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

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

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

1 . set S didefinisikan sebagai µs .[x ]. jika x ∉ s Secara tajam. set “S” didefinisikan sebagai fungsi fs . jika x ∈ s f s (x) = 0. memetakkan elemen S pada nilai antara nol dan satu. dan fs(x)=0 jika x bukan elemen S f s : S → {0.1] µS ( x ) = 1 . seperti ditunjukkan dalam rumus dibawah.6 60 70 80 90 Temperatur [F] Fuzzy Logic TEAM. Laboratorium Mikroelektronika ITN Malang 5 .Belajar Logika Fuzzy Informasi tambahan pada set Fuzzy : Dalam teori klasik atau konvensional. berarti x bukan dalam S 0.1} untuk sebuah elemen x dari S. berarti x sebagian dalam S Logika Fuzzy mengenali tidak hanya clear cut. Untuk x sebagai elemen S. 1 0.6. fs(x)=1. seperti ditunjukkan dalam persamaan rumus berikut ini : µS : S → [0. Hal ini mungkin kelihatan tidak jelas. Nilai ini kemudian digunakan untuk menurunkan kepastian atau penyelesaian crisp terhadap masalah perancangan. Sebagai contoh temperatur 80 derajat fahrenheit dapat diklasifikasikan antara daerah nol sampai satu sebagai panas pada tingkat 0. namun lo gika fuzzy menghilangkan banyak keraguan dengan menentukan nilai tertentu pada tingkatan tersebut. dalam teori set fuzzy. seperti ditunjukkan dalam rumus. Karena itu. alternatif hitam dan putih. logika fuzzy memberikan metoda ketepatan yang dapat diandalkan dari persoalan pengambilan keputusan crisp. dinamakan “ fungsi karakteristik S “. f s (x) = 1 . Walaupun kelihatan kontradiksi dari namanya . dinamakan “fungsi keanggotaan S” µs . µs (x) sama dengan derajat dimana x adalah elemen S.〈 µS . Fs memetakkan elemen S ke satu (benar) atau nol (salah). jika x adalah elemen S. tapi juga tingkatan tak terbatas antara keduanya. untuk setiap elemen x dari S. berarti x total dalam S µS (x ) = 0 .〈.

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

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

Bentuk trapesoid dan segitiga dalah yang paling sering digunakan. Sebagai contoh.Belajar Logika Fuzzy Berikutnya. fungsi keanggotaan dinyatakan untuk memberi arti numerik pada tiap label. Pendekatan Konvensional Dingin Sejuk Normal hangat Panas 30 40 50 60 70 80 90 100 110 Pendekatan Logika Fuzzy Keluaran fuzzy juga punya fungsi keanggotaan. Fuzzy Logic TEAM. fungsi keanggotaan label tidak mendefinisikan batas batas dimana label diaplikasikan secara penuh pada satu sisi cutoff dan tidak pada semua sisi lain cutoff. Meskipun bentuk yang lain mungkin saja lebih mewakili fenomena alam yang terjadi. Fungsi keanggotaan dapat mengambil beberapa bentuk yang berbeda. mereke membutuhkan persamaan yang lebih rumit atau tabel yang lebih besar terhadap keakuratan yang diwakilinya. Setiap fungsi keanggotaan mengidentifikasikan daerah nilai masukan yang berkorespondensi dengan label. Hal ini akan dibahas lebih jauh dan mendalam pada Evaluasi Rule dan Defuzzyfikasi Singkat Cukup Lama 10 20 30 40 50 60 Informasi tambahan untuk Fungsi Keanggotaan : Bentuk fungsi keanggotaan mempengaruhi proses fuzzy dalam jalan yang tak diketahui. Walaupun ada daerah dimana nilai masukan berubah secara bertahap dari keadaaan dapat diaplikasikan ke keadaan tak dapat diaplikasikan. Laboratorium Mikroelektronika ITN Malang 8 . bentuk fungsi mempengaruhi secara langsung waktu dan ruang yang dibutuhkan oleh mikrokontroller mengerjakan fuzzyfikasi dan defuzzyfikasi. Tidak seperti logika boolean.

