P. 1
Makalah Fuzzy Logic

Makalah Fuzzy Logic

4.63

|Views: 8,812|Likes:
Published by tsavitri82
buat temen" yang punya tugas fuzzy logic...ambil aja.heee
buat temen" yang punya tugas fuzzy logic...ambil aja.heee

More info:

Published by: tsavitri82 on Dec 01, 2008
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

05/09/2014

pdf

text

original

LOGIKA FUZZY DAN APLIKASINYA DALAM KEHIDUPAN SEHARI-HARI

Pendahuluan
Suatu system peralatan yang dikendalikan oleh komputer, terasa lebih canggih, lebih pintar, lebih otomatis, lebih praktis, lebih efisien, lebih aman, lebih teliti dan sebagainya yang menunjukkan

keuntungan-keuntungan bila dibandingkan dengan pengerjaan yang dilakukan secara manual oleh manusia. Kecerdasan buatan atau system yang dikendalikan oleh komputer tidak akan berubah

sepanjang sistem komputer & program tidak mengubahnya. Untuk menciptakan suatu peralatan yang ditangani oleh

komputer maka kita harus mempelajari suatu ilmu yaitu kecerdasan buatan. Ilmu ini mengkaji bagaimana suatu komputer bisa melakukan pekerjaan-pekerjaan yang biasa dilakukan oleh menusia. Tujuan utama dari kecerdasan buatan, yaitu: mengetahui dan memodelkan proses-proses berfikir manusia dan mendesain mesin agar dapat menirukan kelakuan manusia tersebut. Kemampuan komputer dapat diberdayakan melalui peningkatan kemampuan unjuk kerja perangkat keras (hardware) atau pada perangkat lunak (software) atau perpaduan dari keduanya.

Kemampuan inilah yang menjadi syarat untuk mewujudkan Modul sistem penggajian karyawan dan sistem Peralatan Pengaturan Lampu Lalulintas Berbasis Fuzzy Logic. System penggajian karyawan dan pengaturan Lampu lalulintas sangat diperlukan dalam kehidupan sehari-hari untuk itulah dibuat berbasis fuzzy logic agar dapat mempermudah kehidupan kita. Dengan

adanya system penggajian maka karyawan akan menerima gaji yang benar-benar sesuai dengan apa yang ia kerjakan karena mesin tidak mungkin melakukan korupsi. Sedangkan untuk pengaturan lampu lalulintas, adanya system ini akan meningkatkan kelancaran lalulintas serta keamanan dalam transportasi darat. Sistem pengendalian lampu lalulintas yang baik akan secara otomatis menyesuaikan diri dengan kepadatan arus lalulintas pada jalur yang diatur. Dengan penerapan logika fuzzy hal-hal semacam ini sangat memungkinkan untuk

dilakukan. MODEL PENGGAJIAN PADA LINGKUNGAN FUZZY Misalkan untuk mengevaluasi suatu pekerjaan, ada m faktor yang berpengaruh, tiap-tiap faktor terdiri-dari n level. Sehingga faktor ke-i level ke-j dapat ditulis sebagai xij. Diasumsikan bahwa, level yang lebih tinggi pada suatu faktor (nilai j naik) menunjukkan bahwa kompleksitas pekerjaannya lebih tinggi. Hubungan ini dapat dituliskan sebagai: xij R xij-1, i=1,2,...,m dan j=1,2,...,n. dengan R adalah relasi ‘Lebih Kompleks’ Misalkan ditetapkan ada k pekerjaan yang akan digunakan sebagai basis untuk melakukan evaluasi (bechmark), maka benchmark ke-r adalah Zr(X). Level terendah dalam faktor ke-i adalah xi1, sedangkan level tertinggi dalam suatu faktor adalah xin. Jumlah skor pada level terendah harus ditetapkan lebih dari atau sama dengan suatu nilai tertentu (ci), sedangkan jumlah skor pada level tertinggi juga harus ditetapkan kurang dari atau sama dengan suatu nilai tertentu (wi). Ini dapat ditulis sebagai: Σxi1 ≥ ci; (13)

Σxin ≤ wi; dengan i=1,2,...,m.

(14)

Pada (13) dan (14) dihitung secara sendiri-sendiri, artinya level terendah pada setiap faktor dibawa ke satu batasan. Sehingga untuk m faktor yang ada dibutuhkan m batasan untuk (13) dan m batasan pula untuk (14). Hal ini tentu saja akan menambah beban komputasi. Sehingga dengan cara ini cukup dibutuhkan 2 batasan saja. Juga perlu diperhatikan bahwa, dalam suatu faktor, harga suatu level harus lebih tinggi dibanding dengan harga level sebelumnya. Selisih yang diperbolehkan untuk kedua level dalam faktor ke-i tersebut minimum harus sama dengan ei. xij – xij-1 ≥ ei; dengan i=1,2,...,m; dan j=1,2,...,n. Maka akan dicari berapakah nilai optimum untuk tiap-tiap level, agar dapat dihitung nilai untuk setiap benchmark. Jika nilai setiap bechmark ini sudah diketahui, maka dengan mudah kita dapat menentukan berapa gaji yang harus diterima oleh seorang karyawan dengan spesifikasi pekerjaannya. Dari (13), (14), dan (15) dapat disusun suatu model: Tentukan:
X = xij;

(15)

(16)

dengan batasan:
Zr(X) ~ dr; Σxi1 ≥ ci; Σxin ≤ wi; xij – xij-1 ≥ ei; xij ≥ 0; (i=1,2,...,m; dan j=1,2,...,n.)

Dengan menunjukkan kesamaan fuzzy. Kesamaan fuzzy ini dapat direpresentasikan sebagai kombinasi antara 2 ketidaksamaan fuzzy sebagai berikut: < ~ Zr(X) dr; dan > ~ Zr(X) dr.

(17) (18)

Misalkan

Zmin

dan

Zmax

masing-masing

adalah

nilai

benchmark

minimum dan nilai benchmark maksimum, maka fungsi keanggotaan untuk kesamaan fuzzy dapat didefinisikan sebagai berikut: 1. Fungsi keanggotaan µr(Zr) adalah fungsi yang tidak pernah turun (Gambar 2). Jika diasumsikan bahwa nilai 0 akan terjadi pada daerah Zr ≤ Zmin, dan fungsi akan naik secara monoton pada Zmin < Zr ≤ dr, maka dapat ditulis:
0; jika Zr ≤ Zmin Z − Z  r min µ r [Zr ] =  ; jika Zmin < Zr ≤ dr  dr − Zmin 1; jika Zr > dr  r = 0,1,2, Λ , k

(19)

1 µr[Zr] 0

Zr

Zmin

dr

Gambar 2 Fungsi keanggotaan µr(Zr): fungsi yang tidak pernah turun.

2. Fungsi keanggotaan µr(Zr) adalah fungsi yang tidak pernah naik (Gambar 3). Jika diasumsikan bahwa nilai 0 akan terjadi pada daerah Zr ≥ Zmax, dan fungsi akan turun secara monoton pada dr < Zr ≤ Zmax, maka dapat ditulis:

1; Z − Zr  µ r [Zr ] =  max ;  Zmax − dr  0; r = 0,1,2, Λ , k

jika Zr ≤ dr jika dr < Zr ≤ Zmax jika Zr > Zmax

(20)

1 µr[Zr] 0

Zr

dr

Zmax

Gambar 3 Fungsi keanggotaan µr(Zr): fungsi yang tidak pernah naik.

Dengan menggunakan operator min (λ) dan fungsi keanggotaan pada (19) dan (20), maka (17) dan (18) dapat ditulis sebagai:
Zr ≥ (dr – Zmin)λ + Zmin; Zr ≤ -(Zmax - dr)λ + Zmax;

(21) (22)

Dengan menggunakan (21) dan (22), model fuzzy (16) dapat diturunkan menjadi bentuk linear programming yang lebih sederhana, yaitu: Max λ (23)

dengan batasan:
Zr - (dr – Zmin)λ ≥ Zmin; Zr + (Zmax - dr)λ ≤ Zmax; Σxi1 ≥ ci; Σxin ≤ wi; xij – xij-1 ≥ ei; xij ≥ 0;

(i=1,2,...,m; j=1,2,...,n; wi>ci) CONTOH KASUS Misalkan ada 3 faktor yang mempengaruhi evaluasi pekerjaan:
x1 x2 x3 kompleksitas pekerjaan; kebutuhan akan pengawasan; ketahanan fisik

Tiap-tiap faktor terbagi menjadi 4 level (Tabel 1)
Tabel 1: Level-level dalam tiap faktor. Level KeVariabel Keterangan

FAKTOR 1: Kompleksitas pekerjaan
1 2 3 4 1 2 3 4 1 2 3 4 x11 x12 x13 x14 x21 x22 x23 x24 x31 x32 x33 x34 Rendah Menengah Cukup Tinggi Tinggi Sangat butuh Butuh Sedikit butuh Tidak butuh Tidak perlu Sedikit perlu Perlu Sangat perlu

FAKTOR 2: Kebutuhan pengawasan

FAKTOR 3: Ketahanan fisik

Ada 5 benchmark yang ditetapkan, yaitu: Z1(X) Z2(X) Z3(X) Z4(X) Z5(X) = = = = = x14 x14 x13 x12 x12 + + + + + x24 x23 x23 x22 x21 + + + + + x34 x33 x32 x31 x32

~ 100 ~ 90 ~ 80 ~ 70 ~ 60 peringkat pekerjaan tertinggi dalam

dengan

Z1(X)

merupakan

organisasi. Toleransi yang ditetapkan untuk setiap benchmark seperti terlihat pada Tabel 2.
Tabel 2: Toleransi yang ditetapkan untuk setiap benchmark.
Benchmark ke(r)

Nilai tegas (dr) 100 90 80 atas

Toleransi bawah (dr – Zmin) 10 20 10 atas

Batas bawah (Zmin) 90 70 70

(Zmax - dr) 1 2 3 30 10 15

(Zmax) 130 100 95

4 5

70 60

10 5

10 10

80 65

60 50

Level terendah dan tertinggi memiliki batasan sebagai berikut:
Σxi1 ≥ 30; Σxi4 ≤ 150;

dengan i=1,2,3. Antara satu level dengan level sebelumnya dalam setiap faktor memiliki selisih nilai minimum 2:
xij – xij-1 ≥ 4;

dengan i=1,2,3 dan j=1,2,3.

Solusi: Max λ, dengan batasan:
x14 + x24 + x34 + 30 λ ≤ x14 + x24 + x34 - 10 λ ≥ x14 + x23 + x33 + 10 λ ≤ x14 + x23 + x33 - 20 λ ≥ x13 + x23 + x32 + 15 λ ≤ x13 + x23 + x32 - 10 λ ≥ x12 + x22 + x31 + 10 λ ≤ x12 + x22 + x31 - 10 λ ≥ x12 + x21 + x32 + 5 λ ≤ x12 + x21 + x32 - 10 λ ≥ x11 + x21 + x31 ≥ x12 - x11 ≥ 4 x13 - x12 ≥ 4 x14 - x13 ≥ 4 x22 - x21 ≥ 4 x23 - x22 ≥ 4 x24 - x23 ≥ 4 x32 - x31 ≥ 4 x33 - x32 ≥ 4 30 x14 + x24 + x34 ≤ 150 130 90 100 70 95 70 80 60 65 50

x34 - x33 ≥ 4 xij ≥ 0 (i=1,2,...,m; j=1,2,...,n)

Bentuk di atas dapat diselesaikan dengan linear programming biasa. Hasil yang diperoleh, nilai λ = 0,92. Tabel 3 menunjukkan hasil yang dicapai untuk setiap level pada setiap faktor.
Tabel 3: Nilai level setiap faktor. Faktor 1 1 2 3 52,4 0 0 2 56,4 12,8 4 Level 3 60,4 16,8 8 4 66 21,6 12

Dari hasil skor yang diperoleh untuk setiap level pada setiap faktor ini, akhirnya dapat ditentukan nilai untuk tiap-tiap benchmark seperti terangkum dalam tabel 4.
Tabel 4: Skor baru untuk tiap benchmark. Benchmark ke1 2 3 4 5 Skor 99,6 90,8 79,2 69,2 56,4

Sehingga,

apabila

gaji

karyawan

yang

bekerja

dengan

benchmark tertinggi ditetapkan sebesar Rp 100.000,-/hari, maka dapat ditetapkan gaji karyawan yang memiliki spesifikasi tertentu. Misalkan seorang karyawan yang pekerjaannya memiliki kompleksitas menengah (x12), tidak butuh pengawasan (x24), dan perlu ketahanan fisik (x33), akan dapat dihitung:
Total skor: x12 + x24 + x33 = 56,4 + 21,6 + 8 = 86

Gaji yang diperoleh per hari:
86 x Rp 100.000,− = Rp 86.345,− 99,6

Logika Fuzzy untuk Sistem Pengaturan Lampu Lalulintas
Logika fuzzy dalam pengaturan lampu lalulintas amat diperlukan untuk memperlancar arus lalulintas. Dengan adanya system yang bekerja secara otomatis diharapkan angka kecelakaan yang

disebabkan oleh masalah lampu lalulintas dapat berkurang. Selain itu dengan adanya lampu lalulintas yang otomatis tentu saja akan mengurangi tugas polisi lalulintas, sehingga mereka bisa mengerjakan hal-hal lain yang belum teratasi. Permasalahan utama dalam perancangan dan pembuatan

modell sistem peralatan pengaturan lampu lalulintas berbasis Fuzzy Logic ini, adalah perangkat keras tambahan yang terdiri dari : sensor, OpAmp, ADC 0809, Interfacing PPI 8255, Driver, Relay dan Lampu lalulintas (LL). Sedangkan sebagai dasar pengendalian dari sistem yang dijalankan, digunakan algoritma logika fuzzy. Untuk memudahkan pengendalian lampu lalulintas, ada

beberapa istilah yang digunakan dalam pengendaliannya antara lain, untuk kepadatan jumlah kendaraan adalah : Tidak Padat (TP), Kurang Padat (KP), Cukup Padat (CP), Padat (P) dan Sangat Padat (SP). Sedangkan untuk lama nyala lampu LL adalah : Cepat (C), Agak Cepat (AC), Sedang (S), Agak Lama (AL) dan Lama (L). Jelas istilah-istilah tersebut dapat menimbulkan makna ganda (ambiguity) dalam

pengertiannya. Logika Fuzzy dapat mengubah makna ganda tersebut ke dalam model matematis sehingga dapat diproses lebih lanjut untuk dapat diterapkan dalam sistem kendali.

Menggunakan

teori

himpunan

Fuzzy,

logika

bahasa

dapat

diwakili oleh sebuah daerah yang mempunyai jangkauan tertentu yang menunjukkan derajat keanggotaannya (fungsi keanggotaan). Untuk kasus disini, sebut saja derajat keanggotaan itu adalah u(x) untuk x adalah jumlah kendaraan. Derajat keanggotaan tersebut mempunyaii nilai yang bergradasi sehingga mengurangi lonjakan pada system ini. Sistem pengendalian fuzzy yang dirancang untuk pengaturan lampu laulintas ini mempunyai dua masukan dan satu keluaran. Masukan adalah jumlah kendaraan pada suatu jalur yang sedang diatur dan jumlah kendaraan pada jalur lain, sedangkan keluaran berupa lama nyala lampu hijau pada jalur yang diatur. Penggunaan dua masukan dimaksudkan supaya sistem tidak hanya memperhatikan sebaran kendaraan pada jalur yang sedang diatur saja, tetapi juga memperhitungkan kondisi jalur yang sedang menunggu. Pencuplikan dilakukan pada setiap putaran (lewat 8 sensor yang dipasang pada semua jalur). Satu putaran akan dianggap selesai apabila semua jalur secara bergilir telah mendapat pelayanan lampu. Masukan berupa himpunan kepadatan kendaraan oleh logika fuzzy diubah menjadi fungsi keanggotaan masukan dan fungsi

keanggotaan keluaran (lama lampu hijau). Bentuk fungsi keanggotaan dapat diatur sesuai dengan distribusi data kendaraan. Menerapkan logika fuzzy dalam sistem pengendalian lampu lalulintas,

membutuhkan tiga langkah, yaitu : Fusifikasi (Fuzzyfication) Evaluasi kaidah Defusifikasi (Defuzzyfication)

Fusifikasi adalah proses mengubah masukan eksak berupa jumlah kendaraan menjadi masukan fuzzy berupa derajat

keanggotaan u(x). Evaluasi kaidah yaitu mengevaluasi Kaidah-kaidah yang akan digunakan untuk mengatur lalulintas ditulis secara subyektif dalam FAM, yang memuat hubungan antara kedua masukan yang

menghasilkan keluaran tertentu. Kaidah-kaidah ini dikonsultasikan kepada pihak-pihak yang berpengalaman dalam bidang pengendalian lampu lalulintas, seperti Polisi Lalulintas dan DLLAJR. Di sini dipakai kaidah hubungan sebab akibat dengan dua masukan yang digabung menggunakan operator DAN yaitu : Jika (masukan 1) DAN (masukan 2), maka (keluaran), dan ditabelkan dalam Tabel FAM. Sebagai contoh, jika TP(0,25) dan KP(0,75), maka AC(0,25). Di sini keluaran fuzzy adalah Agak Cepat yaitu AC(0,25).

Masukan-1 Masukan-2 TP KP CP P SP

TP C C C C C

KP AC AC AC AC AC

CP S S S S AC

P AL AL AL S S

SP L L AL AL S

1.1Tabel FAM (Fuzzy Associate Memory) untuk kepadatan Lalulintas

Keterangan :
Masukan-1 adalah jumlah kendaraan pada jalur yang diatur Masukan-2 adalah jumlah kendaraan pada jalur lain

Setelah

diperoleh

keluaran

fuzzy,

proses

diteruskan

pada

defusifikasi. Defusifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, dimana output yang dihasilkan merupakan suatu bilangan pada domain fuzzy tersebut. Proses defusifikasi ini bertujuan untuk mengubah keluaran fuzzy menjadi

keluaran eksak (lama nyala lampu hijau). Karena keluaran fuzzy biasanya tidak satu untuk selang waktu tertentu, maka untuk dihasilkan keluaran eksaknya dipilih keluaran dengan harga yang terbesar. Bila terdapat dua buah derajat keanggotaan berbeda pada akibat yang sama, diambil harga yang terbesar. Sistem pengatur lalulintas yang dirancang ini, juga utama,

mempertimbangkan

masukan

interupsi

sebagai

prioritas

sehingga pengaturan lalulintas yang sedang berjalan akan dihentikan sementara untuk melayani jalur yang menyela. Fasilitas ini digunakan untuk keadaan darurat atau mendesak, misalnya seperti pelayanan mobil pemadam kebakaran atau mobil ambulance. Pendeteksian interupsi dilakukan secara terus menerus (residen). Jika lebih dari satu jalur memberi interupsi, maka jalur yang akan adalah yang pertama menekan tombol interupsi. Perancangan dan Pembuatan Sistem Peralatan
• •

dilayani lebih dulu

Desain Hardware Desain Software Perangkat lunak (software) yang dibuat dibagi menjadi beberapa

bagian besar antara lain meliputi algoritma pengambilan dan masukan, pengiriman data keluaran, pengolahan data secara fuzzy, dan proses kendalinya. Perangkat lunak ini direalisasikan menggunakan Turbo Pascal. Algoritma program utama mengikuti proses sebagai berikut : mula-mula PPI diinialisasi dengan mengirimkan control word ke register kendali PPI. Dengan mengirimkan nilai 90h ke register kendali PPI, maka port A akan berfungsi sebagai masukan dan port B serta port C akan berfungsi sebagai keluaran.

Selanjutnya akan dikirimkan pulsa reset ke semua input ADC, pada saat awal seluruh jalur akan diberi lampu merah. Setelah proses ini, program melakukan proses yang berulang-ulang, yaitu proses pengambilan data pada tiap sensor, pengolahan data dan proses pengaturan fuzzy menggunakan prinsip-prinsip yang telah dibahas di atas dan menjalankan pengaturan sesuai dengan tabel kendali yang telah dibuat.

Kesimpulan
Logika fuzzy terbukti dapat digunakan untuk memenuhi tujuan system penggajian karyawan dan pengaturan lalulintas secara optimal. ☺ System penggajian karyawan berbasis fuzzy logic.

model penggajian dengan menggunakan logika fuzzy ini dapat diterapkan di perusahaan-perusahaan yang memiliki karyawan

honorer (tidak tetap) dimana untuk menetapkan berapa besar gaji yang diterima tidak bisa ditentukan secara tegas. Kelemahan sistem ini, pihak perusahaan membutuhkan ahli yang mampu menetapkan b benchmark awal dengan baik, karena nilai benchmark awal (dr) ini sangat berpengaruh pada penghitungan akhir tiap level. ☺ sistem pengendalian lampu lalulintas berbasis fuzzy logic

system ini terdiri dari tiga langkah yaitu fusifikasi, evaluasi kaidah, dan defusifikasi. Sistem yang dihasilkan relatif sederhana dan mempunyai fleksibilitas tinggi. Sistem ini dapat diterapkan di kondisi jalan yang berbeda, yaitu lewat penyesuaian ranah (domain) himpunan fungsi keanggotaan masukan dan keluaran dan kaidah-kaidah kendali pada Fuzzy Associative Memory (Tabel FAM).

Miniatur Sistem Pengaturan Lampu Lalulintas ini dapat diperluas, misalnya : 1. Komputer dibuat terpusat dengan tugas mengkoordinasi

beberapa persimpangan, terutama yang berdekatan, dengan tujuan supaya sistem-sistem saling membantu dan

memperlancar sebaran kendaraan pada suatu daerah. 2. Dikembangkan ke arah sistem yang adaptif, yaitu bila kondisi kepadatan berubah, maka sistem akan melakukan perubahan bentuk fungsi keanggotaan masukan dan keluaran, serta tabel FAM secara otomatis. 3. Digunakan sistem minimum yang salah satunya bisa berupa aplikasi Microcontroler 8031 sehingga sistem tidak lagii

tergantung pada penyediaan komputer sebagai otak sistem pengendali.

Daftar Pustaka
1. B. Kosko, Neural Network and Fuzzy System, chapter 8, Prentice Hall, 1992 2. E. Cox, Fuzzy Fundamentals, spectrum IEEE, October 1992 3. K. Sri, Artificial Intelegence, Graha Ilmu, Jogjakarta, 2003 4. Gupta, Sandipan dan M. Chakraborty. Job Evaluation in Fuzzy Environment. Journal in Fuzzy Set & Systems 100 (71-76). 1998 5. S. Marsh et al., Fuzzy Logic Education Program, Center of Emerging Computer Technologies, Motorola Inc., 1992

TUGAS INDIVIDU MATA KULIAH KECERDASAN BUATAN

LOGIKA FUZZY DAN APLIKASINYA DALAM SEHARIKEHIDUPAN SEHARI-HARI

OLEH :

TIARA SAVITRI G1A005016

PROGRAM STUDI TEKNIK INFORMATIKA

UNIVERSITAS BENGKULU
2006

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)//-->