Pengantar logika fuzzy

Fuzzy Logic adalah metodologi pemecahan masalah  dengan beribu – ribu aplikasi dalam pengendali yang tersimpan dan pemrosesan informasi. Fuzzy logic menyediakan cara sederhana untuk menggambarkan kesimpulan pasti dari informasi yang ambigu, samar – samar, atau tidak tepat. Sedikit banyak, fuzzy logic menyerupai pembuatan keputusan pada manusia dengan kemampuannya untuk bekerja dari data yang ditafsirkan dan mencari solusi yang tepat.

Fuzzy logic pada dasarnya merupakan logika bernilai banyak (multivalued logic) yang dapat mendefinisikan nilai diantara keadaan konvensional seperti ya atau tidak, benar atau salah, hitam atau putih, dan sebagainya. Penalaran fuzzy menyediakan cara untuk memahami kinerja dari system dengan cara menilai input dan output system dari hasil pengamatan.

Sejarah

Konsep Fuzzy Logic diperkenalkan oleh Prof. Lotfi Zadeh dari Universitas California di Berkeley pada 1965, dan dipresentasikan bukan sebagai suatu metodologi control, tetapi sebagai suatu cara pemrosesan data dengan memperkenankan penggunaan partial set membership dibanding crisp set membership atau non-membership. Pendekatan pada set teori ini tidak diaplikasikan pada system control sampai tahun 70an karena kemampuan computer yang tidak cukup pada saat itu. Profesor Zadeh berpikir bahwa orang tidak membutuhkan kepastian, masukan informasi numeric, dan belum mampu terhadap control adaptif yang tinggi.

Konsep fuzzy logic kemudian berhasil diaplikasikan dalam bidang control oleh E.H. Mamdani. Sejak saat itu aplikasi fuzzy berkembang kian pesat. Di tahun 1980an negara Jepang dan negara – negara di Eropa secara agresif membangun produk nyata sehubungan dengan konsep logika fuzzy yang diintegrasikan dalam produk – produk kebutuhan rumah tangga seperti vacuum cleaner, microwave oven dan kamera video.  Sementara pengusaha di Amerika Serikat tidak secepat itu mencakup teknologi ini. Fuzzy logic  berkembang pesat selama beberapa tahun terakhir. Terdapat lebih dari dua ribu produk dipasaran yang menggunakan konsep fuzzy logic, mulai dari mesin cuci hingga kereta berkecepatan tinggi. Setiap aplikasi tentunya menyadari beberapa keuntungan dari fuzzy logic seperti performa, kesederhaan, biaya rendah dan produktifitasnya.

Alasan Penggunaan Fuzzy Logic

Fuzzy logic menawarkan beberapa karakteristik unik yang menjadikannya suatu pilihan yang baik untuk banyak masalah control. Karakteristik tersebut antara lain :

1. Sudah menjadi sifatnya yang kuat selama tidak membutuhkan ketepatan, input yang bebas derau, dan dapat diprogram untuk gagal dengan aman jika sensor arus balik dimatikan atau rusak. Control output adalah fungsi control halus meskipun jarak variasi input yang cukup besar.
   
2. Selama fuzzy logic controller memproses aturan – aturan yang dibuat user yang memerintah system control target, ia dapat dimodifikasi dengan mudah untuk meningkatkan atau mengubah secara drastis performa system. Sensor yang baru dapat dengan mudah digabungkan kedalam system secara sederhana dengan menghasilkan aturan memerintah yang sesuai.
   
3. Fuzzy logic tidak terbatas pada sedikit masukan umpan-balik dan satu atau dua output control, tidak juga penting untuk menilai atau menghitung parameter rata -  rata perubahan dengan tujuan agar ia diimplementasikan. Sensor data yang menyediakan  beberapa indikasi untuk aksi dan reaksi system sudah cukup. Hal ini memungkinkan sensor menjadi murah dan tidak tepat sehingga menghemat biaya system keseluruhan dan kompleksitas rendah.
   
4. Karena operasi – operasi yang berbasiskan aturan, jumlah input yang masuk akal dapat diproses ( 1 sampai 8 atau lebih ) dan  banyak output ( 1 sampai 4 atau lebih ) dihasilkan, walaupun pendefinisian rulebase secara cepat menjadi rumit jika terlalu banyak input dan output dipilih untuk implementasi tunggal selama pendefinisian rules(aturan), hubungan timbal baliknya juga harus didefinisikan. Akan lebih baik jika memecah system kedalam potongan – potongan yang lebih kecil dan menggunakan fuzzy logic controllers yang lebih kecil untuk didistribusikan pada system, masing – masing dengan tanggung jawab yang lebih terbatas.
   
