MODUL PERKULIAHAN

Sistem Fuzzy

Sistem Kontrol Logika Fuzzy

Fakultas Program Studi TatapMuka Kode MK

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

2013 Sistem Fuzzy Pusat Bahan Ajar dan eLearning

1 http://www.mercubuana.ac.id
 Sistem Kontrol Logika Fuzzy (Fuzzy Logic Controller)

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-

ti inclusion, union, intersection, complement, relation, dan convexity.

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

diterima di masyarakat ilmiah sebagai terobosan dalam bidang kecerdasan buatan.

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.

Sistem fuzzy pada awalnya diterapkan di Jepang .

 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

fuzzy-nya sendiri untuk membantu mengeksploitasi patennya di lapangan.

 Insinyur Jepang kemudian mengembangkan berbagai sistem fuzzy untuk aplikasi industri dan kon-

sumen. Pada tahun 1988 Jepang mendirikan Laboratorium Teknik Fuzzy Internasional (LIFE),

pengaturan kerjasama antara 48 perusahaan untuk mengejar penelitian fuzzy.Perusahaan otomotif

Volkswagen adalah satu-satunya anggota perusahaan asing LIFE, yang mengirim seorang peneliti

selama tiga tahun.

 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-

tuk penggunaan daya, air, dan deterjen terbaik.

 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

2018 Sistem Fuzzy PusatBahan Ajar dan eLearning

3 http://www.mercubuana.ac.id
 dan mendinginkan lima kali lebih cepat, mengurangi konsumsi daya hingga 24%, meningkatkan sta-

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

film; sistem lift; dan seterusnya.

Bekerja pada sistem fuzzy juga berjalan di Amerika Serikat dan Eropa, meskipun pada skala

yang kurang luas daripada di Jepang.

 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

ditingkatkan, dan motor listrik hemat energi.

 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

2018 Sistem Fuzzy PusatBahan Ajar dan eLearning

4 http://www.mercubuana.ac.id
 dapat digunakan untuk mengendalikan tanaman dinamis nonlinear yang

kompleks, [7] misalnya, tubuh manusia. [5] [6] [8]

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

input garing ke nilai fuzzy disebut "fuzzifikasi".

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

diambil, berdasarkan serangkaian "aturan", masing-masing dari bentuk:

JIKA suhu rem hangat dan kecepatannya tidak terlalu cepat

LALU tekanan rem sedikit menurun.

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

yang diperoleh dari input, untuk menentukan hasil aturan.

2018 Sistem Fuzzy PusatBahan Ajar dan eLearning

5 http://www.mercubuana.ac.id
 Hasil ini pada gilirannya akan dipetakan ke fungsi keanggotaan dan nilai kebenaran mengen-

dalikan variabel output.

 Hasil ini digabungkan untuk memberikan jawaban spesifik ("crisp"), tekanan rem aktual,

sebuah prosedur yang dikenal sebagai " defuzzifikasi ".

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",

"aturan reaktif", "aturan kejadian-kondisi-aksi" atau "aturan pemicu". "Sistem Produksi

Fuzzy" terutama didasarkan pada ini. Aturan semacam ini memiliki "semantik operasional":

orang tahu apa artinya menjalankannya. Sayangnya, orang sering kekurangan cara berpikir

standar tentang sistem berbasis aturan secara keseluruhan.

 "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

pengembangan dan analisis teoritis, dan sangat efektif.

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

mungkin lebih efektif.

Lebih lanjut, logika fuzzy sangat cocok untuk implementasi berbiaya rendah berdasarkan

pada sensor murah, konverter analog-ke-resolusi-resolusi rendah, dan chip mikrokontroler

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.

Kontrol fuzzy dalam detail

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

gabungan kembali menjadi nilai output kontrol tertentu.

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.

2018 Sistem Fuzzy PusatBahan Ajar dan eLearning

7 http://www.mercubuana.ac.id
Sebagaimana dibahas sebelumnya, tahap pemrosesan didasarkan pada kumpulan aturan

logika dalam bentuk pernyataan IF-THEN, di mana bagian IF disebut "antecedent" dan

bagian THEN disebut "konsekuensien". Sistem kontrol fuzzy tipikal memiliki banyak aturan.

Pertimbangkan aturan untuk termostat:

JIKA (suhu "dingin") MAKA belokan (pemanas "tinggi")

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

mengambil akar kuadrat.

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".

2018 Sistem Fuzzy PusatBahan Ajar dan eLearning

8 http://www.mercubuana.ac.id
Ada beberapa cara untuk mendefinisikan hasil dari aturan, tetapi salah satu yang paling

umum dan paling sederhana adalah metode inferensi "max-min", di mana fungsi keanggotaan

keluaran diberi nilai kebenaran yang dihasilkan oleh premis.

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

berbagai kelebihan atau kekurangan.

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

metode ketinggian jelas mendukung aturan dengan nilai output terbesar.

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

"mu" adalah nomenklatur logika fuzzy standar untuk "nilai kebenaran":

2018 Sistem Fuzzy PusatBahan Ajar dan eLearning

9 http://www.mercubuana.ac.id
 Perhatikan bagaimana setiap aturan memberikan hasil sebagai nilai kebenaran dari fungsi

keanggotaan tertentu untuk variabel output.Dalam defuzzifikasi centroid nilai-nilai OR'd,

yaitu nilai maksimum digunakan dan nilai-nilai tidak ditambahkan, dan hasilnya kemudian

digabungkan menggunakan perhitungan centroid.

Desain sistem kontrol fuzzy didasarkan pada metode empiris, pada dasarnya pendekatan

metodis terhadap coba-coba . Proses umum adalah sebagai berikut:

 Dokumentasikan spesifikasi dan input dan output operasional sistem.

 Dokumentasikan set fuzzy untuk input.

 Dokumentasikan aturan yang ditetapkan.

 Tentukan metode defuzzifikasi.

 Jalankan melalui test suite untuk memvalidasi sistem, sesuaikan detail sesuai kebutuhan.

 Lengkapi dokumen dan lepaskan ke produksi.

Sebagai contoh umum, pertimbangkan desain pengontrol fuzzy untuk turbin uap. Diagram

blok sistem kontrol ini muncul sebagai berikut:

Variabel input dan output memetakan ke dalam set fuzzy berikut:

2018 Sistem Fuzzy PusatBahan Ajar dan eLearning

10 http://www.mercubuana.ac.id
N3: Besar negatif.

N2: Sedang negatif.

N1: Kecil negatif.

Z: Nol.

P1: Kecil positif.

P2: Sedang positif.

P3: Besar positif.

Rangkaian aturan mencakup aturan seperti:

aturan 1: JIKA suhu dingin dan tekanan lemah,

LALU throttle adalah P3.

aturan 2: JIKA suhu dingin dan tekanan rendah,

LALU throttle adalah P2.

aturan 3: JIKA suhu dingin dan tekanan ok,

LALU throttle adalah Z.

aturan 4: JIKA suhu dingin dan tekanan kuat,

LALU throttle adalah N2.

Dalam praktiknya, pengontrol menerima input dan memetakannya ke dalam fungsi

keanggotaan dan nilai kebenarannya. Pemetaan ini kemudian dimasukkan ke dalam

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

keanggotaan pada tingkat kebenaran premis. Nilai-nilai kebenaran kemudian di defuzzifi-

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:

Membangun fuzzy controller

Pertimbangkan penerapan dengan chip mikrokontroler sebagai pengontrol umpan balik
sederhana:

2018 Sistem Fuzzy PusatBahan Ajar dan eLearning

12 http://www.mercubuana.ac.id
Set fuzzy didefinisikan untuk variabel kesalahan input "e", dan perubahan turunan kesalahan,

