Sistem Pakar Tugas 5

MODEL FUZZY SUGENO DAN TSUKAMOTO

1. MODEL FUZZY SUGENO

Sugeno mengusulkan penggunaan singleton sebagai fungsi keanggotaan dari konsekuen. Singleton adalah sebuah himpunan fuzzy dengan fungsi keanggotaan: pada titik tertentu mempunyai sebuah nilai dan 0 di luar titik tersebut. Pengusulan tersebut didasarkan Inferensi Mamdani tidak efisien karena melibatkan proses pencarian centroid dari area 2 dimensi.Penalaran ini hampir sama dengan penalaran Mamdani, hanya saja output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear.

 Orde-Nol

Bentuk Umum :

 IF (X is A )  (X is A )  (X is A ) (X is A )  THEN z =  k dengan Ai adalah himpunan fuzzy ke-I sebagai anteseden, dan k adalah konstanta (tegas) sebagai konsekuen

Orde-satu

Bentuk Umum :

 IF (X is A )  …. (X is A ) THEN z = p dengan Ai adalah himpunan fuzzy ke-I sebagai anteseden, dan pi adalah suatu konstanta ke-I dan q merupakan konstanta dalam konsekuen.

Perbedaan antara Mamdani dan Sugeno ada pada konsekuen. Sugeno menggunakan konstanta atau fungsi matematika dari variabel input:

IF     x is A IF    x is A

AND     y is B AND    y is B

THEN    z is f(x, y) THEN      z is k

dimana x, y dan z adalah variabel linguistik; A dan B himpunan fuzzy untuk X dan Y, dan f(x, y) adalah fungsi matematik.

Evaluasi Rule

Komposisi

Defuzzifikasi

Weighted average (WA):

Model Fuzzy Sugeno: 

Contoh

• Mengevaluasi kesehatan orang berdasarkan tinggi dan berat badannya
• Input: tinggi dan berat badan
• Output: kategori sehat

 - sangat sehat  (SS), index =0.8

 - sehat (A), index =0.6 

 - agak sehat  (AS), index =0.4

 - tidak sehat  (TS), index =0.2

L1: Fuzzification (1)

Ada 3 variabel fuzzy yang dimodelkan: tinggi, berat, sehat

L2: Rules Evaluation (1)

Tentukan rules

Tabel Kaidah Fuzzy

Dalam bentuk if-then, contoh:

 If sangat pendek dan sangat kurus then sangat sehat

L2: Rules Evaluation (2)

Contoh: bagaimana kondisi kesehatan untuk orang dengan tinggi 161.5 cm dan berat 41 kg?

L2: Rules Evaluation (3)

μsangatkurus[41] = (45-41)/(45-40) = 0.8

μkurus[41] = (41-40)/(45-40) = 0.2

L2: Rules Evaluation (4)

 Pilih bobot minimum karena relasi AND

L3: Defuzzification

Diperoleh:

    f = {TS, AS, S, SS} = {0.3, 0.7, 0.2, 0.2}

Penentuan hasil akhir, ada 2 metoda:

1.  Max method: index tertinggi 0.7  hasil Agak Sehat

2.   Centroid method, dengan metoda Sugeno: 

      Decision Index  = (0.3x0.2)+(0.7x0.4)+(0.2x0.6)+(0.3x0.8) /

                                                (0.3+0.7+0.2+0.2 = 0.4429

Crisp decision index = 0.4429

Fuzzy decision index: 75% agak sehat, 25% sehat

2. MODEL FUZZY TSUKAMOTO

Metode Tsukamoto merupakan perluasan dari penalaran monoton. Pada metode Tsukamoto, Setiap konsekuen pada aturan yang berbentuk IF-THEN harus dipresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot.

Kasus:

Suatu perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Dari data 1 bulan terakhir, permintaan terbesar mencapai 5000 kemasan/hari, dan permintaan terkecil mencapai 1000 kemasan/hari. Persediaan barang digudang terbanyak mencapai 600 kemasan/hari, dan terkecil pernah mencapai 100 kemasan/hari. Dengan segala keterbatasannya perusahaan sampai saat ini baru mampu memproduksi brang maksimum 7000 kemasan/hari, untuk efisiensi mesin dan SDm tiap hari diharapkan perusahaan memproduksi paling tidak 2000 kemasan. Berapa kemasan makanan jenis ABC yang harus diprosuksi, jika jumlah permintaan sebanyak 4000 kemasan, dan persediaan di gudang masih 300 kemasan, apabilla proses produksi perusahaan tersebut menggunakan 4 aturan fuzzy sebagai berikut:

[R1]   IF permintaan TURUN And Persediaan BANYAK, THEN Produksi Barang BERKURANG;

[R2]   IF permintaan TURUN And Persediaan SEDIKIT, THEN Produksi Barang BERKURANG;

[R3]   IF permintaan NAIK And Persediaan BANYAK, THEN Produksi Barang BERTAMBAH;

[R4]   IF permintaan TURUN And Persediaan SEDIKIT, THEN Produksi Barang BERTAMBAH;

Solusi:

Ada 3 variable fuzzy yang akan dimodelkan, yaitu:

1. Permintaan terdiri atas 2 himpunan fuzzy, yaitu NAIK dan TURUN
   Pemintaan (kemasan/hari)

µPmtTURUN [x] = {(1, x ≤ 1000), ((5000-x)/4000, 1000 ≤ x ≤ 5000), (0, x ≥ 5000)}

µPmtNAIK [x]     = {(0, x ≤ 1000), ((x -1000)/4000, 1000 ≤ x ≤ 5000), (1, x ≥ 5000)}

Nilai Keanggotaan :

µPmtTURUN (4000)  = (5000-4000)/4000 = 0.25

µPmtTURUN (4000)  = (4000-1000)/4000 = 0.75

2. Persediaan,  terdiri atas 2 himpunan fuzzy, yaitu SEDIKIT dan BANYAK
   
   Persediaan (kemasan/hari)

Nilai keanggotaan:

µPmtSEDIKIT[y]      = {(1, y ≤ 1000), ((600 – y)/500, 100 ≤ y ≤ 600), (0, y ≥ 600)}

µPmtBANYAK [y]     = {(0, y ≤ 1000), ((y-1000)/500, 100≤ y ≤ 600), (1, y ≥ 600)}

Nilai Keanggotaan :

µPmtSEDIKIT(300)  = (600-300)/500 = 0.26

µPmtBANYAK (300)  = (300-100)/500 = 0.4

3. Produksi barang, terdiri atas 2 himpunan fuzzy, yaitu: BERKURANG dan BERTAMBAH
   
   Produksi barang (kemasan/hari)

Nilai keanggotaan:

µPmtBERKURANG[z]      = {(1, z ≤ 2000), ((7000 – z)/5000, 2000 ≤ z≤ 7000), (0, z ≥ 7000)}

µPmtBERTAMBAH[z]      = {(0, z ≤ 2000), ((z-2000)/5000, 2000≤ z ≤ 7000), (1, z ≥ 7000)}

Sekarang kita cari nilai z untuk setiap aturan dengan menggunakan fungsi MIN pada aplikasi fungsi implikasinya:

[R1]   IF permintaan TURUN And Persediaan BANYAK THEN Produksi Barang BERKURANG;

α-predikat1 = µPmtTURUN | µPmtBAYAK

α-predikat1 = min ( µPmtTURUN , µPmtBANYAK )

α-predikat1  = min (0.25; 0,4)

α-predikat1  = 0.25

lihat himpunan Produksi Barang Berkurang

(7000-z)/5000=0.25 -> z1= 5750

[R2]   IF permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang BERKURANG;

α-predikat2 = µPmtTURUN  | µPmtSEDIKIT

α-predikat2 = min ( µPmtTURUN , µPmtSEDIKIT)

α-predikat2 = min (0.25; 0,6)

α-predikat2 = 0.25

lihat himpunan Produksi Barang Berkurang

(7000-z)/5000=0.25 -> z2= 5750

[R3]   IF permintaan NAIK And Persediaan BANYAK THEN Produksi Barang BERTAMBAH;

α-predikat3 = µPmtNAIK | µPmtBANYAK

α-predikat3 = min ( µPmtNAIK , µPmtBANYAK)

α-predikat3 = min (0.75; 0,4)

α-predikat3 = 0.4

lihat himpunan Produksi Barang Bertambah

(z-2000)/5000=0.4 -> z3= 4000

[R4]   IF permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang BERTAMBAH;

α-predikat4  = µPmtTURUN | µPmtSEDIKIT

α-predikat4  = min ( µPmtTURUN  , µPmtSEDIKIT )

α-predikat4  = min (0.75; 0,6)

α-predikat4  = 0.6

lihat himpunan Produksi Barang Bertambah

(z-2000)/5000=0.6 -> z4= 5000

Nilai Z dapat dicari dengan cara berikut:

z= αpred1 * z1 + αpred2 * z2 + αpred3 * z3 + αpred4 * z4/ (αpred1+ αpred2+ αpred3+ αpred4)

z= 0.25*5750 + 0.25*5750 + 0.4 *4000 + 0.6 * 5000 / (0.25+0.25+0.4+0.6) = 4983

Maka jumlah makanan kaleng jenis ABC yang harus diproduksi sebanyak 4983 kemasan.

1. Langkah Pertama Input Permintaan

2. Langkah Kedua Input Persediaan

3. Langkah Ketiga Input Produksi

4. Langkah Keempat Input Permintaan Real dan Persediaan Real

Result:

Maka makanan jenis ABC yang harus diprosuksi sebanyak

SISTEM PAKAR UNTUK INFORMASI WISATA ALAM DI SUMATRA UTARA

Sistem pakar merupakan salah satu bagian dari kecerdasan buatan yang akhir – akhir ini mengalami perkembangan yang sangat pesat. Sistem ini dirancang untuk menirukan keahlian seorang pakar dalam menjawab pertanyaan dan menyelesaikan suatu permasalahan baik di bidang kesehatan atau kedokteran, bisnis, ekonomi dan sebagainya. Sistem pakar merupakan program komputer yang mampu menyimpan pengetahuan dan kaidah seorang pakar yang khusus. Sistem pakar sangat membantu untuk pengambilan keputusan, dimana sistem pakar ini dapat mengumpulkan dan menyimpan pengetahuan dari seseorang atau beberapa orang pakar dalam suatu basis pengetahuan (knowledge base) dan menggunakan sistem penalaran yang menyerupai seorang pakar dalam memecahkan masalah. Jadi, sistem pakar ini dapat memecahkan suatu masalah tertentu karena sudah menyimpan pengetahuan secara keseluruhan (Naser dan Zaiter, 2008).

Sistem pakar (expert system) secara umum adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Atau dengan kata lain sistem pakar adalah sistem yang didesain dan diimplementasikan dengan bantuan bahasa pemrograman tertentu untuk dapat menyelesaikan masalah seperti yang dilakukan oleh para ahli.

            Sumatra utara merupakan salah satu tempat yang begitu banyak meyimpan kekayaan alamnya seperti objek-objek wisata alam diantaranya wisata alam aek sijorni, arung jeram sungai wampu, bukit indah simajarunjung, bukit paropo silalahi , air terjun dua warna,danau toba dan lain sebagainya. Degan begitu banyaknya objek wisata di sumatra utara membuat kebanyakan orang untuk memilih tempat mana yang harus dikunjungi. Maka dari permasalahan susahnya memilih objek wisata mana yang akan dikunjungi,  maka saya ingim memberikan solusi dengan membuat sebuah inofasi baru yaitu " SISTEM PAKAR UNTUK INFORMASI WISATA ALAM DI SUMATRA UTARA"

Dengan adanya pembuatan sistem pakar ini maka akan membantu pengunjung untuk memilih tempat wisata yang mereka inginkan. terjadapat struktur dari sistem pakar ini adalah sebagai berikut.  

              Dari sistem pakar diatas dibagi menjadi dua bagian yaitu lingkugan konsultasi dan lingkungan pengembangan, lingkungan konsultasi digunakan seseorang yang bukan ahli konsultasi. lingkungan pengembangan digunakan sebagai pembangun sistem pakar baik dari segi pembangunan komponen maupun basis pengembangan.

       Akusisi pengetahuan

   

            adalah akumulasi, transfer dan transformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan ke dalam program komputer. Dalam tahap ini knowledge engineer berusaha menyerap pengetahuan untuk selanjutnya ditransfer ke dalam basis pengetahuan Proses ini merupakan suatu proses yang penting, namun seringkali menjadi bottleneck yang membatasi pengembangan sistem. dengan akusisi pengetahuan dapat mengumpulkan wawancara, analisis. Pada tahapan wawancara dapat menemukan informasi mengenai objek wisata disetiap tempatnya, tahapan analisis sistem pakara memberikan rekomendasi kepada pengunjung objek wisata mana yang akan dituju. hasisl yang didapatkan berupa hasil yang didapat dari sistem wawancara dan akan didokumentasikan dalam aturan produksi IF-THEN. dan terdiri dari

      a. nama objek wisata

      b. kriteria objek wisata

      c. objek wisata yang diusulkan

      pengetahuan yang didapat dari sistem ini berasal dari beberapa buku dan juga pengetahuan  tentang wisata alam yang terdapat disumatra utara, adapun tahapan-tahapan dalam akusisi pegetahuan.

     1. menjelaskan beberapa jenis objek wisata apa saja yang akan dimasukkan kedalam       penelitian

   2. mengambil sampel objek wisata mana saja yang akan dirokumendasikan, karena begitu banyak tempat wisata didaerah sumatra utara.

    3. mengkalsifikasi objek wisata dengan beberapa jenis objek wisata.

    4.  mengidentifikasi beberapa jenis objek wisata.

    5.menentukan decision tree untuk melakukan proses interface degan menggunakan dicision tree. sebelum menggunakan decision tree sistem mengidentifikasi terlebih dahulu objek wisata. dan dapat digambarkan dalam bentuk tabel seperti ini:

atribut	Objek Wisata
	Aek sijorni	Bukit indah simajarunjung	Danau toba
sejarah	Tidak bersejarah	Tidak bersejarah	bersejara
religius	Tidak religius	Tidak religius	religius
kuliner	Tidak ada kuliner	Ada kuliner	Ada kuliner

Tabel atribut tiap objek wisata

    dalam sebuah diticision tree terdapat yang namanya root node. root yang memiliki level tertinggi dari dicision tree , misalnya untuk atribut kuliner akan dujadikan sebagai root node, berikut gambar dari dicision tree dari sistempakar yang akan dirancang.

Sehingga Production Rules-nya menjadi:

Rule 1: IF Kuliner adalah ada kuliner THEN objek wisata adalah Danau Toba.

Rule 2: IF kuliner adalah ada  kulinerAND Kuliner adalah ada kuliner THEN objek wisata adalah Bkit indah simajarunjung.

Rule 3: IF Kulineradalah ada  kuliner AND Kuliner adalah ada kuliner THEN objek wisata adalah Sejarah.

         Model Representasi PUntuk sistem pakar yang saya rancang , saya akan menggunakan skema prosedural yang menggunakan metode Forward Reasoning. Forward Reasoning atau penalaran maju sering disebut juga dengan Data Driven, data yang diketahui. Cara mendapatkan kesimpulan forward chaining yaitu menggunakan rules yang  pernyataan nya sesuai dengan fakta yang didapat  dan melanjutkan proses pencarian, kesimpulan yang sebenarnya atau sampai tidak ada lagi premis.  Berdasarkan rules yang telah dirangkum sebelumnya. 

maka untuk mengambil keputusan berdasarkan Forward Reasoning dengan mengikuti rule sebagai berikut:

*. Dari fakta Kuliner

*. Berdasarkan rule , jika Kuliner adalah  Ada Kuliner, maka Kuliner adalah Ada kuliner

*. kemudian bersambung ke rule , jika sejarah  adalah Ada sdejarah, maka objek wisata adalah danau toba.

Telah didapatkan keputusan dengan atribut  adalah kuliner maka keputusan akhir yang dapat direkomendasikan adalah objek wisata danau toba. Penalaran forward reasoning digunakan jika jumlah keadaan awal lebih kecil daripada tujuan.maka kejadian Itu berupa fakta baru, jika lebih baik dipilih penalaran forward.

Gambar tempat wisata danau toba

Gambar Tempat wisata simajarunjung

Gambar wisata aek sijorni