Professional Documents
Culture Documents
EXPERT SYSTEMS
S3 PENDIDIKAN MATEMATIKA
UNIVERSITAS NEGERI MALANG
2016
DAFTAR ISI
A.
B.
C.
DATA BASE................................................................................................................................................ 5
RULE BASE ................................................................................................................................................ 9
DECISION MAKING LOGIC (LOGIKA PEMBUAT KEPUTUSAN) .............................................12
D.
1.
2.
3.
4.
E.
1.
2.
3.
F.
G.
H.
BAB 10
FUZZY CONTROL AND FUZZY EXPERT SYSTEMS
seperti
kendali
2. Konfigurasi FLC
Tidak ada prosedur yang sitematik di FLC. Akan tetapi, pada Gambar 1 terlihat
konfigurasi dasar FLC.
(b) Dasar pengetahuan berisi pengetahuan dari penerapan domain dan kendali tujuan.
Terdiri dari database dan aturan dasar linguistik.
(c) Logika pengambilan keputusan melibatkan fungsi berikut:
-
Memetakan skala yang mengubah rentang dari nilai output menjadi semesta
pembicaraan yang bersesuaian.
x fuzzifier ( xo )
4
Dimana xo adalah nilai crisp yang diamati dan x adalah himpunan fuzzy, dan fuzzier
mewakili operator fuzzifikasi. Gambar 1 menunjukkan fungsi fuzzifikasi yang
mengubah data crisp menjadi nilai fuzzy tunggal. Gambar 2 menunjukkan fungsi
fuzzifikasi yang mengubah dari nilai crisp menjadi bilangan fuzzy segitiga. Titik
puncak dari segitiga bersesuaian dengan nilai rata-rata dari himpunan data, yang
alasnya adalah dua kali standar deviasi dari himpunan data.
(normalization) dari semesta pembicaraan, partisi fuzzy dari ruang input dan output,
and fungsi keanggotaan dari himpunan fuzzy primer.
5
: Negative Big
PS
: Positive Small
NM
: Negative Medium
PM
: Positive Medium
NS
: Negative Small
PB
: Positive Big
ZE
: Zero
Bilangan dari istilah fuzzy di ruang input menentukan maksimum bilangan dari
aturan kendali fuzzy. Andaikan sistem kendali fuzzy dengan dua input dan satu
variable output. Jika input mempunyai 5 dan 4 istilah, maksismum bilangan dari
aturan kendali yang dapat kita konstruk adalah 20 (5x4) seperti pada Gambar 4.
Gambar 5 menunjukkan contoh dari sistem yang memiliki 3 aturan fuzzy.
Sistem kendali fuzzy dapat selalu menduga aksi kendali yang tepat untuk setiap
keadaan dari proses. Sifat ini terkait dengan dukungan pada himpunan fuzzy
primer yang didefinisikan. Gabungan dari dukungan-dukungan seharusnya
mencakup hubungan semesta pembicaraan pada relasi ke beberapa level. Sebagai
contoh, pada Gambar 3, sebarang nilai input mencakup paling sedikit satu istilah
linguistik dengan nilai keanggotaan lebih besar dari 0,5.
NM (6) 0.3
NM (5) 0.7
NM (4) 1.0
NM (3) 0.7
NM (2) 0.3
Tabel 3. Ketentuan dari fungsi keanggotaan segitiga
( x m f ) 2
f ( x) exp
2
2 f
2. Rule Base
Sistem fuzzy dikarakteristikan dengan suatu himpunan pernyataan linguistik yang
seringkali direpresentasikan dengan bentuk aturan if-then.
R2
Rn
x U , Ai U
y V , Bi V
z W , Ci W
Pada versi yang lebih umum, bagian akibat mrepresentasikan sebagai fungsi
dari variable keadaan x, y.
Ri
11
12
Metode ini menggunakan operator yang minimal sebagai operator implikasi Fuzzy,
dan operator max-min untuk komposisi seperti yang ditunjukkan pada (bagian 9.4.)
Misalkan aturan fuzzy diberikan dalam bentuk berikut.
i Ai ( x0 ) Bi ( y0 )
Kemudian C 'i ( z ) i C 'i ( z ) dimana Ci adalah hasil dari aturan R. Jumlah
keseluruhan hasil C yang berasal dari aturan kontrol individu didefinisikan
sebagai berikut:
n
C ' ( z ) i C 'i ( z )
i 1
n
C ' Ci'
i 1
C ' ( z ) i C 'i ( z )
i 1
n
C ' Ci'
i 1
2. Larsen Method
Metode ini menggunakan operator produk () untuk implikasi fuzzy, dan operator
maks-produk untuk komposisi. Seharusnya aturan fuzzy diberikan dalam bentuk
berikut
(1) Bila data input tunggal, x = x0 dan y = y0. Derajat yang sesuai adalah:
i Ai ( x0 ) Bi ( y0 )
hasil Ci dari aturan Ri didefinisikan:
atau
n
C ' Ci'
i 1
(2) Bila data input diberikan sebagai bentuk himpunan fuzzy, A dan B, kita
memiliki derajat yang sesuai sebagai:
i min[max( A ' ( x) A ( x)), max( B ' ( y ) B ( y ))]
atau
n
C ' Ci'
i 1
3. Tsukamoto Method
Metode ini digunakan ketika bagian akibat dari setiap aturan diwakili oleh himpunan
fuzzy dengan fungsi keanggotaan monoton. Output disimpulkan dari setiap aturan
didefinisikan sebagai nilai crisp yang disebabkan oleh tingkat sesuai aturan ini (firing
strength).
Kami kira aturan fuzzy diberikan dalam bentuk berikut dan set C memiliki fungsi
keanggotaan monoton Ci ( z )
zi Ci1 ( i )
Hasil keseluruhan z diambil sebagai rata-rata berbobot dari setiap aturan output
z'
1 z1 2 z2
1 2
Metode ini memberikan nilai crisp sebagai hasil keseluruhan dan sehingga tidak ada
kebutuhan untuk defuzzify itu.
4. TSK Method
Metode ini digunakan saat bagian akibat diberikan sebagai fungsi dari variable input.
Ri : if x is Ai and y is Bi , then z is fi ( x, y )
Dimana z=f(x,y) adalah fungsi crisp dari variable input x dan y. Seringkali f(x,y)
mempunyai bentuk polynomial (Gambar 9).
Andaikan data input tunggal x0 dan y0, lalu dugaan hasil dari aturan Ri adalah
fi ( x0 , y0 ). Derajat yang sesuai i dari Ri sama dengan sebelumnya. Oleh karena itu,
hasil akhir keseluruhan z adalah rata-rata berbobot menggunakan derajat yang sesuai
i
z'
1 f1 ( x0 , y0 ) 2 f 2 ( x0 , y0 )
1 2
Hasil akhir adalah nilai crisp dan sehingga tidak ada kebutuhan untuk defuzzify itu.
15
E. Defuzzifikasi
Dalam banyak aplikasi praktis, perintah kendali diberikan sebagai nilai crisp. Oleh karena
itu diperlukan untuk defuzzify hasil dari inferensi fuzzy. Sebuah defuzzifikasi adalah
suatu proses untuk mendapatkan aksi kontrol non-fuzzy yang paling mewakili distribusi
kemungkinan tindakan kontrol fuzzy disimpulkan. Sayangnya, kita tidak memiliki
prosedur yang sistematis untuk memilih strategi defuzzifikasi yang baik, dan dengan
demikian kita harus memilih salah satu di mempertimbangkan sifat dari hal permohonan.
Tiga strategi umum digunakan dijelaskan di bagian ini
1. Mean of Maximum Method (MOM)
Strategi MOM menghasilkan aksi kontrol yang mewakili nilai rata-rata dari semua
tindakan kendali, yang fungsi keanggotaan mencapai maksimum (Gambar 10). Dalam
kasus alam semesta diskrit, tindakan kontrol dapat dinyatakan sebagai
k
zj
j 1
z0
zj
16
z0
j 1
n
( z j ) z j
j 1
(z j )
z0
( z )dz C ( z )dz
z0
min{z | z W }
min{z | z W }
Lookup Table
Bahkan dengan banyak keuntungan, itu menunjukkan bahwa FLC memiliki masalah
kompleksitas waktu. Dibutuhkan banyak waktu untuk menghitung inferensi fuzzy dan
defuzzifikasi. Oleh karena itu tabel lookup sering digunakan yang hanya
menunjukkan hubungan antara variabel input dan tindakan kontrol output. Namun
tabel dapat dibangun setelah membuat FLC dan mengidentifikasi hubungan antara
17
variabel input dan output. Secara umum, hal ini sangat sulit untuk mendapatkan tabel
diterima dari sistem kontrol nonlinear tanpa membangun koresponden FLC.E
Contoh 1 (Tabel 5.) menunjukkan contoh lookup tabel untuk kesalahan dua variabel
input (two input variables error) (e) dan perubahan error (change of error) (ce), dan
variabel kontrol (v). Semua variabel di deskritisasi dan normalisasi dalam rentang [1,+1]. Misalnya, ketika e = -1,0 dan ce = -0,5, kita bisa memperoleh v = -0,5 dengan
menggunakan tabel bukan dengan menjalankan kontroler fuzzy penuh.
18
sering digunakan. Variabel keadaan adalah variabel masukan, dan variabel kontrol adalah
output dari kontroler kami untuk dikembangkan.
2) Penentuan metode inferensi. Kita memilih salah satu metode di antara empat metode
inferensi dijelaskan pada bagian sebelumnya. Keputusan tergantung pada sifat dari proses
untuk dipelajari.
3) Penentuan metode fuzzifikasi. Hal ini diperlukan untuk mempelajari sifat data diukur dari
variabel keadaan. Jika ada ketidakpastian dalam data, fuzzifikasi diperlukan, dan kita
harus memilih metode fuzzifikasi dan fungsi keanggotaan himpunan fuzzy. Jika datanya
pasti, kita dapat menggunakan variabel keadaan tunggal.
4) Diskrittisasi dan normalisasi variabel keadaan. Secara umum, hal ini berguna untuk
menggunakan semesta yang didiskritkan dan normalisasi wacana. Kita harus memutuskan
apakah perlu dan bagaimana kita bisa melakukan.
5) Partisi ruang variabel. Variabel keadaan adalah variabel input dari kendali kita dan
dengan demikian partisi penting bagi struktur aturan fuzzy. Pada langkah ini, partisi ruang
kontrol (ruang output dari kendali) juga diperlukan.
6) Penentuan bentuk himpunan fuzzy. Hal ini diperlukan untuk menentukan bentuk
himpunan fuzzy dan fungsi keanggotaan mereka untuk ruang input yang dipartisi dan
ruang output.
7) Kontruksi aturan dasar fuzzy. Sekarang, kita dapat membangun aturan kendali. Kita
menentukan variabel dan istilah linguistik yang sesuai di bagian sebab dan bagian akibat
di setiap aturan. Arsitektur aturan tergantung pada metode inferensi ditentukan pada
langkah 2).
8) Penentuan strategi defuzzifikasi. Secara umum, kita menggunakan nilai kontrol tunggal
dan dengan demikian kita harus menentukan metode.
9) Test dan tuning. Secara umum perlu untuk memverifikasi kendali dan perbaikan hingga
kita mendapatkan hasil yang memuaskan.
10) Kontruksi tabel lookup. Jika kendali menunjukkan kinerja yang memuaskan, kita harus
memutuskan apakah kita menggunakan tabel atau menggunakan sistem inferensi. Tabel
lookup sering digunakan untuk menyimpan menghitung waktu dari inferensi dan
defuzzifikasi. Tabel lookup menunjukkan hubungan antara kombinasi variabel input dan
tindakan kendali.
