Workshop Fuzzy Aplikasi Logika Fuzzy Untuk Pendukung Keputusan

1
Workshop FuzzyAplikasi Logika FuzzyUntuk
Pendukung Keputusan
2
Fuzzy DSS

• Fuzzy Database (Fuzzy Model Tahani,Fuzzy Model
  Umano)
• Fuzzy Clustering(FCM,FPCM,FuzzySubtractive)
• Fuzzy Linear Programming(FLP)
• Fuzzy Integer Trasportasi Problem
• Fuzzy Multy-Attribut Decision Making
• Fuzzy Multy-Expert Multy-Attribut Decision Making
  dll.

3
Identifikasi Isyarat Tangan
Sebagai Pengendali Telerobotik
Secara Real-Time
Oleh
Edi Satriyanto
edi_at_eepis-its.edu
4
Latar Belakang

• Computer Vision
• Robot Vision
• Humanoid Robot
• Human Robot Interface
• Isyarat Tangan sebagai bahasa komunikasi
• 24 Real-Time Hand Gesture Telerobotic System
  Using the Fuzzy C-Means Clustering Algorithm
  2004 tangan statik
• 2.Simultaneous Localization and Recognition of
  Dynamic Hand Gesture 2005 virtual hand
  writing

5
Rumusan Masalah

• Bagaimana metode mengidentifikasi gerakan obyek
  ( motion detection) untuk mengetahui ada obyek
  yang bergerak atau tidak.
• Bagaimana metode mengidentifikasi warna kulit
  tangan (skin detection) menggunakan Fuzzy C-Mean
• Bagaimana ekstrasi ciri pola tangan menggunakan
  integral proyeksi.
• Bagaimana mendeteksi pola tangan (pattern
  detection)
• Bagaimana mengidentifikasi serangkaian pola
  isyarat tangan secara real-time yang berupa pola
  angka (virtual hand writing), menjadi satu
  perintah dalam mengendalikan robot secara jarak
  jauh.

6
Batasan Masalah

• Pengangkapan obyek menggunakan web-cam.
• Intensitas pencahayaan yang dibutuhkan harus baik
• Kemampuan robot hanya mampu mendeteksi enam macam
  gerakan.
• Latar belakang obyek dibatasi warna terang
  mendekati warna putih.

7
PERANCANGAN SYSTEM

• Konfigurasi Sistem

8
Tujuan dan Manfaat

• Tujuan dari Tesis yang diusulkan ini adalah
  mengidentifikasi isyarat tangan secara real-time,
  yang berhubungan dengan teknik pengolahan citra
  yang bergerak, tergantung dari waktu, tidak hanya
  identifikasi satu pola tapi serangkaian pola yang
  menjadi satu bahasa isyarat yang saling
  berhubungan.
• Untuk lebih jelas, maka diaplikasi pada suatu
  robot yang dikendalikan jarak jauh, sehingga
  robot akan mampu berinteraksi dengan manusia,
  dengan memahami isyarat tangan yang dipelajari
  oleh robot.

9
1. Hubungan penelitian sebelumnya
TINJAUAN PUSTAKA

• 1.1. Penelitian Sekitar Identifikasi isyarat
  tangan
• 2004 Real-Time Hand Gesture Telerobotic
  System Using the Fuzzy C-Means Clustering
  Algorithm 24
• 2005 Simultaneous Localization and
  Recognition of Dynamic Hand Gestures 2.

10
Real-Time Hand Gesture Telerobotic System Using
the Fuzzy C-Means Clustering Algorithm 24
11
Simultaneous Localization and Recognition of
Dynamic Hand Gestures 2.
12
1.2. Penelitian Sekitar deteksi warna kulit pada
penelitian Mihaela Gordan 8

• Mihaela Gordan, Costin Miron, dan Apostolos
  Georgakis dalam papernya An Optimal Feature
  Selection Strategy For Fuzzy C-Means, Application
  to Lip-To-Skin Discrimination, menjelaskan untuk
  membedakan bibir dan kulit dengan menggunakan
  Fuzzy C-Means (FCM) 8. Strategy yang dilakukan
  adalah untuk melakukan segmentasi antara bibir
  dan kulit berdasarkan gradiasi warnanya,
  menggunakan 2 klasifikasi untuk membedakan warna
  bibir dan kulit.

