Handout M at a Kuliah Artifi cial Intelligence

BAB II

LOGIKA FUZZY

Tujuan : Setelah mempelajari Bab ini Mahasiswa d iharapkan dapat memahami

1. a. Apakah Logika Fuzzy?

b. Apakah perbedaan dgn logika tegas?

c. Apakah Himpunan Logika Fuzzy?

d. Bagaimana sejarah logika fuzzy?

e. Apakah kelebihan Logika Fuzzy?

2. a. Apa sajakah dasar Logika fuzzy?

b. Apakah fungsi keanggotaan LF?

c. Apakah Aritmatika LF?

d. Apakah Aturan dasar LF?

3.a. Bgmnkah cara kerja Kontrol LF?

b. Apakah Fuzzyfikasi?

c. Apakah Mesin Penalaran/Inference LF?

d. Apakah Defuzzyfikasi?

Materi : Bab ini berisi pengertian logika fuzzy, dasar-dasar logika fuzzy dan

operasional control logika fuzzy. Bagian penutupan bab ini diisi dengan contoh dan

latihan-latihan soal.

Hal. 1
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

Struktur Bab

2.1 Pendahuluan
2.1.1 Pengertian Logika Fuzzy
2.1.2 Perbedaan Logika Fuzzy dengan logika tegas
2.1.3 Himpunan Logika Fuzzy
2.1.4 Sejarah logika fuzzy
2.1.5 kelebihan logika fuzzy

2.2 Dasar Logika Fuzzy

2.2.1 Fungsi keanggotaan LF
2.2.2 Aritmatika LF

2.3 Cara Kerja Kontrol Logika Fuzzy

2.3.1 Fuzzyfikasi
2.3.2 Aturan dasar LF
2.3.3 Mesin Penalaran/Inference LF
2.3.4 Defuzzyfikasi

2.4 Contoh dan Latihan

Hal. 2
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

2.1 Pendahuluan

2.1.1 Pengertian Logika Fuzzy

Sebelum munculnya teori logika fuzzy (Fuzzy Logic), d ikenal sebuah logika tegas

(Crisp Logic) yang memiliki nilai benar atau salah secara tegas. Sebaliknya

Logika Fuzzy merupakan sebuah logika yang memiliki nilai kekaburan atau

kesamaran (fuzzyness) antara benar dan salah. Dalam teori logika fuzzy sebuah

nilai bisa bernilai benar dan salah secara bersamaan namun berapa besar

kebenaran dan kesalahan suatu nilai tergantung kepada bobot keanggotaan yang

dimilikinya.

2.1.2 Perbedaan Logika Fuzzy dengan Logika Tegas

Perbedaan antara kedua jenis logika tersebut adalah : logika tegas memiliki nilai

tidak=0.0 dan ya=1.0, sedangakan logika fuzzy memiliki nilai antara 0.0 hingga

1.0. Secara grafik perbedaan antara logika tegas dan logika fuzzy ditunjukkan

oleh gambar d ibawah ini :

Y Y

benar
1 1 benar

salah salah
10 X 10 X
(a) (b)

Gambar 2.1 a) logika tegas dan b) logika fuzzy

Didalam gambar 2.1.a) apab ila X leb ih dari atau sama dengan 10 baru d ikatakan

benar yaitu bernilai Y=1, sebaliknya nilai X yang kurang dari 10 adalah salah

yaitu Y=0. Maka angka 9 atau 8 atau 7 dan seterusnya adalah dikatakan salah.

Hal. 3
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

Didalam gambar 2.1.b) nilai X = 9, atau 8 atau 7 atau nilai antara 0 dan 10 adalah

dikatakan ada benarnya dan ada juga salahnya.

Dalam contoh kehidupan kita dikatakan seseorang d ikatakan sudah dewasa

apabila berumur leb ih dari 17 tahun, maka sesiapapun yang kurang dari umur

tersebut di dalam logika tegas akan dikatakan sebagai tidak dewasa atau anak-

anak. Sedangkan dalam hal ini pada logika fuzzy umur dibawah 17 tahun dapat

saja d ikategorika dewasa tap i tidak penuh, misal untuk umur 16 tahun atau 15

tahun atau 14 tahun atau 13 tahun. Secara grafik dapat digambarkan sebagai

berikut:

golongan golongan

anak-anak dewasa anak-anak dewasa

6 10 17 Umur 6 10 17 Umur
(a) (tahun) (b) (tahun)

Gambar 2.2 Perbandingan contoh a) logika tegas dan b) logika fuzzy dalam
penentuan go longan umur manusia dalam

2.1.3 Himpunan Logika Fuzzy

Dalam teori logika fuzzy dikenal himpunan fuzzy (fuzzy set) yang merupakan

pengelompokan sesuatu berdasarkan variabel bahasa (linguistik variable), yang

dinyatakan dalam fungsi keanggotaan. Didalam semesta pembicaraan (universe of

discourse) U, fungsi keanggotaan dari suatu himpunan fuzzy tersebut bernilai

antara 0.0 sampai dengan 1.0.

Hal. 4
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

Contoh dari himpunan variab le bahasa antara lain:

Himpunan dari suhu atau temperatus dapat dinyatakan dengan: dingin, sejuk,

normal, hangat, panas. Grafik dari himpunan suhu ini ditunjukkan pada gambar

berikut:

Gambar 2.1 Contoh keanggotaan himpunan temperatur

Himpunan dari umur dapat dinyatakan dengan: muda, parobaya, tua, sangat tua.

Grafik dari himpunan umur ini ditunjukkan pada gambar berikut:

Gambar 2.2 Contoh keanggotaan himpunan umur

Himpunan dari kecepatan dapat dinyatakan dengan: lamabt, normal, cepat,

sangat cepat.. Grafik dari himpunan kecepatan ini ditunjukkan pada gambar

berikut:

Hal. 5
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

Gambar 2.3 Contoh keanggotaan himpunan kecepatan

2.1.4 Sejarah Logika Fuzzy

Teori logika fuzzy dikembangkan oleh Prof. Lotfi Zadeh pada sekitar tahun 1960-

an dengan penentuan himpunan Fuzzy.

2.1.5 Kelebihan Logika Fuzzy

Kelebihan dari teori logika fuzzy adalah kemampuan dalam proses penalaran

secara bahasa (linguistic reasoning), sehingga dalam perancangannya tidak

memerlukan persamaan matematik dari objek yang akan dikendalikan.

2.2 Dasar Logika Fuzzy

2.2.1 Fungsi keanggotaan LF

Fungsi keanggotaan dari suatu himpunan fuzzy dinyatakan dengan derajat

keanggotaan suatu nilai terhadap nilai tegasnya yang berkisar antara 0,0 sampai

dengan 1,0. Jika A: himpunan fuzzy, μA: fungsi keanggotaan dan X : semesta,

maka fungsi keanggotaan dalam suatu himpunan fuzzy dapat d inyatakan

dengan:

A={(x,μA(x))|xЄX}

Fungsi Keanggotaan suatu himpunan fuzzy dapat d itentukan dengan fungsi

segitiga (Triangle),trapesium (Trapezoidal) atau Fungsi Gauss (Gaussian).

Hal. 6
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

Persamaan fungsi keangotaan segitiga adalah:

(2.1)

Persamaan tersebut dalam bentuk grafik ditunjukkan pada gambar berikut:

Gambar 2.4 Fungsi keanggotaan segitiga

Persamaan fungsi keangotaan Trapesium adalah:

(2.2)

Persamaan tersebut dalam bentuk grafik ditunjukkan pada gambar berikut:

Gambar 2.4 Fungsi keanggotaan Trapesium

Hal. 7
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

Persamaan fungsi keangotaan Gaussian adalah:

(2.3)

Persamaan tersebut dalam bentuk grafik ditunjukkan pada gambar berikut:

Gambar 2.6 Fungsi keanggotaan Gaussian

2.2.2 Aritmatika Logika Fuzzy

Dalam system logika fuzzy terdapat beberapa operasi aritmatika yang

diperlukan dalam penalarannya antara lain:

a) Gabungan (Union) dalam sitem logika fuzzy dikenal dengan istilah Max.

