KELOMPOK 4

M E N G E N A L D E K AT T E N TA N G L O G I C A
FUZZY

DISUSUN OLEH;

 C H A I R U L TA N S A
 UCI DAELI
 N O VA K R I S D A Y A N T I
 M S U R YAWA N P R I A N T O
LOGICA FUZZY
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 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.
K-Means
Salah satu metode yang banyak digunakan dalam melakukan clustering dengan partisi ini
adalah metode k-means. Secara umum metode k-means ini melakukan proses
pengelompokan dengan prosedur sebagai berikut:
 menentukan jumlah cluster
 Alokasikan data secara random ke cluster yang ada
 Hitung rata-rata setiap cluster dari data yang tergabung di dalamnya
 Alokasikan kembali semua data ke cluster terdekat
 Ulang proses nomor 3, sampai tidak ada perubahan atau perubahan yang terjadi masih
sudah di bawah treshold
 MIXTURE MODELLING (MIXTURE MODELING)
Mixture modelling (mixture modeling) merupakan metode pengelompokan data yang
mirip dengan k-means dengan kelebihan penggunaan distribusi statistik dalam
mendefinisikan setiap cluster yang ditemukan. Dibandingkan dengan k-means yang
hanya menggunakan cluster center, penggunaan distribusi statistik ini mengijinkan
kita untuk:
Memodel data yang kita miliki dengan setting karakteristik yang berbeda-beda
Jumlah cluster yang sesuai dengan keadaan data bisa ditemukan seiring dengan proses
pemodelan karakteristik dari masing-masing cluster
Hasil pemodelan clustering yang dilaksanakan bisa diuji tingkat keakuratannya
Distribusi statistik yang digunakan bisa bermacam-macam mulai dari yang digunakan
untuk data categorical sampai yang continuous, termasuk di antaranya distribusi
binomial, multinomial, normal dan lain-lain. Beberapa distribusi yang bersifat tidak
normal seperti distribusi Poisson, von-Mises, Gamma dan Student t, juga
diterapkan untuk bisa mengakomodasi berbagai keadaan data yang ada di lapangan.
Beberapa pendekatan multivariate juga banyak diterapkan untuk memperhitungkan
tingkat keterkaitan antara variabel data yang satu dengan yang lainnya.
CLUSTERING DENGAN PENDEKATAN HIRARKI

Clustering dengan pendekatan hirarki mengelompokkan data yang mirip dalam hirarki
yang sama dan yang tidak mirip di hirarki yang agak jauh. Ada dua metode yang
sering diterapkan yaitu agglomerative hieararchical clustering dan divisive
hierarchical clustering. Agglomerative melakukan proses clustering dari N cluster
menjadi satu kesatuan cluster, dimana N adalah jumlah data, sedangkan divisive
melakukan proses clustering yang sebaliknya yaitu dari satu cluster
menjadi N cluster.
Beberapa metode hierarchical clustering yang sering digunakan dibedakan menurut cara
mereka untuk menghitung tingkat kemiripan. Ada yang menggunakan Single
Linkage, Complete Linkage, Average Linkage, Average Group Linkage dan lain-
lainnya. Seperti juga halnya dengan partition-based clustering, kita juga bisa
memilih jenis jarak yang digunakan untuk menghitung tingkat kemiripan antar data.
Salah satu cara untuk mempermudah pengembangan dendogram untuk hierarchical
clustering ini adalah dengan membuat similarity matrix yang memuat tingkat
kemiripan antar data yang dikelompokkan. Tingkat kemiripan bisa dihitung dengan
berbagai macam cara seperti dengan Euclidean Distance Space. Berangkat dari
similarity matrix ini, kita bisa memilih lingkage jenis mana yang akan digunakan
untuk mengelompokkan data yang dianalisa.
LOGICA FUZZY
Konsep Dasar [1]
Teori klasik, himpunan = kumpulan elemen yang berhingga/tak-berhingga
milik dari suatu himpunantertentu yg disbt semesta pembicaraan
Elemen dr semesta pembicaraan dapat termasuk atau tidak termasuk ke
dalam himpunan A
Fungsi karakteristik yg bersifat Boolean/crisp atau tegas adalah fungsi tak-kontinu:

Sifat samar atau vagueness dpt dimasukkan ke dalam teori himpunan dgn membuat fungsi
karakteristik boleh bernilai tidak berhingga banyaknya di antara nilai 0 dan nilai 1

Semesta pembicaraan X dgn elemen x:

Himp fuzzy A dlm semesta pembicaraan X adl himp pasangan berurutan (kontinu & diskrit):

Fungsi keanggotaan µ A(x) adl pemetaan dari semesta pembicaraan ke rentang tertutup [0, 1]:
Fungsi keanggotaan = ukuran sejauh mana elemen x termasuk ke dalam himpunan A

Konsep Dasar [4]

Himp support A adalah himp bagian dr semesta pembicaraan X dengan µA(x) > 0
Contoh: Suhu air di titik tertentu dlm plant µ A Suhu dinyatakan sbg bil bulat positif dlm [0, 100]
Variabel fuzzy Low dipakai utk definisi
Himp ini menyatakan sejauh mana suhu dianggap rendah/Low terhadap seluruh nilai yang
mungkin Fungsi keanggotaan A(x) memiliki nilai2 diskrit dlm satuan °C yg dinyatakan dgn
himpunan:
VARIABEL FUZZY
Variabel fuzzy = variabel dgn nilai berupa label2 himp fuzzy
(linguistic values)
Contoh: TEMPERATURE adl variabel fuzzy dgn nilai Low,
Medium, Normal, High dan Very_High
Cara inilah yg umum dipergunakan operator utk merujuk var
plant terkait dgn nilai nominalnya
Hubungan di antara variabel fuzzy, nilai2 linguistik, nilai2
keanggotaan & semesta pembicaraan
 VARIABEL FUZZY

Secara umum, variabel fuzzy dpt dinyatakan dgn memakai: label/nilai

linguistik Low, Medium, High operator penghubung AND, OR, NOT
hedges extremely, rather, quite, very
Contoh: Variabel TEMPERATURE dapat memiliki nilai-nilai High, NOT High,
rather_High, quite_High, NOT very_High, extremely_High
VARIABEL FUZZY
Ketergantungan suatu variabel fuzzy pada var fuzzy lainnya dapat
dinyatakan dgn memakai kalimat bersyarat (fuzzy conditional
satement):
atau
dgn kalimat fuzzy memiliki bentuk umum
Contoh:
FUZZY LOGIC CONTROL
 FUZZIFIKASI

Fuzzifikasi yaitu suatu proses untuk mengubah suatu masukan dari bentuk
tegas (crisp) menjadi fuzzy (variabel linguistik) yang biasanya disajikan
dalam bentuk himpunan-himpunan fuzzy dengan suatu fungsi
kenggotaannya masing-masing. Contoh dari proses Fuzzification adalah
seperti yang ditunjukkan di gambar 4. Sebuah sistem fuzzy untuk mengukur
suhu mempunyai 5 buah membership function yang mempunyai label
sangat dingin, dingin, hangat, panas, sangat panas. Kemudian input yang
diperoleh dari crisp input adalah 47° maka pengambilan fuzzy input-nya
adalah seperti pada gambar berikut ini
SKEMA FUZZY

Dari uraian blok diatas dapat kita fahami bahwa didalam logika Fuzzy terdapat tiga
hal terpenting yang harus temen2 fahami diataranya:
Fuzzifikasi adalah proses untuk mengubah variabel non fuzzy (variabel numerik)
menjadi variabel fuzzy (variabel linguistik).
Inferencing (Ruled Based) , pada umumnya aturan-aturan fuzzy dinyatakan dalam
bentuk “IF……THEN” yang merupakan inti dari relasi fuzzy
Defuzifikasi adalah proses pengubahan data-data fuzzy tersebut menjadi data-data
numerik yang dapat dikirimkan ke peralatan pengendalian.
.
FUZZIFIKASI

Sehingga didapat 2 fuzzy input yang masing-masing adalah: dingin (x2) dan
hangat (x1). Nilai x1 dan x2 dapat dicari dengan rumus persamaan
garis. Yang menentukan sistem anda sensitif atau tidak adalah
membership function ini. Jika membership function-nya banyak maka
sistem anda menjadi sensitif. Yang dimaksud dengan sensitif dalam hal
ini adalah jika input-nya berubah sedikit saja maka sistem akan cepat
merespon dan menghasilkan suatu output lain. Output dari proses
fuzzification ini adalah sebuah nilai input fuzzy atau yang biasanya
dinamakan fuzzy input.
DEFUZZIFIKASI

Defuzzifikasi dapat didefinisikan sebagai proses pengubahan besaran fuzzy yang

disajikan dalam bentuk himpunan-himpunan fuzzy keluaran dengan fungsi
keanggotaannya untuk mendapatkan kembali bentuk tegasnya (crisp). Hal ini
diperlukan sebab dalam aplikasi nyata yang dibutuhkan adalah nilai tegas (crisp).
Prosesnya adalah sebagai berikut: suatu nilai fuzzy output yang berasal dari rule
evaluation diambil kemudian dimasukkan ke dalam suatu membership function
output. Bentuk bangun yang digunakan dalam membership function output adalah
bentuk singleton yaitu garis lurus vertikal ke atas, seperti yang ditunjukkan pada
gambar 6. Besar nilai fuzzy output dinyatakan sebagai degree of membership
function output. Nilai-nilai tersebut dimasukkan ke dalam suatu rumus yang
dinamakan COG (Center Of Gravity) untuk mendapatkan hasil akhir yang disebut
crisp output. Crisp output adalah suatu nilai analog yang akan kita butuhkan untuk
mengolah data pada sistem yang telah dirancang.
 FUZZY MEMBERSHIP

Jika X adalah suatu kumpulan obyek-obyek dan x adalah elemen dari X.

Maka himpunan fuzzy A yang memiliki domain X didefinisikan sebagai:
(1)

dimana nilai berada dalam rentang 0 hingga 1.

Terdapat dua cara yang lazim dalam merepresentasikan himpunan fuzzy,
yang dapat dilihat pada Gambar 1, yaitu :
1. jika X adalah merupakan koleksi objek diskrit.

2. jika X adalah merupakan koleksi objek kontinyu.

FUZZY REASONING

Kaidah dasar dalam menarik kesimpulan dari dua nilai logika tradisional
adalah modus ponens, yaitu kesimpulan tentang nilai kebenaran pada
B diambil berdasarkan kebenaran pada A. Sebagai contoh, jika A
diidentifikasi dengan “tomat itu merah” dan B dengan “tomat itu
masak”, kemudian jika benar kalau “tomat itu merah” maka “tomat
itu masak”, juga benar. Konsep ini digambarkan sebagai berikut:

premise 1 (kenyataan) : x adalah A,

premise 2 (kaidah) : jika x adalah A maka y adalah
B.
Consequence (kesimpulan) : y adalah B.
Fuzzy Membership Operation
Seperti pada himpunan klasik, himpunan fuzzy juga memiliki operasi himpunan yang
sama yaitu gabungan (union), irisan (intersection) dan komplemen. Sebelumnya akan
didefinisikan dulu mengenai himpunan bagian yang memiliki peranan penting dalam
himpunan fuzzy.
Union (Gabungan)
Gabungan dari dua buah himpunan fuzzy A dan B adalah himpunan fuzzy C ditulis
sebagai atau

memiliki fungsi keanggotaan yang berhubungan dengan A dan B yang didefinisikan sebagai
berikut
dengan adalah operator biner untuk fungsi S dan biasa disebut
sebagai operator T-conorm atau S-norm, yang memiliki sifat-
sifat sebagai berikut:
S(1,1) = 1, S(0,a) = S(a,0) = a (boundary);
S(a,b) £ S(c,d) jika a £ c dan b £ d (monotonicity);
S(a,b) = S(b,a) (commutativity);
S(a,S(b,c)) = S(S(a,b),c) (associativity).
INTERSECTION (IRISAN)

Irisan dari dua buah himpunan fuzzy A dan B adalah himpunan fuzzy C
dituliskan sebagai

Atau
,
memiliki fungsi keanggotaan yang berhubungan dengan A dan B yang
didefinisikan sebagai berikut:
Fungsi-fungsi keanggotaan fuzzy terparameterisasi satu dimensi yang umum
digunakan diantaranya adalah:
1. Fungsi keanggotaan segitiga, disifati oleh parameter{a,b,c} yang didefinisikan
sebagai berikut:

parameter {a,b,c} (dengan a<b<c) yang menentukan koordinat x dari ketiga

sudut segitiga tersebut,
Fungsi keanggotaan trapesium, disifati oleh parameter{a,b,c,d} yang didefinisikan
sebagai berikut:

parameter {a,b,c,d} (dengan a<b<c<d) yang menentukan koordinat x

dari keempat sudut trapesium tersebut,
Fungsi keanggotaan Gaussian, disifati oleh parameter {c,s} yang didefinisikan sebagai
berikut:

Fungsi keanggotaan Gauss ditentukan oleh parameter c dan s yang

menunjukan titik tengah dan lebar
Fungsi keanggotaan generalized bell, disifati oleh parameter {a,b,c} yang didefinisikan sebagai
berikut:

parameter b selalu positif, supaya kurva menghadap kebawah,

5. Fungsi keanggotaan sigmoid, disifati oleh parameter {a,c} yang didefinisikan sebagai
berikut:

parameter a digunakan untuk menentukan kemiringan kurva pada saat x = c. Polaritas dari a
akan menentukan kurva itu kanan atau kiri terbuka, seperti terlihat pada Gambar 2.(d)
dan 2.(e).
FUZZY IF-THEN RULE

Kaidah fuzzy If-Then (dikenal juga sebagai kaidah fuzzy, implikasi fuzzy atau
pernyataan kondisi fuzzy) diasumsikan berbentuk:
Jika x adalah A maka y adalah B
Dengan A dan B adalah nilai linguistik yang dinyatakan dengan himpunan fuzzy
dalam semesta pembicaraan X dan Y. Sering kali “x adalah A” disebut sebagai
antecedent atau premise, sedangkan “y adalah B” disebut consequence atau
conclusion.
Kaidah fuzzy if-then “jika x adalah A maka y adalah B” sering kali
disingkat dalam bentuk A B yang merupakan suatu bentuk relasi fuzzy biner
R pada produk ruang X ´ Y. Terdapat dua cara untuk menyatakan A B, yaitu
sebagai A coupled with B dan A entails B. Jika dinyatakan sebagai A coupled
with B maka didefinisikan sebagai berikut:
KESIMPULAN
 Logika Fuzzy adalah peningkatan dari logika Boolean yang mengenalkan
konsep kebenaran sebagian dan tidak mengandung unsur ketidak pastian
 Keanggotaan dalam himpunan fuzzy dinyatakan dengan derajat keanggotaan
suatu nilai dapat di jadikan anggota dan himpanan seklaigus derajat yang
berbeda
 kendali logika fuzzy dapat dilakukan dengan proses fuzzyfikasi penalaran
sesuai dengan aturan dan deffuzifikasi
 dalam sistem kendali ogica fuzzy cukup praktis diaplikasi berbagai bidang
Terima kasih