsys Type = mamdani NumInputs = 0 InLabels = NumOutputs = 0 OutLabels = NumRules 0 AndMethod min OrMethod max ImpMethod min AggMethod max DefuzzMethod centroid 3

Menambah Variabel Fungsi addvar untuk menambah variabel fuzzy baru ke suatu sistem FIS yang telah ada a = addvar (a,vartype,varname,varbounds) Deskripsi: a = nama FIS vartype = tipe variabel input atau output varname = nama variabel varbounds = rentang nilai variabel Menambah Variabel Misalkan kita ingin membuat variabel fuzzy untuk input tinggi badan dengan rentang nilai 100 180. a = addvar(a, input, tinggi, [100 180]); getfis(a, input, 1); Coba: help getfis. Fungsi getfis adalah untuk. 4

Menambah Membership function a = addmf(a, vartype, varindex, mfname, mftype, mfparams) Deskripsi: a = nama FIS vartype = tipe variabel input atau output varindex = varibel ke berapa yang mau ditambahin mfnya mfname = nama/linguistik nya. mftype = jenis membership function, contoh: trapesium (trapmf), segitiga (trimf), atau gaussian (gaussmf) Menambah Membership Function % #1 membuat Sistem FIS baru disimpan dalam variabel a a = newfis('myfis1'); % #2 menambah variabel input fuzzy "usia" dengan rentang nilai usia 0-70 a = addvar(a, 'input', 'usia', [0 70]); 5

Lanj.. % #3 menambah membership function a = addmf(a, 'input', 1, 'muda', 'gaussmf', [10 0]); a = addmf(a, 'input', 1, 'pertengahan', 'gaussmf', [10 35]); a = addmf(a, 'input', 1, 'lansia', 'gaussmf', [10 70]); % mem-plot membership function plotmf (a, 'input', 1) Menambah Rule Fungsi addrule untuk menambah rule ke suatu FIS yang telah ada. a = addrule(a, rulelist) Deskripsi: a = nama FIS rulelist = list rule. Berisi M+N+ 2 kolom untuk setiap rule. M = jumlah variabel input N = jumlah variabel output 6

Example of Fuzzy IF-THEN Rules and Fuzzy Inferencing System (1) Studi Permasalahan: Suatu Perusahaan akan melakukan perkiraan terhadap produksi suatu barang tiap bulan. Untuk menentukan jumlah barang yang diproduksi tersebut digunakan pendekatan fuzzy. Dalam kasus ini terdapat parameter masukan yaitu permintaan dan persediaan barang. Adapun parameter keluaran adalah jumlah barang yang akan diproduksi. Tabel 1 di bawah ini memperlihatkan variabel fuzzy yang akan dibuat berikut domain permasalahanya. Domain Variabel Fuzzy Fungsi Nama Variabel Rentang Nilai Keterangan permintaan [8 24] jumlah permintaan per bulan Input per unit persediaan [30 60] Jumlan persediaan per bulan per unit Output jumlah produksi [10 25] Kapasitas produksi barang 7

Himpunan Fuzzy variabel fuzzy Fungsi Variabel Himpunan Rentang Domain Sedikit [8 11 14] Permintaan Sedang [8 24] [13 16 19] Banyak [18 21 24] INPUT Sedikit [30 36 42] Persediaan Sedang [30 60] [38 45 50] Banyak [47 55 60] OUTPUT Jumlah_Produksi Sedikit [10 10 14 20] [10 25] Banyak [17 21 25 25] Aturan Berikut ini adalah aturan-aturan yang digunakan dalam Fuzzy Inference System (FIS) 1. IF permintaan sedikit AND persediaan sedikit THEN produksi sedikit 2. IF permintaan sedang AND persediaan sedikit THEN produksi sedikit 3. IF permintaan sedang AND persediaan banyak THEN produksi banyak 4. IF permintaan banyak AND persediaan sedikit THEN produksi sedikit 5. IF permintaan banyak AND persediaan sedang THEN produksi banyak 6. IF permintaan banyak AND persediaan banyak THEN produksi banyak 8

Pertanyaan Tentukan jumlah barang yang harus diproduksi jika Permintaan 18 unit dan persediaan 38 unit Permintaan 20 unit dan persediaan 40 unit Permintaan 22 unit dan persediaan 52 unit Pembahasan %membuat FIS baru dengan nama FIS = perusahaan a=newfis('perusahaan'); %menambahkan variabel input permintaan dan persediaan a=addvar(a,'input','permintaan',[8 24]); a=addvar(a,'input','persediaan',[30 60]); %menambahkan variabel output jml_produksi a=addvar(a,'output','jml_produksi',[10 25]); 9

%menambahkan membership function untuk permintaan a=addmf(a,'input',1,'sedikit','trimf',[8 11 14]); a=addmf(a,'input',1,'sedang','trimf',[13 16 19]); a=addmf(a,'input',1,'banyak','trimf',[18 21 24]); %menambahkan membership function untuk persediaan a=addmf(a,'input',2,'sedikit','trimf',[30 36 42]); a=addmf(a,'input',2,'sedang','trimf',[38 45 50]); a=addmf(a,'input',2,'banyak','trimf',[47 55 60]); %menambahkan membership function untuk jml_produksi a=addmf(a,'output',1,'sedikit','trapmf',[10 10 14 20]); a=addmf(a,'output',1,'banyak','trapmf',[17 21 25 25]); %menambahkan rule rulelist=[1 1 1 1 1; 2 1 1 1 1; 2 3 2 1 1; 3 1 1 1 1; 3 2 2 1 1; 3 3 2 1 1]; a=addrule(a,rulelist); %evaluasi FIS output=evalfis([18 38;20 40; 22 52],a) 10

TUGAS Diketahui tiga buah variabel Fuzzy A, B dan C A dan B sebagai Input dan C sebagai Output Deskripsi Representasi Himpuan Fuzzy dari ketiga variabel tersebut Input Output A B C Mahal dengan kurva Trapezoidal (A;1200,1500,2000,2000) Sedang dengan kurva Triangle (A: 600,1000,1500) Murah dengan kurva Trapezoidal (A: 0,0,500,800) Enak dengan kurva Trapezoidal (B; 10,15,25,25) Kurang Enak dengan kurva Trapezoidal (B;5,8,12,15) Tidak Enak dengan kurva Trapezoidal (B;0,0,7,12) Besar dengan kurva Trapezoidal (C; 60,75,100,100) Sedang dengan kurva Trapezoidal (C;20,25,50,75) Kecil dengan kurva Trapezoidal (C;0,10,15,25) ilkom.fmipa.ipb.ac.id TUGAS RULE R1 : Jika A adalah sedang dan B adalah enak maka C adalah besar R2 : Jika A adalah murah maka C adalah besar R3 : Jika A adalah sedang dan B adalah tidak enak maka C adalah sedang R4 : Jika A adalah mahal dan B adalah kurang enak maka C adalah sedang 11

TUGAS Tentukan nilai C jika diketahui nilai input sebagai berikut : A = 1400 dan B = 15 A = 1300 dan B = 13 A = 900 dan B = 7 12