Logika Fuzzy presentation free download .pptx

logika fuzzy

1. Instagram Youtube . Website.

2. TI 2022 Logika Fuzzy Kelompok-6.com

3. TI 2022 Logika Fuzzy Kelompok-6.com Logika Fuzzy Kecerdasan Buatan Teknik Informatika Fakultas Sains dan Teknologi Universitas Nahdlatul Ulama Lampung. IDENTITY

4. IDENTITY Hi, My Group Name Is Kelompok 6 Halo semuanya, kami disini dari kelompok 6 dari Mata kuliah Kecerdasaan Buatan, Sebelum di mulainya Presentasi ini kami akan memperkenalkan anggota-anggota Dari kelompok kami. Anggota : Rifki Miftahul Munir Annisa Sandi Mukhtarom Ilham Ismail

5. Pendahuluan

6. Definisi Fuzzy Logic Definisi Logika Fuzzy adalah peningkatan dari logika Boolean yang mengenalkan konsep kebenaran sebagian. Di mana logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran. Logika Fuzzy Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan", dan "sangat". Dia berhubungan dengan set fuzzy dan teori kemungkinan. Dia diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley pada 1965.

7. Nilai Derajat Logika fuzzy didasarkan pada gagasan bahwa segala sesuatu mempunyai nilai derajat. kebenaran sebagian Logika fuzzy merupakan peningkatan dari logika Boolean yang mengenalkan konsep kebenaran sebagian. Fungsi keanggotaan Fungsi keanggotaan merupakan kurva yang memetakan input ke derajat keanggotaan. Himpunan fuzzy Himpunan fuzzy merupakan pengembangan lebih lanjut dari konsep himpunan dalam matematika. Logika klasik (Crisp Logic) menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak) Tidak ada nilai diantaranya 2. Logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran Ada nilai diantara hitam dan putih (abu-abu). Crisp Logic

8. Fungsi Keanggotaan Merupakan kurva yang mendefinisikan bagaimana masing-masing titik dalam ruang input dipetakan dalam nilai keanggotaan (derajat keanggotaan) antara 0 dan 1. Fungsi keanggotaan  memetakan elemen x dari himpunan semesta X, ke sebuah bilangan  ( x), yang menentukan derajat keanggotaan dari elemen dalam himpunan fuzzy A: Pada himpunan tegas (crisp set), nilai keanggotaan suatu item x dalam suatu himpunan A (ditulis  A [x] ) memiliki 2 kemungkinan : Satu (1), artinya x adalah anggota A Nol (0), artinya x bukan anggota A Contoh 1 : Jika diketahui : S={1,2,3,4,5,6} adalah semesta pembicaraan A={1,2,3} B={3,4,5} maka : Nilai kaanggotaan 2 pada A,  A [2] = 1, karena 2  A Nilai kaanggotaan 4 pada A,  A [4] = 0, karena 4  A  : I ntegral  : E lemen dari  : Bukan elemen dari

9. 1 2 3 4 Himpunan Fuzzy(contd) Contoh 2 : “Jika suhu lebih tinggi atau sama dengan 80 o F, maka suhu disebut panas, sebaliknya disebut tidak panas” Kasus : Suhu = 100 o F , maka Panas Suhu = 80.1 o F , maka Panas Suhu = 79.9 o F , maka tidak panas Suhu = 50 o F , maka tidak panas If Suhu ≥ 80 o F, disebut panas If Suhu < 80 o F, disebut tidak panas Keterangan Fungsi keanggotaan dari himpunan tegas gagal membedakan antara anggota pada himpunan yang sama Ada problem-problem yang terlalu kompleks untuk didefinisikan secara tepat

10. 1 2 3 4 Himpunan Fuzzy(contd) Keterangan Fungsi keanggotaan dari himpunan tegas gagal membedakan antara anggota pada himpunan yang sama Ada problem-problem yang terlalu kompleks untuk didefinisikan secara tepat 1 Contoh 2 : “Jika suhu lebih tinggi atau sama dengan 80 o F, maka suhu disebut panas, sebaliknya disebut tidak panas” Kasus : Suhu = 100 o F , maka Panas Suhu = 80.1 o F , maka Panas Suhu = 79.9 o F , maka tidak panas Suhu = 50 o F , maka tidak panas If Suhu ≥ 80 o F, disebut panas If Suhu < 80 o F, disebut tidak panas Penalaran Monoton

11. Penalaran Monoton 1 2 Sistem Fuzzy adalah sistem berbasis pengetahuan atau sistem berbasis aturan di mana basis pengetahuannya direpresentasikan sebagai sekumpulan aturan produksi (aturan IF-THEN). (Wang, 1997) Aturan Fuzzy If Then Metode penalaran secara monoton digunakan sebagai dasar untuk teknik implikasi fuzzy. Meskipun penalaran ini sudah jarang sekali digunakan, namun kadang masih digunakan untuk penskalaan fuzzy. Jika 2 variabel fuzzy direlasikan dengan implikasi sederhana sebagai berikut : If x is A Then Y is B atau y=f((x,A),B) maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari nilai keanggotaan yang berhubungan dengan antesendennya 50% 50% 50% 50% 50% 50%

12. Penalaran Monoton 1 2 Sistem Fuzzy adalah sistem berbasis pengetahuan atau sistem berbasis aturan di mana basis pengetahuannya direpresentasikan sebagai sekumpulan aturan produksi (aturan IF-THEN). (Wang, 1997) Fungsi Implikasi Bentuk umum aturan yang digunakan dalam fungsi implikasi : IF x is A THEN y is B dengan x dan y adalah skalar, A dan B adalah himpunan fuzzy. Proposisi yang mengikuti IF disebut anteseden, sedangkan proposisi yang mengikuti THEN disebut konsekuen. Secara umum, ada dua fungsi implikasi, yaitu : Min (minimum), fungsi ini akan memotong output himpunan fuzzy Dot (product), fungsi ini akan menskala output himpunan fuzzy 3

13. Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamis. Sistem ini mempunyai kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tak pasti. Sistem ini menduga suatu fungsi dengan logika fuzzy. Penalaran Monoton 1 2 Sistem Fuzzy adalah sistem berbasis pengetahuan atau sistem berbasis aturan di mana basis pengetahuannya direpresentasikan sebagai sekumpulan aturan produksi (aturan IF-THEN). (Wang, 1997) Contoh Implementasi A 2 B If X 1 is A 1 and X 2 is A 2 Then Y is B A 1 A 2 B X 1 X 2 Y Aplikasi fungsi implikasi Min Aplikasi fungsi implikasi Dot A 1 Y X 1 X 2 If X 1 is A 1 and X 2 is A 2 Then Y is B a. b. Aplikasi fungsi implikasi menggunakan operator min . Aplikasi fungsi implikasi menggunakan operator dot . 3 Tahapan Sistem Fuzzy

14. Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamis. Sistem ini mempunyai kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tak pasti. Sistem ini menduga suatu fungsi dengan logika fuzzy. Tahapan Sistem Fuzzy 1 2 3 Sistem Fuzzy inferensia komposisi defuzzifikasi Input Output Sistem Fuzzy Fuzzyfikasi Terdapat 4 tahap dalam pembangunan sistem Fuzzy menurut Havinga et al (1999)

15. Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamis. Sistem ini mempunyai kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tak pasti. Sistem ini menduga suatu fungsi dengan logika fuzzy. Tahapan Sistem Fuzzy 1 2 3 Fuzzifikasi Variabel input (crisp) dari sistem fuzzy ditransfer ke dalam himpunan fuzzy untuk dapat digunakan dalam perhitungan nilai kebenaran dari premis pada setiap aturan dalam basis pengetahuan. Tahap ini mengambil nilai-nilai crisp dan menentukan derajat dimana nilai-nilai tersebut menjadi anggota dari setiap himpunan fuzzy yang sesuai.

16. Tahapan Sistem Fuzzy 1 2 3 Komposisi Proses dimana himpunan fuzzy yang menyatakan output dari setiap aturan dikombinasikan bersama ke dalam sebuah himpunan fuzzy. Metode yang digunakan max dan sum . Input defuzzikasi adalah himpunan fuzzy (yang dihasilkan dari proses komposisi) dan output adalah sebuah nilai (crisp) Teknik yang umum digunakan adalah Center of gravity (centriod) defuzzifier Center average deffuzifier Maximum defuzzifier Defuzzifikasi Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamis. Sistem ini mempunyai kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tak pasti. Sistem ini menduga suatu fungsi dengan logika fuzzy.

17. Tahun 1990 pertama kali mesin cuci dengan logika fuzzy di Jepang (Matsushita Electric Industrial Company). Sistem fuzzy digunakan untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci. Input yang digunakan : seberapa kotor, jenis kotoran, banyaknya yang dicuci. Mesin ini menggunakan sensor optik, mengeluarkan cahaya ke air dan mengukur bagaimana cahaya tersebut sampai ke ujung lainnya. Makin kotor, maka sinar yang sampai makin redup. Sistem juga mampu menentukan jenis kotoran tersebut daki/minyak. APLIKASI LOGIKA FUZZY 1. Transmisi otomatis pada mobil Nissan,menghemat bensin 12 – 17 % 2. Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu Ilmu kedokteran dan biologi, seperti sistem diagnosis kanker Manajemen dan pengambilan keputusan, misal tata letak pabrik berdasarkan logika fuzzy, pembuatan games berdasarkan logika fuzzy,dll Ilmu lingkungan, misal kendali kualitas air, prediksi cuaca Teknik,misal perancangan jaringan komputer, prediksi adanya gempa bumi, dll 3. 4. 5. 6.