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

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

dan dalam dunia nyata. Laboratorium Mikroelektronika ITN Malang 4 . 79. Sementara hal ini dapat dibenarkan bahwa tumpang tindih antara set dapat terjadi dalam logika boolean.1 masuk pada set yang berbeda Set Fuzzy Disini 79. Dan membantu pabrik dalam komputerisasiyang berguna dalam kehidupan kita sehari -hari.1 masuk pada set yang sama dan dianggap. 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. Dengan logika fuzzy. Dalam sistem fuzzy.1 79. perubahan kecil temperatur akan memberikan hasil perubahan yang tidak jelas pada kinerja sistem. sementara itu. Sebagia contoh.9 80. dan 80.1 derajat dapat diklasifikasikan sebagai panas.pada derajat yang sama Fuzzy Logic TEAM. hangat panas hangat panas 79. 80 derajat adalah sebagian hangat dan sebagian panas dalam gambaran set fuzzy. apakah 80 derajat fahrenheit tergolong hangat atau panas? Dalam logika fuzzy. Seperti yang anda lihat pada grafik fuzzy dibawah ini.9 dan 80.1 60 70 80 90 60 70 80 90 Tempt ( Fahrenheit ) Tempt ( Fahrenheit ) Konvensional Set Disini 79.9 derajat dapat diklasifikasikan sebagai hangat.9 dan 80.9 80.Belajar Logika Fuzzy “beralasan”. Perubahan kecil dalam sistem dapat menyebabkan perbedaan reaksi yang berarti. transisi dari set ke set terjadi seketika itu juga ( yaitu elemen yang dapat menjadi anggota set atau tidak ). “kedua-duanya benar” mungkin merupakan jawabannya.

Laboratorium Mikroelektronika ITN Malang 5 .〈 µS . logika fuzzy memberikan metoda ketepatan yang dapat diandalkan dari persoalan pengambilan keputusan crisp. jika x ∈ s f s (x) = 0. untuk setiap elemen x dari S. µs (x) sama dengan derajat dimana x adalah elemen S. tapi juga tingkatan tak terbatas antara keduanya. Hal ini mungkin kelihatan tidak jelas.Belajar Logika Fuzzy Informasi tambahan pada set Fuzzy : Dalam teori klasik atau konvensional. seperti ditunjukkan dalam rumus dibawah. set “S” didefinisikan sebagai fungsi fs .1} untuk sebuah elemen x dari S. dinamakan “ fungsi karakteristik S “. Walaupun kelihatan kontradiksi dari namanya . dan fs(x)=0 jika x bukan elemen S f s : S → {0.6 60 70 80 90 Temperatur [F] Fuzzy Logic TEAM. seperti ditunjukkan dalam rumus. jika x adalah elemen S. Nilai ini kemudian digunakan untuk menurunkan kepastian atau penyelesaian crisp terhadap masalah perancangan. Fs memetakkan elemen S ke satu (benar) atau nol (salah). Sebagai contoh temperatur 80 derajat fahrenheit dapat diklasifikasikan antara daerah nol sampai satu sebagai panas pada tingkat 0.[x ].1] µS ( x ) = 1 . Karena itu. alternatif hitam dan putih.〈. namun lo gika fuzzy menghilangkan banyak keraguan dengan menentukan nilai tertentu pada tingkatan tersebut. fs(x)=1. 1 0. f s (x) = 1 . jika x ∉ s Secara tajam. berarti x sebagian dalam S Logika Fuzzy mengenali tidak hanya clear cut.6. Untuk x sebagai elemen S. dinamakan “fungsi keanggotaan S” µs . seperti ditunjukkan dalam persamaan rumus berikut ini : µS : S → [0. berarti x total dalam S µS (x ) = 0 . memetakkan elemen S pada nilai antara nol dan satu.1 . berarti x bukan dalam S 0. dalam teori set fuzzy. set S didefinisikan sebagai µs .

