Sistem Fuzzy
14
Teknik Teknik Elektro P141700001
Abstrak Kompetensi
Pelopor aplikasi fuzzy set dalam Setelah mahasiswa mempelajari modul 14
bidang kontrol, yang merupakan ini dihimbau untuk memahami dan
aplikasi pertama dan utama dari mengatahui fuzzy control system.
fuzzy set adalah Prof. Ebrahim
Mamdani dan kawan-kawan dari
Queen Mary College London.
Aplikasinya meliputi proses pada
tangki pencampur, dan mesin uap,
semuanya dalam skala lab.
Penerapan kontrol logika fuzzy
secara nyata di industri banyak
dipelopori para ahli dari Jepang
1. Pengantar
Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh, 1965, dalam papernya yang
monumental. Dalam paper tersebut dipaparkan ide dasar fuzzy set yang melipu-
Pelopor aplikasi fuzzy set dalam bidang kontrol, yang merupakan aplikasi pertama dan utama
dari fuzzy set adalah Prof. Ebrahim Mamdani dan kawan-kawan dari Queen Mary College
London. Aplikasinya meliputi proses pada tangki pencampur, dan mesin uap, semuanya da-
lam skala lab. Penerapan kontrol logika fuzzy secara nyata di industri banyak dipelopori para
ahli dari Jepang, misalnya Prof. Sugeno dan kawan-kawan dari Tokyo Institute of Technolo-
gy. Prof. Yamakawa dari Kyusu Institute of Technology melakukan penelitian dasar dari
komputer fuzzy, sedangkan Togaidan Watanabe dari Bell Telephone Labs. berhasil mencip-
takan untuk pertama kalinya chip logika fuzzy. Aplikasi fuzzy set hampir tak terbatas, misal-
nya kontrol proses, proses produksi, robotika, manajemen skala besar, dll
Sejak diperkenalkan oleh Prof. Zadeh dan ditunjang pula oleh peneliti-peneliti seper-
ti Ebrahim Mamdani, Rutherford, Pedrycz mau pun Yamakawa, maka teori tersebut telah
Logika fuzzy pertama kali diusulkan oleh Lotfi A. Zadeh dari University of California di
Berkeley dalam makalah 1965. [3] Ia menguraikan ide-idenya dalam makalah 1973 yang
memperkenalkan konsep "variabel linguistik", yang dalam artikel ini sama dengan variabel
yang didefinisikan sebagai himpunan fuzzy. [4] Penelitian lain mengikuti, dengan aplikasi
industri pertama, sebuah kiln semen yang dibangun di Denmark, mulai beroperasi pada tahun
1975.
Ketertarikan pada sistem fuzzy dipicu oleh Seiji Yasunobu dan Soji Miyamoto dari Hitachi , yang
pada tahun 1985 memberikan simulasi yang menunjukkan kelayakan sistem kontrol fuzzy un-
2018 Sistem Fuzzy PusatBahan Ajar dan eLearning
2 http://www.mercubuana.ac.id
tuk Sendai Subway . Ide-ide mereka diadopsi, dan sistem fuzzy digunakan untuk mengontrol aksel-
erasi, pengereman, dan berhenti ketika Namboku Line dibuka pada 1987.
Pada tahun 1987, Takeshi Yamakawa mendemonstrasikan penggunaan kontrol fuzzy, melalui se-
rangkaian chip logika fuzzy berdedikasi sederhana, dalam percobaan " pendulum terbalik ". Ini adalah
masalah kontrol klasik, di mana kendaraan mencoba untuk menjaga tiang dipasang di atasnya dengan
engsel tegak dengan bergerak bolak-balik. Yamakawa kemudian membuat demonstrasi lebih canggih
dengan memasang gelas anggur berisi air dan bahkan tikus hidup ke atas bandul: sistem memper-
tahankan stabilitas dalam kedua kasus.Yamakawa akhirnya pergi untuk mengatur lab riset sistem
Insinyur Jepang kemudian mengembangkan berbagai sistem fuzzy untuk aplikasi industri dan kon-
sumen. Pada tahun 1988 Jepang mendirikan Laboratorium Teknik Fuzzy Internasional (LIFE),
Volkswagen adalah satu-satunya anggota perusahaan asing LIFE, yang mengirim seorang peneliti
Barang-barang konsumen Jepang sering memasukkan sistem fuzzy. Pembersih vakum Matsushita
menggunakan mikrokontroler yang menjalankan algoritma fuzzy untuk menginterogasi sensor debu
dan menyesuaikan daya isap yang sesuai. Mesin cuci Hitachi menggunakan pengontrol fuzzy untuk
memuat sensor berat, campuran kain, dan kotoran dan secara otomatis mengatur siklus pencucian un-
Canon mengembangkan kamera fokus otomatis yang menggunakan charge-coupled device (CCD)
untuk mengukur kejernihan gambar di enam wilayah bidang pandangnya dan menggunakan informasi
yang disediakan untuk menentukan apakah gambar itu fokus. Ini juga melacak laju perubahan gerakan
lensa selama pemfokusan, dan mengontrol kecepatannya untuk mencegah overshoot. Sistem kontrol
fuzzy kamera menggunakan 12 input: 6 untuk mendapatkan data kejelasan saat ini yang disediakan
oleh CCD dan 6 untuk mengukur laju perubahan pergerakan lensa. Outputnya adalah posisi
lensa. Sistem kontrol fuzzy menggunakan 13 aturan dan membutuhkan 1,1 kilobyte memori.
Sebuah AC industri yang dirancang oleh Mitsubishi menggunakan 25 aturan pemanasan dan 25 aturan
pendinginan. Sensor suhu menyediakan input, dengan output kontrol diumpankan ke inverter , katup
kompresor, dan motor kipas. Dibandingkan dengan desain sebelumnya, kontroler fuzzy memanaskan
bilitas suhu dengan faktor dua, dan menggunakan lebih sedikit sensor.
Aplikasi lain yang diselidiki atau diimplementasikan meliputi: karakter dan pengenalan tulisan
tangan; sistem fuzzy optik; robot, termasuk satu untuk membuat rangkaian bunga Jepang; helikopter
robot yang dikendalikan suara (melayang adalah "tindakan penyeimbang" yang agak mirip dengan
masalah pendulum terbalik); robotika rehabilitasi untuk memberikan solusi spesifik pasien (misalnya
untuk mengontrol detak jantung dan tekanan darah [5] ); kontrol aliran bubuk dalam pembuatan
Bekerja pada sistem fuzzy juga berjalan di Amerika Serikat dan Eropa, meskipun pada skala
Badan Perlindungan Lingkungan AS telah menyelidiki kontrol fuzzy untuk motor hemat energi ,
dan NASA telah mempelajari kontrol fuzzy untuk docking ruang otomatis: simulasi menunjukkan
bahwa sistem kontrol fuzzy dapat sangat mengurangi konsumsi bahan bakar.
Perusahaan seperti Boeing , General Motors , Allen-Bradley , Chrysler , Eaton , dan Whirlpool telah
mengerjakan logika fuzzy untuk digunakan pada lemari es berdaya rendah, transmisi otomotif yang
Pada tahun 1995 Maytag memperkenalkan mesin pencuci piring "cerdas" berdasarkan pada pen-
gontrol fuzzy dan "modul pengindera satu atap" yang menggabungkan termistor , untuk pengukuran
suhu; sensor konduktivitas, untuk mengukur tingkat deterjen dari ion yang ada dalam pencu-
cian; sensor kekeruhan yang mengukur cahaya yang tersebar dan ditransmisikan untuk mengukur
kekotoran pencucian; dan sensor magnetostriktif untuk membaca laju putaran. Sistem menentukan
siklus pencucian optimal untuk setiap beban untuk mendapatkan hasil terbaik dengan jumlah energi,
deterjen, dan air paling sedikit. Bahkan menyesuaikan untuk makanan kering dengan melacak terakhir
kali pintu dibuka, dan memperkirakan jumlah hidangan dengan berapa kali pintu dibuka.
Penelitian dan pengembangan juga berlanjut pada aplikasi fuzzy dalam perangkat lunak, yang
bertentangan dengan firmware , desain, termasuk sistem pakar fuzzy dan integrasi logika
fuzzy dengan jaringan saraf dan apa yang disebut sistem perangkat lunak " genetik " adaptif,
dengan tujuan akhir pembangunan " belajar mandiri "sistem kontrol fuzzy. [6] Sistem ini
Fuzzy set
Variabel input dalam sistem kontrol fuzzy pada umumnya dipetakan oleh set fungsi
keanggotaan yang mirip dengan ini, yang dikenal sebagai "set fuzzy". Proses mengubah nilai
Suatu sistem kontrol juga dapat memiliki berbagai jenis saklar , atau "ON-OFF", input
bersama dengan input analognya, dan input switch tersebut tentu saja akan selalu memiliki
nilai kebenaran sama dengan 1 atau 0, tetapi skema dapat menangani mereka sebagai fungsi
fuzzy yang disederhanakan yang kebetulan salah satu nilai atau yang lain.
Dengan adanya " pemetaan " variabel input ke dalam fungsi keanggotaan dan nilai
kebenaran , mikrokontroler kemudian membuat keputusan untuk tindakan apa yang akan
Dalam contoh ini, dua variabel input adalah "suhu rem" dan "kecepatan" yang memiliki nilai
yang didefinisikan sebagai set fuzzy. Variabel output, "tekanan rem" juga ditentukan oleh set
fuzzy yang dapat memiliki nilai seperti "statis" atau "sedikit meningkat" atau "sedikit
menurun" dll.
Aturan ini dengan sendirinya sangat membingungkan karena sepertinya dapat digunakan
tanpa mengganggu logika fuzzy, tetapi ingat bahwa keputusan didasarkan pada seperangkat
aturan:
Semua aturan yang berlaku dipanggil, menggunakan fungsi keanggotaan dan nilai kebenaran
Hasil ini digabungkan untuk memberikan jawaban spesifik ("crisp"), tekanan rem aktual,
Kombinasi operasi fuzzy dan " inferensi " berbasis aturan ini menggambarkan "sistem pakar
fuzzy".
Aturan mungkin memiliki dua niat berbeda saat muncul dalam bentuk yang sama:
"Kondisi-aksi" aturan ("jika Kondisi maka Aksi "). Aturan semacam ini menyatakan bahwa
setiap kali Ketentuan ditemukan berlaku (misalnya dengan membaca nilai sen-
sor), Tindakan harus dilakukan (yang dapat berarti memperbarui basis data murni internal
atau menyalakan motor dunia-eksternal). Aturan-aturan ini juga disebut "aturan produksi",
Fuzzy" terutama didasarkan pada ini. Aturan semacam ini memiliki "semantik operasional":
orang tahu apa artinya menjalankannya. Sayangnya, orang sering kekurangan cara berpikir
"Logical" aturan ("jika Premiss berlaku maka menyiratkan Konsekuensi ", sering ditulis
sebagai Konsekuensi: - Premiss ). Ini juga dikenal sebagai "aturan deduktif". Mereka
mengungkapkan kendala yang dianggap selalu berlaku untuk domain masalah yang dimodel-
kan.Aturan-aturan ini digunakan oleh mesin yang melakukan pengurangan logika dan men-
cari untuk menyimpulkan nilai kebenaran lebih lanjut tentang domain masalah terse-
but. Nilai-nilai kebenaran yang dikuduskan kemudian dapat menyebabkan efek. Selain "se-
mantik operasional", "semantik deklaratif" mungkin ada: Arti program fuzzy secara kese-
luruhan didefinisikan dengan baik dan alat Model Theory atau Proof Theory dapat diterapkan
dengan alasan perilakunya. Aturan formulir ini ditemukan di mesin "Fuzzy Prolog".
Sistem kontrol tradisional didasarkan pada model matematika di mana sistem kontrol
dijelaskan menggunakan satu atau lebih persamaan diferensial yang menentukan respons
sistem terhadap inputnya. Sistem seperti itu sering diimplementasikan sebagai "pengendali
2018 Sistem Fuzzy PusatBahan Ajar dan eLearning
6 http://www.mercubuana.ac.id
PID" (pengendali proporsional-integral-derivatif ). Mereka adalah produk dari dekade
Jika PID dan sistem kontrol tradisional lainnya dikembangkan dengan sangat baik, mengapa
repot-repot dengan kontrol fuzzy? Ini memiliki beberapa keunggulan. Dalam banyak kasus,
model matematika dari proses kontrol mungkin tidak ada, atau mungkin terlalu "mahal"
dalam hal daya pemrosesan komputer dan memori, dan sistem berdasarkan aturan empiris
Lebih lanjut, logika fuzzy sangat cocok untuk implementasi berbiaya rendah berdasarkan
satu-bit 4-bit atau 8-bit. Sistem seperti itu dapat dengan mudah ditingkatkan dengan
menambahkan aturan baru untuk meningkatkan kinerja atau menambahkan fitur baru. Dalam
banyak kasus, kontrol fuzzy dapat digunakan untuk meningkatkan sistem pengontrol
tradisional yang ada dengan menambahkan lapisan kecerdasan tambahan ke metode kontrol
saat ini.
Pengontrol fuzzy secara konsep sangat sederhana. Mereka terdiri dari tahap input, tahap
pemrosesan, dan tahap output. Tahap input memetakan sensor atau input lain, seperti sakelar,
roda ibu jari, dan sebagainya, ke fungsi keanggotaan dan nilai kebenaran yang sesuai.Tahap
pemrosesan memanggil setiap aturan yang sesuai dan menghasilkan hasil untuk masing-
masing, kemudian menggabungkan hasil aturan. Akhirnya, tahap output mengubah hasil
Bentuk paling umum dari fungsi keanggotaan adalah segitiga, meskipun trapesium dan kurva
lonceng juga digunakan, tetapi bentuk umumnya kurang penting daripada jumlah kurva dan
penempatannya. Dari tiga hingga tujuh kurva umumnya sesuai untuk mencakup kisaran yang
diperlukan dari nilai input, atau " semesta diskursus " dalam jargon fuzzy.
logika dalam bentuk pernyataan IF-THEN, di mana bagian IF disebut "antecedent" dan
bagian THEN disebut "konsekuensien". Sistem kontrol fuzzy tipikal memiliki banyak aturan.
Aturan ini menggunakan nilai kebenaran input "suhu", yang merupakan nilai kebenaran
"dingin", untuk menghasilkan hasil dalam set fuzzy untuk output "pemanas", yang
merupakan beberapa nilai "tinggi". Hasil ini digunakan dengan hasil aturan lain untuk
akhirnya menghasilkan output komposit yang tajam. Jelas, semakin besar nilai kebenaran
"dingin", semakin tinggi nilai kebenaran "tinggi", meskipun ini tidak berarti bahwa output itu
sendiri akan ditetapkan ke "tinggi" karena ini hanya satu aturan di antara banyak. Dalam
beberapa kasus, fungsi keanggotaan dapat dimodifikasi oleh "lindung nilai" yang setara
dengan kata keterangan. Lindung nilai umum termasuk "tentang", "dekat", "dekat dengan",
"sekitar", "sangat", "sedikit", "terlalu", "sangat", dan "agak". Operasi-operasi ini mungkin
memiliki definisi yang tepat, meskipun definisi dapat sangat bervariasi antara implementasi
yang berbeda. "Sangat", misalnya, kuadratkan fungsi keanggotaan; karena nilai keanggotaan
selalu kurang dari 1, ini mempersempit fungsi keanggotaan. "Extremely" kubus nilai untuk
memberikan penyempitan yang lebih besar, sementara "agak" memperluas fungsi dengan
Dalam prakteknya, set aturan fuzzy biasanya memiliki beberapa anteseden yang digabungkan
menggunakan operator fuzzy, seperti AND, OR, dan NOT, meskipun sekali lagi definisi
cenderung bervariasi: DAN, dalam satu definisi populer, cukup menggunakan bobot
minimum semua anteseden, sedangkan OR menggunakan nilai maksimum. Ada juga operator
BUKAN yang mengurangi fungsi keanggotaan dari 1 untuk memberikan fungsi "pelengkap".
umum dan paling sederhana adalah metode inferensi "max-min", di mana fungsi keanggotaan
Aturan dapat diselesaikan secara paralel dalam perangkat keras, atau secara berurutan dalam
perangkat lunak. Hasil dari semua aturan yang dipecat "defuzzifikasi" ke nilai yang tajam
dengan salah satu dari beberapa metode. Ada lusinan, secara teori, masing-masing dengan
Metode "centroid" sangat populer, di mana "pusat massa" dari hasilnya memberikan nilai
tajam. Pendekatan lain adalah metode "tinggi", yang mengambil nilai dari kontributor
terbesar. Metode centroid mendukung aturan dengan output dari area terbesar, sedangkan
Diagram di bawah ini menunjukkan inferensi max-min dan defuzzifikasi centroid untuk
sistem dengan variabel input "x", "y", dan "z" dan variabel output "n". Perhatikan bahwa
yaitu nilai maksimum digunakan dan nilai-nilai tidak ditambahkan, dan hasilnya kemudian
Desain sistem kontrol fuzzy didasarkan pada metode empiris, pada dasarnya pendekatan
Jalankan melalui test suite untuk memvalidasi sistem, sesuaikan detail sesuai kebutuhan.
