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

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

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

Untuk x sebagai elemen S. Nilai ini kemudian digunakan untuk menurunkan kepastian atau penyelesaian crisp terhadap masalah perancangan.〈. dan fs(x)=0 jika x bukan elemen S f s : S → {0. Sebagai contoh temperatur 80 derajat fahrenheit dapat diklasifikasikan antara daerah nol sampai satu sebagai panas pada tingkat 0. dinamakan “ fungsi karakteristik S “. Laboratorium Mikroelektronika ITN Malang 5 . seperti ditunjukkan dalam persamaan rumus berikut ini : µS : S → [0.1 . tapi juga tingkatan tak terbatas antara keduanya. seperti ditunjukkan dalam rumus dibawah. µs (x) sama dengan derajat dimana x adalah elemen S. Fs memetakkan elemen S ke satu (benar) atau nol (salah). jika x ∉ s Secara tajam.〈 µS . set S didefinisikan sebagai µs . berarti x sebagian dalam S Logika Fuzzy mengenali tidak hanya clear cut. untuk setiap elemen x dari S. jika x adalah elemen S. dinamakan “fungsi keanggotaan S” µs . berarti x bukan dalam S 0. fs(x)=1. 1 0. namun lo gika fuzzy menghilangkan banyak keraguan dengan menentukan nilai tertentu pada tingkatan tersebut. Hal ini mungkin kelihatan tidak jelas.6 60 70 80 90 Temperatur [F] Fuzzy Logic TEAM.1] µS ( x ) = 1 . berarti x total dalam S µS (x ) = 0 .Belajar Logika Fuzzy Informasi tambahan pada set Fuzzy : Dalam teori klasik atau konvensional. dalam teori set fuzzy.1} untuk sebuah elemen x dari S. Walaupun kelihatan kontradiksi dari namanya . memetakkan elemen S pada nilai antara nol dan satu. logika fuzzy memberikan metoda ketepatan yang dapat diandalkan dari persoalan pengambilan keputusan crisp.6.[x ]. set “S” didefinisikan sebagai fungsi fs . f s (x) = 1 . seperti ditunjukkan dalam rumus. Karena itu. jika x ∈ s f s (x) = 0. alternatif hitam dan putih.

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

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

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

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

Defuzzyfikasi COG dijelaskan secara detil dalam bagian defuzzyfikasi. 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. COG Fuzzy Logic TEAM.17 0.17 1. Menggambarkan singleton adalah merupakan aksi keluaran resultan yang mungkin tidak mewakili respon sedekat yang anda dituju.0 0.05 0 80 81 82 83 84 85 86 Ketika singleton digunakan untuk menggambarkan fungsi keanggotaan keluaran.25 0. Laboratorium Mikroelektronika ITN Malang 10 .20 0.Belajar Logika Fuzzy Lebih jauh.05 0. 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 0.0 0.20 1.25 0.

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. dan sebagainya}.Belajar Logika Fuzzy Masukan fungsi keanggotaan dihasilkan dengan menuliskan satu demi satu bilangan. Seperti yang anda lihat. hangat. yaitu derajat keanggotaan. Fuzzy Logic TEAM. nilai masukan dapat menjadi milik lebih dari satu set fuzzy.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.84 75 . Laboratorium Mikroelektronika ITN Malang 11 .47 40 .70 60 .98 90 .

55 0.25 0 0 Masukan Crisp 62 Dingin Sejuk Normal hangat Panas 1.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. Laboratorium Mikroelektronika ITN Malang 12 .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.0 0.0 0.55 0.45 0.45 Masukan Crisp 92 Dingin Sejuk Normal hangat Panas 1.

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

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

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

Belajar Logika Fuzzy Aturan aturan contoh yang diambil dari tabel diatas sebagai berikut : • If temperatur panas And tanah kering.46 set fuzzy “panas”.25 set fuzzy kering dan 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 Kelembaban Tanah Fungsi Keanggotaan Kering dan Lembab derajat keanggotaan Kering 0.masukan kelembaban tanah 11 % akan didapatkan pada perpotongan 0.75 set fuzzy lembab.75 0.75 11% derajat relevansi antecedent Masukan Fuzzy F U Z Z Y F I K A S I Kering 0 Lembab Basah Masukan Crisp Lembab 0.46 92 Panas Masukan Crisp 0. rule strength mengasumsikan nilai nilai strength terkecil dari antecedent rule. langkah berikutnya adalah mendapatkan derajat kebenaran (rule strength) untuk setiap rule.46 0. Untuk mengetahui hubungan tiap antecedent. Saat antecedent dihubungkan melalui operator “AND”.2 set fuzzy “hangat” dan 0. masukan temperatur udara 92 derajat fahrenheit ditemukan pada perpotongan di titik 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 Sekali hubungan dari tiap antecedent telah ditentukan. Laboratorium Mikroelektronika ITN Malang 16 . Nilai minimum ini yang akan menjadi nilai kebenaran bagi rule tersebut.25 11 % 12 % Basah 0. perpanjang garis referensi vertikal melalui masukan crisp (nilai X) dan dapatkan nilai Y dimana keduanya berpotongan pada fungsi keanggotaan. Fuzzy Logic TEAM. Dalam sistem penyiraman. Temperatur Udara Fungsi Keanggotaan Hangat dan Panas derajat relevansi antecedent Masukan Fuzzy derajat keanggotaan Hangat 1 0.

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

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

Fuzzy Logic TEAM. Saat hal ini menjadi suatu masalah. serta rule 1 dan 3 mengindikasikan durasi yang panjang. keluaran fuzzy ditentukan dengan rule strength yang memiliki nilai tertinggi dari aksi keluaran yang sama.7 0. juga dengan rule strength yang berbeda. aksi keluaran ). Sehingga hanya ada satu keluaran fuzzy untuk setiap keluaran label fungsi keanggotaan. dengan perbedaan rule strength.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. untuk temperatur masukan 92 derajat fahrenheit dan kelembaban tanah 11% dapat anda liat bahwa rule 2 dan 4 memiliki aksi yang sama.7 Masukan Crisp 96 Dingin Sejuk Normal hangat Panas 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 0.5 0. Laboratorium Mikroelektronika ITN Malang 19 . yaitu lamanya penyiraman sedang.

jika dua atau lebih rule dipakai untuk memberikan pengaruh yang sama pada keluaran.Belajar Logika Fuzzy Sebagai contoh. Sebagai Kesimpulan langkah la ngkah dalam evaluasi rule adalah : 1. yaitu nilai minimum derajat kebenaran antecedent.25 0.46 untuk sedang Rule Strength 0. yaitu nilai maksimum rule strength untuk setiap label qonsequent. 4.75) THEN lamanya penyiraman sedang Rule 3: IF temperatur hangat (0. Dapatkan strength dari keseluruhan rule.75) THEN lamanya penyiraman sedang Keluaran Fuzzy adalah 0. Laboratorium Mikroelektronika ITN Malang 20 .25) THEN lamanya penyiraman panjang Rule 4 : IF temperatur panas (0.2) AND tanah lembab (0. satu yang paling besar dipakai. rule yang paling berarti memberikan nilai kebenaran yang akan mendominasi. jika banyak rule digunakan untuk sebuah aksi keluaran.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.2) AND tanah kering (0.2 0.46) AND tanah kering (0. tentukan derajat kebenaran tiap anticedent menggunakan transformasi fuzzyfikasi.2 0. Turunkan keluaran fuzzy. Buat rule yang menggambarkan perilaku sistem tujuan 2. RULE Rule 1 : IF temperatur panas (0.25 untuk panjang dan 0.46 Secara intuitif.25) Then lamanya penyiraman panjang Rule 2: IF temperatur hangat (0. Dalam bentuk yang paling sederhana. 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. Untuk nilai masukan crisp. 3.

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

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

46 0. Laboratorium Mikroelektronika ITN Malang 23 . Hal ini menggambarkan keluaran di defuzzyfikasikan.46 0. dari “center of gravity” daerah yang berbayang.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. 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 0.25 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.Belajar Logika Fuzzy Derajat Kebenaran Rule Fungsi Keanggotaan Keluaran Untuk Lamanya Penyiraman 1 Pendek Sedang Panjang 0. Jadi.25 0 A 10 20 30 40 50 Pendek Sedang Panjang Fungsi Keanggotaan Keluaran Keluaran Fuzzy Derajat Kebenaran Rule 60 B 0 0.

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

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

Fuzzy Logic TEAM. hasilnya adalah masukan fuzzy. Masalahnya adalah seperti dilukiskan pada gambar dibawah.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. 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). Variabel masukan terhadap masalah ini adalah jarak serta perubahan jarak tape relatif terhadap head baca/tulis. Laboratorium Mikroelektronika ITN Malang 26 . Kita akan mengontrol torsi pada drive tape sehingga tape menjaga posisi yang tepat relatif terhadap head baca/tulis.

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

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

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

Sign up to vote on this title
UsefulNot useful