Operasi max dinyatakan dengan persamaan:

C  A  B   c ( x)  max(  A ( x),  B ( x))   A ( x)   B ( x) (2.4)

Jika fungsi segitiga dari suatu fungsi keanggotaan adalah A, dan fungsi

keanggotaan B adalah trapezium, maka operasi max dari A dengan B

ditunjukkan pada gambar 2.7 berikut ini:

Hal. 8
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

2 6 2 10
A B

2 6 10

Gambar 2.7 Operasi Uniom

b) Irisan (Intersaction) dalam sitem logika fuzzy dikenal dengan istilah Min.

Operasi mix d inyatakan dengan persamaan:

C  A  B   ( x)  max(  ( x),  ( x))   ( x)   ( x) (2.5)

c A B A B
Jika fungsi A dan B adalah seperti yang ditunjukkan pada gambar 2.7, maka

operasi min dari kedua keanggotaan tersebut dapat dinyatakan sebagai berikut

ini:

2 6 2 10
A B

4 6

Gambar 2.8 Operasi intersection

c) Kesamaan (Equilaty), operasi kesamaan dinyatakan dengan persamaan:

(2.6)

d) Produk (Product), operasi produk dinyatakan dengan persamaan:

(2.7)

e) Komplemen (Complement), operasi komplemen dinyatakan dengan

persamaan:

(2.8)

Hal. 9
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

2.3 Cara Kerja Kontrol Logika Fuzzy

Dalam system control logika fuzzy terdapat beberapa tahapan operasional yang

meliputi:

1. Fuzzyfikasi

2. Penalaran (Inference Machine)

3. Aturan Dasar (Rule Based)

4. Defuzzyfikasi

Blok diagram control logika fuzzy d itunjukkan pada gambar berikut:

Gambar 2.9 Blok Diagram Kontrol Logika Fuzzy

Kerangka operasional control logika fuzzy ditunjukkan pada gambar berikut:

Gambar 2.10 Kerangka Kerja Kontrol Logika Fuzzy

Hal. 10
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

Dari gambar 2.10 sinyal masukan dari KLF dapat berupa nilai tegas. Sinyal

masukan KLF dapat diambilkan dari:

a) Selisih antara rujukan (reference) dengan nilai keluaran nyata dari KLF yang

berupa nilai kesalahan (error=E).

b) Turunan pertama dari nilai error yang d ikenal dengan delta error=dE

2.3.1 Fuzzyfikasi

Fuzzifikasi adalah suatu proses pengubahan nilai tegas/real yang ada ke dalam

fungsi keanggotaan

Misal: merujuk pada gambar 2.1 fuzzifikasi dari suhu 35oC adalah:

A1 A2
 A1
 A2
Suhu ( 0 C)

15 30 45 60

Gambar 2.11 Fungsi Fuzzyfikasi suatu sinyal

Pada gambar 2.11 contoh perhitungan fuzzyfikasi dapat ditunjukkan sebagai

berikut :
 c  X 45  35 2
A1  
c  b 45  30 3

 X  a 35  30 1
A 2   
b  a 45  30 3

Hal. 11
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

2.3.2 Aturan Dasar KLF

Aturan dasar (rule based) pada control logika fuzzy merupakan suatu bentuk

aturan relasi/imp likasi “Jika-Maka” atau “If – Then” seperti pada pernyataan

berikut:

“JIKA” X=A DAN “JIKA” Y=B “MAKA” Z=C

Contoh dari aturan jika-maka ini pada pengendalian suhu ruangan dengan

pengaturan kecepatan kipas angina melalui frekuensi variable adalah sebagai

berikut:

1. “JIKA” suhu panas DAN

2. “JIKA” kecepatan kipas sangat lambat

3. “MAKA” sumber frekuensi dinaikkan sangat tinggi agar kecepatan

kipas tinggi

Jadi aturan dasar KLF ditentukan dengan bantuan seorang pakar yang mengetahui

karakteristik objek yang akan kendalikan. Aturan dasar tersebut dapat d inyatakan

dalam bentuk matrik aturan dasar KLF. Contoh aturan dasar dari rancangan

pengaturan suhu ruangan dapat dilihat pada table berikut:

Tabel 2.1 Contoh Matrik Aturan Dasar Perancangan Kontrol Logika Fuzzy

Y B S K
X
B K K B
S K S K Z
K B K B
Diama
X : Suhu, Y : Kecepatan Kipas dan Z : Sumber Frekuensi
B : Besar, S: Sedang dan K : Kecil

Hal. 12
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

2.3.3 Mesin Penalaran Kontrol Logika Fuzzy

Mesin Penalaran: proses implikasi dalam menalar nilai masukan guna penentuan

nilai keluaran sebagai bebtuk Pengambil Keputusan. Salah satu model penalaran

yang banyak dipakai adalah penalaran max-min. Dalam penalaran max-min

proses pertama yang dilakukan adalah melakukan operasi min sinyal keluaran

lap isan fuzzyfikasi, yang diteruskan dengan operasi max untuk mencari nilai

keluaran yang selanjutnya akan difuzzifikasikan sebagai bentuk keluaran

pengontrol. Operasional max-min tersebut dapat d inyatakan sebagai berikut:

Operasi Min/Irisan

(2.9)

Operasi Mak/Union

(2.10)

Proses operasi penalaran max-min dapat dijelaskan dengan grafik berikut ini:

Hal. 13
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

 0.6
A1
 M IN 
B1 0.3 z1 0.3

A1 B1 Z1


B 2 0.7 
 0.4 M IN 0.4
A2 z2

A2 A2 Z2

M AX

0.4
0.3

Z1 Z2

Gambar 2.13 Operasi Max-Min secara grafis

2.3.4 Defuzzifikasi

Merupakan proses pemetaan himpunan fuzzy ke himpunan tegas (crips). Proses

ini merupakan kebalikan dari proses fuzzyfikasi.

Proses defuzzyfikasi diekspresikan sebagai berikut :

Z* = defuzzifier (Z) (2.10)

Dimana :

Z = Hasil penalaran fuzzy

Z* = Keluaran Kontrol FL

Defuzzifier = Operasi defuzzier

Metode dalam melakukan defuzzifikasi antara lain :

1. Metode Max (Maximum)

Metode ini juga d ikenal dengan metode puncak dimana nilai keluaran dibatasi

oleh fungsi: c(z*)>c 1 (z) (2.11)

Hal. 14
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

2. Metode Titik Tengah (Center of Area)

Metode ini juga disebut pusat area. Metode ini lazim d ipakai dalam proses

defuzzikasi. Metode ini diekspresikan dengan persamaan:

Z* 
 c( z ) zdz (2.12)
 c( z ) zdz

3. Metode Rata-Rata (Average)

Metode ini digunakan untuk fungsi keanggotaan keluaran yang simetris.

Persamaan dari metode ini adalah:

 

Z* 
 c( z ). Z (2.13)

c( z )

4. Metode Penjumlah Titik Tengah (Summing of center area).

Metode ini dinyatakan dengan persamaan:

n
 k  1ck ( z )dz
Z*  n
 k  1cm  z dz (2.14)

5. Metode Titik Tengah Area Terbesar

• Dalam metode ini keluaran dipilih berdasarkan titik pusat area terbesar yang

ada. Metode ini dinyatakan dalam bentuk:

 cm ( z ).zdz
Z*  (2.15)
 cm ( Z )dz
Selanjutnya keluaran keluaran dari defuzzifikasi tersebut akan digunakan

sebagai keluaran KLF

Hal. 15
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

2.4 Contoh dan Latihan

2.4.1 Contoh

Simulasi Kontrol Fuzzy Menggunakan MATLAB

Diagram blok sistem kendali fuzzy yang akan disimulasikan adalah memiliki
struktur pengendali fuzzy PD-like seperti terlihat dalam Gambar 1, yaitu sistem fuzzy
yang memiliki dua masukan proporsional dan turunan, dengan Gp adalah penguatan
proporsional, G d adalah penguatan turunan dan G o adalah penguatan keluaran.

