Sistem Inferensi Fuzzy

Sistem Inferensi Fuzzy (Fuzzy Inference System/FIS) disebut juga fuzzy inference engine adalah
sistem yang dapat melakukan penalaran dengan prinsip serupa seperti manusia melakukan
penalaran dengan nalurinya.

Terdapat beberapa jenis FIS yang dikenal yaitu Mamdani, Sugeno dan Tsukamoto. FIS yang
paling mudah dimengerti, karena paling sesuai dengan naluri manusia adalah FIS Mamdani. FIS
tersebut bekerja berdasarkan kaidah-kaidah linguistik dan memiliki algoritma fuzzy yang
menyediakan sebuah aproksimasi untuk dimasuki analisa matematik.

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 prinsip-prinsip 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 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.

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

Metode Mamdani

Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Metode ini diperkenalkan
oleh Ebrahim Mamdani pada tahun 1975. Untuk memperoleh output, diperlukan 4 tahapan yaitu :

1. Pembentukan himpunan fuzzy;

pada metoda mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih
himpunan fuzzy.

2. Aplikasi fungsi impliksi (aturan);

pada metode mamdani, fungsi implikasi yang digunakan adalah MIN

3. Komponen aturan;

Pada tahapan ini 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.

Pada metode max, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum
aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan mengaplikasikanya
ke output dengan menggunakan operator OR (union).

4. Penegasan (defuzzyfikasi)

Input dari proses defuzzyfikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi
aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain
himpunan fuzzy tersebut. Jika diberikan suatu himpunan fuzzy dalam range tertentu, maka
harus dapat di ambil suatu nilai crisp tertentu sebagai output. Defuzzyfikasi pada metode
mamdani untuk semesta diskrit menggunakan persamaan

z = ∑ zj µ(zj)/∑ µ(zj)
Contoh Kasus

Suatu perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Dari data 1 bulan terakhir,
permintaan terbesar mencapai 5000 kemasan/hari, dan permintaan terkecil mencapai 1000 kemasan/hari.
Persediaan barang di gudang terbanyak mencapai 600 kemasan/hari, dan terkecil pernah mencapai 100
kemasan/hari. Dengan segala keterbatasannya, sampai saat ini perusahaan baru mampu memproduksi barang
maksimum 7000 kemasan/hari, untuk efisiensi mesin dan SDM tiap hari diharapkan perusahaan
memproduksi 2000 kemasan. Berapa kemasan makanan jenis ABC yang harus diproduksi jika jumlah
permintaan sebanyak 4000 kemasan dan persediaan di gudang masih 300 kemasan. (Kusumadewi, dkk., 2004)

JARINGAN SYARAF TIRUAN

Secara awam, aspek yang cukup penting yang mendasari berbagai teori dalam AI adalah system
pengenalan pola (Pattern Recognizing) yang merupakan bagian dari pengimplementasian Neural
Network (NN) atau Jaringan Syaraf Buatan secara praktis. Sistem pengenalan pola merupakan
komponen penting dalam proses peniruan kemampuan inderawi manusia terutama penglihatan
dan pendengaran. Sebagai contoh, untuk meniru indera penglihatan manusia, komputer harus
mempunyai suatu mekanisme standar dan logis dalam mengenali pola yang ada pada suatu citra
yang sedang diproses. Dari sinilah diperoleh motivasi untuk mencoba suatu konsep sederhana
untuk mengenali pola dari suatu citra sehingga dapat diidentifikasi dengan baik oleh komputer.

Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip
dengan jaringan syaraf biologi.

Jaringan Syaraf tiruan bisa dibayangkan seperti otak buatan yang dapat berpikir seperti manusia
dan juga sepandai manusia dalam menyimpulkan sesuatu dari potongan-potongan informasi yang
diterima. Khayalan manusia tersebut mendorong para peneliti untuk mewujudkannya. Komputer
diusahankan agar bisa berpikir sama seperti cara berpikir manusia. Caranya adalah dengan
melakukan peniruan terhadap aktivitas-aktivitas yang terjadi di dalam sebuah jaringan syaraf
biologis.

Salah satu contoh pengambilan ide dari jaringan syaraf biologis adalah adanya elemen-elemen
pemrosesan pada jaringan syaraf tiruan yang saling terhubung dan beroperasi secara paralel. Ini
meniru jaringan syaraf biologis yang tersusun dari sel-sel syaraf (neuron). Cara kerja dari
elemen-elemen pemrosesan jaringan syaraf tiruan juga sama seperti meng-encode informasi yang
diterimanya.

JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi
bahwa :

 Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron)

 Sinyal dikirimkan diantara neuron-neuron melalui penghubung- penghubung
 Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah
sinyal
  Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi yang dikenakan
pada jumlah output yang diterima. Besarnya output ini selanjutnya dibandingkan dengan
suatu batas ambang.

JST ditentukan oleh tiga hal :

1. Pola hubungan antar neuron (disebut arsitektur jaringan)

2. Metode untuk menentukan bobot penghubung (disebut metode
training/learning/algoritma)
3. Fungsi aktivasi

Contoh :

Bidan Peramalan

Jaringan syaraf tiruan juga dapat dipakai untuk meramalkan apa yang sudah terjadi di masa yang
akan datang berdasarkan pola kejadian yang ada di masa lampau. Ini dapat dilakukan mengingat
kemampuan jaringan syaraf tiruan untuk mengingat dan membuat generalisasi dari apa yang
sudah ada sebelumnya.

Jaringan syaraf tiruan memiliki beberapa kelebihan yaitu :

1. Mampu memecahkan masalah yang sukar disimulasikan dengan menggunakan teknik

analitikal logika seperti pada sistem pakar dan teknologi software standar.
2. Mampu memahami data yang dimasukkan meskipun data tersebut tidak lengkap (incomplete
data) atau data yang terkena gangguan (noisy data).
3. Jaringan syaraf tiruan yang sulit diciptakan dengan pendekatan simbolik/logikal dari teknik
tradisional artificial intelligence, yaitu bahwa jaringan syaraf tiruan mampu belajar dari
pengalaman.

Algoritma Genetika (AG)

Algoritma genetika adalah algoritma komputasi yang diinspirasi teori evolusi yang kemudian
diadopsi menjadi algoritma komputasi untuk mencari solusi suatu permasalahan dengan cara
yang lebih “alamiah”.
Teori Dasar Algoritma Genetika
Algoritma genetika yang dikembangkan oleh Goldberg adalah algoritma komputasi yang
diinspirasi teori evolusi Darwin yang menyatakan bahwa kelangsungan hidup suatu makhluk
dipengaruhi aturan “yang kuat adalah yang menang”. Darwin juga menyatakan bahwa
kelangsungan hidup suatu makhluk dapat dipertahankan melalui proses reproduksi, crossover,
dan mutasi. Konsep dalam teori evolusi Darwin tersebut kemudian diadopsi menjadi algoritma
komputasi untuk mencari solusi suatu permasalahan dengan cara yang lebih “alamiah”.
 Sebuah solusi yang dibangkitkan dalam algoritma genetika disebut sebagai chromosome,
sedangkan kumpulan chromosome-chromosome tersebut disebut sebagai populasi. Sebuah
chromosome dibentuk dari komponen-komponen penyusun yang disebut sebagai gen dan
nilainya dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari
permasalahan yang ingin diselesaikan. Chromosome-chromosome tersebut akan berevolusi
secara berkelanjutan yang disebut dengan generasi. Dalam tiap generasi chromosome-
chromosome tersebut dievaluasi tingkat keberhasilan nilai solusinya terhadap masalah yang ingin
diselesaikan (fungsi_objektif) menggunakan ukuran yang disebut dengan fitness. Untuk memilih
chromosome yang tetap dipertahankan untuk generasi selanjutnya dilakukan proses yang disebut
dengan seleksi. Proses seleksi chromosome menggunakan konsep aturan evolusi Darwin yang
telah disebutkan sebelumnya yaitu chromosome yang mempunyai nilai fitness tinggi akan
memiliki peluang lebih besar untuk terpilih lagi pada generasi selanjutnya.
Chromosome-chromosome baru yang disebut dengan offspring, dibentuk dengan cara
melakukan perkawinan antar chromosome-chromosome dalam satu generasi yang disebut
sebagai proses crossover. Jumlah chromosome dalam populasi yang mengalami crossover
ditentukan oleh paramater yang disebut dengan crossover_rate. Mekanisme perubahan susunan
unsur penyusun mahkluk hidup akibat adanya faktor alam yang disebut dengan mutasi
direpresentasikan sebagai proses berubahnya satu atau lebih nilai gen dalam chromosome dengan
suatu nilai acak. Jumlah gen dalam populasi yang mengalami mutasi ditentukan oleh parameter
yang dinamakan mutation_rate. Setelah beberapa generasi akan dihasilkan chromosome-
chromosome yang nilai gen-gennya konvergen ke suatu nilai tertentu yang merupakan solusi
terbaik yang dihasilkan oleh algoritma genetika terhadap permasalahan yang ingin diselesaikan.

Contoh Aplikasi Algoritma Genetika

Berikut adalah contoh aplikasi algoritma genetika yang digunakan untuk menyelesaikan masalah
kombinasi. Misalkan ada persamaan a+2b+3c+4d = 30, kita mencari nilai a, b, c, dan d yang
memenuhi persamaan diatas. Kita mencoba menggunakan algoritma genetika untuk
menyelesaikan permasalahan diatas.

Penjelasan mengenai langkah-langkah penyelesaian permasalahan diatas menggunakan

algoritma genetika adalah sebagai berikut:
1. Pembentukan chromosome
Karena yang dicari adalah nilai a, b, c, d maka variabel a, b, c, d dijadikan sebagai gen-gen
pembentuk chromosome. Batasan nilai variabel a adalah bilangan integer 0 sampai 30.
Sedangkan batasan nilai variabel b, c, dan d adalah bilangan integer 0 sampai 10.