Download - Fuzzy Type 2_updated.pdf
-
7/26/2019 Fuzzy Type 2_updated.pdf
1/35
PendahuluanFuzzy logic diperkenalkan pertama kali oleh Prof. Lotfi A Zadeh pada tahun 1965.
Fuzzy Set dapat digunakan untuk merepresentasikan dan menangani masalah
ketidakpastian. Sistem logika Fuzzy memiliki fungsi keanggotaan yang memetakan
setiap anggotanya ke dalam satu derajat keanggotaan. Hal semacam ini merupakan
keanggotaan crisp atau disebut juga himpunan Fuzzy yang dikenal dengan FuzzyLogic tipe-1 (T1 FL). Sistem T1 FL sudah banyak diterapkan dalam ilmu kontrol,
perkiraan, peramalan, data mining dan sistem pendukung keputusan. Seiring dengan
waktu, Prof. Zadeh menyadari bahwa fungsi keanggotaan T1 FL sebenarnya
merupakan bilangan tegas juga.
-
7/26/2019 Fuzzy Type 2_updated.pdf
2/35
Himpunan Crisp dan Himpunan Fuzzy
Himpunan Crisp adalah himpunan yang
membedakan anggota dan non-anggotanya
dengan batasan yang jelas (0 atau 1).
Himpunan fuzzy
Himpunan Fuzzy didefinisikan
sebagai suatu fungsi
keanggotaan yang memetakan
setiap objek suatu nilai real
dalam interval (0,1).
-
7/26/2019 Fuzzy Type 2_updated.pdf
3/35
Notasi Fuzzy
Tanda pembagi (/) menyatakan pasangan (bukan operasi
Tanda penjumlah (+) menyatakan simbol function-theoretic union
(bukan operasi penjumlahan)
-
7/26/2019 Fuzzy Type 2_updated.pdf
4/35
Fungsi Keanggotaan
Merupakan suatu kurva
yang menunjukkan
pemetaan titik-titik input
data ke dalam nilai
keanggotaannya yang
memiliki nilai antara 0
sampai 1.
-
7/26/2019 Fuzzy Type 2_updated.pdf
5/35
Metode Logika Fuzzy
Ada berbagai macam metode logika fuzzy, yaitu ;
1. Takagi-Sugeno-Kang (TSK)
2. Mamdani
.
Metode logika fuzzy yang sering digunakan saat ini adalah Mamdani dan Takagi-
Sugeno-Kang (TSK). Keduanya memiliki kesamaan pada struktur antecedentdan
kaidah JIKA-MAKA yang digunakan. Perbedaannya adalah pada bagian
konsekuen, dimana bagian konsekuen pada sistem Mamdani berupa set fuzzy,
adapun bagian konsekuen pada sistem TSK berupa fungsi.
-
7/26/2019 Fuzzy Type 2_updated.pdf
6/35
Fuzzy TSK Tipe 1FuzzypadaAntecedent Crisp pada Consequent
Misalkan diketahui
dua buah aturan:
-
7/26/2019 Fuzzy Type 2_updated.pdf
7/35
Mengapa dibutuhkan Fuzzy Tipe 2?
Fuzzy tipe 1 tidak merepresentasikan ketidakpastian (uncertainty) pada fungsi
keanggotaannya.
-
7/26/2019 Fuzzy Type 2_updated.pdf
8/35
Bagaimana Cara Memodelkan Ketidakpastian?
Ada beberapa cara untuk memodelkan Type-2 Fuzzy Logic, yaitu :
1. General T2 Kompleksitas komputasinya tinggi
2. Interval Type-2 (IT2) Perhitungannya cepat dan komputasinya sederhana
3. Quasi-T2 metode terbaru
-
7/26/2019 Fuzzy Type 2_updated.pdf
9/35
Type-2 Fuzzy Logic SystemType-2 fuzzy (T2 FL) awalnya juga diperkenalkan oleh Zadeh.
Saat itu kemampuan komputerisasi terbatas sehingga pemakaian fuzzy tipe-2 tidak
begitu populer. Namun sejak tahun 2000-an fuzzy tipe-2 sudah banyak menjadi
pilihan bagi peneliti meskipun membutuhkan komputasional yang kompleks. Hal ini
dikarenakan kemampuan komputer sudah sangat luar biasa cepatnya. T2 FLmemiliki performansi yang lebih baik dari T1 FL.
-
7/26/2019 Fuzzy Type 2_updated.pdf
10/35
Fuzzy TSK Tipe 2
Untuk model fuzzy TSK bertipe 2, terdapat tiga kemungkinan struktur :
1. Bagian antecedents berupa set fuzzy bertipe 2 dan bagian consequent
adalah set fuzzy bertipe 1. Struktur ini disebut Model I.
2. 2. Bagian antecedents berupa set fuzzy bertipe 2 dan bagian consequent
adalah nilai crisp. Struktur ini disebut Model II.
3. 3. Bagian antecedents berupa set fuzzy bertipe 1 dan bagian consequent
adalah set 1. Struktur ini disebut Model III.
-
7/26/2019 Fuzzy Type 2_updated.pdf
11/35
Interval Type-2 Fuzzy LogicInterval type-2 fuzzy set terdiri dariUpper
Membership Function (UMF) danLower
Membership Function (LMF) di mana
keduanya merupakan type-1 fuzzy set.
Fungsi keanggotaan dalam interval type-2
fuzzy logic diatur sebagai daerah yang
disebut dengan Footprint of Uncertainty
(FOU) yang dibatasi dengan 2 buah type-1
fungsi keanggotaan fuzzy logic UMF dan
LMF.
-
7/26/2019 Fuzzy Type 2_updated.pdf
12/35
Struktur Tipe-2 Fuzzy
Logic1. Fuzzifier
Proses ini mentransformasikan masukan crips
menjadi variabel dalam bentuk fuzzy bertipe 2.
Fungsi keanggotaan untuk setiap bagian
antecedent adalah sistem fuzzy bertipe-2 interval
yang dituliskan sebagai berikut:
2. Rules
3. Inference
4. Defuzzifier
5. Type-Reducer
Type-1 vs Type-2
Kesamaan: Proses fuzzifier, rule base, inference
engine.
Perbedaan: Output Processor. Pada Tipe-2
menggunakan Type-Reducer.
-
7/26/2019 Fuzzy Type 2_updated.pdf
13/35
State-of-the-Art (1)
Historical Development Fuzzy Type 2
-
7/26/2019 Fuzzy Type 2_updated.pdf
14/35
State-of-the-Art (2)
1. Aplikasi, seperti pada sistem pengambilan keputusan yang kompleks seperti di bidang
kedokteran.
2. Kompleksitas komputasi. Beberapa penelitian akhir-akhir ini menunjukkan Generalized
Type-2 dibanding Interval Type-2, namun kompleksitasnya lebih tinggi. Selain itu Fuzzy Tipe-2
Peluang penelitian untuk mengeksplorasi Fuzzy Tipe 2
uga e omp e s an ng pe- .
3. Optimisasi. Cara optimisasi Fuzzy tipe-2 masih menjadi open question. Pemilihan: rule,
membership function, operator, dan algoritma defuzzifikasi masih dilakukan secara manual.
4. Defuzzifikasi.Algoritma untuk defuzzifikasi menjadi isu yang penting dan masih mungkin
untuk dikembangkan lagi.
5. FOU. FOU juga menjadi isu penting dalam perancangan Fuzzy Tipe-2, karena kita tidak
mengetahui apakah FOU mewakili ketidakpastian secara berlebihan atau kurang mewakili.
-
7/26/2019 Fuzzy Type 2_updated.pdf
15/35
State-of-the-Art (3)Beberapa penelitian yang pernah dilakukan dalam pengembangan dan
implementasi Fuzzy Tipe 2:
1. Penerapan Fuzzy Tipe 2 di berbagai bidang seperti: classification, clustering,
pattern recognition, dan intelligent control.
2. Perbandingan antara Fuzzy Type 1 dan Type 2 untuk mengetahui
permasalahan seperti apa yang sudah cukup baik dimodelkan dengan Tipe 1
dan seperti apa yang membutuhkan Tipe 2 yang komputasinya lebih
kompleks.
3. Optimasi Fuzzy Type 2 menggunakan Algoritme Genetika, Particle Swarm
Optimization, Ant Colony Optimization, dll. Hal ini bertujuan untuk menciptakandesain Fuzzy Tipe 2 secara otomatis.
-
7/26/2019 Fuzzy Type 2_updated.pdf
16/35
Aplikasi Fuzzy LogicSaat ini, penggunaan terbesar logika fuzzy terdapat pada sistem pakar fuzzy
(fuzzy expert system). Penerapan logika fuzzy pada sistem pakar fuzzy mencakup
beberapa bidang, antara lain:
1. Aplikasi teknik. Logika fuzzy banyak digunakan oleh perusahaan, sebagai
contoh: pintu otomatis yang bisa membuka sendiri, penaksiran kualitas aspal
jalan raya, tombol tunggal untuk mesin cuci, dan sebaginya.
2. Pengenalan pola. Logika fuzzy untuk pengenalan pola antara lain, yang
banyak dikembangkan oleh perusahaan elektronik saat ini, yaitu untuk
pengenalan simbol tulisan tangan pada komputer saku. Contoh yang lain
adalah klasifikasi sinar-x, pemutar film otomatis, dan sebagainya
-
7/26/2019 Fuzzy Type 2_updated.pdf
17/35
Aplikasi Fuzzy Logic3. Aplikasi media. Dalam bidang media sebagai contoh: diagnosa terhadap
gangguan apnoca tidur, diagnosa radang sendi, kontrol pembiusan, dan
sebagainya.
4. Aplikasi finansial. Logika fuzzy juga digunakan dalam bidang ekonomi
, ,keuangan pada sebuah perusahaan, dan sebagainya
-
7/26/2019 Fuzzy Type 2_updated.pdf
18/35
Studi Kasus : Perancangan Pengendali Fuzzy Type-2Untuk Masalah Backer-Upper Truk
Pengendalian backer-upper truk merupakan permasalahan kendali non-linear.
Rancangan ini bertujuan untuk memasukkan sebuah truk ke dalam suatu terminal
pengangkut secepat dan seakurat mungkin. Rancangan ini menyajikan desain
dan hasil simulasi dari implementasi pengontrol Fuzzy bertipe 2 (T2FC) untuk
kasus backer-upper truk. Pengontrol yang dirancang terdiri dari modul fuzzy
backward truckdan modul fuzzy forward truck.
-
7/26/2019 Fuzzy Type 2_updated.pdf
19/35
Sasaran Pengendalian (Target)
Mengendalikan Truckdari posisi awal {Xt , Yt , t} Ke terminal pengangkut
Xt Yt t Pada arah "f= 90
.*Gerakan Truck ke Depan/Belakang diatur dengan kecepatan konstan
-
7/26/2019 Fuzzy Type 2_updated.pdf
20/35
DiagramTruk
dan Terminal pengangkut
-
7/26/2019 Fuzzy Type 2_updated.pdf
21/35
Posisi Truk di tentukan dengan menggunakan 3 Variabel Yaitu : , X , Y
= Derajat Arah truck terhadap Horizontal.
(X,Y) = Koordinat/posisi Truck
Sistem Menggunakan kontrol Dengan 2 Modul Fuzzy Logic
Fuzzy untuk arah maju (Forward Module).
Sistem fuzzy untuk arah mundur (Backward Module).
-
7/26/2019 Fuzzy Type 2_updated.pdf
22/35
Variabel
Rentang Variabel Masukan
[ - 90,- 120] danX [ 0 , 10]
en ang ar a e e uaran
[-30 , 30]
Sehingga keadaan akhir Truck (Xf, f) = (5, 90)
-
7/26/2019 Fuzzy Type 2_updated.pdf
23/35
Pergeseran gerak Truck
Digunakan Persamaan
Dengan (X,Y ) koordinat truk dan b adalah panjang truk.
-
7/26/2019 Fuzzy Type 2_updated.pdf
24/35
Struktur Sistem Pengendalian Truck
-
7/26/2019 Fuzzy Type 2_updated.pdf
25/35
Himpunan fuzzy posisi truk terbagi menjadi 5 variabel linguistik :
kanan (R), kanan-tengah (RC), tengah (C), kiri tengah (LC) dan kiri (L).
Himpunan fuzzy arah truk terbagi menjadi 7 variabel linguistik :
- , , - , , - ,dan kiri-bawah (LD).
Himpunan fuzzy arah setir terbagi menjadi 7 variabel linguistik :
positif-besar (PB), positif-sedang (PM), positif kecil (PS), nol (Z), negatif-kecil
(NS), negatif-sedang (NM) dan negatif-besar (NB.)
-
7/26/2019 Fuzzy Type 2_updated.pdf
26/35
Karena terdapat lima variabel linguistik untuk posisi truk dan tujuh variabel liguistik
untuk arah truk, maka akan terdapat 35 kaidah yang akan digunakan. Karena
hanya terdapat dua variabel masukan pada fuzzy, maka basis kaidah yang
digunakan dapat didokumentasikan dalam bentuk matriks seperti yang
ditunjukkan pada Gambar berikut.
-
7/26/2019 Fuzzy Type 2_updated.pdf
27/35
Kaidah-kaidah pada Fuzzy Backward Truck Module
-
7/26/2019 Fuzzy Type 2_updated.pdf
28/35
Kaidah-kaidah pada FuzzyForward Truck Module
-
7/26/2019 Fuzzy Type 2_updated.pdf
29/35
Fungsi keanggotaan untuk posisi Truck
-
7/26/2019 Fuzzy Type 2_updated.pdf
30/35
Fungsi keanggotaan untuk arah Truck
-
7/26/2019 Fuzzy Type 2_updated.pdf
31/35
Fungsi keanggotaan untuk arah Steer
-
7/26/2019 Fuzzy Type 2_updated.pdf
32/35
Hasil Simulasi Fuzzy Logic Tipe II
Hasil trajektori untuk posisi awalX
= 20,Y
= 18.4 dan "
" = 60.
-
7/26/2019 Fuzzy Type 2_updated.pdf
33/35
Hasil trajektori untuk posisi awalX
= 17.5 ,Y
= 8 dan "
" = 162.
.
-
7/26/2019 Fuzzy Type 2_updated.pdf
34/35
Pebandingan Hasil Simulasi
.
-
7/26/2019 Fuzzy Type 2_updated.pdf
35/35
Kesimpulan1. Fuzzy Tipe 1 tidak dapat memodelkan ketidakpastian (uncertainty)
2. Fuzzy Tipe 2 mengatasi masalah ketidakpastian fungsi keanggotaan pada
fuzzy tipe 1.
3. Perbedaan Fuzzy tipe 1 dan 2:
Representasi fungsi keanggotaan. Pada Fuzzy Type-2 Interval, digunakan
batas atas dan batas bawah.
Fuzzy Tipe 2 membutuhkan Type Reduceryang harus diubah ke bentuk
Fuzzy tipe 1 Sebelum dilakukan defuzzifikasi.
4. Kelebihan Fuzzy tipe 2 dalam memodelkan ketidakpastian membuka
peluang yang luas untuk diimplementasikan secara luas di berbagai bidang.