Nama : Wanda Hamidah

NIM : 1929141002

Tugas 1 – Membuat Rangkuman Mengenai Fuzzy Logic

FUZZY LOGIC
Fuzzy logic adalah salah satu metode melakukan suatu komputasi berdasarkan “degrees of truth”,
bukannya berdasarkan logika Boolean “true or false (0 or 1)”. Logika Fuzzy ini menjadi dasar
computer modern.
Degrees of truth => Ketidakjelasan
Probabilitas => Keacakan
Logika Fuzzy memiliki toleransi terhadap data-data yang tidak tepat. Dengan adanya logika fuzzy,
kita Bisa mendapat pilihan lain di antara benar dan salah, seperti: mungkin benar, mungkin salah.
IMPRECISE DATA
Seperti yang kita ketahui, computer hanya bisa memproses informasi dalam format biner, artinya jika
kita ingin berkomunikasi dengan computer, maka kita butuh belajar bagaimana cara menggunakan
kode. Dan jika kita membuat suatu program, program tersebut akan di-translate terlebih dahulu agar
bisa dibaca oleh mesin. Oleh karena itu, meski binary system sangat cocok bagi mesin namun tidak
cocok untuk manusia.
Sebagai contoh ada sebuah baju. Untuk mendeskripsikan karakteristik baju ini ke computer, kita harus
mendefinisikan variable tertentu. Bagi orang yang familiar dengan programming, solusinya adalah
dengan menentukan variable dan container untuk kata sifat seperti Kuning, Besar, dll. Misalnya kita
membuat code seperti ini :
Class clothes {

String size;

String color;

Int quality;

} clothes shirt = new clothes();

Shirt.size = “xl”;

Shirt.color = “black”;

Shirt.quality = 8;

Kode-kode tersebut juga nantinya tetap akan ditranslate ke Bahasa mesin. Cara tersebut tentu saja
sangat tidak cocok untuk manusia. Manusia pasti lebih memilih untuk berinteraksi dengan satu sama
lain menggunakan kata-kata deskriptif seperti kuning, hijau, merah, besar, kecil, dll. Dan manusia
melakukan hal tersebut secara intuitif, artinya tidak memerlukan proses berpikir Panjang dengan
logika atau perhitungan untuk mengatakannya. Oleh karena itu, Fuzzy Logic hadir untuk memberikan
kemampuan kepada kita agar sebisa mungkin berkomunikasi dengan mesin menggunakan Bahasa kita
sendiri.
Dalam fuzzy logic, yang butuh digaris-bawahi adalah imprecise data (data yang tidak akurat).
Sedangkan computer atau mesin hanya mengetahui Boolean yang mengenal true or false, yang sangat
bergantung pada precise data (data yang akurat).
CARA KERJA FUZZY DALAM WASHING MACHINE SYSTEM
Kita memiliki input yang merupakan Crisp Values, yang bisa dikatakan sebagai fakta yang
mempunyai precise value. Tapi kemudian kita memodifikasinya dengan proses tertentu hingga kita
memiliki Fuzzy Set yang akan masuk ke dalam Inference Engine. Di tempat inilah terjadi berbagai
pertimbangan. Rule Base memiliki suatu kondisi yang akan diikuti akibat atau tindakannya. Misalnya
if water is dirty, …. Water itu dating dari fuzzy set, dan kemudian akan dicek function dari dirty.
Yaitu sensor akan meelihat airnya untuk mengetahui seberapa parah tingkat kekotorannya. Jika sensor
mendeteksi air berawarna hitam pekat, maka sensor akan mendeteksi bahwa air ini sangat kotor atau
1. Setelah itu, mesin akan bertindak dengan cara tertentu. Jadi, aka nada fuzzy set lain sebagai
tindakannya. Misalnya, spin very fast, atau add detergen, dll. Jadi, Rule Base dimana setiap aturan
memiliki tingkat membership function untuk action berbeda dan output yang berbeda. Kita
menjalankan seluruh aturan itu dan kemudian mengkombinasikannya di dalam Inference Engine.
Itulah yang dilakukan Inference Engine, ia mengambil Rule Base dan menerapkannya pada fuzzy set
dan mengkombinasikan mereka hingga muncul suatu output yang berbentuk fuzzy set. Yang mana
kemudian akan di defuzzifier karena computer hanya berhadapan dengan precise value (true or false).
Defuzzifier akan mengubahnya menjadi sesuatu yg dapat dimengerti dan digunakan oleh mesin.
Setelah itu kita mendapatkan crisp values sebagai output yang berupa sebah action/aksi.
Apakah ini bisa bekerja tanpa fuzzy logic? Bisa, bagaimana?\
Kita tetap mengambil crisp values. Kemudian tanpa fuzzy logic kita akan menerapkan banyak sekali
if statement. Dan kita harus melakukan hal ini berulang-ulang kali. Setelah kita memiliki semua rule
tersebut, ini akan terlihat mirip dengan rule base diawal. Perbedaannya adalah karena kita
mendeskripsikan semua rule if statement, dan kita belum melakukan apa-apa terhadap crisp value,
maka seolah-olah kita mendefinisikan membership function dalam kondisi-kondisi if statement tadi,
dan itu akan menjadi sangat kompleks dan tidak mudah di-maintain atau diubah kodenya dalam masa
yang akan data. Karena jika di masa depan mungkin kita akan mengubah ketentuan suhu, atau tingkat
kekotoran air untuk membuat mesin cuci lebih efisien, itu akan sangat merepotkan karena kita harus
mengganti keseluruhan if statement dalam system. Tetapi pada fuzzy logic, kita tidak harus mengganti
rule base, tetapi hanya perlu mengganti definisi terhadap kekotoran atau suhunya saja.

