Fuzzy Logic dan Penerapannya

VeeThemes
11/25/2013 06:46:00 AM
Fuzzy Logic
Fuzzy Logic dapat dikatakan sebagai logika baru yang lama, sebab ilmu tentang
logika modern dan metode baru ditemukan pada tahun 1965, padahal sebenarnya konsep
tentang fuzzy logic itu sendiri sudah ada sejak lama. Salah satu contoh penggunaan fuzzy
logic pada proses input-output dalam bentuk grafis.

Fuzzy logic merupakan peningkatan dari logika Boolean yang berhadapan dengan konsep
kebenaran sebagian. Saat logika klasik menyatakan bahwa segala hal dapat diekspresikan
dalam istilah biner (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy menggantikan
kebenaran boolean dengan tingkat kebenaran.
Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga
hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan",
dan "sangat". Logika ini berhubungan dengan set fuzzy dan teori kemungkinan. Logika fuzzy
diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley pada 1965. Dalam
penyajiannya vaiabel-variabel yang akan digunakan harus cukup menggambarkan ke-fuzzyan tetapi di lain pihak persamaan-persamaan yang dihasilkan dari variable-variabel itu
haruslah cukup sederhana sehingga komputasinya menjadi cukup mudah. Karena itu Profesor
Lotfi A Zadeh kemudian memperoleh ide untuk menyajikannya dengan menentukan derajat
keanggotaan (membership function) dari masing-masing variabelnya.
Fungsi keanggotaan (membership function), Sudradjat [25] adalah suatu kurva yang
menunjukkan pemetaan titik input data kedalam nilai keanggotaanya (sering juga disebut
dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1.

 Derajat Keanggotaan (membership function) adalah : derajat dimana nilai crisp dengan
fungsi keanggotaan ( dari 0 sampai 1 ), juga mengacu sebagai tingkat keanggotaan, nilai
kebenaran, atau masukan fuzzy.
Label adalah nama deskriptif yang digunakan untuk mengidentifikasikan sebuah fungsi
keanggotaan.
Fungsi Keanggotaan adalah mendefinisikan fuzzy set dengan memetakkan masukan crisp
dari domainnya ke derajat keanggotaan.
Masukan Crisp adalah masukan yang tegas dan tertentu.
Lingkup/Domain adalah lebar fungsi keanggotaan. Jangkauan konsep, biasanya bilangan,
tempat dimana fungsi keanggotaan dipetakkan.
Daerah Batasan Crisp adalah jangkauan seluruh nilai yang dapat diaplikasikan pada variabel
sistem.

Gambar Konsep Dasar Fuzzy Logic

Fuzzy Logic dapat dikatakan sebagai logika baru yang lama, sebab ilmu tentang logika
modern dan metodis baru ditemukan pada tahun 1965, padahal sebenarnya konsep tentang
fuzzy logic itu sendiri sudah ada sejak lama. Salah satu contoh penggunaan fuzzy logic pada
proses input-output dalam bentuk grafis seperti pada gambat di bawah, Kusumadewi [10].
Beberapa alasan digunakannya fuzzy logia : (Kusumadewi [10], Sudradjat [29] Yan, Ryan
dan Power [34]), adalah

1. Konsep fuzzy logic mudah dimengerti.

2. Fuzzy logic sangat fleksibel.
3. Fuzzy logic memiliki toleansi terhadap data yang kurang tepat, Popescu, Suradjat dan
Ghica [15, 16]
4. Fuzzy logic mampu memodelkan fungsi nonlinier yang kompleks.
5. Fuzzy logic didasari pada ahasa alami .
Fuzzy Logic saat ini banyak diterapkan dalam berbagai bidang, Jantzen [7], diantaranya:
Fuzzy rule Based Systems
Fuzzy Nonliner Simulations
Fuzzy Decision Making
Fuzzy Classification
Fuzzy Pattern ecognition
Fuzzy Control Systems
Berdasarkan jurnal penelitian yang ada fuzzy logic dapat digunakan dalam kehidupan sehari
hari. Berikut judul jurnal penelitian dalam menerapkan fuzzy logic :

Aplikasi Pendukung Keputusan Dengan Menggunakan Logika Fuzzy (Studi Kasus :

Penentuan Spesifikasi Komputer Untuk Suatu Paket Komputer Lengkap).
Narasi :
Sebuah toko komputer ingin membangun suatu database yang isinya tidak hanya
komponen-komponen dasar komputer, tetapi juga informasi yang dapat membantu dalam
memberikan pilihan data spesifikasi komputer untuk suatu paket komputer lengkap bagi para
konsumen berdasarkan kriteria-kriteria yang dibutuhkan oleh konsumen.

Pada proses perancangan aplikasi ini, diterapkan metode logika fuzzy dalam studi kasus
pemilihan spesifikasi komputer berdasarkan kebutuhan konsumen. Hal tersebut berdasarkan
banyak kasus selama ini, dimana konsumen banyak bertanya tentang spesifikasi komputer
yang menjadi dasar pertimbangan mereka dalam pemilihan paket komputer lengkap.

Sistem yang akan dibangun merupakan sistem database fuzzy (Fuzzy Database System),
karena pada proses pengambilan keputusan menggunakan logika fuzzy dan menggunakan
database dalam menyimpan dan mengambil data spesifikasi komputer.

Output pada sistem ini berupa rekomendasi paket komputer lengkap yang sesuai dengan
kriteria-kriteria yang diinginkan (di-input-kan) oleh para pengguna.Adapun variabel dalam
fungsi fuzzy adalah sebagaimana pada gambar di bawah :

Sistem fuzzy bekerja melalui beberapa tahapan, yaitu identifikasi hasil pencarian item
(data spesifikasi komputer yang menyangkut kecepatan prosesor, kapasitasmemory, kapasitas
Harddisk, ukuran VGA, ukuran monitor, kapasitas power supply, dan harga ) yang akan

menjadi masukan bagi proses penentuan prioritas setiap itemnya. Setelah ditentukan prioritas
setiap item tersebut dilakukan pengacakan. Tahapan berikutnya adalah penggabungan masing
masing item menjadi paket lengkap sebagai set item yang akan direkomendasikan.
Implementasi dan evaluasi
Implementasi sistem dibagi menjadi empat bagian, yaitu implementasi tampilan awal dan
menu utama, implementasi setup data, implementasi pencarian paket komputer dan
implementasi menu tambahan.

Proses pencarian dilakukan secara berurutan mulai dari prosesor, mainboard, memory,
VGA, casing, PSA, harddisk, monitor, optical, keyboard dan mouse. Setelah memilih masin
masing item maka proses berikutnya adalah pemasukan besarnya nilai prioritas untuk
masing-masing item yang berfungsi untuk pengacakan masing-masing item hasil
rekomendasi sehingga terbentuk menjadi suatu paket komputer lengkap.

Setelah kedua proses tersebut maka ditampilkan hasil konfirmasi, yang berfungsi sebagai
pemberi informasi, apa saja kriteria yang telah kita tentukan pada waktu pencarian masingmasing item. Jika konfirmasi data masing-masing item sudah sesuai dengan keinginan
pembeli,
maka akan ditampilkan hasil pencarian paket komputer, sebanyak 5 macam paket komputer
dengan nilai rekomendasi tertinggi.

Kesimpulan yang didapat dari jurnal ini yaitu melihat bagaimana penerapan metode fuzzy
logic dapat mengambil sebuah keputusan untuk menetukan spesifikasi komputer.
Pengambilan keputusan tersebut berdasarkan data himpunan yang diproses oleh fuzzy logic.

Implementasi Metode Fuzzy Logic Untuk Pengaturan Kelembaban Tanah pada

Tanaman Cabai
Narasi :
Suhu dan Kelembaban suatu tanaman merupakan parameter utama yang mempengaruhi
jumlah air yang dibutuhkannya. Perancangan sistem kendali yang mempunyai input nonlinier dan dengan persamaan fungsi alih yang sulit membutuhkan suatu sistem kendali yang
mampu membuat keputusan pengendalian. Hal ini disebabkan karena keputusan
pengendalian.
Berikut penerapan metode fuzzy logic untuk pengaturan kelemban tanah pada tanaman cabe :

Input dari sensor kelembaban dimasukka sebagai crisp input, lalu input tersebut dimasukkan
kedalam batas scope/domain.

Untuk membership function output motor pompa, input dari ADC dimasukkan kedalam 5
buah kondisi yaitu :

Kesimpulan dari jurnal ini yaitu sistem fuzzy logic dapat mengatur kelembaban tanah pada
tanaman cabe dengan memanfaatkan sensor sebagai alat utama.
Analisis Pemberian Kredit Mobil Dengan Pendekatan Metode Fuzzy-Mamdani (Studi
Kasus : PT Astra Credit Companies Cabang Daihatsu Cibubur)
Aspek dalam dunia nyata selalu atau biasanya beradas di luar model matematis dan bersifat
inexact. Ketidakpastian ini yang menjadi konsep dasar munculnya konsep logika fuzzy.
Gagasan logika fuzzy di cetuskan oleh Prof. L.A. Zadeh berasal dari California University.
Prinsip dari himpunan fuzzy adalah himpunan yang membagi sekelompok indidvisu kedalam
dua kategori yaitu anggota dan bukan anggota.
Menurut Kusumadewi, Himpunan tegas (crisp) adalah nilai keanggotaan suatu item x ke
dalam suatu himpunan A yang sering di tulis A [x], dan memiliki 2 kemungkinan yaitu :

Satu (1) yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan.
Nol (0) yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.

Himpunan crisp, nilai keanggotaan terdapat 2 kemungkinan yaitu 0 atu 1, sedangkan pada
himpunan fuzzy nilai kenggotaan terletak pada rentang 0 sampai 1. Semesta pembicaraan
adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variable fuzzy.
Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik secara
menonton dari kiri ke kanan. Nilai semesta pembicaraan berupa bilangan positif maupun
bilangan negative. Domain dari himpunan fuzzy adalah keseluruhan nilai yang diijinkan
dalam semesta pembeciraan dan boleh dioperasikan dalam suatu himpuanan fuzzy.
Fungsi keanggotaan adalah kurva yang menunjukkan pemetaan titik-titik input data dalam
nilai keanggotaan yang meninterval antara 0 sampai . salah satu cara yang digunakan untuk
mendapatkan nilai keanggotaan dengan melalui pendakatan fungsi. Berikut ini beberapa
fungus yang dapat digunakan, yaitu :

Representasi linear
Representasi segitiga
Representasi trapezium
Representasi kurva bentuk bahu
Representasi kurva S
Representasi bentuk lonceng
Metode mamdani sering dikenal dengan nama metode min-max. metode mamdani
diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Terdapat 4 tahapan untu mendapatka
output, taitu :
Pembentukan himpunan fuzzy
Pada metode mamdani baik variabel input maupun variabel output dibagi menjadi satu atau
lebih himpunan fuzzy.

Aplikasi fungsi implikasi

Pada Metode Mamdani, fungsi implikasi yang digunakan adalah min.

Komposisi aturan
Metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu Metode max
(maximum).

Penegasan
Defuzzyfikasi pada komposisi aturan mamdani dengan menggunakan metode centroid.
Dimana pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat daerah
fuzzy.
Pengolahan Data
Untuk membuat suatu fuzzy inference system yang didasari pada tabel1 diatas, langkah
pertama adalah kita harus mengklasifikasikan atau membuat himpunan pada setiap masingmasing varibel yang digunakan.
Langkah selanjutnya adalah membuat fungsi keanggotaan untuk tiap variabel, yaitu Jumlah
uang muka yang dibayarkan calon debitur, Kondisi tempat tinggal calon debitor, Jenis

pekerjaan/ profesi seorang calon debitor, Penghasilan perbulan seorang debitur, Penghasilan
tambahan seorang debitur, Jumlah taggungan yang ditanggung oleh calon debitor, Perputaran
kas seorang calon debitor, Karakter calon debitor, dan
Keadaan global kondisi ekonomi. Dan hasil keputusan kredit.
Aplikasi Fuzzi Adaptif Pada Pengaturan Induksi Iii Fasa Berbeban Dengan
Menggunakan PC
1.
Masalah
Penerapan pengendali FAIMC pada sistem pengendalian kecepatan motor induksi untuk
mendapatkan performansi yang baik.
2. Tujuan
Menganalisa dinamika proses pada motor induksi
Merancang sistem pengendalian kecepatan pada motor induksi dengan metode FAIMC
3.
Manfaat
Menigkatkan performansi yang baik untuk motor induksi
4.
Pengguna
Seseorang yang menggunakan motor induksi sebagai kebutuhan.
5. Teori
Dalam pembuatan perancangan pengendali digunakan algoritam sebagai berikut:
a.
b.
c.

Fuzzy dynamic model

Fuzzy berbasis model
Fuzzy adaftive internal model control

6.

Kesimpulan

1.
Kontroller FAIMC memberikan hasil performansi yang optimal pada kecepatan
maksimal yaitu 1800 rpm
2.
Kontroller mampu diuji beban max 0.5 Nm
3.
Dari perbandingan hasil perancangan dengan berbagai metode kontroller FAIMC bisa
memberikan hasil performansi yang lebih baik.
Penerapan Logika Fuzzy Pada Penilaian Mutu Teh Hitam Oorthodox
Masalah yang dihadapi : Bagaimana menentukan mutu teh hitam tanpa menggunakan
tester dan ketidakpastian batas antara satu kriteria dengan kriteria lainnya?
Tujuan Penelitian : Membuat model penilaian mutu teh dengan menggunakan program
komputer berbasis logika fuzzy.
Manfaat Penelitian : Diharapkan dapat bermanfaat dalam menentukan mutu teh hitam yang
baik.
Pengguna Aplikasi dan Sistem pakarnya adalah Konsumen Teh Hitam dan Dra. ThongTjie
Menentukan himpunan fuzzy

Dimana himpunan [A,B,C,D,E] memiliki nilai definisi untuk kemudahan proses hitung
pada aturan fuzzy sebagai berikut : Kelas mutu A = 5; kelas mutu B = 4; kelas mutu C = 3;
kelas mutu D = 2 dan kelas mutu E=1.

Variabel Kriteria
Membuat aturan fuzzy
Aturan kriteria appeareance :
Penentuan Batas Atas (BA) dan Batas Bawah (BB) pada variabel mutu ini didasarkan pada
penilaian mutu teh hitam orthodox, yaitu pada standar keberterimaan teh PTPN VIII yang
telah di-tuning.
Jumlah aturan appeareance, yaitu sebanyak 5 x 5 x 5 x 5 = 625 aturan. Contoh bentuk
aturan, yaitu :
IF Warna 5 AND Kerataan 5 AND Kebersihan 5 AND Ukuran & Bentuk 5 THEN Mutu 5
IF Warna 5 AND Kerataan 5 AND Kebersihan 5 AND Ukuran & Bentuk 4 THEN Mutu 5
IF Warna 5 AND Kerataan 5 AND Kebersihan 5 AND Ukuran & Bentuk 3 THEN Mutu 5
IF Warna 5 AND Kerataan 5 AND Kebersihan 5 AND Ukuran & Bentuk 2 THEN Mutu 4
Kesimpulan : Hasil perhitungan dengan menggunakan perangkat lunak Mathlab dapat
diketahui adanya perbedaan antara hasil penilaian tester teh hasil perhitungan dengan
menggunakan metode fuzzy. Dari 128 sampel terdapat 16 penilaian yang berbeda (hasil akhir
yang berbeda sebanyak 12,50 %). Rata rata perbedaan nilai dari penilaian tester dan
perhitungan dengan menggunakan metode fuzzy adalah 23,22.