Bab 7

Unsupervised Learning di Neural Network

Tujuan Instruksional Umum :

1. Mahasiswa dapat membedakan unsupervised learning pada Neural Network

Tujuan Instruksional Khusus :

1. Mahasiswa dapat menjelaskan perbedaan antara supervised dan unsupervised learning

2. Mahasiswa dapat membuat program unsupervised learning dengan SOM

7.1 Pendahuluan

Unsupervised learning mempelajari bagaimana sebuah sistem dapat belajar untuk

merepresentasikan pola input dalam cara yang menggambarkan struktur statistikal dari keseluruhan

pola input. Berbeda dari supervised learning, unsupervised learning tidak memiliki target output yang

eksplisit. Berbeda dengan supervised learning, tujuan unsupervised learning adalah untuk menemukan pola atau

fitur dalam input data tanpa bantuan dari teacher.

Pada unsupervised learning, tidak menggunakan kelas yang diberi label, kriteria optimisasi, sinyal

feedback atau informasi lain pada data mentahnya. Unsupervised learning NN adalah fungsi yang memetakan pola

masukan(input) ke Pola target yang sesuai, yaitu:

��ℝ� → ℝ� (7.1)

Aturan belajar Hebbian, dinamai neuropsikolog Hebb, adalah yang tertua dan aturan belajar yang paling

sederhana. Dengan Hebbian Learning Rule, nilai bobot disesuaikan berdasarkan pada korelasi nilai aktivasi neuron.

Motivasi dari pendekatan ini adalah dari hipotesis Hebb bahwa kemampuan neuron untuk aktif didasarkan pada

kemampuan neuron untuk menyebabkan neuron lain yang terhubung menjadi aktif. Dalam kasus seperti bobot

antara dua neuron berkorelasi kuat (atau meningkat). Perhitungan fungsi output dimulai dengan input layer pada

bagian kiri pada network. Untuk layer input, ada 1 nilai input per input neuron. Pada gambar 7.1, Matriks bobot

menentukan pemetaan dari vektor input z ke vektor output o.

Gambr 7.1 aturan Unsupervised Learning

Pada gambar 7.1, perubahan bobot pada time step t adalah:

� =η� ,; ,� (7.2)

Dimana bobot diupdate meggunakan persamaan:

= − + � (7.3)

7.2 Linear Vector Quantizer

Salah satu algoritma clustering unsupervised adalah learning vector quantizer (LVQ) oleh Kohonen [2], pada

buku ini dibahas LVQ-1. Tujuan dari algoritma clustering pada LVQ-Iyaitu membentuk cluster yang memilik input

vector yang sama, dimana similiarity diukur dalam istilah jarak Euclidean. Gambar 7.2 menampilkan ilustrasi:

Gambar 7.2. Jaringan LVQ-1[1]

Proses training dari LVQ-I untuk membuat cluster berdasarkan kompetisi, dengan update bobot diberikan sebagai:

� = {� [ ,� − − ] � ,� (7.4)

Berikut algoritma Vector Quantizer-1:

Algoritma Learning Vector Quantizer-I

Inisialisasi bobot jaringan, learning rate dan radius neighborhood.

while stopping condition(s) not true do

for each pattern p

do

Hitung Euclidean distance ,� antara input vector � dan tiap vector bobot

� = , , … , �� sebagai

,�( �, ) = √∑ ,� − ,�= (7.5)

Cari unit output untuk distance dk,p terkecil

Update seluruh bobot untuk neighborhood � ,� menggunakan persamaan 7.4

end

Update learning rate;

Reduksi radius neighborhood pada iterasi learning yang ditentukan

end

Restricted Boltzmann machines (RBM) yang diterapkan pada Deep learning[2] merupakan salah satu

pembelajar unsupervised nonlinear feature berdasarkan model probabilistik. Fitur yang diekstrak oleh RBM atau

hirarki RBM sering memberikan hasil yang bagus ketika diumpankan ke linear classifier seperti linear SVM atau

perceptron. RBM mencoba memaksimalkan likelihood dari data menggunakan modle grafik tertentu, dimana

menggunakan algortma learning Stochastic Maximum Likelihood . Model Grafik RBM merupakan grafik fully-

connected bipartite:

Gambar 7.3. Jaringan fully-connected RBN

Node-node yang ada merupakan variabel random dimana keadaannya(state) bergantung pada keadaan node

lainnya yang terhubung. Model ini diparameterkan dengan bobot koneksi dan bias. Fungsi energy (Energy

Function) mengukur kualitasi dari joint assignment sebagai berikut: � , ℎ = ∑ ∑ ℎ + ∑ + ∑ ℎ (7.6)

7.3 SOM (Self Organizing Maps)

SOM Learning dikembangkan oleh Kohonen[3], dan dapat dianggap sebagai salah satu algoritma

pembelajaran terawasi paling terkenal untuk masalah clustering. Ini memperlakukan neural network sebagai peta

2D node, di mana setiap node mungkin merupakan kelas terpisah. Training SOM berdasarkan strategi competitive

learning. Sebagai contoh, sebuah kisi 2D pada jaringan Kohonen 4 X 4 terhubung ke lapisan input

merepresentasikan vector 2 dimensi:

Gambar 7.4 Kohonen network yang sederhana

Tiap node memili posisi toplogi tertentu (koordinat x dan y di kisi) dan berisi sebuah vector bobot V, dengan

dimensi n:

, , , … � (7.7)

Lalu, tiap node akan berisi vector bobot W, dengan dimensi n:

, , , … , � (7.8)

Gambar di bawah menampilkan model SOM dan contoh demo SOM pada color clustering:

Gambar 7.5 Model SOM dan Hasil Demo SOM [1]

Gambar 7.6 Contoh SOM

7.4 Reinforcement learning

Reinforcement Learning (RL) adalah pembelajaran terhadap apa yang akan dilakukan

(bagaimana memetakan situasi ke dalam aksi) untuk memaksimalkan reward. Pembelajar (learner) tidak

diberitahu aksi mana yang akan diambil, tetapi lebih pada menemukan aksi mana yang dapat

memberikan reward yang maksimal dengan mencobanya. Aksi tidak hanya mempengaruhi reward

langsung, tetapi juga situasi berikutnya, begitu juga semua reward berikutnya. LVQ-II berlaku seabgai

Reinforcement Learning yang digunakan untuk melatih neural network untuk melakukan data clustering.

Reinforcement learning (RL) [7], with its origins in the psychology of

animal learning. The basic idea is that of awarding the learner (agent) for

correct actions, and punishing wrong actions.

Reinforcement Theory ini merupakan suatu pendekatan psikologi yang sangat penting bagi manusia.

Reinforcement Theory ini mengatakan bahwa tingkah laku manusia itu adalahmerupakan hasil kompilasi dari

pengalaman-pengalaman yang ia temui sebelumnya,

atau dalam bahasa lain a dise ut Co se ue es i flue e eha io . Dala ‘ei fo e e t Theo , te dapat

konsekuensi yang berbeda, yaitu :

1. Konsekuensi yang memberikan reward

2. Konsekuensi yang memberikan punishment

3. Konsekuensi yang tidak memberikan apa-apa

Seorang siswa yang bersikap baik di dalam kelas, ia akan mendapatkan reward. Dengan reward itu, ia akan

bersikap lebih baik lagi. Jika ia bersikap lebih baik lagi, ia akan mendapatkan reward lagi. Demikian seterusnya yang

terjadi sehingga ia pasti akan semakin konvergen dalam bersikap baik di dalam kelas[6].

Gambar 7.7 Masalah Reinforcement Learning

Tugas:

1. Jalankan demo program SOM

2. Buatlah demo program Reinforcement Learning

Referensi: 1. (sumber: http://www.codeproject.com/Articles/16447/Neural-Networks-on-C)

2. Deep Learning, www. Deeplearning.net

3. http://www.heatonresearch.com/book/programming-neural-networks-cs-2.html

4. Kohonen, Teuvo,"Self-Organized Formation of Topologically Correct Feature Maps". Biological Cybernetics

43 (1): 59–69, 1982.

5. Code: https://github.com/jeffheaton/jeffheaton-book-code/tree/master/CSIntroNeuralNetworkEdition2

6. Reinforcement Learning Paradigma baru dalam Machine Learning, Soft Computation Research Group,

EEPIS-ITS

7. R.S. Sutton. Temporal Credit Assignment in Reinforcement Learning. PhD thesis, University of

Massachusetts, Amherst, 1984.

Bab 8

Fuzzy Logic

Tujuan Instruksional Umum :

1. Mahasiswa mampu menjelaskan perkembangan Fuzzy Logic dari awal hingga ilmu terbaru dari

Fuzzy Logic hingga Type-2 FLS dan Fuzzy Logic Controller

Tujuan Instruksional Khusus :

1. Mahasiswa dapat menyebutkan sejarah dan definisi dari Fuzzy Logic

2. Mahasiswa mampu menjelaskan metode dan penerapan Fuzzy Logic

3. Mahasiswa mampu membuat aplikasi berbasis Fuzzy Logic dan Fuzzy Logic Controller

8.1 Pendahuluan: Fuzzy Logic

Fuzzy logic pertama kali diperkenalkan oleh Lotfi A. Zadeh, seorang profesor dari University of California.

Gambar 8.1 Lotfi A. Zadeh

Fuzzy logic memiliki derajat keanggotaan dalam rentang 0 (nol) hingga 1 (satu), berbeda dengan

logika digital atau diskrit yang hanya memiliki dua nilai yaitu 1 (satu) atau 0 (nol). Logika fuzzy digunakan untuk

menerjemahkan suatu besaran yang diekspresikan menggunakan bahasa (linguistic), misalkan besaran

kecepatan laju kendaraan yang diekspresikan dengan pelan, agak cepat, cepat dan sangat cepat. Fuzzy logic

dapat e golah ilai a g tidak pasti e upa atasa , sepe ti sa gat , sedikit , ku a g le ih . Ma usia dapat de ga udah e ga tika kali at “a a pe gi se e ta saja , u gki se e ta isa sela a atau

e it. Ko pute tidak e ge ti ilai asli da i kata se e ta . De ga fuzzy logic, komputer dapat mengolah

ketidakpastian tersebut, sehingga dapat digunakan untuk memutuskan sesuatu yang membutuhkan

kepintaran manusia dalam penalaran.

Fuzzy logic pertama kali diperkenalkan oleh Jan Lukasiewicz pada tahun 1920-an sebagai teori

kemungkinan. Logika kemungkinan ini memperluas jangkauan dari nilai kebenaran untuk semua bilangan riil

pada interval antara 0 dan 1. Selanjutnya diteliti lebih lanjut oleh Max Black pada tahun 1930an dalam

penelitiannya tentang ketidakjelasan (vagueness): sebuah latihan pada analisis logis. Pada tahun 1965,

profesor dan kepala departemen teknik elektrik di University of California di Berkeley, Lotfi Zadeh,

menemukan kembali, mengidentifikasi, mengeksplorasi, mempromosikan dan berjuang untuk fuzzy logic.

Professor Zadeh memperluas ruang kerja teori kemungkinan menjadi sistem logika matematika formal, dan

konsep baru untuk mengaplikasikan istilah bahasa alami pada penelitiannya yaitu Fuzzy sets . Logika baru ini

dinamakan fuzzy logic. Fuzzy logic banyak digunakan karena fuzzy logic mirip dengan cara berpikir manusia.

Sistem fuzzy logic dapat merepresentasikan pengetahuan manusia dalam bentuk matematis dengan

menyerupai cara berpikir manusia.

