Fuzzy sistem

Dasar Pengendali cerdas

Latar belakang
Konsep Fuzzy Logic (FL) ini disusun oleh Lotfi

Zadeh, seorang profesor di University of California di Berkley, tahun 1965 dalam sebuah paper, dalam paper tersebut dipaparkan ide dasar fuzzy set yang meliputi inclusion, union, intersection , complement, relation, dan convexity. Pelopor aplikasi fuzzy set dalam bidang kontrol, yang merupakan aplikasi pertama dan utama dari fuzzy set adalah Prof. Ebrahim Mamdani dan kawan-kawan dari Queen Mary College London.

definisi
Fuzzy didefinisikan sebagai blured (kabur atau

remang-remang), indistinct (tidak jelas), confused (membingungkan), vague (tidak jelas). Sistem fuzzy adalah sebuah sistem yang dibangun dengan definisi, cara kerja, dan deskripsi yang jelas berdasarkan pada teori fuzzy logic. Fuzzy logic adalah sebuah metodologi berhitung dengan variabel kata-kata (linguistic variable), sebagai pengganti berhitung dengan bilangan. Kata-kata yang digunakan dalam fuzzy logic memang tidak sepresisi bilangan, namun kata-kata jauh lebih dekat dengan intuisi manusia

contoh
1. Seseorang mengatakan pada operator seberapa sejuk ruangan yang diinginkan, operator akan mengatur putaran kipas yang ada pada ruangan ini. 2. Penumpang taksi berkata pada sopir taksi seberapa cepat laju kendaraan yang diinginkan, sopir taksi akan mengatur pijakan gas taksinya. 3. Manajer 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.
Salah satu contoh pemetaan suatu input-output dalam

bentuk grafis seperti terlihat pada Gambar 1.

Antara input dan output terdapat satu kotak hitam yang harus memetakan input ke output yang sesuai. Sistem apa yang cocok menggantikan kotak hitam tersebut?

Logika Fuzzy
Logika fuzzy adalah cara yang tepat/mudah untuk memetakan input-

output didasari oleh konsep himpunan fuzzy.

Gambar 2. Pemetaan input-output

Diantara input dan output terdapat black box. Di dalam black box terdapat proses yang tidak diketahui, bisa didekati dengan pendekatan sistem logika fuzzy, dll. Namun, seperti yang diungkapkan Lotfi Zadeh: Dalam hampir setiap kasus, cara fuzzy lebih cepat dan lebih murah.

Precision and Significance

Bahasa presisi ( kurang bermakna)

Bahasa bermakna ( kurang presisi)

Classical set
Pada teori himpunan klasik atau claasical sets, suatu himpunan (set)

secara intuitif adalah setiap kumpulan elemen-elemen. Contoh : kumpulan orang yang berusia di atas 30 tahun, kumpulan huruf-huruf dalam sistem alfabet.
Himpunan klasik dikenal juga dengan crisp set

Crisp set adalah himpunan yang membedakan anggota dan nonanggotanya dengan batasan yang jelas Contoh : jika A={xIx bilangan bulat, x>6}, maka anggota himpunan A adalah 7, 8, 9 dan seterusnya. Sedangkan yang bukan anggota A adalah 6,5,4, dan seterusnya

Dua himpunan A dan B adalah sama jika dan hanya jika keduanya

memiliki elemen-elemen yang sama. Dengan kata lain , A=B berarti bahwa untuk setiap x, x A jika dan hanya jika x B . Dengan definisi ini, jika A adalah himpunan bagian dari B (A B) dan B adalah himpunan bagian dari C (B C), maka A adalah himpunan bagian dari C (A C)

Contoh Crisp Set

Sebagai contoh, akan dikelompokkan beberapa macam hewan, yaitu hiu, kakap, pari, kucing, kambing, ayam ke dalam himpunan ikan. Sangat jelas bahwa hiu, kakap dan pari adalah anggota himpunan ikan sedangkan kucing, kambing, ayam adalah bukan anggotanya, seperti ditunjukan pada Gambar 1. Gambar 1. Pengelompokan beberapa hewan ke himpunan ikan
kambing Hiu kucing ikan pari kakap ayam

Operasi-operasi classical set

Irisan (intersection) : untuk menentukan elemen-elemen yang

menjadi anggota A sekaligus menjadi anggota B. AB = {x:xA dan xB} Gabungan (union) : untuk dua himpunan A dan B adalah himpunan semua elemen yang berada didalam A atau didalam B. AUB = {x:xA dan xB} Complement dari himpunan A, yang dinotasikan A adalah himpunan semua elemen didalam universe of discouse (semesta pembicaraan) yang bukan anggota A. A={x:x A} Difference A terhadap B, dinotasikan sebgai A\B ,adalah himpunan semua elemen A yang tidak termasuk kedalam B yang secara matematis dinyatakan sebagai : A\B ={x:xA dan xB}

Difference dapat dinyatakan sebagai intersection antara A dan complement B, yaitu A\B = AB

Operations on Classical Sets

Union:

A B = {x | x A or x B}

Intersection: A B = {x | x A and x B} Complement: A = {x | x A, x X} X Universal Set Set Difference: A | B = {x | x A and x B} Set difference is also denoted by A - B

Ilustrasi ke empat operasi

A B A B

a A

b B

Gambar 3. (a). Intersection. (b). Union. (c). Complement. (d). difference

Ilustrasi ke empat operasi

Not A A B A A

Complement

Containment

A A

Intersection

Union

Properties of Classical Sets

AB=BA
AB=BA
Asosiatif (associative) :

komutatif (commutative) :

A (B C) = (A B) C A (B C) = (A B) C

Distributive : A (B C) = (A B) (A C) A (B C) = (A B) (A C)
Idenpotent : identitas (identity):

AA=A AX=X A=A

; AA=A ; AX=A ; A=

Properties of Classical Sets

Transivity :

If A B C, then A C

De Morgans Law: (A B) = A B (A B) = A B
Generalized De Morgan Law: A A X X

Law of the excluded middle: A A = X Law of the Contradiction: A A = These laws are not true for Fuzzy Sets!

Crisp Logic
Pada himpunan crisp, nilai keanggotaannya hanya ada dua

kemungkinan, yaitu 0 atau 1 dan tidak diantaranya Example:

Rule: If the temperature is higher than 80F, it is hot; otherwise, it is not hot. Contoh : Temperature = 100F Hot Hot Temperature = 80.1F Temperature = 79.9F Not hot Temperature = 50F Not hot

Membership function of crisp logic

True
1

False
0 80F

HOT

Temperature

If temperature >= 80F, it is hot (1 or true); If temperature < 80F, it is not hot (0 or false).

 Crisp membership functions are either one or

zero. e.g. Numbers greater than 10.

A ={x | x>10}

A(x)
1

x
10

Contoh
Kadang kala ditemui pengelompokan yang tidak mudah. Misalkan variabel

umur dibagi menjadi tiga kategori, yaitu : Muda : umur < 35 tahun Parobaya : 35 umur 55 tahun Tua : umur > 55 tahun Nilai keanggotaan secara grafis, himpunan muda, parobaya dan tua dapat dilihat pada Gambar.
muda parobaya 1 (x) tua

1 (x)

1 (x)

0 Umur (th) 35

0 35 Umur (th) 55

0 55 Umur (th)

Gambar . Pengelompokan umur ke himpunan kategori usia crisp logic

 Pada Gambar . dapat dilihat bahwa :

Apabila seseorang berusia 34 tahun, maka ia dikatakan muda

(muda [34] = 1) Apabila seseorang berusia 35 tahun, maka ia dikatakan tidak muda (muda [35] = 0) Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan tidak muda (muda [35th 1 hr] = 0) Apabila seseorang berusia 35 tahun, maka ia dikatakan parobaya (parobaya [35] =1) Apabila seseorang berusia 34 tahun, maka ia dikatakan tidak parobaya (parobaya [34] = 0) Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan tidak parobaya (parobaya [35th 1 hr] = 0) menyatakan umur sangat tidak adil, adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan. Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut.

Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk

Fungsi karakteristik
Fungsi karakteristik dari himpunan A adalah suatu pemetaan

kA:U {0,1}, sedemikian hingga, untuk semua x, kA(x)={1, jika xA; 0 untuk kasus lainnya Contoh : himpunan semua bilangan bulat positif lebih dari 4 dan kurang dari 10 dari digambarkan sebagai berikut:
A

Operasi himpunan dapat didefinisikan menggunakan fungsi-fungsi karakteristik

Untuk semua xU, berlaku : A. Intersection : KAB(x) = min{KA, KB}, B. Union : KAUB(x) = max{KA, KB}, C. Complement : KA(x) = 1- KA D. Difference :KA\B(x) = min{KA, 1- KA}

dengan

Hubugan Equality Dan Containment (subset) Dapat Difefinisikan Menggunakan

Fungsi Karakteristik

A=B AB

untuk semua xU, KA(x) = KB(x) untuk semua xU, KA(x) KB(x)

Ilustrasi keempat karakteristik

KA(x) 1 0 KAB(x)

KB(x)
A 1 0 5 6 7 AB 8 9 KAUB(x) 1 0

2 3 4 5 6 7 AUB

1
0 KA(x) 1 0

6 7
KA\B(x)

2 3 4 5 6 7

8 9 A\B

1 0

10

Keterbatasan classical set

Kesulitan dalam merepresentasikan suatu elemen yang tidak termasuk

ke dalam A maupun A. ( logika biner 1 atau 0)

Pada logika biner, pernyataan P dan negasinya P tidak mungkin

sama- sama benar. Jika derajat kebenaran P adalah 1 ( dinyatakan sebagai T(P) =1) dan derajat kebenaran P juga 1 ( dinyatakan sebagai T(P)=1), maka hal ini menyalahi properties complement berikut: T(P)= 1-T(P). Tetapi didunia nyata kita bisa menemukan pernyataan P dan negasinya P yang kedua-duanya benar.
Contoh :Jika A adalah suatu himpunan gelas yang penuh air.

Dengan demikian A adalah himpunan gelas kosong (tanpa air sedikitpun). Bagaimana jika terdapat gelas yang berisi air setengah gelas?. Tentu saja gelas tersebut tidak termasuk kedalam A maupun A

Pustaka
Neuro fuzzy and soft computing : J S R Jang

Fuzzy logic with engineering application :

timothy J. Ross Fuzzy controller : Leonid Reznik Soft computing : suyanto,ST,MT