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

9. Untuk pembahasan selanjutnya dari bagian ini kita akan berkonsentrasi pada masukan temperatur. Hangat. Sementara itu banyaknya label membutuhkan tambahan waktu komputasi. resolusi tertinggi resultan sistem kontrol fuzzy. Lebih jauh jumlah label yang terlalu banyak dapat menyebabkan sistem fuzzy menjadi tidak stabil. untuk mengkalkulasi lamanya penyiraman. Laboratorium Mikroelektronika ITN Malang 7 . banyaknya label untuk setiap variabel dalam sistem fuzzy berkisar antara 3 dan 9. Jadi jika anda mempunyai variabel. temperatur udara luar dan kondisi tanah. Kontrol set fuzzy dalam kedua sisi nol (atau normal) harus seimbang dan simetris. Lembab. 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. Dingin. Normal. Kering. 7. jumlahnya biasanya (namun tidak selalu) merupakan bilangan ganjil 3. Basah. Sejuk. besarnya jumlah label menunjuk pada variabel masukan yang digambarkan. daerah fuzzy RENDAH harus mempunyai daerah TINGGI yang sama besarnya dengan temperatur normal yang diset sebagai NORMAL. Panas. memberi hasil dalam respon kontrol yang lebih baik. temperatur. Dan untuk kondisi tanah kita bagi menjadi 3 label. 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. 5. Fuzzy Logic TEAM. Sebagai hasilnya. mari kita lihat sistem penyiraman tanaman. Pengendali fuzzy dalam sistem ini akan menggunakan dua masukan. Secara umum. Jadi untuk temperatur kita dapat menentukan daerah label misalkan kita bagi menjadi 5 label.

Laboratorium Mikroelektronika ITN Malang 8 . Sebagai contoh. fungsi keanggotaan label tidak mendefinisikan batas batas dimana label diaplikasikan secara penuh pada satu sisi cutoff dan tidak pada semua sisi lain cutoff. Fuzzy Logic TEAM. 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. Meskipun bentuk yang lain mungkin saja lebih mewakili fenomena alam yang terjadi. fungsi keanggotaan dinyatakan untuk memberi arti numerik pada tiap label. mereke membutuhkan persamaan yang lebih rumit atau tabel yang lebih besar terhadap keakuratan yang diwakilinya.Belajar Logika Fuzzy Berikutnya. 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. bentuk fungsi mempengaruhi secara langsung waktu dan ruang yang dibutuhkan oleh mikrokontroller mengerjakan fuzzyfikasi dan defuzzyfikasi. Fungsi keanggotaan dapat mengambil beberapa bentuk yang berbeda. Tidak seperti logika boolean. Bentuk trapesoid dan segitiga dalah yang paling sering digunakan. Walaupun ada daerah dimana nilai masukan berubah secara bertahap dari keadaaan dapat diaplikasikan ke keadaan tak dapat diaplikasikan. Setiap fungsi keanggotaan mengidentifikasikan daerah nilai masukan yang berkorespondensi dengan label.

HC11 Freeware kernel menerima keterwakilan seperti gambar dibawah. dan singleton yangdiwakili dengan jumlah ruangdan waktu yang minimal. bermacam macam metode digunakan untuk mewakili fungsi dalam sebuah mikrokontroller. Fuzzy Logic TEAM. Meskipun hal ini mungkin cara tercepat mewakili fuzzyfikasi. segitiga. 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. Sebagai contoh. fungsi keanggotaan trapesoid penuh dapat diwakili dalam 4 byte. Jika titik hanya diijinkan terjadi pada µ sama dengan 0 dan µ sama dengan 1. Bentuk ini sering digunakan untuk menggambarkan defuzzyfikasi. Fuzzy kernel dapat membatasi persamaan garis pada nilai antara 0 dan 1. Laboratorium Mikroelektronika ITN Malang 9 . namun ia juga memakai memori dalam jumlah yang besar.Belajar Logika Fuzzy Singleton mudah diaplikasikan dalam komputer dan algoritma defuzzyfikasi yang sederhana. Representasi point slope membuat fungsi trapesoid. Segitiga Trapesoid Singleton Tergantung pada bentuk fungsi keanggotaan.

