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

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

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

berarti x bukan dalam S 0.〈. dinamakan “fungsi keanggotaan S” µs . alternatif hitam dan putih.1 . Nilai ini kemudian digunakan untuk menurunkan kepastian atau penyelesaian crisp terhadap masalah perancangan. Walaupun kelihatan kontradiksi dari namanya . dinamakan “ fungsi karakteristik S “. seperti ditunjukkan dalam rumus dibawah. fs(x)=1.1] µS ( x ) = 1 . berarti x sebagian dalam S Logika Fuzzy mengenali tidak hanya clear cut. memetakkan elemen S pada nilai antara nol dan satu. 1 0. tapi juga tingkatan tak terbatas antara keduanya. dan fs(x)=0 jika x bukan elemen S f s : S → {0. Untuk x sebagai elemen S. seperti ditunjukkan dalam rumus. Laboratorium Mikroelektronika ITN Malang 5 . Fs memetakkan elemen S ke satu (benar) atau nol (salah). set “S” didefinisikan sebagai fungsi fs .[x ].1} untuk sebuah elemen x dari S. untuk setiap elemen x dari S.6 60 70 80 90 Temperatur [F] Fuzzy Logic TEAM.Belajar Logika Fuzzy Informasi tambahan pada set Fuzzy : Dalam teori klasik atau konvensional.6. berarti x total dalam S µS (x ) = 0 . jika x adalah elemen S. set S didefinisikan sebagai µs . logika fuzzy memberikan metoda ketepatan yang dapat diandalkan dari persoalan pengambilan keputusan crisp. Sebagai contoh temperatur 80 derajat fahrenheit dapat diklasifikasikan antara daerah nol sampai satu sebagai panas pada tingkat 0. dalam teori set fuzzy. Hal ini mungkin kelihatan tidak jelas. seperti ditunjukkan dalam persamaan rumus berikut ini : µS : S → [0. Karena itu. f s (x) = 1 . jika x ∉ s Secara tajam. jika x ∈ s f s (x) = 0. namun lo gika fuzzy menghilangkan banyak keraguan dengan menentukan nilai tertentu pada tingkatan tersebut.〈 µS . µs (x) sama dengan derajat dimana x adalah elemen S.

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

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

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

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

20 0. Menggambarkan singleton adalah merupakan aksi keluaran resultan yang mungkin tidak mewakili respon sedekat yang anda dituju.17 0. Penyelidikan telah menunjukkan bahwa kinerja yang pantas dan penghematan waktu yang berarti dapat dicapai menggunakan keluaran yang singleton. Defuzzyfikasi COG dijelaskan secara detil dalam bagian defuzzyfikasi. fungsi bentuk tak beraturan menghabiskan waktu lebih banyak dalam defuzzyfikasi jika mikrokontroller menggunakan defuzzyfikasi Center Of Gravity (COG). Laboratorium Mikroelektronika ITN Malang 10 .05 0 80 81 82 83 84 85 86 Ketika singleton digunakan untuk menggambarkan fungsi keanggotaan keluaran. defuzzyfikasi COG mereduksi ke perhitungan rata rata berat secara sederhana.Belajar Logika Fuzzy Lebih jauh.20 1.0 0. COG Fuzzy Logic TEAM.0 0.25 0.17 1.05 0.25 0. Tempt 80 81 82 83 84 86 µ 0 0.

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

25 0 30 40 50 60 70 80 90 100 110 Fuzzy Logic TEAM.45 Masukan Crisp 92 Dingin Sejuk Normal hangat Panas 1. Laboratorium Mikroelektronika ITN Malang 12 .Belajar Logika Fuzzy Masukan Fuzzy F U Z Z Y F I K A S I Dingin Sejuk Normal hangat Panas 0 0 0 0.55 0.45 0 30 40 50 60 70 80 90 100 110 Masukan Fuzzy F U Z Z Y F I K A S I Dingin Sejuk Normal hangat Panas 0 0.45 0.0 0.0 0.55 0.25 0 0 Masukan Crisp 62 Dingin Sejuk Normal hangat Panas 1.

