Logika fuzzy memperkenalkan konsep kebenaran sebagian, di mana nilai keanggotaan suatu item dalam suatu himpunan dapat bernilai antara 0-1, bukan hanya 0 atau 1 seperti pada logika Boolean. Logika fuzzy memungkinkan penggunaan istilah linguistik tidak pasti seperti "sedikit" atau "lumayan" untuk menggambarkan suatu kondisi. Logika fuzzy diperkenalkan oleh Dr. Lotfi Zadeh pada tahun 1965.
Certainty factor (faktor kepastian) diperkenalkan oleh Shortliffe dan Buchanan dalam sistem pakar MYCIN untuk mengakomodasi ketidakpastian pemikiran seorang pakar. Faktor kepastian menggunakan nilai antara -1 hingga 1 untuk menggambarkan tingkat keyakinan seorang pakar terhadap suatu pernyataan. Faktor kepastian dapat dihitung secara manual maupun didasarkan pada wawancara dengan pakar.
Dokumen tersebut membahas tentang logika fuzzy, sistem fuzzy, fungsi keanggotaan, variabel linguistik, aturan fuzzy IF-THEN, dan contoh penerapannya untuk mengontrol sistem penyiraman berdasarkan suhu dan kelembapan tanah.
Dasar dasar sistem inferensia Fuzzy. Sistem Inferensi Fuzzy adalah sistem aturan berdasarkan logika fuzzy dimana digunakan sebagai alat untuk mewakili pengetahuan yang berbeda tentang suatu masalah, serta untuk memodelkan interaksi dan hubungan yang ada antara variabel tersebut.
Metode pencarian heuristik merupakan teknik untuk meningkatkan efisiensi proses pencarian dalam state space dengan memilih cabang-cabang yang paling mungkin menyebabkan penyelesaian masalah. Metode-metode pencarian heuristik yang dijelaskan meliputi generate and test, hill climbing, best first search, dan simulated annealing.
Certainty factor (faktor kepastian) diperkenalkan oleh Shortliffe dan Buchanan dalam sistem pakar MYCIN untuk mengakomodasi ketidakpastian pemikiran seorang pakar. Faktor kepastian menggunakan nilai antara -1 hingga 1 untuk menggambarkan tingkat keyakinan seorang pakar terhadap suatu pernyataan. Faktor kepastian dapat dihitung secara manual maupun didasarkan pada wawancara dengan pakar.
Dokumen tersebut membahas tentang logika fuzzy, sistem fuzzy, fungsi keanggotaan, variabel linguistik, aturan fuzzy IF-THEN, dan contoh penerapannya untuk mengontrol sistem penyiraman berdasarkan suhu dan kelembapan tanah.
Dasar dasar sistem inferensia Fuzzy. Sistem Inferensi Fuzzy adalah sistem aturan berdasarkan logika fuzzy dimana digunakan sebagai alat untuk mewakili pengetahuan yang berbeda tentang suatu masalah, serta untuk memodelkan interaksi dan hubungan yang ada antara variabel tersebut.
Metode pencarian heuristik merupakan teknik untuk meningkatkan efisiensi proses pencarian dalam state space dengan memilih cabang-cabang yang paling mungkin menyebabkan penyelesaian masalah. Metode-metode pencarian heuristik yang dijelaskan meliputi generate and test, hill climbing, best first search, dan simulated annealing.
Dokumen tersebut membahas tentang kode Huffman, yaitu algoritma kompresi data yang memberi kode terpendek untuk simbol yang sering muncul dan kode terpanjang untuk simbol yang jarang muncul. Kode tersebut dibuat berdasarkan pohon biner Huffman yang disusun berdasarkan frekuensi kemunculan simbol. Contoh penerapannya untuk kata "SCIENCE" dan "TELKOMSEL" juga dijelaskan.
Algoritma K-nearest neighbor (KNN) digunakan untuk klasifikasi dan prediksi dengan menghitung kedekatan antara kasus baru dengan lama berdasarkan bobot fitur. KNN mencari kasus lama terdekat untuk digunakan sebagai solusi kasus baru, dengan kedekatan diukur antara 0-1. Studi kasus menggunakan KNN untuk memprediksi kemungkinan nasabah memiliki masalah pembayaran dengan mempertimbangkan jarak pendidikan dan
Dokumen tersebut membahas berbagai jenis fungsi keanggotaan yang digunakan dalam sistem logika fuzzy, diantaranya linier, segitiga, trapesium, bahu, S, dan bentuk lonceng seperti pi, beta, dan gauss. Fungsi keanggotaan digunakan untuk menentukan derajat keanggotaan suatu nilai masukan ke dalam suatu kelas.
Bab 2 membahas perhitungan galat dan jenis-jenis galat seperti galat pengukuran, pembulatan, dan pemotongan. Metode perhitungan galat mutlak, relatif, dan perambatan galat pada operasi matematika juga dijelaskan. Prinsip-prinsip metode numerik untuk memecahkan persamaan non-linear seperti bisection, regula falsi, iterasi titik tetap, Newton Raphson, dan sekan diuraikan.
Himpunan adalah kumpulan objek yang berbeda. Dokumen ini menjelaskan definisi himpunan dan cara penyajian himpunan seperti enumerasi dan simbol-simbol baku. Juga dibahas tentang keanggotaan, subset, himpunan yang sama, operasi dasar pada himpunan seperti irisan, gabungan, selisih dan produk kartesian.
Matematika Diskrit - 11 kompleksitas algoritma - 02KuliahKita
Dokumen tersebut membahas model pengukuran kompleksitas algoritma untuk menentukan kebutuhan waktu dan ruang secara abstrak yang independen dari mesin dan compiler. Kompleksitas algoritma diukur dalam bentuk kompleksitas waktu dan ruang, dimana kompleksitas waktu dihitung dari jumlah operasi yang dibutuhkan sebagai fungsi dari ukuran masukan, sedangkan kompleksitas ruang diukur dari memori yang digunakan.
Dokumen tersebut membahas tentang struktur data tree, termasuk definisi tree, contoh penggunaannya, representasi tree, jenis-jenis tree seperti binary tree, operasi-operasi pada tree seperti insert, search, traverse, dan implementasinya dalam bahasa pemrograman.
Dokumen tersebut membahas tentang definisi dan jenis-jenis graf serta konsep dasar graf seperti simpul, sisi, derajat simpul, dan tetanggaan. Dijelaskan pula contoh-contoh penerapan graf dalam berbagai bidang seperti matematika, kimia, biologi, dan teknik informatika.
Ruang Hasil kali Dalam ( Aljabar Linear Elementer )Kelinci Coklat
Mata kuliah Aljabar Linear membahas konsep-konsep dasar aljabar linear seperti matriks, determinan, sistem persamaan linear, vektor, ruang vektor, transformasi linear, dan ruang eigen. Silabus mencakup delapan bab yang mendiskusikan topik-topik tersebut beserta contoh-contoh penerapannya.
Dokumen tersebut membahas tentang logika fuzzy, mulai dari pengertian, sejarah, derajat kebenaran, variabel linguistik, kelebihan dan kekurangan, serta contoh aplikasi logika fuzzy seperti pada mesin cuci.
Dokumen tersebut membahas tentang kode Huffman, yaitu algoritma kompresi data yang memberi kode terpendek untuk simbol yang sering muncul dan kode terpanjang untuk simbol yang jarang muncul. Kode tersebut dibuat berdasarkan pohon biner Huffman yang disusun berdasarkan frekuensi kemunculan simbol. Contoh penerapannya untuk kata "SCIENCE" dan "TELKOMSEL" juga dijelaskan.
Algoritma K-nearest neighbor (KNN) digunakan untuk klasifikasi dan prediksi dengan menghitung kedekatan antara kasus baru dengan lama berdasarkan bobot fitur. KNN mencari kasus lama terdekat untuk digunakan sebagai solusi kasus baru, dengan kedekatan diukur antara 0-1. Studi kasus menggunakan KNN untuk memprediksi kemungkinan nasabah memiliki masalah pembayaran dengan mempertimbangkan jarak pendidikan dan
Dokumen tersebut membahas berbagai jenis fungsi keanggotaan yang digunakan dalam sistem logika fuzzy, diantaranya linier, segitiga, trapesium, bahu, S, dan bentuk lonceng seperti pi, beta, dan gauss. Fungsi keanggotaan digunakan untuk menentukan derajat keanggotaan suatu nilai masukan ke dalam suatu kelas.
Bab 2 membahas perhitungan galat dan jenis-jenis galat seperti galat pengukuran, pembulatan, dan pemotongan. Metode perhitungan galat mutlak, relatif, dan perambatan galat pada operasi matematika juga dijelaskan. Prinsip-prinsip metode numerik untuk memecahkan persamaan non-linear seperti bisection, regula falsi, iterasi titik tetap, Newton Raphson, dan sekan diuraikan.
Himpunan adalah kumpulan objek yang berbeda. Dokumen ini menjelaskan definisi himpunan dan cara penyajian himpunan seperti enumerasi dan simbol-simbol baku. Juga dibahas tentang keanggotaan, subset, himpunan yang sama, operasi dasar pada himpunan seperti irisan, gabungan, selisih dan produk kartesian.
Matematika Diskrit - 11 kompleksitas algoritma - 02KuliahKita
Dokumen tersebut membahas model pengukuran kompleksitas algoritma untuk menentukan kebutuhan waktu dan ruang secara abstrak yang independen dari mesin dan compiler. Kompleksitas algoritma diukur dalam bentuk kompleksitas waktu dan ruang, dimana kompleksitas waktu dihitung dari jumlah operasi yang dibutuhkan sebagai fungsi dari ukuran masukan, sedangkan kompleksitas ruang diukur dari memori yang digunakan.
Dokumen tersebut membahas tentang struktur data tree, termasuk definisi tree, contoh penggunaannya, representasi tree, jenis-jenis tree seperti binary tree, operasi-operasi pada tree seperti insert, search, traverse, dan implementasinya dalam bahasa pemrograman.
Dokumen tersebut membahas tentang definisi dan jenis-jenis graf serta konsep dasar graf seperti simpul, sisi, derajat simpul, dan tetanggaan. Dijelaskan pula contoh-contoh penerapan graf dalam berbagai bidang seperti matematika, kimia, biologi, dan teknik informatika.
Ruang Hasil kali Dalam ( Aljabar Linear Elementer )Kelinci Coklat
Mata kuliah Aljabar Linear membahas konsep-konsep dasar aljabar linear seperti matriks, determinan, sistem persamaan linear, vektor, ruang vektor, transformasi linear, dan ruang eigen. Silabus mencakup delapan bab yang mendiskusikan topik-topik tersebut beserta contoh-contoh penerapannya.
Dokumen tersebut membahas tentang logika fuzzy, mulai dari pengertian, sejarah, derajat kebenaran, variabel linguistik, kelebihan dan kekurangan, serta contoh aplikasi logika fuzzy seperti pada mesin cuci.
Sistem ini menggunakan metode fuzzy multi criteria decision making untuk membantu menentukan pilihan perguruan tinggi yang tepat bagi siswa berdasarkan kriteria seperti fasilitas, biaya, akreditasi jurusan, dan lainnya. Sistem ini merepresentasikan masalah keputusan, mengevaluasi himpunan fuzzy, dan memilih alternatif terbaik berdasarkan agregasi bobot kriteria dan kecocokan setiap alternatif.
The document discusses technology planning and alignment within organizations. It provides an overview of different levels of technology maturity from tactical to strategic to mission-focused. It also outlines key areas of IT including planning, managing infrastructure and systems, governance, and enabling others through training and support. The document emphasizes the importance of including technology staff in strategic planning and treating technology as a strategic partner rather than just an operational function. It provides examples of what early and late technology alignment looks like across different organizational functions such as executive leadership, finance, fundraising, operations, programs, and communications.
Dokumen tersebut membahas tentang sistem informasi pendukung keputusan manajerial yang mencakup pengertian, tingkatan pengambilan keputusan manajemen, struktur keputusan, fokus sistem informasi, kebutuhan informasi menurut tingkatan manajemen, kualitas informasi, sistem informasi manajemen, online analytical processing, sistem pendukung keputusan, dan sistem informasi eksekutif.
5. hapzi ali, sistem pendukung keputusan (decision support system), dss utHapzi Ali
Prof. Dr. Hapzi Ali, CMA
Universitas Mercu Buana (Mercu Buana University), Jakarta Indonesia
Bidang Ilmu: Marketing & Business Management, Research Method, MIS, Good Corporate Governance
www.mercubuana.ac.id.
email: hapzi.ali@gmail.com, hapzi.ali@mercubuana.ac.id
Dokumen tersebut membahas peraturan-peraturan terkait jabatan fungsional guru dan penetapan angka kreditnya, mulai dari PP hingga Permendiknas. Peraturan-peraturan tersebut telah beberapa kali disempurnakan untuk mengatur tata cara penilaian prestasi kerja guru guna kenaikan pangkat dan jabatan secara lebih terstruktur dan obyektif. Dokumen juga menjelaskan tentang prosedur pengajuan dan penetapan angka k
Kuliah Sistem Pendukung Keputusan: GITEWS (Kelas Ekstensi, IT UHO)Mutmainnah Muchtar
SPK dalam GITEWS membantu pengambilan keputusan peringatan dini tsunami di Indonesia dengan menganalisis informasi gempa bumi dan gelombang tsunami dari sensor darat dan laut. SPK mengevaluasi hasil pengukuran ini dan menentukan tingkat peringatan tsunami berdasarkan skenario tsunami sebelumnya. Hal ini memungkinkan kepala pusat peringatan untuk segera memberikan peringatan dini tsunami kepada masyarakat.
Dokumen tersebut membahas berbagai sistem pendukung keputusan seperti sistem informasi eksekutif, portal perusahaan, dan sistem manajemen pengetahuan yang dapat membantu pengambilan keputusan manajerial dengan menyediakan akses mudah ke informasi terkini dan berbagi pengetahuan antar unit bisnis.
Dokumen tersebut membahas beberapa metode untuk menyelesaikan masalah keputusan dengan alternatif terbatas, seperti tabel keputusan, pohon keputusan, dan metode Multi Attribute Decision Making (MADM) seperti Simple Additive Weighting dan Weighted Product untuk perankingan alternatif.
Beijing Leke VR Technology Co., Ltd. is a VR technology company focused on VR entertainment. It operates the largest platform for VR offline experiences and content distribution in China. The company develops VR hardware, software, and integrates content from producers to distribute through its platform to VR experience stores. It aims to continuously improve the VR experience for users and lead the trend of VR theme entertainment.
The document discusses decision making and decision support systems. It covers Simon's four phases of decision making: intelligence, design, choice, and implementation. It also discusses how decision support systems can support each phase of the decision making process through tools like data mining, OLAP, expert systems, modeling, and knowledge management systems. Finally, it covers some factors that affect human decision making like personality, gender, cognitive styles, and individual decision styles.
Are you interested in learning more about mobile marketing? If so, then this mobile marketing SlideShare deck is for you. It was compiled by Jamie Turner from the 60 Second Marketer and Jeanne Hopkins while she was at HubSpot.
Here are just some of the amazing facts you'll learn in this SlideShare deck:
• 91% of adults have their mobile devices within arm's reach 24/7
• 25% of Americans only use mobile devices to access the internet
• There are 5 times as many cell phones in the world as there are PCs
If you're interested in learning more about mobile marketing, this deck is for you.
User experience expert Theresa Neil will guide you through the current mobile strategies: Responsive web, Optimized sites, Native apps, and Hybrids.
Study the most successful mobile implementations in the market today (and some of the worst). Learn the merits and pitfalls of each strategy.
Get to your mobile solution faster by learning the best patterns for Navigation, Forms, Tables, Search, Sort & Filter, Charts, Tools, Invitations, Feedback, and Help.
In simple terms, Li-Fi can be thought of as a light-based Wi-Fi. That is, it uses light instead of radio waves to transmit information. And instead of Wi-Fi modems, Li-Fi would use transceiver-fitted LED lamps that can light a room as well as transmit and receive information. Since simple light bulbs are used, there can technically be any number of access points.
This technology uses a part of the electromagnetic spectrum that is still not greatly utilized- The Visible Spectrum. Light is in fact very much part of our lives for millions and millions of years and does not have any major ill effect. Moreover there is 10,000 times more space available in this spectrum and just counting on the bulbs in use, it also multiplies to 10,000 times more availability as an infrastructure, globally.
Logika fuzzy memperkenalkan konsep kebenaran sebagian di mana nilai keanggotaan antara 0 dan 1 dapat digunakan untuk mewakili derajat keanggotaan suatu item pada suatu himpunan. Fungsi keanggotaan digunakan untuk memetakan nilai masukan ke dalam derajat keanggotaan, sedangkan operasi logika seperti AND, OR, dan NOT digunakan untuk mengombinasikan himpunan fuzzy. Aturan fuzzy if-then digunakan untuk mer
Logika fuzzy memperkenalkan konsep kebenaran sebagian, di mana nilai keanggotaan antara 0 dan 1 digunakan untuk menyatakan derajat kebenaran suatu pernyataan. Logika fuzzy memungkinkan penalaran yang lebih fleksibel dibandingkan logika Boolean klasik.
PERTEMUAN 4 himpunan dan fungsi logika fuzzy.ppTYudaPerwira5
FUNGSI KEANGGOTAAN HIMPUNAN FUZZY (MEMBERSHIP FUNCTION)
Adalah suatu fungsi (kurva) yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (derajat keanggotaan) yang memiliki interval antara 0 sampai 1.
Ada beberapa fungsi yang bisa digunakan :
Linier
Segitiga
Trapesium
Sigmoid
Phi
1. Fuzzy logic pertama kali diperkenalkan oleh Lotfi Zadeh pada tahun 1965 dan berhasil diaplikasikan dalam bidang kontrol. Fuzzy logic mendefinisikan nilai antara 0 dan 1 untuk menangani konsep tidak pasti.
2. Fuzzy logic menggantikan kebenaran Boolean dengan tingkat kebenaran dan memungkinkan nilai antara 0 dan 1. Proses fuzzy logic terdiri dari fuzzifikasi, evaluasi aturan, dan defuzzifikasi.
3. Konsep kunci fuzzy logic meliputi h
Dokumen tersebut membahas tentang pengantar logika fuzzy. Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh pada tahun 1965 untuk mengatasi ketidakpastian dan ketidaktepatan dalam penalaran manusia. Logika fuzzy lebih banyak diterapkan di Jepang karena budaya Timur yang lebih menerima konsep "abu-abu". Logika fuzzy diterapkan untuk masalah yang mengandung unsur ketidakpastian dengan menggunakan konsep himp
Modul ini membahas logika fuzzy yang merupakan cara untuk merepresentasikan masalah ketidakpastian dengan menggunakan nilai keanggotaan antara 0 sampai 1, serta contoh penerapannya untuk variabel umur."
1. Mean, median, dan modus merupakan ukuran pusat kecenderungan data. Mean dihitung dengan rumus rata-rata, median adalah nilai tengah data, dan modus adalah nilai yang paling sering muncul.
2. Contoh perhitungan mean, median, dan modus pada data kelompok dan distribusi frekuensi diberikan, termasuk rumus-rumus yang digunakan.
3. Terdapat hubungan empiris di mana mean cenderung lebih besar dari median,
Dokumen tersebut membahas tentang logika fuzzy, termasuk pengertian dasar, konsep-konsep kunci, dan aplikasinya dalam berbagai bidang seperti otomatisasi, medis, dan manajemen. Logika fuzzy pertama kali dikembangkan oleh Lotfi Asker Zadeh pada tahun 1965 untuk menangani masalah yang mengandung ketidakpastian."
RPP ini membahas tentang pembelajaran sistem persamaan linier dua dan tiga variabel, serta sistem persamaan dengan dua variabel yang terdiri dari satu persamaan linier dan satu kuadrat. Pembelajaran dilakukan dengan metode resitasi, ceramah, dan pemecahan masalah secara kelompok kecil. Peserta didik diajak menyelesaikan soal-soal contoh untuk memahami konsep-konsep.
Dokumen tersebut membahas tentang limit fungsi pada ruang metrik. Ruang metrik didefinisikan sebagai himpunan yang dilengkapi dengan fungsi jarak. Fungsi dikatakan memiliki limit jika nilai fungsinya mendekati nilai tertentu ketika argumennya mendekati suatu titik. Konsep ini diperluas ke ruang metrik dengan memperhatikan jarak antar titik. Limit fungsi di ruang metrik memiliki sifat yang serupa dengan di bilangan riil walaupun situ
This document provides an overview of fuzzy rule-based networks. It discusses:
1) The types of fuzzy systems including Mamdani, Sugeno, and Tsukamoto systems as well as single and multiple rule bases.
2) Formal models for representing fuzzy networks including rule-based models, integer tables, boolean matrices, and topological expressions.
3) Basic operations for constructing and manipulating fuzzy networks including horizontal and vertical merging and splitting of nodes.
Dokumen tersebut membahas dekomposisi aturan fuzzy menjadi bentuk kanonikal sederhana. Aturan fuzzy dapat berupa campuran antara konjungsi dan disjungsi yang dapat dipecah menjadi aturan tunggal. Metode inferensi seperti max-min dan korelasi produk digunakan untuk menarik kesimpulan dari aturan fuzzy tersebut. Contoh energi kinetik diberikan untuk mengilustrasikan dekomposisi aturan disjungsi menjadi dua aturan
Nuclear science and technology has many applications in computing. Nuclear reactors can power large computer systems without disruption from power outages. Radiation-hardened computers are designed to withstand high levels of radiation and are used in applications such as nuclear power plant monitoring and space exploration.
Modul praktikum ini membahas tentang algoritma dan pemrograman C++. Modul ini menjelaskan tentang pengenalan C++, variabel, tipe data, operator, dan input/output."
The document presents Mamdani and Sugeno fuzzy inference system models for calculating the resonant frequency of rectangular microstrip antennas. Two types of fuzzy inference system models - Mamdani and Sugeno - are used to compute the resonant frequency. The parameters of the fuzzy inference system models are determined using various optimization algorithms. The Sugeno fuzzy inference system model trained with the least-squares algorithm provided the best results, with the resonant frequency predictions being in very good agreement with experimental results from literature.
Dokumen tersebut membahas penentuan jumlah produksi batik Madura menggunakan metode fuzzy Mamdani. Faktor-faktor yang mempengaruhi antara lain bahan baku, biaya produksi, permintaan, dan stok. Model ini diharapkan dapat membantu perusahaan menentukan produksi bulanan untuk menjaga stok. Hasil penelitian menunjukkan model ini mampu memprediksi produksi dengan tingkat akurasi 91,75%.
2. 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 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.
<Intelligence System> FTI-Universitas Yarsi
3. Himpunan Fuzzy
• Pada himpunan tegas (crisp set), nilai keanggotaan suatu item x dalam suatu
himpunan A (ditulis µA[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, µA[2] = 1, karena 2∈A
– Nilai kaanggotaan 4 pada A, µA[4] = 0, karena 4 ∉A
<Intelligence System> FTI-Universitas Yarsi
4. Contoh 2:
“Jika suhu lebih tinggi atau sama dengan 80 oF, maka suhu disebut panas, sebaliknya disebut
tidak panas”
Kasus :
– Suhu = 100 oF, maka Panas
– Suhu = 80.1 oF, maka Panas
– Suhu = 79.9 oF, maka tidak panas
– Suhu = 50 oF, maka tidak panas
• If Suhu ≥ 80 oF, disebut panas
• If Suhu < 80 oF, disebut tidak panas
• Fungsi keanggotaan dari himpunan tegas gagal membedakan antara anggota pada himpunan
yang sama
• Ada problem-problem yang terlalu kompleks untuk didefinisikan secara tepat
<Intelligence System> FTI-Universitas Yarsi
5. Contoh 3 :
Misal variable umur dibagi menjadi 3 katagori :
• MUDA umur <35 tahun
• PAROBAYA 35 ≤ umur ≤ 55 tahun
• TUA umur > 55 tahun
Muda Parobaya Tua
1 1 1
µ[x] µ[x] µ[x]
0 35 55 0 55
0 35
Gambar 2a. Keanggotaan himpunan biasa (crisp) umur muda dan parobaya
• Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA
• Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA
• Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA
• Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK
PAROBAYA
• Apabila seseorang berusia 55 tahun, maka ia dikatakan TIDAK TUA
• Apabila seseorang berusia 55 tahun lebih ½ hari, maka ia dikatakan TUA
<Intelligence System> FTI-Universitas Yarsi
6. • Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk menyatakan umur
sangat tidak adil, adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan
katagori yang cukup signifikan
• Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Sesorang dapat masuk
dalam 2 himpunan yang berbeda. MUDA dan PAROBAYA, PAROBAYA dan TUA, dsb.
Seberapa besar eksistensinya dapat dilihat pada nilai/derajat keanggotaannya. Gambar
berikut menunjukkan himpunan fuzzy untuk variabel umur :
1 Muda Parobaya Tua
µ[x]
0,5
0,25
0 25 35 40 45 50 55 65
Gambar 2b. Himpunan Fuzzy untuk variable umur
<Intelligence System> FTI-Universitas Yarsi
8. FUNGSI KEANGGOTAAN HIMPUNAN FUZZY
(MEMBERSHIP FUNCTION)
• Adalah suatu fungsi (kurva) yang menunjukkan pemetaan titik-titik input data ke dalam nilai
keanggotaannya (derajat keanggotaan) yang memiliki interval antara 0 sampai 1.
• Ada beberapa fungsi yang bisa digunakan :
1. Representasi linier
• Contoh : Soal SKD hal 9 dan 11
<Intelligence System> FTI-Universitas Yarsi
9. 2. Representasi segitiga (triangular)
Ditentukan oleh 3 parameter {a, b, c}
sebagai berikut :
0, x ≤ a
x −a
, a ≤ x ≤ b
triangle( x : a, b, c ) = b − a
c−x
,b ≤ x ≤ c
c −b
0, c ≤ x
Contoh : soal hal 12 SKD
3. Representasi Trapesium
Ditentukan oleh 4 parameter {a,b,c,d}
sebagai berikut :
0, x ≤ a
x−a
, a ≤ x ≤ b
b−a
trapezoid ( x; a, b, c, d ) = 1, b ≤ x ≤ c
d − x
d −c ,c ≤ x ≤ d
0, d ≤ x
Contoh : soal hal 12 SKD
<Intelligence System> FTI-Universitas Yarsi
10. Representasi bentuk lain :
– Bentuk bahu
– Bentuk S
– Bentuk lonceng
– Bentuk Beta
– Bentuk Gauss
<Intelligence System> FTI-Universitas Yarsi
11. Operasi Logika (Operasi Himpunan Fuzzy)
• Operasi logika adalah operasi yang mengkombinasikan dan memodifikasi 2 atau lebih
himpunan fuzzy. Nilai keanggotaan baru hasil operasi dua himpunan disebut firing
strength atau α predikat, menurut Kusumadewi (2004) ada 3 operasi dasar yang
diciptakan oleh Zadeh :
1. Operator AND, berhubungan dengan operasi intersection pada himpunan, α
predikat diperoleh dengan mengambil nilai minimum antar kedua himpunan.
µA∩B = min(µA[x], µB[y])
Misal nilai keanggotaan umur 27 pada himpunan muda adalah µMUDA[27] =
0,6 dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah
µGAJITINGGI[2juta] = 0,8
maka -predikat untuk usia MUDA dan berpenghasilan TINGGI adalah nilai
keanggotaan minimun :
µMUDA∩GAJITINGGI = min(µ MUDA[27], µ GAJITINGGI[2juta])
= min (0,6 ; 0,8)
= 0,6
<Intelligence System> FTI-Universitas Yarsi
12. 2. Operator OR, berhubungan dengan operasi union pada himpunan, α predikat
diperoleh dengan mengambil nilai maximum antar kedua himpunan.
µA∪B = max(µA[x], µB[y])
Misal nilai keanggotaan umur 27 pada himpunan muda adalah µMUDA[27] =
0,6 dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah
µGAJITINGGI[2juta] = 0,8
maka -predikat untuk usia MUDA atau berpenghasilan TINGGI adalah nilai
keanggotaan maksimum :
µMUDA ∪ GAJITINGGI = max(MUDA[27], GAJITINGGI[2juta])
= max (0,6 ; 0,8)
= 0,8
<Intelligence System> FTI-Universitas Yarsi
13. 3. Operasi NOT, berhubungan dengan operasi komplemen pada himpunan, α
predikat diperoleh dengan mengurangkan nilai keanggotaan elemen pada
himpunan dari 1.
Misal nilai keanggotaan umur 27 pada himpunan muda adalah µMUDA[27]=
0,6 maka -predikat untuk usia TIDAK MUDA adalah :
µMUDA’[27] = 1 - MUDA[27
= 1 - 0,6
= 0,4
<Intelligence System> FTI-Universitas Yarsi
14. Penalaran monoton
(Aturan Fuzzy If Then)
• Metode penalran 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
<Intelligence System> FTI-Universitas Yarsi
15. • Aturan Fuzzy If-Then (atau disebut juga aturan fuzzy, fuzzy implikasi,
atau pernyataan kondisional Fuzzy) adalah aturan yang digunakan untuk
merumuskan relasi conditional antara 2 atau lebih himpunan fuzzy.
Bentuk umum :
If (X1 is A1)∧ (X2 is A2) … (Xn is An) Then Y is B; xi, yi skalar, dan A, B
himpunan Fuzzy
Menurut Kusumadewi (2004) Ada 2 fungsi implikasi yang digunakan
yaitu :
1. Min (minimum), fungsi ini akan memotong output (konsekuen) himpunan
fuzzy.
2. Dot (product), fungsi ini akan menskala output himpunan fuzzy.
<Intelligence System> FTI-Universitas Yarsi
16. • Contoh Implementasi
a A2 B
A1 Aplikasi fungsi implikasi Min
.
X1 X2 Y
If X1 is A1 and X2 is A2 Then Y
is B
Aplikasi fungsi implikasi Dot
A A2 B
b 1
.
X1 X2 Y
If X1 is A1 and X2 is A2 Then
Y is B
Gambar 4. (a) Aplikasi fungsi implikasi menggunakan
operator min. (b) Aplikasi fungsi implikasi
menggunakan operator dot.
Contoh : Soal hal 28 SKD
<Intelligence System> FTI-Universitas Yarsi