Fuzzy Logic
Fuzzy
Logic adalah metodologi pemecahan masalah dengan beribu – ribu aplikasi
dalam pengendali yang tersimpan dan pemrosesan informasi.Cocok untuk
diimplementasikan pada sistem yang sederhana, kecil, tertanam pada mikro
controller, PC multi-channel atau workstation berbasis akuisisi data dan
control sistem. Fuzzy logic menyediakan cara sederhana untuk menggambarkan
kesimpulan pasti dari informasi yang ambigu, samar -samar, atau tidak tepat.
Sedikit banyak, fuzzy logic menyerupai pembuatan keputusan pada manusia dengan
kemampuannya untuk bekerja dari data yang ditafsirkan dan mencari solusi yang
tepat. Fuzzy logic pada dasarnya merupakan logika bernilai banyak (multivalued
logic) yang dapat mendefinisikan nilai diantara keadaan konvensional seperti ya
atau tidak, benar atau salah, hitam atau putih, dan sebagainya. Penalaran fuzzy
menyediakan cara untuk memahami kinerja dari system dengan cara menilai input
dan output system dari hasil pengamatan.
Secara umum, sistem fuzzy sangat cocok untuk
penalaran pendekatan terutama untuk sistem yang menangani masalah-masalah yang
sulit didefinisikan dengan menggunakan model matematis Misalkan, nilai masukan
dan parameter sebuah sistem bersifat kurang akurat atau kurang jelas, sehingga
sulit mendefinisikan model matematikanya.
Sistem fuzzy mempunyai beberapa keuntungan bila
dibandingkan dengan sistem tradisional, misalkan pada jumlah aturan yang
dipergunakan. Pemrosesan awal sejumlah besar nilai menjadi sebuah nilai derajat
keanggotaan pada sistem fuzzy mengurangi jumlah nilai menjadi sebuah nilai
derajat keanggotaan pada sistem fuzzy mengurangi jumlah nilai yang harus
dipergunakan pengontrol untuk membuat suatu keputusan. Keuntungan lainnya
adalah sistem fuzzy mempunyai kemampuan penalaran yang mirip dengan kemampuan
penalaran manusia. Hal ini disebabkan karena sistem fuzzy mempunyai kemampuan
untuk memberikan respon berdasarkan informasi yang bersifat kualitatif, tidak
akurat, dan ambigu.
Fuzzy logic jika di dalam bahasa
Indonesia logika Fuzzy adalah teknik/ metode yang dipakai untuk mengatasi hal
yang tidak pasti pada masalah – masalah yang mempunyai banyak jawaban. Pada
dasarnya Fuzzy logic merupakan logika bernilai banyak/ multivalued logic yang
mampu mendefinisikan nilai diantara keadaan yang konvensional seperti benar
atau salah, ya atau tidak, putih atau hitam dan lain-lain.
kepada sebuah system yang
tidak jelas atau kabur atau remang-remang. Sebaliknya yang dimaksud dengan
System Fuzzy yaitu sebuah system yang dibangun dengan definisi, cara kerja dan
deskripsi yang jelas. Penalaran Logika Fuzzy menyediakan cara untuk memahami
kinerja system dengan cara menilai input dan output system dari hasil
pengamatan. Logika Fuzzy menyediakan cara untuk menggambarkan kesimpulan pasti
dari informasi yang samar-samar, ambigu dan tidak tepat. Fuzzy logic Pertama
kali dikembangkan oleh Lotfi A. Zadeh tahun 1965.
Penalaran Logika Fuzzy memnyediakan
cara untuk memahami kinerja system dengan cara menilai input dan output system
dari hasil pengamatan. Logika Fuzzy menyediakan cara untuk menggambarkan
kesimpulan pasti dari informasi yang samar-samar, ambigu dan tidak tepat. Fuzzy
logic Pertama kali dikembangkan oleh Lotfi A. Zadeh tahun 1965.
Fuzzy
logic merupakan peningkatan dari logika Boolean yang berhadapan dengan konsep
kebenaran sebagian. Saat logika klasik menyatakan bahwa segala hal dapat
diekspresikan dalam istilah biner (0 atau 1, hitam atau putih, ya atau tidak),
logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran. Logika
Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1. Logika ini berhubungan
dengan set fuzzy dan teori kemungkinan.
Fuzzy
Logic adalah suatu cabang ilmu Artificial Intellegence, yaitu
suatu pengetahuan yang membuat komputer dapat meniru kecerdasan manusia
sehingga diharapkan komputer dapat melakukan hal-hal yang apabila dikerjakan
manusia memerlukan kecerdasan.
Dengan
kata lain fuzzy logic mempunyai fungsi untuk “meniru” kecerdasan
yang dimiliki manusia untuk melakukan sesuatu dan mengimplementasikannya ke
suatu perangkat, misalnya robot, kendaraan, peralatan rumah tangga, dan
lain-lain.
Alasan Kenapa
digunakan logika Fuzzy:
1. Sudah menjadi sifatnya yang kuat selama tidak
membutuhkan ketepatan, input yang bebas derau, dan dapat diprogram untuk gagal
dengan aman jika sensor arus balik dimatikan atau rusak. Control output adalah
fungsi control halus meskipun jarak variasi inputyang cukup besar.
2. Selama fuzzy logic controller memproses aturan – aturan yang dibuat user yang memerintah system control target, ia dapat dimodifikasi dengan mudah untuk meningkatkan atau mengubah secara drastis performa system. Sensor yang baru dapat dengan mudah digabungkan kedalam system secara sederhana dengan menghasilkan aturan memerintah yang sesuai.
3. Fuzzy logic tidak terbatas pada sedikit masukan umpan-balik dan satu atau dua output control, tidak juga penting untuk menilai atau menghitung parameter rata - rata perubahan dengan tujuan agar ia diimplementasikan. Sensor data yang menyediakan beberapa indikasi untuk aksi dan reaksi system sudah cukup. Hal ini memungkinkan sensor menjadi murah dan tidak tepat sehingga menghemat biaya system keseluruhan dan kompleksitas rendah.
4. Karena operasi – operasi yang berbasiskan aturan, jumlah input yang masuk akal dapat diproses ( 1 sampai 8 atau lebih ) dan banyak output ( 1 sampai 4 atau lebih ) dihasilkan, walaupun pendefinisian rulebase secara cepat menjadi rumit jika terlalu banyak input dan output dipilih untuk implementasi tunggal selama pendefinisian rules(aturan), hubungan timbal baliknya juga harus didefinisikan. Akan lebih baik jika memecah system kedalam potongan – potongan yang lebih kecil dan menggunakan fuzzy logic controllers yang lebih kecil untuk didistribusikan pada system, masing – masing dengan tanggung jawab yang lebih terbatas.
5. Fuzzy Logic dapat mengontrol system nonlinier yang akan sulit atau tidak mungkin untuk dimodelkan secara matematis. Hal ini membuka pintu bagi system control yang secara normal dianggap tidak mungkin untuk otomatisasi.
2. Selama fuzzy logic controller memproses aturan – aturan yang dibuat user yang memerintah system control target, ia dapat dimodifikasi dengan mudah untuk meningkatkan atau mengubah secara drastis performa system. Sensor yang baru dapat dengan mudah digabungkan kedalam system secara sederhana dengan menghasilkan aturan memerintah yang sesuai.
3. Fuzzy logic tidak terbatas pada sedikit masukan umpan-balik dan satu atau dua output control, tidak juga penting untuk menilai atau menghitung parameter rata - rata perubahan dengan tujuan agar ia diimplementasikan. Sensor data yang menyediakan beberapa indikasi untuk aksi dan reaksi system sudah cukup. Hal ini memungkinkan sensor menjadi murah dan tidak tepat sehingga menghemat biaya system keseluruhan dan kompleksitas rendah.
4. Karena operasi – operasi yang berbasiskan aturan, jumlah input yang masuk akal dapat diproses ( 1 sampai 8 atau lebih ) dan banyak output ( 1 sampai 4 atau lebih ) dihasilkan, walaupun pendefinisian rulebase secara cepat menjadi rumit jika terlalu banyak input dan output dipilih untuk implementasi tunggal selama pendefinisian rules(aturan), hubungan timbal baliknya juga harus didefinisikan. Akan lebih baik jika memecah system kedalam potongan – potongan yang lebih kecil dan menggunakan fuzzy logic controllers yang lebih kecil untuk didistribusikan pada system, masing – masing dengan tanggung jawab yang lebih terbatas.
5. Fuzzy Logic dapat mengontrol system nonlinier yang akan sulit atau tidak mungkin untuk dimodelkan secara matematis. Hal ini membuka pintu bagi system control yang secara normal dianggap tidak mungkin untuk otomatisasi.
secara sederhana
·
Karena konsep logika Fuzzy mudah
dimengerti.
·
Logika Fuzzy fleksibel.
·
LogikaFuzzy mampu memodelkan
fungsi-fungsi nonlinear yang sangat kompleks.
·
Logika Fuzzy dapat bekerja dengan
teknik-teknik kendali secara konvensional.
·
Logika Fuzzy memiliki toleransi terhadap
data-data yang tepat.
·
Logika Fuzzy didasarkan pada bahasa
alami.
· Logika Fuzzy dapat membangun dan
mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses
pelatihan.
Profesor Lotfi A. Zadeh adalah guru besar pada University of
California yang merupakan pencetus sekaligus yang memasarkan ide tentang cara
mekanisme pengolahan atau manajemen ketidakpastian yang kemudian dikenal dengan
logika fuzzy. Dalam penyajiannya vaiabel-variabel yang akan digunakan harus
cukup menggambarkan ke-fuzzy-an tetapi di lain pihak persamaan-persamaan yang
dihasilkan dari variable-variabel itu haruslah cukup sederhana sehingga
komputasinya menjadi cukup mudah.
Karena itu Profesor Lotfi A
Zadeh kemudian memperoleh ide untuk menyajikannya dengan menentukan “derajat
keanggotaan” (membership function) dari masing-masing variabelnya. Fungsi
keanggotaan (membership function), adalah suatu kurva yang menunjukkan pemetaan
titik input data kedalam nilai keanggotaanya (sering juga disebut dengan
derajat keanggotaan) yang memiliki interval antara 0 sampai 1.
· Derajat Keanggotaan (membership
function) adalah : derajat dimana nilai crisp dengan fungsi keanggotaan ( dari
0 sampai 1 ), juga mengacu sebagai tingkat keanggotaan, nilai kebenaran, atau
masukan fuzzy.
· Label adalah nama deskriptif yang
digunakan untuk mengidentifikasikan sebuah fungsi keanggotaan.
· Fungsi Keanggotaan adalah
mendefinisikan fuzzy set dengan memetakkan masukan crisp dari domainnya ke
derajat keanggotaan. Masukan Crisp adalah masukan yang tegas dan
tertentu.
· Lingkup/Domain adalah lebar fungsi
keanggotaan. Jangkauan konsep, biasanya bilangan, tempat dimana fungsi
keanggotaan dipetakkan.
· Daerah Batasan Crisp adalah jangkauan
seluruh nilai yang dapat diaplikasikan pada variabel sistem.
Contoh penerapan Logika Fuzzy dalam kehidupan sehari-hari:
Logika Fuzzy untuk Sistem Pengaturan Suhu Ruangan.
Untuk menentukan suhu dalam suatu ruangan, kita dapat menentukannya menggunakan Logika Fuzzy. Jika suhu dalam suatu ruangan dingin maka naikkan suhu penghangat, dan jika suhu dalam suatu ruangan panas maka naikkan suhu pendingin.
Logika
Fuzzy untuk Sistem Pengaturan Lampu Lalu lintas.
Untuk memperlancar arus lalu lintas dengan adanya
system yang bekerja secara otomatis diharapkan angka kecelakaan bias dikurangi.
Untuk kepadatan jumlah kendaraan dibuat pemberitahuan seperti: Tidak Padat
(TP), Kurang Padat (KP), Cukup Padat (CP), Padat (P) dan Sangat Padat (SP).
Penerapan
Fuzzy Logic:
Air Conditioner (Mitsubishi)
AC Mitsubishi menggunakan fuzzy logic dalam system control-nya seperti berikut :
“Jika suhu udara semakin hangat, daya pendinginan naik sedikit, jika udara semakin dingin, matikan daya ke bawah.”
Beberapa keuntungan yang diperoleh adalah sebagai berikut :
Mesin menjadi halus sehingga tidak cepat rusak, suhu kamar yang nyaman menjadi lebih konsisten dan peningkatan efisiensi (penghematan energi).
Vacuum Cleaner (Panasonic)
Prinsip kerja Vacuum Cleaner yang diproduksi oleh Panasonic adalah sebagai berikut :
“Karakteristik lantai dan jumlah debu yang dibaca oleh sensor inframerah dan mikroprosesor akan memilih daya yang sesuai dengan kontrol fuzzy berdasarkan karakteristik lantai.”
Karakteristik lantai meliputi jenis (kayu, semen, ubin, kelembutan karpet, karpet tebal, dll).
Pola perubahan jumlah debu yang melewati sensor inframerah dapat dideteksi.
Mikroprosesor menetapkan pengaturan yang sesuai dengan vakum dan daya motor menggunakan skema kontrol fuzzy.
Lampu merah dan hijau dari penyedot debu menunjukkan jumlah debu tersisa di lantai.
Automatic Transmission System (Nissan, Subaru, Mitsubishi)
Dalam sistem transmisi otomatis konvensional, sensor elektronik mengukur kecepatan kendaraan dan membuka throttle, and gear bergeser berdasarkan nilai-nilai variabel-variabel yang telah ditentukan.
Pada Nissan, tipe sistem ini tidak mampu memberikan performa kontrol seragam yang memuaskan untuk driver karena hanya menyediakan sekitar tiga pola pergeseran yang berbeda.
Dengan digunakannya fuzzy locgic membuat transmisi kontrol fuzzy mampu membaca beberapa variabel termasuk kecepatan kendaraan dan akselerasi, membuka throttle, laju perubahan pembukaan throttle, beban mesin, dan gaya mengemudi. Ketika variabel ini terdeteksi maka akan diberi bobot nilai dan agregat fuzzy dihitung untuk memutuskan kapan akan oper.
Kontroler ini dikatakan lebih fleksibel, halus, dan efisien, memberikan kinerja yang lebih baik. Sebuah sistem yang terintegrasi yang dikembangkan oleh Mitsubishi juga menggunakan logika fuzzy untuk kontrol aktif dari sistem suspensi, four-wheel-drive (traksi), kemudi, dan pendingin udara.
Game untuk Merespon Emosi dari Teks Berbahasa Indonesia Menggunakan Klasifikasi Teks dan Logika Fuzzy.
Game sebagai media hiburan telah berkembang dengan pesat seiring dengan perkembangan teknologi. Salah satu unsur yang berperan penting dalam sebuah game adalah kecerdasan buatan. Dengan kecerdasan buatan, elemen-elemen dalam game dapat berperilaku sealami mungkin layaknya manusia.
Dalam game ini dikembangkan implementasi kecerdasan buatan dalam game dimana salah satu elemen game yaitu NPC (Non Playable Character), mampu mengenali emosi dari teks berbahasa indonesia sekaligus merespon dengan perilaku sesuai dengan jenis emosinya. Metode yang digunakan dalam penelitian ini adalah klasifikasi teks sebagai penentu jenis emosi dalam teks dan logika fuzzy sebagai penentu perilaku dari NPC yang sesuai dengan jenis emosinya.
Air Conditioner (Mitsubishi)
AC Mitsubishi menggunakan fuzzy logic dalam system control-nya seperti berikut :
“Jika suhu udara semakin hangat, daya pendinginan naik sedikit, jika udara semakin dingin, matikan daya ke bawah.”
Beberapa keuntungan yang diperoleh adalah sebagai berikut :
Mesin menjadi halus sehingga tidak cepat rusak, suhu kamar yang nyaman menjadi lebih konsisten dan peningkatan efisiensi (penghematan energi).
Vacuum Cleaner (Panasonic)
Prinsip kerja Vacuum Cleaner yang diproduksi oleh Panasonic adalah sebagai berikut :
“Karakteristik lantai dan jumlah debu yang dibaca oleh sensor inframerah dan mikroprosesor akan memilih daya yang sesuai dengan kontrol fuzzy berdasarkan karakteristik lantai.”
Karakteristik lantai meliputi jenis (kayu, semen, ubin, kelembutan karpet, karpet tebal, dll).
Pola perubahan jumlah debu yang melewati sensor inframerah dapat dideteksi.
Mikroprosesor menetapkan pengaturan yang sesuai dengan vakum dan daya motor menggunakan skema kontrol fuzzy.
Lampu merah dan hijau dari penyedot debu menunjukkan jumlah debu tersisa di lantai.
Automatic Transmission System (Nissan, Subaru, Mitsubishi)
Dalam sistem transmisi otomatis konvensional, sensor elektronik mengukur kecepatan kendaraan dan membuka throttle, and gear bergeser berdasarkan nilai-nilai variabel-variabel yang telah ditentukan.
Pada Nissan, tipe sistem ini tidak mampu memberikan performa kontrol seragam yang memuaskan untuk driver karena hanya menyediakan sekitar tiga pola pergeseran yang berbeda.
Dengan digunakannya fuzzy locgic membuat transmisi kontrol fuzzy mampu membaca beberapa variabel termasuk kecepatan kendaraan dan akselerasi, membuka throttle, laju perubahan pembukaan throttle, beban mesin, dan gaya mengemudi. Ketika variabel ini terdeteksi maka akan diberi bobot nilai dan agregat fuzzy dihitung untuk memutuskan kapan akan oper.
Kontroler ini dikatakan lebih fleksibel, halus, dan efisien, memberikan kinerja yang lebih baik. Sebuah sistem yang terintegrasi yang dikembangkan oleh Mitsubishi juga menggunakan logika fuzzy untuk kontrol aktif dari sistem suspensi, four-wheel-drive (traksi), kemudi, dan pendingin udara.
Game untuk Merespon Emosi dari Teks Berbahasa Indonesia Menggunakan Klasifikasi Teks dan Logika Fuzzy.
Game sebagai media hiburan telah berkembang dengan pesat seiring dengan perkembangan teknologi. Salah satu unsur yang berperan penting dalam sebuah game adalah kecerdasan buatan. Dengan kecerdasan buatan, elemen-elemen dalam game dapat berperilaku sealami mungkin layaknya manusia.
Dalam game ini dikembangkan implementasi kecerdasan buatan dalam game dimana salah satu elemen game yaitu NPC (Non Playable Character), mampu mengenali emosi dari teks berbahasa indonesia sekaligus merespon dengan perilaku sesuai dengan jenis emosinya. Metode yang digunakan dalam penelitian ini adalah klasifikasi teks sebagai penentu jenis emosi dalam teks dan logika fuzzy sebagai penentu perilaku dari NPC yang sesuai dengan jenis emosinya.
Di bawah ini adalah beberapa contoh aplikasi Fuzzy Logic:
1. Penghematan Konsumsi Daya Listrik AC (Mitsubhishi
Heavy Industries Tokyo).
2. Mesin Cuci.
3. Kamera.
4. Sistem Pengereman Mobil (Nissan).
5. Pengontrol kereta bawah tanah di Sendai,
Jepang.
Sumber :
·
https://www.academia.edu/4858948/FUZZY_LOGIC_ASAL_MULA_FUZZY_LOGIC_Konsep_Fuzzy_Logic_diperkenalkan_oleh_Prof
·
http://socs.binus.ac.id/2012/03/02/pemodelan-dasar-sistem-fuzzy/
·
Suyanto, ST, MSc. Artificial
Intelligence Searching, Reasoning, Planning danLearning.
NAMA : FARHAN JULIYANTO
NPM : 13114956
KELAS : 3KA32
NPM : 13114956
KELAS : 3KA32
Tidak ada komentar:
Posting Komentar