19
Perubahan error (ce) sama dengan kesalahan dari proses output dikurangi
kesalahan dari proses keluaran terakhir.
Servo amplifier memiliki rentang output dari 30 V dan dengan demikian variabel
kontrol (v) berada di kisaran
30 v 30
Kami mendiskritisasikan dan menormalkan variabel masukan dalam rentang [1, 1]
seperti yang ditunjukkan pada Tabel 6. Variabel kontrol v dinormalkan dalam rentang
[1, 1] dengan persamaan.
v'
1
v
30
20
21
ii.
Jika e adalah PM dan ce adalah NB, NM, atau NS, maka v adalah PS.
iii.
Jika e adalah ZE dan ce adalah ZE, PS, atau PM, maka v adalah ZE.
iv.
Jika e adalah PS dan ce adalah NS, ZE, atau PS, maka v adalah ZE.
v.
Jika e adalah NS dan ce adalah NS, ZE, PS, atau PM, maka v adalah NS
vi.
Himpunan aturan fuzzy lengkap diringkas dalam tabel aturan dalam (Gambar 15)
10) Penentuan strategi defuzzifikasi
Kita mengambil metode COA (pusat area) karena paling sering digunakan.
22
Struktur dari sistem pakar fuzzy mirip dengan FLC. Konfigurasi ini ditunjukkan pada
(Gambar 16.) Seperti dalam FLC, ada antarmuka fuzzifikasi, pengetahuan dasar, dan
mesin inferensi (pengambilan keputusan logika). Daripada modul defuzzifikasi, ada
modul pendekatan linguistik.
1. Fuzzification Interface
Modul ini berkaitan permintaan pengguna, dan dengan demikian kita harus
menentukan strategi fuzzifikasi. Jika kita ingin membuat sistem pakar fuzzy
menerima istilah linguistik, modul ini harus memiliki kemampuan untuk menangani
seperti informasi fuzzy. Jika perlu, strategi fuzzifikasi, mirip dengan FLC.
Bertentangan dengan FLC, itu tidak diperlukan untuk mempertimbangkan diskritisasi
atau normalisasi. Tapi partisi fuzzy dan menugaskan istilah linguistik fuzzy untuk
setiap sub-regional diperlukan.
Pengetahuan pakar dapat diwakili dalam bentuk "jika-maka" dengan menggunakan
istilah linguistik fuzzy. Setiap aturan dapat memiliki faktor kepastian yang mewakili
tingkat kepastian aturan. Faktor kepastian ini digunakan dalam kesatuan dari hasil dari
setiap aturan.
2. Inference Engine
Sistem pakar fuzzy menggunakan metode inferensi dari logika fuzzy kontroler.
Sistem ini tidak berurusan dengan mesin atau proses, dan dengan demikian sulit untuk
24
memiliki himpunan fuzzy dengan fungsi keanggotaan monoton di bagian akibat dari
aturan. Oleh karena itu, metode Mamdani dan Metode Larsen sering digunakan.
3. Linguistic Approximation
Seperti yang kita nyatakan sebelumnya, sistem pakar fuzzy tidak mengendalikan
mesin ataupun proses, dan dengan demikian, secara umum, defuzzifikasi yang tidak
perlu. daripada modul defuzzifikasi, kadang-kadang kita perlu pendekatan modul
linguistik.
Modul ini menemukan istilah linguistik yang paling dekat dengan yang diperoleh
himpunan fuzzy. Untuk melakukannya, kita dapat menggunakan teknik pengukuran
jarak antara himpunan fuzzy.
4. Scheduler
Modul ini mengontrol semua proses dalam sistem pakar fuzzy. Hal itu menentukan
aturan yang harus dijalankan dan urutan eksekusi mereka. Hal itu juga dapat
memberikan fungsi penjelasan untuk hasilnya. Sebagai contoh, dapat menunjukkan
alasan bagaimana hasilnya diperoleh.
Referensi:
Lee, Kwang H. 2005. First Course on Fuzzy Theory and Applications. Berlin: Springer
Muhammad Irfan
25