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

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

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

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

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

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

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

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

fungsi bentuk tak beraturan menghabiskan waktu lebih banyak dalam defuzzyfikasi jika mikrokontroller menggunakan defuzzyfikasi Center Of Gravity (COG).25 0. Laboratorium Mikroelektronika ITN Malang 10 .25 0.17 0.20 1. Menggambarkan singleton adalah merupakan aksi keluaran resultan yang mungkin tidak mewakili respon sedekat yang anda dituju. Penyelidikan telah menunjukkan bahwa kinerja yang pantas dan penghematan waktu yang berarti dapat dicapai menggunakan keluaran yang singleton.17 1.05 0 80 81 82 83 84 85 86 Ketika singleton digunakan untuk menggambarkan fungsi keanggotaan keluaran.05 0. Tempt 80 81 82 83 84 86 µ 0 0.Belajar Logika Fuzzy Lebih jauh. Defuzzyfikasi COG dijelaskan secara detil dalam bagian defuzzyfikasi. defuzzyfikasi COG mereduksi ke perhitungan rata rata berat secara sederhana. COG Fuzzy Logic TEAM.0 0.20 0.0 0.

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

55 0.45 Masukan Crisp 92 Dingin Sejuk Normal hangat Panas 1.0 0.25 0 0 Masukan Crisp 62 Dingin Sejuk Normal hangat Panas 1.45 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 0.55 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 0.0 0.

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

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

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

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

9 pada derajat keanggotaan. Tetapi . Gabungan dua set fuzzy A dan B. dengan fungsi derajat keanggotaan µA [ X ] dan µB [ X ] secara umum adalah : µA ∪ B[X ] = MAX [µA [ X ]. Operasi utama dalam set fuzzy. Fuzzy Logic TEAM. minimum nilai kebenaran antecedent dipilih untuk menentukan rule strength keseluruhan.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. Laboratorium Mikroelektronika ITN Malang 17 .7. meskipun didefinisikan sedikit berbeda. dan NOT. sama seperti set klasik. Operasi logika fuzzy OR berkorespondensi dengan union (gabungan) dari dua set fuzzy. direkomendasikan menggunakan operator AND dalam keadaan apapun bila memungkinkan. Operator logika fuzzy yang lainnya adalah NOT. OR. Dengan operator fuzzy OR zadeh.3 ( seperti contoh sebelumnya ). maka not X mempunyai nilai kebenaran 0. maksimu m nilai kebenaran antecedent akan dipilih. sebagai contoh. “Panas” menghasilkan nilai 0. AND. sebagai catatan bahwa dalam fungsi utama. µB [ X ]] Untuk seluruh nilai X. maka NOT Panas akan menghasilkan nilai 0.1 pada derajat keanggotaan. Dengan kata lain. gabungan dua set fuzzy ditentukan dengan mengambil nilai maksimum dari dua fungsi keanggotaan. Jiak X mempunyai nilai kebenaran 0.

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

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

25 untuk panjang dan 0.2 0.25) THEN lamanya penyiraman panjang Rule 4 : IF temperatur panas (0. jika dua atau lebih rule dipakai untuk memberikan pengaruh yang sama pada keluaran. jika banyak rule digunakan untuk sebuah aksi keluaran. RULE Rule 1 : IF temperatur panas (0. tentukan derajat kebenaran tiap anticedent menggunakan transformasi fuzzyfikasi.46) AND tanah lembab (0. Dapatkan strength dari keseluruhan rule.25 0. 4. Sebagai Kesimpulan langkah la ngkah dalam evaluasi rule adalah : 1. 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. satu yang paling besar dipakai.2 0. Buat rule yang menggambarkan perilaku sistem tujuan 2. yaitu nilai minimum derajat kebenaran antecedent.46) AND tanah kering (0. Prosedur Evaluasi Rule Buat Rule Tentukan Nilai Kebenaran Antecedent Dapatkan Rule Strength Tentukan Keluaran Fuzzy Untuk Setiap Label Qonsequent Fuzzy Logic TEAM.75) THEN lamanya penyiraman sedang Rule 3: IF temperatur hangat (0. 3.46 untuk sedang Rule Strength 0. yaitu nilai maksimum rule strength untuk setiap label qonsequent. Laboratorium Mikroelektronika ITN Malang 20 .75) THEN lamanya penyiraman sedang Keluaran Fuzzy adalah 0. Dalam bentuk yang paling sederhana.25) Then lamanya penyiraman panjang Rule 2: IF temperatur hangat (0.46 Secara intuitif.2) AND tanah kering (0.2) AND tanah lembab (0.Belajar Logika Fuzzy Sebagai contoh. rule yang paling berarti memberikan nilai kebenaran yang akan mendominasi. Untuk nilai masukan crisp. Turunkan keluaran fuzzy.

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

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

dari “center of gravity” daerah yang berbayang.46 0.25 0 A 10 20 30 40 50 Pendek Sedang Panjang Fungsi Keanggotaan Keluaran Keluaran Fuzzy Derajat Kebenaran Rule 60 B 0 0.46 0.Belajar Logika Fuzzy Derajat Kebenaran Rule Fungsi Keanggotaan Keluaran Untuk Lamanya Penyiraman 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. 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. Hal ini menggambarkan keluaran di defuzzyfikasikan.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. Jadi. Laboratorium Mikroelektronika ITN Malang 23 .

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

Untuk menyegarkan ingatan.Belajar Logika Fuzzy Untuk contoh yang diilustrasikan diatas adalah : 0 + 0. Dalam inferen MIN-MAX.75 Catat bahwa secara intuitif anda akan berharap bahwa keluaran defuzzyfied akan mendekati 60 daripada ke 0. Selama defuzzyfikasi menggunakan COG.5 B.75)x(60 ) = 52. Perubahan ini kecil sekali dan sering memberikan kinerja sistem yang lebih unggul. hal ini sama dengan nilai minimum anticedent (masukan fuzzy) untuk rule tersebut. • Defuzzyfikasi COG – Proses penghitung center of gravity (COG) seluruh keluaran fuzzy untuk variabel keluaran yang diberikan untuk menentukan aksi keluaran crisp. 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). Perubahan kecil dalam nilai masukan crisp akan memberikan hasil dalam perubahan kecil dari aplikasi derajat rule. Fuzzy Logic TEAM. Seiring perubahan masukan crisp. waktu pengembangan berkurang dan perusahaan anda dapat memasuki pasar dengan lebih cepat. nilai masukan crisp menentukan rule yang mana yang diplikasikan serta nilai derajatnya. • Evaluasi Rule – Perhitungan relatif yang dapat digunakan. Keluaran fuzzy dihitung dengan menentukan nilai maksimum rule strength untuk tiap label keluaran. Rule memberikan gambaran intuitif untuk perilaku sistem. atau “nilai kebenaran” tiap rule. Ada syarat dalam mengadopsi set fuzzy yang umum atau singleton untuk menggambarkan variable keluaran. Sejak jumlah rule menjadi sedikit (sering kurang dari 20).25 + 0. Bagian metodologi dari program ini akan menghadirkan petunjuk untuk memilih metode defuzzyfikasi yang lebih cocok untuk sebuah aplikasi. Laboratorium Mikroelektronika ITN Malang 25 . 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. singleton sedikit membutuhkan waktu komputasi. namun set non-singleton mungkin memberikan keluaran lebih konsisten dengan yang anda harapkan untuk kontrol yang lebih detil. Pengurangan kekompleksan matematis ini dapat memberikan anda kemampuan dalam meningkatkan feature produk tanpa menambah ongkos.25)x(30) + (0.5 Pengulangan Proses Aplikasi logika fuzzy dapat menyederhanakan masalah – masalah pengontrolan. rule yang baru dapat mulai diaplikasikan sebagai pengganti berkurangnya kepentingan rule yang lama. hasilnya adalah masukan fuzzy.

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

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

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

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