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

Menggambarkan singleton adalah merupakan aksi keluaran resultan yang mungkin tidak mewakili respon sedekat yang anda dituju.0 0.25 0.20 1. fungsi bentuk tak beraturan menghabiskan waktu lebih banyak dalam defuzzyfikasi jika mikrokontroller menggunakan defuzzyfikasi Center Of Gravity (COG).17 1.25 0. COG Fuzzy Logic TEAM.Belajar Logika Fuzzy Lebih jauh.17 0. Tempt 80 81 82 83 84 86 µ 0 0. 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. Penyelidikan telah menunjukkan bahwa kinerja yang pantas dan penghematan waktu yang berarti dapat dicapai menggunakan keluaran yang singleton.05 0.20 0. Defuzzyfikasi COG dijelaskan secara detil dalam bagian defuzzyfikasi.0 0.

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

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. Laboratorium Mikroelektronika ITN Malang 12 .0 0.55 0.55 0.25 0 0 Masukan Crisp 62 Dingin Sejuk Normal hangat Panas 1.25 0 30 40 50 60 70 80 90 100 110 Fuzzy Logic TEAM.Belajar Logika Fuzzy Masukan Fuzzy F U Z Z Y F I K A S I Dingin Sejuk Normal hangat Panas 0 0 0 0.0 0.45 Masukan Crisp 92 Dingin Sejuk Normal hangat Panas 1.45 0.

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. reaksi sistem fuzzy terhadap aturan.Belajar Logika Fuzzy Menguraikan masukan crisp dalam bentuk fuzzy mengijinkan sistem merespon secara halus perubahan dalam temperatur masukan. “jika temperatur luar panas. Pada bagian / langkah berikutnya setelah fuzzyfikasi yaitu evaluasi rule. 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.0 0 30 40 50 60 70 80 90 100 110 79. Laboratorium Mikroelektronika ITN Malang 13 .9 derajat. Respon sistem dalam bentuk lamanya penyiraman akan dihitung pada derajat keanggotaan temperatur masukan pada tiap set. 80 derajat dan 79.9 derajat adalah normal sekaligus hangat. Sebagai contoh. Perilaku Logika Fuzzy Dingin Sejuk Normal hangat Panas 1. pada keadaan ini. kita akan mengetahui bagaimana aturan aturan menggunakan masukan fuzzy untuk menentukan aksi sistem. maka lamanya penyiraman singkat.

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

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

2 set fuzzy “hangat” dan 0.46 92 Panas Masukan Crisp 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 temperatur udara 92 derajat fahrenheit ditemukan pada perpotongan di titik 0.46 0. Dalam sistem penyiraman. Untuk mengetahui hubungan tiap antecedent. Laboratorium Mikroelektronika ITN Malang 16 . perpanjang garis referensi vertikal melalui masukan crisp (nilai X) dan dapatkan nilai Y dimana keduanya berpotongan pada fungsi keanggotaan.75 set fuzzy lembab. Temperatur Udara Fungsi Keanggotaan Hangat dan Panas derajat relevansi antecedent Masukan Fuzzy derajat keanggotaan Hangat 1 0.25 11 % 12 % Basah 0. langkah berikutnya adalah mendapatkan derajat kebenaran (rule strength) untuk setiap rule.25 set fuzzy kering dan 0. rule strength mengasumsikan nilai nilai strength terkecil dari antecedent rule.75 0.75 11% derajat relevansi antecedent Masukan Fuzzy F U Z Z Y F I K A S I Kering 0 Lembab Basah Masukan Crisp Lembab 0. Saat antecedent dihubungkan melalui operator “AND”.masukan kelembaban tanah 11 % akan didapatkan pada perpotongan 0.Belajar Logika Fuzzy Aturan aturan contoh yang diambil dari tabel diatas sebagai berikut : • If temperatur panas And tanah kering. Nilai minimum ini yang akan menjadi nilai kebenaran bagi rule tersebut.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. Fuzzy Logic TEAM.46 set fuzzy “panas”.2 Kelembaban Tanah Fungsi Keanggotaan Kering dan Lembab derajat keanggotaan Kering 0.25 Sekali hubungan dari tiap antecedent telah ditentukan.

