Contoh Logika Fuzzy Dalam Kehidupan Sehari Hari

Contoh Logika Fuzzy Dalam Kehidupan Sehari Hari – 2 Logika Fuzzy Logika fuzzy adalah perpanjangan dari logika Boolean dan teori probabilitas dalam matematika diskrit yang berhubungan dengan ambiguitas keputusan. Logika kompleks umumnya diterapkan pada masalah yang mengandung unsur ambiguitas, ketidakpastian, kebisingan, dll. Logika abstrak dikembangkan berdasarkan presisi untuk menekankan bahasa manusia (bahasa alami) dan makna atau makna (signifikansi).

Seseorang disebut “tinggi” jika tinggi badannya lebih dari 1,7 meter. Bagaimana dengan orang yang tingginya 1 meter atau 1,65 meter termasuk dalam kategori orang tinggi? Dari sudut pandang manusia, seseorang yang tingginya sekitar 1,7 meter dikatakan “kurang lebih” atau “cukup tinggi”. Kecepatan “lambat” didefinisikan sebagai kurang dari 20 km/jam. Bagaimana dengan kecepatan km/jam, apakah bisa disebut lambat? km per jam Orang mungkin mengatakan langkahnya “lambat”. Ketidakpastian dalam situasi ini muncul dari makna yang tidak jelas seperti “sedikit”, “kurang lebih”, “sedikit”.

Contoh Logika Fuzzy Dalam Kehidupan Sehari Hari

Konsep logika fuzzy mudah dipahami. Konsep matematika berbasis logika fuzzy sangat sederhana dan mudah dipahami. Logika fuzzy sangat fleksibel. Logika fuzzy mentolerir data yang salah. Logika fuzzy dapat menyelesaikan tugas yang kompleks dan tidak biasa. Logika fuzzy dapat membangun dan menggunakan pengalaman data. Logika fuzzy dapat bekerja dengan metode kontrol konvensional tanpa peneliti melalui proses pelatihan secara langsung

Monitoring Dan Kendali Peralatan Elektronik Menggunakan Logika

Riset operasi = perencanaan dan pemodelan, produksi dan alokasi biaya, pengambilan keputusan. Sosiologi = model pengetahuan kontingen, kriminologi. Psikologi = analisis perilaku dan kepribadian manusia, kriteria klasifikasi sifat manusia Kesehatan = penentuan berat badan yang sesuai untuk tinggi badan, penentuan tingkat penyakit berdasarkan ukuran dan pengalaman pasien Teknologi = otomatisasi, desain jaringan komputer Matematika = regresi kuantitatif / kualitatif ke variabel kualitatif, kontrol mengemudi, analisis klaster

Himpunan tegas adalah himpunan yang menentukan validitas suatu elemen dalam himpunan yang telah ditentukan. Himpunan tegas hanya memiliki dua nilai: nilai 1 berarti ia adalah anggota himpunan. Nilai 0 berarti bukan anggota himpunan.

Himpunan kompleks adalah himpunan yang menentukan apakah suatu objek merupakan bagian dari dua himpunan yang berbeda. Himpunan kompleks memiliki dua properti: bahasa = penunjukan keadaan atau kelompok keadaan dengan bilangan bahasa alami = nilai yang menunjukkan ukuran variabel.

Variabel Fuzzy: Variabel yang akan dibahas dalam sistem fuzzy. (Contoh: Umur, Suhu, Permintaan, Persediaan, Produk, dll.) Ekspresi Universal: Semua nilai dapat dimanipulasi dengan variabel implisit. (Contoh: ekspresi variabel usia [0, +∞], ekspresi perubahan suhu [-20, 40]) Domain: semua nilai ekspresi yang mungkin dan dapat disetel. (Contoh: usia [0, 25], usia [20, 55], usia [45, +∞] Fungsi keanggotaan: Fungsi kurva yang mewakili titik data untuk derajat nilai keanggotaan (sering disebut keanggotaan) berkisar dari 0 ke 1

Aplikasi Fuzzy Inference System Dengan Metode Sugeno Untuk

Sejajarkan Kurva Segitiga Kurva Segitiga Kurva Sigmoid Sayap Kurva Beta Gaussian Turun

Sistem inferensi fuzzy (FIS) menarik kesimpulan dari seperangkat aturan yang kompleks. Dalam sistem inferensi fuzzy, minimal harus ada dua aturan fuzzy dengan nilai yang tajam, yaitu: masukan sistem inferensi fuzzy keluaran sistem inferensi fuzzy.

Ketik “Fuzzy” (tanpa tanda kutip) di jendela perintah dan editor FIS akan muncul sebagai berikut: Nilai Default untuk Inferensi Fuzzy di MATLAB: AND Method: Min OR Method: Absolute Input: Min Sum: Max Deactivation: Centroid

15 Contoh Kasus 1 Mekanik mobil dari PT. Yah Mahal ingin mengukur persentase performa rem dengan jarak antar sepeda motor yang diproduksinya. Pengemudi tahu bahwa jarak antar kendaraan diklasifikasikan menjadi tiga kategori: jarak pendek, menengah dan jauh. Pada saat yang sama, karakteristik pengereman kendaraan dibagi menjadi 3 lunak, sedang dan kasar. Pengereman dimungkinkan jika jarak antara kendaraan antara 0 dan 30 meter. Persentase kinerja rem bervariasi dari 0 hingga 100 persen tergantung pada cara pengemudi mengerem kendaraan. Jarak antar kendaraan berbanding terbalik dengan karakteristik kendaraan. Kisaran nilai klasifikasi jarak dan karakteristik pengereman antar kendaraan adalah dengan pemisahan maksimum yang didefinisikan sebagai berikut:

Sistem Keputusan Fuzzi Produksi Menggunakan Matlab

Jarak antar kendaraan Daftar kendaraan Standar jarak kontak berdasarkan karakteristik pengereman Daftar nilai pengereman Kisaran 0-0-15 Dekat 0-0-50 Genap Sedang Sedang Panjang Kasar Berdasarkan tabel di atas, jawablah pertanyaan berikut: Berapa jaraknya antar kendaraan menggunakan metode fuzzy mamdani Apakah persentase pengereman yang dilakukan seorang mekanik mobil untuk mengukur mobil ketika terlihat seperti 15 meter? Informasi apa yang tersedia? Berdasarkan pertanyaan nomor a, apa yang akan terjadi jika hasil di atas ditransformasikan menggunakan metode fuzzy Sugeno?

Di jendela perintah MATLAB, ketik Fuzzy – “DISTANCE” di kotak Name > “BREAKING” di kotak Output Name > Double klik kiri pada Input DISTANCE

Klik pada mf1 > Masukkan Nilai Dropdown [0 30] > Nama Nama “TUTUP” > Isi Parms [0 0 15] > Klik pada mf2 > Masukkan Nilai Pada Dropdown [0 30] > Nama Nama “MEDIUM”> Isi Parms [ ] > Klik pada mf3 > Masukkan nilai tarik turun [0 30] > Nama “Ayah” > Isi parms [0 0 15] Klik dua kali kiri untuk mengeluarkan rem

Klik pada Nama mf1 > Masukkan nilai di daftar dropdown [0 100] > Nama Beri nama “OK” > Isi Parms [0 0 50] > Klik nama mf2 > Masukkan nilai di daftar turun bawah [0 100] > Beri nama Nama ” MEDIUM “> Isi Parms [ ] > Klik pada nama mf3 > Masukkan nilai tarik turun [0 100] > Nama “RUDE” > Isi Parms [ ] Klik Edit > Aturan

Apa Itu Logika Fuzzy? Pengenalan Konsep Dasar Dan Aplikasinya

“JAUH” untuk JARAK> klik rem dan klik “FIN”> klik “MEDIUM” untuk kotak JARAK> klik kotak “MEDIUM” untuk rem> “TUTUP” untuk kotak JARAK> klik kotak dan Kemudian klik Rem “KASAR” ” Tutup Jendela Aturan > Tutup Jendela Klik Lihat > ​​Aturan untuk melihat hasil aturan aktivitas keanggotaan

21 Jawaban A Berdasarkan hasil sistem fuzzy dengan metode fuzzy Mamdani didapatkan persentase pengereman sebesar 50% jika jarak antar kendaraan 15 m (nilai input 15). Untuk menampilkan grafik permukaan, Anda dapat menggunakan menu View > Surface

22 Jawaban A Berdasarkan grafik di atas terlihat bahwa semakin besar jarak antar kendaraan maka semakin kecil persentase inkubasinya. Penurunan grafik tersebut menunjukkan adanya perbedaan karakteristik pengereman dimana klasifikasi jarak antar kendaraan tidak terlalu tajam. Berdasarkan grafik di atas, informasi apa lagi yang dapat Anda simpulkan selain informasi di atas?

23 Answer B Simpan hasil proses inferensi kompleks yang dibuat dengan menggunakan menu File > Export > Workspace and File. Beri nama, misalnya “Ikan”. Kemudian panggil fungsi berikut di jendela perintah: mamfis=readfis(‘fisken.fis’) sugfis=mam2sug(mamfis) writefis(sugfis, ‘sugken’) Kemudian kembali ke FIS Editor, ingat file yang disimpan bernama sugken. Gunakan menu File > Import > From File > Pilih file “sugken.fis”. Untuk melihat hasilnya, Anda dapat menggunakan menu View > Rules. Untuk melihat permukaan grafik, Anda dapat menggunakan menu View > Surface

Pemanfaatan Logika Fuzzy Dalam Kehidupan Sehari Hari

Jawaban B Berdasarkan hasil sistem inferensi fuzzy menggunakan metode fuzzy Sugeno didapatkan persentase pengereman sebesar 50% jika jarak antar kendaraan 15 m (nilai input 15).

Jawaban B Dengan menggunakan metode Sugeno berdasarkan grafik di atas, diketahui bahwa semakin besar jarak antar kendaraan maka semakin kecil persentase inkubasinya. Penurunan grafik menunjukkan bahwa klasifikasi jarak antar kendaraan memiliki variasi linier dalam karakteristik tapak.

26 Contoh 2 Sebuah perusahaan akan memperkirakan produksi suatu produk setiap bulannya. Untuk menentukan jumlah barang yang diproduksi digunakan metode fuzzy. Dalam hal ini, parameter inputnya adalah permintaan dan penawaran. Parameter produksi adalah jumlah barang yang akan diproduksi. Tabel di bawah ini menunjukkan variabel fuzzy yang dihasilkan dan domain masalah. Fungsi Variabel Nama Nilai Rentang Deskripsi Permintaan input [8 – 24] Jumlah permintaan per bulan per unit pengiriman [30 – 60] Jumlah persediaan produksi per unit per bulan [10 – 25] Permintaan akan diperinci seiring perubahan kuantitas produksi. Kompleks ditempatkan dalam tiga set, yaitu: sedikit, sedang dan banyak. Variabel persediaan diklasifikasikan menjadi tiga himpunan fuzzy, yaitu: sedikit, sedang dan banyak. Variabel kuantitas produksi diklasifikasikan menjadi dua himpunan fuzzy, yaitu: sedikit dan banyak. Setiap variabel pengganggu tercantum dalam tabel di slide berikutnya sebagai berikut:

Variable Feature Set Area INPUT Demand Rendah [8 – 24] [ ] Medium [ ] Banyak [ ] Parts [30 – 60] [ ] [ ] [ ] OUTPUT Product_Size [10 – 25] [ ] [ ] Aturan berikut digunakan Fuzzy Inference Sistem (FIS) 1. Output rendah jika permintaan rendah dan penawaran rendah 2. Output rendah jika permintaan rendah dan penawaran rendah 3. Output tinggi jika permintaan sedang dan penawaran tinggi 4. Jika permintaan tinggi dan suplai sedikit tinggi Produksi menurun 5. Jika permintaan tinggi dan suplai sedang dan produksi tinggi 6. Jika permintaan tinggi dan suplai tinggi maka output tinggi Gunakan metode Mamdani untuk menentukan jumlah barang. Jika produksi menjadi : – permintaan 18 unit dan penawaran 38 unit – permintaan -20 unit dan penawaran 40 unit permintaan 22 unit dan penawaran 52 unit b. Berdasarkan pertanyaan A, tentukan jumlah item

Inferensi Algoritma Fuzzy

Contoh kehidupan sehari hari, contoh sistem informasi dalam kehidupan sehari hari, contoh sejarah dalam kehidupan sehari hari, contoh logika fuzzy, contoh identitas nasional dalam kehidupan sehari hari, contoh sunnah rasul dalam kehidupan sehari hari, contoh recycle dalam kehidupan sehari hari, contoh al hasib dalam kehidupan sehari hari, aplikasi fuzzy logic dalam kehidupan sehari hari, contoh logika dalam kehidupan sehari hari, contoh logika matematika dalam kehidupan sehari hari, contoh katalis dalam kehidupan sehari hari

You May Also Like

About the Author: detik