Gambar 2.10. Hasil FCM dengan versi nilai bobot
yang berbeda (a).Gambar Asli(b).Optimal
set((w1,w2)(0.60.4)) pada baris pertama, dan
((w1,w2)(10.4)) untuk baris kedua
(c).(w1,w2)(10.2) telah ditentukan(d).
w1w21 pada penelitian 8
13
4.Fuzzy Clustering

• Untuk mengelompokan para pengambil keputusan
  menjadi kelompok-kelompok kecil, berdasarkan
  persamaan karakteristik, dibutuhkan suatu
  mekanisme tertentu.Pada proses pengclusteran
  (clustering) secara klasik, pembentukan partisi
  dilakukan sedemikian rupa sehingga setiap obyek
  berada tepat pada satu partisi. Namun adakalanya
  tidak dapat menempatkan suatu obyek tepat pada
  suatu partisi, karena sebenarnya obyek tersebut
  terletak diantara atau lebih partisi yang lain.
• Pada logika fuzzy, ada beberapa metode yang dapat
  digunakan untuk mengelompokan sejumlah data yang
  sering dikenal dengan nama fuzzy clustering.
• Dikatakan sebagai algoritma fuzzy clustering jika
  dan hanya jika algoritma tersebut menggunakan
  parameter strategi adaptasi secara soft
  competitive (non-crips). Sebagian besar algoritma
  fuzzy clustering didasarkan atas optimasi fungsi
  obyektif atau modifikasi dari fungsi obyektif
  tersebut.

14

• Secara umum, algoritma pengclusteran dicirikan
  berdasarkan ukuran kedekatan dan kriteria
  penclusteran. Ukuran kedekatanan menunjukan
  seberapa dekat kedekatan fitur antara 2 data,
  sedangkan kriteria penclusteran biasanya
  diekspresikan dengan menggunakan fungsi biaya
  atau tipe aturan yang lainnya.

15
Indeks Kekaburan

• Indek kekaburan adalah jarak antara suatu
  himpunan fuzzy A dengan himpunan crisp C yang
  terdekat.Himpunan crisp C terdekatdari himpunan
  fuzzy A dinotasikan sebagai
  
  
• adalah fungsi jarak yang dapat digunakan
  dalam mencari indeks kekaburan ,yaitu

16
Fuzzy C-Means(FCM)

• Fuzzy C-Mean (FCM) adalah suatu teknik
  pengklusteran data yang mana keberadaan tiap-tiap
  titik data dalam suatu cluster ditentukan oleh
  derajat keanggotaan.
• Konsep dasar FCM pertama kali adalah menentukan
  pusat cluster .pada kondisi awal pusat cluter ini
  masih belum akurat .tiap data memiliki derajat
  keanggotaan untuk tiap tiap cluster.dengan cara
  memperbaiki pusat cluster dan nilai keanggotaan
  tiap data secara berulang,maka akan dapat dilihat
  bahwa pusat cluster akan bergerak menuju lokasi
  yang tepat.Perulangan ini didasarkan pada
  minimisasi fungsi obyektif.

17
Fungsi obyek

• Fungsi obyek yang di gunakan pada FCM adalah
• Jw (U,VX) ....(2.26)
• dik d(xk-vi) ..(2.27)

J
x adalah data yang akan di cluster
Dan V adalah matriks pusat cluster
X
(2.28)
V
(2.29)
Nilai Jw terkecil adalah yang terbaik, sehingga
J(U,VX) minMfc J(U,VX)
Dimana Vij
18
Algoritma FCM

• Input data yang akan di cluster X, berupa
  matriks berukuran n x m (njumlah sampel data,
  mattribute setiap data).
• 2. Tentukan
• Jumlah cluster c
• Pangkat w
• Maksimum iterasi MaxIter
• Error terkecil yang diharapkan ?
• Fungsi obyektif awal P0 0
• Iterasi awal t 1
• 3. Bangkitkan bilangan random µik , dimana
  i1,2,3,,n k1,2,.,c sebagai elemen-elemen
  matriks partisi awal U.

Ui k
..................................................
............(2.3.1)
19
4. Hitung pusat cluster ke-k Vkj, dengan
k1,2,.,c dan j1,2,,m.
.............(2.32)
5. Hitung fungsi obyektif pada iterasi ke t, Pt

...(2.33)
6. Hitung perubahan matriks partisi
7. Cek kondisi berhenti - Jika ( Pt-Pt-1
lt ? ) atau ( t gt maxIter) maka berhenti
- Jika tidak tt1, ulangi langkah ke
-4.
.(2.34)
Dengan i1,2,..,n dan k1,2,c.
20
Ekstrasi warna kulit tangan
Sample Warna Kulit
FCM
21
Identifkasi Obyek

• Dibagi menjadi tiga tahap
• Tahap deteksi warna Kulit tangan ecluidean dari
  pusat cluster yang diperoleh dari FCM
• Tahap deteksi pola tangan dengan menetukan rule
  yang sesuai dengan ekstrasi ciri dari bentuk
  tangan menunjuk(nilai minimum dan maksimum)
• Tahap identifikasi pola angka 1-6.(Virtual hand
  writing) dengan JST metode LVQ.

Pola angka 1 Membuka Pola angka 2 Memutar
pergelangan tangan berlawan jarum jam Pola angka
3 Memutar pergelangan tangan searah jarum
jam Pola angka 4 Mengangkat lengan Pola angka
5 Menurunkan lengan Pola angka 6 Mengangkat
bahu
Matrik 340x240
Scaling
22
Analisis Hasil Implementasi

• 1.Deteksi pergerakan(moving detection)

23
2. Deteksi warna kulit

• Jumlah Cluster n2
• Centroid Cluster untuk komposisi nilai RGB
  adalah sebagai berikut
• Variabel R G
  B
• Cluster 1 215.8150 215.6955 216.2086
• Cluster 2 130.0534 130.1567 136.3952

Uji Bukan Kulit Kebenaran rata-rata 30.055
termasuk cluster bukan kulit dan 69.945 salah
masuk ke cluster kulit.
Hasil pengujian obyek kulit 92.976 masuk
cluster kulit dan 7.024 salah cluster.
24
Jumlah Cluster n3

• Centroid Cluster untuk komposisi nilai RGB
  adalah sebagai berikut
• Variabel R G
  B
• Cluster 1 143.6280 141.5842 148.1504
• Cluster 2 236.8239 238.0427 236.8182
• Cluster 3 110.2811 112.8534 118.5478

Uji Kulit Masuk pada cluster kulit 91.865 dan
8.0410 salah cluster.
Uji Bukan Kulit 99.866 termasuk cluster bukan
kulit dan 0.134 salah masuk ke cluster kulit
25
Jumlah Cluster n4

• Centroid Cluster untuk komposisi nilai RGB
  adalah sebagai berikut
• Variabel R G
  B
• Cluster 1 157.8885 153.8926 160.9951
• Cluster 2 243.3227 244.8713 243.3313
• Cluster 3 129.9708 131.3354 137.1404
• Cluster 4 97.9261 99.3136 105.7863

Pengujian Kulit Masuk pada cluster kulit
90.5222 dan 9.4778 salah cluster.
Pengujian Bukan Kulit 99.9984 termasuk cluster
bukan kulit dan 1.5642 salah masuk ke cluster
kulit.
26
Jumlah Cluster n5

• Centroid Cluster untuk komposisi nilai RGB
  adalah sebagai berikut
• Variabel R G
  B
• Cluster 1 180.0985 177.2377 181.7932
• Cluster 2 150.7088 146.7710 153.8652
• Cluster 3 96.9108 98.3328 104.7871
• Cluster 4 248.0088 249.6473 248.0593
• Cluster 5 127.7786 129.8867 135.5949

Uji Kulit Masuk pada cluster kulit 90.2834
dan 9.6956 salah cluster.
Uji Bukan Kulit 100 termasuk cluster bukan
kulit dan 0 salah masuk ke cluster kulit.
27
Jumlah Cluster n6

• Centroid Cluster untuk komposisi nilai RGB
  adalah sebagai berikut
• Variabel R G
  B
• Cluster 1 108.0566 111.2288 115.4016
• Cluster 2 183.6440 181.0260 184.7063
• Cluster 3 248.7727 250.4015 248.8387
• Cluster 4 77.7784 74.5097 85.5881
• Cluster 5 130.5890 131.8171 137.7566
• Cluster 6 152.5665 148.4441 155.6935

Uji Kulit rata-rata kebenaran masuk pada cluster
kulit 3.2472 dan 98.3332 salah cluster.
Uji Bukan Kulit 99.3472 termasuk cluster bukan
kulit dan 1.3032 salah masuk ke cluster kulit.
28
Uji segmentasi kulit tangan pada 5 Cluster
29
Deteksi pola bentuk tangan
30
Deteksi pola gambar pergerakan tangan sebagai
pengendali robot
Virtual Hand Writing
31
(No Transcript)
32
(No Transcript)
33
(No Transcript)
34
(No Transcript)
35
(No Transcript)
36
Hasil Pengujian LVQ
Maka ada 79.2 pola angka dapat dikenali sesuai
dengan target yang dimaksud.
37
Kesimpulan

• Hasil deteksi pergerakan (moving detection)
  kecepatan obyek mampu di tangkap kamera dengan
  baik dalam 1 detik sebesar 91.07944, sedangkan
  pergerakan obyek dengan kecepatan 0.5 detik dapat
  ditangkap dengan kamera sebesar 63.62392. Hal
  ini berarti makin cepat pergerakan obyek akan
  mengurangi kemampuan deteksi obyek bergerak.
• Hasil deteksi warna kulit menggunakan Fuzzy
  C-Mean(FCM) pada jumlah cluster 5, mampu
  melakukan identifikasi warna kulit sebesar kulit
  90.2834 sedangkan dalam membedakan latar obyek
  dapat melakukan identifikasi 100 dengan latar
  obyek yang mendekati warna putih, makin sedikit
  jumlah cluster maka latar belakang obyek makin
  sedikit variasi yang mampu diidentifikasi,
  sebaliknya makin banyak jumlah cluster maka makin
  banyak obyek masuk ke cluster latar obyek.
• Hasil identifikasi pola tangan, dimana ekstrasi
  cirinya digunakan integral proyeksi, dengan
  metode rule base dapat diidentifikasi 86.67.
• Hasil gerakan tangan yang telah diidentifikasi
  menghasilkan virtual hand writing, berupa pola
  gambar angka 1 sampai 6. Dengan LVQ, setelah
  dilakukan pengujian 79.2 pola angka dapat
  dikenali sesuai dengan target
• Robot dapat dikendalikan secara jarak jauh,
  sesuai dengan pola pergerakan isyarat tangan yang
  berupa virtual hand writing sebagai perintah yang
  telah ditentukan.

38
Workshop FCM
39
(No Transcript)
40
(No Transcript)
41
Latihan

• Load data tsb.
• Lakukan Cluster untuk C3
• Cari Pusat Clusternya
• Hitung jarak terdekat
• Bila diketahui data
• 50 53 50

42
Hitung Jarak
center 12.0639 16.8098 5.7917 51.
1034 60.8572 72.3837 25.1759 16.4762 2
9.1886

• uji50 53 50
• d(1)0
• d(2)0
• d(3)0
• n3
• m3
• lokasi1
• for k1n
• for l1m
• d(k)d(k)(uji(l)-center(k,l))2
• end
• jrk(k)sqrt(d(k))
• end
• minjrk(1)
• for h2n
• if mingtjrk(h)
• minjrk(h)

jrk 68.5803 23.7484 48.8194 hasil 2
43
Session 2

• Fuzzy Database
• Sistem basis data berupakan suatu sistem
  informasi yang menitegrasikan kumpulan data
  saling berhubungan satu dengan yang lainnya dan
  membuatnya tersedia untuk beberapa aplikasi dalam
  suatu organisasi

44
Basis Data Fuzzy Model Tahani

• Konsep Dasar
• Misal kita memiliki data mentah karyawan
  sebagai berikut

45
Bila diolah sebagai berikut
Biasanya Query

• SELECT NAMA FROM PKARYAWAN WHERE UMURlt35

• SELECT NAMA FROM PKARYAWAN WHERE GAJIgt1000000

• SELECT NAMA FROM PKARYAWAN WHERE Masa_Kerjalt5
  and
• Gajigt1000000

46
Biasanya..

• Pada dasarnya, sesorang kadang membutuhkan
  informasi dari data-ata yang bersifat ambiguous.
• Apabila hal ini terjadui maka kita menggunakan
  basis data fuzzy.
• Ada beberapa penelitian tentang basis data fuzzy
  salah satunya model tahani.

47
Tetapi..kalo dicari ???/

• Siapa saja karyawan yang masih muda tapi memilki
  gaji tinggi?
• Siapa Sajakah karyawan yang masih mudah atau
  karyawan yang memiliki gaji tinggi
• Siapa saja-kah karyawan yang masih muda tapi masa
  kerjanya sudah lama?
• Siapa sajakah karyawan yang parobaya dan gajinya
  sedang, atau karyawan yang parobaya tapi masa
  kerjanya sudah lama?

48
Basis data model Tahani

• Tetap menggunakan relasi standart, hanya saja
  model ini menggunakan teori himpunan fuzzy untuk
  mendapatkan querynya.
• Misalkan
• 1. Kita menkatagorikan usia karyawan diatas ke
  dalam himpunan MUDA, PAROBAYA, DAN TUA

Gambar Fungsi keanggotaan untuk variabel Usia
49
Fungsi Keanggotaan
Muda
Parobaya
Tua
1
0
30 35 40 45 50
Umur
50
Shg Tabel karyawan berdasarkan umur gn derajat
keanggotaan pada setiap himpunan
51
2. Variabel Masa Kerja

• Dikategorikan dalam himpunan BARU dan LAMA

1
0
Fungsi Keanggotaan
52
Hasil tabel karyawan berdasarkan umur derajat
keanggotaan pada setiap himpunan
53
Jawaban Soal

• Siapa sajakan karyawan yang masiH muda tapi masa
  kerjanya sudah lama?
• Query SELECT NAMA FROM KARYWAN WHERE
  (UMURMuda) and (Masa_KerjaLAMA)

54
2. Variabel Gaji
Tinggi