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

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

keluaran fuzzy ditentukan dengan rule strength yang memiliki nilai tertinggi dari aksi keluaran yang sama.7 0. juga dengan rule strength yang berbeda.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. dengan perbedaan rule strength. 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. Fuzzy Logic TEAM.7 Masukan Crisp 96 Dingin Sejuk Normal hangat Panas 0. Sehingga hanya ada satu keluaran fuzzy untuk setiap keluaran label fungsi keanggotaan. yaitu lamanya penyiraman sedang. Laboratorium Mikroelektronika ITN Malang 19 . serta rule 1 dan 3 mengindikasikan durasi yang panjang. aksi keluaran ).5 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.25) THEN lamanya penyiraman panjang Rule 4 : IF temperatur panas (0.2) AND tanah lembab (0.75) THEN lamanya penyiraman sedang Keluaran Fuzzy adalah 0. Dalam bentuk yang paling sederhana.25 untuk panjang dan 0. yaitu nilai maksimum rule strength untuk setiap label qonsequent. tentukan derajat kebenaran tiap anticedent menggunakan transformasi fuzzyfikasi.2 0. RULE Rule 1 : IF temperatur panas (0.46 Secara intuitif.2) AND tanah kering (0. Buat rule yang menggambarkan perilaku sistem tujuan 2. Turunkan keluaran fuzzy. Untuk nilai masukan crisp. jika banyak rule digunakan untuk sebuah aksi keluaran. yaitu nilai minimum derajat kebenaran antecedent. Dapatkan strength dari keseluruhan rule.25) Then lamanya penyiraman panjang Rule 2: IF temperatur hangat (0. Laboratorium Mikroelektronika ITN Malang 20 .2 0.46 untuk sedang Rule Strength 0. 3.46) AND tanah kering (0.46) AND tanah lembab (0. Sebagai Kesimpulan langkah la ngkah dalam evaluasi rule adalah : 1.25 0. 4. jika dua atau lebih rule dipakai untuk memberikan pengaruh yang sama pada keluaran. rule yang paling berarti memberikan nilai kebenaran yang akan mendominasi.Belajar Logika Fuzzy Sebagai contoh. satu yang paling besar dipakai.75) THEN lamanya penyiraman sedang Rule 3: IF temperatur hangat (0. Prosedur Evaluasi Rule Buat Rule Tentukan Nilai Kebenaran Antecedent Dapatkan Rule Strength Tentukan Keluaran Fuzzy Untuk Setiap Label Qonsequent Fuzzy Logic TEAM.

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

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

25 0 A 10 20 30 40 50 Pendek Sedang Panjang Fungsi Keanggotaan Keluaran Keluaran Fuzzy Derajat Kebenaran Rule 60 B 0 0.46 0. dari “center of gravity” daerah yang berbayang.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. Jadi. 38 menit adalah lamanya penyiraman yang tepat untuk kelembaban tanah 11% dan temperatur udara 92 derajat Fahrenheit untuk model fuzzy yang dibentuk terdahulu Derajat Kebenaran Rule 1 Pendek Sedang Panjang 0.25 0 C 10 20 30 40 50 60 waktu penyiraman dalam menit Langkah berikutnya adalah mendapatkan “titik kesetimbangan”. Hal ini menggambarkan keluaran di defuzzyfikasikan.25 Pendek 1 Sedang Panjang 0.46 0.Belajar Logika Fuzzy Derajat Kebenaran Rule Fungsi Keanggotaan Keluaran Untuk Lamanya Penyiraman 1 Pendek Sedang Panjang 0.46 0.46 0. Laboratorium Mikroelektronika ITN Malang 23 .

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful