P. 1
Belajar Logika Fuzzy

Belajar Logika Fuzzy

|Views: 80|Likes:
Published by Ambar Jati Waluyo
tentang logika fuzzy
tentang logika fuzzy

More info:

Published by: Ambar Jati Waluyo on Apr 26, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

11/12/2013

pdf

text

original

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

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

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

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

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

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

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

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

17 1. Laboratorium Mikroelektronika ITN Malang 10 . COG Fuzzy Logic TEAM.20 1. Penyelidikan telah menunjukkan bahwa kinerja yang pantas dan penghematan waktu yang berarti dapat dicapai menggunakan keluaran yang singleton. fungsi bentuk tak beraturan menghabiskan waktu lebih banyak dalam defuzzyfikasi jika mikrokontroller menggunakan defuzzyfikasi Center Of Gravity (COG).25 0. Defuzzyfikasi COG dijelaskan secara detil dalam bagian defuzzyfikasi.05 0.0 0. defuzzyfikasi COG mereduksi ke perhitungan rata rata berat secara sederhana.17 0. Menggambarkan singleton adalah merupakan aksi keluaran resultan yang mungkin tidak mewakili respon sedekat yang anda dituju.0 0.Belajar Logika Fuzzy Lebih jauh.05 0 80 81 82 83 84 85 86 Ketika singleton digunakan untuk menggambarkan fungsi keanggotaan keluaran.25 0.20 0. Tempt 80 81 82 83 84 86 µ 0 0.

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

0 0.55 0.25 0 0 Masukan Crisp 62 Dingin Sejuk Normal hangat Panas 1. Laboratorium Mikroelektronika ITN Malang 12 .0 0.45 Masukan Crisp 92 Dingin Sejuk Normal hangat Panas 1.45 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 0.55 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.

Perilaku Logika Fuzzy Dingin Sejuk Normal hangat Panas 1. pada keadaan ini. Sebagai contoh. 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.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. Respon sistem dalam bentuk lamanya penyiraman akan dihitung pada derajat keanggotaan temperatur masukan pada tiap set. jika temperatur luar hangat maka maka lamanya penyiraman agak lama” akan berubah hanya sedikit jika temperatur luar bergerak dari 80 derajat ke 79. “jika temperatur luar panas.9 derajat adalah normal sekaligus hangat. Laboratorium Mikroelektronika ITN Malang 13 .9 Perilaku Kode Konvensional Fuzzy Logic TEAM. reaksi sistem fuzzy terhadap aturan.9 derajat. Pada bagian / langkah berikutnya setelah fuzzyfikasi yaitu evaluasi rule.Belajar Logika Fuzzy Menguraikan masukan crisp dalam bentuk fuzzy mengijinkan sistem merespon secara halus perubahan dalam temperatur masukan. 80 derajat dan 79. 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. Fuzzy Logic TEAM.Belajar Logika Fuzzy B. mengaplikasikan aturan pada masukan fuzzy yang dihasilkan dalam proses fuzzyfikasi. dinamkan evaluasi rule. Evaluasi rule juga mengacu pada fuzzy inference.maka yang menggambarkan aksi yang diambil dalam merespon bermacam macam masukan fuzzy. Aturan aturan fuzzy biasanya menggunakan pernyataan jika. Dalam proses fuzzyfikasi. Laboratorium Mikroelektronika ITN Malang 14 . temperatur dan kelembaban. prosesor fuzzy menggunakan aturan linguistik untuk menentukan aksi kontrol apa yang harus dilakukan dalam merespon nilai masukan yang diberikan. kemudian mengevaluasi tiap aturan dengan masukan yang dihasilkan dari proses fuzzyfikasi. kita mengetahui bagaimana masukan crisp. 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.

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

46 set fuzzy “panas”. Fuzzy Logic TEAM.25 11 % 12 % Basah 0.masukan kelembaban tanah 11 % akan didapatkan pada perpotongan 0. langkah berikutnya adalah mendapatkan derajat kebenaran (rule strength) untuk setiap rule.25 Sekali hubungan dari tiap antecedent telah ditentukan.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 0.2 set fuzzy “hangat” dan 0. Temperatur Udara Fungsi Keanggotaan Hangat dan Panas derajat relevansi antecedent Masukan Fuzzy derajat keanggotaan Hangat 1 0. perpanjang garis referensi vertikal melalui masukan crisp (nilai X) dan dapatkan nilai Y dimana keduanya berpotongan pada fungsi keanggotaan. masukan temperatur udara 92 derajat fahrenheit ditemukan pada perpotongan di titik 0.2 Kelembaban Tanah Fungsi Keanggotaan Kering dan Lembab derajat keanggotaan Kering 0.75 set fuzzy lembab. Laboratorium Mikroelektronika ITN Malang 16 . Untuk mengetahui hubungan tiap antecedent. rule strength mengasumsikan nilai nilai strength terkecil dari antecedent rule.46 92 Panas Masukan Crisp 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.Belajar Logika Fuzzy Aturan aturan contoh yang diambil dari tabel diatas sebagai berikut : • If temperatur panas And tanah kering.46 0. Dalam sistem penyiraman.75 0. 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.25 set fuzzy kering dan 0. Saat antecedent dihubungkan melalui operator “AND”.

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

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

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

75) THEN lamanya penyiraman sedang Rule 3: IF temperatur hangat (0.Belajar Logika Fuzzy Sebagai contoh.2 0. tentukan derajat kebenaran tiap anticedent menggunakan transformasi fuzzyfikasi. 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. 3.2) AND tanah lembab (0. 4.46) AND tanah kering (0.46) AND tanah lembab (0. jika dua atau lebih rule dipakai untuk memberikan pengaruh yang sama pada keluaran.2 0.25) Then lamanya penyiraman panjang Rule 2: IF temperatur hangat (0. Untuk nilai masukan crisp. yaitu nilai maksimum rule strength untuk setiap label qonsequent. yaitu nilai minimum derajat kebenaran antecedent.46 untuk sedang Rule Strength 0. Dapatkan strength dari keseluruhan rule. Laboratorium Mikroelektronika ITN Malang 20 .25 untuk panjang dan 0.75) THEN lamanya penyiraman sedang Keluaran Fuzzy adalah 0.25 0. rule yang paling berarti memberikan nilai kebenaran yang akan mendominasi. jika banyak rule digunakan untuk sebuah aksi keluaran. Sebagai Kesimpulan langkah la ngkah dalam evaluasi rule adalah : 1.46 Secara intuitif. RULE Rule 1 : IF temperatur panas (0. Dalam bentuk yang paling sederhana.2) 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. Turunkan keluaran fuzzy. satu yang paling besar dipakai.25) THEN lamanya penyiraman panjang Rule 4 : IF temperatur panas (0. Buat rule yang menggambarkan perilaku sistem tujuan 2.

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

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

Hal ini menggambarkan keluaran di defuzzyfikasikan. Jadi.25 Pendek 1 Sedang Panjang 0.25 0 A 10 20 30 40 50 Pendek Sedang Panjang Fungsi Keanggotaan Keluaran Keluaran Fuzzy Derajat Kebenaran Rule 60 B 0 0.46 0. Laboratorium Mikroelektronika ITN Malang 23 .25 0 10 20 30 40 50 60 38 waktu penyiraman dalam menit = Titik kesetimbangan Informasi Tambahan Untuk COG Rumus COG adalah : Fuzzy Logic TEAM. 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 C 10 20 30 40 50 60 waktu penyiraman dalam menit Langkah berikutnya adalah mendapatkan “titik kesetimbangan”.Belajar Logika Fuzzy Derajat Kebenaran Rule Fungsi Keanggotaan Keluaran Untuk Lamanya Penyiraman 1 Pendek Sedang Panjang 0.46 0. dari “center of gravity” daerah yang berbayang.46 0.46 0.

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

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

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

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

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 .

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->