TUGAS
KELOMPOK SOFTSKILL
FUZZY LOGIC DAN PENERAPANNYA
KELOMPOK 2 KELAS 3KA05:
Bhaskoro Adi 12114153
Bramantio Galih Arintoko 12114219
Calvin Ardiansyah Hamid 12114271
Calvin Bertnando P. 12114272
Dede Fansuri 12114611
Dewi Maharani Wisnu P. 12114878
Didi Nur Adiyanto 13114058
Dini Haniastuti 13114181
Fajar Nur Ikhwan 13114867
JURUSAN
SISTEM INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS GUNADARMA
KATA
PENGANTAR
Puji
syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa karena atas rahmat dan
nikmat yang telah dilimpahkan kepada penulis, sehingga penulis dapat
menyelesaikan makalah yang berjudul ”Fuzzy Logic Dan
Penerapannya”.
Terselesainya
makalah ini tidak lepas dari dukungan beberapa pihak yang telah memberikan
kepada penulis berupa motivasi, baik materi maupun moril. Oleh karena itu,
penulis bermaksud mengucapkan banyak terima kasih kepada seluruh pihak yang tak
dapat saya sebutkan satu persatu, semua yang telah membantu terselesaikannya
makalah ini. Penulis menyadari bahwa penyusunan makalah ini belum mencapai
kesempurnaan, sehingga kritik dan saran yang bersifat membangun sangat penulis
harapkan dari berbagai pihak demi kesempurnaan makalah ini. Akhirnya penulis
berharap semoga makalah ini dapat bermanfaat bagi kita semua.
DAFTAR ISI
Halaman
Depan............................................................................................................................................
Kata
Pengantar ...................................................................................................................
Daftar
Isi..................................................................................................................................................
BAB
I: PENDAHULUAN...............................................................................................................
1.1
Latar
Belakang
Masalah..............................................................................................................
1.2
Rumusan Masalah..............................................................................................................
1.3
Pembatasan
Masalah..............................................................................................................
1.4
Tujuan Penulisan............................................................................................................
BAB
II:
PEMBAHASAN..................................................................................................................
2.1
Pengertian
Fuzzy Logic Dan
Sejarahnya..........................................................................................................
2.2
Derajat
Kebenaran Dan Variabel
Linguistik...........................................................................................................
2.3
Alasan digunakannya Fuzzy Logic
............................................................................................................................
2.4
Aplikasi
Fuzzy
Logic...................................................................................................................
2.5
Perbedaan
fuzzy logic dengan crisp
logic....................................................................................................................
2.6
Atribut
Dan Himpunan Fuzzy
logic....................................................................................................................
2.7
Database
Fuzzy
logic....................................................................................................................
2.8
Contoh
sistem fuzzy
Logic...................................................................................................................
2.9
Fuzzyfikasi Dan
Defuzzifikasi......................................................................................................
2.10
Pemrograman
dengan bahasa
Assembly............................................................................................................
BAB
III:
PENUTUP...........................................................................................................................
3.1
Kesimpulan........................................................................................................
3.2
Saran...................................................................................................................
Daftar
Pustaka................................................................................................................................
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
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 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).
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.
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.
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
1: Logika Tegas (Crisp Logic)
Gambar
2: 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 :
a. Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu: MUDA,
PAROBAYA, dan TUA.
b.
Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu: DINGIN, SEJUK,
NORMAL, HANGAT, dan PANAS.
Gambar
3. 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
4: 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 :
a.
Variabel
Fuzzy, merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy, seperti
umur, temperatur, dsb
b.
Himpunan
Fuzzy, merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu
dalam suatu variabel fuzzy.
c.
Semesta
Pembicaraan, adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan
dalam suatu variabel fuzzy. Contoh:
Q
Semesta pembicaraan untuk
variabel umur: [0 +∞)
Q
Semesta pembicaraan untuk
variabel temperatur: [0 40]
d. 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 Sistem Fuzzy
Logic
Mari kita mempertimbangkan
sistem pendingin udara dengan 5-level sistem logika
fuzzy. Sistem ini menyesuaikan
suhu AC dengan membandingkan
suhu kamar dan nilai
suhu target.
Algoritma:
& Mendefinisikan
variabel linguistik dan istilah.
& Merekonstruksi
fungsi keanggotaan
& Merekonstruksi
aturan dasar basis pengetahuan.
& Mengkonversi
Crisp data menjadi data set fuzzy menggunakan fungsi keanggotaan. (fuzzifikasi)
& Mengevaluasi
aturan dalam aturan basis. (mesin antarmuka)
& Menggabungkan
hasil dari setiap aturan. (mesin antarmuka)
& Mengkonversi
data output ke nilai-nilai non-fuzzy. (defuzzifikasi)
Langkah 1:
Mendefinisikan variabel linguistik dan istilah.
Variabel linguistik yang input
dan output dalam bentuk kata-kata
sederhana atau kalimat. Untuk
suhu kamar, dingin, hangat, panas, dll,
adalah istilah linguistik.
Suhu
(t) = {sangat
dingin, dingin, hangat,
sangat-hangat, panas}
Setiap anggota dari himpunan ini adalah istilah linguistik dan dapat menutupi
beberapa bagian dari nilai suhu keseluruhan.
Langkah 2:
Merekonstruksi fungsi keanggotaan
Fungsi keanggotaan
variabel suhu seperti
yang ditunjukkan
Langkah 3:
Merekonstruksi aturan dasar basis pengetahuan.
Membuat matriks nilai-nilai suhu kamar terhadap
nilai-nilai suhu target
itu sistem pendingin udara
ini diharapkan dapat memberikan:
|
Target
|
Sangat Dingin
|
Dingin
|
Hangat
|
Panas
|
Sangat Panas
|
|
Sangat Dingin
|
Tidak ada perubahan
|
Panas
|
Panas
|
Panas
|
Panas
|
|
Dingin
|
Dingin
|
Tidak ada perubahan
|
Panas
|
Panas
|
Panas
|
|
Hangat
|
Dingin
|
Dingin
|
Tidak ada perubahan
|
Panas
|
Panas
|
|
Panas
|
Dingin
|
Dingin
|
Dingin
|
Tidak ada perubahan
|
Panas
|
|
Sangat panas
|
Dingin
|
Dingin
|
Dingin
|
Dingin
|
Tidak ada perubahan
|
Membuat satu
set aturan dalam basis pengetahuan dalam bentuk struktur IF-THEN-ELSE
|
Sr No
|
Kondisi
|
Tindakan
|
|
1
|
IF temperature=(Cold OR Very_Cold) AND
target=Warm THEN
|
Panas
|
|
2
|
IF temperature=(Hot OR Very_Hot) AND
target=Warm THEN
|
Dingin
|
|
3
|
IF (temperature=Warm) AND (target=Warm)
THEN
|
Tidak ada perubahan
|
Langkah 4: Mendapatkan nilai fuzzy
Operasi
himpunan fuzzy melakukan mengevaluasi aturan. Operasi digunakan untuk OR
dan AND adalah
masing masing Max dan Min. gabungkan semua hasil
evaluasi untuk membentuk hasil akhir. Hasil ini adalah
nilai fuzzy.
Langkah 5: Lakukan
defuzzifikasi
Defuzzifikasi dilakukan sesuai dengan fungsi keanggotaan
untuk variabel output.
2.9 Fuzzyfikazi
Dan Defuzzyfikasi
a. 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)
b. 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 aturan-aturan fuzzy.
Hasil dari defuzyfikasi ini merupakan output dari sistem kendali logika fuzzy.
Defuzzyfikasi
dideskripsikan sebagai
Z* = defuzzyfier (Z) (16)
dengan
Z = hasil penalaran fuzzy
Z* = keluaran kendali logika fuzzy
deffuzyfier = fungsi defuzzyfikasi
[2]
Metode defuzzyfikasi antara lain: [2]
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 adalah titik
pusat dari area terbesar yang ada.
2.10 Pemrograman
dengan bahasa Assembly
Setelah kita menemukan rumus untuk
normalisasi dan denormalisasi, maka program assembly dapat dibuat. Jika kita
ingin membuat suatu fuzzy system untuk aplikasi yang lain, tidak perlu harus
sama dengan program yang telah ada, tetapi yang perlu diketahui sebelum membuat
suatu fuzzy sistem adalah bagaimana cara untuk menormalisasikan input dan
mendenormalisasikan output-nya sebelum data dapat diolah. Hal ini dilakukan
agar nilai-nilai tersebut dapat diterima oleh DT-51 PetraFuz.
Routine fuzzify dari PetraFuz
terletak di alamat 0900h, untuk menjalankannya kitaa harus menggunakan perintah
LCALL 0900h. Berikut ini adalah contoh format yang digunakan dalam menggunakan
DT-51 PetraFuz.
Fuzzify EQU 0900H
Current_ins EQU 0BH
Cog_Outs EQU 0DH
Keterangan:
- Fuzzify : Routine PetraFuz
- Current_ins : Crisp Input PetraFuz
- Cog_Outs : Crisp Output PetraFuz
Jika kita mau memakai internal RAM maka kita harus
memakai dengan alamat minimal 063H. Karena 08H – 62H digunakan oleh routine
PetraFuz Engine.
Contoh program perhitungan error:
MOV A, SP ; memasukkan nilai SP (kecepatan yang
diminta)
MOV R0, PV ; memasukkan nilai PV (kecepatan sekarang)
SUBB A, R0
MOV ERROR, A
Contoh program perhitungan dError:
MOV A, ERROR ; Error(n)
MOV R0, ERROR-1 ; Error(n-1)
SUBB A, R0
MOV DERROR, A
Di dalam aplikasi ini yang dinormalisasikan adalah
hasil dari Error dan dErrror (bukan Error dan dError), setelah itu baru
dimasukkan sebagai input ke DT-51 PetraFuz. Nilai Error yang sesungguhnya harus
disimpan ke dalam suatu register, karena Error yang belum dinormalisasi akan
digunakan dalam perhitungan denormalisasi yaitu untuk nilai Error(n-1).
Contoh program untuk memasukkan data Error dan dError
ke dalam DT-51 PetraFuz, setelah itu memanggil prosedur Fuzzify dan melihat
hasilnya di register accumulator.
MOV CURRENT_INS,ERROR
MOV CURRENT_INS+1,DERROR
LCALL FUZIFY
MOV A,COG_OUTS
Hasil dari register accumulator di atas adalah nilai
crisp output dan nilai tersebut harus didenormalisasikan. Contoh di atas
bukanlah contoh program secara khusus melainkan contoh program secara garis
besar. Hal ini dikarenakan tidak adanya program untuk normalisasi dan
denormalisasi. Sebelum nilai crisp input dimasukkan ke dalam DT-51 PetraFuz,
nilainya harus dinormalisasikan terlebih dahulu. Nilai crisp output yang telah
diperoleh di register accumulator pada contoh di atas juga belum
didenormalisasikan.
Di dalam pembuatan suatu program assembly, kalau bisa
hindari pembuatan program aritmatika yang cukup kompleks, misalnya perkalian
atau pembagian 16 x 16 bit. Hal ini dilakukan agar proses fuzzifikasi tidak
memakan banyak waktu.
Ini adalah contoh pemrograman aplikasi pengaturan
kecepatan motor DC dengan sistem Fuzzy.
Proses kerjanya adalah sebagai berikut:
1.
Pertama kali dilakukan proses inisialisasi de KITS SPC DC Motor dan komunikasi serial.
2.
Terima data serial dari PC dan tunggu sampai karakter J dikirimkan. Lalu ambil
nilai SP Low Byte.
3.
Terima data serial lagi dari PC dan tunggu sampai karakter K dikirimkan, lalu
ambil nilai SP High Byte.
4.
Setelah itu baca nilai RPM sekarang dan kirimkan ke PC.
5.
Hitung nilai Error dan dError, tetapi jangan lupa untuk menormalisasikan nilai
tersebut.
6.
Setelah normalisasi dilakukan maka masukkan kedua nilai yaitu Error dan dError
ke dalam DT-51 PetraFuz.
7.
Panggil prosedur fuzzify, lalu ambil hasilnya.
8.
Setelah hasil didapatkan, maka hasil itu harus didenormalisasi sehingga akan
muncul nilai crisp output yang sebenarnya.
9. Nilai crisp output kita masukkan sebagai nilai PWM
untuk mengatur putaran motor DC tersebut. Ulangi langkah 4 - 9 sampai nilai RPM
yang dinginkan tercapai.
BAB III
PENUTUP
3.1 Kesimpulan
Kesimpulan-kesimpulan tersebut antara
lain:
1. Logika fuzzy adalah logika yang mengandung unsur
ketidakpastian.
2. Keanggotaan dalam himpunan fuzzy dinyatakan dengan derajat
keanggotaan. Suatu nilai dapat menjadi anggota dua himpunan sekaligus dengan
derajat yang berbeda.
3. Kendali logika fuzzy dilakukan dengan proses fuzzyfikasi,
penalaran sesuai dengan aturan, dan defuzzyfikasi.
4. Sistem kendali logika fuzzy cukup praktis diaplikasikan
dalam berbagai bidang.
5. 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.
3.2 Saran
Dapat Menerapkan Himpunan Fuzzy Dan Proses Fuzzyfikasi dan
Defuzzyfikasi Dalam berbagai aplikasi.
DAFTAR
PUSTAKA
[1] Rinaldi
Munir, “Matematika Diskrit Dalam Fuzzy Logic”, Penerbit Informatika, 2005
[2] Jannus
Maurits Nainggolan, “Logika Fuzzy (Fuzzy Logic) : Teori dan
Penerapan Pada Sistem Daya (Kajian Pengaruh Induksi Medan Magnet)”
[3] Kusumadewi,Sri.Purnomo,Hari.,”Aplikasi Logika Fuzzy untuk
Pendukung Keputusan”.Yogyakarta: GRAHA ILMU,2004
[4] Kusumadewi, Sri., Hartati, S., Harjoko,
A., dan Wardoyo, R. “Fuzzy Multi-Attribute Decision Making (FUZZY MADM).”
Yogyakarta: Graha Ilmu, 2006.
