Judul Pokok Bahasan - Gunadarma...

Click here to load reader

  • date post

    06-Feb-2018
  • Category

    Documents

  • view

    218
  • download

    2

Embed Size (px)

Transcript of Judul Pokok Bahasan - Gunadarma...

  • Logika Fuzzy 1/28

    Pengantar Kecerdasan Buatan (AK045218)

    Logika FuzzyPendahuluan

    Alasan digunakannya Logika FuzzyAplikasi

    Himpunan FuzzyFungsi keanggotaan

    Operator Dasar ZadehPenalaran Monoton

    Fungsi ImpilkasiSistem Inferensi Fuzzy

    Basis Data Fuzzy

    ReferensiSri Kusumadewi bab 7

  • Logika Fuzzy 2/28

    Pengantar Kecerdasan Buatan (AK045218)

    Pendahuluan

    Logika fuzzy adalah suatu carayang tepat untuk memetakansuatu ruang input ke dalam suaturuang output.

    Contoh:1. Manajer pergudangan mengata-

    kan pada manajer produksiseberapa banyak persediaanbarang pada akhir minggu ini, kemudian manajer produksi akanmenetapkan jumlah barang yang harus diproduksi esok hari

  • Logika Fuzzy 3/28

    Pengantar Kecerdasan Buatan (AK045218)

    2. Pelayan restoran memberi-kan pelayanan terhadaptamu, kemudian tamu akanmemberikan tip yang sesuaiatas baik tidaknya pelayananyang diberikan

    3. Penumpang taksi berkatapada sopir taksi seberapacepat laju kendaraan yang diinginkan, sopir taksi akanmengatur pijakan gas taksinya

  • Logika Fuzzy 4/28

    Pengantar Kecerdasan Buatan (AK045218)

    Salah satu contoh pemetaansuatu input-output dalambentuk grafis seperti terlihatdibawah ini :

    Persediaanbarang akhir

    Persediaanbarang akhir Persediaan

    barang esokPersediaanbarang esok

    KotakHitam

    Ruang Input(semua total persediaan barangyang mungkin)

    Ruang utput(semua jumlahproduksi barangyang mungkin)

    Pemetaan Input-output pada masalah produksiDiberikan data persediaan barang, berapa jumlah barang

    yang harus diproduksi?

  • Logika Fuzzy 5/28

    Pengantar Kecerdasan Buatan (AK045218)

    Alasan DigunakannyaLogika Fuzzy

    1. Konsep logika fuzzy mudahdimengerti. Konsepmatematis yang mendasaripenalaran fuzzy sangatsederhana dan mudahdimengerti

    2. Logika fuzzy sangat fleksibel3. Logika fuzzy memiliki

    toleransi terhadap data-data yang tidak tepat

  • Logika Fuzzy 6/28

    Pengantar Kecerdasan Buatan (AK045218)

    4. Logika fuzzy mampumemodelkan fungsi-fungsinonlinear yang sangat kompleks

    5. Logika fuzzy dapat membangundan mengaplikasikanpengalaman-pengalaman parapakar secara langsung tanpaharus melalui proses pelatihan

    6. Logika fuzzy dapat bekerjasamadengan teknik-teknik kendalisecara konvensional.

    7. Logika fuzzy didasarkan padabahasa alami

  • Logika Fuzzy 7/28

    Pengantar Kecerdasan Buatan (AK045218)

    APLIKASI

    1. Pada tahun 1990 pertamakali dibuat mesin cuci denganlogika fuzzy di Jepang(Matsushita Electric Industrial Company). Sistem fuzzy digunakan untuk menentukanputaran yang tepat secaraotomatis berdasarkan jenisdan banyaknya kotoran sertajumlah yang akan dicuci.

    2. Transmisi otomatis padamobil.

  • Logika Fuzzy 8/28

    Pengantar Kecerdasan Buatan (AK045218)

    3. Kereta bawah tanah Sendai mengontrol pemberhentianotomatis pada area tertentu

    4. Ilmu kedokteran dan biologi, seperti sistem diagnosis yang didasarkan pada logika fuzzy

    5. Manajemen dan pengambilankeputusan, sepertimanajemen basisdata, tataletak pabrik, pembuatangames yang didasarkan padalogika fuzzy

    6. Ekonomi, pemodelan fuzzy pada sistem pemasaran yang kompleks

  • Logika Fuzzy 9/28

    Pengantar Kecerdasan Buatan (AK045218)

    Himpunan Fuzzy

    Pada himpunan tegas (crisp), nilai keanggotan suatu item x dalam suatu himpunan A yang sering ditulis dengan A[x], memiliki 2 kemungkinan yaitu :

    Satu (1), yang berarti bahwasuatu item menjadi anggotadalam suatu himpunan, atau

    Nol (0), yang berarti bahwasuatu item tidak menjadianggota dalam suatuhimpunan

  • Logika Fuzzy 10/28

    Pengantar Kecerdasan Buatan (AK045218)

    Contoh 1:Jika diketahui :

    S = [1, 2, 3, 4, 5, 6] adalah semestapembicaraanA = [1, 2, 3]B = [3, 4, 5]

    Maka dapat dikatakan :Nilai keanggotaan 2 pada

    himpunan A, A[2] = 1, karena 2 ANilai keanggotaan 4 pada

    himpunan A, A[4] = 0, karena 4

    Contoh 2 :Misalkan variabel umur dibagi 3 kategori, yaitu :

  • Logika Fuzzy 11/28

    Pengantar Kecerdasan Buatan (AK045218)

    MUDA umur < 35 tahunPAROBAYA 35 umur 55 thnTUA umur > 55 tahunMaka dengan himpunan crispdisimpulkan:

    Apabila seseorang tidak berusia 34 tahun, maka ia dikatakan MUDA(MUDA [34] = 1)

    Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA (MUDA [35] = 0)

    Jika pada himpunan crisp, nilaikeanggotaan hanya ada 2 kemungkinan yaitu 0 dan 1, makapada himpunan fuzzy nilaikeanggotaan terletak pada rentang0 sampai 1

  • Logika Fuzzy 12/28

    Pengantar Kecerdasan Buatan (AK045218)

    Himpunan fuzzy memiliki 2 atribut :

    a. Linguistik, yaitu penamaansuatu grup yang mewakilisuatu keadaan atau kondisitertentu denganmenggunakan bahasa alami, seperti : MUDA, PAROBAYA, TUA

    b. Numeris, yaitu suatu nilai(angka) yang menunjukanukuran dari suatu variabelseperti : 40, 25, 35

  • Logika Fuzzy 13/28

    Pengantar Kecerdasan Buatan (AK045218)

    Hal-hal yang terdapat padasistem fuzzy :

    a. Variabel Fuzzy, merupakanvariabel yang hendak dibahasdalam suatu sistem fuzzy, sepertiumur, temperatur, dsb

    b. Himpunan Fuzzy, merupakansuatu grup yang mewakili suatukondisi atau keadaan tertentudalam suatu variabel fuzzy

    c. Semesta Pembicaraan, adalahkeseluruhan nilai yang diperbolehkan untuk dioperasikandalam suatu variabel fuzzy

    d. Domain, adalah keseluruhan nilaiyang diijinkan dalam semestapembicaraan dan bolehdioperasikan dalam suatuhimpunan fuzzy.

  • Logika Fuzzy 14/28

    Pengantar Kecerdasan Buatan (AK045218)

    FUNGSI KEANGGOTAAN

    Fungsi keanggotaan adalahsuatu kurva yang menunjukanpemetaan titik-titik input data ke dalam nilai keanggotaannya(derajat keanggotaan) yang memiliki interval antara 0 sampai 1

    Ada beberapa fungsi yang bisadigunakan :

  • Logika Fuzzy 15/28

    Pengantar Kecerdasan Buatan (AK045218)

    a. Representasi LinearAda 2 kemungkinan himpunan fuzzy linear yaitu

    1. Kenaikan himpunan dimulai pada nilaidomain yang memiliki derajatkeanggotaan nol [0] bergerak ke kananmenuju nilai domain yang memilikiderajat keanggotaan lebih tinggi

    Representasi Linear Naik

    Fungsi Keanggotaan :0; x a

    [x] = (x-a)/(b a) ; a x b1; x b

  • Logika Fuzzy 16/28

    Pengantar Kecerdasan Buatan (AK045218)

    2. Garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggipada sisi kiri, kemudian bergerakmenurun ke nilai domain yang memiliki derajat keanggotaan lebihrendah

    Representasi Linear Turun

    Fungsi Keanggotaan :(x-a)/(b a) ; a x b

    [x] = 0; x b

  • Logika Fuzzy 17/28

    Pengantar Kecerdasan Buatan (AK045218)

    b. Representasi Kurva Segitigac. Representasi Kurva Trapesiumd. Representasi Kurva bentuk Bahue. Representasi Kurva-Sf. Representasi Kurva Bentuk

    Lonceng, ada 3 jenis, Kurva PI, Kurva Beta dan Kurva GAUSS

    g. Koordinat KeanggotaanNiliai keanggotaan :

    Skalar(i)/Derajat(i)Skalar : nilai yang digambar daridomain himpunanDerajat : derajat keanggotaanhimpunan fuzzynya

  • Logika Fuzzy 18/28

    Pengantar Kecerdasan Buatan (AK045218)

    Operator Dasar Zadeh

    Operator ANDOperator ini berhubungan denganoperasi interseksi pada himpunan. -predikat sebagai hasil operasidengan operator AND diperolehdengan mengambil nilaikeanggotaan terkecil antar elemenpada himpunan-himpunan yang bersangkutan

    AB = min(A[x], B[y]) Operator OR

    Operator ini berhubungan denganperasi union pada himpunan.

  • Logika Fuzzy 19/28

    Pengantar Kecerdasan Buatan (AK045218)

    -predikat sebagai hasil operasidengan operator AND diperolehdengan mengambil nilaikeanggotaan terkecil antar elemenpada himpunan-himpunan yang bersangkutan

    AUB = max(A[x], B[y])

    Operator NOTOperator ini berhubungan denganoperasi komplemen himpunan. -predikat sebagai hasil operasidengan operator AND diperolehdengan mengambil nilaikeanggotaan terkecil antar elemenpada himpunan-himpunan yang bersangkutan

    A = 1-A[x]

  • Logika Fuzzy 20/28

    Pengantar Kecerdasan Buatan (AK045218)

    PENALARAN MONOTON

    Metode ini digunakan sebagaidasar untuk teknik implikasi fuzzy. Jika 2 daerah fuzzy direalisasikandengan implikasi sederhanasebagai berikut :

    IF x is A THEN y is B

    transfer fungsi :Y = f ((x, A), B)

    maka sistem fuzzy dapat berjalantanpa harus melalui komposisi dandekomposisi fuzzy. Nilai output dapat di estimasi secara langsungdari nilai keanggotaan yang berhubungan denganantesedennya.

  • Logika Fuzzy 21/28

    Pengantar Kecerdasan Buatan (AK045218)

    FUNGSI IMPLIKASI

    Bentuk umum aturan yang digunakan dalam fungsi implikasi :

    IF x is A THEN y is Bdengan x dan y adalah skalar, A dan B adalah himpunan fuzzy. Proposisi yang mengikuti IF disebut anteseden, sedangkanproposisi yang mengikuti THEN disebut konsekuen.

    Secara umum, ada dua fungsiimplikasi, yaitu :

    1. Min (minimum), fungsi ini akanmemotong output himpunan fuzzy

    2. Dot (product), fungsi ini akanmenskala output himpunan fuzzy

  • Logika Fuzzy 22/28

    Pengantar Kecerdasan Buatan (AK045218)

    SISTEM INFERENSI FUZZY

    Metode TsukamotoSetiap konsekuen pada aturanyang berbentu IF-THEN harusdirepresentasikan dengan suatuhimpunan fuzzy dengan fungsikeanggotaan yang monoton. Sebagai hasilnya, output hasilinferensi dari tiap-tiap aturandiberikan secara tegasberdasarkan -predikat. Hasilakhirnya diperoleh denganmenggunakan rata-rata terbobot

  • Logika Fuzzy 23/28

    Pengantar Kecerdasan Buatan (AK045218)

    Metode MamdaniSering dikenal dengan namaMetode Max-Min. Metode inidiperkenalkan oleh EbrahimMamdani pada tahun 1975.Untuk mendapatkan output diperlukan 4 tahapan :

    1. Pembentukan himpunan fuzzyVariabel input maupun output dibagi menjadi satu atau lebihhimpunan

    2. Aplikasi fungsi implikasiFungsi implikasi yang digunakanadalah Min

  • Logika Fuzzy 24/28

    Pengantar Kecerdasan Buatan (AK045218)

    3. Komposisi aturanAda tiga metode yang digunakandalam melakukan inferensi sistenfuzzy :

    a. Metode Maxb. Metode Additive (SUM)c. Metode Probabilistik OR

    4. Penegasan (defuzzy)Input dari defuzzifikasi adalahsuatu himpunan yang diperolehdari komposisi aturan-aturanfuzzy, sedangkan output yang dihasilkan merupakan suatubilangan pada domain himpunanfuzzy tersebut.

  • Logika Fuzzy 25/28

    Pengantar Kecerdasan Buatan (AK045218)

    Beberapa metode defuzzifi-kasi aturan MAMDANI :

    a. Metode Centroid (Composite Moment)

    b. Metode Bisektorc. Metode Mean of Maximun

    (MOM)d. Metode Largest of Maximum

    (LOM)e. Metode Smallest of Maximum

    (SOM)

  • Logika Fuzzy 26/28

    Pengantar Kecerdasan Buatan (AK045218)

    Metode SugenoPenalaran ini hampir samadengan penalaran Mamdani, hanya saja output (konsekuen) sistem tidak berupa himpunanfuzzy, melainkan berupakonstanta atau persamaan linear.

    a. Model Fuzzy Sugeno Orde-NolBentuk Umum :IF (X1 is A1) (X2is A2) (X3is A3)

    . (XNis AN) THEN z = kdengan Ai adalah himpunan fuzzy ke-I sebagai anteseden, dan k adalah konstanta (tegas) sebagaikonsekuen

  • Logika Fuzzy 27/28

    Pengantar Kecerdasan Buatan (AK045218)

    b. Model Fuzzy Sugeno Orde-SatuBentuk Umum :IF (X1 is A1) . (XNis AN) THEN z = p1* x1 + + pN * XN + qdengan Ai adalah himpunanfuzzy ke-I sebagaianteseden, dan pi adalahsuatu konstanta ke-I dan q merupakan konstanta dalamkonsekuen

  • Logika Fuzzy 28/28

    Pengantar Kecerdasan Buatan (AK045218)

    BASIS DATA Sebagian besar basis data standar

    diklasifikasikan berdasarkanbagaimana data tersebutdipandang oleh user danmenggunakan query untuk mencaridata yang diinginkan. Namunterkadang dibutuhkan suatu data yang bersifat ambiguous, makadigunakan basis data fuzzy. Salahsatu diantaranya adalah model Tahani. Basisdata fuzzy model Tahani masih tetap menggunakanrelasi standar, hanya saja model inimenggunakan teori himpunanfuzzy untuk mendapatkan informasipada query-nya.

    Logika FuzzyPendahuluanAlasan Digunakannya Logika FuzzyAPLIKASIHimpunan FuzzyFUNGSI KEANGGOTAANOperator Dasar ZadehPENALARAN MONOTONFUNGSI IMPLIKASISISTEM INFERENSI FUZZYBASIS DATA