MAKALAH TEORITIKAL FUZZY LOGIC
Tugas Mata Kuliah
Pengantar Teknologi Sistem Cerdas
Disusun Oleh :
Nurul Hidayat (15115232 )
Ragil Satria (15115539 )
Raspati Hadjar P ( 15115669 )
Rendi Yusuf (15115752 )
Rendra Yonathan (15115755)
Syendi Nazera ( 16115775 )
Tri Fitriana R (16115937 )
TriSandi Ndu U (15115539 )
UNIVERSITAS GUNADARMA
2017/2018
ABSTRAKSI
Logika Fuzzy adalah suatu proses pengambilan keputusan berbasis aturan yang bertujuan untuk memecahkan masalah, dimana sistem tersebut sulit untuk dimodelkan atau terdapat ambiguitas dan ketidakjelasan yang berlimpah. Logika Fuzzy ditentukan oleh persamaan logika bukan dari persamaan diferensial komplek dan berasal dari pemikiran yang mengidentifikasi serta mengambil keuntungan dari grayness antara dua ekstrem. Sistem logika fuzzy terdiri dari himpunan fuzzy dan aturan fuzzy. Subset fuzzy merupakan himpunan bagian yang berbeda dari variabel input dan output. Aturan fuzzy berhubungan dengan variabel masukan dan variabel output melalui subset. Mengingat seperangkat aturan fuzzy, sistem dapat mengkompensasi dengan cepat dan efisien. Meskipun dunia Barat pada awalnya tidak menerima logika fuzzy dan ide fuzzy, hari ini logika fuzzy diterapkan dalam banyak sistem. Dalam riset ini, sistem pelacakan surya diimplementasikan menggunakan logika fuzzy. Langkah-langkah bagaimana membuat serta gambaran tentang bagaimana kerja sistem fuzzy dijelaskan dalam paper ini.
PEMBAHASAN
LATAR BELAKANG
Logika Fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau kesamaran (fuzzyness) antara benar atau salah. Dalam logika klasik dinyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak), sedangkan 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 himpunan fuzzy dan teori kemungkinan. Logika fuzzy ini diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley pada 1965.
Logika fuzzy dapat digunakan dalam bidang teori kontrol, teori keputusan, dan beberapa bagian dalam managemen sains. Selain itu, kelebihan dari logika fuzzy adalah kemampuan dalam proses penalaran secara bahasa (linguistic reasoning), sehingga dalam perancangannya tidak memerlukan persamaan matematik dari objek yang dikendalikan. Adapun salah satu contoh aplikasi logika fuzzy dalam kehidupan sehari-hari adalah 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 2 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).
Himpunan fuzzy didasarkan pada gagasan untuk memperluas jangkauan fungsi karakterisik sedemikian hingga fungsi tersebut akan mencakup bilangan riil pada interval [0,1]. Dalam tugas akhir ini dibahas mengenai kardinalitas, keterbatasan dan kekonvekan himpunan fuzzy. 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.
SEJARAH FUZZY LOGIC
Logika fuzzy dimulai pada tahun 1965 dengan kertas yang disebut “Fuzzy Sets” oleh seorang pria bernama Lutfi Zadeh. Zadeh adalah profesor imigran dan Iran dari teknik elektro UC Berkeley, departemen ilmu komputer. Sambungan sejarah pertama logika fuzzy dapat dilihat dalam pemikiran Buddha, pendiri agama Buddha sekitar 500 SM. Dia percaya bahwa dunia itu penuh dengan kontradiksi dan semuanya berisi beberapa kebalikannya. Bertentangan dengan pemikiran Buddha, filsuf Yunani Aristoteles menciptakan logika biner melalui Hukum Tengah dikecualikan. Sebagian besar dunia Barat menerima filosofi dan itu menjadi dasar pemikiran ilmiah. Masih hari ini, jika ada sesuatu yang terbukti secara logis benar, itu dianggap ilmiah benar [7].
Sebelum Zadeh, seorang pria bernama Max Black menerbitkan sebuah makalah pada tahun 1937 disebut “ketidakjelasan: Latihan di Logical Analysis” [13]. Gagasan bahwa Black terjawab adalah hubungan antara ketidakjelasan dan sistem berfungsi. Zadeh, di sisi lain, melihat hubungan ini dan mulai mengembangkan iden nya tentang logika “kabur” dan fuzzy set. Ide-ide Zadeh’s mengalami banyak perlawanan dari dunia Barat. Ada tiga kritik utama. Yang pertama adalah bahwa orang ingin melihat logika fuzzy diterapkan. Hal ini tidak terjadi untuk kadang-kadang karena ide-ide baru membutuhkan waktu untuk menerapkan. Kritik kedua datang dari sekolah probabilitas. Fuzzy logic menggunakan angka antara 0 dan 1 untuk menggambarkan derajat fuzzy. Probabilists merasa bahwa mereka melakukan hal yang sama [13]. Kritik ketiga adalah yang terbesar. Logika fuzzy untuk bekerja, orang harus setuju bahwa A-dan-tidak-A adalah benar. Ini ilmu pengetahuan modern mengancam dan ide-ide matematika. Akibatnya, dunia Barat menolak logika fuzzy untuk jangka waktu tertentu.
Pada tahun 1980, Jepang memiliki lebih dari 100 perangkat logika fuzzy [13]. Menurut Zadeh, pada tahun 1994, Amerika Serikat hanya menempati peringkat ketiga dalam aplikasi fuzzy belakang Jepang dan Jerman [2]. Masih hari ini, Amerika Serikat, beberapa tahun belakang dalam pengembangan dan implementasi logika fuzzy.
Zadeh ingat bahwa ia memilih kata “kabur” karena ia “merasa paling akurat menggambarkan apa yang sedang terjadi di dalam teori” [2]. Kata-kata lain yang ia pikirkan tentang penggunaan kata untuk menggambarkan teori tersebut termasuk istilah lembut, tidak tajam, kabur, atau elastis. Dia memilih istilah “kabur” karena “hubungan dengan akal sehat” [13].
KONSEP FUZZY LOGIC
- Fuzzy logic umumnya diterapkan pada masalahmasalah yang mengandung unsur ketidakpastian (uncertainty), ketidaktepatan (imprecise), noisy, dan sebagainya.
- Fuzzy logic menjembatani bahasa mesin yang presisi dengan bahasa manusia yang menekankan pada makna atau arti (significance).
- Fuzzy logic dikembangkan berdasarkan cara berfikir manusia
ALASAN DIGUNAKANNYA LOGIKA FUZZY
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.
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
6. pengalamanpengalaman para pakar secara langsung tanpa harus melalui
7. proses pelatihan.
8. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
9. Logika fuzzy didasarkan pada bahasa alami.
APLIKASI YANG MENGGUNAKAN LOGIKA FUZZY
1. Manajemen dan pengambilan keputusan, seperti manajemen basisdata 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.
2. Ekonomi, seperti pemodelan fuzzy pada sistem pemasaran yang kompleks, dll.
3. Klasifikasi dan pencocokan pola.
4. Psikologi, seperti logika fuzzy untuk menganalisis kelakuan masyarakat, pencegahan dan investigasi kriminal,
5. Ilmu-ilmu sosial, terutam untuk pemodelan informasi yang tidak pasti. 6. Ilmu lingkungan, seperti kendali kualitas air, prediksi cuaca, dll.
LOGIKA FUZZY
Ada banyak manfaat untuk menggunakan logika fuzzy. Logika fuzzt adalah konseptual mudah dipahami dan memiliki pendekatan alami [8]. Logika fuzzy fleksibel dan dapat dengan mudah ditambah dan disesuaikan. Hal ini sangat toleran terhadap data yang tidak tepat dan terhadap model yang nonlinier/ kompleksitas sedikit. Hal ini juga bisa dicampur dengan teknik kontrol konvensional. Ada tiga komponen utama dari sistem fuzzy: set fuzzy, aturan fuzzy, dan bilangan fuzzy.
Logika fuzzy dan berpikir fuzzy terjadi di set fuzzy. Pertimbangkan contoh kendaraan. Kita semua berbicara kendaraan yang sama, tapi kita berpikir kendaraan pada tingkat yang berbeda. Ini adalah kata benda. Ini menggambarkan sesuatu. Ada sekelompok perangkat yang kita sebut kendaraan. Perangkat ini mungkin termasuk truk, pesawat, bus, mobil, sepeda, skuter, atau skateboard. Apa yang saya anggap kendaraan yang akan bisa menjadi sesuatu yang sangat berbeda dari apa yang orang lain anggap. Yang benar-benar kendaraan atau tidak? Beberapa tampak lebih dekat dengan gagasan kita tentang sebuah kendaraan daripada yang lain. Aristoteles akan mengatakan bahwa hanya ada satu kendaraan dan bukan kendaraan. logika fuzzy mengatakan bahwa untuk gelar masing-masing perangkat ini adalah kendaraan. Beberapa merupakan kendaraan lebih dari yang lain tetapi semua jatuh dalam grayness antara kendaraan dan bukan kendaraan. Intinya adalah bahwa kendaraan kata singkatan untuk satu set fuzzy dan hal-hal yang termasuk dalam mengatur beberapa derajat.
Lambang fuzzy sebenarnya adalah simbol “yin-yang” [13]. Simbol yin-yang, ditunjukkan pada Gambar 3 adalah sama hitam dan putih. Hal ini dalam keadaan yang paling fuzzy.
Gambar 2.1: Simbol yin-yang
Untuk lebih melihat bagaimana isi set fuzzy yang lebih kecil dan sebagainya, pertimbangkan kendaraan off-road. Sebuah kendaraan off road adalah seperangkat kecil kendaraan. Setiap kendaraan off-road adalah kendaraan, tetapi tidak setiap kendaraan sebuah kendaraan off-road. Pertanyaan yang diajuakan adala: kapan sebuah kendaraan adalah off-road? Sekali lagi ini adalah masalah derajat.Fuzzy set ini dikombinasikan dengan aturan-aturan fuzzy membangun sistem fuzzy. Fuzzy set dapat diciptakan dari apa pun.
Komponen kedua dari sistem fuzzy adalah aturan fuzzy. Aturan fuzzy didasarkan pada pengetahuan manusia. Pertimbangkan bagaimana alasan manusia dengan contoh sederhana: jika Anda membawa payung untuk bekerja? Pertama, Anda memiliki pengetahuan tentang ramalan: sekitar 70% kemungkinan hujan. Kedua, Anda memiliki pengetahuan tentang fungsi payung: untuk membuat Anda tetap kering ketika hujan. Dari pengetahuan ini, Anda dapat membuat aturan yang membimbing Anda melalui suatu keputusan. Jika hujan, Anda akan mendapatkan basah. Jika Anda mendapatkan basah, Anda akan tidak nyaman di tempat kerja. Jika Anda menggunakan payung, Anda akan tetap kering. Oleh karena itu, Anda memutuskan untuk membawa payung. Aturan yang dipandu untuk keputusan Anda berhubungan satu hal atau peristiwa atau proses ke hal atau peristiwa dalam bentuk :jika-maka” [13].
Pengetahuan tentang kesempatan hujan menyebabkan aturan yang membuat Anda memutuskan cara yang Anda lakukan. Ini adalah bagaimana aturan fuzzy diciptakan, melalui pengetahuan manusia. Mendefinisikan aturan-aturan fuzzy atau fuzzy patch. Fuzzy patch, bersama dengan grayness, merupakan ide kunci dalam logika fuzzy. “Patch ini akal sehat dasi ke geometri sederhana dan membantu mendapatkan pengetahuan untuk dapat menuliskan program ke dalam komputer,” kata Bart Kosko, penganjur terkenal di dunia dan populizer logika fuzzy [13]. Patch ditentukan oleh bagaimana sistem fuzzy dibangun untuk dapat meliputi jalur output yang didefinisikan oleh sistem. Gambar 4 menunjukkan bercak fuzzy yang meliputi jalur output. Sebuah konsep yang dirancang oleh Kosko disebut Fuzzy Teorema Aproksimasi (FAT) menyatakan bahwa jumlah terbatas patch dapat mencakup kurva [13]. Jika patch yang besar, aturan yang besar. Jika patch kecil, aturan yang tepat. Mencoba untuk membuat aturan yang terlalu tepat membangun banyak kompleksitas ke dalam suatu sistem fuzzy.
Gambar 2.2: Patch Fuzzy Meliputi Line
Setiap bilangan fuzzy adalah fungsi domain. Bilangan fuzzy memungkinkan perbandingan perkiraan [3]. Pertimbangkan objek bergerak dengan kecepatan yang kurang lebih sama dengan 50 mph. Hal ini akan “sekitar 50 mph.” Fuzzy hal yang berguna dalam memungkinkan kita untuk mengabaikan kekakuan bahwa sebenarnya kecepatan 50,1 mph atau bahkan 51 mph. Dari perkiraan ini suatu perbandingan dapat dibuat untuk objek lain akan “sekitar 50 mph.”
Ada beberapa cara untuk mengasosiasikan nomor fuzzy ke deskripsi dalam kata-kata. Asosiasi ini terjadi dalam bentuk-bentuk tertentu. Bentuk ini disebut sebagai fungsi keanggotaan. Ada empat bentuk yang terutama digunakan. Hal ini termasuk segitiga, trapesium, Gaussian, dan Singleton.
Gambar 2.3: menunjukkan bentuk yang mungkin digunakan untuk definisi subset.
PERBEDAAN LOGIKA KLASIK ATAU TEGAS DENGAN LOGIKA FUZZY
Terdapat perbedaan mendasar antara logika klasik dengan logika fuzzy. Sebagai contoh, perhatikan dua kalimat perintah berikut ini: A. Pisahkan kelompok mahasiswa yang memiliki PC dan kelompok mahasiswa yang tidak memiliki PC. B. Buat kelompok mahasiswa yang pandai dan kelompok mahasiswa yang bodoh. Pada Kalimat-A, Kita dapat membedakan secara tegas antara kelompok mahasiswa yang memiliki PC dengan kelompok mahasiswa yang tidak memiliki PC karena ada batasan yang nyata antara kedua kondisi tersebut. Namun Pada Kalimat-B, Tidak terdapat batasan yang nyata antara pandai dengan bodoh sehingga kita sulit membedakan mahasiswa yang pandai dengan mahasiswa yang bodoh.
KETIDAKJELASAN
Dalam kehidupan sehari-hari, kita sering menemui kondisi ketidakjelasan seperti kalimat-B. Ketidakjelasan yang kita alami, dapat kita kelompokkan menjadi:
1. Keambiguan (ambiguity), terjadi karena suatu kata/istilah memiliki makna lebih dari satu. Contoh: bulan, maknanya adalah suatu benda langit, namun makna lainnya adalah bagian dari tahun.
2. Keacakan (randomness), karena hal yang kita inginkan belum terjadi. Contoh: besok akan hujan.
3. Ketidaktepatan (imprecision), disebabkan karena alat atau metode pengukuran yang tidak tepat. Contoh: volume bumi.
4. Ketidakjelasan akibat informasi yang tidak lengkap (incompleteness). Contoh: ada kehidupan di luar angkasa.
5. Kekaburan semantik, akibat suatu kata/istilah memiliki makna yang tidak dapat didefinisikan secara tegas. Contoh: cantik, pandai, dsb
Dari kelima kelompok ketidakjelasan tersebut, dapat dikatakan bahwa pembahasan logika fuzzy berada pada kekaburan semantik. Kekaburan semantik pasti ada dalam kehidupan manusia. Bahkan kita sering mengambil keputusan dari kondisi kekaburan semantik. (Kekaburan semantik adalah seperti yang sudah dijelaskan diatas bahwa kata//istilah memiliki makna yang tidak dapat didefinisikan secara tegas. Contoh: cantik, pandai, dsb) Hal lain yang juga perlu diperhatikan adalah kita (manusia) saat ini sering menggunakan alat bantu, terutama elektronik, untuk membuat suatu keputusan. Penelitian atau pengukuran umumnya memerlukan ketepatan & kepastian. Sedangkan kondisi lingkungan, mengharuskan kita mengambil keputusan dari kekaburan semantik. Oleh karena itu, perlu bahasa keilmuan baru untuk mengakomodasi kekaburan semantik secara memadai.
LOGIKA FUZZY Vs LOGIKA TEGAS
Perbedaan antara kedua jenis logika tersebut adalah : 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 2.4 : Logika Tegas
Gambar 2.5 : Logika Fuzzy
Mengapa Logika Fuzzy? Bila dibandingkan dengan logika konvensional, kelebihan logika Fuzzy adalah kemampuannya dalam proses penalaran secara bahasa sehingga dalam perancangannya tidak memerlukan persamaan matematik yang rumit, selain itu, mudah dimengerti, memiliki toleransiterhadap data-data yang tidak tepat, dapat membangun dan mengaplikasikan pengalaman- pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan dan didasarkan pada bahasa alami.
Atribut Logika Fuzzy
- Linguistik : yaitu nama suatu kelompok yang mewakili suatu keadaan tertentu dengan menggunakan bahas alami, misalnya DINGIN, SEJUK, PANAS, dsb.
- Numeris : yaitu suatu nilai yang menunjukkan ukuran dari suatu variabel, misalnya 10, 35, 40 dsb.
Contoh :
a. Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu: MUDA, PAROBAYA, dan TUA. (Gambar 7.3)
b. Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.
Gambar 2.6 : Himpunan Fuzzy untuk Variabel Umur
PENUTUP
Kesimpulan
1. Logika fuzzy adalah logika yang mengandung unsur ketidakpastian, pada Keanggotaan dalam himpunan fuzzy dinyatakan dengan derajat keanggotaan. Suatu nilai dapat menjadi anggota dua himpunan sekaligus dengan derajat yang berbeda.
2. Kendali logika fuzzy dilakukan dengan proses fuzzy fikasi, penalarans esuai dengan aturan, dan defuzzyfikasi. Pada sistem kendali logika fuzzy cukup praktis diaplikasikan dalam berbagai bidang. Program fuzzy yang telah diimplementasikan dalam bahasa pemrograman Java dapat digunakan sebagai alat bantu untuk menentukan jumlah produk yang dihasilkan berdasarkan kondisi Suhu, Kebisingan dan Pencahayaan tertentu.
DAFTAR PUSTAKA
