Ada informasi terbaru dari Bapak Anto S. Nugroho, pencetus softcomputing Indonesia, tentang tulisan Zadeh pagi ini di milis BISC.
*********************************************************************
Berkeley Initiative in Soft Computing (BISC)
*********************************************************************
Dear Members of the BISC Group,
There are many misconceptions about fuzzy logic. The following may
help to clarify what fuzzy logic is and what it has to offer.

Fuzzy logic is not fuzzy. Like traditional logical systems, fuzzy
logic is precise. In large measure, fuzzy logic is designed to address
an important class of problems which are not addressed by traditional
logical systems–problems in which the central issues relate to
imprecision, uncertainty, incompleteness of information, unreliability
and partiality of truth. The importance of fuzzy logic derives from
the fact that in much of the real world such problems are the norm
rather than exception. Here are a few examples of simple problems
which are not addressed by traditional logical systems.

Most Swedes are tall
Most tall Swedes are blond
What fraction of Swedes are blond?

Most Swedes are tall
What is the average height of Swedes?

Most Swedes are tall
What is the truth value of “Many Swedes are not tall”?

X is the value of a real-valued variable. What is known about X
is: (a) X is larger than approximately a; (b) X is smaller than
approximately b. What is the probability that X is approximately c?

f is a function from reals to reals, Y=f(X). A linguistic summary
of f is described as a collection of fuzzy if-then rules:

if X is small then Y is small
if X is medium then Y is large
if X is large then Y is small
What is the value of Y if X is larger than approximately a and
smaller than approximately b?

f is a function from reals to reals which is described as a
collection of fuzzy if-then rules:

if X is small then usually (Y is small)
if X is medium then usually (Y is large)
if X is large then usually (Y is small)
What is the value of Y if usually (X is medium)?

Pose these problems to those who claim that anything that can be
done with fuzzy logic can be done equally well without fuzzy logic.

Regards to all,

Lotfi

Comments are invited.

–
Lotfi A. Zadeh
Professor in the Graduate School
Director, Berkeley Initiative in Soft Computing (BISC)

Address:
729 Soda Hall #1776
Computer Science Division
Department of Electrical Engineering and Computer Sciences
University of California
Berkeley, CA 94720-1776
zadeh@eecs.berkeley.edu
Tel.(office): (510) 642-4959
Fax (office): (510) 642-1712
Tel.(home): (510) 526-2569
Fax (home): (510) 526-2433
URL: http://www.cs.berkeley.edu/~zadeh/

BISC Homepage URLs
URL: http://zadeh.cs.berkeley.edu/
URL: http://www-bisc.cs.berkeley.edu/

Berikut ini contoh source code Matlab, untuk aplikasi fuzzy MADM dalam mencari alternatif solusi. Metode yang dipakai adalah Fuzzy Decision making (FDM) dari Joo. Disini dibagi 2 file, yaitu function dan program utama.  Function tersebut dibuat dengan mengikuti urutan pengambilan rangking alternatif keputusan.

OUTPUT-nya adalah rangking dari alternatif keputusan yang disediakan. Semoga bermanfaat

FUNGSI

function [F,P, Ranking]=fmcdm(W,A, alfa);

[m, n] = size(A);
n = fix(n/3);

for i=1:m
Y(i) = 0;
Q(i) = 0;
Z(i) = 0;
for j = 1:n
w = W(3*(j-1)+1:3*j);
b = A(i, 3*(j-1)+1:3*j);
Y(i) = Y(i) + w(1)*b(1);
Q(i) = Q(i) + w(2)*b(2);
Z(i) = Z(i) + w(3)*b(3);
end;
Y(i) = Y(i)/n;
Q(i) = Q(i)/n;
Z(i) = Z(i)/n;
end;

for i=1:m
F(i)= 0.5*(alfa*Z(i)+Q(i)+(1-alfa)*Y(i));
end;

[P, Ranking]= sort(F);
P = P(end:-1:1);
Ranking = Ranking(end:-1:1);

PROGRAM UTAMA

SR = [0 0 0.25];
R = [0  0.25  0.5];
S = [0.25 0.5 0.75];
T = [0.5  0.75  1];
ST = [0.75  1  1];

SK = [0 0 0.25];
K = [0  0.25  0.5];
C = [0.25 0.5 0.75];
B = [0.5  0.75  1];
SB = [0.75  1  1];

%W = [ST  T  C R  T];
%A = [SK K SB SB C; SB B C B SK; B SB K B B];

W = [ST  T  T];
A = [K B SB; B B C; B SB K; C C B; C SB B];
alfa = 1;
[F, P, Ranking] = fmcdm(W, A, alfa)

Joo (2004) mengembangkan Fuzzy Decision Making (FDM) dalam 3 langkah penting penyelesaian yaitu: representasi masalah, evaluasi himpunan fuzzy, dan menyeleksi alternative yang optimal.

1. Representasi Masalah

Pada langkah ini, ada 3 aktifitas yang harus dilakukan, yaitu:

1. Identifikasi tujuan dan alternatif keputusannya. Tujuan keputusan dapat direpresentasikan dengan menggunakan bahasa alami atau nilai numeris sesuai dengan karakteristik dari masalah tersebut. .
2. Identifikasi kumpulan kriteria.
3. Membangun struktur hirarki dari masalah tersebut berdasarkan pertimbangan-pertimbangan tertentu.

2. Evaluasi Himpunan Fuzzy

Pada langkah ini ada 3 aktifitas yang harus dilakukan, yaitu:

a. Memilih himpunan rating untuk bobot-bobot kriteria, dan derajat kecocokan setiap alternatif dengan kriterianya. Secara umum, himpunan-himpunan rating terdiri atas 3 elemen, yaitu: variabel linguistik (x) yang merepresentasikan bobot kriteria, dan derajat kecocokan setiap alternatif dengan kriterianya; T(x) yang merepresentasikan rating dari variabel linguistik; dan fungsi keanggotaan yang berhubungan dengan setiap elemen dari T(x).

b. Mengevaluasi bobot-bobot kriteria, dan derajat kecocokan setiap alternatif dengan kriterianya.

c. Mengagregasikan bobot-bobot kriteria, dan derajat kecocokan setiap alternatif dengan kriterianya. Ada beberapa metode yang dapat digunakan untuk melakukan agregasi terhadap hasil keputusan para pengembil keputusan, antara lain: mean, median, max, min dan operator campuran.

3. Menyeleksi Alternative yang Optimal.

Pada langkah ini ada 2 aktifitas yang harus dilakukan, yaitu:

a. Memprioritaskan alternatif keputusan berdasarkan hasil agregasi. Prioritas dari hasil agregasi dibutuhkan dalam rangka proses perangkingan alternatif keputusan. Karena hasil agregasi direpresentasikan dengan menggunakan bilangan fuzzy segitiga, maka dibutuhkan metode perangkingan untuk bilangan fuzzy segitiga. Salah satu metode perangkingan yang dapat digunakan adalah metode nilai total integral.

Nilai a adalah indeks keoptimisan yang merepresentasikan derajat keoptimisan bagi pengambil keputusan (0 ≤ a ≤ 1). Apabila a semakin besar mengindikasikan bahwa derajat keoptimisannya semakin besar.

b. Memilih alternatif keputusan dengan prioritas tertinggi sebagai alternatif yang optimal. Apabila ada 2 bilangan fuzzy F_i dan F_j, maka semakin besar nilai F berarti menunjukkan kecocokan terbesar dari alternatif keputusan untuk kriteria keputusan, dan nilai inilah yang menjadi tujuannya.

]]> http://yusran.wordpress.com/2008/06/19/metode-fuzzy-madm-dengan-pengembangan/feed/ 3 yusro