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

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

Seperti yang anda lihat pada grafik fuzzy dibawah ini. 79.1 masuk pada set yang berbeda Set Fuzzy Disini 79. perubahan kecil temperatur akan memberikan hasil perubahan yang tidak jelas pada kinerja sistem. Perubahan kecil dalam sistem dapat menyebabkan perbedaan reaksi yang berarti. sementara itu. Sementara hal ini dapat dibenarkan bahwa tumpang tindih antara set dapat terjadi dalam logika boolean.1 60 70 80 90 60 70 80 90 Tempt ( Fahrenheit ) Tempt ( Fahrenheit ) Konvensional Set Disini 79.9 dan 80.9 80.9 dan 80. Dalam sistem fuzzy. transisi dari set ke set terjadi seketika itu juga ( yaitu elemen yang dapat menjadi anggota set atau tidak ).pada derajat yang sama Fuzzy Logic TEAM. dan dalam dunia nyata. Dan membantu pabrik dalam komputerisasiyang berguna dalam kehidupan kita sehari -hari.9 80.1 masuk pada set yang sama dan dianggap. “kedua-duanya benar” mungkin merupakan jawabannya. 80 derajat adalah sebagian hangat dan sebagian panas dalam gambaran set fuzzy. 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. apakah 80 derajat fahrenheit tergolong hangat atau panas? Dalam logika fuzzy. Sebagia contoh. Laboratorium Mikroelektronika ITN Malang 4 . Dengan logika fuzzy. dan 80.1 derajat dapat diklasifikasikan sebagai panas.9 derajat dapat diklasifikasikan sebagai hangat. hangat panas hangat panas 79.Belajar Logika Fuzzy “beralasan”.1 79.

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

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

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

fungsi keanggotaan dinyatakan untuk memberi arti numerik pada tiap label.Belajar Logika Fuzzy Berikutnya. 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. Fungsi keanggotaan dapat mengambil beberapa bentuk yang berbeda. fungsi keanggotaan label tidak mendefinisikan batas batas dimana label diaplikasikan secara penuh pada satu sisi cutoff dan tidak pada semua sisi lain cutoff. Sebagai contoh. Bentuk trapesoid dan segitiga dalah yang paling sering digunakan. Tidak seperti logika boolean. 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. bentuk fungsi mempengaruhi secara langsung waktu dan ruang yang dibutuhkan oleh mikrokontroller mengerjakan fuzzyfikasi dan defuzzyfikasi. 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. Laboratorium Mikroelektronika ITN Malang 8 . Fuzzy Logic TEAM. mereke membutuhkan persamaan yang lebih rumit atau tabel yang lebih besar terhadap keakuratan yang diwakilinya.

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

05 0. COG Fuzzy Logic TEAM.05 0 80 81 82 83 84 85 86 Ketika singleton digunakan untuk menggambarkan fungsi keanggotaan keluaran. defuzzyfikasi COG mereduksi ke perhitungan rata rata berat secara sederhana. fungsi bentuk tak beraturan menghabiskan waktu lebih banyak dalam defuzzyfikasi jika mikrokontroller menggunakan defuzzyfikasi Center Of Gravity (COG). Tempt 80 81 82 83 84 86 µ 0 0.20 1. Defuzzyfikasi COG dijelaskan secara detil dalam bagian defuzzyfikasi. Laboratorium Mikroelektronika ITN Malang 10 . Penyelidikan telah menunjukkan bahwa kinerja yang pantas dan penghematan waktu yang berarti dapat dicapai menggunakan keluaran yang singleton.25 0.20 0.Belajar Logika Fuzzy Lebih jauh.17 0.17 1.0 0.0 0.25 0. Menggambarkan singleton adalah merupakan aksi keluaran resultan yang mungkin tidak mewakili respon sedekat yang anda dituju.

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

45 0.0 0.55 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. Laboratorium Mikroelektronika ITN Malang 12 .55 0.25 0 30 40 50 60 70 80 90 100 110 Fuzzy Logic TEAM.Belajar Logika Fuzzy Masukan Fuzzy F U Z Z Y F I K A S I Dingin Sejuk Normal hangat Panas 0 0 0 0.25 0 0 Masukan Crisp 62 Dingin Sejuk Normal hangat Panas 1.0 0.45 Masukan Crisp 92 Dingin Sejuk Normal hangat Panas 1.

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

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

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

Dalam sistem penyiraman.46 set fuzzy “panas”. rule strength mengasumsikan nilai nilai strength terkecil dari antecedent rule.75 0. Untuk mengetahui hubungan tiap antecedent. perpanjang garis referensi vertikal melalui masukan crisp (nilai X) dan dapatkan nilai Y dimana keduanya berpotongan pada fungsi keanggotaan.Belajar Logika Fuzzy Aturan aturan contoh yang diambil dari tabel diatas sebagai berikut : • If temperatur panas And tanah kering. Saat antecedent dihubungkan melalui operator “AND”. masukan temperatur udara 92 derajat fahrenheit ditemukan pada perpotongan di titik 0.2 Kelembaban Tanah Fungsi Keanggotaan Kering dan Lembab derajat keanggotaan Kering 0. 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.2 set fuzzy “hangat” dan 0. Fuzzy Logic TEAM.46 0.46 92 Panas Masukan Crisp 0.masukan kelembaban tanah 11 % akan didapatkan pada perpotongan 0. Nilai minimum ini yang akan menjadi nilai kebenaran bagi rule tersebut.75 set fuzzy lembab.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 0.2 92 Temperatur udara dalam derajat F U Z Z Y F I K A S I Dingin Sejuk Normal hangat Panas 0 0 0 0.25 11 % 12 % Basah 0. langkah berikutnya adalah mendapatkan derajat kebenaran (rule strength) untuk setiap rule.25 Sekali hubungan dari tiap antecedent telah ditentukan.25 set fuzzy kering dan 0. Temperatur Udara Fungsi Keanggotaan Hangat dan Panas derajat relevansi antecedent Masukan Fuzzy derajat keanggotaan Hangat 1 0. Laboratorium Mikroelektronika ITN Malang 16 .

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

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

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

Untuk nilai masukan crisp.75) THEN lamanya penyiraman sedang Keluaran Fuzzy adalah 0.Belajar Logika Fuzzy Sebagai contoh. Dapatkan strength dari keseluruhan rule. 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 untuk panjang dan 0. Sebagai Kesimpulan langkah la ngkah dalam evaluasi rule adalah : 1. yaitu nilai minimum derajat kebenaran antecedent.46) 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 dua atau lebih rule dipakai untuk memberikan pengaruh yang sama pada keluaran. Buat rule yang menggambarkan perilaku sistem tujuan 2. satu yang paling besar dipakai.2) AND tanah kering (0. Turunkan keluaran fuzzy.25 0.46 Secara intuitif.25) THEN lamanya penyiraman panjang Rule 4 : IF temperatur panas (0. tentukan derajat kebenaran tiap anticedent menggunakan transformasi fuzzyfikasi.2) AND tanah lembab (0.46 untuk sedang Rule Strength 0. 4.25) Then lamanya penyiraman panjang Rule 2: IF temperatur hangat (0. Dalam bentuk yang paling sederhana. jika banyak rule digunakan untuk sebuah aksi keluaran. 3.75) THEN lamanya penyiraman sedang Rule 3: IF temperatur hangat (0.46) AND tanah kering (0. RULE Rule 1 : IF temperatur panas (0. rule yang paling berarti memberikan nilai kebenaran yang akan mendominasi. Laboratorium Mikroelektronika ITN Malang 20 .2 0. yaitu nilai maksimum rule strength untuk setiap label qonsequent.2 0.

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

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

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

fungsi ini menyederhanakan banyak perhitungan defuzzyfikasi Dalam teori. kita harus mendapatkan perkiraan yang dapat dipercaya dengan menghitung COG pada titik titik sampel dalam domain keluaran. fungsi keanggotaan keluaran singleton (dijelaskan kemudian dalam bab ini) sering digunakan. Tetapi.2 C = COG Menggunakan metode defuzzyfikasi COG. Pemepatan fungsi keanggotaan keluaran memberikan hasil dalam pengurangan ketinggiannya seperti diilustrasikan dalam gambar dibawah ini Pendek 0.2 0. ) X ( PosisiSing letonSumbuX ) ∑ (KeluaranFu zzy ) i i i i i Fuzzy Logic TEAM.dx a b b ∫ µ( X ).75 Sedang Panjang 0.dx a Dalam praktek.Belajar Logika Fuzzy COG = ∫ µ( X ) • X .75 B Pendek 0.75 Sedang Panjang A 0.Crisp ( y ) = ∑ (KeluaranFuzzy . Fungsi keanggotaan keluaran singleton diwakili oleh titik titik dalam ruang keluaran dan juga tidak memiliki massa. keluaran nilai nilai singleton dikombinasikan menggunakan bobot rata-rata. Rumus COG untuk perhitungan reduksi singleton adalah : Keluaran. kita harus menghitung center of gravity pada seluruh titik dari domain keluaran.2 30 Pendek Sedang 60 Panjang 0 0. Laboratorium Mikroelektronika ITN Malang 24 . Metode Defuzzyfikasi COG dapat juga diterapkan pada fungsi keanggotaan keluaran singleton. Dengan langkah yang cukup sederhana untuk melengkapi akurasi tanpa waktu yang terlalu lama.

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

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

Laboratorium Mikroelektronika ITN Malang 27 . Dalam inferen MIN-MAX. Fuzzy Logic TEAM. 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. atau “nilai kebenaran” tiap rule.Belajar Logika Fuzzy • Evaluasi Rule – Perhitungan relatif yang dapat digunakan.

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.

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

Sign up to vote on this title
UsefulNot useful