Anda di halaman 1dari 6

1.

Apa itu Fuzzy Logic


Fuzzy Logic adalah suatu cabang ilmu Artificial Intellegence, yaitu suatu pengetahuan
yang membuat komputer dapat meniru kecerdasan manusia sehingga diharapkan komputer
dapat melakukan hal-hal yang apabila dikerjakan manusia memerlukan kecerdasan. Cocok
untuk diimplementasikan pada sistem yang sederhana, kecil, tertanam pada mikro controller,
PC multi-channel atau workstation berbasis akuisisi data dan control sistem. 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.
2. Konsep Fuzzy Logic
Fuzzy logic umumnya diterapkan pada masalahmasalah yang mengandung unsur
ketidakpastian (uncertainty), ketidaktepatan (imprecise), noisy, dan sebagainya.
Fuzzy logic menjembatani bahasa mesin yang presisi dengan bahasa manusia yang
menekankan pada makna atau arti (significance).
Fuzzy logic dikembangkan berdasarkan cara berfikir manusia
3. Sistem Fuzzy Logic

Fuzzification,
merupakan suatu proses untuk mengubah suatu masukan dari bentuk tegas (crisp)
menjadi fuzzy yang biasanya disajikan dalam bentuk himpunan-himpunan fuzzy
dengan suatu fungsi kenggotaannya masing-masing.
Interference System (Evaluasi Rule), merupakan sebagai acuan untuk menjelaskan
hubungan antara variable-variabel masukan dan keluaran yang mana variabel yang
diproses dan yang dihasilkan berbentuk fuzzy. Untuk menjelaskan hubungan antara
masukan dan keluaran biasanya menggunakan IF-THEN.
Defuzzification, merupakan proses pengubahan variabel berbentuk fuzzy tersebut
menjadi data-data pasti (crisp) yang dapat dikirimkan ke peralatan pengendalian.

4. Contoh Penerapan Fuzzy Logic untuk pengaturan suhu pendingin ruangan

Tabel 1. Contoh Kasus


Merek AC
Ruangan
Panasonic CSRuangan keluarga
PC7NKJ 3/4pk
Lita

LR

JO

BD

BAC

26,4

0,75

Tabel 2. Variabel dan Semesta Pembicaraan


Fungs
Nama
Semesta
i
Variabel
Pembicaraan

Input
Output

LR

[ 20 60]

JO

[ 3 10 ]

BD

[ 0,5 4 ]

BAC
Suhu
Optimal

[ 0,5 5 ]
[ 16 26 ]

Tabel 3. Himpunan Fuzzy


Nama
Himpunan
Fungsi Variabel
Fuzy
Kecil
Sedang
LR
Besar
Sedikit
Sedang
JO
Banyak
Kecil
Sedang
BD
Tinggi
Sedikit
Sedang
Input
BAC
Banyak
Dingin
Sedang
Suhu
Output Optimal
Sejuk

Keterangan
Nilai rata-rata untuk
kategori Besar ruangan
Nilai rata-rata untuk
kategori Jumlah Orang
Nilai rata-rata untuk kategori
kelas Besar Daya
Nilai rata-rata untuk kategori
kelas Banyak AC
Nilai yang memenuhi
untuk Suhu Optimal AC

Semesta
Pembicaraan

[ 20 60]

[ 3 10 ]

[ 0,5 4 ]

[ 0,5 5 ]

[ 16 26 ]

Domain
[20 35]
[20 60]
[45 60]
[3 5]
[3 10]
[7 10]
[0,5 1]
[0,5 4]
[2 4]
[0,5 2]
[0,5 5]
[3 5]
[16 20]
[16 26]
[24 26]

Perhitungan nilai derajat keanggotaan :


Pada nilai keanggotaan LR , diperoleh himpunan KECIL dengan derajat keanggotaan
0,57 dan SEDANG sebesar 0,42 ( Lihat grafik derajat keanggotaan LR pada gambar 2.

Pada nilai keanggotaan JO , diperoleh himpunan KECIL dengan derajat keanggotaan


0,5 dan SEDANG sebesar 0,5 ( Lihat grafik derajat keanggotaan JO pada gambar 3.

Pada nilai keanggotaan BD , diperoleh himpunan KECIL dengan derajat keanggotaan


0,5 dan SEDANG sebesar 0,5 ( Lihat grafik derajat keanggotaan BD pada gambar 4.

Pada nilai keanggotaan BAC , diperoleh himpunan KECIL dengan derajat


keanggotaan 0,66 dan SEDANG sebesar 0,33 ( Lihat grafik derajat keanggotaan BD pada
gambar 5.

Proses
fuzzyfication
menghasilkan delapan fuzzy
input
yakni, LR dengan
himpunan Kecil (0.57) dan Sedang (0.42), JO dengan himpunanSedikit (0.5) dan Sedang (0.
5), BD dengan
himpunan Kecil (0.5)
danSedang (0.5)
serta BAC dengan
himpunan Sedikit (0.66) dan Sedang (0.33). Proses selanjutnya adalah melakukan inferensi
terhadap Variabel Suhu Optimal dengan cara yang sama di atas, pada kasus ini kami
menggunakan fungsi trapesium untuk mendefinisikan nilai linguistik nya sebagai berikut
(lihat gambar 5) :

Langkah selanjutnya adalah dengan mendefinisikan aturan fuzzy yang akan digunakan.
Dari sejumlah variabel yang ada diperoleh sebanyak 43 atau64 aturan fuzzy yang terbentuk.
Hasil fuzzyfication terhadap nilai LR,JO,BD dan BAC kemudian dimasukan ke dalam aturan
fuzzy yang terbentuk, sehingga memperoleh aturan baru sebanyak aturan sebagai berikut
Langkah selanjutnya adalah dengan mendefinisikan aturan fuzzy yang akan digunakan.
Dari sejumlah variabel yang ada diperoleh sebanyak 43 atau 27 aturan fuzzy yang terbentuk.
Hasil fuzzyfication terhadap nilai LR, JO BDdan BAC kemudian dimasukan ke dalam aturan

fuzzy yang terbentuk, sehingga memperoleh aturan baru sebanyak delapan aturan sebagai
berikut :
1)
If LR Kecil AND JO Sedikit AND BD Kecil BAC Sedikit
2)
If LR Kecil AND JO Sedikit AND BD Sedang BAC Sedikit
3)
If LR Kecil AND JO Sedang AND BD Kecil BAC Sedikit
4)
If LR Kecil AND JO Sedang AND BD Sedang BAC Sedang
5)
If LR Kecil AND JO Sedikit AND BD Kecil BAC Sedang
6)
If LR Sedang AND JO Sedang AND BD Sedang BAC Sedang
7)
If LR Sedang AND JO Sedang AND BD Kecil BAC Sedang
8)
If LR Sedang AND JO Sedikit AND BD Sedang BAC Sedang
9)
If LR Sedang AND JO Sedikit AND BD Kecil BAC Sedikit
10)
If LR Sedang AND JO Sedang AND BD Sedang BAC Sedikit

Dengan menggunakan metode inferensi Mamdani, diperoleh proses inferensi dengan


menggunakan aturan Conjunction ( ^ ) terhadap kedelapan aturan baru di atas, untuk
mengambil derajat keanggotaan minimum dari nilai linguistik yang ada. Berikut ini adalah
aturan baru sementara yang diperoleh:
If LR Kecil (0.57) AND JO Sedikit (0.5) AND BD Kecil (0.5) BACSedikit (0.66) THEN
Suhu Optimal Dingin (0.5)
If LR Kecil (0.57) AND JO Sedikit (0.5) AND BD Sedang (0.5) BACSedikit (0.66)
THEN Suhu Optimal Dingin (0.5)
If LR Kecil (0.57) AND JO Sedang (0.5) AND BD Kecil (0.5) BACSedikit (0.66)
THEN Suhu Optimal Dingin (0.5)
If LR Kecil (0.57) AND JO Sedang (0.5) AND BD Sedang (0.5) BACSedang (0.33)
THEN Suhu Optimal Sedang (0.33)
If LR Kecil (0.57) AND JO Sedikit (0.5) AND BD Kecil (0.5) BACSedang (0.33)
THEN Suhu Optimal Dingin (0.33)
If LR Sedang (0.42) AND JO Sedang (0.5) AND BD Sedang (0.5) BACSedang (0.33)
THEN Suhu Optimal Sejuk (0.33)
If LR Sedang (0.42) AND JO Sedang (0.5) AND BD Kecil (0.5) BACSedang (0.33)
THEN Suhu Optimal Sejuk (0.33)
If LR Sedang (0.42) AND JO Sedikit (0.5) AND BD Sedang (0.5) BACSedang (0.33)
THEN Suhu Optimal Sedang (0.33)
If LR Sedang (0.42) AND JO Sedikit (0.5) AND BD Kecil (0.5) BACSedikit (0.66)
THEN Suhu Optimal Dingin (0.42)
If LR Sedang (0.42) AND JO Sedang (0.5) AND BD Sedang (0.5) BACSedikit (0.66)
THEN Suhu Optimal Sejuk (0.42)
Berdasarkan perhitungan di atas, diperoleh 8 nilai linguistik dengan nilai derajat keanggotaan yang berbeda,
yakni :

Suhu Optimal Dingin (0.5)

Suhu Optimal Dingin (0.5)

Suhu Optimal Dingin (0.5)

Suhu Optimal Sedang (0.33)

Suhu Optimal Dingin (0.33)

Suhu Optimal Sejuk (0.33)

Suhu Optimal Sejuk (0.33)

Suhu Optimal Sedang (0.33)

Suhu Optimal Dingin (0.42)

Suhu Optimal Sejuk (0.42)
(ini dimabil dari nilai rendah, sedang)

Langkah selanjutnya adalah, gunakan aturan disjunction ( V ) untuk menentukan nilai


derajat keanggotaan maksimum dari nilai-nilai linguistik yang dihubungkan :
Suhu Optimal is Dingin (0.5) Suhu Optimal is Dingin (0.5) v Suhu Optimal is Dingin
(0.5) v Suhu Optimal is Dingin (0.33) v Suhu Optimal is Dingin (0.42) Dihasilkan Suhu
Optimal is Dingin (0.5)
Suhu Optimal is SEDANG (0.33) Suhu Optimal is SEDANG (0.33)Dihasilkan Suhu
Optimal is SEDANG (0.33)
Suhu
Optimal is SEJUK
(0.33)
Suhu
Optimal is SEJUK (0.33) Suhu
Optimal is SEJUK (0.42) Dihasilkan Suhu Optimal Is SEJUK (0.42)
Dengan menggunakan proses clipping pada Mamdani, dapat digambarkan 3 fuzzy set dalam
bentuk grafik sesuai dengan derajat keanggotaan sesuai dengan variabel jurusan yaitu Dingin
(lihat gambar 7), Sedang (lihat gambar 8) dan Sejuk (lihat gambar 9).

Setelah itu, di lakukan lah proses composition dari 3 fuzzy set di atas sehingga
menghasilkan fuzzy set tunggal. Lalu di tentukan titik-titik pada area abu-abu secara acak
untuk
melakukan
perhitungan
selanjutnya,
misalkan
titik-titik
tersebut
adalah : 16, 16.5, 17, 17.5, 18, 18.5 , 20, 21.5, 22.5, 24, 24.5, 25.5, 26 (lihat gambar 10).
Kemudian masukan titik-titik sembarang tersebut ke dalam persamaan di bawah ini:

Sehingga diperoleh :

0,5=-dari nilai derajat keanggotaan dingin. Gambar 7

Dengan melihat nilai akhir perhitungan,dimana nilai 20.31 berada di nilai interval Sedang maka suhu ruang
keluarga Lita bisa dipastikan Berada di Suhu Optimal Sedang. Pengujian terhadap data nilai yang lain kemudian
dilakukan dengan menggunakan tools Fuzzy Inference System (FIS) pada MATLAB dan diperoleh hasil sebagai
berikut :
Tabel 4. Data Penelitian

Merek AC
Panasonic CSPC7NKJ 3/4pk

Ruangan
Ruangan
keluarga Lita

LR

JO

BD

BAC

Suhu
Optimal

26,4

0,75

Sedang