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
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.
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, dll.
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 kenderajat.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
Komentar
Posting Komentar