Fuzzy
Logic
Logika fuzzy adalah suatu cara yang tepat untuk
memetakan suatu ruang input kedalam suatu ruang output. Titik awal dari konsep
modern mengenai ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh
(1965), dimana Zadeh memperkenalkan teori yang memiliki objek-objek dari
himpunan fuzzy yang memiliki batasan yang tidak presisi dan keanggotaan dalam
himppunan fuzzy, dan bukan dalam bentuk logika benar (true) atau salah (false)
tetapi dinyatakan dalam derajat (degree). Konsep seperti ini disebut dengan
Fuzziness dan teorinya dinamakan Fuzzy Set Theory. Fuzziness dapat
didefinisikan sebagai logika kabur berkenaan dengan semantic dari suatu
kejadian, fenomena atau pernyatan itu sendiri. Sebagai contoh :
·
Manager pergudangan mengatakan pada
manajer produksi seberapa banyak persediaan barang pada akhir minggu ini,
kemudian manajer produksi akan menetapkan jumlah barang yang harus diproduksi
esok hari.
Logika fuzzy adalah peningkatan dari logika Boolean
yang berhadapan dengan konsep kebenaran sebagian. Logika fuzzy menggantikan
kebenaran Boolean dengan tingkat kebenaran dan memungkinkan nilai keanggotaan
antara 0 dan 1, tingkat keabuan dan juga hitam putih dan dalam bentuk
linguistic.
Ada beberapa alasan mengapa orang menggunakan logika
fuzzy (Kusumadewi S, Purnomo H, 2010) yaitu
·
Konsep logika fuzzy mudah dimengerti
·
Logika fuzzy sangat fleksibel
·
Logika fuzzy memiliki toleransi terhadap
data-data yang tidak tepat.
·
Logika fuzzy mampu memodelkan
fungsi-fungsi nonlinear yang sangat kompleks.
·
Logika fuzzy didasarkan pada bahasa
alami.
Himpunan
fuzzy memiliki 2 atribut, yaitu :
·
Linguistic yaitu penamaan suatu grup
ysng mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa
alami seperti : MUDA, PAROBAYA, TUA.
·
Numeris yaitu suatu nilai (angka) yang
menunjukkan ukuran dari suatu variable seperti : 40, 25, 50 dsb.
Ada beberapa hal yang perlu diketahui dalam memahami
system fuzzy (Aplikasi logika fuzzy untuk pendukung keputusan, Sri Kusumadewi,
Hari Purnomo, Edisi kedua, Graha Ilmu, 2000) yaitu :
·
Varibel fuzzy
variable fuzzy merupakan variable yang hendak dibahas dala suatu system fuzzy. Contoh : umur, temperature, permintaan, dsb.
variable fuzzy merupakan variable yang hendak dibahas dala suatu system fuzzy. Contoh : umur, temperature, permintaan, dsb.
·
Himpunan fuzzy
himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variable fuzzy.
himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variable fuzzy.
Fungsi
keanggotaaan
Fungsi keanggotaan adalah suatu kurva yang
menunjukkan pemetaan titik-titik input kedalam nilai keanggotaannya sering juga
disebut derajat keanggotaan yang memiliki interval antara 0 sampai 1. Ada
beberapa fungsi yang bisa digunakan
·
Representasi liniear
Pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk suatu konsep yang kurang jelas.
Pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk suatu konsep yang kurang jelas.
·
Representasi kurva segitiga
Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear).
Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear).
·
Representasi kurva trapezium
Kurva trapezium pada dasarnya seperti bentuk segitiga hanya saja ada titik yang memiliki nilai keanggotaan.
Kurva trapezium pada dasarnya seperti bentuk segitiga hanya saja ada titik yang memiliki nilai keanggotaan.
Riset-riset
terkait
Ada beberapa riset yang telah dilakukan yang berkaitan
dengan penelitian ini diantaranya adalah:
Kusumadewi,
S (2004) dalam jurnalnya yang berjudul fuzzy quantification theory I untuk
analisis hubungan antara penilaian kinerja dosen oleh mahasiswa, kehadiran
dosen, dn nilai kelulusan mahasiswa, menjelaskan bahwa fuzzy quantification
theory I adalah suatu metode untuk menentukan hubungan antar variable
kualitatif yang diberikan dengan nilai antara 0 sampai 1, dengan
variable-variabel numeris dalam fuzzy group yang diberikan pada sampel. Pada
penelitian tersebut, fuzzy quantification theory akan digunakan untuk
menentukann seberapa besar factor-faktor kualitatif penilaian mahasiswa
terhadap kinerja dosen jurusan Teknik Informatika Universitas Islam Indonesia,
mempengaruhi hubungan antara kehadiran dosen dan nilai akhir mahasiswa. Hasil
penelitian menunjukan bahwa factor kemampuan dosen mendorong mahasiswa untuk
berperan aktif, memiliki pengaruh yang paling tinggi diantara factor-faktor
yang lainnya, dalam kaitannya dengan pengaruh antara kehadiran dosen mengajar
denga nilai kelulusan mahasiswa > ‘B’. Pengaruh ini akan sangat kuat apabila
kehadiran dosen mengajar lebih dari sepuluh kali.
Contoh Aplikasi Logika fuzzy :
1. Pengontrol
kereta bawah tanah disendai, Jepang.
2. Pengatur mekanisme otofocus pada kamera
3. Sistem
pengeraman mobil (nissan)
4. Penghematan konsumsi daya listrik pada AC
5. Otomatisasi kecepatan putar mesin cuci
terhadap tebal-tipis atau banyak-sedikit jenis pakaian dalam mesin cuci
6. Penentuan prestasi mahasiswa berdasarkan great
IPK
7. Kontrol jumlah produksi barang berdasarkan
permintaan konsumen
8. Penentuan
karyawan terbaik berdasarkan indeks kinerja
9. Kontrol
kecepatan kendaraan berdasarkan cuaca terkini
Contoh-Contoh problem yang dapat dipetakan dengan
fuzzy:
1. Manager-gudang
mengatakan kepada manager produksi “kita telah mendapat pesanan lebih besar
dalam minggu ini. Tolong dicekkan, berapa banyak jumlah persediaan kita di
gudang. Dan berapa besara barang yang harus akan diproduksi”.
2. Seseorang
mengatakan kepada kita “Seberapa sejuk ruangan yang saudara inginkan ? Saya
akan mengatur putaran kipas dalam ruang ini.
3. Bila
seseorang mengatakan “Jika saat ini cuacanya cerah dan panas, saya akan
mengemudi dengan cepat“
Arsitektur Logika Fuzzy :
1. Fuzzifikasi, Proses konversi input-input
(masukan) yang bersifat tegas (crips) ke dalam bentuk (fuzzy) variabel
linguistik menggunakan fungsi keanggotaan
2. Sistem Inferensi, Proses pengkonversian input-fuzzy menggunakan aturan-aturan “If-Then” menjadi Output-Fuzzy
3. Defuzzifikasi, Proses konversi Output-Fuzzy dari sistem inferensi ke dalam bentuk tegas (crips) menggunakan fungsi keanggotaan serupa (sebelumnya) menjadi sebuah nilai
2. Sistem Inferensi, Proses pengkonversian input-fuzzy menggunakan aturan-aturan “If-Then” menjadi Output-Fuzzy
3. Defuzzifikasi, Proses konversi Output-Fuzzy dari sistem inferensi ke dalam bentuk tegas (crips) menggunakan fungsi keanggotaan serupa (sebelumnya) menjadi sebuah nilai
Sumber :
Tidak ada komentar:
Posting Komentar