Metode Tsukamoto

Pada penelitian ini, akan digunakan fuzzy inference system dengan metode. Tsukamoto untuk menentukan tingkat resiko penyakit yang mungkin diderita oleh oleh R Shoureshi - 2000 - Dinyatakan dengan 4 - Tsukamoto-type fuzzy reasoning uses Tsukamoto's mono- tonic membership function as a fuzzy This fuzzy reasoning was proposed by Tsukamoto , which pre-defuzzified consequent or a special case of Tsukamoto fuzzy model in In the Tsukamoto fuzzy model, the consequent of each fuzzy if-then rule is 1 5. Tsukamoto fuzzy model. Consequent of each fuzzy if-then rule is a monotonic MF fuzzyl set. As a result, the inferred output is a crisp value - Menggunakan Metode Fuzzy Tsukamoto. Skripsi. Jurusan. Teknik Informatika, Fakultas Sains dan Teknologi, Universitas. Islam Negeri Maulana Malik Ibrahim - Tsukamoto Fuzzy Models. *Neuro-fuzzy and Soft Computing - J.Jang, C. Sun, and, E. Mizutani, Prentice Hall 1997. • The consequent of each fuzzy if-then rule Metode Fuzzy Tsukamoto. Sistem Pendukung Keputusan Analisis Investasi Laundry. Dengan Metode Fuzzy Tsukamoto. Sistem Pendukung Keputusan Analisis Investasi Model Fuzzy Tsukamoto. •. Karakteristik: Konsekuen dari setiap aturan if-then fuzzy direpresentasikan dengan himpunan fuzzy monoton APLIKASI LOGIKA FUZZY METODE TSUKAMOTO UNTUK MEMPREDIKSI. POTENSI SERANGAN STROKE. Emmy Maryatun. Syamsul Bahri. Rida Samdara description: seminar nasional ii: the application of technology toward a better life vi-19 penentuan tingkat resiko penyakit menggunakan tsukamoto fuzzy.....

continue reading

Database Fuzzy

Setelah hubungan fuzzy didefinisikan, adalah mungkin untukmengembangkan database relasional fuzzy. Database relasionalpertama fuzzy, FRDB, muncul dalam disertasi Maria Zemankovaitu. Kemudian, muncul beberapa model lain seperti model Buckles-Petry, Model Prade-Testemale, model Umano-Fukamiatau model GEFRED oleh JM Madinah, MA Vila dkk. Dalam konteks database fuzzy, fuzzy beberapa bahasa query telah didefinisikan, menyoroti SQLf oleh P. Bosc dkk. dan FSQL oleh J.Galindo dkk. Bahasa-bahasa ini mendefinisikan beberapa strukturdalam rangka untuk memasukkan aspek fuzzy dalam pernyataan SQL, seperti kondisi fuzzy, fuzzy pembanding, konstanta fuzzy,fuzzy kendala, ambang batas fuzzy, label linguistik dansebagainya.

Dibandingkan dengan probabilitas

Logika fuzzy dan probabilitas berbagai cara untukmengekspresikan ketidakpastian. Sementara kedua logika fuzzydan teori probabilitas ini dapat digunakan untuk mewakilikeyakinan subjektif, teori himpunan fuzzy menggunakan konsepkeanggotaan himpunan fuzzy (yaitu, berapa banyak variabel yangdalam satu set), dan teori probabilitas menggunakan konsepprobabilitas subjektif (yakni, bagaimana mungkin saya berpikir bahwa suatu variabel dalam satu set). Sementara perbedaan iniadalah sebagian besar filosofis, ukuran kemungkinan logikafuzzy-yang diturunkan secara inheren berbeda dari ukuranprobabilitas, maka mereka tidak langsung setara. Namun, statistikbanyak dibujuk oleh karya Bruno de Finetti bahwa hanya satu jenisketidakpastian matematika diperlukan dan dengan demikianlogika fuzzy adalah tidak perlu. Di sisi lain, Bart Koskoberpendapat bahwa kemungkinan adalah subtheory logika fuzzy,sebagai probabilitas hanya menangani satu jenis ketidakpastian.Dia juga mengklaim telah terbukti derivasi dari teorema Bayes'dari konsep subsethood fuzzy. Lotfi Zadeh berpendapat bahwa logika fuzzy adalah berbeda dalam karakter dari probabilitas, dan bukan merupakan pengganti untuk itu. Dia fuzzified probabilitasprobabilitas fuzzy dan juga umum dengan apa yang disebut teorikemungkinan. (lih. [5])

continue reading

Fuzzy Clustering

Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal euclidian untuk jarak antar vektor. Fuzzy clustering sangat berguna bagi pemodelan fuzzy terutama dalam mengindentifikasi aturan-aturan fuzzy. Metode clustering merupakan pengelompokan data beserta parameternya dalam kelompok – kelompok sesuai kecenderungan sifat dari masing-masing data tersebut (kesamaan sifat).  
Ada beberapa algoritma clustering data, salah satu diantaranya adalah Fuzzy C-Means. Fuzzy C-Means adalah suatu teknik peng-cluster-an yang mana keberadaannya tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981. 
Konsep dari Fuzzy C-Means pertama kali adalah menentukan pusat cluster, yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masih belum akurat. Tiap-tiap titik data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada minimasi fungsi obyektif yang menggambarkan jarak dari titik data yang diberikan kepusat cluster yang terbobot oleh derajat  keanggotaan titik data tersebut. 
Output dari Fuzzy C-Means merupakan deretan pusat cluster dan beberapa derajat keanggotaan untuk tiap-tiap titik data. Informasi ini dapat digunakan untuk membangun suatu fuzzy inference system.
Fuzzy C-Means diperkenalkan pertama kali oleh JIM BEZDEK pada tahun 1981. Fuzzy C-Means adalah suatu teknik clustering data dimana tiap data dalam suatu cluster ditentukan oleh derajat keanggotaannya.

