TUGAS TEORI LOGIKA FUZZY

DISUSUN OLEH : AGUS PURWANTO ( 06224005 ) FAKULTAS TEKNOLOGI INDUSTRI JURUSAN TEKNIK ELEKTRO INSTITUT SAINS DAN TEKNOLOGI NASIONAL JAKARTA 2008 LOGIKA FUZZY PENDAHULUAN Logika fuzzy pertama kali diformulasikan dalam sebuah seminar oleh Lotfi A Zadeh dari University of Califonia, Berkeley tahun 1965.Metode ini diformulasikan dal am rangka mencari nilai tengah antara bilangan Aristoteles 0 dan 1. Logika biner 0 atau 1 dasarnya berfikirnya adalah dari filsuf Aristoteles yang mengajarkan h ukum berfikir bahwa sesuatunya mesti tergolong benar atau salah. Logika biner ha nya mengenal on atau off, hidup atau mati, gelap atau terang, benar atau salah. Tidak ada yang samar-samar, tidak ada abu-abu yang ada hanya hitam atau putih. J ika tidak 1 maka 0, jika tidak gelap berarti terang dan ini adalah sesuatu yang logis. Dan ini juga yang menjadi dasar perkembangan teknologi digital saat ini.H al itu seiring dengan usaha untuk membuat komputer yang bekerja seperti cara man usia berfikir. Sebab komputer pada dasarnya adalah sebuah mesin hitung yang tida k berfikir. Sebelumnya Plato sudah mencetuskan ide adanya daerah ketiga diantara benar dan salah. Ini yang menjadi dasar logika fuzzy yang memformulasikan bilan gan antara 0 dan 1 atau lebih tepat antara 0.0 dan 1.0. Dapat disimpulkan Logika fuzzy adalah suatu cara yang tepat untuk memetakan suat u ruang input ke dalam suatu ruang output. Contoh: 1. Manajer pergudangan mengatakan pada manajer produksi seberapa banyak pe rsediaan barang pada akhir minggu ini, kemudian manajer produksi akan menetapkan jumlah barang yang harus diproduksi esok hari 2. Pelayan restoran memberikan pelayanan terhadap tamu, kemudian tamu akan memberikan tip yang sesuai atas baik tidaknya pelayanan yang diberikan. 3. Penumpang taksi berkata pada sopir taksi seberapa cepat laju kendaraan y ang diinginkan, sopir taksi akan mengatur pijakan gas taksinya.

Salah satu contoh pemetaan suatu input-output dalam bentuk grafis seperti terli hat dibawahini: Alasan Digunakannya Logika Fuzzy 1.Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalara n fuzzy sangat sederhana dan mudah dimengerti 2.Logika fuzzy sangat fleksibel 3.Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat 4.Logika fuzzy mampu memodelkan fungsi-fungsi non linear yang sangat kompleks

5.Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pa kar secara langsung tanpa harus melalui proses pelatihan 6.Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensiona l. 7.Logika fuzzy didasarkan pada bahasa alami

APLIKASI 1.Pada tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang ( Matsushita Electric Industrial Company). Sistemfuzzy digunakan untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci. Selain mesin cuci Mesin cuci otomatis satu tabung yang muktahir saat ini sering mencantumkan kata fuzzy logic sebagai bagian dari prom osinya. Cara kerjanya gampang, tinggal memasukkan baju kotor kedalam tabungnnya, t ekan satu atau beberapa tombol dan mesin ini akan melakukan sisanya untuk anda. Mengisi air dengan jumlah yang cukup, mengisi deterjen dan mencuci dengan waktu yang sesuai. Mesin ini bekerja meniru cara ibu rumahtangga mencuci dengan mesin cuci konvensional. Ibu rumahtangga akan mengisi air dan deterjen yang secukupnya sesuai dengan banyaknya baju yang hendak dicuci agar lebih hemat, lalu memutar timer yang sesuai dengan tingkat kekotoran pakaian. Jika pakaian lebih kotor mak a timer dibuat lebih lama. Di sinilah contohnya metode logika fuzzy dipakai, den gan menjawab pernyataan jika dan maka (IF THEN). Jika pakaian yang dicuci tidak terlalu kotor maka mencuci mestinya harus lebih cepat. Dengan menimbang tingkat kekotoran kain yang direalisasikan dengan mengukur tingkat kekeruhan air cucian dengan sensor cahaya, mesin dapat memutuskan berapa lama harus mencuci pakaian s upaya lebih hemat dan efisien. 2.Transmisi otomatis pada mobil. Mobil nisan telah menggunakan asistem fuzzy pad a transmisi otomatis dan mampu menghemat bensin 12-17% 3.Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu 4.Ilmu kedokteran danb iologi, seperti sistem diagnosis yang didasarkan pada log ika fuzzy 5.Manajemen dan pengambilan keputusan, seperti manajemen basis data, tata letak pabrik, pembuatan games yang didasarkan padal ogikaf uzzy 6.Ekonomi, pemodelan fuzzy pada sistem pemasaran yang kompleks

SISTEM PAKAR DEFINISI Secara umum, sistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah sepe rti yang biasa dilakukan oleh para ahli. Sistem pakar yang pertama kali muncul a dalah General purpose Problem Solver (GPS) dikembangkan oleh Newel Dan Simon Beberapa definisi tentang system pakar : Menurut Durkin: Sistem pakar adalah suatu program komputer yang dirancan g untuk memodelkan kemampuan penyelesaian masalah yang dilakukan oleh seorang pa kar. Menurut Ignizio: Sistem pakar adalah suatu model dan prosedur yang berka itan, dalam suatu domain tertentu, yang mana tingkat keahliannya dapat dibanding kan dengan keahlian seorang pakar. Menurut Giarratano dan Riley : Sistem pakar adalah suatu sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar. MenurutEfraimTurban, SP harus mengandung: keahlian, ahli, pengalihan kea hlian, inferensi, aturan dan kemampuan menjelaskan.

Contoh Sistem Pakar SistemPakar Kegunaan MYCIN Dirancang oleh Edward Feigenbaum(UniversitasStanford) th70 an Diagnosa Penyakit DENDRAL Mengidentifikasi struktur molecular campuran yang tidak dikenal XCON & XSEL Dikembangkan oleh DEC dan CMU, akhir70 an Membantu konfigurasi sys tem computer besar SOPHIE Ana Lisissirkuit elektronik PROSPECTOR Didesign oleh Sheffield Research Institute, akhir70an Digunaka n didalam geologi untuk membantu mencari dan menemukan deposit FOLIO Membantu memberikan keputusan bagi seorang manajer dalam halstokbroker d an investasi DELTA Pemeliharaan lokomoti Llistrik diesel Keuntungan sistem pakar : 1.Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli 2.bisa melakukan proses secara berulang secara otomatis 3.menyimpan pengetahuan dan keahlian para pakar 4.meningkatkan output dan produktivitas 5.meningkatkan kualitas 6.mampu mengambil dan melestarikan keahlian para pakar 7.mampu beroperasi dalam lingkungan berbahaya 8.memiliki kemampuan untuk mengakses pengetahuan 9.memiliki realibilitas 10.meningkatkan kapabilitas system computer 11.memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan men gandung ketidak pastian 12.sebagai media pelengkap dalam pelatihan 13.meningkatkan kapabilitas dalam penyelesaian masalah 14.menghemat waktu dalam pengambilan keputusan Kelemahan sistem pakar : 1.biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal 2.sulit dikembangkan. Hal ini erat kaitannya dengan ketersediaan pakar dalam bid angnya 3.system pakar tidak 100% bernilai benar Bentuk dan Struktur Sistem Konvensional Sistem Pakar(ES) Informasi dan pemrosesan biasanya jadi satu dengan program Basis pengetahua n merupakan bagian terpisah dari mekanisme inferensi Biasanya tidak bisa menjelaskan mengapa suatu input data itu dibutuhkan atau bag aimana output itu diperoleh Penjelasan adalah bagian terpenting dari system pakar Pengubahan program cukup sulit Pengubahan aturan dapat dilakuan dengan mudah Sistem hanya akan beroperasi jika system tersebut sudah lengkap Sistem d apat beroperasi hanya dengan beberapa aturan Eksekusi dilakukan langkah demi langkah Eksekusi dilakukan pada semua basis peng etahuan Menggunakan data Menggunakan Pengetahuan Tujuan utamanya adalah efisiensi Tujuan utamanya adalah efektivitas

Ciri-ciri dan Domain Sistem Pakar :

Memiliki fasilitas informasi yang handal Mudah dimodifikasi Dapat digunakan dalam berbagai jenis komputer Memilki kemampuan untuk belajar beradaptasi.

Permasalahan yang Disentuh oleh Sitem Pakar (Domain Sistem Pakar ) : Interpretasi:Pengambilan keputusan dari hasil observasi, termasuk pengenalan uc apan, analisis citra, interpretasi sinyal, dll Prediksi: prediksi demografi, prediksi ekonomi, dll. Diagnosis : diagnosis medis, elektronis, mekanis, dll. Perancangan: perancangan layout sirkuit, bangunan. Perencanaan: perencanaan keuangan, militer, dll Monitoring : computer aided monitoring system Debugging : memberikan resep obat terhadap kegagalan Instruksi: melakukan instruksi untuk diagnosis, debugging dan perbaikan kinerja Kontrol: melakukan kontrol terhadap interpreasi, prediksi, perbaikan dan monito ring kelakukan sistem. Berdiri sendiri. Sistem jenis ini merupakan sistem yang berdiri sendiri tidak t ergabung dengan sistem yang lain. Tergabung. Sisem ini merupakan bagian program yang terkandung didalam suatu alg oritma (konvensional) . Menghubungkan kesistem lain. Bentuk ini biasanya merupakan Sisten Pakar yang m enghubungkan kesuatu paket program tertentu, misalnya DBMS. Sistem mengabdi. Sistem ini merupakan bagian dari computer khusus yang dihubung kan dengan suatu fungsi tertentu. Struktur Sistem pakar User interface (antarmuka) : mekanisme komunikasi antara user dan Sistem Pakar Explanation facility (subsistem Penjelasan) : digunakan untuk melacak respon da n memberikan penjelasan tentang kelakuan sistem pakar secara interaktif Working memory : database global dari fakta yang digunakan dalam prosedur Agenda : daftar prioritas prosedur yang dibuat oleh motor inferensi dan direkam dalam working memory Inference engine (motor inferensi) : program yang berisi metodologi yang diguna kan untuk melakukan penalaran terhadap informasi-informasi dalam basis pengetahu an untuk memformulasikan konklusi. Knowledge acquisition facility : berisi pengetahuan-pengetahuan yang dibutuhkan untuk memahami, memformulasikan dan menyelesaikan masalah. Basis Aturan (Rule Based) Sistem Pakar Pengetahuan dalam Sitem Pakar direpresentasikan dalam bentuk I F-THEN atau dala m bentuk Production Rules. Motor inferensi menentukan aturan awal (rule antecedents) yang sesuai. Sisi kiri harus cocok dengan fakta yang ada dimemori kerja Aturan yang sesuai ditempatkan diagenda dan dapat diaktivasi Aturan yang terdapat diagenda dapat diaktivasi Aktivasi aturan akan membangkitkan fakta baru disisi kanan Aktivasi dari satu aturan adalah bagian dari aktivasi aturan yang lain.

HIMPUNAN FUZZY

Dalam perjalannya perkembangan teori himpunan fuzzy dibagi menjadi 3 fase, yaitu : 1.Phase akademik 1965-1977 2.Phase transformasi 1978-1988 3.Phase fuzzy boom 1989-. Secara luas logika fuzzy adalah suatu wilayah terapan dari teori himpuna n fuzzy, oleh karena itu logika fuzzy menggunakan konsep/prinsip/metode yang dik embangkan dalam teori himpunan fuzzy untuk merumuskan berbagai format yang mende kati nilai sebernarnya. Yang terpenting dalam hal ini adalah menentukan hubungan antara derajat keanggotaan dalam himpunan fuzzy dan derajat kebenaran dalam fuzzy proposisi. Himpunan fuzzy memiliki 2 attribut, yaitu : 1. Lingustik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau ko ndisi tertentu dengan menggunakan bahasa alami, seperti : MUDA,PAROBAYA,TUA. 2. Numeris, yaitu suatu nilai (angka) yang menunjukan ukuran dari suatu var iabel seperti:40,25,50,dsb. Himpunan tegas (crisp) Nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis denga n uA[x], memiliki 2 kemungkinan yaitu : * satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau * nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpu nan Contoh : Misalkan variable umur dibagi menjadi 3 kategori, yaitu : MUDA umur < 35 tahun PAROBAYA 35 <= umur <= 55 tahun TUA umur > 55 tahun Grapfis himpunan MUDA, PAROBAYA, TUA

Dari gambar sebelumnya terlihat bahwa : 1. apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA (umuda[34] = 1); 2. apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA(umuda[3 5] = 0); 3. apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDA K MUDA (umuda[35 thn 1hr] = 0); 4. pabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA (uparobaya [35] = 1); 5. apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK PAROBAYA (up arobaya[34] = 0); 6. apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA (uparobay a[35] = 1); 7. apabila seseorang berusia 35 tahun kurang 1 hari,maka ia dikatakan TIDAK PAROBAYA (uparobaya[35 th 1 hr] = 0); Dari uraian diatas dapat disimpulkan himpunan crisp dalam menyatakan umur sangat tidak adil, perubahan kecil pada suatu nilai mengakibatkan perbedaan kategori y ang cukup signifikan. Solusi : Himpunan fuzzy Dengan menggunakan himpunan fuzzy, seseorang dapat masuk dalam 2 himpunan berbed a, MUDA dan PAROBAYA, PAROBAYA dan TUA. Seberapa besar eksistensinya dapat dilih at pada nilai keanggotaannya. Umur 40 tahun -> MUDA (UMUDA[40]=0.25

PAROBAYA(UPAROBAYA[40]=0.5 Umur 50 tahun -> TUA (UTUA[50]=0.25 PAROBAYA(UPAROBAYA[50]=0.5 Beberapa variabel yang perlu diketahui dalam memahami sistem fuzzy, yaitu: A. Variabel fuzzy Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fu zzy. Contoh: umur,temperatur,permintaan,dsb. B. Himpunan fuzzy Himpunan fuzzy merupakan suatu grup yang mewakili suaty kondisi atau keadaan tertentu dalam suatu variabel fuzzy C. Semesta pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk diop erasikan dalam suatu variabel fuzzy. D. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang dijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy FUNGSI KEANGGOTAAN Fungsi keanggotaan adalah suatu kurva yang menunjukan pemetaan titik-titik input data kedalam nilai keanggotaannya (derajat keanggotaan) yang memiliki interval antara 0 sampai 1,ada beberapa fungsi yang bias digunakan : 1. Representasi linear Ada 2 kemungkinan himpunan fuzzy linear yaitu : a. kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keangg otan nol bergerak ke kanan menju nilai domain yang memiliki derajat keanggotaan lebih tinggi b. garis lurus dimuali dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri,kemudian bergerak menurun ke nilaidomain yang memiliki derajat ke anggotaan lebih rendah. 2. Representasi Kurva Segitiga

m[x] = 0; x a atau x c (x-a)/(b-a); a < x b (c-x)/(c-b); b < x < c 3. RepresentasiKurvaTrapesium

m[x]= 0; x a atau x d (x-a)/(b-a); a < 1; b < x c (d-x)/(d-c); c < 4.Representasi Kurva bentuk 5.Representasi Kurva-S 6.Representasi Kurva Bentuk

x b x < d bahu Lonceng, ada 3 jenis, Kurva PI, Kurva Beta dan Kurva

GAUSS 7.Koordinat Keanggotaan Niliai keanggotaan : Skalar (i) / Derajat (ii) Skalar : nilai yang digambar dari domain himpunan Derajat : derajat keanggotaan himpunan fuzzynya OPERATOR ZADEH Operator AND Operator ini berhubungan dengan operasi inter seksi pada himpunan. -predik t s eb g i h sil oper si deng n oper tor AND diperoleh deng n meng mbil nil i ke ngg ot n terkecil nt r elemen p d himpun n-himpun n y ng bers ngkut n AB = min(A[x], B[y]) Oper tor OR Oper tor ini berhubung n deng n per siunion p d himpun n. -predik t seb g i h sil oper si deng n oper tor AND diperoleh deng n meng mbil nil i ke nggot n terkecil nt r elemen p d himpun n-himpun n y ng bers ngkut n AUB = m x(A[x], B[y]) Oper tor NOT Oper tor ini berhubung n deng n oper si komplemen himpun n. -predik t seb g i h sil oper si deng n oper tor AND diperoleh deng n meng mbil nil i ke nggot n terkecil nt r elemen p d himpun n-himpun n y ng bers ngkut n A= 1-A[x] PENALARAN MONOTON Metode ini digun k n seb g i d s r untuk teknik implik si fuzzy. Jik 2 d er h f uzzy dire lis sik n deng n implik si sederh n seb g i berikut : IF x is A THEN y is B tr nsfer fungsi : Y = f ((x, A), B) M k system fuzzy d p t berj l n t np h rus mel lui komposisi d n dekomposisi f uzzy. Nil i output d p t diestim si sec r l ngsung d ri nil i ke nggot n y ng berhubung n deng n ntesedenny . FUNGSI IMPLIKASI Bentuk umum tur n y ng digun k n d l m fungsi implik si : IF x is A THEN y is B Deng n x d n y d l h sk l r, A d n B d l h himpun n fuzzy. Proposisi y ng meng ikuti IF disebut nteseden, sed ngk n proposisi y ng mengikuti THEN disebut kons ekuen. Sec r umum, d du fungsi implik si, y itu: 1.Min (minimum), fungsi ini k n memotong output himpun n fuzzy 2.Dot (product), fungsi ini k n mensk l output himpun n fuzzy SISTEM INFERENSI FUZZY Sistem Inferensi Fuzzy (Fuzzy Inference System/FIS) disebut jug fuzzy inference engine d l h sistem y ng d p t mel kuk n pen l r n deng n prinsip serup seper ti m nusi mel kuk n pen l r n deng n n luriny . Terd p t beber p jenis FIS y ng diken l y itu M md ni, Sugeno d n Tsuk moto. FI S y ng p ling mud h dimengerti, k ren p ling sesu i deng n n luri m nusi d l h FIS M md ni. FIS tersebut bekerj berd s rk n k id h-k id h linguistik d n mem iliki lgoritm fuzzy y ng menyedi k n sebu h proksim si untuk dim suki n lis

m tem tik. Proses d l m FIS ditunjuk n p d G mb r 3. Input y ng diberik n kep d FIS d l h berup bil ng n tertentu d n output y ng dih silk n jug h rus berup bil ng n tertentu. K id h-k id h d l m b h s linguistik d p t digun k n seb g i input y ng bersif t teliti h rus dikonversik n terlebih d hulu, l lu mel kuk n pen l r n berd s rk n k id h-k id h d n mengkonversi h sil pen l r n tersebut menj di ou tput y ng bersif t teliti. G mb r 4. Proses d l m FIS 1.MetodeTsuk moto Seti p konsekuen p d tur n y ng berbentuk IF-THEN h rus direpresent sik n deng n su tu himpun n fuzzy deng n fungsi ke nggot n y ng monoton. Seb g i h silny , output h sil inferensi d ri ti p-ti p tur n diberik n sec r teg s berd s rk n -predik t. H sil khirny diperoleh deng n menggun k n r t -r t terbobot Mis l d 2 v r input: v r-1 (x), d n v r-2 (y); sert 1 v r output: v r-3 (z). V r-1 terb gi t s himp. A1 & A2; v r-2 terb gi t s himp. B1 & B2; v r-3 terb g i t s himp. C1 & C2. Ad 2 tur n: If (x is A1) nd (y is B2) Then (z is C1) If (x is A2) nd (y is B1) Then (z is C2) Contoh : Sebu h p brik elektronik d p t berh sil menc p i permint n terbes r seb ny k 50 00 b r ng/h ri. N mun pern h p brik tersebut h ny menc p i permint n b r ng se b ny k 1000 b r ng/h ri. Persedi n b r ng di gud ng d p t menc p i titik tertin ggi y itu 600 b r ng/h ri d n titik terend hny 100 b r ng/h ri. Deng n semu ke terb t s nny , p brik tersebut d p t memproduksi b r ng m ksimum 7000 b r ng/h r i d n minim lny 2000 b r ng/h ri. Ap bil proses produksi p brik tersebut mengg un k n tur n fuzzy seb g i berikut [A1] IF Permint n BANYAK And Persedi n BANYAK THEN Produksi B r ng BERTAMBAH ; [A2] IF permint n SEDIKIT And persedi n SEDIKIT THEN Produksi B r ng BERKURANG ; [A3] IF Permint n SEDIKIT And Persedi n BANYAK THEN Produksi B r ng BERKURANG ; [A4] IF permint n BANYAK And persedi n SEDIKIT THEN Produksi B r ng BERTAMBAH ; 2. Metode M md ni

