Informatics Theory & Programming (ITP)

Informatics Eng. Dept. IT Telkom

Outline
Propositional Logic
First-Order Logic
Fuzzy Systems
Lima Jenis Logic [RUS95]
Jenis logic
Apa yang ada di
dunia nyata
Apa yang dipercaya
Agent tentang fakta
Propositional logic fakta benar/salah /tidak diketahui
First-order logic fakta, objek, relasi
benar/salah /tidak diketahui
Temporal logic fakta, objek, relasi, waktu
benar/salah /tidak diketahui
Probability theory fakta derajat kepercayaan [0,1]
Fuzzy logic derajat kebenaran derajat kepercayaan [0,1]
Propositional Logic
Logic yang paling sederhana
Sangat mudah dipahami
Membuat kita lebih mudah membedakan teknik
reasoning dengan teknik searching.
BNF (Backus-Naur Form)

Sentence AtomicSentence | ComplexSentence

AtomicSentence True | False
| P | Q | R | ...

ComplexSentence (Sentence)
| Sentence Connective Sentence
| Sentence

Connective . | v | |
P Q P P . Q P v Q P Q P Q
False
False
True
True
False
True
False
True
True
True
False
False
False
False
False
True
False
True
True
True
True
True
False
True
True
False
False
True
Tabel Kebenaran 5 connective

1. Modus Ponens atau Implication-Elimination:

|
o | o ,


2. And-Elimination:
i
n
o
o o o . . . ...
2 1


3. And-Introduction:
n
n
o o o
o o o
. . . ...
, ... , ,
2 1
2 1


4. Or-Introduction:
n
i
o o o
o
v v v ...
2 1


5. Double-Negation-Elimination:
o
o


6. Unit Resolution:
o
| | o v ,


7. Resolution:
o
| | o
v
v v ,
ekivalen dengan
o
| | o

,


Aturan Inferensi
Propositional logic
Modus Ponens (Implication-Elimination)
|
o | o ,
And-Elimination
i
n
o
o o o . . . ...
2 1
And-Introduction
n
n
o o o
o o o
. . . ...
, ... , ,
2 1
2 1
Or-Introduction
n
i
o o o
o
v v v ...
2 1
Double-Negation-Elimination
o
o
Unit Resolution
o
| | o v ,
Resolution
o
| | o
v
v v ,
o
| | o

,
Game
Dunia Wumpus
Game sederhana
Bagaimana implementasi Propositional Logic

4
Stench Breeze Pit

3
Wumpus
Stench
Breeze,
Stench ,
Gold (glitter)
Pit Breeze

2
Stench Breeze

1
START
Agent
Breeze Pit Breeze
1 2 3 4
Wumpus
Monster yang tinggal di sebuah gua (16 ruangan)
Di dalam gua terdapat 3 lubang mematikan (Pit) yang
mengeluarkan angin (breeze) sehingga sampai ke
ruangan-ruangan di sekitarnya.
Wumpus mengeluarkan bau busuk (stench).
Wumpus menjerit (scream) dan mati jika terpanah.
Agent
Dilengkapi dengan tiga anak panah
Bisa bergerak hadap kanan, hadap kiri, maju.
Bisa memanjat keluar gua jika posisinya terjepit.
Akan benjol (bump) jika menabrak dinding gua.
Akan mati jika memasuki kotak yang terdapat
Wumpus atau Pit. Tetapi aman jika memasuki kotak
yang di dalamnya terdapat Wumpus yang telah mati.
Aturan Main
Saat permainan dimulai, Agent berada di posisi (1,1)
Tugas Agent
menemukan emas
membawanya kembali ke kotak start (1,1)
secepat mungkin dengan jumlah aksi seminimum
mungkin, tanpa terbunuh
Poin
1.000 : agent berhasil keluar gua + membawa emas
1 : untuk setiap aksi yang dilakukan
-10.000 : jika agent terbunuh

4
Stench Breeze Pit

3
Wumpus
Stench
Breeze,
Stench ,
Gold (glitter)
Pit Breeze

2
Stench Breeze

1
START
Agent
Breeze Pit Breeze
1 2 3 4
Dunia Wumpus
Masalah dunia Wumpus dapat dirumuskan ke dalam
tiga kelompok sbb:
Percept: sesuatu yang ditangkap oleh Agent
Action: aksi yang dapat dilakukan oleh Agent
Goal: tujuan
Percept
Percept : [stench , breeze, glitter, bump, scream]
[stench , breeze, None, None, None]
Ada stench dan breeze
Tidak ada glitter, bump, maupun scream

Action
Move: hadap kiri, hadap kanan, atau maju.
Grab: mengambil objek yang berada di kotak dimana
agent berada.
Shoot: memanah dengan arah lurus sesuai dengan
arah Agent menghadap.
Climb: memanjat keluar dari gua.
Goal
Menemukan emas dan membawanya kembali ke kotak
start (1,1) secepat mungkin dengan jumlah action yang
seminimum mungkin, tanpa terbunuh.
Poin
1.000 : agent berhasil keluar gua + membawa emas
1 : untuk setiap aksi yang dilakukan
-10.000 : jika agent terbunuh
Wumpus dengan Reasoning
Reasoning mengunakan propositional logic
Pertama, kita harus merepresentasikan fakta atau
keadaan ke dalam simbol-simbol propositional logic.
S
1,2
: ada stench di kotak (1,2)
B
2,1
: ada breeze di kotak (2,1)
G
2,3
: ada glitter di kotak (2,3)
M
1,4
: bump di kotak (1,4)
C
1,3
: ada scream di kotak (1,3)
W
1,3
: ada Wumpus di kotak (1,3)
S
1,1
: tidak ada stench di posisi (1,1)
Knowledge-based System (KBS)
Agent knowledge-based system
Agent melakukan aksi berdasarkan hasil penalaran
percept terhadap Knowledge Based yang dimilikinya.
Pada awal permainan, di dalam KB tidak ada fakta
sama sekali karena Agent belum menerima percept.
KB hanya berisi beberapa aturan (rule) yang
merupakan pengetahuan tentang environment
R
1
: S
1,1
W
1,1
. W
1,2
. W
2,1

R
2
: S
2,1
W
1,1
. W
2,1
. W
2,2
. W
3,1

R
3
: S
1,2
W
1,1
. W
1,2
. W
2,2
. W
1,3

R
4
: S
1,2
W
1,3
v W
1,2
v W
2,2
v W
1,1

...
R
33
: B
1,1
P
1,1
. P
1,2
. P
2,1

R
34
: B
2,1
P
1,1
v P
2,1
v P
2,2
v P
3,1

...
Pengetahuan ttg environment
Translation
T
1
: A
2,1
. East
A
. P
3,1
Forward
T
2
: A
1,2
. North
A
. W
1,3
Forward
...
Untuk melakukan aksi yang tepat, agent harus dibekali
aturan untuk menerjemahkan pengetahuan menjadi aksi.
T
1
dibaca: Jika agent di (2,1) dan menghadap ke Timur dan
ada Pit di (3,1), maka jangan melangkah maju (ke posisi (3,1)).
Inference & Reasoning
Inference : A process of drawing conclusion
(solution) from set of facts.
Reasoning: A Process of deriving new knowledge
from the exist knowledge.
Apakah Wumpus berada di posisi (1,3)?
Bagaimana reasoning oleh manusia?
Bagaimana proses reasoning oleh agent?

4
Stench Breeze Pit

3
Wumpus
Stench
Breeze,
Stench ,
Gold (glitter)
Pit Breeze

2
Stench Breeze

1
START
Agent
Breeze Pit Breeze
1 2 3 4
Agent berada di posisi (1,1)
Pada awalnya, KB hanya berisi Rule yang berupa
pengetahuan tentang environment. Tidak ada fakta
sama sekali karena agent belum melakukan percept.
Pada kasus di atas, Agent menerima percept yang
berupa [None, None, None, None, None]
Tidak ada stench, breeze, glitter, bump, scream
Selanjutnya, Agent menggunakan aturan inferensi dan
pengetahuan tentang environment untuk melakukan
proses inferensi.
R
1
: S
1,1
W
1,1
. W
1,2
. W
2,1

R
2
: S
2,1
W
1,1
. W
2,1
. W
2,2
. W
3,1

R
3
: S
1,2
W
1,1
. W
1,2
. W
2,2
. W
1,3

R
4
: S
1,2
W
1,3
v W
1,2
v W
2,2
v W
1,1

...
R
33
: B
1,1
P
1,1
. P
1,2
. P
2,1

R
34
: B
2,1
P
1,1
v P
2,1
v P
2,2
v P
3,1

...
Pengetahuan ttg environment
Proses inferensi di (1,1)
Modus Ponens untuk S
1,1
dan R
1

W
1,1
. W
1,2
. W
2,1

And-Elimination terhadap hasil di atas
W1,1 W1,2 W2,1
Modus Ponens untuk B
1,1
dan R
33
P1,1 . P1,2 . P2,1
And-Elimination terhadap hasil di atas
P1,1 P1,2 P2,1
Inferensi dilakukan sampai dihasilkan kalimat yang paling
sederhana atau bahkan atomik.

S
1,1
B
1,1
G
1,2
M
1,1
C
1,2
W
1,1
P
1,1
W
2,1
P
2,1
W
1,2
P
1,2

R
1
: S
1,1
W
1,1
. W
1,2
. W
2,1

R
2
: S
2,1
W
1,1
. W
2,1
. W
2,2
. W
3,1

R
3
: S
1,2
W
1,1
. W
1,2
. W
2,2
. W
1,3

R
4
: S
1,2
W
1,3
v W
1,2
v W
2,2
v W
1,1

...
R
33
: B
1,1
P
1,1
. P
1,2
. P
2,1

R
34
: B
2,1
P
1,1
v P
2,1
v P
2,2
v P
3,1

...
Misalkan Agent ke posisi (2,1)
Percept [None, Breeze, None, None, None]
Ada breeze, tidak ada stench, glitter, bump dan scream
S
2,1
, B
2,1
, G
2,1
, M
2,1
, dan C
2,1
Proses inferensi di (2,1)
Modus Ponens untuk S
2,1
dan R
2

W1,1 . W2,1 . W2,2 . W3,1
And-Elimination terhadap hasil tersebut
W1,1 W2,1 W2,2 W3,1
Modus Ponens untuk B
2,1
dan R
34

P1,1 v P2,1 v P2,2 v P3,1
Unit Resolution terhadap hasil tersebut dengan P
1,1

kemudian P
2,1
, sehingga didapat
P2,2 v P3,1

S
1,1
B
1,1
G
1,2
M
1,1
C
1,2
W
1,1
P
1,1
P
2,2
v P
3,1
W
2,1
P
2,1
W
1,2
P
1,2
W
2,2
W
3,1


R
1
: S
1,1
W
1,1
. W
1,2
. W
2,1

R
2
: S
2,1
W
1,1
. W
2,1
. W
2,2
. W
3,1

R
3
: S
1,2
W
1,1
. W
1,2
. W
2,2
. W
1,3

R
4
: S
1,2
W
1,3
v W
1,2
v W
2,2
v W
1,1

...
R
33
: B
1,1
P
1,1
. P
1,2
. P
2,1

R
34
: B
2,1
P
1,1
v P
2,1
v P
2,2
v P
3,1

...
Misalkan Agent ke posisi (1,2)
Percept [Stench, None, None, None, None]
Ada stench, tidak ada breeze, glitter, bump dan scream.
S
1,2
, B
1,2
, G
1,2
, M
1,2
, dan C
1,2

Proses inferensi di (1,2)
Modus Ponens untuk S
1,2
dan R
4

W1,3 v W1,2 v W2,2 v W1,1
Unit Resolution terhadap hasil di atas dengan W
1,1

W1,3 v W1,2 v W2,2
Unit Resolution terhadap hasil di atas dengan W
2,2

W1,3 v W1,2
Unit Resolution terhadap hasil di atas dengan W
1,2

W1,3
First-Order Logic (FOL)
Objects: sesuatu dengan identitas individual (people,
houses, colors, )
Properties: sifat yang membedakannya dari object
yang lain (red, circle, )
Relations: hubungan antar object (brother of, bigger
than, part of, ...)
Functions: relation yang mempunyai satu nilai
(father of, best friend, )

Sentence AtomicSentence
| Sentence Connective Sentence
| Quantifier Variable, Sentence
| Sentence
| (Sentence)

AtomicSentence Predicate(Term,) | Term = Term

Term Function(Term,)
| Constant
| Variable

Connective | . | v |
Quantifier | -
Constant A | X
1
| John |
Variable a | x | s |
Predicate Before | HasColor | Raining |
Function MotherOf | LeftLegOf |
Atomic sentences
Dibentuk dari Predicate(Term, ...) atau Term = Term
Sepatu(Budi)
Saudara(Andi,Budi)
Memberi(Andi,Budi,KueCoklat)
Saudara(Andi) = Budi, dan sebagainya.
Complex sentences
Sentence yang dibangun menggunakan connective
Contoh:
Saudara(Andi,Budi) Memberi(Andi,Budi,Kue)
Universal quantifiers ()
Menyatakan sesuatu yang bersifat umum
Simbol (huruf A terbalik) dibaca For All
x AnakKecil(x) Suka(x,Permen)
Kalimat tersebut benar jika dan hanya jika semua
kalimat di bawah ini benar
AnakKecil(Andi) Suka(Andi,Permen) .
AnakKecil(Anto) Suka(Anto,Permen) .
AnakKecil(Budi) Suka(Budi,Permen) .
...
Existential quantifiers (-)
Menyatakan sesuatu yang berlaku sebagian.
Simbol - (huruf E menghadap ke kiri) dibaca There
Exist (ada satu atau beberapa).
-x AnakKecil(x) Suka(x,Permen).
Kalimat ini adalah benar jika dan hanya jika ada
kalimat di bawah ini yang bernilai benar.
AnakKecil(Andi) Suka(Andi,Permen) .
AnakKecil(Anto) Suka(Anto,Permen) .
AnakKecil(Budi) Suka(Budi,Permen) .
...
Inferensi pada First-Order Logic
FOL menggunakan 7 aturan propositional logic
Ditambah tiga aturan tambahan yang lebih kompleks
(berhubungan dengan quantifier), yaitu:
Universal Elimination
Existential Elimination
Existential Introduction

1. Modus Ponens atau Implication-Elimination:

|
o | o ,


2. And-Elimination:
i
n
o
o o o . . . ...
2 1


3. And-Introduction:
n
n
o o o
o o o
. . . ...
, ... , ,
2 1
2 1


4. Or-Introduction:
n
i
o o o
o
v v v ...
2 1


5. Double-Negation-Elimination:
o
o


6. Unit Resolution:
o
| | o v ,


7. Resolution:
o
| | o
v
v v ,
ekivalen dengan
o
| | o

,


Masalah: Hukum Pernikahan
Hukum pernikahan menyatakan bahwa suatu
pernikahan adalah tidak sah jika kedua mempelai
memiliki hubungan keponakan.
Wati menikah dengan Andi.
Dimana Wati adalah anak kandung Budi, sedangkan
Andi adalah saudara kembar Budi.

Dengan FOL, buktikan bahwa pernikahan Andi dan
Wati adalah tidak sah.
Langkah pertama
x,y Keponakan(x,y) . Menikah(x,y) Sah(Menikah(x,y)) (3.1)
Menikah(Wati,Andi) (3.2)
AnakKandung(Wati,Budi) (3.3)
SaudaraKembar(Budi,Andi) (3.4)
x,y SaudaraKembar(x,y) SaudaraKandung(x,y) (3.5)
x,y,z AnakKandung(x,y) . SaudaraKandung(y,z) Keponakan(x,z) (3.6)
Langkah ke dua
Dari (3.5) dan Universal Elimination:
SaudaraKembar(Budi,Andi) SaudaraKandung(Budi,Andi) (3.7)
Dari (3.4), (3.7), dan Modus Ponens:
SaudaraKandung(Budi,Andi) (3.8)
Dari (3.6) dan Universal Elimination:
AnakKandung(Wati,Budi) . SaudaraKandung(Budi,Andi) Keponakan(Wati,Andi) (3.9)
Dari (3.3), (3.8), dan And-Intoduction:
AnakKandung(Wati,Budi) . SaudaraKandung(Budi,Andi) (3.10)
Langkah ke dua
Dari (3.9), (3.10), dan Modus Ponens:
Keponakan(Wati,Andi) (3.11)
Dari (3.1) dan Universal Elimination:
Keponakan(Wati,Andi) . Menikah(Wati,Andi) Sah(Menikah(Wati,Andi)) (3.12)
Dari (3.11), (3.2) dan And-Intoduction:
Keponakan(Wati,Andi) . Menikah(Wati,Andi) (3.13)
Dari (3.12), (3.13), dan Modus Ponens:
Sah(Menikah(Wati,Andi)) (3.14)
Dunia Wumpus
Representasi FOL jauh lebih sederhana dibandingkan
Proporsitional Logic.
s,b,u,c,t Percept([s,b,Glitter,u,c],t) Action(Grab,t)
b,g,u,c,t Percept([Stench,b,g,u,c],t) Stench(t)
s,g,u,c,t Percept([s,Breeze,g,u,c],t) Breeze(t)
s,b,u,c,t Percept([s,b,Glitter,u,c],t) AtGold(t)
t AtGold(t) Action(Grab,t)
Permainan Catur
Awalnya, langkah untuk Putih
1. a2(PP) . Kosong(a3) Gerakkan(PP,a2,a3)
2. a2(PP) . Kosong(a3) . Kosong(a4) Gerakkan(PP,a2,a4)

6. c2(PP) . Kosong(c3) . Kosong(c4) Gerakkan(PP,c2,c4)

19. g1(KP) . Kosong(f3) Gerakkan(KP,g1,f3)
20. g1(KP) . Kosong(h3) Gerakkan(KP,g1,h3)
Logical Programming
Bahasa pemrograman logis yang paling populer adalah
PROLOG (PROgramming in Logic).
Di dalam PROLOG, suatu program dituliskan sebagai
kumpulan kalimat dalam Horn clause.
Pekerjaan kita hanyalah membangun knowledge base
yang sesuai dan lengkap untuk suatu masalah.
Proses reasoning sampai dihasilkan suatu kesimpulan
ditangani oleh PROLOG.
Tetapi, membangun knowledge base yang benar dan
lengkap bukanlah hal yang mudah.
FOL dan PROLOG
FOL
Menikah(Wati,Andi)
x,y SaudaraKembar(x,y) SaudaraKandung(x,y)
x,y,z AnakKandung(x,y) . SaudaraKandung(y,z) Keponakan(x,z)

PROLOG
Menikah(wati,andi).
SaudaraKandung(X,Y) :- SaudaraKembar(X,Y).
Keponakan(X,Z) :- AnakKandung(X,Y), SaudaraKandung(Y,Z).
Traffic Light Controller
Fuzzy Systems
Ide dasar fuzzy systems adalah fuzzy sets dan fuzzy logic.
Fuzzy logic sudah lama dipikirkan oleh para filsuf Yunani kuno.
Plato: filsuf pertama yang meletakkan fondasi fuzzy logic.
Plato: Terdapat area ketiga selain Benar dan Salah.
Fuzzy logic menghilang selama 2 milenium
Muncul kembali pada era 1960-an.
Konsep fuzzy logic yang sangat sistematis pertama kali diusulkan oleh
Lotfi A. Zadeh, the University of California, Berkeley, Amerika Serikat.
Apa itu Soft Computing?




Evolving collection of methodologies,
which aims to exploit tolerance for
imprecision, uncertainty, and partial truth to
achieve robustness, tractability and low cost

[Lotfi A. Zadeh, 2006]
Hard Computing -
base on classical
Artificial Intelligence
Soft Computing -
base on Computational
Intelligence with high MIQ
Computing
Technologies
Probabilistic Reasoning Neural networks
Evolutionary
Computations
Chaos Theory
Hybrid Systems
Fuzzy Logic -
Kernel of Soft Computing
Fuzzy Systems
Juni tahun 1965: Profesor Zadeh mempublikasikan paper
pertama Fuzzy Sets pada jurnal Information and Control.
1970-an: para ilmuwan Jepang berhasil mengaplikasikan konsep
fuzzy ke dalam berbagai peralatan elektronik maupun proses
produksi dalam industri.
Fuzzy sudah diterapkan pada beragam sistem kontrol
Air Conditioning (AC)
Otomotif
Robot
Dsb.
Classical Sets
Teori himpunan klasik: suatu himpunan secara intuitif
adalah setiap kumpulan elemen-elemen.
Himpunan klasik dikenal juga sebagai crisp set.
Crisp = clear and distinct [OXF95].
Crisp set : himpunan yang membedakan anggota dan non
anggotanya dengan batasan yang jelas.
Contoh
Anggota himpunan A adalah 7, 8, 9, ...
Bukan anggota A adalah 6, 5, 4, ...
} 6 , bulat bilangan | { > = x x x A
Intersection, union, complement, difference
Excluded Middle Laws
U A A =
Law of Contradiction
| = A A
Logika Aristotelian
Kedua hukum tersebut dasar dari logika Aristotelian.
Bahasa Latin tertium non datur yang dalam bahasa
Inggris berarti a third posibility = ruled out.
Artinya, tidak ada tempat untuk kemungkinan ke tiga.
Suatu elemen harus termasuk ke dalam A atau . A

Aku adalah pembohong.
Jangan percaya padaku.
Pernyataan P dan negasinya
sama-sama benar. ) ( ) ( P T P T =

A = himpunan gelas
penuh air
g
5
g
1
g
2
g
3
g
4
Gelas kosong
termasuk A
Gelas yang berisi air
setengah bagian tidak
termasuk A maupun A
Semesta U
= ?
Lima Jenis Logic [RUS95]
Jenis logic
Apa yang ada di
dunia nyata
Apa yang dipercaya
Agent tentang fakta
Propositional logic fakta benar/salah /tidak diketahui
First-order logic fakta, objek, relasi
benar/salah /tidak diketahui
Temporal logic fakta, objek, relasi, waktu
benar/salah /tidak diketahui
Probability theory fakta derajat kepercayaan [0,1]
Fuzzy logic derajat kebenaran derajat kepercayaan [0,1]
Fuzziness & Probability
Banyak peneliti berbeda pendapat tentang teori fuzzy
dan teori probabilitas.
Sebenarnya, kedua teori tersebut memang sama-sama
untuk menangani masalah ketidakpastian.
Tetapi, perbedaannya adalah pada jenis ketidakpastian
yang ditangani.
Fuzziness & Probability
Profesor FAUZI berada di padang pasir yang gersang
Dia hampir mati karena sangat kehausan
Tiba-tiba dia menemukan dua kotak berisi minuman
Dia sangat senang dan segera mendekati kotak tsb.
Sesaat kemudian, dia bingung bukan kepalang

Prof: Saya harus minum dari kotak yang mana?

Peringatan:

1 dari 50 botol ini berisi
cairan kimia mematikan
yang warna dan
rasanya sama dengan
air mineral. Anda akan
mati seketika jika
meminumnya.
Peringatan:

Satu plastik cairan
kimia mematikan
dicampurkan ke dalam
50 botol ini secara tidak
merata. Anda tidak
akan mati jika cuma
minum satu botol, tetapi
anda akan menderita
pusing ringan/berat.
1 2
Probability
Fuzziness
Fungsi Karakteristik
Fungsi karakteristik dari himpunan A adalah suatu
pemetaan



sedemikian hingga, untuk semua x,
} 1 , 0 { : U
A
k

e
=
lainnya. kasus untuk 0
; jika , 1
) (
A x
x
A
k
x
) (x
A
k
1
5 6 7 8 9
0
A
Fungsi Karakteristik Classical Set
A = himpunan klasik semua bilangan bulat positif lebih
dari 4 dan dan kurang dari 10 atau {5, 6, , 9}.
x
) (x
A
k
1
5 6 7 8 9
0
) (x
B
k
x
1
5 6 7 3 4
0
2
A B
x
) (x
B A
k
1
5 6 7
0 x
1
5 6 7 3 4
0
2
B A B A
8 9
) (
\
x
B A
k
x
1
0
B A\
8 9
) (x
B A
k
) ( x
A
k
x
1
0
A
4 10
A
I ntersection Union
Complement Difference
Kasus 1: Pemberian Beasiswa
Mahasiswa IPK Gaji Ortu (Rp/bulan)
A 3,00 10 juta
B 2,99 1 juta
Logika Biner (classical sets)
Beasiswa Dapat then
juta 10 and 00 , 3 if s > G IPK
A lebih layak mendapatkan beasiswa.
Kurang adil (manusiawi).
Fuzzy Sets
Digunakan untuk penalaran yang lebih manusiawi.
Misalkan U adalah universe of discourse (semesta
pembicaraan) dan x adalah anggota U.
Suatu fuzzy set A di dalam U didefinisikan sebagai
suatu membership function atau fungsi keanggotaan,
yang memetakan setiap objek di U menjadi suatu nilai
real dalam interval [0, 1].
Nilai-nilai menyatakan derajat keanggotaan x di
dalam A.
Suhu (
0
C) Dingin Hangat Panas
5 1 0,1 0
15 0,9 0,8 0
25 0,5 1 0,6
35 0,1 0,6 0,9
45 0 0,2 1
Fuzzy Set
Dingin = {5, 15, 25, 35} dan derajat keanggotaannya
dinyatakan oleh
Dingin
= {1; 0,9; 0,5; 0,1}
Hangat = {5, 15, 25, 35, 45} dan derajat keanggotaannya
dinyatakan oleh
Hangat
= {0,1; 0,8; 1; 0,6; 0,2}
Panas = {25, 35, 45} dan derajat keanggotaannya
dinyatakan oleh
Panas
= {0,6; 0,9; 1}
x
) (x
A

1
0
core
aaaaaaaa cut o
support
o
Fungsi keanggotaan
A
dengan core, cut o dan support
Bentuk Fungsi Keanggotaan
Fungsi Linier
Fungsi Sigmoid
Fungsi Segitiga
Fungsi Trapesium
Fungsi Berbentuk Bell:
Phi
Beta
Gauss

s <
s
=
b x a a b a x
a x
b a x
), /( ) (
, 0
) , , ( LinierNaik
a 0
1
) (x
b
x

>
< s
=
b x
b x a a b x b
b a x
, 0
), /( ) (
) , , ( n LinierTuru
a 0
1
) (x
b
x

s
< <
s <
s
=
x c
c x b a c x c
b x a a c a x
a x
c b a x
, 1
, )) /( ) (( 2 1
, )) /( ) (( 2
, 0
) , , , ( Sigmoid
2
2
a b 0
1
) (x
c
x

>
< <
s <
s
=
c x
c x b a c x c
b x a a c a x
a x
c b a x
, 0
, )) /( ) (( 2
, )) /( ) (( 2 1
, 1
) , , , ( Sigmoid
2
2
a b 0
1
) (x
c
x
0,5
0,5
x

s <
s <
> s
=
c x b b c c x
b x a a b a x
c x a x
c b a x
), /( ) (
), /( ) (
, , 0
) , , , ( Segitiga
a b c 0
1
) (x
x

s <
s s
< <
> s
=
d x c c d d x
c x b
b x a a b a x
d x a x
d c b a x
), /( ) (
, 1
), /( ) (
, , 0
) , , , , ( Trapesium
a b c d 0
1
) (x
x
) (x
A

1
0
) (x
B

x
1
0
A B
x
) (x
1
0 x
1
0
B A
x
1
0
) (x
x
1
0
A A
I ntersection Union
Complement Difference
2,5 7,5 6,5 9,5
6,5 7,5
B A
2,5 9,5 2,5 9,5
7,5 2,5
A
B A\
2,5 9,5
) (x ) (x
Fuzzy Set
x
) (x
A
k
1
5 6 7 8 9
0
) (x
B
k
x
1
5 6 7 3 4
0
2
A B
x
) (x
B A
k
1
5 6 7
0 x
1
5 6 7 3 4
0
2
B A B A
8 9
) (
\
x
B A
k
x
1
0
B A\
8 9
) (x
B A
k
) ( x
A
k
x
1
0
A
4 10
A
I ntersection Union
Complement Difference
Classical Set
Logical connectives & Implication
Dalam bahasa manusia, banyak percakapan yang
menggunakan kalimat yang tidak pasti kebenarannya
Hampir semua orang suka permen
Sepertinya dia anak yang pintar
Misalkan P adalah suatu fuzzy logic proposition
Nilai kebenaran P adalah [0, 1].
Nilai 0 menyatakan bahwa P adalah salah
Nilai 1 menyatakan bahwa P adalah benar
Logical connectives & Implication
T adalah fungsi kebenaran yang memetakan P ke suatu
nilai dalam interval [0, 1].
] 1 , 0 [ : P T
Logical Connectives

Negation


Disjunction


Conjunction

) ( 1 ) ( P T P T =
{ } ) ( ), ( max ) ( Q T P T Q P T = v
{ } ) ( ), ( min ) ( Q T P T Q P T = .
Approximate Reasoning
A : Apakah dia anak yang pintar?
B : Sepertinya begitu.
A : Apakah Indeks Prestasi dan hasil tes psikologinya bagus?
B : Ya, keduanya sangat bagus.
A : Apakah dia layak mendapatkan beasiswa?
B : Ya, sepertinya itu adalah keputusan yang baik.
Approximate Reasoning
membaca suka Dani Sepertinya :
mahasiswa adalah Dani :
membaca suka mahasiswa besar Sebagian :
3
2
1
P
P
P
Reasoning yang Pasti
mati akan pasti Dani :
manusia adalah Dani :
mati akan pasti manusia Semua :
3
2
1
P
P
P
Sistem Berbasis Aturan Fuzzy
Variabel linguistik adalah suatu interval numerik dan
mempunyai nilai-nilai linguistik, yang semantiknya
didefinisikan oleh fungsi keanggotaannya.
Misalnya, Suhu adalah suatu variabel linguistik yang
bisa didefinisikan pada interval [-10
0
C, 40
0
C].
Variabel tersebut bisa memiliki nilai-nilai linguistik
seperti Dingin, Hangat, Panas yang semantiknya
didefinisikan oleh fungsi-fungsi keanggotaan tertentu.
Fuzzification
Inference
Defuzzification

Fuzzy rules
Crisp input
Fuzzy input
Output Fuzzy output
Crisp value
Model Inferensi
Mamdani Intuitive
Sugeno Control
Masalah: Pemberian Beasiswa
Mahasiswa IPK Gaji Ortu (Rp/bulan)
A 3,00 10 juta
B 2,99 1 juta
FK untuk IPK
2,00 2,75 0
1

3,25
Buruk Cukup Bagus
4,00
IPK
IPK mahasiswa A
) /( ) ( ) ( a b a x x =
) /( ) ( ) ( b c c x x =
1 3 0
1

6
Kecil Sedang Besar
12
Gaji orangtua
(juta rupiah)
Sangat
Besar
4 7
FK Gaji Orangtua
Gaji Ortu mhs A
d x c c d d x x s < = ), /( ) ( ) (
b x a a b a x x < < = ), /( ) ( ) (
Fuzzification untuk mhs A
IPK = Cukup (0,5)
IPK = Bagus (0,5)
Gaji Orangtua = Besar (0,4)
Gaji Orangtua = Sangat Besar (0,6)
IPK = 3,00
Gaji Orangtua = 10 juta/bulan
Fungsi Keanggotaan Nilai Kelayakan
80
50 0
1

Rendah Tinggi
100
Nilai Kelayakan
skala [0, 100]
Aturan Fuzzy untuk Nilai Kelayakan
Buruk
Cukup
Bagus
Kecil Sedang Besar Sangat Besar
Rendah
IPK
Gaji
Tinggi
Tinggi
Tinggi
Rendah Rendah Rendah
Rendah
Rendah Tinggi
Rendah Rendah
Rendah THEN Besar Sangat AND Bagus IF 12.
Tinggi THEN Besar AND Bagus IF 11.
Tinggi THEN Sedang AND Bagus IF 10.
Tinggi THEN Kecil AND Bagus IF 9.
Rendah THEN Besar Sangat AND Cukup IF 8.
Rendah THEN Besar AND Cukup IF 7.
Rendah THEN Sedang AND Cukup IF 6.
Tinggi THEN Kecil AND Cukup IF 5.
Rendah THEN Besar Sangat AND Buruk IF . 4
Rendah THEN Besar AND Buruk IF . 3
Rendah THEN Sedang AND Buruk IF . 2
Rendah THEN Kecil AND Buruk IF . 1
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
Inferensi pada model Mamdani: Clipping dan Scaling

0 10 20 40 50
1
1/5

0 10 20 40 50
1
1/5
(a) Clipping
(b) Scaling
Aturan fuzzy yang diaplikasikan
Rendah THEN Besar Sangat AND Bagus IF 12.
Tinggi THEN Besar AND Bagus IF 11.
Rendah THEN Besar Sangat AND Cukup IF 8.
Rendah THEN Besar AND Cukup IF 7.
= = =
= = =
= = =
= = =
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
Nilai fuzzy untuk mhs A
IPK = Cukup (0,5)
IPK = Bagus (0,5)
Gaji Orangtua = Besar (0,4)
Gaji Orangtua = Sangat Besar (0,6)
IPK = 3,00
Gaji Orangtua = 10 juta/bulan
Conjunction (.) & Disjunction (v)
) Rendah(0,5 THEN Besar(0,6) Sangat AND Bagus(0,5) IF
) Tinggi(0,4 THEN Besar(0,4) AND Bagus(0,5) IF
) Rendah(0,5 THEN Besar(0,6) Sangat AND ) 5 , 0 ( Cukup IF
) Rendah(0,4 THEN Besar(0,4) AND Cukup(0,5) IF
= = =
= = =
= = =
= = =
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK = Rendah (0,5)
NK = Tinggi (0,4)
80 50 0
1

Rendah Tinggi
100
Nilai Kelayakan
skala [0, 100]
0,5
80 50 0
1

Rendah Tinggi
100
Nilai Kelayakan
skala [0, 100]
0,4
(a)
(b)
50 0
1

Rendah Tinggi
100
Nilai Kelayakan
skala [0, 100]
0,5
0,4
50 0
1

Rendah Tinggi
100
Nilai Kelayakan
skala [0, 100]
0,5
0,4
10 20 30 40 60 80 90
Center of gravity?
70
39 , 52
6 , 4
136 105
*
) 4 , 0 ( 4 ) 5 , 0 ( 6
4 , 0 ) 100 90 80 70 ( 5 , 0 ) 60 50 40 30 20 10 (
*
=
+
=
+
+ + + + + + + + +
=
y
y
IPK mahasiswa B
Gaji Orangtua mhs B
Conjunction (.) & Disjunction (v)
Tinggi(0) THEN Sedang(0) AND ) 48 , 0 ( Besar IF
8) Tinggi(0,4 THEN Kecil(1) AND ) 48 , 0 ( Besar IF
Rendah(0) THEN Sedang(0) AND ) Cukup(0,52 IF
2) Tinggi(0,5 THEN Kecil(1) AND ) Cukup(0,52 IF
= = =
= = =
= = =
= = =
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK = Rendah (0)
NK = Tinggi (0,52)
80 50 0
1

Rendah Tinggi
Nilai Kelayakan
skala [0, 100]
0,52
70
Center of gravity?
65 60
69,66
2,87334
78 5 , 32 20
*
2 ) 52 , 0 ( ) 2 / 1 ( ) 3 / 1 (
) 52 , 0 )( 80 70 ( ) 2 / 1 ( 65 ) 3 / 1 ( 60
*
=
+ +
=
+ +
+ + +
=
y
y
Keputusan Model Mamdani
Mahasiswa B dengan IPK = 2,99 dan Gaji orangtuanya
sebesar 1 juta rupiah per bulan memperoleh Nilai
Kelayakan sebesar 69,66.
Lebih besar dibandingkan dengan Nilai Kelayakan
mahasiswa A yang sebesar 52,39.
Jadi, mahasiswa B layak mendapatkan beasiswa.
Model Mamdani
Model Sugeno
Model ini sering digunakan untuk membangun sistem
kontrol yang membutuhkan respon cepat.
Proses perhitungannya sangat sederhana sehingga
membutuhkan waktu relatif cepat sehingga sangat
sesuai untuk sistem kontrol.
Bagaimana jika digunakan untuk masalah pemberian
beasiswa?
Kasus 1: Pemberian Beasiswa
Mahasiswa IPK Gaji Ortu (Rp/bulan)
A 3,00 10 juta
B 2,99 1 juta
Fuzzification
Inference
Defuzzification

Fuzzy rules
Crisp input
Fuzzy input
Output Fuzzy output
Crisp value
Fuzzification & Rule Evaluation
Misalkan proses fuzzification-nya sama persis
dengan model Mamdani.
Misalkan Rule yang digunakan juga sama persis
dengan model Mamdani.

Mahasiswa A
) Rendah(0,5 THEN Besar(0,6) Sangat AND Bagus(0,5) IF
) Tinggi(0,4 THEN Besar(0,4) AND Bagus(0,5) IF
) Rendah(0,5 THEN Besar(0,6) Sangat AND ) 5 , 0 ( Cukup IF
) Rendah(0,4 THEN Besar(0,4) AND Cukup(0,5) IF
= = =
= = =
= = =
= = =
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK = Rendah (0,5)
NK = Tinggi (0,4)
FK singleton untuk Nilai Kelayakan
80 50 0
1

Rendah Tinggi
Nilai Kelayakan
skala [0, 100]
Untuk mahasiswa A
80 50 0
1

Rendah Tinggi
Nilai Kelayakan
skala [0, 100]
0,5
80 50 0
1

Rendah Tinggi
100
Nilai Kelayakan
skala [0, 100]
0,4
(a)
(b)
NK = Rendah (0,5)
NK = Tinggi (0,4)
Proses Composition
1

Rendah Tinggi
0,5
0,4
Nilai Kelayakan
skala [0, 100]
0 80 50
Defuzzyfication: Weighted Average
33 , 63
) 4 , 0 ( ) 5 , 0 (
80 ) 4 , 0 ( 50 ) 5 , 0 (
* =
+
+
= y
Mahasiswa B
Tinggi(0) THEN Sedang(0) AND ) 48 , 0 ( Besar IF
8) Tinggi(0,4 THEN Kecil(1) AND ) 48 , 0 ( Besar IF
Rendah(0) THEN Sedang(0) AND ) Cukup(0,52 IF
2) Tinggi(0,5 THEN Kecil(1) AND ) Cukup(0,52 IF
= = =
= = =
= = =
= = =
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK Gaji IPK
NK = Rendah (0)
NK = Tinggi (0,52)
Untuk Mahasiswa B
1

Rendah Tinggi
0,52
Nilai Kelayakan
skala [0, 100]
0 80 50
NK = Rendah (0)
NK = Tinggi (0,52)
Defuzzyfication: Weighted Average
80
52 , 0 0
80 ) 52 , 0 ( 50 ) 0 (
* =
+
+
= y
Keputusan Model Sugeno
Mahasiswa B dengan IPK = 2,99 dan Gaji orangtuanya
sebesar Rp 1 juta per bulan memperoleh Nilai
Kelayakan sebesar 80.
Lebih besar dibandingkan dengan Nilai Kelayakan
mahasiswa A yang sebesar 63,33.
Jadi, mahasiswa B layak mendapatkan beasiswa.

2,00 2,75 0
1

3,25
Buruk Cukup Bagus
4,00
IPK

1 3 0
1

6
Kecil Sedang Besar
12
Gaji orangtua
(juta rupiah)
Sangat
Besar
4 7
Buruk
Cukup
Bagus
Kecil Sedang Besar Sangat Besar
Rendah
IPK
Gaji
Tinggi
Tinggi
Tinggi
Rendah Rendah Rendah
Rendah
Rendah Tinggi
Rendah Rendah

80 50 0
1

Rendah Tinggi
Nilai Kelayakan
skala [0, 100]
Bahu kiri Bahu kanan
Model Sugeno
Model Mamdani Model Sugeno
Nilai Kelayakan mahasiswa A & B
Mahasiswa
Nilai Kelayakan mendapat
beasiswa
Model Mamdani Model Sugeno
A 52,39 63,33
B 69,66 80
Selisih A dan B 17,72 16,67
Sistem Berbasis Crisp Sets dan FOL
...
...
...
3 , 2 6 THEN juta 1,25 AND 57 , 2 IF
5 , 2 6 THEN juta 1,20 AND 57 , 2 IF
= = =
= = =
NK Gaji IPK
NK Gaji IPK
Aturan FOL untuk proses inference
P1
P2
P3
G1 G2 G3 G4
70
IPK
Gaji
90
80
G5
P4 100
60
80
70
90
50
70
60
40 30
50
40
60
30
50
40
20
Aturan FOL untuk proses inference
50 ) 5 , ( ) 4 , ( IF 20.
...
...
...
0 6 ) 2 , ( ) 1 , ( IF . 2
0 7 ) 1 , ( ) 1 , ( IF . 1
= .
= .
= .
NK G Gaji Interval P IPK Interval
NK G Gaji Interval P IPK Interval
NK G Gaji Interval P IPK Interval
Kelemahan
Dengan menggunakan 20 aturan FOL di atas, tentu
saja sistem akan mengeluarkan output berupa salah
satu dari 20 nilai yang kita definisikan tersebut.
Dengan kata lain, sistem ini sangat statis.
Untuk masalah yang membutuhkan tingkat ketelitian
tinggi atau yang adil secara intuitif, tentu saja cara ini
tidak bisa digunakan.
Sistem yang Linier
) 20 / ) 20 (( ) 4 / (
2 1
Gaji W IPK W NK + =
W
1
adalah bobot untuk IPK, W
2
adalah bobot untuk Gaji.
Asumsi: IPK maksimum adalah 4,00
Asumsi: Gaji Orang tua maksimum adalah Rp 20 jt/bln.
Karena skala untuk NK adalah [0, 100], maka W
1
+ W
2

harus sama dengan 100.
W
1
= 50 dan W
2
= 50
Mhs A
Mhs B
W
1
= 80 dan W
2
= 20
Mhs A
Mhs B
Kelebihan Fuzzy Systems
Kebanyakan permasalahan dunia nyata: non linier
Sistem berbasis crisp set dengan pembobotan sulit
digunakan karena menghasilkan grafik yang linier.
Untuk menyelesaikan masalah non linier, tentu saja
dibutuhkan sistem yang juga bersifat non linier.
Dilihat dari proses dan keluarannya, sistem berbasis
fuzzy set memiliki sifat non linier.
Kasus 1: Pemberian Beasiswa
Mahasiswa IPK Gaji Ortu (Rp/bulan)
A 3,00 10 juta
B 2,99 1 juta

2,00 2,75 0
1

3,25
Buruk Cukup Bagus
4,00
IPK

1 3 0
1

6
Kecil Sedang Besar
12
Gaji orangtua
(juta rupiah)
Sangat
Besar
4 7
Buruk
Cukup
Bagus
Kecil Sedang Besar Sangat Besar
Rendah
IPK
Gaji
Tinggi
Tinggi
Tinggi
Rendah Rendah Rendah
Rendah
Rendah Tinggi
Rendah Rendah

80 50 0
1

Rendah Tinggi
Nilai Kelayakan
skala [0, 100]
Bahu kiri Bahu kanan

2,75 0
1

Buruk Cukup Bagus

4,00
IPK

5 0
1

10
Kecil Sedang Besar
20
Gaji Orang tua
(juta rupiah)
Sangat Besar

100 50 0
1

Rendah Tinggi
Nilai Kelayakan
skala [0, 100]
75
Sedang
Buruk
Cukup
Bagus
Kecil Sedang Besar Sangat Besar
Sedang
IPK
Gaji
Tinggi
Tinggi
Tinggi
Rendah Rendah Rendah
Rendah
Sedang Tinggi
Sedang Tinggi

2,75 0
1

Buruk Cukup Bagus

4,00
IPK

5 0
1

10
Kecil Sedang Besar
20
Gaji Orang tua
(juta rupiah)
Sangat Besar

100 40 0
1

Rendah Sangat Tinggi

Nilai Kelayakan
skala [0, 100]
60
Sedang
80
Tinggi
Buruk
Cukup
Bagus
Kecil Sedang Besar Sangat Besar
Tinggi
IPK
Gaji
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sedang Rendah Rendah
Rendah
Sedang Tinggi
Sedang Tinggi
Mhs A
Mhs B
Mhs A
Mhs B
Mamdani, Segitiga, 3 NL
Mamdani, Gauss, 3 NL
Mamdani, Segitiga, 7 NL
Cerita: Frankfurt
Kasus 2: Sprinkle CS
Model Mamdani atau Sugeno?
Jumlah Nilai Linguistik untuk setiap variabel?
Fungsi Keanggotaan: Segitiga, trapesium, phi, ?
Batas-batas Nilai Linguistik?
Fuzzy rule yang tepat?


Model Mamdani

2,75 0
1

Buruk Cukup Bagus

4,00
IPK

5 0
1

10
Kecil Sedang Besar
20
Gaji Orang tua
(juta rupiah)
Sangat Besar

100 40 0
1

Rendah Sangat Tinggi

Nilai Kelayakan
skala [0, 100]
60
Sedang
80
Tinggi
Buruk
Cukup
Bagus
Kecil Sedang Besar Sangat Besar
Tinggi
IPK
Gaji
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sedang Rendah Rendah
Rendah
Sedang Tinggi
Sedang Tinggi
Fuzzy?
Yes!
Fuzzification
Inference
Defuzzification

Fuzzy rules
Crisp input
Fuzzy input
Output Fuzzy output
Crisp value
Proses fuzzification
Warm = -(37-39)/(39-36) = 2/3.
Hot = (37-36)/(39-36) = 1/3.
Dry = -(12-20)/(20-10) = 4/5
Moist = (12-10)/(20-10) = 1/5
Proses inferensi
Proses inference
Dari empat data fuzzy input di atas, Warm (2/3),
Hot (1/3), Dry (4/5) dan Moist (1/5), maka kita
mendapatkan 4 aturan (dari 15 aturan) yang dapat
diaplikasikan:
IF Suhu is Warm (2/3) AND Kelembaban is Dry (4/5)
THEN Durasi is Long (2/3)
IF Suhu is Warm (2/3) AND Kelembaban is Moist (1/5)
THEN Durasi is Medium (1/5)
IF Suhu is Hot (1/3) AND Kelembaban is Dry (4/5)
THEN Durasi is Long (1/3)
IF Suhu is Hot (1/3) AND Kelembaban is Moist (1/5)
THEN Durasi is Medium (1/5)
Inference: Model Sugeno
Defuzzyfication: Weighted Average
Kasus 2: Sprinkle CS
Input:
Suhu Udara (
0
C)
Kelembaban Tanah (%)
Cahaya Matahari (Cd / Candela)
Output: Durasi Penyiraman (menit)
Misal:
Suhu = 37
0
C, kelembaban = 12%, Cahaya = 400 Cd.
Berapa lama durasi penyiraman yang dilakukan?
Kasus 2: Sprinkle CS
Model Mamdani atau Sugeno?
Jumlah Nilai Linguistik untuk setiap variabel?
Fungsi Keanggotaan: Segitiga, trapesium, phi, ?
Batas-batas Nilai Linguistik?
Fuzzy rule yang tepat?


Kasus 3: Traffic Light Controller
Kasus 3: Traffic Light Controller
Bisakah fuzzy menyelesaikannya?
Jika bisa, bagaimana desain Fuzzy yang baik?
Jika tidak, apa alasannya?
Fuzzy?
Yes!
Kasus 3: Traffic Light Controller
[Shahariz Abdul Aziz & Jeyakody Parthiban]
Kasus 4: Akreditasi Prodi
Pendidikan dan Pengajaran
Pendidikan Dosen: S1, S2, S3?
Jabatan Akademik: AA, L, LK, GB?
Rasio Dosen : Mhs?
Penelitian
Dana proyek?
Paper Ilmiah?
Pengabdian Masyarakat
Jumlah kegiatan per tahun?
Manfaat bagi masyarakat?
Kasus 4: Akreditasi Prodi
Bisakah fuzzy menyelesaikannya?
Jika bisa, bagaimana desain Fuzzy yang baik?
Jika tidak, apa alasannya?
Fuzzy?
No!
Kasus 5: University Rankings
Bagaimana mengelompokkan universitas ke dalam cluster
yang secara statistik mirip untuk semua kriteria yg ada?
Clustering harus dilakukan tanpa asumsi apapun tentang
tingkat kepentingan relatif dari semua kriteria.
Kriteria:
Jumlah profesor?
Jumlah mhs asing?
Rasio Dosen:Mhs?
Besarnya Dana proyek?
Jumlah Paper Ilmiah?
Kasus 5: University Rankings
Bisakah fuzzy menyelesaikannya?
Jika bisa, bagaimana desain Fuzzy yang baik?
Jika tidak, apa alasannya?
Fuzzy?
Yes!
Kasus 5: University Rankings
Shanghai Jao Tong University (SJTU)
The Time Higher League Table (THES)
Metode: Fuzzy Clustering
Top 500 Univerisities in the world
1. Harvard
2. Stanford
3. Cambridge
69. NTU Singapore
280. Universitas Indonesia
9999. IT Telkom (Masuk top 500 pada 2017?????????)
Fuzzy Clustering
To extract rules from data
Fuzzy c-means
Aplikasi:
Cracked Tile Detection
Finding Cancer Cells
Image Segmentation
Document clustering
Cluster
Sejumlah individu yang memiliki sifat hampir sama
atau terjadi bersama-sama
Kelompok universitas kelas dunia
Kelompok mobil kategori tertentu
Kumpulan spam email
Kumpulan tipe penyakit kanker
Cluster Analysis
A statistical classification technique
for discovering whether the individuals of a population
fall into different groups
by making quantitative comparisons of multiple
characteristics.
Vehicle
Vehicle Top speed
km/h
Colour Air
resistance
Weight
Kg
V1 220 red 0.30 1300
V2 230 black 0.32 1400
V3 260 red 0.29 1500
V4 140 gray 0.35 800
V5 155 blue 0.33 950
V6 130 white 0.40 600
V7 100 black 0.50 3000
V8 105 red 0.60 2500
V9 110 gray 0.55 3500

100 150 200 250 300
500
1000
1500
2000
2500
3000
3500
Top speed [km/h]
W
e
i
g
h
t

[
k
g
]

Sports cars
Medium market cars
Lorries
Object or data point
feature
feature
space
cluster
feature
label
Kasus 6: Tile Clustering
Tiles are made from clay moulded into the right
shape, brushed, glazed, and baked.
Unfortunately, the baking may produce invisible
cracks.
Operators can detect the cracks by hitting the tiles
with a hammer, and in an automated system the
response is recorded with a microphone, filtered,
Fourier transformed, and normalised.
A small set of data is given in the TABLE below.
Kasus 6: Tile Clustering
475Hz 557Hz Ok?
0.958 0.003 Yes
1.043 0.001 Yes
1.907 0.003 Yes
0.780 0.002 Yes
0.579 0.001 Yes
0.003 0.105 No
0.001 1.748 No
0.014 1.839 No
0.007 1.021 No
0.004 0.214 No
[MIT, 1997]
Plot of tiles by frequencies (logarithms). The whole tiles (o) seem
well separated from the cracked tiles (*). The objective is to find
the two clusters.
-8 -6 -4 -2 0 2
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
log(intensity) 475 Hz
l
o
g
(
i
n
t
e
n
s
i
t
y
)

5
5
7

H
z
Tiles data: o = whole tiles, * = cracked tiles, x = centres
1. Place two cluster centres (x) at random.
2. Assign each data point (* and o) to the nearest cluster centre (x)
-8 -6 -4 -2 0 2
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
log(intensity) 475 Hz
l
o
g
(
i
n
t
e
n
s
i
t
y
)

5
5
7

H
z
Tiles data: o = whole tiles, * = cracked tiles, x = centres
-8 -6 -4 -2 0 2
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
log(intensity) 475 Hz
l
o
g
(
i
n
t
e
n
s
i
t
y
)

5
5
7

H
z
Tiles data: o = whole tiles, * = cracked tiles, x = centres
1. Compute the new centre of each class
2. Move the crosses (x)
Iteration 2
-8 -6 -4 -2 0 2
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
log(intensity) 475 Hz
l
o
g
(
i
n
t
e
n
s
i
t
y
)

5
5
7

H
z
Tiles data: o = whole tiles, * = cracked tiles, x = centres
Iteration 3
-8 -6 -4 -2 0 2
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
log(intensity) 475 Hz
l
o
g
(
i
n
t
e
n
s
i
t
y
)

5
5
7

H
z
Tiles data: o = whole tiles, * = cracked tiles, x = centres
Iteration 4 (then stop, because no visible change)
Each data point belongs to the cluster defined by the nearest centre
-8 -6 -4 -2 0 2
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
log(intensity) 475 Hz
l
o
g
(
i
n
t
e
n
s
i
t
y
)

5
5
7

H
z
Tiles data: o = whole tiles, * = cracked tiles, x = centres
The membership matrix M:
1. The last five data points (rows) belong to the first cluster (column)
2. The first five data points (rows) belong to the second cluster (column)
M =

0.0000 1.0000
0.0000 1.0000
0.0000 1.0000
0.0000 1.0000
0.0000 1.0000
1.0000 0.0000
1.0000 0.0000
1.0000 0.0000
1.0000 0.0000
1.0000 0.0000
Each data point belongs to two clusters to different degrees
-8 -6 -4 -2 0 2
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
log(intensity) 475 Hz
l
o
g
(
i
n
t
e
n
s
i
t
y
)

5
5
7

H
z
Tiles data: o = whole tiles, * = cracked tiles, x = centres
1. Place two cluster centres
2. Assign a fuzzy membership to each data point depending on
distance
-8 -6 -4 -2 0 2
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
log(intensity) 475 Hz
l
o
g
(
i
n
t
e
n
s
i
t
y
)

5
5
7

H
z
Tiles data: o = whole tiles, * = cracked tiles, x = centres
1. Compute the new centre of each class
2. Move the crosses (x)
-8 -6 -4 -2 0 2
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
log(intensity) 475 Hz
l
o
g
(
i
n
t
e
n
s
i
t
y
)

5
5
7

H
z
Tiles data: o = whole tiles, * = cracked tiles, x = centres
Iteration 2
-8 -6 -4 -2 0 2
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
log(intensity) 475 Hz
l
o
g
(
i
n
t
e
n
s
i
t
y
)

5
5
7

H
z
Tiles data: o = whole tiles, * = cracked tiles, x = centres
Iteration 5
-8 -6 -4 -2 0 2
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
log(intensity) 475 Hz
l
o
g
(
i
n
t
e
n
s
i
t
y
)

5
5
7

H
z
Tiles data: o = whole tiles, * = cracked tiles, x = centres
Iteration 10
-8 -6 -4 -2 0 2
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
log(intensity) 475 Hz
l
o
g
(
i
n
t
e
n
s
i
t
y
)

5
5
7

H
z
Tiles data: o = whole tiles, * = cracked tiles, x = centres
Iteration 13 (then stop, because no visible change)
Each data point belongs to the two clusters to a degree
-8 -6 -4 -2 0 2
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
log(intensity) 475 Hz
l
o
g
(
i
n
t
e
n
s
i
t
y
)

5
5
7

H
z
Tiles data: o = whole tiles, * = cracked tiles, x = centres
The membership matrix M:
1. The last five data points (rows) belong mostly to the first cluster (column)
2. The first five data points (rows) belong mostly to the second cluster (column)
M =

0.0025 0.9975
0.0091 0.9909
0.0129 0.9871
0.0001 0.9999
0.0107 0.9893
0.9393 0.0607
0.9638 0.0362
0.9574 0.0426
0.9906 0.0094
0.9807 0.0193
Kasus 7: Klasifikasi Sel Kanker
Normal smear Severely dysplastic smear
Possible Features
Nucleus and cytoplasm area
Nucleus and cyto brightness
Nucleus shortest and longest diameter
Cyto shortest and longest diameter
Nucleus and cyto perimeter
Nucleus and cyto no of maxima
...
Classes are nonseparable
Hard Classifier (HCM)
A cell is either one
or the other class
defined by a colour.
OK light moderate OK severe
Fuzzy Classifier (FCM)
A cell can belong to
several classes to a
Degree, i.e., one column
may have several
colours.
OK light moderate OK severe
Kasus 8: Image Segmentation
Sangat penting untuk image analysis, understanding,
dan coding
Bagaimana memisahkan satu objek yang diinginkan
dari objek2 lainnya?
Pada image terdapat banyak ambiguitas


(a) Original cow image,
(b) Manually segmented
reference image for (a).
(c) FCM with pixel locations
(d) FCM with pixel intensity
(e) FCM with both features
(f) Fuzzy Clustering
Incorporating Spatial
Information (FCSI).

[M. Ameer Ali, Gour C
Karmakar and Laurence S
Dooley, Image Segmentation
Using Fuzzy Clustering
Incorporating Spatial
Information, Monash
University, Australia]
Kasus 9: Documents Clustering
Text represented as an unordered collection of
words
Using tf-idf (term frequencyinverse document
frequency)
Document = one vector in high dimensional
space
Similarity = cosine similarity between vectors
PROBLEM
Grouping conference papers with regard to their contents into
predefined sessions schedule.











Session A
(3 papers)
Coffee break
EXAMPLE











Session B
(4 papers)
Lunch break
Session C
(4 papers)
Session D
(3 papers)
Coffee break
Papers
Sessions schedule
Constraint-based
clustering
Session A Title

Session B Title

Session C Title

Session D Title

[Matja Juri, Vid Podpean, Nada Lavra ]
Combining CBC & Fuzzy Clustering
PHASE 1 SOLUTION
constrained-based clustering (CBC)

DIFFICULTIES
CBC can get stuck in local minimum
often low quality result (created schedule)
user interaction needed to repair schedule

PHASE 2 NEEDED
run fuzzy clustering (FC) with initial clusters from CBC
if output clusters of FC differ from CBC repeat everything
if the clusters of FC equal to CBC show new info to user
[Matja Juri, Vid Podpean, Nada Lavra ]
RUN FUZZY CLUSTERING ON PHASE 1 RESULTS
- insight into result quality
- identify problematic papers
Coffee break
EXAMPLE
Lunch break
Coffee break
Sessions schedule
Session A Title

Session B Title

Session C Title

Session D Title

13%
42%
[Matja Juri, Vid Podpean, Nada Lavra ]
Masalah Tugas Akhir IF
Clustering dokumen TA berdasarkan KBK
Clustering Dosen berdasarkan Keahliannya
Penentuan Dosen Penguji Sidang TA

Hard Classifier
Ketidakpastian didekati dengan Kepastian
Ketidakpastian
[Matja Juri, Vid Podpean, Nada Lavra ]
Fuzzy Classifier
Ketidakpastian didekati dengan Kesamaran
(mendekati) Kepastian
[Matja Juri, Vid Podpean, Nada Lavra ]
Procedure to find a model
1. Acquire data
2. Select structure
3. Find clusters, generate model
4. Validate model
Kesulitan Fuzzy Systems
Model Mamdani atau Sugeno atau model lain?
Jumlah Nilai Linguistik untuk setiap variabel?
Fungsi Keanggotaan: Segitiga, trapesium, phi, ?
Batas-batas Nilai Linguistik?
Fuzzy rule yang tepat?


Solusi
Semua komponen fuzzy bisa didefinisikan secara
otomatis menggunakan EAs atau ANN.
Evolving Fuzzy Systems
Neuro-Fuzzy

Fuzzy Systems yang bisa LEARNING
Perlu data latih yang MEMADAI
Pemberian Beasiswa
NIM IPK Gaji Ortu (juta rupiah) Nilai Kelayakan
070001 2,0 16 45
070002 2,5 12 50
070003 3,6 30 55
070004 1,5 140 10
070005 2,7 10 40
070006 3,9 0,5 95
070007 1,9 1 52
070008 2,8 8 68
070009 3,5 6 72
070010 2,0 7 53
Sprinkler Control System
Tanggal Waktu Suhu (
o
C) Kelembaban Tanah (%) Durasi Penyiraman (menit)
01-02-2006 08:00 20 16 55,7
01-02-2006 13:00 25 12 59,3
01-02-2006 18:00 16 30 5,6
02-02-2006 07:00 15 14 30,1
02-02-2006 12:00 27 10 43,4
02-02-2006 19:00 12 19 18,6
03-02-2006 06:30 19 12 22,1
03-02-2006 10:00 28 8 47,3
03-02-2006 13:30 35 6 76,4
03-02-2006 16:00 20 17 20,9
Evolving Fuzzy Systems
Representasi Individu?
Fungsi fitness-nya?
Algoritma EAs?
Operator-operator evolusi?
Kesimpulan
Untuk masalah dengan jumlah aturan yang sangat
banyak, seperti permainan catur, teknik Reasoning
lebih sesuai dibandingkan teknik searching.
Keuntungan dari teknik Reasoning adalah kemudahan
dalam melakukan majemen pengetahuan.
Propositional logic adalah logic paling sederhana yang
terlalu lemah untuk digunakan dalam
merepresentasikan pengetahuan, sehingga hampir
tidak pernah digunakan untuk penyelesaian masalah
di dunia nyata.
Kesimpulan
First-Order Logic cukup memadai untuk
merepresentasikan pengetahuan, sehingga banyak
digunakan untuk penyelesaian masalah dunia nyata.
Untuk membangun knowledge-based agent, pekerjaan
paling berat adalah bagaimana membangun basis
pengetahuan yang benar dan lengkap.
Knowledge engineer harus memiliki:
Domain pertanyaan
Bahasa representasi
Implementasi prosedur inferensi
Kesimpulan
Untuk permasalahan yang mengandung
ketidakpastian, fuzzy logic adalah pilihan yang tepat.
Fuzzy logic menunjukkan performansi yang bagus
untuk berbagai masalah, khususnya optimasi dan
sistem kontrol.
Daftar Pustaka
[SUY07] Suyanto. 2007. Artificial Intelligence: Searching, Reasoning,
Planning and Learning. Informatika, Bandung Indonesia. ISBN: 979-
1153-05-1.
[RUS95] Russel, Stuart and Norvig, Peter. 1995. Artificial Intelligence:
A Modern Approach. Prentice Hall International, Inc.
[SUY08b] Suyanto. 2008. Soft Computing: Membangun Mesin Ber-IQ
Tinggi. Informatika, Bandung Indonesia. ISBN: 978-979-1153-49-2.