8.2 Kelebihan dan Kekurangan Fuzzy Logic

Fuzzy logic memiliki banyak kelebihan, yaitu dapat mengontrol sistem yang kompleks, non-linier, dan

sistem yang sulit direpresentasikan secara matematis. Berikut beberapa alasan menggunakan fuzzy logic:

Konsep fuzzy logic mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat

sederhana dan mudah dimengerti.

Fuzzy logic sangat fleksibel.

Fuzzy logic memiliki toleransi terhadap data-data yang tidak tepat.

Fuzzy logic mampu memodelkan fungsi-fungsi non linear yang sangat kompleks

Fuzzy logic dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung

tanpa harus melalui pelatihan.

Fuzzy logic dapat bekerjasama dengan teknik-teknik kendali secara konvensional.

Fuzzy logic didasarkan pada bahasa alami.

8.3 Aplikasi Fuzzy Logic

Teori ini banyak digunakan di berbagai bidang seperti bidang teknologi, bidang industri, bidang bisnis,

bidang manajemen, bidang pertanian, bidang transportasi, maupun bidang medis. Berbagai contoh aplikasi

fuzzy logic adalah :

Pada bidang industri, fuzzy logic digunakan untuk menghasilkan service robot untuk melayani manusia.

Di bidang bisnis, fuzzy logic digunakan untuk memperkirakan naik turunnya harga saham di pasar, atau

memperkirakan keuntungan penjualan selanjutnya.

Sedangkan pada bidang manajemen fuzzy logic juga dimanfaatkan untuk sistem penggajian karyawan. Dengan

adanya sistem, maka karyawan dapat menerima gaji yang sesuai dengan yang karyawan tersebut kerjakan

karena sistem menggunakan mesin.

Dalam lingkungan sehari-hari, fuzzy logic juga banyak ditemukan pada mesin cuci dan pemanas ruangan.

Fuzzy logic juga telah masuk dalam bidang pertanian yang digunakan untuk meramal cuaca sebelum para

petani mulai menanam. Sehingga petani tahu kapan harus memulai menanam agar mendapat hasil yang

maksimal.

8.4 Konsep Fuzzy Logic

Seperti logika klasik, fuzzy logic berkaitan dengan kebenaran proposisi. Namun, proposisi di dunia

nyata sering hanya sebagian benar. Selain itu, sering digunakan istilah-istilah, yang tidak didefinisikan secara

jelas. Contohnya, sulit u tuk e gga a ka ke e a a I a sudah tua e ilai e a atau salah jika Joh berumur 60 tahun. Dalam beberapa hal, John pada 60 tahun sudah cukup tua untuk memenuhi syarat untuk

mendapat keuntungan warga senior di berbagai segi, tetapi dalam hal lain, John tidak cukup tua karena dia

tidak e e uhi s a at ja i a sosial. Jadi, dipe luka ilai ke e a a da i I a sudah tua u tuk e dapat nilai antara [0,1], tidak hanya 0 atau 1.

(a) (b)

Gambar 8.2 (a) Konsep Logika Boolean (b) Konsep Fuzzy Logic

Tidak seperti logika Boolean yang memiliki 2 nilai, fuzzy logic terdiri dari banyak nilai. Fuzzy logic

menangani derajat keanggotaan dan derajat kebenaran. Fuzzy logic menggunakan nilai berkelanjutan antara 0

(sepenuhnya salah) dan 1 (sepenuhnya benar). Tidak hanya hitam dan putih, fuzzy logic mencakup spektrum

warna, menandakan bahwa elemen-elemen bisa sebagian benar dan sebagian salah pada waktu yang sama.

Himpunan Fuzzy

Himpunan fuzzy adalah kumpulan prinsip matematik sebagai penggambaran pengetahuan berdasarkan

derajat keanggotaan daripada menggunakan derajat rendah dari logika biner klasik. Sebuah himpunan fuzzy

adalah sebuah himpunan yang mengandung elemen-elemen yang mempunyai derajat keanggotaan yang

bervariasi dalam himpunan. Ini berlawanan dengan himpunan klasik karena anggota dari sebuah himpunan

klasik tidak mungkin menjadi anggota kecuali memiliki derajat keanggotaan penuh dalam himpunan. Karena

elemen-elemen di sebuah himpunan fuzzy tidak perlu lengkap, maka elemen-elemen tersebut juga bisa masuk

menjadi anggota himpunan fuzzy yang lain pada semesta yang sama. Himpunan konvensional dapat dituliskan

dalam bentuk matematis, sebagai berikut:

�� = { � � (8.1)

Gambar 8.4 Himpunan Konvensional

Co toh da i teo i hi pu a fuzz adalah o a g ti ggi . Ele e -ele e da i hi pu a o a g ti ggi adalah semuanya manusia, tetapi derajat keanggotaannya bergantung pada tinggi orang tersebut. Sebagai

contoh, Mark memiliki tinggi 205 cm dan memiliki derajat 1, dan Peter dengan tinggi 152 cm mendapat

derajat 0. Semua orang yang memiliki tinggi menengah punya derajat tengah. Mereka sebagian tinggi. Jelas

saja, setiap orang bisa mempunyai pandangan berbeda untuk menentukan seseorang sebagai tinggi. Jika

dita a apakah o a g itu ti ggi? da di e ika atasa . O a g ti ggi e ada di atas da o a g tidak ti ggi e ada di a ah . Jika dita a se e apa ti ggi o a g itu? , ja a a a adalah agia kea ggotaa dala hi pu a fuzz , o toh To , ti ggi . Pada gambar 8.4 di atas, jika David

e iliki ti ggi , aka Da id aka la gsu g e jadi o a g tidak ti ggi . Namun, jika David memiliki

ti ggi , aka Da id aka e jadi o a g ti ggi .

Himpunan fuzzy adalah himpunan yang memiliki batas fuzzy. Ide dasar dari teori himpunan fuzzy

adalah bahwa sebuah elemen termasuk dalam sebuah himpunan fuzzy dengan derajat keanggotaan tertentu,

dimana tidak hanya bernilai benar atau salah (0 atau 1), melainkan bisa saja sebagian benar atau sebagian

salah untuk derajat tertentu. Derajat ini biasanya diambil dari nilai riil dalam interval [0,1]. Derajat

keanggotaan fuzzy tersebut dapat dinotasikan sebagai berikut:

�� ={ � �< �� < , � (8.2)

Gambar 8.5 Himpunan Fuzzy

Tall

Tall

Pada gambar 8.5, David yang memiliki tinggi 179 cm, tidak dapat dikatakan tidak termasuk dalam

hi pu a o a g tidak ti ggi . Na u o a g te se ut e iliki ilai , ti ggi . A ti a o a g te se ut asuk dala hi pu a ti ggi de ga de ajat kea ggotaa , .

Fungsi Keanggotaan

Tingkat keanggotaan �� memetakan objek atau atributnya (x) ke bilangan riil positif pada interval

[0,1]. Karena karakteristik pemetaannya seperti sebuah fungsi, maka disebut sebagai fungsi keanggotaan.

Definisi formalnya adalah:

“e uah fu gsi kea ggotaa �� dikarakteristikkan dengan pemetaan �� ->[ . ], ε X dimana x adalah

sebuah bilangan riil yang mendeskripsikan sebuah objek atau atributnya dan x adalah semesta pembicaraan

dan A adalah hi pu a agia da i

Contoh:

Pertimbangan masalah untuk mendefinisikan la at , seda g , da epat de ga fu gsi kea ggotaa . “e aki dekat ke epata se uah e da ke , aka se aki esa kea ggotaa a e jadi la at .

Gambar 8.6 Fungsi Keanggotaan dari Variabel Linguistik Kecepatan

Fungsi keanggotaan adalah pemetaan sebuah elemen x pada semesta nilai keanggotaan menggunakan

sebuah bentuk fungsi teoritis. Pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis

lurus. Terdapat 2 bentuk, yaitu representasi linear naik dan turun.

1. Representasi Kurva Linear

Pada kurva representasi linear naik di atas, himpunan dimulai pada nilai domain yang memiliki derajat

keanggotaan [0] dan bergerak ke kanan menuju domain dengan derajat keanggotaan yang lebih tinggi. Fungsi

keanggotaannya adalah:

Pada kurva representasi linear turun di atas, himpunan dimulai pada nilai domain yang memiliki

derajat keanggotaan dan bergerak ke kanan menuju domain dengan derajat keanggotaan yang lebih rendah.

Fungsi keanggotaannya adalah:

2. Representasi Kurva Bentuk Bahu

Daerah yang terletak pada sisi kanan dan kiri yang tidak mengalami perubahan, yang digunakan untuk

mengakhiri variabel suatu daerah fuzzy.Pada bahu kiri kurva bergerak dari benar ke salah, dan pada bahu

kanan kurva bergerak dari salah ke benar. Penalaran pada sistem berbasis aturan, jika anteseden bernilai

benar, maka konsekuen juga bernilai benar. Pada sistem fuzzy, dimana anteseden adalah pernyataan fuzzy.

Jika anteseden bernilai benar pada beberapa derajat keanggotaan, maka konsekuennya juga bernilai benar

pada derajat yang sama. Penalaran ini disebut dengan penalaran monoton. Penalaran monoton ini sudah

jarang digunakan, dimana nilai output dapat diestimasi secara langsung berdasar pada derajat keanggotaan

dari antesedennya.

Gambar 8.7 Penalaran Monoton dari Tinggi Badan ke Berat Badan

8.5 Metode Mamdani

Teknik inferensi fuzzy yang paling umum digunakan adalah metode Mamdani. Metode ini lebih sering

dikenal dengan nama Metode Max-Min. Pada metode Mamdani, terdapat 4 tahap untuk mendapatkan

output, yaitu:

1. Fuzzification

Fuzzification adalah langkah pertama dari metode Mamdani, yang bertugas mengambil nilai input

berupa nilai renyah (crisp), dan menentukan derajat dari input sehingga input dapat dikelompokkan pada

himpunan fuzzy yang tepat. Fuzzification adalah proses membuat bilangan renyah memiliki nilai fuzzy. Pada

tahap pertama ini, nilai input yang berupa nilai crisp akan dikonversikan menjadi nilai fuzzy, sehingga dapat

dikelompokkan pada himpunan fuzzy tertentu.

2. Rule Evaluation

Langkah kedua adalah mengambil nilai input yang telah difuzzifikasikan dan mengaplikasikan ke

dalam antecedents pada aturan-aturan fuzzy lalu diimplikasikan. Fungsi implikasi yang digunakan adalah Min.

3. Rule Aggregation

Aggregasi aturan adalah proses dari penggabungan nilai keluaran dari semua aturan. Pada tahap ini,

digunakan metode Max, dimana solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum

aturan, yang kemudian digunakan untuk memodifikasi daerah fuzzy.

4. Defuzzification

Langkah terakhir dari proses inferensi fuzzy adalah untuk mengkonversi nilai fuzzy hasil dari aggregasi

aturan ke dalam sebuah bilangan renyah. Metode yang paling umum digunakan untuk metode inferensi fuzzy

Mamdani adalah metode Centroid (Centre of gravity / COG).

8.6 Case Study: Fuzzy Logic pada Expert Mood Identifier System

Contoh penerapan fuzzy logic ialah pada sistem pendeteksi kegalauan bernama Expert Mood

Identifier System. Berikut ini contoh rancangan diagram fuzzy antara lain faktor banyaknya makan dan tidur

dalam sehari, aktivitas sosial dan status hubungan dengan kekasihnya.

Gambar 8.8 Diagram Fuzzy LogicEating

Diagram di atas menunjukkan pola makan seseorang beberapa hari terakhir dalam sehari. Apabila

user menjawab 0-2 kali, maka jumlah makan orang tersebut sedikit. Apabila user menjawab 1-5 kali, maka

jumlah makan orang tersebut normal. Apabila user menjawab 3-6 kali, maka jumlah makan orang tersebut

banyak.

Gambar 8.9 Diagram Fuzzy Logic Sleeping

Diagram di atas menunjukkan pola tidur seseorang beberapa hari terakhir dalam sehari. Apabila user

menjawab 0-6 kali, maka jumlah tidur orang tersebut sedikit. Apabila user menjawab 4-11 kali, maka jumlah

tidur orang tersebut normal. Apabila user menjawab 9-12 kali, maka jumlah tidur orang tersebut banyak.

Gambar 8.10 Diagram Fuzzy LogicDaily

Diagram di atas menunjukkan hasil penilaian sistem untuk tingkat mood dilihat dari kesehariannya.

Apabila hasilnya 0-30, maka tingkat mood user normal. Apabila hasilnya 15-60, maka tingkat mood user buruk.

Apabila hasilnya 45-85, maka tingkat mood user lebih buruk. Apabila hasilnya 75-100, maka tingkat mood user

sangat buruk.

Gambar 8.11 Diagram Fuzzy LogicSocial Will

Diagram di atas menunjukkan penilaian user terhadap keinginan untuk bertemu dengan orang lain

selain keluarga. Apabila user menjawab 0-4, maka keinginannya rendah. Apabila user menjawab 3-8, maka

keinginannya normal. Apabila user menjawab 7-10, maka keinginannya tinggi.

Gambar 8.12 Diagram Fuzzy LogicSocial Intensity

Diagram di atas menunjukkan penilaian user terhadap intensitas pertemuan dengan orang lain selain

keluarga. Apabila user menjawab 0-4, maka intensitasnya rendah. Apabila user menjawab 3-8, maka

intensitasnya normal. Apabila user menjawab 7-10, maka intensitasnya tinggi.

Gambar 8.13 Diagram Fuzzy LogicDressing Up

Diagram di atas menunjukkan penilaian user terhadap penampilannya. Apabila user menjawab 0-4,

maka penampilannya berantakan. Apabila user menjawab 3-8, maka penampilannya normal. Apabila user

menjawab 7-10, maka penampilannya rapi.

Gambar 8.14 Diagram Fuzzy LogicBroken Heart

Diagram di atas menunjukkan hasil penilaian sistem untuk tingkat patah hati seseorang. Apabila

hasilnya 0-30, maka tingkat patah hati user rendah. Apabila hasilnya 15-60, tingkat patah hati user sedang.

Apabila hasilnya 45-85, tingkat patah hati user tinggi. Apabila hasilnya 75-100, tingkat patah hati user sangat

tinggi.

Gambar 8.15 Diagram Fuzzy Logic Income

Diagram di atas menunjukkan penilaian user terhadap pendapatannya. Apabila user menjawab 0-5,

maka pendapatannya rendah. Apabila user menjawab 3-8, maka pendapatannya sedang. Apabila user

menjawab 7-10, maka pendapatannya tinggi.

Gambar 8.16 Diagram Fuzzy LogicOutcome

Diagram di atas menunjukkan penilaian user terhadap pengeluarannya. Apabila user menjawab 0-5,

maka pengeluarannya rendah. Apabila user menjawab 3-8, maka pengeluarannya sedang. Apabila user

menjawab 7-10, maka pengeluarannya tinggi. Dalam perancangan sistem fuzzy logic, terdapat beberapa rule

untuk mendapatkan kesimpulan mengenai hasil nilai yang nantinya akan didapatkan oleh user, rule-rule

tersebut adalah sebagai berikut :

Daily Rule:

IF Eating is less AND Sleeping less THEN Daily is worst

IF Eating is less AND Sleeping is normal THEN Daily is worse

IF Eating is less AND Sleeping is more THEN Daily is worst

IF Eating is normal AND Sleeping is less THEN Daily is bad

IF Eating is normal AND Sleeping is normal THEN Daily is normal

IF Eating is normal AND Sleeping is more THEN Daily is bad

IF Eating is more AND Sleeping is less THEN Daily is worst

IF Eating is more AND Sleeping is normal THEN Daily is worse

IF Eating is more AND Sleeping is more THEN Daily is worst

Broken Heart Rule:

IF Social Will is low AND Social Intensity is seldom AND Dressing Up is mess THEN Broken Heart is very high

IF Social Will is low AND Social Intensity is seldom AND Dressing Up is plain THEN Broken Heart is high

IF Social Will is low AND Social Intensity is seldom AND Dressing Up is good THEN Broken Heart is medium

IF Social Will is low AND Social Intensity is sometimes AND Dressing Up is mess THEN Broken Heart is high

Gambar 8.17 merupakan halaman utama dari aplikasi. Disini user dapat menguji tanda-tanda yang

ada untuk mengetahui apakah tanda itu mempengaruhi mood-nya atau tidak. User harus menjawab tujuh

buah pertanyaan yang ditampilkan di layar. Setelah selesai, user harus menekan tombol Result untuk

mengetahui hasil diagnosis dari aplikasi. Pertanyaan dijawab hanya dengan memilih angka pada combobox

yang sudah tersedia. Tombol Next untuk menyelesaikan pertanyaan-pertanyaan yang disediakan, tombol Try

Again untuk mengulang pertanyaan dari awal apabila tidak yakin dengan Result akhir yang dihasilkan dan

tombol Main Menu untuk kembali ke menu pada tampilan awal.

Gambar 8.17 Halaman Diagnosis Pemilihan Jawaban

Metode lainnya seperti Type-2 Fuzzy Logic System(FLS) [3][4] mampu mengadopsi ketidakpastian

dengan lebih baik. Type-2 FLS diperkenalan juga ole Zadeh yang menyediakan desain derajat kebebasan pada

system Mamdani dan TSK yang sangat berguna ketika system dalam situasi dimana banyak ketidakpastian

muncul. Sistem ini menggantikan Fuzzy logic yang ternyata tidak mampu mengadopsi ketidakpastian dengan

baik. Gambar di bawah meanmpilkan blok diagram Type-2 FLS

Gambar 8.18 Type-2 Fuzzy Logic System

Gambar 8.19 IT2 Fuzzy logic system. UMF adalah upper membership function, LMP adalah lower

membership function. Area diarsir merupakan footprint of uncertainty (FOU)

Fuzzy logic controller (FLC) juga diterapkan pada sistem kendali dan sistem cerdas pada pesawat. Untuk

fuzifikasi, 3 variabel FLC yaitu error (er), output Per dan Ier seperti gambar di bawah:

Gambar 8.20 Fuzzy Logic Controller

Latihan:

1. Rancang desain fuzzy pengatur suhu AC.

2. Pelajari mengenai Fuzz Logic Controller untuk balancing robot.

3. Butlah program Interval Type-2 Fuzzy Logic controller

Referensi

1. Negnevitsky M., Artificial Intelligence: A Guide to Intelligent Systems, 2nd Edition, 2005

2. Widodo Budiharto, The Novel Method of Adaptive Multiplayer Games for Mobile Application using

Neural Networks, International Journal of Mobile Computing and Multimedia Communications, 5(1),

10-24, January-March 2013, USA.

3. Mendel, J., Advances In Type-2 Fuzzy Sets and Systems, Information Sciences, pp. 84-110, 2007

4. Jerry M. Mendel, Interval Type-2 Fuzzy Logic Systems Made Simple,IEEE TRANSACTIONS ON FUZZY

SYSTEMS, VOL. 14, NO. 6, DECEMBER 2006.