25 0.17 0. Penyelidikan telah menunjukkan bahwa kinerja yang pantas dan penghematan waktu yang berarti dapat dicapai menggunakan keluaran yang singleton.0 0. Menggambarkan singleton adalah merupakan aksi keluaran resultan yang mungkin tidak mewakili respon sedekat yang anda dituju.Belajar Logika Fuzzy Lebih jauh.0 0.05 0 80 81 82 83 84 85 86 Ketika singleton digunakan untuk menggambarkan fungsi keanggotaan keluaran.25 0. COG Fuzzy Logic TEAM. fungsi bentuk tak beraturan menghabiskan waktu lebih banyak dalam defuzzyfikasi jika mikrokontroller menggunakan defuzzyfikasi Center Of Gravity (COG). Defuzzyfikasi COG dijelaskan secara detil dalam bagian defuzzyfikasi.20 0. Tempt 80 81 82 83 84 86 µ 0 0. Laboratorium Mikroelektronika ITN Malang 10 .17 1. defuzzyfikasi COG mereduksi ke perhitungan rata rata berat secara sederhana.05 0.20 1.

70 60 .98 90 . nilai masukan dapat menjadi milik lebih dari satu set fuzzy.47 40 . dan sebagainya}. Laboratorium Mikroelektronika ITN Malang 11 . yaitu derajat keanggotaan. 92 derajat termasuk dalam set hangat dan juga set panas yang telah didefinisikan oleh fungsi keanggotaan.84 75 . Seperti yang anda lihat. 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. untuk setiap nilai masukan ya ng mungkin dari label yang diberikan Label Domain Dingin Sejuk Normal hangat Panas 30 .Belajar Logika Fuzzy Masukan fungsi keanggotaan dihasilkan dengan menuliskan satu demi satu bilangan. Fuzzy Logic TEAM.

45 Masukan Crisp 92 Dingin Sejuk Normal hangat Panas 1.55 0.0 0.55 0.0 0. Laboratorium Mikroelektronika ITN Malang 12 .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 0.25 0 0 Masukan Crisp 62 Dingin Sejuk Normal hangat Panas 1.25 0 30 40 50 60 70 80 90 100 110 Fuzzy Logic TEAM.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.

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

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

dan antecedent adalah bentuk dari : Variable masukan = Label ( contohnya : temperatur = panas. Then lamanya penyiraman pendek • If mobil bergerak cepat And permukaan jalan kering. Then naikkan aliran air dingin perlahan lahan Meskipun aturan aturan tersebut kelihatan bebas dalam bentuk bahasa alami.Belajar Logika Fuzzy Contoh aturan aturan fuzzy • If tanah basah And temperatur panas. Then pengereman keras • If air pancuran terlalu panas. mereka dibatasi oleh istilah istilah linguistik. Untuk dua masukan.. satu sistem keluaran aturan tersebut dapat ditulis dalam bentuk matriks seperti gambar disebelah kanan. Dan consequent dalam bentuk : variabel keluaran = Label ( contohnya : lamanya penyiraman = panjang atau. 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. Sebagai catatan bahwa pendekatan intuitif sistem dapat menggantikan perhitungan matematis yang pasti yang mungkin dibutuhkan untuk menggambarkan fisik yang dimaksud dari sistem. 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. Laboratorium Mikroelektronika ITN Malang 15 . Then consequent 1 And cosequent 2……. secara bahasa. dimana And adalah salah satu operator logika fuzzy yang diijinkan. Sintaksis tersebut adalah : If antecedent 1 And antecedent 2 ……. dimana temperatur adalah variabel masukan dan panas adalah salah satu label fungsi keanggotaan yang berhubungan dengan temperatur ).

masukan kelembaban tanah 11 % akan didapatkan pada perpotongan 0.25 set fuzzy kering dan 0.75 0. 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. masukan temperatur udara 92 derajat fahrenheit ditemukan pada perpotongan di titik 0. Dalam sistem penyiraman. rule strength mengasumsikan nilai nilai strength terkecil dari antecedent rule. Saat antecedent dihubungkan melalui operator “AND”.2 Kelembaban Tanah Fungsi Keanggotaan Kering dan Lembab derajat keanggotaan Kering 0. Untuk mengetahui hubungan tiap antecedent.46 set fuzzy “panas”. Fuzzy Logic TEAM.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. Nilai minimum ini yang akan menjadi nilai kebenaran bagi rule tersebut. Laboratorium Mikroelektronika ITN Malang 16 .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 0.75 set fuzzy lembab. 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.Belajar Logika Fuzzy Aturan aturan contoh yang diambil dari tabel diatas sebagai berikut : • If temperatur panas And tanah kering.25 Sekali hubungan dari tiap antecedent telah ditentukan.46 0.2 set fuzzy “hangat” dan 0.25 11 % 12 % Basah 0. langkah berikutnya adalah mendapatkan derajat kebenaran (rule strength) untuk setiap rule.

maka not X mempunyai nilai kebenaran 0. Operasi utama dalam set fuzzy. Dengan kata lain. Operasi logika fuzzy OR berkorespondensi dengan union (gabungan) dari dua set fuzzy. sama seperti set klasik. gabungan dua set fuzzy ditentukan dengan mengambil nilai maksimum dari dua fungsi keanggotaan. direkomendasikan menggunakan operator AND dalam keadaan apapun bila memungkinkan. sebagai contoh. Tetapi . maksimu m nilai kebenaran antecedent akan dipilih. “Panas” menghasilkan nilai 0. Fuzzy Logic TEAM. Operator logika fuzzy yang lainnya adalah NOT. OR. Jiak X mempunyai nilai kebenaran 0. dengan fungsi derajat keanggotaan µA [ X ] dan µB [ X ] secara umum adalah : µA ∪ B[X ] = MAX [µA [ X ]. Laboratorium Mikroelektronika ITN Malang 17 . Gabungan dua set fuzzy A dan B. sebagai catatan bahwa dalam fungsi utama. Dengan operator fuzzy OR zadeh. µB [ X ]] Untuk seluruh nilai X. AND. maka NOT Panas akan menghasilkan nilai 0. meskipun didefinisikan sedikit berbeda.1 pada derajat keanggotaan. minimum nilai kebenaran antecedent dipilih untuk menentukan rule strength keseluruhan.3 ( seperti contoh sebelumnya ).9 pada derajat keanggotaan. dan NOT.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.7.

µB [X ]] untuk semua nilai X A B AnB Operasi logika NOT berkorespondensi dengan komplemen dari set tunggal. Fuzzy Logic TEAM. Perbedaan yang tajam dengan sistem yang konvensional yang mungkin mengeksekusi subrutin yang berbeda untuk kategori temperatur yang berbeda pula. Laboratorium Mikroelektronika ITN Malang 18 . Not. dilukiskan dengan simbol Not A adalah : µ. 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. Komplemen set fuzzy A.Belajar Logika Fuzzy A B AuB Operasi logika AND berkorespondensi dengan interseksi /irisan dua set. µA ∩ B[ X ] = min [µA [X ]. 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. Interseksi dua set ditentukan dengan mengambil nilai minimum dari dua fungsi keanggotaan.

7 Masukan Crisp 96 Dingin Sejuk Normal hangat Panas 0. serta rule 1 dan 3 mengindikasikan durasi yang panjang. dengan perbedaan rule strength. Fuzzy Logic TEAM.5 0. keluaran fuzzy ditentukan dengan rule strength yang memiliki nilai tertinggi dari aksi keluaran yang sama. Sehingga hanya ada satu keluaran fuzzy untuk setiap keluaran label fungsi keanggotaan.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.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. untuk temperatur masukan 92 derajat fahrenheit dan kelembaban tanah 11% dapat anda liat bahwa rule 2 dan 4 memiliki aksi yang sama. Saat hal ini menjadi suatu masalah. aksi keluaran ).7 0. yaitu lamanya penyiraman sedang. juga dengan rule strength yang berbeda. Laboratorium Mikroelektronika ITN Malang 19 .

75) THEN lamanya penyiraman sedang Rule 3: IF temperatur hangat (0. Turunkan keluaran fuzzy.46) AND tanah lembab (0.25 0. RULE Rule 1 : IF temperatur panas (0. jika dua atau lebih rule dipakai untuk memberikan pengaruh yang sama pada keluaran. tentukan derajat kebenaran tiap anticedent menggunakan transformasi fuzzyfikasi. Untuk nilai masukan crisp. Dalam bentuk yang paling sederhana.2) AND tanah lembab (0. Prosedur Evaluasi Rule Buat Rule Tentukan Nilai Kebenaran Antecedent Dapatkan Rule Strength Tentukan Keluaran Fuzzy Untuk Setiap Label Qonsequent Fuzzy Logic TEAM. 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.25) Then lamanya penyiraman panjang Rule 2: IF temperatur hangat (0. 3. Dapatkan strength dari keseluruhan rule.2 0. yaitu nilai maksimum rule strength untuk setiap label qonsequent.Belajar Logika Fuzzy Sebagai contoh.75) THEN lamanya penyiraman sedang Keluaran Fuzzy adalah 0.46 untuk sedang Rule Strength 0.46 Secara intuitif. Buat rule yang menggambarkan perilaku sistem tujuan 2.2) AND tanah kering (0.25) THEN lamanya penyiraman panjang Rule 4 : IF temperatur panas (0. Sebagai Kesimpulan langkah la ngkah dalam evaluasi rule adalah : 1. rule yang paling berarti memberikan nilai kebenaran yang akan mendominasi. satu yang paling besar dipakai. jika banyak rule digunakan untuk sebuah aksi keluaran.46) AND tanah kering (0. yaitu nilai minimum derajat kebenaran antecedent. Laboratorium Mikroelektronika ITN Malang 20 . 4.25 untuk panjang dan 0.2 0.

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

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

25 0 A 10 20 30 40 50 Pendek Sedang Panjang Fungsi Keanggotaan Keluaran Keluaran Fuzzy Derajat Kebenaran Rule 60 B 0 0.25 Pendek 1 Sedang Panjang 0.25 0 C 10 20 30 40 50 60 waktu penyiraman dalam menit Langkah berikutnya adalah mendapatkan “titik kesetimbangan”.46 0.46 0. Laboratorium Mikroelektronika ITN Malang 23 .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. dari “center of gravity” daerah yang berbayang.Belajar Logika Fuzzy Derajat Kebenaran Rule Fungsi Keanggotaan Keluaran Untuk Lamanya Penyiraman 1 Pendek Sedang Panjang 0. Hal ini menggambarkan keluaran di defuzzyfikasikan.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.46 0.

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

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

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). hasilnya adalah masukan fuzzy. Variabel keluaran adalah gaya yang dipakai pada drive tape. Kita akan mengontrol torsi pada drive tape sehingga tape menjaga posisi yang tepat relatif terhadap head baca/tulis.Belajar Logika Fuzzy KONTROL GERAK – SUATU CONTOH YANG LAIN Kita sekarang mengambil masalah kontrol gerak untuk mengingat tiga tahap utama dalam memproses logika fuzzy. Fuzzy Logic TEAM. Variabel masukan terhadap masalah ini adalah jarak serta perubahan jarak tape relatif terhadap head baca/tulis. Masalahnya adalah seperti dilukiskan pada gambar dibawah. Laboratorium Mikroelektronika ITN Malang 26 .

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

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.

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