5. Fuzzy Logic dapat mengontrol system nonlinier yang akan sulit atau tidak mungkin untuk dimodelkan secara matematis. Hal ini membuka pintu bagi system control yang secara normal dianggap tidak mungkin untuk otomatisasi.

Sedangkan karakteristik utama dari fuzzy logic yang ditemukan oleh Prof. Lotfi A. Zadeh adalah sebagai berikut:

• Dalam fuzzy logic, penalaran tepat dipandang sebagai suatu kasus terbatas dari penalaran kira –kira.
  
• Dalam fuzzy logic segala sesuatunya adalah masalah derajat.
  
• System logis manapun dapat difuzzifikasi.
  
• Dalam fuzzy logic, pengetahuan diinterpretasikan sebagai koleksi dari fuzzy yang dipaksakan pada sekumpulan variable.
  
• Kesimpulan dipandang sebagai sebuah proses dari perkembangan pembatas elastis.

Kelebihan Logika Fuzzy

1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
2. Logika Fuzzy sangat fleksibel.
3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
4. Logika Fuzzy mampu memodelkan fungsi-fungsi non linearyang sangat kompleks.
5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
6. Logika Fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
7. Logika fuzzy didasarkan pada bahasa alami.

Kekurangan Logika Fuzzy

Selain kelebihan yang telah dijelaskan di atas, ternyata Fuzzy Logic juga memiliki kekurangan. Dalam mendesain fuzzy logic, sering ditemukan kesulitan dalam menentukan preferensi atau parameter agar output yang dihasilkan akurat, yaitu :

1. Model Mamdani atau Sugeno atau model lain? Penentuan model inference harus tepat, Mamdani biasanya cocok untuk masalah intuitive sedangkan sugeno untuk permasalahan yang menangani control
2. Jumlah Nilai Linguistik untuk setiap variabel?Kita harus merubah nilai crisp menjadi nilai linguisik. Jumlah dari nilai linguistik yang digunakan harus sesuai dengan permasalahan yang akan kita selesaikan.
3. Batas-batas Nilai Linguistik? Batas-batas nilai linguistik akan sangat berpengaruh pada akurasi fuzzy logic.
4. Fungsi Keanggotaan: Segitiga, trapesium, phi, …?
5. Fuzzy rule yang tepat?

Bagaimana Fuzzy Logic Digunakan

Adapun langkah – langkah penggunaan fuzzy logic adalah sebagai berikut:

• Definisikan obyektif dan criteria control :

1. Apa yang kita coba control ?
   
2. Apa yang harus kita lakukan untuk mengontrol system ?
   
3. Respon seperti apa yang kita butuhkan ?
   
4. Apa mode kegagalan system yang mungkin ?

• Tentukan hubungan antara input dan output serta memilih jumlah minimum variable input pada mesin fuzzy logic(secara khusus error dan rata – rata perubahan error).
  
• Dengan menggunakan struktur berbasis aturan dari fuzzy logic, jabarkan permasalahan control ke dalam aturan IF X AND Y THEN Z yang mendefinisikan respon output system yang diinginkan untuk kondisi input system yang diberikan. Jumlah dan kompleksitas dari rules bergantung pada jumlah parameter input yang diproses dan jumlah variable fuzzy yang bekerjasama dengan tiap – tiap parameter. Jika mungkin, gunakan setidaknya satu variable dan turunan waktunya. Walaupun mungkin untuk menggunakan sebuah parameter tunggal yang error saat itu juga tanpa mengetahui rata – rata perubahannya, hal ini melumpuhkan kemampuan system untuk meminamalisasi keterlampauan untuk sebuah tingkat input.
  
• Buat fungsi keanggotaan yang menjelaskan nilai input atau output yang digunakan didalam rules.
  
• Buat rutinitas proses awal dan akhir yang penting jika diimplementasikan dalam software, sebaliknya program rules kedalam mesin hardware fuzzy logic.
  
• Test system, evaluasi hasil, atur rules dan fungsi keanggotaan, dan retest sampai hasil yang memuaskan didapat.

Beberapa Hal yang Perlu diketahui dalam Logika Fuzzy

Ada beberapa hal yang perlu diketahui dalam sistem fuzzy, yaitu:

a. Variabel Fuzzy

Variabel fuzzy merupakan variabel yang akan dibahas dalam suatu sistem fuzzy. Contoh: umur, permintaan, persediaan, produksi, dsb.

b. Himpunan Fuzzy

Tahun 1965, Profesor L.A. Zadeh memperkenalkan teori himpunan fuzzy, yang secara tidak langsung mengisyaratkan bahwa tidak hanya teori probabilitas saja yang dapat merepresentasikan ketidakpastian. Teori himpunan fuzzy adalah merupakan perluasan dari teori logika Boolean yang menyatakan tingkat angka 1 atau 0 atau pernyataan benar atau salah, sedang pada teori logika fuzzy terdapat tingkat nilai, yaitu :

1. satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau
   
2. nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.

Contoh 1:
Jika diketahui:
S = {1,2,3,4,5,6} adalah semesta pembicaraan
A = {1,2,3}
B = {3,4,5}

Maka, bisa dikatakan bahwa :

• Nilai keanggotaan 2 pada himpunan A, , karena .
  
• Nilai keanggotaan 3 pada himpunan A, , karena .
  
• Nilai keanggotaan 2 pada himpunan B, , karena .

Contoh 2:
Misalkan variabel suhu dibagi menjadi 3 kategori, yaitu:
DINGIN suhu < 15 derajat celcius SEDANG 15 ? suhu ? 28 derajat celcius PANAS suhu > 28 derajat celcius
Nilai keanggotaan secara grafis, himpunan DINGIN, SEDANG, dan PANAS dapat dilihat pada gambar berikut:

Dari gambar diatas yang merupakan himpunan dari DINGIN, SEDANG, dan PANAS dapat dijelaskan bahwa:

• Apabila terdapat suhu 14 derajat celcius, maka dikatakan suhu adalah DINGIN
• Apabila terdapat suhu 15 derajat celcius, maka dikatakan suhu adalah TIDAK DINGIN
• Apabila terdapat suhu 15 derajat celcius kurang 0.5 derajat celcius, maka dikatakan suhu adalah TIDAK DINGIN , dan seterusnya.

Dari keterangan diatas dapat diambil kesimpulan bahwa pemakaian himpunan crisp (tegas) untuk menyatakan suhu sangat riskan, karena dengan adanya perubahan yang kecil saja terhadap nilai mengakibatkan perbedaan kategori yang cukup signifikan.

Maka dari itu, himpunan fuzzy digunakan untuk mengantisipasi keadaan tersebut. Pengalokasian suhu dapat berada di dalam 2 himpunan yang berbeda. Misalnya suhu dapat berada di dalam himpunan DINGIN dan SEDANG, SEDANG dan PANAS, dan sebagainya. Dan seberapa besar nilai eksistensinya dalam himpunan tersebut dapat dilihat dari nilai keanggotaannya.

c. Semesta Pembicaraan

Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk

dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan

himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri

ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun

negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya.

Contoh: Semesta pembicaraan untuk variabel suhu : [0, 40].

d. Domain

Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta

pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya

semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa

naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa

bilangan positif maupun negatif.

Sistem Inferensi Fuzzy (Fuzzy Inference System/FIS)

Sistem Inferensi Fuzzy (Fuzzy Inference System/FIS) disebut juga fuzzy inference engine adalah sistem yang dapat melakukan penalaran dengan prinsip serupa seperti manusia melakukan penalaran dengan nalurinya. Terdapat beberapa jenis FIS yang dikenal yaitu Mamdani, Sugeno dan Tsukamoto.

REFERENSI

Anonim¹. http://id.wikipedia.org. Logika Fuzzy. Tanggal Akses : 23 Februari 2011

Anonim². http://repository.usu.ac.id. Sistem Pendukung Keputusan Menggunakan Sistem Fuzzy. Tanggal Akses : 23 Februari 2011

Anonim³. http://www.ittelkom.ac.id. Sistem Fuzzy. Tanggal Akses : 23 Februari 2011

Anonim³. http://ndoware.com/fuzzy-logic-logika-fuzzy-bagian-i.html. Fuzzy Logic :29 Desember 2009

Catatan :

Artkel ini berisi tentang pengenalan logika fuzzy mulai dari pengertian logika fuzzy, Alasan penggunaan logika fuzzy dan keuntungan dan kerugian logika fuzzy