review) faktor kepastian sistem penalaran fuzzy mamdani...

Kecerdasan Buatan

Pertemuan 10

(Review)

Faktor KepastianSistem Penalaran Fuzzy Mamdani

Pembelajaran Mesin ID3

HusniLunix96@gmail.com

http://Komputasi.wordpress.com

S1 Teknik Informatika, STMIK AMIKOM, 2013

Outline

• Sistem Pakar & Pembelajaran

• Faktor Kepastian / Certainty Factor (CF)

• Penalaran Fuzzy Model Mamdani

Sistem Pakar & Pembelajaran

• Sistem Pakar

– Semua pengetahuan/rule, berasal dari Pakar

– Tidak ada pembelajaran, hanya penalaran

– Peran manusia DOMINAN

• Pembelajaran

– Data/Informasi (database), bukan dari pakar, tetapidari rangkuman peristiwa (fakta) yang terjadi.

– Ada pembelajaran, 2 fase: pelatihan & testing

– Tidak ada campur tangan langsung dari Manusia

Contoh: Prediksi dengan CF

• Diketahui bahwa hari ini Hujan, Curah hujan hari ini rendah (dengan CF 0.8), Temperatur hari ini dingin (dengan CF 0.9). Pakar harus memprediksi apakah cuaca besok.

Basis pengetahuan berisi rules berikut:

• Rule 1: IF Hari ini Hujan

THEN Besok Hujan {CF=0.5}

• Rule 2: IF Hari ini Kering

THEN Besok Kering {CF=0.5}

• Rule 3: IF Hari ini Hujan

AND Curah Hujan Rendah

THEN Besok Kering {CF=0.6}

• Rule 4: IF Hari ini Hujan

AND Curah Hujan Rendah

AND Temperatur Dingin

THEN Besok Kering {CF=0.7}

• Rule 5: IF Hari ini Kering

AND Temperatur panas

THEN Besok Hujan {CF=0.65}

• Rule 6: IF Hari ini Hujan

AND Temperatur Panas

AND Langit Mendung

THEN Besok Hujan {CF=0.55}

Penyelesaian

• Buat Pohon Penalaran yang memperlihatkan apa yang diprediksi, yaitu Cuaca Besok: Hujanatau Kering.

• Hitung CF dari bagian THEN (konsekuen) dari setiap Rule

• Hitung CF dari “Besok Hujan” dan “Besok Kering”

• CF yang lebih besar menunjukkan bahwa Hipotesis itu lebih “pasti” terjadi.

Hipotesis Besok Hujan

Hipotesis Besok Kering

0.56

Contoh: Prediksi dengan Fuzzy

• Pabrik Tekstil memproduksi pakaian Merk Tertentu.

• Dalam 1 bulan terakhir, permintaan terbesar mencapai 5000potong per hari, permintaan terkecil 1000 potong per hari.

• Persediaan barang di gudang tiap bulan paling banyak 600potong dan persediaan terkecil 100 potong.

• Perusahaan ini hanya mampu memproduksi pakaian paling banyak 7000 potong per hari.

• Dengan alasan tertentu, pabrik harus memproduksi setidaknya 2000 potong pakaian.

• Berapa potong pakaian yang harus diproduksi apabila ada permintaan 4000 potong dan persediaan adalah 300 potong.

Aturan yang tersedia

• [R1] : IF Permintaan TURUN And PersediaanBANYAK THEN Produksi BERKURANG

• [R2] : IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi BERKURANG

• [R3] : IF Permintaan NAIK And Persediaan BANYAK THEN Produksi BERTAMBAH

• [R4] : IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi BERTAMBAH

1: Fuzzification

• Input :

1. Permintaan[1000 5000]

{TURUN NAIK}

2. Persediaan[100 600]

{SEDIKIT BANYAK}

• Output:

Jumlah Produksi[2000 7000]

{BERKURANG BERTAMBAH}

Input: Permintaan & Persediaan

Output: Jumlah Produksi

2: Inferensi Model Mamdani

• Perhatikan Aturan yang digunakan berdasarkan input yang diberikan pada Masalah

• Berapa potong pakaian jenisX, Y dan Z yang harus diproduksi apabila terdapat permintaan sejumlah 4000 potong dan persediaan di gudang terdapat300 potong.

• 4000 : termasuk dalam kategori turun dan naik

• 300 : termasuk dalam kategori banyak dan sedikit

• Jadi, Semua Aturan/ Rule digunakan

Penerapan Rule R1

• IF Permintaan TURUN And Persediaan BANYAK THEN Produksi BERKURANG

Penerapan Rule R2

• IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi BERKURANG

Penerapan Rule R3

• IF Permintaan NAIK And Persediaan BANYAK THEN Produksi BERTAMBAH

Penerapan Rule R4

• IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi BERTAMBAH

Agregasi

• Gabungkan semua hasil. Jika ada yang GANDA, ambil nilai MAX.

3: Defuzzification

• Gunakan COA/COG

Contoh: Penentuan Beasiswa dengan Penalaran Fuzzy

• Ada 100 beasiswa. Jumlah kandidat ada 5000.

• Nilai kelayakan (NK) penerima beasiswa ditentukan berdasarkan IPK dan Penghasilan Orang Tua (POT) per bulan.

• Si A: IPK 3.00, Penghasilan Ortu 10 Jt per bulan

• Si B: IPK 2.99, POT 1 jt per bulan.

• Siapa yang lebih berhak menerima Beasiswa, A atau B?

1: Fuzzification

• Misal input IPK dibagi menjadi 3: Buruk (0 –2.75), Cukup (2 – 3.25), Bagus (2.75 – 4)

1: Fuzzification

• Misal input Penghasilan Ortu (POT) dibagi menjadi 4: Kecil, Sedang, Besar, Sangat besar.

A: IPK 3.00 POT 10 juta

• µIPKBagus(3.00) = (3-2.75)/(3.25-2.75) = 0.5

• µIPKCukup(3.00) = -(3-3.25)/(3.25-2.75) = 0.5

• µPOTBesar(10) = -(10-12)/(12-7) = 2/5=0.4

• µPOTSgtBesar(10) = (10-7)/(12-7) = 3/5=0.6

B: IPK 2.99 POT 1 juta

• µIPKBagus(2.99) = (2.99-2.75)/(3.25-2.75) = 0.48

• µIPKCukup(2.99) = -(2.99-3.25)/(3.25-2.75) = 0.52

• µPOTSedang(1) = 0

• µPOTKecil(1) = 1

2: Inferensi

• Pakar memberikan aturan Nilai Kelayakan (NK) penerima beasiswa berikut:

• Hanya ada 2: Rendah dan Tinggi. Misal: menggunakan fungsi Trapesium

Kecil Sedang Besar Sangat Besar

Buruk Rendah Rendah Rendah Rendah

Cukup Tinggi Rendah Rendah Rendah

Bagus Tinggi Tinggi Tinggi Rendah

2: Inferensi

• Gunakan Tabel Aturan, Fungi Keanggotaan Input dan Output untuk NK dari A dan B. Semakin besar NK maka semakin layak menerima beasiswa.

A: IPK=Bagus(0.5), IPK=Cukup(0.5)POT=Besar(0.4), POT=SgtBesar(0.6)

• IPK=Cukup(0.5) AND POT=Besar(0.4) THEN NK=Rendah(0.4)

• IPK=Cukup(0.5) AND POT=SgtBesar(0.6) THEN NK=Rendah(0.5)

• IPK=Bagus(0.5) AND POT=Besar(0.4) THEN NK=Tinggi(0.4)

• IPK=Bagus(0.5) AND POT=SgtBesar(0.6) THEN NK=Rendah(0.5)

NK=Rendah(0.4) NK=Rendah(0.5) NK=Rendah(0.5)

B: IPK=Bagus(0.48), IPK=Cukup(0.52)POT=Kecil(1), POT=Sedang(0)

• IPK=Cukup(0.52) AND POT=Kecil(1) THEN NK=Tinggi(0.52)

• IPK=Cukup(0.52) AND POT=Sedang(0) THEN NK=Rendah(0)

• IPK=Bagus(0.48) AND POT=Kecil(1) THEN NK=Tinggi(0.48)

• IPK=Bagus(0.48) AND POT=Sedang(0) THEN NK=Tinggi(0)

NK=Tinggi(0.52) NK=Tinggi(0.48) NK=Tinggi(0)

3: Defuzzification

• Gunakan COA untuk menghitung nilai crisp dari NK untuk A dan B.

NK akhir dari A: IPK 3, POT 10 jt:

• Y* = ((10+20+30+40+50+60)*0.5 + (70+80+90+100) * 0.4)/(6*0.5 + 4 * 0.4)

• (105 + 136)/4.6 = 52.39

3: Defuzzification

• Gunakan COA untuk menghitung nilai crisp dari NK untuk A dan B.

NK akhir dari B: IPK 2.99, POT 1 jt:

• Y* = (70+80) * 0.52/(2*0.52)

• (150) * 0.52/1.04 = 75

• Artinya, NK dari B jauh lebih tinggi daripada NK dari A. Sehingga B lebih berhak menerima beasiswa.