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

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

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

46 92 Panas Masukan Crisp 0. masukan temperatur udara 92 derajat fahrenheit ditemukan pada perpotongan di titik 0.25 11 % 12 % Basah 0. Laboratorium Mikroelektronika ITN Malang 16 .Belajar Logika Fuzzy Aturan aturan contoh yang diambil dari tabel diatas sebagai berikut : • If temperatur panas And tanah kering.25 Sekali hubungan dari tiap antecedent telah ditentukan. Dalam sistem penyiraman. rule strength mengasumsikan nilai nilai strength terkecil dari antecedent rule.25 set fuzzy kering dan 0. Fuzzy Logic TEAM.2 Kelembaban Tanah Fungsi Keanggotaan Kering dan Lembab derajat keanggotaan Kering 0.75 0. Nilai minimum ini yang akan menjadi nilai kebenaran bagi rule tersebut. perpanjang garis referensi vertikal melalui masukan crisp (nilai X) dan dapatkan nilai Y dimana keduanya berpotongan pada fungsi keanggotaan.46 set fuzzy “panas”.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. Temperatur Udara Fungsi Keanggotaan Hangat dan Panas derajat relevansi antecedent Masukan Fuzzy derajat keanggotaan Hangat 1 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.masukan kelembaban tanah 11 % akan didapatkan pada perpotongan 0.2 set fuzzy “hangat” dan 0.75 set fuzzy lembab. langkah berikutnya adalah mendapatkan derajat kebenaran (rule strength) untuk setiap rule. Untuk mengetahui hubungan tiap antecedent.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 0.46 0. Saat antecedent dihubungkan melalui operator “AND”.

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

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

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

25 0.46 Secara intuitif.Belajar Logika Fuzzy Sebagai contoh. yaitu nilai minimum derajat kebenaran antecedent. RULE Rule 1 : IF temperatur panas (0.2) AND tanah lembab (0.2) AND tanah kering (0. 3.2 0. Turunkan keluaran fuzzy.46 untuk sedang Rule Strength 0.75) THEN lamanya penyiraman sedang Rule 3: IF temperatur hangat (0. jika banyak rule digunakan untuk sebuah aksi keluaran.25) THEN lamanya penyiraman panjang Rule 4 : IF temperatur panas (0. Dalam bentuk yang paling sederhana. 4. satu yang paling besar dipakai.25) Then lamanya penyiraman panjang Rule 2: IF temperatur hangat (0. tentukan derajat kebenaran tiap anticedent menggunakan transformasi fuzzyfikasi.46) AND tanah kering (0. 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. yaitu nilai maksimum rule strength untuk setiap label qonsequent.75) THEN lamanya penyiraman sedang Keluaran Fuzzy adalah 0.2 0.25 untuk panjang dan 0. Laboratorium Mikroelektronika ITN Malang 20 . Buat rule yang menggambarkan perilaku sistem tujuan 2. jika dua atau lebih rule dipakai untuk memberikan pengaruh yang sama pada keluaran. Sebagai Kesimpulan langkah la ngkah dalam evaluasi rule adalah : 1. Untuk nilai masukan crisp. Prosedur Evaluasi Rule Buat Rule Tentukan Nilai Kebenaran Antecedent Dapatkan Rule Strength Tentukan Keluaran Fuzzy Untuk Setiap Label Qonsequent Fuzzy Logic TEAM.46) AND tanah lembab (0. rule yang paling berarti memberikan nilai kebenaran yang akan mendominasi. Dapatkan strength dari keseluruhan rule.

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

Pemapatan tersebut dinamakan dengan lamda cut 1 0. Fuzzy Logic TEAM. 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. Keluaran fuzzy untuk setiap fungsi keanggotaandiberikan didalam tabel B.cut ) membatasi kebenaran maksimum daerah fuzzy. λ − cut ) Tidak seperti alpha-cut threshold yang ditetapkan oleh pembuat (atau user dalam beberapa contoh). Dalam contoh sistem penyiraman yang lalu. Menggunakan metode COG. atau fungsi keanggotaan.7 Fungsi Keanggotaan Keluaran Dipotong Pada Nilai Keluaran Fuzzy Lamda-cut ( λ . fungsi keanggotaan keluaran dipepat seperti ditunjukkan dalam diagram C. Laboratorium Mikroelektronika ITN Malang 22 . saat temperatur 92 derajat fahrenheit dan kelembaban tanah 11%. fungsi keanggotaan keluaran akan terlihat seperti diagram A dibawah. Untuk setiap µA µA ( X ) = min (µA [ X ]. lamda threshold ditentukan oleh fuzzy inference selama proses eksekusi.

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

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful