1.

Perbedaan probability theory dengan fuzzy logic

Perbedaan yang mencolok dari beberapa contoh yang telah diberikan yaitu
pada jenis ketidakpastian yang ditangani. Fuzzy logic berbicara mengenai
"derajat kebenaran", sedangkan probability theory mengenai "probabilitas,
kecenderungan". Jadi bisa disebut dalam fuzzy logic terdapat adanya suatu
kesamaran didalamnya.
Contoh yang dapat menjelaskan perbedaan antara probability theory dengan
fuzzy lighic :
Ada seorang ilmuwan terdampar di sebuah pulau gersang tanpa air
sedikitpun. Pada suatu hari, dia menemukan dua buah peti, masing-masing
peti berisi 50 botol air mineral. Pada peti pertama terdapat tulisan
Peringatan: 1 dari 50 botol ini berisi cairan kimia mematikan yang warna dan
rasanya sama dengan air mineral. Anda akan mati seketika jika
meminumnya. Pada peti kedua, terdapat tulisan Peringatan: satu plastic
cairan kimia mematikan telah dicampurkan ke dalam 50 botol ini secara
tidak merata. Anda tidak akan mati jika hanya meminum satu botol, tetapi
anda akan mati jika meminum 50 botol tersebut. Karena dehidrasi berat,
ilmuwan membutuhkan satu botol air mineral agar tetap bertahan hidup. Jika
anda sebagai ilmuwan, anda akan mengambil sebotol minuman peti yang
mana?
Pada peti pertama, jenis ketidakpastian yang ada disebut peluang atau
probabilitas. Memilih 1 dari 50 botol memberikan probabilitas salah memilih
botol, meminum cairan, dan mati sebesar 0,02. Di sini, terdapat
ketidakpastian apakah kita mati atau hidup. Sedangkan pada peti ke dua,
jenis ketidakpastian yang ada disebut fuzziness (kesamaran): tidak masalah
botol mana yang kita pilih dan kita minum airnya, air tersebut mungkin hanya
membuat kepala kita pusing tetapi kita masih bisa bertahan hidup. Dalam hal
ini, air di dalam masing-masing botol memiliki kandungan cairan kimia yang
berbeda-beda. Tingkat kandungan inilah yang disebut fuzziness.
http://wangready.wordpress.com/2011/05/03/fuzzy-logic/
Dri contoh diatas dapat ditarik kesimpulan pada fuzzy logic terdapat suatu
kemungkinan adanya pilihan lain diantara 2 variabel pilihan (menurut contoh
diatas adanya pusing / sakit diatara 2 pilihan yaitu hidup atau mati).
2. Perbedaan fuzzy set dengan classical set
Classical set memiliki batasan yang jelas, karena itu keanggotaan dari
classical set dapat dinyatakan hanya dalam dua macam yaitu: menjadi
anggota himpunan atau tidak. Sedangkan pada fuzzy set, keanggotaan suatu
elemen pada suatu himpunan lebih lanjut dinyatakan dengan derajad
keanggotaannya.

Contoh grafik :

Gambar diatas merupakan gambar yang menggambarkan himpunan orang

muda. Representasi dengan classical set menyatakan bahwa jika seseorang
berumur dibawah 10 th maka ia merupakan himpunan orang muda, jika tidak
maka ia tergolong tua. Sebaliknya dengan menggunakan fuzzy set, himpunan
orang muda ditentukan oleh derajad keanggotaannya. Misalnya, seseorang
berumur 2 th merupakan himpunan orang muda dengan nilai keanggotaan
0.95, atau dengan kata lain sangat muda, orang berumur 10 th merupakan
himpunan orang muda dengan nilai keanggotaan 0.5, sedangkan orang
berumur 18 th merupakan himpunan orang muda dengan nilai keanggotaan
0.2, atau dengan kata lain kurang muda. Kurva pada Gambar diatas juga
dapat ditafsirkan sebagai mapping dari input berupa umur seseorang menuju
ke output berupa derajad kemudaan seseorang. Secara khusus kurva
semacam ini disebut sebagai fungsi keanggotaan (membership function).
3. Fuzzy system
Suatu sistem yang menerapkan fuzzy logic dan menggunakan himpunan
fuzzy untuk memetakan suatu inputan menjadi ouput tertentu. Sistem ini
biasa digunakan untuk mengatasi banyak permasalahan dunia nyata yang
bersifat non linear.
Secara umum dalam sistem fuzzy terdapat empat buah elemen dasar, yaitu:

Basis kaidah (rule base), yang berisi aturan-aturan secara linguistik

yang bersumber dari para pakar;
Suatu mekanisme pengambilan keputusan (inference engine), yang
memperagakan bagaimana para pakar mengambil suatu keputusan
dengan menerapkan pengetahuan (knowledge);
Proses fuzzifikasi (fuzzification), yang mengubah besaran tegas (crisp)
ke besaran fuzzy;
Proses defuzzifikasi (defuzzification), yang mengubah besaran fuzzy
hasil dari inference engine, menjadi besaran tegas (crisp).

Grafik proses dalam sistem fuzzy :

4. Crisp set
Crisp set dapat disebut juga himpunan klasik yaitu himpunan yang
membedakan anggota dan non-anggotanya 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.
Keterbatasan dalam crisp set ini adalah adanya kesulitan dalam
merepresentasikan suatu elemen yang tidak termasuk ke dalam A maupun
nonA
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 nonA.
5. Derajat keanggotaan
Derajt keanggotaan merupakan keanggotaan suatu elemen dalam suatu
himpunan. Derajat keanggotaan memiliki rentang 0 hingga 1. Berbeda
dengan logika digital yang hanya memiliki dua nilai 1 atau 0 (ya atau tidak).
Contoh derajat keanggotaan :

Menurut gambar diatas kita dapat melihat derajat keanggotaan suatu nilai x
6. Fungsi keanggotaan
Suatu fungsi yang digunakan untuk menghitung derajat keanggotaan suatu
himpunan fuzzy.
Beberapa fungsi keanggotaan:
- Fungsi linear
Linear naik
linear turun
Gambar kurva :
gambar kurva :

Fungsi segitiga
Gambar kurva :

Fungsi:
-

Fungsi trapesium
Gambar kurva :

Fungsi :

Fungsi gaussian
Gambar kurva :

Fungsi :

Fungsi sigmoid
Gambar kurva :
Membuka kekanan

Fungsi :

Fungsi bell
Gambar kurva :

membuka kekiri

Fungsi :

Fungsi phi
Gambar kurva :

Fungsi :

Tahapnya yang ini kalo ay mau kasih contoh sok geura ay

7. tahap tahap pada fuzzy system
- Fuzzification
Tahap fuzzification merupakan tahapan awal dimana terjadi proses
konversi parameter ke bentuk fuzzy input yang simantiknya ditentukan
oleh derajat keanggotan. Dengan kata lain membuat suatu nilai crisp
menjadi suatu nilai yang berkisar antara 0 hingga 1 dalam himpunanhimpunan fuzzy yang tersedia dengan cara memasukkan nilai2 crisp
tersebut kedalam suatu fungsi keanggotaan hingga diperoleh derajat
keanggotaanya. Kemudian output yang dihasilkan dari proses fuzzification
ini kemudian masuk ke tahap inference.
-

Inference / Rule Evaluation

Pada tahap rule evaluation dilakukan evaluasi, pengecekan, pengambilan
keputusan aturan, knowledge base, rule base yang akan diterapkan
dengan menyesuaikan kondisi nilai pada himpunan-himpunan fuzzy.

Beberapa aturan dapat diterapkan sekaligus pada kondisi tersebut.

Banyaknya aturan / metode yang diterapkan tergantung dari banyaknya
nilai himpunan fuzzy yang tidak bernilai 0 di dalamnya. Bila suatu nilai
himpunan fuzzy bernilai 0 maka aturan yang memuat antecedent atas
himpunan tersebut dapat diabaikan dengan kata lain tidak digunakan.
Aturan/metode, rule base, atau knowledge base memuat sejumlah fungsi
yang memetakan sejumlah antecedent dengan consequent-nya dengan
bentuk if-then, bila (if) antecedent bernilai x maka (then) consequent
bernilai y.
-

Defuzzification
Tahap selanjutnya ialah defuzzification. Berbeda dengan fuzzification,
pada tahap ini proses memetakan suatu nilai ruang fuzzy ke dalam nilai
crisp. Dengan kata lain untuk mengubah nilai fuzzy menjadi nilai crisp.
Nilai crisp inilah yang nantinya akan digunakan dalam implementasi dan
analisis akhirnya.
Terdapat beberapa metode yang dapat digunakan untuk mengubah suatu
nilai fuzzy dalam nilai crisp, metode defuzzification tersebut antara lain,
Center-of-Gravity, Center-of-Average, First-of-Max, Last-of-Max, dan lain
sebagainya.
Pada dasarnya setiap metode defuzzification memiliki kelebihan dan
kekurangannya masing-masing, serta kebutuhan implementasinya itu
berbeda-beda. Kinerja metode defuzzification untuk satu sistem dengan
sistem lainnya tidak selalu sama, tergantung kebutuhan mana yang paling
sesuai dalam suatu sistem.

Yang 8 ke atas ini masih ngasal ay, masih seenak udel nyam nyam nyam aku,
ahehehehhehe aku isiin sengerti aku aja ay, kalo mau benerin sekalian kasih
contohnya sok geura ay
8. Crisp input
Nilai himpunan klasik yang akan dikonversikan pada saat fuzzification
9. Fuzzy input
Nilai himpunan fuzzy yang didapat setelah proses fuzzification dilakukan yang
nantinya akan digunakan pada proses inference
10.Fuzzy rule
Aturan / metode yang memuat sejumlah fungsi yang memetakan sejumlah
antecedent dengan consequent-nya dengan bentuk if-then, bila (if)
antecedent bernilai x maka (then) consequent bernilai y.
11.Fuzzy output
Nilai himpunan fuzzy yang didapatkan setelah proses inference yang
kemudian akan digunakan untuk konversi ke himpunan klasik saat
defuzzification
12.Crisp output
Hasil yang berupa himpunan klasik yang didapatkan setelah proses
defuzzification

13.Mamdani model
14.Sugeno model
15.Center-of-Gravity method