Pengenalan Fuzzy Logic

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. Tujuan

2. Alat dan Bahan

3. Dasar Teori

4. Percobaan

*Klik teks untuk menuju

1. Tujuan [Kembali]

1. Mengetahui apa itu fuzzy

2. Memahami cara penggunaan fuzzy logic

2. Alat dan Bahan [Kembali]

tidak ada (bukan percobaan)

3. Dasar Teori [Kembali]

Definisi Fuzzy

Fuzzy secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai dapat bernilai benar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotan yang memiliki rentang nilai 0 (nol) hingga 1 (satu). Logika fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau kesamaran antara benar atau salah. Dalam teori logika fuzzy suatu nilai dapat bernilai benar atau salah secara bersamaan. Namun seberapa besar kebenaran dan kesalahan tergantung pada bobot keanggotaan yang dimilikinya. 

Dalam kehidupan sehari–hari, dapat dijumpai banyak gejala kekaburan. Ambil suatu contoh, dalam suatu kelas seorang guru menyuruh muridnya yang memiliki sepeda untuk angkat tangan, maka dengan mudah murid yang memiliki sepeda akan mengangkat tangannya. Namun ketika guru tersebut menyuruh murid yang pandai untuk mengangkat tangannya, maka akan timbul keragu-raguan, apakah mereka termasuk kelompok yang pandai atau tidak. Batas antara “punya sepeda” dengan “tidak punya sepeda” adalah jelas dan tegas, tetapi tidak demikian halnya antara “pandai” dan “tidak pandai”. Dengan kata lain himpunan para murid yang pandai dan tidak pandai seakan–akan dibatasi secara tidak tegas atau kabur. Maka diperlukan suatu bahasa keilmuan baru yang mampu menangkap ketidaktegasan/kekaburan istilah bahasa sehari–hari yang memadai (Susilo, 2006). 

Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu :

 

a. Variabel fuzzy Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh : umur, temperatur, permintaan, dsb. 

b. Himpunan fuzzy Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy.

Himpunan fuzzy memiliki atribut, yaitu : 

1. Linguistik Yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti : MUDA, PAROBAYA, TUA. 

2. Numeris Yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel seperti : 50, 25, 45, dsb. 

3. Semesta Pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya. 

Contoh : semesta pembicaraan untuk variabel umur : [0,100] 9 

4. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. 

 Contoh : 

 a. MUDA = [0,40] artinya seseorang dikatakan muda dengan umur 0 hingga 40 

 b. PAROBAYA = [30,50] artinya seseorang dikatakan parobaya dengan umur 30 hingga 50 

 c. TUA = [40,+∞] artinya seseorang dikatakan tua dengan umur 40 hingga +∞

Operasi pada Himpunan Fuzzy

Ada beberapa operasi yang didefenisikan secara khusus untuk mengkombinasikan dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama fire strength ∝−𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡. Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu : AND, OR dan NOT. 

a. Operator AND (DAN) Operator ini berhubungan dengan operasi interseksi pada himpunan ∝ − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡 sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan. µA∩B = min(µA(x), µB(y))

b. Operator OR (ATAU) Operator ini berhubungan dengan operasi union pada himpunan ∝ − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡 sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada himpunan-himpunan yang bersangkutan. µAUB = max(µA(x), µB(y))

c. Operator NOT (KOMPLEMEN) Operator ini berhubungan dengan operasi komplemen pada himpunan ∝ − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡 sebagai hasil operasi dengan operator NOT diperoleh dengan 10 mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1. µA = 1- µA(x) 

Sistem Inferensi Fuzzy 

Salah satu aplikasi logika fuzzy yang telah berkembang sangat luas dewasa ini adalah sistem inferensi fuzzy, yaitu sistem komputasi yang bekerja atas dasar prinsip penalaran fuzzy, seperti halnya manusia melakukan penalaran dengan nalurinya. Misalnya penentuan produksi barang, sistem pendukung keputusan, sistem klasifikasi data, sistem pakar, sistem pengenalan pola, robotika, dan sebagainya.

Pada umumnya ada 3 metode sistem inferensi fuzzy yang digunakan dalam logika fuzzy, yaitu : Metode Tsukamoto, Mamdani, dan Sugeno.

a. Metode Tsukamoto Metode Tsukamoto merupakan perluasan dari penalaran monoton. Setiap konsekuen pada aturan yang berbentuk JIKA-MAKA harus dipresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat. Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot. 

b. Metode Mamdani Untuk metode ini, pada setiap aturan yang berbentuk implikasi (“sebab akibat”) anteseden yang berbentuk konjungsi (AND) mempunyai nilai keanggotaan berbentuk minimum (MIN), sedangkan konsekuen gabungannya berbentuk maksimum (MAX), karena himpunan aturanaturannya bersifat independent (tidak saling bergantung). 

c. Metode Sugeno Penalaran dengan Metode Sugeno hampir sama dengan penalaran Mamdani, hanya saja output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985, sehingga metode ini sering dinamakan dengan Metode TSK.  

video aplikasi fuzzy logic

penerapan matlab pada sistem prakiraan cuaca menggunakan metode mamdani logika fuzzy