TUGAS
MATA KULIAH PENGANTAR TEKNOLOGI SISTEM CERDAS
DITULIS
OLEH :
FAKULTAS
ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS
GUNADARMA
ABSTRAKSI
Logika
merupakan studi penalaran. Pada teori logika yang biasa, logika dinyatakan
dengan benar atau salah. Namun, dalam kehidupan sehari-hari, sering ditemukan
kasus yang tidak bisa dinyatakan sebagai benar atau salah, tapi harus
dinyatakan dengan hampir benar, agak benar atau semacamnya. Dalam logika fuzzy,
kita dapat menyatakan hal seperti itu dengan suatu nilai, antara benar dan
salah. Logika fuzzy adalah logika yang kabur atau mengandung unsur
ketidakpastian. Logika ini mulai dikembangkan pada tahun 1960-an di Amerika.
Saat ini, logika fuzzy sudah banyak digunakan di negara-negara maju,
terutama di Jepang. Logika fuzzy digunakan sebagai pengendali pada
berbagai alat, misalnya pendingin ruangan dan mesin cuci. Logika ini memang
cenderung lebih praktis untuk digunakan karena sederhana, mudah dimengerti,
fleksibel, serta lebih baik dan hemat. Namun, pengaplikasian logika fuzzy dalam
industri masih banyak terhambat karena beberapa hal, antara lain karena ilmu
ini belum banyak dikenal dan belum adanya metode yang baku dan sistematik untuk
mengembangkannya.
BAB
I
PENDAHULUAN
1.1.
Latar
Belakang
Pada logika biasa, yaitu logika tegas, kita hanya mengenal
dua nilai, salah atau benar, 0 atau 1. Sedangkan logika fuzzy mengenal nilai
antara benar dan salah. Kebenaran dalam logika fuzzy dapat dinyatakan dalam derajat
kebenaran yang nilainya antara 0 sampai 1.
Misalnya dalam kehidupan sehari-hari, dewasa didefinisikan
dengan berusia 17 tahun ke atas. Jika menggunakan logika tegas, seseorang yang
berusia 17 tahun kurang 1 hari akan didefinisikan sebagai tidak dewasa. Namun
dalam logika fuzzy, orang tersebut dapat dinyatakan dengan hampir dewasa.
Gambar 1: Logika tegas, logika fuzzy
1.2.
Rumusan
Masalah
1. Apa
Pengertian Dari Fuzzy Logic?
2. Bagaimana
Sejarah Fuzzy Logic?
3. Apa
Perbedaan Fuzzy Logic dengan Crisp Logic?
4. Apakah
Himpunan Fuzzy Logic?
5. Apa
Fuzzyfikasi dan Defuzzyfikasi itu?
6. Apa
Kelebihan Dan Kekurangan Menggunakan Fuzzy Logic?
1.3.
Pembatasan
Masalah
Adapun
pembatasan masalah dalam penulisan tugas ini adalah hanya pada variabel,
keterbatasan dan kekonvekan pada himpunan fuzzy dimensi satu.
1.4.
Tujuan
Penulisan
a. Memahami
Tentang Fuzzy Logic dan penerapannya
b. Memahami
Derajat Kebenaran dan Variabel linguistik Fuzzy logic
c. Memahami
atribut Fuzzy logic dan Himpunan fuzzy
d. Memahami
pengertian Fuzzyfikasi dan Defuzzyfikasi
BAB
II
PEMBAHASAN
2.1 Pengertian Fuzzy Logic dan Sejarahnya
Sebelumnya munculnya Teori
logika fuzzy (fuzzy logic) dikenal sebuah logika tegas (crisp Logic) yang
memiliki nilai benar atau salah secara tegas. Saat logika klasik menyatakan
bahwa segala hal dapat diekspresikan dalam istilah biner (0 atau 1, hitam atau putih,
ya atau tidak), Logika Fuzzy memungkinkan
nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan
dalam bentuk linguistik, konsep tidak pasti seperti "sedikit",
"lumayan", dan "sangat". Logika ini berhubungan dengan set
fuzzy dan teori kemungkinan.
Logika
fuzzy diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California,
Berkeley pada 1965 atas usulan dalam papernya yang
monumental “Fuzzy Set”. Dalam paper tersebut dipaparkan ide dasar
fuzzy set yang meliputi inclusion, union, intersection, complement,
relation dan convexity. Lotfi
Zadeh mengatakan Integrasi Logika Fuzzy kedalam sistem informasi dan rekayasa
proses adalah menghasilkan aplikasi seperti sistem kontrol, alat alat rumah
tangga, dan sistem pengambil keputusan yang lebih fleksibel, mantap, dan
canggih dibandingkan dengan sistem konvensional.
Dalam hal ini kami dapat
mengatakan bahwa logika fuzzy memimpin dalam pengembangan kecerdasan mesin yang
lebih tinggi ( machine Intelligency Quotient / MIQ ) Produk produk berikut
telah menggunakan logika fuzzy dalam alat alat rumah tangga seperti mesin cuci,
video dan kamera refleksi lensa tunggal, pendingin ruangan, oven microwave, dan
banyak sistem diagnosa mandiri.. Logika fuzzy telah diterapkan pada berbagai bidang, dari teori kontrol untuk kecerdasan buatan. Logika fuzzy telah diteliti sejak tahun
1920-an, sebagai nilai yang tak terbatas terutama
logika oleh Lukasiewicz dan Tarski.
Jepang adalah negara pertama yang memanfaatkan
logika fuzzy untuk aplikasi praktis. Aplikasi penting
pertama adalah di kereta kecepatan tinggi di Sendai, di mana logika fuzzy mampu
meningkatkan ekonomi, kenyamanan, dan ketepatan perjalanan. Hal ini juga telah digunakan dalam pengakuan simbol tertulis di
komputer mini sony; bantuan pesawat
helikopter; mengendalikan sistem kereta bawah tanah dalam rangka meningkatkan kenyamanan
berkendara, ketepatan menghentikan,
dan ekonomi kekuasaan; konsumsi hemat energi untuk ponsel otomatis; kontrol tunggal tombol untuk mesin cuci; kontrol motor otomatis untuk pembersih vakum dengan pengakuan
kondisi permukaan dan tingkat kekotoran; dan sistem prediksi untuk pengakuan awal dari gempa bumi
melalui Institut Seismologi
Biro Metrologi, Jepang
2.2
Derajat kebenaran Dan Variabel Linguistik
Logika fuzzy dan logika probabilitas secara matematis sama
- keduanya mempunyai nilai kebenaran yang berkisar antara 0 dan 1 - namun
secara konsep berbeda. Logika fuzzy berbicara
mengenai "derajat kebenaran", sedangkan logika probabilitas mengenai
"probabilitas, kecenderungan". Karena kedua hal itu berbeda, logika fuzzy dan logika probabilitas mempunyai contoh
penerapan dalam dunia nyata yang berbeda. Logika klasik hanya mengizinkan proposisi memiliki nilai kebenaran atau kesalahan. Gagasan
1 + 1 = 2 adalah kebenaran mutlak, kekal dan matematika. Namun, terdapat
proposisi tertentu dengan jawaban variabel, seperti
meminta sebagian orang untuk
mengidentifikasi warna. Gagasan
kebenaran tidak jatuh di tengah jalan, tapi lebih pada sarana yang mewakili dan
penalaran lebih pengetahuan
parsial ketika diberikan,
dengan menggabungkan semua hasil yang
mungkin menjadi spektrum dimensi.
Dua
derajat kebenaran dan probabilitas berkisar antara
0 dan 1 dan karenanya mungkin tampak serupa pada awalnya. Sebagai
contoh, satu segelas 100 ml
mengandung 30 ml
air. Kemudian dapat mempertimbangkan
dua konsep: kosong dan penuh. Arti dari masing-masing
dapat direpresentasikan oleh himpunan fuzzy tertentu. Maka salah satu mungkin mendefinisikan kaca sebagai 0,7
kosong dan 0,3 penuh.
Perhatikan bahwa konsep kekosongan akan subjektif
dengan demikian akan tergantung pada
pengamat atau desainer. Desainer lain mungkin,
sama baiknya, merancang fungsi keanggotaan set di
mana kaca akan dianggap penuh untuk semua nilai 50 ml. Sangat penting
untuk menyadari bahwa logika fuzzy
menggunakan derajat kebenaran sebagai model
matematika dari fenomena ketidakjelasan sementara probabilitas adalah model
matematika dari ketidaktahuan.
Sebuah
dasar aplikasi mungkin memiliki berbagai
ciri sub-rentang variabel kontinu.
Misalnya, pengukuran suhu untuk rem anti-lock
mungkin memiliki beberapa fungsi keanggotaan terpisah, rentang
suhu tertentu yang
diperlukan untuk mengendalikan rem
benar. Setiap fungsi nilai suhu yang sama untuk
nilai kebenaran dalam jangkauan 0-1. Nilai kebenaran ini
kemudian dapat digunakan untuk
menentukan bagaimana rem harus
dikontrol.
Gambar 2: Skala Suhu
Dalam gambar ini, arti dari ekspresi
dingin, hangat, dan panas yang diwakili oleh fungsi pemetaan skala suhu. Sebuah
titik pada skala yang memiliki tiga "nilai kebenaran" - satu untuk
masing-masing dari tiga fungsi. Garis vertikal pada gambar mewakili suhu
tertentu bahwa tiga anak panah (nilai kebenaran) gauge. Karena panah merah poin
ke nol, suhu ini dapat ditafsirkan sebagai "tidak panas". Panah
orange (menunjukkan 0.2) dapat menggambarkannya sebagai "sedikit
hangat" dan panah biru (menunjukkan 0,8) "cukup dingin". Dalam
logika matematika, ada beberapa sistem formal "fuzzy
logic"; kebanyakan disebut t-norma logika fuzzy.
Variabel
dalam matematika biasanya mengambil
nilai-nilai numerik, dalam aplikasi logika fuzzy, non-numerik sering
digunakan untuk memfasilitasi aturan
dan fakta.
Sebuah variabel linguistik seperti usia mungkin memiliki nilai seperti muda atau tua. Namun, kegunaan besar variabel linguistik bahwa dapat dimodifikasi dengan membatasi linguistik yang diterapkan untuk hal utama. pembatas nilai linguistik dapat dikaitkan dengan fungsi-fungsi tertentu. Untuk memperluas Fuzzy logic dengan menambahkan kuantitas universal dan eksistensial dengan cara serupa yaitu logika predikat dibuat dari logika proposisional.
Sebuah variabel linguistik seperti usia mungkin memiliki nilai seperti muda atau tua. Namun, kegunaan besar variabel linguistik bahwa dapat dimodifikasi dengan membatasi linguistik yang diterapkan untuk hal utama. pembatas nilai linguistik dapat dikaitkan dengan fungsi-fungsi tertentu. Untuk memperluas Fuzzy logic dengan menambahkan kuantitas universal dan eksistensial dengan cara serupa yaitu logika predikat dibuat dari logika proposisional.
Contoh:
1.
Manajer pergudangan mengatakan pada
manajer produksi seberapa banyak persediaan barang pada akhir minggu ini,
kemudian manajer produksi akan menetapkan jumlah barang yang harus diproduksi
esok hari.
2.
Pelayan restoran memberikan pelayanan
terhadap tamu, kemudian tamu akan memberikan tip yang sesuai atas baik tidaknya
pelayanan yang diberikan.
3.
Penumpang taksi berkata pada sopir
seberapa cepat laju kendaraan yang diinginkan, sopir taksi akan mengatur
pijakan gas taksinya.
4.
Anda mengatakan pada saya seberapa sejuk
ruangan yang anda inginkan,saya akan mengatur putaran kipas yang ada pada
ruangan ini.
2.3
Alasan Digunakannya Fuzzy Logic
Ada beberapa alasan
mengapa orang menggunakan logika fuzzy, antara lain:
1.
Konsep logika fuzzy mudah dimengerti.
Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah
dimengerti.
2.
Logika fuzzy sangat fleksibel.
3.
Logika fuzzy memiliki toleransi terhadap
data-data yang tidak tepat.
4.
Logika fuzzy mampu memodelkan
fungsi-fungsi nonlinear yang sangat kompleks.
5.
Logika fuzzy dapat membangun dan mengaplikasikan
pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
6.
Logika fuzzy dapat bekerjasama dengan
teknik-teknik kendali secara konvensional.
7.
Logika fuzzy didasarkan pada bahasa
alami.
Sementara itu, dalam
pengaplikasiannya, logika fuzzy juga memiliki beberapa kelebihan, antara
lain sebagai berikut.
1.
Daya gunanya dianggap lebih baik daripada teknik kendali yang
pernah ada.
2.
Pengendali fuzzy terkenal karena keandalannya.
3.
Mudah diperbaiki.
4.
Pengendali fuzzy memberikan pengendalian yang sangat baik
dibandingkan teknik lain
5.
Usaha dan dana yang dibutuhkan kecil.
Selain itu, logika fuzzy juga
memiliki kekurangan, terutama dalam penerapannya. Kekurangan kekurangan
tersebut antara lain:
1. Para
enjiner dan ilmuwan generasi sebelumnya dan sekarang banyak yang tidak mengenal
teori kendali fuzzy, meskipun secara teknik praktis mereka memiliki
pengalaman untuk menggunakan teknologi dan perkakas kontrol yang sudah ada.
2. Belum
banyak terdapat kursus/balai pendidikan dan buku-buku teks yang menjangkau
setiap tingkat pendidikan (undergraduate, postgraduate, dan on site
training)
3. Hingga
kini belum ada pengetahuan sistematik yang baku dan seragam tentang metodologi
pemecahan problema kendali menggunakan pengendali fuzzy.
4. Belum
adanya metode umum untuk mengembangkan dan implementasi pengendali fuzzy.
2.4
Aplikasi fuzzy Logic
Beberapa aplikasi Fuzzy
Logic, antara lain:
1. Pada
tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang
(Matsushita Electric Industrial Company). Sistem fuzzy digunakan untuk
menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya
kotoran serta jumlah yang akan dicuci. Input yang digunakan adalah: seberapa
kotor, jenis kotoran, dan banyaknya yang dicuci. Mesin ini menggunakan sensor
optik , mengeluarkan cahaya ke air dan mengukur bagaimana cahaya tersebut
sampai ke ujung lainnya. Makin kotor, maka sinar yang sampai makin redup.
Disamping itu, sistem juga dapat menentukan jenis kotoran (daki atau minyak).
2. Transmisi
otomatis pada mobil. Mobil Nissan telah menggunakan sistem fuzzy pada transmisi
otomatis, dan mampu menghemat bensin 12 – 17%.
3. Kereta
bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu.
4. Ilmu
kedokteran dan biologi, seperti sistem diagnosis yang didasarkan pada logika
fuzzy, penelitian kanker, manipulasi peralatan prostetik yang didasarkan pada
logika fuzzy, dll.
5. Manajemen
dan pengambilan keputusan, seperti manajemen basis data yang didasarkan pada
logika fuzzy, tata letak pabrik yang didasarkan pada logika fuzzy, sistem
pembuat keputusan di militer yang didasarkan pada logika fuzzy, pembuatan games
yang didasarkan pada logika fuzzy, dll.
6. Ekonomi,
seperti pemodelan fuzzy pada sistem pemasaran yang kompleks,dll.
7. Klasifikasi
dan pencocokan pola.
8. Psikologi,
seperti logika fuzzy untuk menganalisis kelakuan masyarakat, pencegahan dan
investigasi kriminal, dll.
9. Ilmu-ilmu
sosial, terutam untuk pemodelan informasi yang tidak pasti.\
10. Ilmu
lingkungan, seperti kendali kualitas air, prediksi cuaca, dll.
11. Teknik,
seperti perancangan jaringan komputer, prediksi adanya gempa bumi, dll.
12. Riset
operasi, seperti penjadwalan dan pemodelan, pengalokasian, dll.
13. Peningkatan
kepercayaan, seperti kegagalan diagnosis, inspeksi dan monitoring produksi.
14. Sebagai
alat bantu pengambil keputusan seperti proses pembuatan program fuzzy logic
dalam bahasa pemrograman Java yang diaplikasikan untuk menentukan Jumlah Produk
yang dihasilkan berdasarkan kondisi Suhu, Kebisingan dan Pencahayaan.
2.5
Perbedaan Fuzzy Logic (logika Fuzzy) dengan Crisp Logic (Logika Tegas)
Logika tegas memiliki
nilai tidak = 0.0 dan ya = 1.0, sedangkan logika
fuzzy memiliki nilai antara 0.0 hingga 1.0. Secara grafik perbedaan
antara logika tegas dan logika fuzzy
ditunjukkan oleh gambar di bawah ini :
Gambar 3: Logika Tegas (Crisp Logic)
Gambar 4: Logika Fuzzy (Fuzzy Logic)
Didalam Gambar 1 Crisp
Logic, apabila X lebih dari atau sama dengan 10 baru dikatakan benar yaitu
bernilai Y=1 , sebaliknya nilai X yang kurang dari 10 adalah salah yaitu Y=0,
maka angka 9 atau 8 atau 7 dan seterusnya dalah dikatakan salah.
Didalam Gambar 2 Fuzzy
Logic, apabila nilai X=9, atau 8 atau 7 atau antara nilai 0 dan 10 adalah
dikatakan ada benarnya dan ada juga salahnya.
2.6
Atribut Dan Himpunan Fuzzy Logic
·
Linguistik : yaitu nama
suatu kelompok yang mewakili suatu keadaan tertentu dengan menggunakan bahasa
alami, misalnya DINGIN, SEJUK, PANAS, dsb.
·
Numeris : yaitu suatu nilai yang
menunjukkan ukuran dari suatu variabel, misalnya 10, 35, 40 dsb.
Contoh :
Contoh :
o
Variabel umur, terbagi
menjadi 3 himpunan fuzzy, yaitu: MUDA, PAROBAYA, dan TUA.
o
Variabel temperatur, terbagi menjadi 5
himpunan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.
Gambar 5: Himpunan Fuzzy Untuk variabel
Umur
Dalam fuzzy logic
variabel yang bersifat kabur tersebut direpresentasikan sebagai sebuah himpunan
yang anggotanya adalah suatu nilai crisp dan derajat keanggotaannya (membership
function) dalam himpunan tersebut
Proses-proses dalam
fuzzy logic adalah fuzzifikasi, penalaran (reasoning),
dan defuzzifikasi:
·
Fuzzifikasi: merupakan proses untuk
mendapatkan derajat keanggotaan dari sebuah nilai numerik masukan (crisp)
·
Penalaran: proses untuk mendapatkan aksi
keluaran dari suatu kondisi input dengan mengikuti aturan-aturan (IF-THEN Rules) yang telah ditetapkan
yang disebut sebagai inference/reasoning.
·
Defuzzifikasi: proses untuk merubah
hasil penalaran yang berupa derajat keanggotaan keluaran menjadi variabel
numerik kembali.
Blok diagram proses
fuzzy logic ditunjukkan pada Gambar 4.
Gambar 6: Blok diagram proses dalam fuzzy
logic
Himpunan
fuzzy adalah pengelompokan sesuatu berdasarkan variabel bahasa (linguistik
variable), yang dinyatakan dengan fungsi keanggotaan, dalam semesta U.
Keanggotaan suatu nilai pada himpunan dinyatakan dengan derajat keanggotaan
yang nilainya antara 0.0 sampai 1.0.
Himpunan fuzzy
didasarkan pada gagasan untuk memperluas jangkauan fungsi karakteristik
sedemikian hingga fungsi tersebut akan mencakup bilangan real pada interval
[0,1]. Nilai keanggotaannya menunjukkan bahwa suatu item tidak hanya bernilai
benar atau salah. Nilai 0 menunjukkan salah, nilai 1 menunjukkan benar, dan
masih ada nilai-nilai yang terletak antara benar dan salah. Pada himpunan fuzzy, sebuah objek dapat berada pada
sebuah himpunan secara parsial. Derajat
keanggotaan dalam himpunan fuzzy diukur dengan fungsi
yang merupakan generalisasi dari fungsi karakteristik yang disebut fungsi keanggotaan atau fungsi kompatibilitas. Fungsi
keanggotaan dari himpunan fuzzy Û didefinisikan sebagai Û : x → [0,1].
Contoh: Jika diketahui:
S = [1, 2, 3, 4, 5, 6] adalah
semesta pembicaraan
A = [1, 2, 3], B = [3, 4, 5]
Maka dapat dikatakan:
-
Nilai keanggotaan 2 pada himpunan A,
μA[2]=1, karena 
.
.
-
Nilai keanggotaan 3 pada himpunan A,
μA[3]=1, karena 
-
Nilai keanggotaan 4 pada himpunan A,
μA[4]=0, karena 
-
Nilai keanggotaan 2 pada himpunan B,
μB[2]=0, karena 
-
Nilai
keanggotaan 3 pada himpunan B, μB[3]=1, karena 
Hal – hal yang terdapat pada
sistem fuzzy :
·
Variabel
Fuzzy, merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy, seperti
umur, temperatur, dsb
·
Himpunan
Fuzzy, merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu
dalam suatu variabel fuzzy.
·
Semesta
Pembicaraan, adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan
dalam suatu variabel fuzzy. Contoh:
·
Semesta pembicaraan untuk variabel umur:
[0 +∞)
·
Semesta pembicaraan untuk variabel
temperatur: [0 40]
·
Domain, adalah keseluruhan nilai yang
diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan
fuzzy. Contoh domain himpunan fuzzy: MUDA = [0 45], TUA = [45 +∞), DINGIN = [0
20], SEJUK = [15 25], NORMAL = [20 30], HANGAT = [25 35], PANAS = [30 40]
2.7 Database Fuzzy
Setelah
relationship fuzzy ditentukan, untuk mengembangkan database relasional
fuzzy. Pertama database
relasional fuzzy, FRDB(fuzzy
relational database) dipaparkan dalam tesis Maria Zemankova ini.
Kemudian, beberapa model lain muncul seperti model Buckles-Petry, Model Prade-Testemale, model umano-Fukami atau model
GEFRED oleh JM
Medina, MA Vila
dkk.
Dalam
konteks database fuzzy,
beberapa bahasa query fuzzy sudah ditentukan, dipaparkan SQLf oleh P. Bosc dkk. dan FSQL oleh J. Galindo dkk. Bahasa-bahasa
ini menentukan beberapa struktur
dengan tujuan untuk menyertakan aspek fuzzy dalam
laporan SQL, seperti ketentuan fuzzy, pembanding
fuzzy, konstanta fuzzy,
kendala fuzzy, ambang
batas fuzzy, label linguistik dan sebagainya.
2.8
Contoh Aplikasi Sistem Fuzzy Logic
Jika diamati
pengalaman pada negara-negara berteknologi tinggi, khususnya di negara Jepang, pengendali
fuzzy sudah sejak lama dan luas digunakan di industri-industri dan alat-alat
elektronika. Beberapa contoh aplikasi yang menggunakan pengendali fuzzy antara
lain:
·
Dalam teknologi otomotif : sistem
transmisi otomatis fuzzy dan pengendali kecepatan idle fuzzy.
·
Dalam teknologi transportasi :
Pengendali fuzzy anti-slip untuk kereta listrik, sistem= pengaturan dan
perencanaan perparkiran, sistem pengaturan lampu lalu lintas, dan pengendalian kecepatan
kendraan di jalan bebas hambatan.
·
Dalam peralatan sehari-hari : mesin cuci
fuzzy dan vacum cleaner fuzzy dan lain-lain.
·
Dalam aplikasi industri di antaranya :
industri kimia, sistem pengolahan kertas, dan lain-lain.
·
Dalam power satations : sistem diagnosis
kebocoran-H2
2.9
Fuzzyfikazi Dan Defuzzyfikasi
2.9.1. Fuzzyfikasi
Fuzzyfikasi
adalah pemetaan nilai input yang merupakan nilai tegas ke dalam fungsi
keanggotaan himpunan fuzzy, untuk kemudian diolah di dalam mesin penalaran.
fuzzyfikasi : x ->
μ(x)
2.9.2.
Deffuzifikasi
Defuzzyfikasi
merupakan kebalikan dari fuzzyfikasi, yaitu pemetaan dari himpunan fuzzy ke
himpunan tegas.Input dari proses defuzzyfikasi adalah suatu himpunan fuzzy yang
diperoleh dari komposisi aturanaturan fuzzy. Hasil dari defuzyfikasi ini
merupakan output
dari sistem
kendali logika fuzzy.
Defuzzyfikasi
dideskripsikan sebagai :
Z*
= defuzzyfier (Z)
Dengan
Z = hasil penalaran fuzzy
Z* = keluaran kendali logika fuzzy
deffuzyfier = fungsi defuzzyfikasi
Metode
defuzzyfikasi antara lain:
1. Metode
Maximum
Metode ini juga dikenal dengan metode puncak, yang
nilai keluarannya dibatasi oleh fungsi μc(z*)>μc 1 (z).
2. Metode
titik tengah
Metode titik tengah juga disebut metode pusat area.
Metode ini lazim dipakai dalam proses defuzzyfikasi. Keluaran dari metode ini
adalah titik tengah dari hasil proses penalaran.
3. Metode
rata-rata
Metode ini digunakan untuk fungsi keanggotaan
keluaran yang simetris. Keluaran dari metode ini adalah nilai rata-rata dari
hasil proses penalaran.
4. Metode
penjumlahan titik tengah
Keluaran dari metode ini adalah penjumlahan titik
tengah dari hasil proses penalaran.
5. Metode
titik tengah area terbesar
Dalam
metode ini, keluarannya aalah titik pusat dari area terbesar yang ada.
2.10.
Kelebihan dan Kekurangan Fuzzy Logic
Logika fuzzy
memiliki beberapa keunggulan, antara lain sebagai berikut.
1. Konsep
logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran logika
fuzzy sangat sederhana dan mudah dimengerti.
2. Logika
fuzzy sangat fleksibel
3. Logika
fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
4. Logika
fuzzy mampu memodelkan fungsi2 nonlinear yang kompleks.
5. Logika
fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar
secara langsung tanpa harus melalui proses pelatihan.
6. Logika
fuzzy dapat bekerja sama dengan teknik-teknik kendali secara konvensional.
7. Logika
fuzzy didasarkan pada bahas alami
Sementara itu,
dalam pengaplikasiannya, logika fuzzy juga memiliki beberapa kelebihan, antara
lain sebagai berikut.
1. Daya
gunanya dianggap lebih baik daripada teknik kendali yang pernah ada.
2. Pengendali
fuzzy terkenal karena keandalannya.
3. Mudah
diperbaiki.
4. Pengendali
fuzzy memberikan pengendalian yang sangat baik dibandingkan teknik lain.
5. Usaha
dan dana yang dibutuhkan kecil.
Selain itu,
logika fuzzy juga memiliki kekurangan, terutama dalam penerapannya.
Kekurangan-kekurangan tersebut antara lain:
1. Para
enjiner dan ilmuwan generasi sebelumnya dan sekarang banyak yang tidak mengenal
teori kendali fuzzy, meskipun secara teknik praktis mereka memiliki pengalaman
untuk menggunakan teknologi dan perkakas kontrol yang sudah ada.
2. Belum
banyak terdapat kursus/balai pendidikan dan buku-buku teks yang menjangkau
setiap tingkat pendidikan (undergraduate, postgraduate, dan on site training)
3. Hingga
kini belum ada pengetahuan sistematik yang baku dan seragam tentang metodologi
pemecahan problema kendali menggunakan pengendali fuzzy.
4. Belum
adanya metode umum untuk mengembangkan dan implementasi pengendali fuzzy.
BAB
3
KESIMPULAN
Dari tulisan atau penjelasan yang sudah diberikan
maka dapat disimpulkan, Logika fuzzy adalah logika yang mengandung unsur ketidakpastian.
Logika fuzzy pertama kali dikembangkan
oleh Prof. Lotfi A. Zadeh, seorang peneliti dari Universitas California, pada
tahun 1960-an. Logika fuzzy dikembangkan dari teori himpunan fuzzy.
Pada logika biasa, yaitu logika tegas, kita hanya mengenal
dua nilai, salah atau benar, 0 atau 1. Sedangkan logika fuzzy mengenal nilai
antara benar dan salah. Kebenaran dalam logika fuzzy dapat dinyatakan dalam derajat
kebenaran yang nilainya antara 0 sampai 1.
Himpunan fuzzy adalah pengelompokan sesuatu berdasarkan
variabel bahasa (linguistik variable), yang dinyatakan dengan fungsi
keanggotaan, dalam semesta U. Keanggotaan suatu nilai pada himpunan dinyatakan dengan
derajat keanggotaan yang nilainya antara 0.0 sampai 1.0
Fuzzyfikasi
adalah pemetaan nilai input yang merupakan nilai tegas ke dalam fungsi
keanggotaan himpunan fuzzy, untuk kemudian diolah di dalam mesin penalaran. Defuzzyfikasi
merupakan kebalikan dari fuzzyfikasi, yaitu pemetaan dari himpunan fuzzy ke
himpunan tegas.Input dari proses defuzzyfikasi adalah suatu himpunan fuzzy yang
diperoleh dari komposisi aturanaturan fuzzy. Sistem kendali
logika fuzzy cukup praktis diaplikasikan
dalam berbagai
bidang.
DAFTAR
PUSTAKA
·
Logika Fuzzy ~ Teknologi Berbasis Perasaan, http://mitsuke.multiply.com/journal/item/8,
19 Desember 2009
Tidak ada komentar:
Posting Komentar