Gambar 2.14. Diagram b lok pengendali fuzzy PD-like.

Simulasi d imulai dengan menetapkan nilai kondisi awal dari plant, error dan
pengendali. Kemudian langkah program memasuki proses looping yang berlangsung
selama waktu yang kita inginkan (dengan mempertimbangkan waktu pencuplikan).
Setiap memasuki iterasi ke-k , error(k) dihitung menggunakan Persamaan 1. Kemudian
nilai perubahan error (turunan error) dihitung dengan Persamaan 2. Setelah nilai error
dan perubahan error diperoleh, selanjutnya nilai tersebut dimasukan ke sistem logika
fuzzy sehingga dipero leh keluaran yang akan digunakan sebagai masukan plant. Dengan
masukan plant ini, maka keluaran plant dapat dihitung. Selanjutnya menuju iterasi
berikutnya. Proses ini dapat d ilihat pada Gambar 2.

Hal. 16
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

Gambar 2.15 Diagram alir simulasi sistem kendali fuzzy.

Sebelum mensimulasikan sistem kendali fuzzy menggunakan M-file Matlab

secara keseluruhan, terleb ih dahulu dituliskan fungsi-fungsi yang mendukung, supaya
program utama tid ak terlalu rumit. Fungsi-fungsi tersebut adalah fungsi untuk
fuzzifikasi, fungsi pengendali fuzzy dan fungsi untuk plant. Berikut ini adalah listing
program untuk mendeklarasikan fungsi-fungsi tersebut.

Fungsi untuk fuzzifikasi himpunan error/delta error negatif

function y=setiga_kr(x,a,b);
y=max(min(1,(b-x)/(b-a)),0);

Fungsi untuk fuzzifikasi himpunan error/delta error zero

function y=setiga_tg(x,a,b,c);
y=max(min((x-a)/(b-a),(c-x)/(c-b)),0);

Fungsi untuk fuzzifikasi himpunan error/delta error positif

function y=setiga_kn(x,a,b);
y=max(min(1,((x-a))/(b-a)),0);

Fungsi untuk pengendali fuzzy

function o=fuzz_satelit(x1,x2)

%fuzzifikasi masukan error

Hal. 17
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

E_N=setiga_kr(x1,-1,0);
E_Z=setiga_tg(x1,-1,0,1);
E_P=setiga_kn(x1,0,1);

%fuzzifikasi masukan perubahan error

Ce_N=setiga_kr(x2,-1,0);
Ce_Z=setiga_tg(x2,-1,0,1);
Ce_P=setiga_kn(x2,0,1);

%menghitung fired weight tiap kaidah fuzzy

f1=min(E_N,Ce_N);%-1
f2=min(E_N,Ce_Z);%-1
f3=min(E_Z,Ce_N);%-1
f4=min(E_N,Ce_P);%0
f5=min(E_Z,Ce_Z);%0
f6=min(E_P,Ce_N);%0
f7=min(E_Z,Ce_P);%1
f8=min(E_P,Ce_Z);%1
f9=min(E_P,Ce_P);%1
f=[f1 f2 f3 f4 f5 f6 f7 f8 f9];

%data titik tengah membership keluaran untuk tiap rule

y=[-1 -1 -1 0 0 0 1 1 1]; %lebar membershipnya adalah 2
%menghitung y_Fuzzy1
num=0;
den=0;
for k=1:9
num=num+((2*(f(k)-(f(k)^2)/2))*y(k));
den=den+((2*(f(k)-(f(k)^2)/2))*y(k));
end
o=num/den;

Fungsi untuk plant satelit

function [x1,x2]=f_satelit(dt,u_0,x1_0,x2_0);
a1=u_0;
b1=x2_0;

a2=u_0;
b2=(x2_0+dt*(b1/2));

a3=u_0;
b3=(x2_0+dt*(b2/2));

a4=u_0;
b4=(x2_0+dt*(b3));

x1=x1_0+(dt/6)*(b1+2*b2+2*b3+b4);
x2=x2_0+(dt/6)*(a1+2*a2+2*a3+a4);

Hal. 18
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

Fungsi-fungsi di atas adalah digunakan dalam program utama dari simulasi

sistem kendali sudut satelit. Setiap fungsi disimpan dengan nama file seperti nama
fungsinya, sehingga ketika d ipanggil dalam program utama maka fungsi yang
bersangkutan akan langsung dijalankan komputer. Listing program utama simulasinya
adalah sebagai berikut:

clear;
x1(1)=0;
x2(1)=0;
y(1)=0;
dt=0.01;
u(1)=1;
r=0.5
e(1)=-r;
gp=1;
gd=1;
go=1;
for n=1:1000
k=n+1;
e(k)=r-y(k-1);
de(k)=100*(e(k)-e(k-1));
u(k)=go*fuzz_satelit(gp*e(k),gd*de(k));
%u(k)=e(k);
[x1(k),x2(k)]=f_satelit(dt,u(k-1),x1(k-1),x2(k-1));
y(k)=x1(k);
end
t=linspace(0,10,1001);
figure;
plot(t,y);
xlabel('detik');
ylabel('rad');

Hal. 19
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

Gambar 2.16. Tanggapan sudut satelit terhadap acuan 0,5 rad dengan Gp, Gd dan Go
=1

Program utama di atas adalah mensimulasikan sistem kendali sudut satelit

dengan waktu pencuplikan sebesar 10 mdet, selama 10 detik. Dengan Gp, Gd dan Go
sebesar 1, serta acuan 0,5 rad. Jika program utama tersebut dijalankan (dieksekusi)
maka akan didapatkan grafik tanggapan (dengan garis tebal) seperti terlihat dalam
Gambar 4.7, sedangkan grafik tanggapan dengan garis putus-putus adalah grafik
tanggapan sistem dengan menggunakan defuzzifikasi yang kedua(bobot tiap kaidah
dikalikan dengan titik tengah fungsi keanggotaan keluaran).
Gambar 2.17 adalah grafik tanggapan sistem kendali dengan nilai Gp, Gd dan Go
yang diubah. Grafik bertanda 1 adalah untuk G p=0.5, Gd=1 dan Go=1, grafik bertanda 2
adalah untuk Gp=1, Gd=0.5 dan Go=1, sedangkan grafik bertanda 3 adalah untuk Gp=1,
Gd=1 dan Go=0.5.

Hal. 20
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

Gambar 2.17. Tanggapan posisi satelit dengan nilai penguatan yang berbeda.

Dari penjelasan d i atas, nilai penguatan pengendali yang berbeda, akan

memberikan hasil tanggapan sistem yang berbeda pula. Terdapat dua besaran pengutan
yang dapat ditala, yaitu penguatan pada sisi masukan dan sisi keluaran. Penguatan pada
sisi masukan adalah Gp dan Gd sedangkan penguatan pada sisi keluaran adalah Go.
Jika d ilihat dari bentuk fungsi keanggotaan, perubahan nilai penguatan pengendali
memiliki persamaan dengan perubahan lebar dasar dan skala titik tengah segitiga
himpunan keanggotaan masukan maupun keluarannya. Jika penguatan masukan
diperbesar, maka akan setara dengan pengecilan lebar dasar dan skala titik tengah
segitiganya dan demikian sebaliknya akan memperbesar lebar dasar dan skala titik
tengah segitiga himpunan masukannya. Sedangkan untuk penguatan keluaran, jika
diperbesar maka akan setara dengan memperbesar skala titik tengah dan lebar
himpunan fuzzy keluarannya. Proses ini dapat dilihat pada Gambar 4.9 dan 4.10.

Hal. 21
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

(a) (b)

(c)
Gambar 2.18. Perubahan penguatan masukan setara dengan perubahan fungsi
keanggotaan fuzzy.

Gambar 2.18(a) adalah bentuk fungsi keanggotaan masukan dengan penguatan

sebesar 1, Gambar 2.18 (b) adalah untuk penguatan sebesar 2, sedangakan Gambar 2.18
(c) adalah untuk penguatan 0,5.

Hal. 22
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

(a) (b)

(c)

Gambar 2.19. Perubahan nilai penguatan keluaran setara dengan perubahan bentuk
fungsi keanggotaan fuzzy keluaran

Gambar 2.19 (a) adalah bentuk fungsi keanggotaan dengan penguatan sebesar 1,
Gambar 2.19 (b) adalah untuk penguatan sebesar 0.5, sedangkan Gambar 2.19 (c)
adalah untuk penguatan sebesar 2.

Sumber : http://www.trensains.com/fuzzy_tut.htm

Hal. 23
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

2.4.2 Latihan

1. Apakah Logika Fuzzy?

Jawab :

Logika Fuzzy didefinisikan sebagai sebuah logika yang memiliki nilai kabur atau tidak

tegas

- Apakah perbedaan dengan logika tegas?

Jawab :

- logika tegas memiliki nilai tidak=0.0 atau ya=1.0

- logika Fuzzy memiliki nilai antara 0.0 hingga 1.0

- Apakah Himpunan Logika Fuzzy?

Jawab :

Himpunan Fuzzy: pengelompokan sesuatu berdasarkan variabel

linguistik/Linguistik Variable, yang dinyatakan dalam fungsi keanggotaan.

- bagaimana sejarah logika fuzzy?

Jawab :

Dikembangkan o leh Prof. Lotfi Zadeh pada sekitar tahun 1960-an dengan

penentuan himpunan Fuzzy (Fuzzy sets).

2. Apa sajakah dasar Logika fuzzy?

Jawab :

- Keanggotaan logika fuzzy

- Aritmatika logika fuzzy

- Aturan dasar logika fuzzy

- Apakah fungsi keanggotaan Logika Fuzzy?

Jawab :

Hal. 24
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

Derajat keanggotaan suatu nilai terhadap nilai tegasnya yang berkisar antara 0

sampai dengan 1

- Apakah operasi himpunan Fuzzy?

Jawab :

- Gabungan (union)

- Irisan (intersection)

- Kesamaan (Equality)

- Komplemen (Complement)

- Produk (Product)

- Apakah Aturan dasar Logika Fuzzy?

Aturan Fuzzy dinyatakan dalam bentuk Relasi/imp likasi“Jika-MAka” atau “If –

Then

3. bagaimanakah cara kerja Kontro l Logika Fuzzy?

Jawab :

Cara kerja kontrol logika fuzzy terdiri dari :

- Input

- Fuzzyfikasi

- Mesin penalar

- Mesin penalar

- defuzzyfikasi

- output nilai tegas

- Apakah Fuzzyfikasi?

Jawab :

Fuzzifikasi adalah proses pengubahan nilai tegas/real yang ada ke dalam fungsi

keanggotaan

Hal. 25
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
 Handout M at a Kuliah Artifi cial Intelligence

- Apakah Mesin Inference Logika Fuzzy?

Jawab :

proses imp likasi untuk Pengambil Keputusan

- Apakah Defuzzyfikasi?

Jawab :

Merupakan proses pemetaan himpunan fuzzy ke himpunan tegas (crips).

4. Bagaimanakah contoh kerja Logika Fuzzy?

Jawab :

Pengendalian suhu ruangan dengan menggunakan logika fuzzy

Hal. 26
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang