1. TUJUAN
Memahami konsep neural network dan fuzzy logic
Melakukan interpretasi dari hasil simulasi neural network dan fuzzy logic untuk memperkirakan
cuaca
Membandingkan hasil simulasi dan data cuaca sebenarnya
2. TEORI DASAR
Logika Fuzzy adalah suatu proses pengambilan keputusan berbasis aturan yang bertujuan
untuk memecahkan masalah, dimana sistem tersebut sulit untuk dimodelkan atau terdapat ambiguitas
dan ketidakjelasan yang berlimpah. Logika Fuzzy ditentukan oleh persamaan logika bukan dari
persamaan diferensial komplek dan berasal dari pemikiran yang mengidentifikasi serta mengambil
keuntungan dari grayness antara dua ekstrem. Sistem logika fuzzy terdiri dari himpunan fuzzy dan
aturan fuzzy. Subset fuzzy merupakan himpunan bagian yang berbeda dari variabel input dan output.
Aturan fuzzy berhubungan dengan variabel masukan dan variabel output melalui subset. Mengingat
seperangkat aturan fuzzy, sistem dapat mengkompensasi dengan cepat dan efisien.
Logika fuzzy dimulai pada tahun 1965 dengan kertas yang disebut “Fuzzy Sets” oleh
seorang pria bernama Lutfi Zadeh. Zadeh adalah profesor imigran dan Iran dari teknik elektro UC
Berkeley, departemen ilmu komputer. Sambungan sejarah pertama logika fuzzy dapat dilihat dalam
pemikiran Buddha, pendiri agama Buddha sekitar 500 SM. Dia percaya bahwa dunia itu penuh
dengan kontradiksi dan semuanya berisi beberapa kebalikannya. Bertentangan dengan pemikiran
Buddha, filsuf Yunani Aristoteles menciptakan logika biner melalui Hukum Tengah dikecualikan.
Sebagian besar dunia Barat menerima filosofi dan itu menjadi dasar pemikiran ilmiah. Masih hari
ini, jika ada sesuatu yang terbukti secara logis benar, itu dianggap ilmiah benar.
Sebelum Zadeh, seorang pria bernama Max Black menerbitkan sebuah makalah pada tahun
1937 disebut “ketidakjelasan: Latihan di Logical Analysis”. Gagasan bahwa Black terjawab adalah
hubungan antara ketidakjelasan dan sistem berfungsi. Zadeh, di sisi lain, melihat hubungan ini dan
mulai mengembangkan iden nya tentang logika “kabur” dan fuzzy set. Ide-ide Zadeh’s mengalami
banyak perlawanan dari dunia Barat. Ada tiga kritik utama. Yang pertama adalah bahwa orang ingin
melihat logika fuzzy diterapkan. Hal ini tidak terjadi untuk kadang-kadang karena ide-ide baru
membutuhkan waktu untuk menerapkan. Kritik kedua datang dari sekolah probabilitas. Fuzzy logic
menggunakan angka antara 0 dan 1 untuk menggambarkan derajat fuzzy. Probabilists merasa bahwa
mereka melakukan hal yang sama. Kritik ketiga adalah yang terbesar. Logika fuzzy untuk bekerja,
orang harus setuju bahwa A-dan-tidak-A adalah benar. Ini ilmu pengetahuan modern mengancam
dan ide-ide matematika. Akibatnya, dunia Barat menolak logika fuzzy untuk jangka waktu tertentu.
Beberapa tahapan yang dilakukan pada sistem fuzzy logic antara lain
Fuzzifikasi
Penalaran (Interference Machine)
Aturan Dasar (Rule Based)
Defusifikasi
Fuzzy clustering adalah bagian dari pattern recognition atau pengenalan pola. Metode
clustering yang digunakan dalam penelitian ini adalah fuzzy c-means. Fuzzy c-means adalah salah
satu teknik pengklusteran data yang mana keberadaan tiap titik data dalam suatu cluster ditentukan
Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan
melalui pendekatan fungsi. Ada beberapa fungsi yang biasa digunakan, namun fungsi keanggotaan
yang digunakan dalam penelitian ini adalah kurva Gaussian. Grafik fungsi gaussian adalah sebagai
berikut:
Salah satu contoh bentuk penalaran yang didasarkan pada himpunan fuzzy adalah
Interferensi fuzzy, proses ini menggunakan logika IF-THEN. Ada beberapa metode yang sering
digunakan untuk melakukan penalaran Fuzzy, yaitu metode Madami dan metode Takagi-Sugeno.
Dalam hal ini digunakan metode Takagi-Sugeno.
IF (x1 is A1) • (x2 is A2) • (x3 is A3) • ...... •(xn is An) THEN z=k
Dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta (tegas)
sebagai konsekuen.
Dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi adalah suatu konstanta (tegas)
ke-i dan q juga merupakan konstanta dalam konsekuen.
Agar dapat menggunakan fungsi-fungsi logika fuzzy yang ada pada MATLAB, maka harus
diinstallkan terlebih dahulu TOOLBOX FUZZY. Fuzzy logic toolbox memberikan fasilitas
Graphical User Interface (GUI) untuk mempermudah dalam membangun suatu sistem fuzzy. Ada 5
GUI tools yang dapat digunakan untuk membangun, mengedit, dan mengobservasi sistem penalaran
fuzzy, yaitu:
a) Fuzzy Inference System (FIS) Editor
b) Membership Function Editor
c) Rule Editor
d) Rule Viewer
e) Surface Viewer
3. LANGKAH PERCOBAAN
Variabel yang digunakan untuk membangun sistem fuzzy logic ini antara lain kondisi kecepatan angin
(knot), suhu (0C), kelembaban (%) dan tekanan udara (mb).
1) Lakukan pengelompokan data menggunakan teknik Fuzzy Clustering Means (FCM). Algoritma
yang digunakan adalah C (jumlah cluster yang dibentuk) =3 (suhu tinggi, sedang, rendah); W
(Pangkat/Pembobot)=2; Maksimum Iterasi = 100; Kriteria Penghentian 10 -6. Gunakan FIS
Editor untuk perancangannya. Lakukan hal yang sama untuk kecepatan angin kelembaban dan
tekanan udara
2) Buat Fungsi keanggotan hingga bernilai dalam fungsi gaussian. Dapatkan derajat keanggotaan
untuk masing-masing cluster.
NB:
Saat praktikum masing-masing praktikan harus membawa modul dan file Data Pemodelan.xls.
5. TUGAS PENDAHULUAN
a) Mengapa fuzzy logic dapat digunakan pada pemodelan perkiraan cuaca?
b) Jelaskan pengertian masing-masing tahapan sistem fuzzy logic
c) Jelaskan keunggulan metode Takagi-Sugeno dibanding metode Mamdani!
d) Sebutkan aspek-aspek yang dapat mempengaruhi cuaca!
e) Sebutkan dan jelaskan fuzzy toolbox yang digunakan untuk membangun sistem penalaran
fuzzy pada MATLAB!
6. REFERENSI
[1] Arifin, Syamsul.2009.Sistem Logika Fuzzy sebagai Peramal Cuaca di Indonesia, Studi Kasus:
Kota Surabaya. Surabaya: Prosiding Seminar Nasional Aplikasi Teknologi Prasarana Wilayah 2009
[2] Georgios Sylaios, Frederic Bouchette, Vassilios A. Tsihrintzis, dan Clea Denamiel.2008.A
Fuzzy Inference System for Wind-Wave Modelling.
[3] Dewi, Sri Kusuma.2006.Neuro Fuzzy: Integrasi Jaringan Syaraf dan Sistem
Fuzzy.Yogyakarta:Graha Ilmu
[4] Johnson, Ryan. 2002. Fuzzy Logic and Fuzzy Logic Sun Tracking Control. Michigan: Calvin
College
[5] Fauzia P Lestari, Ryan S, M Ilyas, Arief RH, Agastya W, Arfian A, Irsantyo, Modul RBL Ekfis II
Tahun 2013: Aplikasi Neural Network dan Fuzzy Logic Pada Perkiraan Cuaca.