Langsung ke konten utama

Logika Fuzzy (Fuzzy Logic)

Nama : Erlin Novianty

Kelas : 3KA33

NPM : 1C114791

Tugas : Softskill Peng. Teknologi Sistem Cerdas

Dosen : Dewi Andriyani


Logika Fuzzy (Fuzzy Logic)



PENGERTIAN LOGIKA FUZZY (FUZZY LOGIC)

Dalam bahasa inggris, fuzzy mempunyai arti kabur atau tidak jelas. Jadi, logika fuzzy adalah logika yang kabur, atau mengandung unsur ketidakpastian. 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 derajar kebenaran yang nilainya antara 0 sampai 1.

Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output. Titik awal dari konsep modern mengenai ketidakpastian adalah paper yang dibuat oleh Lotfi A Zadeh (1965), dimana Zadeh memperkenalkan teori yang memiliki obyek-obyek dari himpunan fuzzy yang memiliki batasan yang tidak presisi dan keanggotaan dalam himpunan fuzzy, dan bukan dalam bentuk logika benar (true) atau salah (false), tapi dinyatakan dalam derajat (degree). Konsep seperti disebut dengan Fuzziness dan teorinya dinamakan Fuzzy Set Theory. Fuzziness dapat didefinisikan sebagai logika kabur berkenaan dengan semantik dari suatu kejadian, fenomena atau pernyataan itu sendiri. Seringkali ditemui dalam pernyataan yang dibuat oleh seseorang, evaluasi dan suatu pengambilan keputusan. 
 
Fuzzy logic dapat menyamai logika berpikir manusia dalam kondisi informasi yang terbatas dan ketidakpastian untuk mengambil keputusan. Banyak pengambilan keputusan serta pemecahan masalah terlalu kompleks, sehingga harus didefinisikan secara tepat.

Ada beberapa hal yang menjadi lingkup dari sistem fuzzy, yaitu :

  1. Variabel fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy.

  1. Himpunan fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy.
  1. 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.
  1. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan.


Kelebihan dan Kekurangan Logika Fuzzy
  
Logika Fuzzy memiliki beberapa keunggulan sebagai berikut :
  1. Konsep fuzzy logic mudah dimengerti, karena di dalam logika fuzzy terdapat konsep matematis sederhana dan mudah dimengerti yang mendasari penalaran fuzzy.

  2. Fuzzy logic sangat fleksibel.

  3. Fuzzy logic memiliki toleransi terhadap data yang tidak tepat.

  4. Fuzzy logic mampu memodelkan fungsi-fungsi nonlinier yang sangat kompleks.

  5. Fuzzy logic dapat bekerja sama dengan teknik-teknik kendali secara konvensional.

  6. Fuzzy logic didasarkan pada bahasa alami.

  7. Fuzzy logic dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.

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.

Himpunan dan Operasi Logika Fuzzy
  1. Himpunan Fuzzy
Himpunan fuzzy adalah pengelompokan sesuatu berdasarkan variabel bahasa (linguistik variabel), yang dinyatakan dengan fungsi keanggotakan, 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 keanggotaan 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.
  1. Operasi Logika Fuzzy
Operasi-operasi yang dapat dilakukan dalam logika dan himpunan biasa. Namun definisinya agak berbeda.

  1. Gabungan : Gabungan antar himpunan A dan himpunan B dapat diartikan sebagai himpunan yang dekat dengan A atau dekat dengan B.

  2. Irisan : Irisan antara himpunan A dan himpunan B dapat diartikan sebagai himpunan yang dekat dengan A dan dekat dengan B.

  3. Komplemen : Komplemen dari himpunan A dapat diartikan sebagai himpunan yang tidak dekat dengan A.

Kendali Logika Fuzzy

Sistem kendali logika fuzzy disebut juga sistem Inferensi Fuzzy (Fuzzy Inference System/FIS) atau fuzzy inference engine adalah sistem yang dapat melakukan penalaran dengan prinsip serupa seperti manusia melakukan penalaran dengan nalurinya.

Sistem kendali logika fuzzy terdiri dari beberapa tahapan seperti pada diagram berikut.


Proses Sistem Fuzzy
 
Dalam sistem fuzzy, komponen terbagi menjadi 3 subproses, yaitu :
  • Fuzzification : Mengubah masukkan-masukkan yang nilai kebenarannya bersifat pasti (crisp input) kedalam bentuk fuzzy input.

  • Inference : Melakukan penalaran menggunakan fuzzy input dan fuzzy rules yang telah ditentukan, sehingga menghasilkan fuzzy output.
     Secara sintaks, suatu fuzzy rule (aturan fuzzy) dituliskan sebagai : IF antecendent THEN consequent

Terdapat beberapa model aturan fuzzy yang digunakan secara luas dalam berbagai aplikasi, yaitu : Model Mamdani, Model Sugeno dan Model Tsukamoto. FIS yang paling mudah dimengerti, karena paling sesuai dengan naluri manusia adalah FIS Mamdani. FIS tersebut bekerja berdasarkan kaidah-kaidah linguistik dan memiliki algoritma fuzzy yang menyediakan sebuah aproksimasi untuk dimasuki analisa matematik.
  • Defuzzification : Mengubah fuzzy output menjadi crisp value berdasarkan fungsi keanggotaan yang telah ditentukan.
 
Terdapat berbagai metode defuzzication yang telah berhasil diaplikasikan untuk berbagai macam masalah, diantaranya yaitu :
  • Centroid method

  • Height method

  • First (or Last) of Maxima

  • Mean-Max method

  • Weighted Average

PENERAPAN DAN IMPLEMENTASI LOGIKA FUZZY (FUZZY LOGIC)

Logika fuzzy digunakan dalam banyak aplikasi. Sebagian besar aplikasi dari sebuah logika fuzzy digunakan berdasarkan logic system untuk kepentingan pengambilan keputusan (decision support systems).
  1. Logika Fuzzy untuk Sistem Pengaturan Suhu Ruangan
  • Untuk menentukan suhu dalam suatu ruangan, kita dapat menentukannya menggunakan Logika Fuzzy.

Aturan dalam kontrol, mudah didefinisikan menggunakan kata-kata misalkan :

  1. Jika suhu dalam suatu ruangan dingin maka naikkan suhu penghangat.

  2. Jika suhu dalam suatu ruangan panas maka naikkan suhu pendingin.

  1. Logika Fuzzy untuk Sistem Pengaturan Lampu Lalu Lintas

  • Untuk kepadatan jumlah kendaraan adalah Tidak Padat (TP), Kurang Padat (KP), Cukup Padat (CP), Padat (P) dan Sangat Padat (SP).

  • Sedangkan untuk lama nyala lampu adalah Cepat (C), Agak cepat (AC), Sedang (S), Agak Lama (AL) dan lama (L).

  1. Mutu kwalitas terbaik dalam kuantitas terbanyak pada produktivitas yang ekonomis dengan Fuzzy Logic.

Dalam EU’s IQ project, sebuah fuzzy sistem memberikan perencanaan bagi operator untuk melaksanakan tentang bagaimana menjalankan sebuah pabrik pengolahan hasil kayu untuk mendapatkan banyaknya pemenuhan permintaan (kwantitas) produksi secara maksimal tanpa mengorbankan mutu kwalitas bahan. Dilain proyek EU yang disebut BEST, sebuah fasilitas pengolahan ramah lingkungan dikembangkan dengan pelaksanaan pekerjaan produksi yang tidak menggunakan Chlorine dan zat ber-chlorine. Pengerjaan tanpa Chlorine membutuhkan keseriusan dalam proses kontrol yang presisi, dimana dapat dilaksanakan dengan kombinasi Fuzzy Logic dengan sistem jaringan kerja selular (neural network).

  1. Fuzzy Logic juga mengkonservasi sumber daya. Sebuah fasilitas boiling dari produksi dibidang pengolahan kayu di Portugis misalnya, telah memakai Fuzzy Logic untuk mereduksi pemakaian energi hingga 14% dan telah mereduksi randemen (sisa kayu dari aktifitas produksi yang terbuang) hingga 80% dimana terdapat peningkatan hasil produksi hingga 15 %.

  1. Salah satu tipe aplikasi dari Fuzzy Logic lainnya adalah dalam pengolahan air (pemurnian air, seperti yang diusahakan oleh PT PAM Jaya) termasuk dalam otomatisasi pengambilan dari proses presipitan dalam rangka menghilangkan bahan kimia fosfat dari air dan pengisian oksigen dalam rangka proses oksigenisasi.

Aplikasi Logika Fuzzy

Jelas istilah-istilah tersebut dapat menimbulkan makna ganda (ambiguity) dalam pengertiannya. Logika Fuzzy dapat mengubah makna ganda tersebut ke dalam model matematis, sehingga dapat diproses lebih lanjut untuk dapat diterapkan dalam sistem kendali. Logika bahasa dapat diawal oleh sebuah daerah yang mempunyai jangkauan tertentu yang menunjukkan derajat keanggotannya (fungsi keanggotaan).

Referensi :








Komentar

Posting Komentar

Postingan populer dari blog ini

3rd Assignment (Embedded Question, Conditional Sentences, Comparisons)

Nama : Erlin Novianty             Kelas : 4KA33             NPM : 1C114791 Mata Kuliah : Softskill Bahasa Inggris Bisnis 2 3rd Assignment (Embedded Question, Conditional Sentences, Comparisons) After my 1st and 2nd assignment about Tenses, so now, i will make 3rd assigment about what is Embedded Question, Conditional Sentences, Comparisons, how we can use them and also give examples about it. A.   Embedded Question Sometimes we want to use a question as part of another question or a statement, so this is called an embedded question. We can use embedded questions as part of other questions. This is sometimes called an indirect question and is often used to be polite. We can also use embedded questions as part of statements. The embedded question is a noun clause and can be used in a similar way to a noun. For example, we can use it as the subj...
Posting Komentar
Baca selengkapnya

ANIMASI

Nama               : Erlin Novianty Kelas               : 3KA33 NPM               : 1C114791 Tugas               : Softskill Peng. Animasi dan Desain Grafis Dosen              : Imam Ahmad                                                                         ANIMASI    A. Pengertian Animasi   ...
Posting Komentar
Baca selengkapnya