Sistem Inferensi Fuzzy: Gambaran Umum, Aplikasi, Karakteristik, Struktur & Keunggulan

Sistem inferensi fuzzy adalah unit kunci dari sistem logika fuzzy. Struktur khas dari sistem inferensi fuzzy terdiri dari berbagai blok fungsional. Ia menggunakan metode baru untuk memecahkan masalah sehari-hari.

Sistem inferensi fuzzy dapat berupa paradigma komputer yang didukung oleh teori himpunan fuzzy, aturan fuzzy jika-maka, dan penalaran fuzzy. Pemetaan nonlinier yang mendapatkan outputnya dari penalaran fuzzy dan sekelompok aturan fuzzy if-then. Domain dan jangkauan pemetaan dapat berupa himpunan atau titik fuzzy dengan spasi multidimensi.

Sistem inferensi fuzzy adalah sistem yang menggunakan teori himpunan fuzzy untuk memetakan input ke output.

Aplikasi FIS

Sistem inferensi fuzzy digunakan di berbagai bidang, misalnya, urutan informasi, pemeriksaan pilihan, sistem master, prakiraan pengaturan waktu, mekanika tingkat lanjut, dan contoh pengakuan. Ini juga disebut sistem berbasis aturan fuzzy, model fuzzy, pengontrol logika fuzzy, sistem pakar fuzzy, dan memori asosiatif fuzzy.

Ini adalah unit vital dari sistem logika fuzzy yang berhubungan dengan pengambilan keputusan dan memilih tugas-tugas penting. Ini menggunakan "JIKA ... . Kemudian" mengarah di samping konektor "DAN" "ATAU" untuk menggambar standar pilihan dasar.

Karakteristik sistem Inferensi Fuzzy

• Hasil dari FIS secara konsisten merupakan himpunan fuzzy terlepas dari inputnya yang dapat kabur atau tajam.
• Hal ini diperlukan untuk memiliki keluaran fuzzy ketika digunakan sebagai pengontrol.
• Unit defuzzifikasi akan menyertai FIS untuk mengubah variabel fuzzy menjadi variabel tegas.

Struktur Sistem Inferensi Fuzzy

Struktur penting dari sistem inferensi fuzzy terdiri dari tiga entitas:

• Basis aturan yang berisi aturan fuzzy
• Database (atau kamus), yang berisi fungsi partisipasi yang digunakan dalam aturan fuzzy.
• Mekanisme penalaran yang melakukan induksi yang dibuat atas pedoman dan fakta-fakta yang diberikan untuk menyimpulkan suatu keluaran atau kesimpulan yang masuk akal.

Sumber

Apa itu Defuzzifikasi?

Defuzzifikasi adalah ekstraksi nilai yang mewakili himpunan fuzzy.

Metode defuzzifikasi:

1. Pusat daerah
2. Pembagi wilayah
3. Rata-rata dari maks
4. terkecil dari maks
5. Terbesar dari maks

Adalah wajib untuk memiliki output yang tajam dalam beberapa kasus di mana kita menggunakan sistem interferensi sebagai pengontrol.

Baca Juga: Ide Proyek Pembelajaran Mesin

Input dan Output Sistem Inferensi Fuzzy

• Sistem inferensi fuzzy fundamental dapat mengambil input fuzzy atau input tajam, namun hasil yang dihasilkannya cukup sering berupa himpunan fuzzy.
• Terkadang penting untuk memiliki keluaran yang tajam, terutama dalam situasi di mana sistem inferensi fuzzy digunakan sebagai pengontrol.
• Oleh karena itu, diperlukan suatu teknik defuzzifikasi untuk mengeluarkan nilai crisp untuk merepresentasikan himpunan fuzzy.

Diagram blok untuk Sistem Inferensi Fuzzy dengan Output Crisp

Sistem Inferensi Fuzzy Populer (Model Fuzzy)

1. Model Fuzzy Mamdani
2. Model Fuzzy Sugeno

Perbedaan inti antara sistem inferensi fuzzy ini adalah dalam konsekuensi dari aturan fuzzy mereka, dan prosedur konglomerasi dan defuzzifikasi yang membedakannya.

1. Model Fuzzy Ebrahim Mamdani

Ini adalah sistem inferensi fuzzy yang paling banyak digunakan.

Profesor Mamdani membuat salah satu sistem fuzzy utama untuk mengontrol motor uap dan campuran ketel. Dia menerapkan aturan fuzzy yang diajukan oleh operator manusia yang berpengalaman.

Langkah-langkah untuk Menghitung Output

Kemajuan berikut harus diikuti untuk menghitung output dari FIS ini

Langkah 1: Memutuskan sekelompok prinsip fuzzy

Langkah 2: Mengaburkan input dengan elemen partisipasi info

Langkah 3: Menggabungkan input fuzzified sesuai dengan pedoman fuzzy untuk menemukan kekuatan standar

Langkah 4: Menemukan efek lanjutan dari standar dengan meringkas kekuatan standar dengan kerja partisipasi hasil

Langkah 5: Menggabungkan hasil untuk mendapatkan penyampaian hasil

Langkah 6: Melakukan defuzzifikasi dari dispersi keluaran

Dua Aturan Mamdani dengan Operator Min dan Maks

FIS Mamdani menggunakan min dan max untuk T-norma dan S-norma, tunduk pada dua input tajam x dan y.

Gerbang Penelitian

Dua Aturan Mamdani FIS dengan Operator Max dan Produk

FIS Mamdani menggunakan produk dan maks untuk norma-T dan norma-S, tunduk pada dua input tajam x dan y.

Gerbang Penelitian

Komposisi Mamdani dari tiga keluaran fuzzy SISO

2. Model Fuzzy Sugeno

Model ini diusulkan oleh Takagi, Sugeno, dan Kang.

Untuk mengembangkan pendekatan ilmiah untuk menghasilkan aturan fuzzy dari sekumpulan data input-output yang diberikan.

Format aturan ini diberikan sebagai:

JIKA x adalah A dan y adalah B; Z = f(x,y)

Di sini, AB adalah himpunan fuzzy di anteseden, dan z= f(x, y) adalah fungsi tegas di dalam konsekuen.

Model fuzzy sugeno orde nol yang paling umum digunakan menerapkan aturan fuzzy dalam bentuk berikut:

JIKA x adalah A DAN y adalah B; z adalah k

Dimana k adalah konstanta

Dalam hal ini, output dari setiap aturan fuzzy adalah konstan, dan setiap fungsi keanggotaan konsekuen direpresentasikan oleh singleton spikes.

Jadi,

• Model fuzzy Sugeno orde pertama: f(x, y) – polinomial orde pertama
• Model fuzzy Sugeno orde-nol: f – konstan

Prosedur penalaran fuzzy untuk Model Fuzzy Sugeno orde pertama

Sistem inferensi fuzzy di bawah metode Sugeno Fuzzy bekerja dengan cara berikut-

Langkah 1: Fuzzifying input- input dari sistem dibuat fuzzy.

Langkah 2: Menerapkan operator fuzzy- operator fuzzy harus diterapkan untuk mendapatkan output.

Format Aturan

Format aturan bentuk Sugeno-

Jika 7 = x dan 9 = y; keluarannya adalah z = ax+by+c

Sistem inferensi fuzzy Sugeno sangat mirip dengan metode Mamdani.

Hanya mengubah konsekuensi aturan: alih-alih himpunan fuzzy, gunakan fungsi matematika dari variabel input.

Bagaimana Memutuskan Apakah Akan Menerapkan- Sistem Inferensi Fuzzy Mamdani atau Sugeno?

• Teknik Mamdani secara luas diakui untuk menangkap pengetahuan dan informasi ahli. Ini memungkinkan kita untuk menggambarkan keterampilan dengan cara yang lebih naluriah, lebih mirip manusia.

Namun, inferensi fuzzy tipe Mamdani memerlukan beban komputasi yang cukup besar.

• Di sisi lain, metode Sugeno layak secara komputasi. Ini berfungsi secara efektif dengan kemajuan dan prosedur serbaguna sehingga sangat menarik dalam masalah serbaguna, terutama untuk kerangka kerja nonlinier dinamis.

Keuntungan Sistem Inferensi Fuzzy

Kesimpulan

Sistem inferensi fuzzy memudahkan mekanisasi tugas apa pun. Inilah sebabnya mengapa sistem inferensi fuzzy telah menemukan aplikasi yang sukses di berbagai bidang seperti robotika, pengenalan pola, prediksi seri, dll.

Pelajari Sistem Inferensi Fuzzy dengan upGrad

upGrad menawarkan kursus ekstensif dalam Master of Science di bidang Ilmu Komputer di mana Anda dapat mengasah keterampilan Anda dan mendorong karir Anda dalam pengembangan perangkat lunak.

Seorang kandidat dapat memilih salah satu dari enam spesialisasi unik yang relevan dengan industri. Ini mensyaratkan calon kandidat untuk:

• Pastikan penempatan
• Dibimbing oleh pakar industri
• Akses peluang kerja secara global
• Bekerja pada proyek dan tugas langsung
• Pelajari subjek dari ujung ke ujung

Pelajari Kursus ML dari Universitas top Dunia. Dapatkan Master, PGP Eksekutif, atau Program Sertifikat Tingkat Lanjut untuk mempercepat karier Anda.