KONSEP LOGIKA FUZZY DALAM KECERDASAN BUATAN DAN APLIKASINYA

1. Sejarah logika fuzzy
Meskipun konsep logika fuzzy telah dipelajari sejak tahun 1920-an, namun istilah logika
fuzzy pertama kali digunakan pada tahun 1965 oleh Lotfi Zadeh, seorang professor di UC
Berkeley di California. Dia mengamati bahwa logika computer konvensional tidak mampu
memanipulasi data yang mewakili ide manusia yang subjektif atau tidak jelas. Logika fuzzy
diterapkan dalam control mesin uap oleh Mamdani pada tahun 1974. Logika fuzzy praktis
banyak digunakan di Jepang pada tahun 1990-an.

2. Apa itu logika fuzzy

Logika Fuzzy adalah suatu logika yang memiliki nilai kekaburan atau kesamaran antara benar
dan salah. Dalam teori logika fuzzy suatu nilai bisa bernilai benar dan salah secara
bersamaan. Namun berapa besar kebenaran dan kesalahan suatu nilai tergantung kepada
bobot keanggotaan yang dimilikinya.
 Logika Fuzzy menirukan cara manusia mengambil keputusan dengan kemampuannya bekerja
dari data yang samar/tidak rinci dan menemukan penyelesaian yang tepat.
Penalaran yang dilakukan dalam logika fuzzy menyerupai penalaran manusia. Pendekatan ini
mirip dengan bagaimana manusia melakukan penalaran dalam hal pengambilan keputusan.
Dan itu melibatkan semua kemungkinan antara YA dan TIDAK.

Lawan dari fuzzy adalah crisp. Fuzzy berarti tidak jelas atau kabur, dan crisp berarti jelas atau
tegas. Contoh :
Logika Boolean :
Apakah hari ini cerah?
Ya[1] Tidak[0]
Logika Fuzzy :
Apakah hari ini cerah?
Kemungkinan besar Mungkin Kemungkinan kecil
YA [0,90] [0,25] [0,10]

KONSEP FUZZY
Zadeh berpendapat bahwa logika ‘benar’ dan ‘salah dari logika Boolean tidak dapat
mengatasi masalah gradasi yang berada pada dunia nyata. Untuk mengatasi masalah gradasi
yang tidak terhingga tersebut, Zadeh mengembangkan sebuah himpunan fuzzy.
Tidak seperti logika Boolean, logika fuzzy mempunyai nilai yang continue. Fuzzy dinyatakan
dalam derajat dari suatu keanggotaan dan derajat dari kebenaran.
Blok logika konvensional yang dipahami computer mengambil input yang tepat dan
menghasilkan output yang pasti sebagai BENAR atau SALAH, yang setara dengan persepsi
manusia sebagai YA atau TIDAK. Logika Fuzzy ditemukan oleh Lotfi Zadeh yang
mengamati bahwa manusia tidak seperti computer, manusia memiliki berbagai kemungkinan
YA dan TIDAK, seperti : Tentu YA, Mungkin YA, Tidak Tahu, Mungkin Tidak, Tentu
Tidak.

3. Aplikasi logika fuzzy

Bidang-bidang di mana konsep-konsep Fuzzy Logiv diteapkan secara luas diantaranya:
- Bidang Dirgantara (aerospace) untuk control ketinggian pesawat ruang angkasa dan
satelit.
- Sistem Otomotif untuk control kecepatan, control lalu lintas
- Sistem Pendukung pengambilan keputusan dan evaluasi bisnis perusahaan besar.
- Aplikasi dalam industry kimia untuk mengendalikan pH, pengeringan, proses distilasi
kimia
- Pemrosesan Bahasa alami dan berbagai aplikasi intensif dalam Kecerdasan Buatan
- System control modern seperti system pakar
- Proses produksi - Robotika
- Manajemen - Teknik sipil
- Kimia - Transportasi
- Ekonomi - Proses control
- Teknik keputusan - Kedokteran

4. Alasan penggunaan logika fuzzy

Secara umum, logika Fuzzy digunakan untuk tujuan komersial dan praktis, seperti :
- Logika Fuzzy dalam mengendalikan kerja mesin dan [roduk konsumen
- Jika penalaran tidak akurat, FL akan memberikan alas an yang bisa diterima
- Konsel FL mudah dipahami, fleksibel dan memiliki toleransi
 - FL didasarkan pada Bahasa alami
- FL membantu mengatasi masalah ketidakpastian dalam rekayasa

5. Arsitektur logika fuzzy

Arsitektur Logika Fuzzy terdiri atas 4 (empat) bagian utama

6. Teori himpunan klasik vs Teori fuzzy set

Teori Himpunan Klasik
o Teori klasi, himpunan = kumpulan elemen yang berhingga/tak-berhingga milik
dari suatu himpunan tertentu yang disebut semesta pembicaraan.
o Elemen dari semesta pembicaraan dapat termasuk atau tidak termasuk ke dalam
himpunan A
o Fungsi karakteristik yang bersifat Boolean/crisp atau tegas adalah fungsi tak-
kontinu :

o Sifat samara tau vagueness dapat dimasukkan ke dalam

teori himpunan dengan membuat fungsi karakteristik boleh bernilai tidak
berhingga banyaknya di antara nilai 0 dan nilai 1.
Teori Fuzzy Set :

7. Fungsi keanggotaan (Membership Function)

Fungsi keanggotaan adalah grafik yang menentukan bagaimana setiap titik dalam ruang input
dipetakan ke nilai keanggotaan antara 0 dan 1. Ini memungkinkan kita untuk mengukur istilah
linguistic dan mewakili himpunan fuzzy secara grafis. Fungsi keanggotaan untuk himpunan
fuzzy A pada pembicaraan X didefinisikan sebagai µA:X -> [0,1]
Digunakan untuk mengukur tingkat keanggotaan elemen dalam X ke himpunan fuzzy A.
o Sumbu x mewakili semesta pembicaraan
o Sumbu y menunjukkan derajat keanggotaan dalam interval [0,1]

Himpunan Crisp dan Himpunan Fuzzy

Contoh :
Jika diketahui S = {1,2,3,4,5,6}
A = {1,2,3}
 B = {3,4,5}
Sehingga dapat dikatakan bahwa :

8. Keuntungan dan kerugian logika fuzzy

Keuntungan
1) Struktur system logika fuzzy mudah untuk dimengerti
2) Logika fuzzy banyak digunakan untuk tujuan komersial dan praktis
3) Logika fuzzy membantu mengendalikan mesin dan produk konsumen
4) Logika fuzzy membantu menghadapi ketidakpastian dalam rekayasa
5) Metode yang sangat kuat karena bisa memproses input yang kurang pasto
6) Dalam memprogram Kembali dalam situasi Ketika sensor umpan balik berhenti bekerja
7) Mudah untuk dimodifikasi dalam rangka meningkatkan kinerja system
8) Biaya rendah karena sensor LF cukup murah
Kerugian
1) Validasi dan verifikasi system berbasis pengetahuan fuzzy membutuhkan pengajuan
ekstensif dengan perangkat keras
2) Belum banyak terdapat kursus/balai Pendidikan dan buku-buku teks yang menjangkau
setiap tingkat Pendidikan (undergraduate, postgraduate, dan on site training)
3) Hingga kini belum ada pengetahuan sistematik yang baku dan seragam tentang
metodologi pemecahan problema kendali menggunakan pengendali fuzzy
4) Belum adanya metode umum untuk mengembangkan implementasi pengendali fuzzy
5) Para enjiner dan ilmuwan generasi sebelumnya tidak mengenal teori kendali fuzzy.
Meskipun secara Teknik praktis mereka memiliki pengalaman untuk menggunakan
teknologi dan perkakas control yang sudah ada.