bagan keanggotaaan

Anggota

Nama	NIM	Tugas
Muhammad Adam Fadhilah	208091000054	Buat Aplikasi & Cari Artikel
Dea Puspita Sari	208091000057	Buat blog, Desain Blog & Cari Artikel
Gunawan Haerudi	208091000045	Cari Artikel
Yohan Hadiyono	208091000044	Cari Artikel
Ahmad Shaepul Handi	208091000041	Cari Artikel
Herly Gunawan	208091000049	Cari Artikel

Tanggal Tugas

Tanggal Tugas	Tanggal Selesai
Senin 13 Juni 2011	Senin 20 Juni 2011

Metode Tsukamoto

Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk If-Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crips) berdasarkan a-predikat (fire strength). Hasil akhimya diperoleh dengan menggunakan rata-rata terbobot.

Model Kasus

Suatu perusahaan akan mengadakan penerimaan pegawai, berdasarkan data 1 tahun terakhir adalah sebagai berikut :
a. Lulusan terbanyak mencapai 1000 orang/tahun
b. Lulusan terkecil mencapai 600 orang/tahun
c. Lowongan terbanyak mencapai 800 orang/departemen
d. Lowongan terkecil mencapai 100 orang/departemen
e. Penerimaan pegawai terbesar 1500 orang/departemen
f. Penerimaan pegawai terkecil 500orang/departemen
Jika jumlah lulusan sebanyak 850 orang dan lowongan yang tersedia sebanyak 450, maka akan dibuat model sistem fuzzy dengan menggunakan metode Tsukamoto untuk mencari nilai output berupa jumlah pegawai yang dapat diterima berdasarkan data-data tersebut, dimana penerimaan pegawai menggunakan
aturan fuzzy sebagai berikut :
          [R1] If Lulusan Sedikit And Lowongan Banyak
                 Then Penerimaan Pegawai Berkurang
          [R2] If Lulusan Sedikit And Lowongan Sedikit
                 Then Penerimaan Pegawai Berkurang
          [R3] If Lulusan Banyak And Lowongan Banyak
                 Then Penerimaan Pegawai Bertambah
         [R4] If Lulusan Banyak And Lowongan Sedikit
                Then Penerimaan Pegawai Bertambah

Dalam kasus ini terdapat 3 variabel fuzzy yang akan dimodelkan, yaitu :
a. Lulusan
   Lulusan terdiri atas dua himpunan fuzzy, yaitu Terbanyak dan Terkecil Gambar grafik fungsi keanggotaannya adalah :

  

sumber : http://www.scribd.com/doc/53169870/35/SISTEM-INFERENSI-FUZZY-7-8-1-Metode-Tsukamoto dan http://www.google.co.id/url?sa=t&source=web&cd=1&ved=0CBgQFjAA&url=http%3A%2F%2Fcicie.files.wordpress.com%2F2008%2F06%2Fcdss-tsukamoto-fuzzy-inference-system.pdf&rct=j&q=metode%20tsukamoto&ei=1A_4Td2wEo3-vQP-hfGCDA&usg=AFQjCNE5QZM0ug9hGnuN6KJ5tkwJ0rm-tA&sig2=JQLJXEUCOqipaUQnQjwaGA&cad=rja

Metode Sugeno

Pada metode penalaran atau rule evaluatian Takegi Sugeno, output sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Penelitian ini menggunakan model Fuzzy Sugeno Orde-Nol. Secara umum bentuk model fuzzy Sugeno orde nol adalah:

  IF (x1 is A1) o (x2 is A2) o (x3 is A3) .... o (xN is AN) THEN z=k (4)

dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta (tegas) sebagai konsekuen.

Konsep Dasar Fuzzy Logic

Bila kita mempelajari tentang logika secara lebih mendalam, maka akan disimpulkan antara nalar dengan logika memang sangat sulit dibedakan karena perbedaannya sangat tidak jelas. Penalaran merupakan suatu proses berpikir yang membuahkan pengetahuan. Agar pengetahuan yang dihasilkan penalaran tersebut mempunyai dasar kebenaran, maka proses berpikir tersebut harus dilakukan suatu cara tertentu. Suatu penarikan kesimpulan, dimana nilainya baru dianggap valid jika dilakukan dengan cara tertentu tersebut. Cara penarikan kesimpulan tersebut disebut logika. Secara luas, logika dapat didefinisikan sebagai “pengkajian untuk berpikir secara sahih”. 

Ada banyak macam logika, dimana pertama adalah logika konvensional. Cara berfikir dengan logika kuno ini menganut 2 sistem, yaitu induksi – yang dimana penarikan kesimpulan bersifat umum dari contoh atau sample yang sifatnya khusus, dan deduksi – yang dimana penarikan kesimpulan bersifat khusus dari suatu fakta umum. Penarikan kesimpulan secara deduktif biasanya mempergunakan pola berpikir yang disebut silogismus. Silogismus disusun atas dasar dua pernyataan sebagai variabel masukan (input) dengan menghasilkan sebuah kesimpulan (output). Kedua pernyataan sebagai variabel masukan tersebut mempunyai kedudukan tersendiri masing-masing yang disebut premis. Premis ini dibedakan atas dua, yaitu :

· Premis Mayor,
merupakan suatu variabel utama sebagai konstanta yang menerangkan, dimana
premis mayor merupakan ketentuan atau konteks pembicaraan.

· Premis Minor,
merupakan suatu variabel persoalan yang diterangkan atau mempunyai kedudukan
sebagai variabel bebas.

Sebagai sebuah contoh diberikan permasalahan silogismus berikut ini :

Premis Mayor : Si Johan orang gila.

Premis
Minor : Si
Johan temannya si Bau.

Kesimpulan : Yang
berteman dengan si Bau pasti orang gila.

 Dari logika
“gaya konvensional” tersebut mempunyai banyak sekali kelemahan dan kesalahan pada pemikiran, karena kedua-duanya dilakukan secara empirik. Beberapa kesalahan berpikir tersebut adalah : Petitio Principii, Circulus Vitiosus, Pengertian Berganda, Metabasis Eis Allo Genos, Loncatan Analogi ke Kesamaan dan lainnya. Di sini tidak dibahas lebih lanjut mengenai kesalahan berpikir yang disebabkan oleh kelemahan logika konvensional tersebut.

Kemudian berkembanglah suatu pola pemikiran berdasarkan suatu bentuk logika modern, yaitu logika Boolean. Dalam logika Boolean, hasil yang didapatkan bersifat pasti, dengan didukung oleh suatu penarikan kesimpulan dari gerbang pemikiran yang pasti dan tertentu. Misalnya kesimpulan yang ditarik antara pilihan “dan” serta "atau”. Hasil yang disimpulkan hampir pasti, dimana bila ada pernyataan “putih dan tinggi”, maka jika suatu variabel kondisi yang dimasukkan adalah “pendek dan putih”, maka disimpulkan tidak memenuhi persyaratan (AÙB, A=0, B=1, kesimpulan=0), sebaliknya apabila pernyataan syarat tersebut adalah “putih atau tinggi”, jika suatu variabel yang dimasukkan adalah “pendek dan putih”, maka variabel tersebut memenuhi
persyaratan (AÚB, A=0, B=1, kesimpulan=1).

Logika Fuzzy merupakan logika yang menyimpulkan atas presentase, dimana dasar dari logika tersebut adalah suatumteori himpunan yang berdasarkan presentase anggota-anggota dari semesta yang dikelompokkan dan membentuk suatu himpunan. Presentase anggota-anggota himpunan yang dipandang sebagai suatu deret hitung tertentu tersebut kemudian dihitung untuk dijadikan asas dasar pengambilan kesimpulan dari variabel kondisi yang menjadi masukkan (input).

Gagasan dasar dari logika Fuzzy adalah derajat keanggotaan, dimana derajat tersebut merupakan suatu presentase dari himpunan Crisp sebagai masukan (input) dengan memakai logika Fuzzy menghasilkan suatu himpunan Crisp hasil (output) yang dimana tidak dapat dijabarkan dalam logika Boolean. Seperti yang sudah dijelaskan sebelumnya, bahwa logika Fuzzy meniru cara berpikir manusia yang disebut nalar, dimana nalar dapat menjelaskan dan mengidentifikasi sesuatu secara otomatis.

sumber : http://yudika.blog.friendster.com/2005/04/konsep-dasar-fuzzy-logic/ 

Blok Diagram Fuzzy Logic Control

Fuzzification
Fuzzification: mengubah masukan-masukan yang nilai kebenarannya bersifat pasti (crisp input) ke dalam bentuk fuzzy input
Inference

• Inference: melakukan penalaran menggunakan fuzzy input dan fuzzy rules yang telah ditentukan sehingga menghasilkan fuzzy output.
• Secara sintaks, suatu fuzzy rule (aturan fuzzy) dituliskan sebagai:

             –        IF antecendent THEN consequent

• Terdapat dua model aturan fuzzy yang digunakan secara luas dalam berbagai aplikasi, yaitu:

              –        Model Mamdani
              –        Model Sugeno

Membership Function

(Fungsi-fungsi keanggotaan)

• Di dalam fuzzy sistems, fungsi keangotaan memainkan peranan yang sangat penting untuk merepresentasikan masalah dan menghasilkan keputusan yang akurat.
• Terdapat banyak sekali fungsi keanggotaan yang bisa digunakan.
• Di sini hanya akan dibahas empat fungsi keanggotaan yang sering digunakan, yaitu:

              –        Fungsi sigmoid
              –        Fungsi phi
              –        Fungsi segitiga
              –        Fungsi trapesium

Defuzzicication

• Defuzzification: mengubah fuzzy output menjadi crisp value berdasarkan fungsi keanggotaan yang telah ditentukan.
• Terdapat berbagai metode defuzzification yang telah berhasil diaplikasikan untuk berbagai macam masalah, di sini dibahas 5 metode di antaranya, yaitu:

                 –        Centroid method
                 –        Height method
                 –        First (or Last) of Maxima
                 –        Mean-Max method
                 –        Weighted Average

• Sebelum defuzzification, harus dilakukan proses composition, yaitu agregasi hasil clipping dari semua aturan fuzzy sehingga didapatkan satu fuzzy set tunggal.

sumber : http://rianu2006.wordpress.com/2010/05/24/makalah-tentang-fuzzy-logic/