Contoh Program Delta Rule C# Visual Studio

Contoh Program Delta Rula C# Visual Studio

Bismillah...
Setelah kemaren saya ngepost tentang FLC (Fuzzy Logic Control), pada kesempatan kali ini sya akan share salah satu contoh dari ANN (Artificiall Neural Network) atau JST (Jaringan Syaraf Tiruan)...
singkat kata, JST adalah sebuah program yang meniru jaringan syaraf manusia untuk mengenali suatu pola. Lebih jelasnya tentang JST, silakan searching sendiri yaa... karena disini sya cuman mau ngeshare contoh programnya aja...
untuk membuat program JST, ada beberapa metode yang bisa digunakan, contohnya ; Metode McCulloch, Metode Hebbian (Hebb), Metode Perceptron, Metode Delta Rule, Metode Backpropagation, dll...

nah,,, pada kesempatan kali ini sya akan share contoh program Delta Rule yang saya buat dengan menggunakan Visual Studio 2012 dengan bahasa C# (C Sharp)...

ini dia screenshootnya..


teruss... ini dia source code lengkapnya :

Program Logika Fuzzy Metode Mamdani Menggunakan Visual Studio 2012 Bahasa C#

Melanjutkan artikel yang lalu yaitu Contoh Program Logika Fuzzy Metode Tsukamoto Menggunakan Visual Studio,
pada artikel kali ini kita masih membahas mengenai Fuzzy Logic Controll, namun pada artikel kali ini kita akan menggunakan METODE MAMDANI...
Secara Prinsip metode Mamdani tidak jauh berbeda dengan metode Tsukamoto, hanya aja dalam metode Mamdani memiliki langkah penyelesaian yang lebih rumit. Dalam Metode Mamdani, terdapat 4 langkah penyelesaian, yaitu:
1. Fuzzyfikasi, pembentukan himpunan fuzzy
2. Aplikasi Fungsi Implikasi, dalam metode Mamdani fungsi implikasi yang digunakan adalah MIN
3. Komposisi Aturan, terdapat 3 metode: yaitu, MAX, SUM, PROBOR, misalnya jika kita menggunakan komposisi aturan MAX dan menggunakan fungsi implikasi MIN, maka komposisi ini disebut MIN-MAX, MAX-MIN, atau MAMDANI
4. Defuzzyfikasi,
jika ingin tahu lebih jauh, silakan googling sendiri ya... :p

Pada program berikut ini, kita akan membuat program mesin cuci fuzzy sederhana untuk menentukan waktu pencucian yang efektif berdasarkan masukan jumlah pakaian dan tingkat kekotoran pakaian. Software yang digunakan untuk membuat program ini adalah Visual Studio 2012 dengan menggunakan bahasa C#.

Algoritma Program:
1. masukkan batas bawah dan batas atas tingkat kekotoran, misalnya bersih = 3, dan kotor = 15,
2. >> input >> masukkan tingkat kekotoran pakaian, misalnya 8. dalam prakteknya masukan tingkat kekotoran dapat menggunakan sensor cahaya.
3. masukkan batas bawah dan batas atas jumlah pakaian, misalnya sedikit = 10, banyak = 30,
4. >> input >> masukkan jumlah pakaian, misalnya 23. dalam praktek dapat menggunakan sensor infrared, atau masukannya adalah berat pakaian dengan menggunakan sensor berat.
5. masukkan batas bawah dan batas atas waktu pencucian, misalnya cepat = 300s, lama=1200s,
6. hitung derajat keanggotaan masing2 inputan terhadap masing2 himpunanannya.
7. lakukan langkah aplikasi fungi implikasi, dengan fungsi MIN untuk mencari a-predikat 1 s/d 4 (sesuai aturan)
8. lakukan komposisi aturan menggunakan metode MAX untuk mencari nilai a1 dan a2
9. lakukan defuzzyfikasi, tentukan fungsi keanggotaan dari hasil komposisi -> hitung momen (M1, M2, M3) -> hitung luas masing2 daerah (A1, A2, A3)
10. hitung z (nilai akhir) kemudian tampilkan hasilnya

screenshootnya:

Contoh Program Logika Fuzzy Metode Tsukamoto dengan Visual Studio 2012

Contoh Program Logika Fuzzy Metode Tsukamoto dengan Visual Studio 2012

Dalam artikel kali ini (Contoh Program Logika Fuzzy Metode Tsukamoto dengan Visual Studio 2012), saya akan membagikan contoh program kendali logika fuzzy atau Fuzzy Logic Controll dengan menggunakan metode Tsukamoto.

Penjelasan Program:
dengan menggunakan prinsip fuzzy logic controll metode Tsukamoto, program ini bertujuan mencari daya motor berdasarkan dua masukan, yaitu jumlah orang dan berat barang bawaan.

program ini dibuat dengan menggunakan software Microsoft Visual Studio 2012  Ultimate dengan bahasa C# (baca : C Sharp)

berikut screenshootnya:

Himpunan Fuzzy Adalah


Sudah tidak asing lagi dengan logika fuzzy kan?
1. Logika Fuzzy
Berbeda dengan logika kuno / logika digital yang hanya memiliki nilai 0 dan 1, atau "true" dan "false", maka dengan logika fuzzy sesuatu dapat memiliki nilai diantara range 0 dan 1.
     Secara bahasa, “Fuzzy” berarti kabur atau samar. Logika fuzzy adalah logika multivalued yang memungkinkan untuk mendefinisikan nilai menengah diantara dua logika/ evaluasi konvensional yang berbeda, seperti benar/salah, iya/tidak, tinggi/rendah, panas/dingin, dll. Oleh karena itulah logika ini disebut logika samar. Sehingga dalam teori fuzzy sesuatu dapat bernilai salah atau benar secara bersamaan.
     Atau dengan istilah lain, Logika fuzzy adalah suatu cara untuk memetakan suatu ruang input kedalam suatu ruang output, mempunyai nilai continue. Fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama (Kusumadewi. 2004)

2. Himpunan Fuzzy
Dalam ilmu logika fuzzy kita mengenal dua himpunan, yaitu himpunan crisp (tegas) dan himpunan fuzzy (samar).
a. himpunan crisp adalah himpunan yang menyatakan suatu obyek merupakan anggota dari satu himpunan memiliki nilai keanggotaan (µ) = ya (1) atau tidak (0), oleh karena itu himpunan crisp disebut himpunan tegas.
b. himpunan fuzzy adalah himpunan yang menyatakan suatu obyek dapat menjadi anggota dari beberapa himpunan dengan nilai keanggotaan (µ) yang berbeda.
untuk lebih jelasnya, perhatikan contoh dibawah:

Sistem Pakar (Expert System)


Expert System (Sistem Pakar) adalah suatu system yang mengadopsi pengetahuan manusia kedalam computer, agar dapat menyelesaikan masalah seperti yang dilakukan oleh manusia ahli (seorang pakar).
Sistem pakar diterapkan untuk mendukung aktivitas pemecahan masalah. Beberapa aktivitas pemecahan yang dimaksud antara lain: pembuatan keputusan (decicion making), pemaduan pengetahuan (knowledge fusing), pembuatan desain (designing), perencanan (planning), prakiraan (forecasting), pengaturan (regulating), pengendalian (controlling), diagnosis (diagnosing), perumusan (prescribing), penjelasan (explaining), pemberian nasihat (advising) dan pelatihan (tutoring). Selain itu system pakar juga dapat berfungsi sebagai asisten yang pandai dari seorang pakar (Martin dan Oxman, 1988)

Stuktur Sistem Pakar