Belajar Logika Fuzzy

A. OVERVIEW
Tujuan dari setiap sistem kendali adalah menghasilkan keluaran untuk masukan yang diberikan. Sebagai contoh, kontroller mesin mobil merespon variable masukan seperti posisi mesin, tekanan silinder, dan temperatue silinder untuk mengatur aliran bahan bakar dan spark timing. MASUKAN KELUARAN

Sistem Kendali

Posisi Mesin Tekanan Silinder Temperatur Silinder

Kontroller Mesin Mobil

Aliran Bahan Bakar

Spark Timing

Dalam banyak kasus, kontroller konvensional mengambil data dari tabel definisi yang menspesifikasikan keluaran yang dihasilkan untuk setiap masukan atau kombinasi masukan. Tabel Definisi Variable 1 in.1 Variable 2 in.1
Out 1.1

in.m

in.n

Out 1.n IF temperatur dalam 85derajat and temperatur luar 79derajat, then set kecepatan Fan pada 3000 rpm

Meskipun cukup untuk situasi kendali sederhana, pendekatan tabel akan menghadapi masalah saat dibutuhkan banyak masukan atau keluaran. Membesarnya tabel sering menyebabkan kebutuhan memori semakin besar pula. Sehingga biaya yang dikeluarkan semakin bertambah. Sistem mungkin memberikan respon yang tidak merata atau tidak sama layaknya kontroller melompat dari suatu nilai keluaran ke nilai keluaran lainnya.
Fuzzy Logic TEAM, Laboratorium Mikroelektronika ITN Malang

1

Belajar Logika Fuzzy Solusi terhadap masalah ini adalah adanya kontroller yang mengeksekusi perhitungan matematis yang mengekspresikan keluaran sebagai fungsi masukan. Secara teori, perhitungan mewakili keakuratan model dari perilaku sistem. Secara praktis sayangnya perhitungan dapat menjadi cukup rumit. Bekerja dengan keadaan realtime dari mikrokontroller untuk kedua kondisi tersebut bisa jadi tidak dapat dikerjakan. Lebih jauh hal ini sulit atau bahkan tidak mungkin untuk menurunkan persamaan model matematis dalam tempat pertama. Ahli teknik ototmotif dapat memahami hubungan secara umum antara, katakanlah, waktu pembakaran, aliran udara, campuran bahan bakar, dan putaran mesin, namun perhitungan matematis yang mendasari hubungan tersebut mungkin samar. Logika Fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan sistem yang kompleks dan tak terbatas. Walaupun namanya agak kontradiktif, logika fuzzy memberikan rangka kerja yang kuat dalam memecahkan banyak masalah pengontrolan. Aturan dasar kontroller fuzzy menghendaki sedikit kode dan memori dan tidak membuthkan heavy number-crunching atau model matematis kompleks untuk mengoperasikannya. Yang dibutuhkan adalah pemahaman praktis dari perilaku sistem keseluruhan. Banyak produk komersial memakai logika fuzzy yang menggunakan kurang dari 20 aturan.
Anticendent 1 Temperatur Dingin K E Basah L E M Lembab B A B A Kering N Pendek Sejuk Pendek Normal Pendek Hangat Pendek Panas

Anticendent 2

Pendek

Pendek

Cukup

Cukup

Cukup

Cukup

Panjang

Panjang

Panjang Panjang

Panjang

Contoh aturan yang diringkas dari tabel diatas : IF temperatur panas AND tanah kering THEN lamanya penyiraman panjang IF temperatur dingin AND tanah basah THEN lamanya peniraman pendek

Logika Fuzzy telah ditransformasikan dalam banyak pasar produk di jepang, dan sekarang diterima secara luas di seluruh dunia. Ahli ahli industri percaya bahwa logika fuzzy akan memainkan peran penting dalam lingkup kontrol industri dan menjadi bisnis jutaan dolar. Untuk mendapatkan keuntungan penggunaan logika fuzzy, pertama kali anda harus memahami konsep dan prinsip dasarnya. Program ini didesain untuk memberikan anda pemahaman dasar pada bagaimana logika fuzzy bekerja dan bagaimana anda dapat mengaplikasikannya kedalam produk anda.

Fuzzy Logic TEAM, Laboratorium Mikroelektronika ITN Malang

2

Secara eksplisit bekerja dengan informasi yang amat banyak. pendingin ruangan. Lotfi Zadeh dari universitas California di Barkeley menemukan bahwa hukum benar atau salah dari logika boolean tidak memperhitungkan beragam kondisi yang nyata. logika fuzzy memiliki banyak nilai. Kesamaan antara perilaku mesin dan perilaku manusia akan mereduksi kebutuhan akan kontrol luar yang kompleks.Belajar Logika Fuzzy B. Tidak seperti logika boolean. DASAR-DASAR B. mantap.1 Pendahuluan Pada pertengahan 1960. Untuk menghitung gradasi yang tak terbatas jumlahnya antara benar dan salah. membuat mesin lebih Fuzzy Logic TEAM. video dan kamera refleksi lensa tunggal. fuzzy membaginya dalam derajat keanggotaan dan derajat kebenaran. 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. Laboratorium Mikroelektronika ITN Malang 3 . Hal ini telah dibuktikan oleh Bart Kosko bahwa logika boolean adalah kasus kusus dari logika fuzzy. dan banyak sistem diagnosa mandiri. Kinerja yang lebih baik Dengan logika Fuzzy para ahli teknik penjual software dan desainer dapat membuat mesin yang dapat merespon secara lebih pintar pada keadaan yang tidak tepat dan sring memiliki kondisi yang berlawanan dengan dunia luar. alat alat rumah tangga. dan masukan yang tidak tepat bagi sistem perangkat lunak yang akan membuat mesin ini menirunya. sinyal kontrol sebagai kondisi. dan canggih dibandinhkan dengan sistem konvensional. Keuntungan lain dari MIQ adalah Pemakaian yang lebih mudah digunakan. Tidak seperti elemen yang dikategorikan 100% ini atau itu. Prof. yaitu : sesuatu yang dapat menjadi sebagian benar dan sebagian salah pada waktu yang sama. oven microwave. dan sistem pengambil keputusan yang lebih fleksibel. Lotfi Zadeh mengatakan Integrasi Logika Fuzzy kedalam sistem informasi dan rekayasa proses adalah menghasilkan aplikasi seperti sistem kontrol. Kemandirian yang lebih tinggi. manusia. atau sebuah dalil yang menyatakan semuanya benar atau seluruhnya salah. Dengan kata lain jalan bagi kita. merespon dunia luar. Zadeh mengembangkan ide penggolongan set yang ia namakan set fuzzy .