"delta", serta "output", sebagai berikut:

LP: positif besar

SP: kecil positif

ZE: nol

SN: negatif kecil

LN: negatif besar

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

dalam baris di bawah:

-1 -0.75 -0.5 -0.25 0 0.25 0.5 0.75 1

mu (LP) 0 0 0 0 0 0 0,3 0,7 1

mu (SP) 0 0 0 0 0,3 0,7 1 0,7 0,3

mu (ZE) 0 0 0,3 0,7 1 0,7 0,3 0 0

mu (SN) 0.3 0.7 1 0.7 0.3 0 0 0 0

mu (LN) 1 0.7 0.3 0 0 0 0 0 0

_______________________________________________________________________ —

Misalkan sistem fuzzy ini memiliki basis aturan berikut:

aturan 1: JIKA e = ZE DAN delta = ZE LALU output = ZE

aturan 2: JIKA e = ZE DAN delta = SP LALU output = SN
aturan 3: JIKA e = SN DAN delta = SN KEMUDIAN output = LP
aturan 4: JIKA e = LP ATAU delta = LP MAKA output = LN

2018 Sistem Fuzzy PusatBahan Ajar dan eLearning

13 http://www.mercubuana.ac.id
 Aturan-aturan ini khas untuk aplikasi kontrol karena anteseden terdiri dari kombinasi logis
dari sinyal kesalahan dan delta-kesalahan, sedangkan konsekuensinya adalah output perintah
kontrol. Keluaran aturan dapat didefuzzifikasi menggunakan perhitungan centroid diskrit:

SUM (I = 1 TO 4 OF (mu (I) * output (I))) / SUM (I = 1 TO 4 OF mu (I))

Sekarang, anggaplah bahwa pada waktu tertentu kita memiliki:

e = 0,25
delta = 0,5

Maka ini memberi:

________________________

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
________________________

Memasukkan ini ke aturan 1 memberi:

aturan 1: JIKA e = ZE DAN delta = ZE LALU output = ZE

mu (1) = MIN (0,7, 0,3) = 0,3

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-

ikasi lokasi ZE di sepanjang rentang output.

Aturan lain memberi:

aturan 2: JIKA e = ZE DAN delta = SP LALU output = SN

2018 Sistem Fuzzy PusatBahan Ajar dan eLearning

14 http://www.mercubuana.ac.id
 mu (2) = MIN (0,7, 1) = 0,7

output (2) = -0.5

aturan 3: JIKA e = SN DAN delta = SN KEMUDIAN output = LP

mu (3) = MIN (0,0, 0,0) = 0

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

Perhitungan centroid menghasilkan:

=0,5 Untuk output kontrol akhir. Sederhana. Tentu saja bagian

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:

2018 Sistem Fuzzy PusatBahan Ajar dan eLearning

15 http://www.mercubuana.ac.id
Dalam contoh kami, nilai mu sesuai dengan massa, dan nilai X untuk lokasi massa (mu,

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.

Interpretasi logis dari kontrol fuzzy

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 .

2018 Sistem Fuzzy PusatBahan Ajar dan eLearning

17 http://www.mercubuana.ac.id
 [16]. ^ Vichuzhanin, Vladimir (12 April 2012). + Msgstr "Realisasi kontroler fuzzy
dengan koreksi dinamis fuzzy". Jurnal Teknik Eropa Tengah .2 (3): 392–
398. doi : 10.2478 / s13531-012-0003-7 .
[17]. ^ Gerla, Giangiacomo (2005). "Pemrograman logika fuzzy dan kontrol
fuzzy". Studia Logica . 79 (2): 231–254. CiteSeerX 10.1.1.103.1143. doi : 10.1007 /
s11225-005-2977-0 .

2018 Sistem Fuzzy PusatBahan Ajar dan eLearning

18 http://www.mercubuana.ac.id