Sebagai contoh umum, pertimbangkan desain pengontrol fuzzy untuk turbin uap. Diagram
Z: Nol.
aturan. Jika aturan menentukan hubungan DAN antara pemetaan dua variabel input, seperti
2018 Sistem Fuzzy PusatBahan Ajar dan eLearning
11 http://www.mercubuana.ac.id
contoh di atas, minimum keduanya digunakan sebagai nilai kebenaran gabungan; jika OR
ditentukan, maksimum digunakan. Status keluaran yang sesuai dipilih dan diberi nilai
kasi. Sebagai contoh, anggap suhu dalam keadaan "dingin", dan tekanannya dalam keadaan
"rendah" dan "ok". Nilai tekanan memastikan bahwa hanya aturan 2 dan 3 yang terbakar:
ZE: nol
Jika kesalahan berkisar dari -1 hingga +1, dengan konverter analog-ke-digital yang digunakan
memiliki resolusi 0,25, maka himpunan fuzzy variabel input (yang, dalam hal ini, juga berla-
ku untuk variabel output) dapat dijelaskan dengan sangat cukup sebagai tabel, dengan nilai
error / delta / output di baris atas dan nilai kebenaran untuk setiap fungsi keanggotaan diatur
_______________________________________________________________________ —
e = 0,25
delta = 0,5
________________________
e delta
________________________
mu (LP) 0 0.3
mu (SP) 0.7 1
mu (ZE) 0.7 0.3
mu (SN) 0 0
mu (LN) 0 0
________________________
output (1) = 0
- dimana:
mu (1): Nilai kebenaran dari fungsi keanggotaan hasil untuk aturan 1. Dalam hal perhitungan
centroid, ini adalah "massa" dari hasil ini untuk kasus diskrit ini.
output (1): Nilai (untuk aturan 1) di mana fungsi keanggotaan hasil (ZE) maksimum di atas
rentang output variabel fuzzy set. Artinya, dalam hal perhitungan centroid, lokasi "pusat mas-
sa" untuk hasil individu ini. Nilai ini tidak tergantung pada nilai "mu". Ini hanya mengidentif-
output (3) = 1
aturan 4: JIKA e = LP ATAU delta = LP MAKA output = LN mu (4) = MAX (0,0, 0,3) = 0,3
output (4) = -1
yang sulit adalah mencari tahu aturan apa yang benar-benar berfungsi dengan benar dalam
praktik.
Jika Anda memiliki masalah dalam menentukan persamaan centroid, ingatlah bahwa centroid
didefinisikan dengan menjumlahkan semua momen (lokasi kali massa) di sekitar pusat gravi-
tasi dan menyamakan jumlah tersebut dengan nol. Jadi jika X0 adalah pusat gravitasi, Xi
adalah lokasi masing-masing massa, dan Mi adalah setiap massa, ini memberi:
bagaimanapun, hanya 'sesuai dengan massa' jika 'massa' awal dari fungsi output semuanya
sama / Jika mereka tidak sama, yaitu beberapa segitiga sempit, sementara yang lain mungkin
trapizoid lebar atau segitiga memanggul, maka massa atau luas fungsi output harus diketahui
atau dihitung. Massa inilah yang kemudian diskalakan oleh mu dan dikalikan dengan lo-
kasinya X_i).
Sistem ini dapat diimplementasikan pada mikroprosesor standar, tetapi chip fuzzy khusus
sekarang tersedia. Misalnya, Adaptive Logic INC dari San Jose, California, menjual "fuzzy
chip", AL220, yang dapat menerima empat input analog dan menghasilkan empat output ana-
log.
Terlepas dari penampilannya, ada beberapa kesulitan untuk memberikan interpretasi logis
yang ketat terhadap aturan IF-THEN . Sebagai contoh, tafsirkan aturan sebagai JIKA (suhu
"dingin") KEMUDIAN (pemanas "tinggi") dengan rumus urutan pertama Dingin (x) →
Tinggi (y)dan asumsikan bahwa r adalah input sehingga Dingin (r) ) salah. Maka
rumus Dingin (r) → Tinggi (t) adalah benar untuk setiap t dan oleh karena itu
setiap t memberikan kontrol yang benar diberikan r . Sebuah pembenaran logis yang ketat
dari kontrol fuzzy diberikan dalam buku Hájek (lihat Bab 7) di mana kontrol fuzzy
direpresentasikan sebagai teori logika dasar Hájek. [2] Juga di Gerla 2005 [10] pendekatan
logis lain untuk kontrol fuzzy diusulkan berdasarkan pemrograman logika fuzzy. Memang,
dilambangkan dengan f fungsi fuzzy yang timbul dari sistem aturan IF-THEN. Kemudian kita
bisa menerjemahkan sistem ini menjadi program fuzzy P yang berisi serangkaian aturan yang
2018 Sistem Fuzzy PusatBahan Ajar dan eLearning
16 http://www.mercubuana.ac.id
kepalanya "Bagus (x, y)". Interpretasi dari predikat ini dalam model Herbrand yang paling
tidak jelas dari P bertepatan dengan f. Ini memberikan alat lebih lanjut yang berguna untuk
kontrol fuzzy.
DaftarPustaka
[1]. Babuska, R. 2009. Fuzzy and Neural Control. Netherlands: Delft University of
Technology.
[2]. Edrian.Hadinata.Metode Clustering.Sumber:
[3]. https://edrianhadinata.wordpress.com/2013/12/19/metode-clustering-algoritma-fuzzy-
cmeans/
[4]. Jyoti Bora, D. dan Anil Kumar Gupta. 2014. A Comparative Study Between Fuzzy
Clustering Algorithm and Hard Clustering Algorithm dalam jurnal International
Journal of Computer Trends and Technology (IJCTT), 10, 108-113.
[5]. Kusumadewi, S. dan Hari Purnomo. 2010. Aplikasi Logika Fuzzy untuk Pendukung
Keputusan. Yogyakarta: Graha Ilmu.
[6]. Okky.Ibrohim.Konsep Dasar Fuzzy Subtractive Clustering. Sumber:
http://okkyibrohim.com/index.php/2016/09/15/konsep-dasar-fuzzy-subtractive-
clustering/
[7]. Yudi.Agusta.Clustering.Sumber:
https://yudiagusta.wordpress.com/clustering/comment-page-2/
[8]. Pedrycz, Witold (1993). Kontrol fuzzy dan sistem fuzzy (2 ed.). Penelitian Studi
Tekan Ltd.
[9]. ^ a b Hájek, Petr (1998). Metamathematika logika fuzzy (4 ed.). Sains Springer &
Media Bisnis.
[10]. ^ Zadeh, Lotfi A. (1965). "Set fuzzy". Informasi dan Kontrol . 8 (3): 338–
353. doi : 10.1016 / S0019-9958 (65) 90241-X .
[11]. ^ Zadeh, Lotfi A. (1973). "Garis besar pendekatan baru untuk analisis sistem
yang kompleks dan proses pengambilan keputusan".Transaksi IEEE pada Sistem,
Manusia dan Sibernetika . 1 : 28–44. doi : 10.1109 / TSMC.1973.5408575 .
[12]. ^ a b Sarabadani Tafreshi, Amirehsan; Klamroth-Marganska, V
.; Nussbaumer, S .; Riener, R. (2015). "Kontrol loop tertutup real-time dari detak
jantung manusia dan tekanan darah". Transaksi IEEE pada Rekayasa
Biomedis . 62 (5): 1434–1442. doi : 10.1109 /
TBME.2015.2391234 . PMID 25594957 .
[13]. ^ a b Mamdani, Ebrahim H (1974). "Aplikasi algoritma fuzzy untuk
mengendalikan pabrik dinamis sederhana". Prosiding Lembaga Insinyur
Listrik . 121 (12): 1585–1588. doi : 10.1049 / piee.1974.0328 .
[14]. ^ Lugli, AB; Neto, ER; Henriques, JPC; Hervas, MDA; Santos, MMD; Justo,
JF (2016). "Kontrol Aplikasi Industri Dengan Sistem Fuzzy" (PDF). Int. J. Informasi
dan Kontrol Komputasi yang Inovatif . 12 (2): 665-676.
[15]. ^ Bastian, Andreas (2000). "Mengidentifikasi model fuzzy menggunakan
pemrograman genetik" (PDF) . Perangkat dan Sistem Fuzzy .113 (3): 333–
350. doi : 10.1016 / S0165-0114 (98) 00086-4 .