Logika Fuzzy
Berbeda dengan logika kuno / logika digital yang hanya memiliki nilai 0
dan 1, atau "true" dan "false", maka dengan logika fuzzy sesuatu dapat
memiliki nilai diantara range 0 dan 1.
Secara bahasa, Fuzzy berarti kabur atau samar. Logika fuzzy adalah logika multivalued
yang memungkinkan untuk mendefinisikan nilai menengah diantara dua logika/ evaluasi
konvensional yang berbeda, seperti benar/salah, iya/tidak, tinggi/rendah, panas/dingin, dll.
Oleh karena itulah logika ini disebut logika samar. Sehingga dalam teori fuzzy sesuatu dapat
bernilai salah atau benar secara bersamaan.
Atau dengan istilah lain, Logika fuzzy adalah suatu cara untuk memetakan suatu ruang
input kedalam suatu ruang output, mempunyai nilai continue. Fuzzy dinyatakan dalam derajat
dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan
sebagian benar dan sebagian salah pada waktu yang sama (Kusumadewi. 2004)
2. Himpunan Fuzzy
Dalam ilmu logika fuzzy kita mengenal dua himpunan, yaitu himpunan crisp (tegas) dan
himpunan fuzzy (samar).
himpunan crisp adalah himpunan yang menyatakan suatu obyek merupakan anggota
dari satu himpunan memiliki nilai keanggotaan () = ya (1) atau tidak (0), oleh
karena itu himpunan crisp disebut himpunan tegas.
himpunan fuzzy adalah himpunan yang menyatakan suatu obyek dapat menjadi
anggota dari beberapa himpunan dengan nilai keanggotaan () yang berbeda.
contoh:
seseorang yang berumur 40 tahun termasuk dalam himpunan MUDA dengan
MUDA[40]=0,25; namun dia juga termasuk dalam himpunan PAROBAYA dengan
PAROBAYA[50]=0,5.
Operasi-operasi yang dapat dilakukan pada himpunan fuzzy sama seperti operasi pada logika
biner biasa. Kasus soal terdapat tiga buah himpunan logika fuzzy A, dan B, dan C pada
semesta X. Diberikan elemen x untuk fungsi teori operasi untuk teori operasi himpunan
union, intersection, dan complement.
Union
Intersection
Complement
2. Himpunan fuzzy yaitu suatu grup yang mewakili suatu kondisi atau keadaan tertentu
dalam suatu variabel fuzzy. Contohnya: variabel temperatur, terbagi menjadi 5
himpuan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.
3. Semesta Pembicaraan yaitu keseluruhan nilai yang diperoleh untuk dioperasikan
dalam suatu variabel fuzzy, semesta pembicaraan merupakan himpunan bilangan real
yang senantiasa naik (bertambah) secara monoton dari kiri kekanan. Nilai semesta
pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta
pembicaraan ini tidak dibatasi batas atasnya. Contohnya semesta pembicaraan untuk
variabel umur: [0 +].
Domain Himpunan Fuzzy yaitu keseluruhan nilai yang diijinkan 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. Contoh domain himpuanan fuzzy:
DINGIN = [0,20], SEJUK = [15,20], NORMAL = [20,30], HANGAT = [25,35] dan PANAS
= [30,40].
Pemodelan Dasar Sistem Fuzzy
Soft Computing merupakan inovasi baru dalam membangun sistem cerdas. Sistem cerdas ini
merupakan sistem yang memiliki keahlian seperti manusia pada domain tertentu, mampu
beradaptasi dan belajar agar dapat bekerja lebih baik jika terjadi perubahan lingkungan.
Unsur-unsur pokok dalam Soft Computing adalah : Sistem fuzzy, Jaringan Saraf Tiruan,
Probabilistic Reasoning, Evolutionary Computing.
Sistem fuzzy secara umum terdapat 5 langkah dalam melakukan penalaran, yaitu:
1. Memasukkan input fuzzy.
2. Mengaplikasikan operator fuzy.
3. Mengaplikasikan metode implikasi.
4. Komposisi semua output.
5. Defuzifikasi.
Logika Fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam
ruang output. Untuk sistem yang sangat rumit, penggunaan logika fuzzy (fuzzy logic) adalah
salah satu pemecahannya. Sistem tradisional dirancang untuk mengontrol keluaran tunggal
yang berasal dari beberapa masukan yang tidak saling berhubungan. Karena
ketidaktergantungan ini, penambahan masukan yang baru akan memperumit proses kontrol
dan membutuhkan proses perhitungan kembali dari semua fungsi . Kebalikannya,
penambahan masukan baru pada sistem fuzzy, yaitu sistem yang bekerja berdasarkan prinsipprinsip logika fuzzy, hanya membutuhkan penambahan fungsi keanggotaan yang baru dan
aturan-aturan yang berhubungan dengannya.
Secara umum, sistem fuzzy sangat cocok untuk penalaran pendekatan terutama untuk sistem
yang menangani masalah-masalah yang sulit didefinisikan dengan menggunakan model
matematis Misalkan, nilai masukan dan parameter sebuah sistem bersifat kurang akurat atau
kurang jelas, sehingga sulit mendefinisikan model matematikanya.
Sistem fuzzy mempunyai beberapa keuntungan bila dibandingkan dengan sistem tradisional,
misalkan pada jumlah aturan yang dipergunakan. Pemrosesan awal sejumlah besar nilai
menjadi sebuah nilai derajat keanggotaan pada sistem fuzzy mengurangi jumlah nilai menjadi
sebuah nilai derajat keanggotaan pada sistem fuzzy mengurangi jumlah nilai yang harus
dipergunakan pengontrol untuk membuat suatu keputusan. Keuntungan lainnya adalah sistem
fuzzy mempunyai kemampuan penalaran yang mirip dengan kemampuan penalaran manusia.
Hal ini disebabkan karena sistem fuzzy mempunyai kemampuan untuk memberikan respon
berdasarkan informasi yang bersifat kualitatif, tidak akurat, dan ambigu.
Ada beberapa alasan penggunaan Logika Fuzzy :
1. Logika Fuzzy sangat fleksibel.
2. Logika Fuzzy memiliki toleransi.
3. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran
fuzzy sangat sederhana dan mudah dimengerti.
4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang 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.(Sri Kusumadwi,2002:3)
Sistem fuzzy pertama kali diperkenalkan oleh Prof. L. A. Zadeh dari Barkelay pada tahun
1965. Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamis. Sistem ini
mempunyai kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tak
pasti. Sistem ini menduga suatu fungsi dengan logika fuzzy. Dalam logika fuzzy terdapat
beberapa proses yaitu penentuan himpunan fuzzy, penerapan aturan IF-THEN dan proses
inferensi fuzzy (Marimin, 2005:10).
Ada beberapa metode untuk merepresentasikan hasil logika fuzzy yaitu metode Tsukamoto,
Sugeno dan Mamdani. Pada metode Tsukamoto, setiap konsekuen direpresentasikan dengan
himpunan fuzzy dengan fungsi keanggotaan monoton. Output hasil inferensi masing-masing
aturan adalah z, berupa himpunan biasa (crisp) yang ditetapkan berdasarkan -predikatnya.
Hasil akhir diperoleh dengan menggunakan rata-rata terbobotnya. (Sri
Kusumadewi,2002:108)
Metode Sugeno mirip dengan metode Mamdani, hanya output (konsekuen) tidak berupa
himpunan fuzzy, melainkan berupa konstanta atau persamaan liniar. Ada dua model metode
Sugeno yaitu model fuzzy sugeno orde nol dan model fuzzy sugeno orde satu. Bentuk umum
model fuzzy sugeno orde nol adalah :
IF (x1 is A1) o (x2 is A2) o .. o (xn is An) THEN z = k
FUNGSI IMPLIKASI
Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan dengan suatu
relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam
fungsi implikasi adalah:
IF x is A THEN y is B dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy.
Proposisi yang mengikuti IF disebut sebagi anteseden, sedangkan proposisi yang mengikuti
THEN disebut sebagai konsekuen. Proposisi ini dapat diperluas dengan menggunakan
operator fuzzy, seperti:
IF (x1 is A1) (x2 is A2) (x3 is A3) (xN is AN) THEN y is B dengan adalah
operator (misal: OR atau AND).
Secara umum, ada 2 fungsi implikasi yang dapat digunakan, yaitu:
1. Min (minimum). Fungsi ini akan memotong output himpunan fuzzy. Gambar
7.30 menunjukkan salah satu contoh penggunaan fungsi min.
- Metode Inferensi Fuzzy
Metode Tsukamoto
Pada Metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-Then harus
direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton
(Gambar 7.32). Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara
tegas (crisp) berdasarkan - predikat (fire strength). Hasil akhirnya diperoleh dengan
menggunakan rata-rata terbobot.
-
Metode Mamdani
Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Metode ini
diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output,
diperlukan 4 tahapan:
1. Pembentukan himpunan fuzzy
Pada Metode Mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau
lebih himpunan fuzzy.
2. Aplikasi fungsi implikasi
Pada Metode Mamdani, fungsi implikasi yang digunakan adalah Min.
3. Komposisi Aturan
Tidak seperti penalaran monoton, apabila sistem terdiri-dari beberapa aturan, maka inferensi
diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode yang digunakan dalam
melakukan inferensi sistem fuzzy, yaitu: max, additive dan probabilistik OR (probor).
Metode Max (Maximum)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum
aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan
mengaplikasikannya ke output dengan menggunakan operator OR (union). Jika semua
proposisi telah dievaluasi, maka output akan berisi suatu himpunan fuzzy yang merefleksikan
konstribusi dari tiap-tiap proposisi. Secara umum dapat dituliskan:
sf[xi] max(sf[xi], kf[xi])
dengan:
Database Fuzzy
Sebagian besar basis data standar diklasifikasikan berdasarkan bagaimana data tersebut
dipandang oleh user.
CONTOH :
Variabel Masa Kerja bisa dikategorikan dalam himpunan: BARU dan LAMA
Tabel menunjukkan tabel karyawan berdasarkan umur dengan derajat keanggotannya pada
setiap himpunan.