P. 1
Belajar Logika Fuzzy

Belajar Logika Fuzzy

|Views: 1,218|Likes:

More info:

Published by: Miftahul Arrijal Rifa'i on Oct 05, 2011
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

06/15/2013

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

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

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

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

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

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

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

Jika titik hanya diijinkan terjadi pada µ sama dengan 0 dan µ sama dengan 1.Belajar Logika Fuzzy Singleton mudah diaplikasikan dalam komputer dan algoritma defuzzyfikasi yang sederhana. Bentuk ini sering digunakan untuk menggambarkan defuzzyfikasi. Meskipun hal ini mungkin cara tercepat mewakili fuzzyfikasi. Segitiga Trapesoid Singleton Tergantung pada bentuk fungsi keanggotaan. segitiga. namun ia juga memakai memori dalam jumlah yang besar. fungsi keanggotaan trapesoid penuh dapat diwakili dalam 4 byte. bermacam macam metode digunakan untuk mewakili fungsi dalam sebuah mikrokontroller. Fuzzy kernel dapat membatasi persamaan garis pada nilai antara 0 dan 1. Fuzzy Logic TEAM. µ 1 c d a b 0 X1 X2 Byte 1 = point x1 Byte 2 = slope a/b Byte 3 = point x2 Byte 4 = slope d/c ( tanda negatif dimasukkan ) Tabel dibawah merupakan gambaran umum untuk fungsi tak beraturan. Laboratorium Mikroelektronika ITN Malang 9 . HC11 Freeware kernel menerima keterwakilan seperti gambar dibawah. dan singleton yangdiwakili dengan jumlah ruangdan waktu yang minimal. Sebagai contoh. Representasi point slope membuat fungsi trapesoid.

Defuzzyfikasi COG dijelaskan secara detil dalam bagian defuzzyfikasi. Laboratorium Mikroelektronika ITN Malang 10 . defuzzyfikasi COG mereduksi ke perhitungan rata rata berat secara sederhana.25 0.17 1.20 1.25 0. COG Fuzzy Logic TEAM.17 0.0 0.0 0.05 0 80 81 82 83 84 85 86 Ketika singleton digunakan untuk menggambarkan fungsi keanggotaan keluaran. Penyelidikan telah menunjukkan bahwa kinerja yang pantas dan penghematan waktu yang berarti dapat dicapai menggunakan keluaran yang singleton. Menggambarkan singleton adalah merupakan aksi keluaran resultan yang mungkin tidak mewakili respon sedekat yang anda dituju. fungsi bentuk tak beraturan menghabiskan waktu lebih banyak dalam defuzzyfikasi jika mikrokontroller menggunakan defuzzyfikasi Center Of Gravity (COG).05 0.Belajar Logika Fuzzy Lebih jauh. Tempt 80 81 82 83 84 86 µ 0 0.20 0.

98 90 . untuk setiap nilai masukan ya ng mungkin dari label yang diberikan Label Domain Dingin Sejuk Normal hangat Panas 30 .84 75 . dan sebagainya}. 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.Belajar Logika Fuzzy Masukan fungsi keanggotaan dihasilkan dengan menuliskan satu demi satu bilangan. Seperti yang anda lihat. Fuzzy Logic TEAM.70 60 . yaitu derajat keanggotaan.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 .47 40 . hangat.

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 Masukan Crisp 92 Dingin Sejuk Normal hangat Panas 1.55 0.0 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.0 0. Laboratorium Mikroelektronika ITN Malang 12 .45 0 30 40 50 60 70 80 90 100 110 Masukan Fuzzy F U Z Z Y F I K A S I Dingin Sejuk Normal hangat Panas 0 0.

80 derajat dan 79.0 0 30 40 50 60 70 80 90 100 110 79. Sebagai contoh. “jika temperatur luar panas. jika temperatur luar hangat maka maka lamanya penyiraman agak lama” akan berubah hanya sedikit jika temperatur luar bergerak dari 80 derajat ke 79.9 Perilaku Kode Konvensional Fuzzy Logic TEAM. Perilaku Logika Fuzzy Dingin Sejuk Normal hangat Panas 1.9 derajat adalah normal sekaligus hangat.Belajar Logika Fuzzy Menguraikan masukan crisp dalam bentuk fuzzy mengijinkan sistem merespon secara halus perubahan dalam temperatur masukan.9 derajat. pada keadaan ini. kita akan mengetahui bagaimana aturan aturan menggunakan masukan fuzzy untuk menentukan aksi sistem. reaksi sistem fuzzy terhadap aturan. 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. maka lamanya penyiraman singkat. Pada bagian / langkah berikutnya setelah fuzzyfikasi yaitu evaluasi rule. Laboratorium Mikroelektronika ITN Malang 13 . Respon sistem dalam bentuk lamanya penyiraman akan dihitung pada derajat keanggotaan temperatur masukan pada tiap set.

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

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

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

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

Laboratorium Mikroelektronika ITN Malang 18 . Perbedaan yang tajam dengan sistem yang konvensional yang mungkin mengeksekusi subrutin yang berbeda untuk kategori temperatur yang berbeda pula. 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. Not. Perhatikan bagaimana perubahan temperatur dihasilkan dalam rule fading in dan rule fading out akibat impact sebagai temperatur masukan yang mengakibatkan rule rule tersebut berarti atau tidak sama sekali.Belajar Logika Fuzzy A B AuB Operasi logika AND berkorespondensi dengan interseksi /irisan dua set. Komplemen set fuzzy A. µB [X ]] untuk semua nilai X A B AnB Operasi logika NOT berkorespondensi dengan komplemen dari set tunggal. Interseksi dua set ditentukan dengan mengambil nilai minimum dari dua fungsi keanggotaan. Fuzzy Logic TEAM.

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

Belajar Logika Fuzzy Sebagai contoh. Laboratorium Mikroelektronika ITN Malang 20 . jika banyak rule digunakan untuk sebuah aksi keluaran.75) THEN lamanya penyiraman sedang Rule 3: IF temperatur hangat (0. 4.46 Secara intuitif. tentukan derajat kebenaran tiap anticedent menggunakan transformasi fuzzyfikasi.2 0.2) AND tanah lembab (0. rule yang paling berarti memberikan nilai kebenaran yang akan mendominasi. Dalam bentuk yang paling sederhana.25 0. satu yang paling besar dipakai. 3.46) AND tanah lembab (0. RULE Rule 1 : IF temperatur panas (0. Turunkan keluaran fuzzy.75) THEN lamanya penyiraman sedang Keluaran Fuzzy adalah 0.46 untuk sedang Rule Strength 0.25 untuk panjang dan 0.25) Then lamanya penyiraman panjang Rule 2: IF temperatur hangat (0. yaitu nilai minimum derajat kebenaran antecedent.25) THEN lamanya penyiraman panjang Rule 4 : IF temperatur panas (0. 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. jika dua atau lebih rule dipakai untuk memberikan pengaruh yang sama pada keluaran. 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.46) AND tanah kering (0. Buat rule yang menggambarkan perilaku sistem tujuan 2.2 0. Dapatkan strength dari keseluruhan rule. Sebagai Kesimpulan langkah la ngkah dalam evaluasi rule adalah : 1. yaitu nilai maksimum rule strength untuk setiap label qonsequent.2) AND tanah kering (0.

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

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

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

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

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

Kita akan mengontrol torsi pada drive tape sehingga tape menjaga posisi yang tepat relatif terhadap head baca/tulis. Masalahnya adalah seperti dilukiskan pada gambar dibawah. Variabel keluaran adalah gaya yang dipakai pada drive tape.Belajar Logika Fuzzy KONTROL GERAK – SUATU CONTOH YANG LAIN Kita sekarang mengambil masalah kontrol gerak untuk mengingat tiga tahap utama dalam memproses logika fuzzy. Fuzzy Logic TEAM. hasilnya adalah masukan fuzzy. Variabel masukan terhadap masalah ini adalah jarak serta perubahan jarak tape relatif terhadap head baca/tulis. Laboratorium Mikroelektronika ITN Malang 26 . 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 • Evaluasi Rule – Perhitungan relatif yang dapat digunakan. hal ini sama dengan nilai minimum anticedent (masukan fuzzy) untuk rule tersebut. Fuzzy Logic TEAM. atau “nilai kebenaran” tiap rule. Dalam inferen MIN-MAX. Keluaran fuzzy dihitung dengan menentukan nilai maksimum rule strength untuk tiap label keluaran. Laboratorium Mikroelektronika ITN Malang 27 .

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. Fuzzy Logic TEAM.

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