Académique Documents
Professionnel Documents
Culture Documents
(Fuzzy Control)
Yusuf Hendrawan STP., M.App.Life Sc., Ph.D
What is Intelligence???
[1] IF … THEN …
[2] Learning Iteration Process
[3] Optimization
GA Fuzzy
ANN
Logika Fuzzy : memetakan suatu ruang input ke dalam suatu ruang output
Ruang
Ruang Kotak output
input Hitam
Fuzzy Applications
• Theory of fuzzy sets and fuzzy logic has been applied to problems in
a variety of fields:
▫ pattern recognition, decision support, data mining & information
retrieval, medicine, law, taxonomy, topology, linguistics,
automata theory, game theory, etc.
Slow Fast
Speed = 0 Speed = 1
bool speed;
get the speed
if ( speed == 0) {
// speed is slow
}
else {
// speed is fast
}
FUZZY LOGIC REPRESENTATION
Slowest
For every problem
[ 0.0 – 0.25 ]
must represent in
terms of fuzzy sets.
Slow
What are fuzzy [ 0.25 – 0.50 ]
sets?
Fast
[ 0.50 – 0.75 ]
Fastest
[ 0.75 – 1.00 ]
FUZZY LOGIC REPRESENTATION
• Crisp Logic
▫ A proposition can be true or false only.
• Bob is a student (true)
• Smoking is healthy (false)
▫ The degree of truth is 0 or 1.
• Fuzzy Logic
▫ The degree of truth is between 0 and 1.
• William is young (0.3 truth)
• Ariel is smart (0.9 truth)
Sistem Fuzzy
a. Variabel Fuzzy
- Merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy,
contoh: umur, temperatur, permintaan, dll
b. Himpunan Fuzzy
- Merupakan suatu grup yang mewakili suatu kondisi atau keadaan
tertentu dalam suatu variabel fuzzy
- Contoh: 1) variabel umur terbagi menjadi 3 himpunan fuzzy: MUDA,
PAROBAYA, TUA ; 2) variabel temperatur terbagi menjadi 5
himpunan fuzzy: DINGIN, SEJUK, NORMAL, HANGAT, PANAS
c. Semesta Pembicaraan
- Keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu
variabel fuzzy, senantiasa bertambah (naik) secara monoton dari krii ke
kanan. Contoh: 1) variabel umur [0, +∞]; 2) variabel temperatur [0, 40]
d. Domain
- Keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan
boleh dioperasikan dalam suatu himpunan fuzzy. Contoh: 1) MUDA [0,
45]; 2) PAROBAYA [35, 55]; 3) TUA [45, +∞]; 4) DINGIN [0, 20]; 5)
SEJUK [15, 25]; 6) NORMAL [20, 30]; 7) HANGAT [25, 35]; 8) PANAS
[30, 40]
Fungsi Keanggotaan
(Membership Function)
Membership function adalah suatu kurva yang menunjukkan pemetaan titik-
titik input data ke dalam nilai keanggotaannya yang memiliki interval antara 0
sampai 1 melalui pendekatan fungsi.
1
0, 𝑥≤𝑎 Derajat
(𝑥−𝑎) keanggotaan µ[x]
𝜇[𝑥]= 𝑎≤𝑥≤𝑏
(𝑏−𝑎)
1, 𝑥≥𝑏
0 a domain b
0 25 32 35
temperatur
1
Derajat
keanggotaan µ[x] (𝑏 − 𝑥)
; 𝑎≤𝑥≤𝑏
𝜇 𝑥 = ൞(𝑏 − 𝑎)
0; 𝑥≥𝑏
0 a domain b
0 15 20 30
temperatur
• b. Representasi Kurva Segitiga
Gabungan antara 2 garis (linear).
1 0; 𝑥 ≤ 𝑎 𝑎𝑡𝑎𝑢 𝑥 ≥ c
𝑏
(𝑥−𝑎)
Derajat ; 𝑎≤𝑥≤𝑏
keanggotaan µ[x] 𝜇[𝑥]= (𝑏−𝑎)
(𝑐−𝑥)
; 𝑏≤𝑥≤𝑐
(𝑐−𝑏)
0 a b c
domain
Kurva Segitiga
NORMAL
1
0.8
Derajat
23−15
𝜇𝑁𝑂𝑅𝑀𝐴𝐿 23 = =0.8 keanggotaan
25−15
µ[x]
0 15 23 30
25
temperatur
• c. Representasi Kurva Trapesium
Sama seperti bentuk segitiga, hanya beberapa titik
memiliki nilai keanggotaan 1
0; 𝑥 ≤ 𝑎 𝑎𝑡𝑎𝑢 𝑥 ≥d
𝑏
1
(𝑥−𝑎)
; 𝑎≤𝑥≤𝑏
Derajat (𝑏−𝑎)
keanggotaan µ[x] 𝜇[𝑥]=
1; 𝑏≤𝑥≤𝑐
(𝑑−𝑥)
; 𝑐≤𝑥≤𝑑
(𝑑−𝑐)
0 a b c d
domain
Kurva Trapesium
NORMAL
1
Derajat
35−32
𝜇𝑁𝑂𝑅𝑀𝐴𝐿 23 = =0.375 keanggotaan
35−27
µ[x] 0.375
0 15 24 27 32 35
temperatur
• d. Representasi Kurva Bentuk Bahu
Daerah yang terletak di tengah-tengah suatu variabel yang dipresentasikan dalam
bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun.
Derajat
keanggotaan µ[x]
0 0 28 40
temperature
1 1
μ[x]
Derajat Derajat
keanggotaan µ[x] keanggotaan µ[x]
μ[x]
0 a x b 0 a x b
domain domain
b−x
2
b−x
2
x = 1 − 2 x = 2
b−a b−a
Operator Dasar Zadeh untuk Operasi
Himpunan Fuzzy
• 1. Operator AND
▫ Berhubungan dengan operasi interseksi pada himpunan → mengambil nilai
keanggotaan terkecil.
▫ Contoh: Misal nilai keanggotaan 27 tahun pada himpunan MUDA adalah 0.6
(µMUDA[27]=0.6); dan nilai keanggotaan Rp. 2 juta pada himpunan penghasilan
TINGGI adalah 0.8 (µGAJITINGGI[2x106=0.8]; maka α-predikat untuk usia
MUDA dan berpenghasilan TINGGI adalah 0.6
• 2. Operator OR
▫ Operator ini berhubungan dengan operasi union pada himpunan → mengambil
nilai keanggotaan terbesar.
▫ Contoh: Pada contoh diatas α-predikat untuk usia MUDA atau berpenghasilan
TINGGI adalah 0.8
• 3. Operator NOT
▫ Berhubungan dengan operasi komplemen pada himpunan
▫ Contoh: nilai α-predikat untuk usia TIDAK MUDA adalah
▫ 1- µMUDA[27]=1-0.6= 0.4
Penalaran MONOTON
• Metoda penalaran secara monoton digunakan
sebagai dasar untuk teknik implikasi fuzzy →
digunakan untuk penskalaan fuzzy.
• Jika 2 daerah fuzzy direalisasikan dengan implikasi
sederhana: IF x is A THEN y is B; transfer fungsinya
y=f((x,A),B); maka sistem fuzzy dapat berjalan
tanpa harus melalui komposisi dan dekomposisi
fuzzy. Nilai output dapat diestimasi langsung dari
nilai keanggotaan yang berhubungan dengan
antesedennya.
1
0.7
0 50 75 100
Light Intensity
1
0.7
0 3 5
Photosynthesis
umol CO2 m-2 s-1
Fuzzy Inference System
• Metode Tsukamoto
• Metode Mamdani
• Metode Sugeno
Metode Tsukamoto
• Setiap konsekuen pada aturan yang berbentuk
IF-THEN harus direpresentasikan dengan suatu
himpunan fuzzy dengan fungsi keanggotaan
yang monoton;
• Output hasil inferensi dari tiap-tiap aturan
diberikan secara tegas (crisp) berdasarkan α-
predikat (fire strength);
• Hasil akhirnya diperoleh dengan menggunakan
rata-rata terbobot.
Contoh
• Misalkan ada 2 variabel input, Var-1(x) dan Var-
2(y), serta 1 variabel output, Var-3(z), dimana
Var-1 terbagi atas 2 himpunan yaitu A1 dan A2
terbagi atas 2 himpunan B1 dan B2, Var-3 juga
terbagi atas 2 himpunan yaitu C1 dan C2 (C1 dan
C2 harus monoton). Ada 2 aturan yang
digunakan, yaitu:
• [R1] IF (x is A1) AND (y is B2) THEN (z is C1)
• [R2] IF (x is A2) AND (y is B1) THEN (z is C2)
μ[x] μ[y] μ[z]
A1 B2 C1
1 1 1
α1
0 0 0 z1
Var-1 Var-2 Var-3
α2
0 0 0 z2
Var-2
Var-3
Var-1
Rata-rata
terbobot
Inferensi dengan menggunakan metode Tsukamoto
1 z1 + 2 z 2
z=
1 + 2
Contoh 2
• Suatu perusahaan makanan akan memproduksi makanan
jenis ABC. Dari data 1 bulan terakhir, permintaan terbesar
mencapai 5000 kemasan/hari, dan permintaan
terkecil mencapai 1000 kemasan/hari. Persediaan
barang di gudang terbanyak mencapai 600
kemasan/hari, dan terkecil pernah mencapai 100
kemasan/hari. Dengan segala keterbatasannya, sampai saat
ini, perusahaan baru mampu memproduksi barang
maksimum 7000 kemasan/hari, untuk efisiensi mesin
dan SDM tiap hari diharapkan perusahaan memproduksi
paling tidak 2000 kemasan/hari. Berapa kemasan
makanan jenis ABC yang harus diproduksi, jika jumlah
permintaan sebanyak 4000 kemasan, dan persediaan
di gudang masih 300 kemasan, apabila proses produksi
perusahaan tersebut menggunakan 4 aturan fuzzy sebagai
berikut:
Rules
• [R1] IF permintaan TURUN And Persedian
BANYAK THEN Produksi Barang BERKURANG
• [R2] IF permintaan TURUN And Persedian
SEDIKIT THEN Produksi Barang BERKURANG
• [R3] IF permintaan NAIK And Persedian
BANYAK THEN Produksi Barang BERTAMBAH
• [R4] IF permintaan NAIK And Persedian
SEDIKIT THEN Produksi Barang BERTAMBAH
Permintaan, terdiri atas 2 himpunan fuzzy, yaitu: NAIK dan TURUN
μ[x] TURUN NAIK
1.00
0.75
0.25
Permintaan (kemasan/hari)
0.60
0.40
100 600
300
Persediaan (kemasan/hari)
0.6
0.4
0.25
Produksi (kemasan/hari)
Fungsi keanggotaan variabel Produksi
Mencari Nilai z untuk setiap aturan dengan fungsi MIN → karena menggunakan And
⚫[R1] α1 = min (μ PERMINTAAN TURUN [4000], μ PERSEDIAAN BANYAK [300] → min (0.25; 0.4) = 0.25
THEN Produksi Barang BERKURANG → (7000-z)/5000 = 0.25 → z1 = 5750
⚫[R2] α2 = min (μ PERMINTAAN TURUN [4000], μ PERSEDIAAN SEDIKIT [300] → min(0.25; 0.6) = 0.25
THEN Produksi Barang BERKURANG → (7000-z)/5000 = 0.25 → z2 = 5750
⚫[R3] α3 = min (μ PERMINTAAN NAIK [4000], μ PERSEDIAAN BANYAK [300] → min (0.75; 0.4) = 0.4
THEN Produksi Barang BERTAMBAH → (z-2000)/5000 = 0.4 → z3= 4000
⚫[R4] α4 = min (μ PERMINTAAN NAIK [4000], μ PERSEDIAAN SEDIKIT [300] → min (0.75; 0.6) = 0.6
THEN Produksi Barang BERTAMBAH → (z-2000)/5000 = 0.6 → z4= 5000
Nilai z dapat dicari dengan cara:
1 z1 + 2 z2 + 3 z3 + 4 z4
z=
1 + 2 + 3 + 4
0.25 * 5750 + 0.25 * 5750 + 0.4 * 4000 + 0.6 * 5000
z=
0.25 + 0.25 + 0.4 + 0.6
7475
z= = 4983
1.5
Jadi jumlah makanan yang harus diproduksi sebanyak 4983 kemasan
Metode Mamdani
• Metode Mamdani sering dikenal sebagai metode
Max-Min, yang diperkenalkan oleh Ebrahim
Mamdani tahun 1975;
• Output didapatkan dari 4 tahapan:
1) Pembentukan himpunan Fuzzy
2) Aplikasi fungsi implikasi (aturan)
3) Komposisi aturan
4) Penegasan (defuzzy)
[R1] IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang BERKURANG
0.4 α1 0.25
0.25
0 0 0 0
4000 300
Permintaan Persediaan Produksi Barang
[R2] IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang BERKURANG
0 0 0 0
4000 300
Permintaan Persediaan Produksi Barang
[R4] IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi Barang BERTAMBAH
0 0 0 0
4000 300
Permintaan Persediaan Produksi Barang
Komposisi Antar Aturan
Dari hasil aplikasi fungsi implikasi dari tiap aturan, digunakan metoda MAX
untuk melakukan komposisi antar semua aturan
0.6
0.25
2000 a1 a2 7000
3250 5000
Penegasan (Defuzzy)
Salah satu metode penegasan yang bisa digunakan adalah metode centroid. Untuk,
itu perlu dihitung momen untuk setiap daerah
0.25; z≤3250
μ[z] = (z-2000)/5000; 3250≤z≤5000
0.6; z≥5000
3250
(0.25) z dz = 0.125 z |
2 3250
M1 = = 1320312 .5
0
0
( z − 2000 )
5000 5000
M2= z dz = 0.0002 z − 0.4 z dz =0.000067 z − 0.2 z | = 3187515 .625
2 3 2 5000
3250
5000 3250
3250
7000
(0.6) z dz = 0.3z |
2 7000
M3= = 7200000
5000
5000
⚫[R1] α1 = min (μ PERMINTAAN TURUN [4000], μ PERSEDIAAN BANYAK [300] → min (0.25; 0.4) = 0.25
THEN Produksi Barang = Permintaan – Persediaan → Nilai z1 = 4000-300 = 3700
⚫[R2] α2 = min (μ PERMINTAAN TURUN [4000], μ PERSEDIAAN SEDIKIT [300] → min(0.25; 0.6) = 0.25
THEN Produksi Barang = Permintaan → Nilai z2 = 4000
⚫[R3] α3 = min (μ PERMINTAAN NAIK [4000], μ PERSEDIAAN BANYAK [300] → min (0.75; 0.4) = 0.4
THEN Produksi Barang = Permintaan → Nilai z3 = 4000
⚫[R4] α4 = min (μ PERMINTAAN NAIK [4000], μ PERSEDIAAN SEDIKIT [300] → min (0.75; 0.6) = 0.6
THEN Produksi Barang = (1.25 * Permintaan) – Persediaan → Nilai z4 = (1.25*4000)-300 = 4700
Nilai z:
1 z1 + 2 z2 + 3 z3 + 4 z4
z=
1 + 2 + 3 + 4
0.25 * 3700 + 0.25 * 4000 + 0.4 * 4000 + 0.6 * 4700
z=
0.25 + 0.25 + 0.4 + 0.6
6345
z= = 4230 Jadi jumlah makanan yang harus
1.5
diproduksi sebanyak 4230 kemasan
Fuzzy Method
Metode
Tsukamoto
Metode Mamdani
Metode Sugeno
z *
=
z
i i
i
Input Output
Fuzzifikas Mesin DeFuzzifikas
i Inferensi i
μ 1 (x ) =
(c − x )
(c − b )
(153 − 140)
= = 0.2549
0 51 102 153 204 255 (153 − 102)
➢ Representasi naik
1 ;0 x 51 (b ≤ x ≤ c)
(c − x) μ 2 (x ) =
( x − a)
(c − b)
;52 x 102 or 103 x 153 or 154 x 204 (b − a )
μ(x) = (140 − 102)
(x − a) ;52 x 102 or 103 x 153 or 154 x 204 = = 0.7451
(b − a) (153 − 102)
1 ;205 x 255 (a ≤ x ≤ b)
Example Problem
Fuzzyfikasi
Piksel Green = 120
Berapa µ(x)?
μ[x]
Green0 Green1 Green2 Green3
1 Solution:
➢ Representasi turun
μ1 (x ) =
(c − x )
(c − b )
(153 − 120)
= = 0.66
0 51 102 153 204 255 (153 − 103)
➢ Representasi naik
1 ;0 x 51 (b ≤ x ≤ c)
(c − x) μ 2 (x ) =
(x − a)
(c − b)
;52 x 102 or 103 x 153 or 154 x 204 (b − a )
μ(x) = (120 − 103)
(x − a) ;52 x 102 or 103 x 153 or 154 x 204 = = 0.33
(b − a) (154 − 103)
1 ;205 x 255 (a ≤ x ≤ b)
Example Problem
Fuzzyfikasi
Piksel Blue = 230
Berapa µ(x)?
μ[x]
Blue0 Blue1 Blue2 Blue3
1 Solution:
➢ Representasi turun
μ1 (x ) = 1
➢ Representasi naik
1 ;0 x 51 (b ≤ x ≤ c)
(c − x)
;52 x 102 or 103 x 153 or 154 x 204
(c − b)
μ(x) =
(x − a) ;52 x 102 or 103 x 153 or 154 x 204
(b − a)
1 ;205 x 255 (a ≤ x ≤ b)
Basis Pengetahuan Fuzzy
μ[x]
Ints6
1 Ints1_1 Ints1_1 Ints3_1 Ints3_2 Ints5_1 Ints5_2
Ints2_1 Ints2_2 Ints4_1 Ints4_2
0 Ints0 1 2 3 4 5 6 7 8
Basis Pengetahuan Fuzzy
[R1] IF PxlRed Red0 And PxlGreen Green0 And PxlBlue Blue0 Then Intensity Ints0
[R2] IF PxlRed Red1 And PxlGreen Green0 And PxlBlue Blue0 Then Intensity Ints0
.
[R28] IF PxlRed Red1 And PxlGreen Green1 And PxlBlue Blue3 Then Intensity Ints3_2
.
.
[R31] IF PxlRed Red1 And PxlGreen Green2 And PxlBlue Blue3 Then Intensity Ints4_2
.
.
[R37] IF PxlRed Red2 And PxlGreen Green1 And PxlBlue Blue3 Then Intensity Ints5_2
.
[R40] IF PxlRed Red2 And PxlGreen Green2 And PxlBlue Blue3 Then Intensity Ints6
.
R50] IF PxlRed Red3 And PxlGreen Green3 And PxlBlue Blue1 Then Intensity Ints6
[R51] IF PxlRed Red3 And PxlGreen Green3 And PxlBlue Blue2 Then Intensity Ints6
[R52] IF PxlRed Red3 And PxlGreen Green3 And PxlBlue Blue3 Then Intensity Ints6
Mesin Inferensi (Metode Tsukamoto)
Mencari Nilai z untuk setiap aturan dengan fungsi MIN → karena menggunakan And
1 z1 + 2 z2 + 3 z3 + 4 z4
z=
1 + 2 + 3 + 4
0.2549 * 5 + 0.2549 * 6 + 0.66 * 6 + 0.33 * 8
z=
0.2549 + 0.2549 + 0.66 + 0.33
9.4039
z= = 6.2701 = 6
1.4998
Jadi Intensitas LED yang harus diatur adalah pada tingkatan ke 6
GreenHouse Climate Controller Fuzzy Logic
Programing
Purpose of GHCC
It takes care of maintaining a protected
environment despite fluctuations of
external climate
It acts as a program memory, which can
be operated by the grower as a tool to
steer their cultivation
Fuzzy Controllers
• Used to control a physical system
79
IF temp=low
Set Values PID
AND P=high
THEN A=med
PID Plant
IF ...
Measured Variables
Types of Fuzzy Controllers:
- PID Adaptation -
Fuzzy Logic Controller Adapts the P, I, and D Parameter of a Conventional PID Controller:
Set Point Variable
IF temp=low
AND P=high P
THEN A=med
I Command Variable
D
IF ...
PID Plant
Fuzzification Inference Defuzzification
Measured Variable
Types of Fuzzy Controllers:
- Fuzzy Intervention -
Fuzzy Logic Controller and PID Controller in Parallel:
Set Point Variable
IF temp=low
AND P=high
THEN A=med Command Variable
IF ...
Plant
PID
Fuzzification Inference Defuzzification
Measured Variable