Metode M md ni sering jug diken l deng n n m Metode M x-Min. Metode ini diperk en lk n oleh Ebr him M md ni p d t hun 1975. Untuk memperoleh output, diperluk n 4 t h p n y itu : 1. Pembentuk n himpun n fuzzy; p d metod m md ni, b ik v ri bel input m upun v ri bel output dib gi m enj di s tu t u lebih himpun n fuzzy. 2. Aplik si fungsi impliksi ( tur n); p d metode m md ni, fungsi implik si y ng digun k n d l h MIN 3. Komponen tur n; P d t h p n ini sistem terdiri d ri beber p tur n, m k inferensi dip eroleh d ri kumpul n d n korel si nt r tur n. Ad 3 metode y ng digun k n d l m mel kuk n inferensi sistem fuzzy, y itu : m x, dditive d n prob bilistik OR. P d metode m x, solusi himpun n fuzzy diperoleh deng n c r meng mbil n il i m ksimum tur n, kemudi n menggun k nny untuk memodifik si d er h fuzzy, d n meng plik sik ny ke output deng n menggun k n oper tor OR (union). Sec r u mum d p t ditulis

df (xi) m x (df(xi,) kf(xi)) 4. Peneg s n (defuzzyfik si) Input d ri proses defuzzyfik si d l h su tu himpun n fuzzy y ng diperol eh d ri komposisi tur n- tur n fuzzy, sed ngk n output y ng dih silk n merup k n su tu bil ng n p d dom in himpun n fuzzy tersebut. Jik diberik n su tu himpu n n fuzzy d l m r nge tertentu, m k h rus d p t di mbil su tu nil i crisp ter tentu seb g i output. Defuzzyfik si p d metode m md ni untuk semest diskrit me nggun k n pers m n z = zj (zj)/ (zj) Ad tig .Metode b.Metode c.Metode metode y ng digun k n d l m mel kuk n inferensi sisten fuzzy : M x Additive (SUM) Prob bilistik OR

4.Peneg s n (defuzzy) Input d ri defuzzifik si d l h su tu himpun n y ng diperoleh d ri komposisi tu r n- tur n fuzzy, sed ngk n output y ng dih silk n merup k n su tu bil ng n p d dom in himpun n fuzzy tersebut. Beber p metode defuzzifi-k si tur n MAMDANI : .Metode Centroid(Composite Moment) b.Metode Bisektor c.Metode Me n of M ximun(MOM) d.Metode L rgest of M ximum(LOM) e.Metode Sm llest of M ximum(SOM) Contoh: perso l n sederh n deng n 2 input,1 output d n 3 rules Rule: 1 Rule: 1 IF x is A3 IF project_funding is dequ te OR y is B1 OR project_st ffing is sm ll THEN z is C1 THEN risk is low Rule: 2 Rule: 2 IF x is A2 IF project_funding is m rgin l AND y is B2 AND project_st ffing is l rge THEN z is C2 THEN risk is norm l Rule: 3 Rule: 3 IF x is A1 IF project_funding is in dequ te THEN z is C3 THEN risk is high

Fuzzifik si: menentuk n der j t ke nggot n input x1 d n y1 p d himpun n fuzzy

3.Metode Sugeno Pen l r n ini h mpir s m deng n pen l r n M md ni, h ny s j output (konsekue n) sistem tid k berup h impun n fuzzy, mel ink n berup konst nt t u pers m n line r. .Model Fuzzy Sugeno Orde-Nol BentukUmum: IF (X1 is A1) (X2is A2) (X3is A3) . (XNisAN) THEN z = k

Deng n Ai d l h himpun nfuzzy ke-I seb g i n teseden, d n k d l h konst nt ( teg s) seb g i konsekuen b.Model Fuzzy Sugeno Orde-S tu Bentuk Umum: IF (X1 is A1) .(XNisAN) THEN z = p1* x1 + + pN* XN + q Deng n Ai d l h himpun nfuzzy ke-I seb g i n teseden, d n pi d l h su tu kons t nt ke-I d n q merup k n konst nt d l m konsekuen.

BASIS DATA Seb gi n bes r b sis d t st nd r dikl sifik sik n berd s rk n b g im n d t te rsebut dip nd ng oleh user d n menggun k n query untuk menc ri d t y ng diingin k n. N mun terk d ng dibutuhk n su tu d t y ng bersif t mbiguous, m k digun k n b sis d t fuzzy. S l h s tu di nt r ny d l h model T h ni. B sis d t fuzz y model T h ni m sih tet p menggun k n rel si st nd r, h ny s j model ini meng gun k n teori himpun n fuzzy untuk mend p tk n inform si p d query-ny .