Perubahan kecil dalam sistem dapat menyebabkan perbedaan reaksi yang berarti. Sementara hal ini dapat dibenarkan bahwa tumpang tindih antara set dapat terjadi dalam logika boolean.pada derajat yang sama Fuzzy Logic TEAM. Seperti yang anda lihat pada grafik fuzzy dibawah ini.9 dan 80. Dengan logika fuzzy.Belajar Logika Fuzzy “beralasan”. Sebagia contoh. “kedua-duanya benar” mungkin merupakan jawabannya.1 79. sementara itu.9 derajat dapat diklasifikasikan sebagai hangat. apakah 80 derajat fahrenheit tergolong hangat atau panas? Dalam logika fuzzy.1 masuk pada set yang sama dan dianggap. dan dalam dunia nyata. perubahan kecil temperatur akan memberikan hasil perubahan yang tidak jelas pada kinerja sistem. transisi dari set ke set terjadi seketika itu juga ( yaitu elemen yang dapat menjadi anggota set atau tidak ). Dalam sistem fuzzy.1 masuk pada set yang berbeda Set Fuzzy Disini 79. 79. dan 80. Dan membantu pabrik dalam komputerisasiyang berguna dalam kehidupan kita sehari -hari.1 derajat dapat diklasifikasikan sebagai panas.9 dan 80. hangat panas hangat panas 79.1 60 70 80 90 60 70 80 90 Tempt ( Fahrenheit ) Tempt ( Fahrenheit ) Konvensional Set Disini 79. 80 derajat adalah sebagian hangat dan sebagian panas dalam gambaran set fuzzy.9 80.9 80. transisi dapat bertingkat – tingkat ( yaitu elemen dapat memiliki sebagian keanggotaan dalam sejumlah set ) hangat panas hangat panas 60 70 80 90 60 70 80 90 Tempt ( Fahrenheit ) Tempt ( Fahrenheit ) Konvensional Set Set Fuzzy Dalam logika klasik menggunakan set konvensional yang ditunjukkan dibawah. Laboratorium Mikroelektronika ITN Malang 4 .

1] µS ( x ) = 1 . Hal ini mungkin kelihatan tidak jelas.1} untuk sebuah elemen x dari S. seperti ditunjukkan dalam persamaan rumus berikut ini : µS : S → [0.[x ].〈 µS .〈.6. fs(x)=1. jika x ∉ s Secara tajam. jika x ∈ s f s (x) = 0. dinamakan “ fungsi karakteristik S “.6 60 70 80 90 Temperatur [F] Fuzzy Logic TEAM. f s (x) = 1 . berarti x total dalam S µS (x ) = 0 . set “S” didefinisikan sebagai fungsi fs . Karena itu.1 . memetakkan elemen S pada nilai antara nol dan satu. alternatif hitam dan putih. dalam teori set fuzzy. Untuk x sebagai elemen S. untuk setiap elemen x dari S. berarti x bukan dalam S 0. Sebagai contoh temperatur 80 derajat fahrenheit dapat diklasifikasikan antara daerah nol sampai satu sebagai panas pada tingkat 0. Walaupun kelihatan kontradiksi dari namanya . berarti x sebagian dalam S Logika Fuzzy mengenali tidak hanya clear cut. µs (x) sama dengan derajat dimana x adalah elemen S. Fs memetakkan elemen S ke satu (benar) atau nol (salah). tapi juga tingkatan tak terbatas antara keduanya.Belajar Logika Fuzzy Informasi tambahan pada set Fuzzy : Dalam teori klasik atau konvensional. seperti ditunjukkan dalam rumus dibawah. set S didefinisikan sebagai µs . Nilai ini kemudian digunakan untuk menurunkan kepastian atau penyelesaian crisp terhadap masalah perancangan. logika fuzzy memberikan metoda ketepatan yang dapat diandalkan dari persoalan pengambilan keputusan crisp. dinamakan “fungsi keanggotaan S” µs . 1 0. seperti ditunjukkan dalam rumus. dan fs(x)=0 jika x bukan elemen S f s : S → {0. namun lo gika fuzzy menghilangkan banyak keraguan dengan menentukan nilai tertentu pada tingkatan tersebut. Laboratorium Mikroelektronika ITN Malang 5 . jika x adalah elemen S.

B. dan membandingkannya dengan informasi fungsi keanggotaan yang tersimpan untuk menghasilkan nilai masukan fuzzy. Menggunakan logika fuzzy untuk mencapai penyelesaian crisp pada masalah khusus biasanya melibatkan tiga langkah : fuzzyfikasi. anda harus mengenal konsep dasar yang berhubungan dengan logika fuzzy. fungsi keanggotaan pertama kali harus ditentukan untuk tiap masukan. Untuk mengubah bentuk masukan crisp kedalam masukan fuzzy. dan defuzzyfikasi.Belajar Logika Fuzzy Untuk mengerti sistem fuzzy. Disini domain dari fuzzy set ( fungsi keanggotaan ) adalah dari 0 sampai 20 derajat dan lingkupnya adalah 20 derajat. tempat dimana fungsi keanggotaan dipetakkan. dan sebaganya.8 0. DAERAH BATASAN CRISP adalah jangkauan seluruh nilai yang mungkin dapat diaplikasikan pada variabel sistem. Fuzzy Logic TEAM. seperti temperatur. juga mengacu sebagai tingkat keanggotaan. LABEL adalah nama deskriptif yang digunakan untuk mengidentifikasikan sebuah fungsi keanggotaan. MASUKAN CRISP adalah masukan yang tegas dan tertentu LINGKUP / DOMAIN adalah lebar fungsi keanggotaan.0 0. 90 mph akan ditransformasikan menjadi cepat. Masukan crisp ditransformasikan kedalam masukan fuzzy. Jika anda tidak / belum mengetahui bagaimana logika fuzzy itu bekerja kami sarankan agar anda benar benar memahami betul tiap langkah dalam bagian berikutnya. Laboratorium Mikroelektronika ITN Malang 6 . Sebagi contoh. biasanya bilangan. atau masukan fuzzy. evaluasi rule. FUNGSI KEANGGOTAAN adalah mendefinisikan fuzzy set dengan memetakkan masukan crisp dari domainnya ke derajat keanggotaan. DEGREE OF MEMBERSHIP FUNCTION ( DERAJAT KEANGGOTAAN ) LABEL MEMBERSHIP FUNCTION ( FUNGSI KEANGGOTAAN ) DINGIN PANAS 1. Sekali fungsi keanggotaan ditentukan. nilai kebenaran.2 0 0 CRISP INPUT ( MASUKAN CRISP ) 10 18 20 30 SCOPE / DOMAIN DAERAH BATASAN CRISP DERAJAT KEANGGOTAAN adalah : derajat dimana nilai crisp compatible dengan fungsi keanggotaan ( dari 0 sampai 1 ). masukan crisp 78 derajat akan ditransformasikan sebagai hangat dalam bentuk fuzzy. fuzzyfikasi mengambil nilai masukan secara realtime.2 Fuzzyfikasi dan Fungsi Keanggotaan Langkah pertama dalam memproses logika fuzzy mengandung transformasi domain yang dinamakan fuzzyfikasi. Jangkauan konsep.

Normal. untuk mengkalkulasi lamanya penyiraman. Sejuk. Laboratorium Mikroelektronika ITN Malang 7 . Lebih jauh jumlah label yang terlalu banyak dapat menyebabkan sistem fuzzy menjadi tidak stabil. Kering. Info Tambahan Pada Label : Setiap masukan crisp kedalam sistem fuzzy dapat memiliki banyak label yang mengacu padanya.Belajar Logika Fuzzy Masukan Crisp Masukan Fungsi Keanggotaan Fuzzyfikasi Fuzzy Input Untuk menggambarkan proses fuzzyfikasi. Basah. temperatur. jumlahnya biasanya (namun tidak selalu) merupakan bilangan ganjil 3. temperatur udara luar dan kondisi tanah. Sebagai hasilnya. daerah fuzzy RENDAH harus mempunyai daerah TINGGI yang sama besarnya dengan temperatur normal yang diset sebagai NORMAL. Fuzzy Logic TEAM. mari kita lihat sistem penyiraman tanaman. 7. memberi hasil dalam respon kontrol yang lebih baik. Dingin. 9. besarnya jumlah label menunjuk pada variabel masukan yang digambarkan. Untuk pembahasan selanjutnya dari bagian ini kita akan berkonsentrasi pada masukan temperatur. Pengendali fuzzy dalam sistem ini akan menggunakan dua masukan. Sementara itu banyaknya label membutuhkan tambahan waktu komputasi. Temperatur Udara Kontrol Fuzzy Lamanya Penyiraman Kelembaban Tanah Langkah pertama dalam fuzzyfikasi adalah menentukan label label fuzzy pada daerah batasan crisp dari setiap masukan crisp. Dan untuk kondisi tanah kita bagi menjadi 3 label. resolusi tertinggi resultan sistem kontrol fuzzy. Secara umum. Lembab. Panas. banyaknya label untuk setiap variabel dalam sistem fuzzy berkisar antara 3 dan 9. Jadi jika anda mempunyai variabel. Kontrol set fuzzy dalam kedua sisi nol (atau normal) harus seimbang dan simetris. 5. Hangat. Jadi untuk temperatur kita dapat menentukan daerah label misalkan kita bagi menjadi 5 label.

mereke membutuhkan persamaan yang lebih rumit atau tabel yang lebih besar terhadap keakuratan yang diwakilinya. Bentuk trapesoid dan segitiga dalah yang paling sering digunakan. Fuzzy Logic TEAM. Tidak seperti logika boolean. bentuk fungsi mempengaruhi secara langsung waktu dan ruang yang dibutuhkan oleh mikrokontroller mengerjakan fuzzyfikasi dan defuzzyfikasi.Belajar Logika Fuzzy Berikutnya. Fungsi keanggotaan dapat mengambil beberapa bentuk yang berbeda. fungsi keanggotaan dinyatakan untuk memberi arti numerik pada tiap label. fungsi keanggotaan label tidak mendefinisikan batas batas dimana label diaplikasikan secara penuh pada satu sisi cutoff dan tidak pada semua sisi lain cutoff. Pendekatan Konvensional Dingin Sejuk Normal hangat Panas 30 40 50 60 70 80 90 100 110 Pendekatan Logika Fuzzy Keluaran fuzzy juga punya fungsi keanggotaan. Hal ini akan dibahas lebih jauh dan mendalam pada Evaluasi Rule dan Defuzzyfikasi Singkat Cukup Lama 10 20 30 40 50 60 Informasi tambahan untuk Fungsi Keanggotaan : Bentuk fungsi keanggotaan mempengaruhi proses fuzzy dalam jalan yang tak diketahui. Setiap fungsi keanggotaan mengidentifikasikan daerah nilai masukan yang berkorespondensi dengan label. Laboratorium Mikroelektronika ITN Malang 8 . Sebagai contoh. Walaupun ada daerah dimana nilai masukan berubah secara bertahap dari keadaaan dapat diaplikasikan ke keadaan tak dapat diaplikasikan. Meskipun bentuk yang lain mungkin saja lebih mewakili fenomena alam yang terjadi.

Fuzzy kernel dapat membatasi persamaan garis pada nilai antara 0 dan 1. segitiga. HC11 Freeware kernel menerima keterwakilan seperti gambar dibawah. namun ia juga memakai memori dalam jumlah yang besar. bermacam macam metode digunakan untuk mewakili fungsi dalam sebuah mikrokontroller. µ 1 c d a b 0 X1 X2 Byte 1 = point x1 Byte 2 = slope a/b Byte 3 = point x2 Byte 4 = slope d/c ( tanda negatif dimasukkan ) Tabel dibawah merupakan gambaran umum untuk fungsi tak beraturan. Jika titik hanya diijinkan terjadi pada µ sama dengan 0 dan µ sama dengan 1. Representasi point slope membuat fungsi trapesoid. fungsi keanggotaan trapesoid penuh dapat diwakili dalam 4 byte. Laboratorium Mikroelektronika ITN Malang 9 . Bentuk ini sering digunakan untuk menggambarkan defuzzyfikasi. dan singleton yangdiwakili dengan jumlah ruangdan waktu yang minimal.Belajar Logika Fuzzy Singleton mudah diaplikasikan dalam komputer dan algoritma defuzzyfikasi yang sederhana. Sebagai contoh. Meskipun hal ini mungkin cara tercepat mewakili fuzzyfikasi. Segitiga Trapesoid Singleton Tergantung pada bentuk fungsi keanggotaan. Fuzzy Logic TEAM.

fungsi bentuk tak beraturan menghabiskan waktu lebih banyak dalam defuzzyfikasi jika mikrokontroller menggunakan defuzzyfikasi Center Of Gravity (COG).05 0 80 81 82 83 84 85 86 Ketika singleton digunakan untuk menggambarkan fungsi keanggotaan keluaran.0 0. Laboratorium Mikroelektronika ITN Malang 10 .20 0. Defuzzyfikasi COG dijelaskan secara detil dalam bagian defuzzyfikasi.0 0.Belajar Logika Fuzzy Lebih jauh. COG Fuzzy Logic TEAM. Menggambarkan singleton adalah merupakan aksi keluaran resultan yang mungkin tidak mewakili respon sedekat yang anda dituju.20 1.25 0.05 0. Penyelidikan telah menunjukkan bahwa kinerja yang pantas dan penghematan waktu yang berarti dapat dicapai menggunakan keluaran yang singleton. defuzzyfikasi COG mereduksi ke perhitungan rata rata berat secara sederhana.25 0. Tempt 80 81 82 83 84 86 µ 0 0.17 0.17 1.

84 75 .98 90 .70 60 . yaitu derajat keanggotaan. dan sebagainya}. Laboratorium Mikroelektronika ITN Malang 11 . hangat.110 hangat Panas Dingin Sejuk Normal 30 40 50 60 70 80 90 100 110 Harga (µ) pada sumbu y mengacu pada derajat dimana nilai masukan crisp (temperatur) dipasang pada tiap labelfungsi keanggotaan {sejuk. nilai masukan dapat menjadi milik lebih dari satu set fuzzy.Belajar Logika Fuzzy Masukan fungsi keanggotaan dihasilkan dengan menuliskan satu demi satu bilangan. Seperti yang anda lihat. 92 derajat termasuk dalam set hangat dan juga set panas yang telah didefinisikan oleh fungsi keanggotaan. untuk setiap nilai masukan ya ng mungkin dari label yang diberikan Label Domain Dingin Sejuk Normal hangat Panas 30 .47 40 . Fuzzy Logic TEAM.

25 0 0 Masukan Crisp 62 Dingin Sejuk Normal hangat Panas 1.45 0.Belajar Logika Fuzzy Masukan Fuzzy F U Z Z Y F I K A S I Dingin Sejuk Normal hangat Panas 0 0 0 0.45 Masukan Crisp 92 Dingin Sejuk Normal hangat Panas 1.55 0.0 0.0 0.45 0 30 40 50 60 70 80 90 100 110 Masukan Fuzzy F U Z Z Y F I K A S I Dingin Sejuk Normal hangat Panas 0 0.25 0 30 40 50 60 70 80 90 100 110 Fuzzy Logic TEAM.55 0. Laboratorium Mikroelektronika ITN Malang 12 .

Jika anda belum memahami bagian fuzzyfikasi ini disarankan agar anda mengulangi lagi sampai anda benar benar faham dan ngerti tentang fuzzyfikasi sebelum anda melangkah ke evaluasi rule.9 derajat adalah normal sekaligus hangat. Respon sistem dalam bentuk lamanya penyiraman akan dihitung pada derajat keanggotaan temperatur masukan pada tiap set. Perilaku Logika Fuzzy Dingin Sejuk Normal hangat Panas 1. Pada bagian / langkah berikutnya setelah fuzzyfikasi yaitu evaluasi rule. Laboratorium Mikroelektronika ITN Malang 13 .Belajar Logika Fuzzy Menguraikan masukan crisp dalam bentuk fuzzy mengijinkan sistem merespon secara halus perubahan dalam temperatur masukan.9 Perilaku Kode Konvensional Fuzzy Logic TEAM. reaksi sistem fuzzy terhadap aturan. “jika temperatur luar panas. jika temperatur luar hangat maka maka lamanya penyiraman agak lama” akan berubah hanya sedikit jika temperatur luar bergerak dari 80 derajat ke 79. kita akan mengetahui bagaimana aturan aturan menggunakan masukan fuzzy untuk menentukan aksi sistem. maka lamanya penyiraman singkat. 80 derajat dan 79.9 derajat. Sebagai contoh. pada keadaan ini.0 0 30 40 50 60 70 80 90 100 110 79.

maka yang menggambarkan aksi yang diambil dalam merespon bermacam macam masukan fuzzy. Dalam proses fuzzyfikasi.3 Evaluasi Rule Masukan Crisp Masukan Fungsi Keanggotaan Fuzzyfikasi Fuzzy Input Aturan aturan Evaluasi Rule Fuzzy Output Dalam langkah kedua pemroses logika fuzzy. temperatur dan kelembaban.Belajar Logika Fuzzy B. Aturan aturan fuzzy biasanya menggunakan pernyataan jika. kemudian mengevaluasi tiap aturan dengan masukan yang dihasilkan dari proses fuzzyfikasi. Laboratorium Mikroelektronika ITN Malang 14 . Fuzzy Logic TEAM. Evaluasi rule juga mengacu pada fuzzy inference. prosesor fuzzy menggunakan aturan linguistik untuk menentukan aksi kontrol apa yang harus dilakukan dalam merespon nilai masukan yang diberikan. kita mengetahui bagaimana masukan crisp. mengaplikasikan aturan pada masukan fuzzy yang dihasilkan dalam proses fuzzyfikasi. ditransformasikan kepada masukan fuzzy dalam sistem penyiraman tanaman Masukan Crisp Temperatur Udara Kontrol Fuzzy Keluaran Crisp Lamanya Penyiraman Kelembaban Tanah Sekarang kita akan mengetahui bagaimana masukan masukan tersebut digunakan dalam proses evaluasi rule. dinamkan evaluasi rule.

Then consequent 1 And cosequent 2……. mereka dibatasi oleh istilah istilah linguistik. dimana temperatur adalah variabel masukan dan panas adalah salah satu label fungsi keanggotaan yang berhubungan dengan temperatur ). serta sintaksis yang baku. Anticendent 1 Temperatur Dingin K E Basah L E M Lembab B A B A Kering N Pendek Sejuk Pendek Normal Hangat Panas Pendek Anticendent 2 Pendek Pendek Pendek Sedang Sedang Sedang Sedang Panjang Panjang Panjang Panjang Panjang Fuzzy Logic TEAM. lamanya penyiraman panjang ) Antecedent Antecedent 1 Antecedent 2 If temperatur panas And tanah kering Then lamanya penyiraman panjang Consequent Aturan aturan mengikuti perilaku umum sistem dan ditulis dalam pola label linguistik fungsi keanggotaan. Laboratorium Mikroelektronika ITN Malang 15 . Then lamanya penyiraman pendek • If mobil bergerak cepat And permukaan jalan kering. Untuk dua masukan. Sintaksis tersebut adalah : If antecedent 1 And antecedent 2 …….Belajar Logika Fuzzy Contoh aturan aturan fuzzy • If tanah basah And temperatur panas. secara bahasa.. dimana And adalah salah satu operator logika fuzzy yang diijinkan.. Then naikkan aliran air dingin perlahan lahan Meskipun aturan aturan tersebut kelihatan bebas dalam bentuk bahasa alami. Dan consequent dalam bentuk : variabel keluaran = Label ( contohnya : lamanya penyiraman = panjang atau. dan antecedent adalah bentuk dari : Variable masukan = Label ( contohnya : temperatur = panas. Then pengereman keras • If air pancuran terlalu panas. satu sistem keluaran aturan tersebut dapat ditulis dalam bentuk matriks seperti gambar disebelah kanan. Sebagai catatan bahwa pendekatan intuitif sistem dapat menggantikan perhitungan matematis yang pasti yang mungkin dibutuhkan untuk menggambarkan fisik yang dimaksud dari sistem.

langkah berikutnya adalah mendapatkan derajat kebenaran (rule strength) untuk setiap rule. Nilai minimum ini yang akan menjadi nilai kebenaran bagi rule tersebut.Belajar Logika Fuzzy Aturan aturan contoh yang diambil dari tabel diatas sebagai berikut : • If temperatur panas And tanah kering. Untuk mengetahui hubungan tiap antecedent.46 set fuzzy “panas”. masukan temperatur udara 92 derajat fahrenheit ditemukan pada perpotongan di titik 0.25 11 % 12 % Basah 0.2 92 Temperatur udara dalam derajat F U Z Z Y F I K A S I Dingin Sejuk Normal hangat Panas 0 0 0 0. Temperatur Udara Fungsi Keanggotaan Hangat dan Panas derajat relevansi antecedent Masukan Fuzzy derajat keanggotaan Hangat 1 0. Laboratorium Mikroelektronika ITN Malang 16 . Then lamanya penyiraman panjang • If temperatur dingin And tanah basah Then lamanya penyiraman pendek Langkah berikutnya dalam evaluasi rule adalah mengevaluasi hubungan atau derajat keanggotaan antecedent setiap aturan. perpanjang garis referensi vertikal melalui masukan crisp (nilai X) dan dapatkan nilai Y dimana keduanya berpotongan pada fungsi keanggotaan.46 92 Panas Masukan Crisp 0.25 set fuzzy kering dan 0.2 Kelembaban Tanah Fungsi Keanggotaan Kering dan Lembab derajat keanggotaan Kering 0.25 Sekali hubungan dari tiap antecedent telah ditentukan. rule strength mengasumsikan nilai nilai strength terkecil dari antecedent rule. Dalam sistem penyiraman.75 11% derajat relevansi antecedent Masukan Fuzzy F U Z Z Y F I K A S I Kering 0 Lembab Basah Masukan Crisp Lembab 0. Fuzzy Logic TEAM.75 0.2 set fuzzy “hangat” dan 0.masukan kelembaban tanah 11 % akan didapatkan pada perpotongan 0.46 0. Saat antecedent dihubungkan melalui operator “AND”.75 set fuzzy lembab.

OR. sebagai contoh.3 ( seperti contoh sebelumnya ). Gabungan dua set fuzzy A dan B. maka NOT Panas akan menghasilkan nilai 0.Belajar Logika Fuzzy Info tambahan untuk operator Dua operator utama dalam crisp sebagaimana diketahui dengan baik dalam teori set fuzzy adalah IRISAN (dasar untuk operator logika AND) dan GABUNGAN (dasar untuk logika OR) Dengan operator fuzzy AND zadeh. Dengan kata lain. Operator logika fuzzy yang lainnya adalah NOT. Operasi logika fuzzy OR berkorespondensi dengan union (gabungan) dari dua set fuzzy. maka not X mempunyai nilai kebenaran 0. maksimu m nilai kebenaran antecedent akan dipilih. “Panas” menghasilkan nilai 0. AND. Laboratorium Mikroelektronika ITN Malang 17 . minimum nilai kebenaran antecedent dipilih untuk menentukan rule strength keseluruhan. sebagai catatan bahwa dalam fungsi utama. gabungan dua set fuzzy ditentukan dengan mengambil nilai maksimum dari dua fungsi keanggotaan.1 pada derajat keanggotaan. sama seperti set klasik. Fuzzy Logic TEAM. dengan fungsi derajat keanggotaan µA [ X ] dan µB [ X ] secara umum adalah : µA ∪ B[X ] = MAX [µA [ X ]. Operasi utama dalam set fuzzy. Jiak X mempunyai nilai kebenaran 0.9 pada derajat keanggotaan.7. meskipun didefinisikan sedikit berbeda. Dengan operator fuzzy OR zadeh. direkomendasikan menggunakan operator AND dalam keadaan apapun bila memungkinkan. dan NOT. Tetapi . µB [ X ]] Untuk seluruh nilai X.

Laboratorium Mikroelektronika ITN Malang 18 . dilukiskan dengan simbol Not A adalah : µ. µB [X ]] untuk semua nilai X A B AnB Operasi logika NOT berkorespondensi dengan komplemen dari set tunggal. Interseksi dua set ditentukan dengan mengambil nilai minimum dari dua fungsi keanggotaan.Belajar Logika Fuzzy A B AuB Operasi logika AND berkorespondensi dengan interseksi /irisan dua set. Fuzzy Logic TEAM. Perbedaan yang tajam dengan sistem yang konvensional yang mungkin mengeksekusi subrutin yang berbeda untuk kategori temperatur yang berbeda pula. Perhatikan bagaimana perubahan temperatur dihasilkan dalam rule fading in dan rule fading out akibat impact sebagai temperatur masukan yang mengakibatkan rule rule tersebut berarti atau tidak sama sekali. A[ X ] = 1 − µA[X ] untuk semua nilai X A A Untuk mengetahui bagaimana perubahan dalam temperatur masukan m empengaruhi nilai kebenaran dari empat contoh rule yang telah kita definisikan untuk sistem penyiraman sebelumnya anda dapat melihat gambar yang ada dibawah ini. µA ∩ B[ X ] = min [µA [X ]. Komplemen set fuzzy A. Not.

keluaran fuzzy ditentukan dengan rule strength yang memiliki nilai tertinggi dari aksi keluaran yang sama. juga dengan rule strength yang berbeda. yaitu lamanya penyiraman sedang. untuk temperatur masukan 92 derajat fahrenheit dan kelembaban tanah 11% dapat anda liat bahwa rule 2 dan 4 memiliki aksi yang sama. Sehingga hanya ada satu keluaran fuzzy untuk setiap keluaran label fungsi keanggotaan. serta rule 1 dan 3 mengindikasikan durasi yang panjang.7 Masukan Crisp 96 Dingin Sejuk Normal hangat Panas 0.7 0. dengan perbedaan rule strength. aksi keluaran ).5 0.Belajar Logika Fuzzy Masukan Fuzzy F U Z Z Y F I K A S I Dingin Sejuk Normal hangat Panas 0 0 0 0. Saat hal ini menjadi suatu masalah. Laboratorium Mikroelektronika ITN Malang 19 .5 30 40 50 60 70 80 90 100 110 Langkah berikutnya adalah menentukan keluaran fuzzy dengan membandingkan rule strength dari seluruh rule yang dispesifikasikan oleh label qonsequent yang sama ( contohnya. Fuzzy Logic TEAM.

25 0.46) AND tanah lembab (0. rule yang paling berarti memberikan nilai kebenaran yang akan mendominasi.2 0. Untuk nilai masukan crisp.25 untuk panjang dan 0. Buat rule yang menggambarkan perilaku sistem tujuan 2.25) Then lamanya penyiraman panjang Rule 2: IF temperatur hangat (0. 3.46 Secara intuitif. jika banyak rule digunakan untuk sebuah aksi keluaran. Turunkan keluaran fuzzy. tentukan derajat kebenaran tiap anticedent menggunakan transformasi fuzzyfikasi.2) AND tanah lembab (0. Laboratorium Mikroelektronika ITN Malang 20 . Sebagai Kesimpulan langkah la ngkah dalam evaluasi rule adalah : 1.25) THEN lamanya penyiraman panjang Rule 4 : IF temperatur panas (0. jika dua atau lebih rule dipakai untuk memberikan pengaruh yang sama pada keluaran. Prosedur Evaluasi Rule Buat Rule Tentukan Nilai Kebenaran Antecedent Dapatkan Rule Strength Tentukan Keluaran Fuzzy Untuk Setiap Label Qonsequent Fuzzy Logic TEAM.2 0.46) AND tanah kering (0. RULE Rule 1 : IF temperatur panas (0. yaitu nilai minimum derajat kebenaran antecedent. satu yang paling besar dipakai.75) THEN lamanya penyiraman sedang Rule 3: IF temperatur hangat (0.46 untuk sedang Rule Strength 0.Belajar Logika Fuzzy Sebagai contoh. 4. jika aksi keluaran dari fokus kita adalah lamanya penyiraman panjang maka nilai rule strength tertinggi untuk seluruh rule dari aksi keluaran yang sama akan menjadi label keluaran panjang untuk semua keluaran fuzzy.2) AND tanah kering (0.75) THEN lamanya penyiraman sedang Keluaran Fuzzy adalah 0. Dapatkan strength dari keseluruhan rule. yaitu nilai maksimum rule strength untuk setiap label qonsequent. Dalam bentuk yang paling sederhana.

panjang.Belajar Logika Fuzzy Metode evaluasi rule yang digunakan disini dinamakan inference “MIN-MAX”. Jika pada bagian evaluasi rule ini anda masih mengalami kebingungan kami sarankan agar anda membaca lagi sampai anda benar benar mengerti dan faham sebelum anda melangkah ke bagian selanjutnya yakni DEFUZZYFIKASI B. lamanya penyiraman adalah pendek. Defuzzyfikasi. Seperti yang anda ketahui dalam evaluasi rule. seluruh keluaran fuzzy yang signifikan (seperti. akan dikombinasikan kedalam aksi keluaran crisp tunggal. lamanya penyiraman pendek. Dalam metode ini. keluaran difuzzikan. akan dikombinasikan kedalam variabel keluaran yang spesifik. dengan menyimpan rule strength yang terbesar untuk tiap qonsequent. Satu dari banyak teknik defuzzyfikasi yang paling sering digunakan adalah Center of Gravity (COG) atau metode centroid. Dalam proses ini seluruh nilai keluaran fuzzy secara efektif memodifikasi fungsi keanggotaan keluarannya. dan hasil yang komprehensif. rule yang paling benar akan mendominasi.4 Defuzzyfikasi Masukan Crisp Masukan Fungsi Keanggotaan Fuzzyfikasi Fuzzy Input Aturan aturan Evaluasi Rule Fuzzy Output Fungsi Keanggotaan Keluaran Defuzzyfikasi Keluaran Crisp Dalam defuzzyfikasi. panjang. Fuzzy Logic TEAM. karena ia mengambil nilai minimum antecedent untuk menentukan rule strength dan nilai maksimum rule strength untuk setiap qonsequent untuk menentukan keluaran fuzzy. Dalam langkah berikutnya. dan sedang). sedang. tiap fungsi keanggotaan keluaran diatas nilai yang ditunjukkan oleh masing masing keluaran fuzzydi truncated (dipepat / dipotong). Laboratorium Mikroelektronika ITN Malang 21 .

Pemapatan tersebut dinamakan dengan lamda cut 1 0. atau fungsi keanggotaan. λ − cut ) Tidak seperti alpha-cut threshold yang ditetapkan oleh pembuat (atau user dalam beberapa contoh). Laboratorium Mikroelektronika ITN Malang 22 . Dalam contoh sistem penyiraman yang lalu.7 Fungsi Keanggotaan Keluaran Dipotong Pada Nilai Keluaran Fuzzy Lamda-cut ( λ . Menggunakan metode COG. lamda threshold ditentukan oleh fuzzy inference selama proses eksekusi. Contoh utama lamda-cut adalah pemotong fungsi keanggotaan pada tingkatan akhir proses evaluasi rule. fungsi keanggotaan keluaran dipepat seperti ditunjukkan dalam diagram C. fungsi keanggotaan keluaran akan terlihat seperti diagram A dibawah. Keluaran fuzzy untuk setiap fungsi keanggotaandiberikan didalam tabel B.Belajar Logika Fuzzy Hasil “clipped”/”potongan” fungsi keanggotaan kemudian dikombinasikan dan keseluruhan center of gravity dihitung.cut ) membatasi kebenaran maksimum daerah fuzzy. Untuk setiap µA µA ( X ) = min (µA [ X ]. saat temperatur 92 derajat fahrenheit dan kelembaban tanah 11%. Fuzzy Logic TEAM.

Belajar Logika Fuzzy Derajat Kebenaran Rule Fungsi Keanggotaan Keluaran Untuk Lamanya Penyiraman 1 Pendek Sedang Panjang 0.25 Pendek 1 Sedang Panjang 0.25 0 A 10 20 30 40 50 Pendek Sedang Panjang Fungsi Keanggotaan Keluaran Keluaran Fuzzy Derajat Kebenaran Rule 60 B 0 0.46 0. Hal ini menggambarkan keluaran di defuzzyfikasikan. dari “center of gravity” daerah yang berbayang. Laboratorium Mikroelektronika ITN Malang 23 .46 0.25 0 10 20 30 40 50 60 38 waktu penyiraman dalam menit = Titik kesetimbangan Informasi Tambahan Untuk COG Rumus COG adalah : Fuzzy Logic TEAM.46 0.25 0 C 10 20 30 40 50 60 waktu penyiraman dalam menit Langkah berikutnya adalah mendapatkan “titik kesetimbangan”.46 0. 38 menit adalah lamanya penyiraman yang tepat untuk kelembaban tanah 11% dan temperatur udara 92 derajat Fahrenheit untuk model fuzzy yang dibentuk terdahulu Derajat Kebenaran Rule 1 Pendek Sedang Panjang 0. Jadi.

dx a Dalam praktek. kita harus menghitung center of gravity pada seluruh titik dari domain keluaran. fungsi ini menyederhanakan banyak perhitungan defuzzyfikasi Dalam teori. keluaran nilai nilai singleton dikombinasikan menggunakan bobot rata-rata.2 0. fungsi keanggotaan keluaran singleton (dijelaskan kemudian dalam bab ini) sering digunakan.2 C = COG Menggunakan metode defuzzyfikasi COG. kita harus mendapatkan perkiraan yang dapat dipercaya dengan menghitung COG pada titik titik sampel dalam domain keluaran.2 30 Pendek Sedang 60 Panjang 0 0.75 Sedang Panjang 0.75 Sedang Panjang A 0. Fungsi keanggotaan keluaran singleton diwakili oleh titik titik dalam ruang keluaran dan juga tidak memiliki massa. Laboratorium Mikroelektronika ITN Malang 24 . Rumus COG untuk perhitungan reduksi singleton adalah : Keluaran. Pemepatan fungsi keanggotaan keluaran memberikan hasil dalam pengurangan ketinggiannya seperti diilustrasikan dalam gambar dibawah ini Pendek 0.Crisp ( y ) = ∑ (KeluaranFuzzy .dx a b b ∫ µ( X ).Belajar Logika Fuzzy COG = ∫ µ( X ) • X . Metode Defuzzyfikasi COG dapat juga diterapkan pada fungsi keanggotaan keluaran singleton. Tetapi.75 B Pendek 0. ) X ( PosisiSing letonSumbuX ) ∑ (KeluaranFu zzy ) i i i i i Fuzzy Logic TEAM. Dengan langkah yang cukup sederhana untuk melengkapi akurasi tanpa waktu yang terlalu lama.

singleton sedikit membutuhkan waktu komputasi. Hal ini dapat menggantikan alternatif konvensional yang kompleks yang mengandung komputasi intensif berdasarkan pada properti fisik yang mengatur perilaku tersebut.5 B. Bagian metodologi dari program ini akan menghadirkan petunjuk untuk memilih metode defuzzyfikasi yang lebih cocok untuk sebuah aplikasi.25 + 0. • Defuzzyfikasi COG – Proses penghitung center of gravity (COG) seluruh keluaran fuzzy untuk variabel keluaran yang diberikan untuk menentukan aksi keluaran crisp. nilai masukan crisp menentukan rule yang mana yang diplikasikan serta nilai derajatnya. namun set non-singleton mungkin memberikan keluaran lebih konsisten dengan yang anda harapkan untuk kontrol yang lebih detil.25)x(30) + (0.75)x(60 ) = 52. Rule memberikan gambaran intuitif untuk perilaku sistem. Selama defuzzyfikasi menggunakan COG. Metode defuzzyfikasi yang umum adalah : • (COG) keluaran fungsi keanggotaan bentuk tidak tertentu • (COG) keluaran fungsi keanggotaan bentuk singleton (0 )x(0 ) + (0. Perubahan ini kecil sekali dan sering memberikan kinerja sistem yang lebih unggul. waktu pengembangan berkurang dan perusahaan anda dapat memasuki pasar dengan lebih cepat. atau “nilai kebenaran” tiap rule. rule yang baru dapat mulai diaplikasikan sebagai pengganti berkurangnya kepentingan rule yang lama. Laboratorium Mikroelektronika ITN Malang 25 . Perubahan kecil dalam nilai masukan crisp akan memberikan hasil dalam perubahan kecil dari aplikasi derajat rule. Untuk menyegarkan ingatan. hasilnya adalah masukan fuzzy. • Evaluasi Rule – Perhitungan relatif yang dapat digunakan.75 Catat bahwa secara intuitif anda akan berharap bahwa keluaran defuzzyfied akan mendekati 60 daripada ke 0. Pengurangan kekompleksan matematis ini dapat memberikan anda kemampuan dalam meningkatkan feature produk tanpa menambah ongkos. Dalam inferen MIN-MAX. Ada syarat dalam mengadopsi set fuzzy yang umum atau singleton untuk menggambarkan variable keluaran. Fuzzy Logic TEAM. hal ini sama dengan nilai minimum anticedent (masukan fuzzy) untuk rule tersebut. Sekali lagi tiga langkah utama dalam memproses logika fuzzy adalah sebagai berikut : • Fuzzyfikasi – proses memetakkan nilai masukan sistem kedalam masukan fungsi keanggotaan untuk menentukan resultan nilai kebenaran untuk setiap label (fungsi keanggotaan).Belajar Logika Fuzzy Untuk contoh yang diilustrasikan diatas adalah : 0 + 0. Sejak jumlah rule menjadi sedikit (sering kurang dari 20). Catat juga bahwa perhitungan intensif yang kurang berarti dibandingkan dengan metode yang dijelaskan sebelumnya. Keluaran fuzzy dihitung dengan menentukan nilai maksimum rule strength untuk tiap label keluaran.5 Pengulangan Proses Aplikasi logika fuzzy dapat menyederhanakan masalah – masalah pengontrolan. Seiring perubahan masukan crisp.

Masalahnya adalah seperti dilukiskan pada gambar dibawah. Variabel masukan terhadap masalah ini adalah jarak serta perubahan jarak tape relatif terhadap head baca/tulis. Variabel keluaran adalah gaya yang dipakai pada drive tape.Belajar Logika Fuzzy KONTROL GERAK – SUATU CONTOH YANG LAIN Kita sekarang mengambil masalah kontrol gerak untuk mengingat tiga tahap utama dalam memproses logika fuzzy. Kita akan mengontrol torsi pada drive tape sehingga tape menjaga posisi yang tepat relatif terhadap head baca/tulis. Sekali lagi tiga langkah utama dalam memproses logika fuzzy adalah sebagai berikut : • Fuzzyfikasi – proses memetakkan nilai masukan sistem kedalam masukan fungsi keanggotaan untuk menentukan resultan nilai kebenaran untuk setiap label (fungsi keanggotaan). Laboratorium Mikroelektronika ITN Malang 26 . Fuzzy Logic TEAM. hasilnya adalah masukan fuzzy.

Laboratorium Mikroelektronika ITN Malang 27 . atau “nilai kebenaran” tiap rule.Belajar Logika Fuzzy • Evaluasi Rule – Perhitungan relatif yang dapat digunakan. hal ini sama dengan nilai minimum anticedent (masukan fuzzy) untuk rule tersebut. Fuzzy Logic TEAM. Keluaran fuzzy dihitung dengan menentukan nilai maksimum rule strength untuk tiap label keluaran. Dalam inferen MIN-MAX.

Laboratorium Mikroelektronika ITN Malang 28 . Fuzzy Logic TEAM.Belajar Logika Fuzzy • Defuzzyfikasi COG – Proses penghitung center of gravity (COG) seluruh keluaran fuzzy untuk variabel keluaran yang diberikan untuk menentukan aksi keluaran crisp.

BELAJAR LOGIKA FUZZY Fuzzy Logic TEAM. Sering. kita telah mempelajari sistem yang mempunyai keluaran tujuan. Laboratorium Mikroelektronika ITN Malang Person Contact : MUJAHIDIN. seperti kelembaban tanah yang konstan.Belajar Logika Fuzzy Sejauh ini. Hal ini dapat diatasi dengan memiliki fungsi keanggotaan yang mempunyai nilai relatif. at Ters Ambarawa Street V/3 Malang.com Fuzzy Logic TEAM. Laboratorium Mikroelektronika ITN Malang 29 . East Java 65145 Or Send Your Comment at iddhien@yahoo. yang dikehendaki adalah sistem yang dapat mengatur keluaran tujua n.

Sign up to vote on this title
UsefulNot useful