Terdapat beberapa perbedaan yang mendasar antara teknik clustering klasik dengan teknik clustering fuzzy yaitu pada partisi clustering yang bersifat klasik, suatu data hanya menjadi anggota pada satu cluster saja, sedangkan pada partisi fuzzy suatu data bisa menjadi anggota pada dua cluster yang berbeda. Hal ini disebabkan karena nilai keanggotaan suatu data pada partisi fuzzy terletak pada interval 0 sampai dengan 1.



Konsep Fuzzy C-Means :

1. Penentuan pusat cluster yang menandai lokasi rata-rata untuk tiap cluster, dengan kondisi awal tidak akurat.
2. Tiap data memiliki derajat keanggotaan untuk masing-masing cluster.
3. Dengan perulangan yang didasarkan pada minimisasi fungsi obyektif, pusat cluster dan nilai kenaggotaan diperbaiki. Sehingga lokasi cluster bisa berada pada posisi yang benar.

Rumus Fuzzy C-Means :

1. Buat matriks partisi awal secara acak, dengan ketentuan jumlah setiap kolom pada matrik harus sama dengan 1

2. Hitung Pusat Cluster, dg persamaan :

Ket : V = Pusat ClusterW = pangkat atau pembobot ( W > 1 )
3. Perbaiki derajat keanggotaan setiap anggota

dengan mencari jarak (d) antara pusat dan data

4. Tentukan nilai kriteria berhenti.

Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya.

Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses, tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster).

continue reading

Metode Sugeno

Sistem yang dipakai untuk penghitungan bahan material saat ini dilakukan
secara manual dengan mengukur luas per meter. Selain itu ada alternatif
penghitungan yang lain yaitu dengan menggunakan lo gika fuzzy dengan metode
Sugeno. Tujuan dari penggunaan metode Sugeno adalah mengefisienkan
penggunaan bahan material untuk pembangunan sebuah rumah.
Perancangan sistem memiliki komponen seperti panjang dan lebar
bangunan, panjang dan lebar ruang, panjang dan tinggi penyekat untuk
memperoleh data rumah yang diperlukan dalam penghitungan bahan material
yang dibutuhkan untuk pembangunan sebuah rumah. Dari masing- masing
komponen tersebut dihitung derajat keanggotaan dan predikatnya, kemudian
dicocokkan dengan rule yang ada sehingga didapatkan jumlah bahan material
yang dibutuhkan. Aplikasi yang digunakan adalah Borland Delphi 7.0 sebagai
bahasa pemrograman dan desain interfacenya.
Hasil dari pembuatan program ini adalah jumlah kebutuhan bahan-bahan
material untuk pembangunan sebuah rumah. Melalui sistem ini, dapat dibuktikan
bahwa logika fuzzy dengan metode Sugeno dapat dimanfaatkan untuk
mengefisienkan penggunaan bahan material pada pembangunan sebuah rumah.

continue reading

Metode Mamdani

Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk memperoleh output, diperlukan 4 tahapan yaitu :

1. Pembentukan himpunan fuzzy;

pada metoda mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy.

2. Aplikasi fungsi impliksi (aturan);

pada metode mamdani, fungsi implikasi yang digunakan adalah MIN

3. Komponen aturan;

Pada tahapan ini sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu : max, additive dan probabilistik OR.

Pada metode max, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan mengaplikasikanya ke output dengan menggunakan operator OR (union). Secara umum dapat ditulis

µ_df (x i) max (µ_df(x_i,) µ_kf(x_i))

4. Penegasan (defuzzyfikasi)

Input dari proses defuzzyfikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat di ambil suatu nilai crisp tertentu sebagai output. Defuzzyfikasi pada metode mamdani untuk semesta diskrit menggunakan persamaan

z = ∑ z_j µ(z_j)/∑ µ(z_j)

continue reading

Himpunan Fuzzy

Himpunan fuzzy

View more documents from

continue reading

Konsep Dasar Logika Fuzzy

Sistem Fuzzy ditemukan pertama kali oleh Prof. Lotfi Zadeh pada pertengahan tahun 1960 di Universitas California. Sistem ini diciptakan karena boolean logic tidak mempunyai ketelitian yang tinggi, hanya mempunyai logika 0 dan 1 saja. Sehingga untuk membuat sistem yang mempunyai ketelitian yang tinggi maka kita tidak dapat menggunakan boolean logic. Bedanya fuzzy dengan boolean logic dapat diilustrasikan pada gambar 1.

Dari contoh gambar 1, pada saat suhu berada pada 75° maka sistem yang pertama akan bingung karena batas kondisi dingin < 75 dan kondisi panas > 75°, pada fuzzy logic, suhu 75° dapat dinyatakan dengan 0.50 dingin dan 0.50 panas. Pengambilan nilai 0.50 berasal dari proses fuzzifikasi yang akan diterangkan pada proses fuzzification.

continue reading