FUZZY LOGIC SEBAGAI KECERDASAN BUATAN

BERDASARKAN SUHU DAN KELEMBABAN

TUGAS BESAR II

OLEH :

NAMA : NICOLAUS BAGAS DENTA

NIM : 41421120072

FAKULTAS TEKNIK UNIVERSITAS MERCUBUANA

PROGRAM STUDI TEKNIK ELEKTRO

COVER

ii
 DAFTAR ISI

Contents
COVER ..................................................................................................................................................... ii
DAFTAR ISI.............................................................................................................................................. iii
RINGKASAN ............................................................................................................................................ iv
PENDAHULUAN ....................................................................................................................................... 1
PEMBAHASAN ......................................................................................................................................... 2
1.1 Perbedaan Logika Klasik atau Tegas dengan Logika Fuzzy ..................................................... 3
1.2 Ketidakjelasan ......................................................................................................................... 3
1.3 Dasar Fuzzy Logic .................................................................................................................... 3
1.4 Teori Dasar Fuzzy Logic ........................................................................................................... 3
1.5 Jenis – Jenins Logika Fuzzy ...................................................................................................... 5
1.6 Contoh Penerapan Fuzzy Logic ............................................................................................... 5
PENUTUP ................................................................................................................................................. 6
DAFTAR PUSTAKA ................................................................................................................................... 7

iii
 RINGKASAN

Manusia dibekali dengan akal sehat yang dapat digunakan untuk berpikir, menganalisa,
serta memutuskan sesuatu. Seperti berpikir cara menyelesaikan masalah, menganalisa suatu
kegagalan, serta memutuskan solusi terbaik untuk mengatasi masalah tersebut. Seiring
berkembangannya teknologi yang makin pesat, teknologi bisa menggantikan peran manusia
dengan kepintarannya. Fuzzy logic merupakan sebuah solusi untuk menggantikan peran
tersebut.. Dalam makalah ini akan dibahas mengenai pengertian fuzzy logic, konsep dasar, teori
dasar, penggunaan, sampai contoh nyata fuzzy logic dalam kehidupan sehari-hari.

iv
 PENDAHULUAN

Fuzzy adalah cabang dari logika yang menerapkan derajat keanggotaan dalam suatu
Konsep himpunan fuzzy diperkenalkan oleh Zadeh pada tahun 1965 [1]. Himpunan fuzzy
adalah model matematika dari data kualitatif atau kuantitatif yang bersifat samar, yang sering
dihasilkan melalui bahasa alami. Model ini didasarkan pada generalisasi konsep himpunan
klasik dan fungsi karakteristiknya. Logika fuzzy umumnya diterapkan pada masalah masalah
yang mengandung unsur ketidakpastian, ketidaktepatan, noise, dan sebagainya. Logika fuzzy
menjembatani bahasa mesin yang presisi dengan bahasa manusia yang menekankan pada
makna atau arti. Fuzzy Logic dapat dikatakan sebagai logika baru yang lama, sebab ilmu
tentang logika modern dan metodis baru ditemukan pada tahun 1965, padahal sebenarnya
konsep tentang fuzzy logic itu sendiri sudah ada sejak lama [2]. Pada makalah ini akan dibahas
lebih lanjut tentang konsep, teori, serta penggunaan logika fuzzy.

1
 PEMBAHASAN
1.1 Perbedaan Logika Klasik atau Tegas dengan Logika Fuzzy
Terdapat perbedaan mendasar antara logika klasik dengan logika fuzzy. Sebagai contoh,
perhatikan dua kalimat perintah berikut ini: A. Pisahkan kelompok mahasiswa yang memiliki
PC dan kelompok mahasiswa yang tidak memiliki PC. B. Buat kelompok mahasiswa yang
pandai dan kelompok mahasiswa yang bodoh. Pada Kalimat-A, Kita dapat membedakan secara
tegas antara kelompok mahasiswa yang memiliki PC dengan kelompok mahasiswa yang tidak
memiliki PC karena ada batasan yang nyata antara kedua kondisi tersebut. Namun Pada
Kalimat-B, Tidak terdapat batasan yang nyata antara pandai dengan bodoh sehingga kita sulit
membedakan mahasiswa yang pandai dengan mahasiswa yang bodoh.
1.2 Ketidakjelasan
Dalam kehidupan sehari-hari, kita sering menemui kondisi ketidakjelasan seperti
kalimat-B. Ketidakjelasan yang kita alami, dapat kita kelompokkan menjadi:
1. Keambiguan (ambiguity), terjadi karena suatu kata/istilah memiliki makna lebih dari satu.
Contoh: bulan, maknanya adalah suatu benda langit, namun makna lainnya adalah bagian dari
tahun.
2. Keacakan (randomness), karena hal yang kita inginkan belum terjadi. Contoh: besok akan
hujan.
3. Ketidaktepatan (imprecision), disebabkan karena alat atau metode pengukuran yang tidak
tepat. Contoh: volume bumi.
4. Ketidakjelasan akibat informasi yang tidak lengkap (incompleteness). Contoh: ada
kehidupan di luar angkasa.
5. Kekaburan semantik, akibat suatu kata/istilah memiliki makna yang tidak dapat
didefinisikan secara tegas. Contoh: cantik, pandai..
Dari kelima kelompok ketidakjelasan tersebut, dapat dikatakan bahwa pembahasan logika
fuzzy berada pada kekaburan. Kekaburan semantik pasti ada dalam kehidupan manusia. Bahkan
kita sering mengambil keputusan dari kondisi kekaburan semantik. Kekaburan semantik adalah
seperti yang sudah dijelaskan diatas bahwa kata istilah memiliki makna yang tidak dapat
didefinisikan secara tegas. Contoh: cantik, pandai. Hal lain yang juga perlu diperhatikan adalah
kita manusia saat ini sering menggunakan alat bantu, terutama elektronik, untuk membuat suatu
keputusan. Penelitian atau pengukuran umumnya memerlukan ketepatan dan kepastian.
Sedangkan kondisi lingkungan, mengharuskan kita mengambil keputusan dari kekaburan
semantik. Oleh karena itu, perlu bahasa keilmuan baru untuk mengakomodasi kekaburan
semantik secara memadai.

2
 1.3 Dasar Fuzzy Logic
Dasar teori fuzzy membahas tentang konsep dasar himpunan fuzzy, yang mencakup
pembahasan himpunan fuzzy, Operasi logika pada fuzzy dan Hukum-hukum pada
himpunan fuzzy. Logika fuzzy merupakan salah satu disiplin ilmu yang terdapat dalam
sistem kecerdasan buatan. Logika fuzzy pertama kali dikembangkan oleh Prof. Lotfi A.
Zadeh pada tahun 1965. Logika fuzzy memiliki dasar pengendali yaitu himpunan fuzzy
yang berfungsi sebagai penentu derajat keanggotaan dalam penalaran fuzzy [3]. Secara
umum struktur dasar logika fuzzy adalah sebagai berikut :
1. Himpunan fuzzy yang secara umum sering ditulis dalam bentuk µA(X)
dengan 2 nilai kemungkinan yaitu 0 dan 1.
2. Fungsi keanggotaan yang secara umum ditampilkan dalam bentuk kurva
dengan titik-titik tertentuk yang dipetakan ke dalam nilai keanggotaannya.
3. Operator dasar himpunan fuzzy yang digunakan untuk mengkombinasikan
dan memodifikasi himpunan fuzzy. Terdapat 3 operator logika fuzzy yang diciptakan
oleh pengembang pertamanya.
a. Operator AND µA B = min (µA(X), µB(Y))
b. Operator OR µA B = max (µA(X), µB(Y))
c. Operator NOT µA’ = 1 - µA(X)

1.4 Teori Dasar Fuzzy Logic

1.4.1 Himpunan fuzzy
Himpunan fuzzy merupakan suatu pengembangan lebih lanjut tentang konsep himpunan
dalam matematika. Himpunan fuzzy adalah rentang nilai yang masing-masing nilai
mempunyai derajat keanggotaan (membership) antara 0 sampai 1. Jika dalam logika
Boolean menggambarkan nilai-nilai “benar” atau “salah”, logika fuzzy menggunakan
ungkapan misalnya : “sangat lambat”,”agak sedang”, “sangat cepat”dan lain-lain untuk
mengungkapkan derajat intensitasnya.[4].

Gambar 1.1 Contoh Gambar Kurva Fuzzy Logic

3
1.4.2 Operasi Dasar Fuzzy Set
Seperti halnya himpunan konvensional, ada beberapa operasi yang didefinisikan secara
khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai
hasil dari operasi dua himpunan sering dikenal dengan nama fire strength atau α–predikat. Ada
3 operator dasar yang diciptakan oleh Zadeh (disebut OPERASI DASAR ZADEH) ,yaitu
Operator AND, Operator OR, Operator NOT [5].
Operator AND ini berhubungan dengan operasi interseksi pada himpunan. α–predikat
sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan
terkecil antar elemen pada himpunan-himpunan yang bersangkutan.
μAB = min(μA[x], μB[y])
Operator OR ini berhubungan dengan operasi union pada himpunan. α– predikat
sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan
terbesar antar elemen pada himpunanhimpunan yang bersangkutan.
μAB = max(μA[x], μB[y])
Operator NOT ini berhubungan dengan operasi komplemen pada himpunan. α–predikat
sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan
elemen pada himpunan yang bersangkutan dari 1.
μA’ = 1 – μA[x]
1.5 Arsitektur Fuzzy Logic.
Ada Tiga Proses Utama jika ingin Mengimplementasikan Fuzzy Logic Pada Suatu Perangkat
[6], yaitu:
1. Fuzzification, merupakan suatu proses untuk mengubah suatu masukan dari bentuk
tegas(crisp) menjadi fuzzy yang biasanya disajikan dalam bentuk himpunan-himpunan
fuzzydengan suatu fungsi kenggotaannya masing-masing.
2. Interference System (Evaluasi Rule), merupakan sebagai acuan untuk menjelaskan
hubungan antara variable-variabel masukan dan keluaran yang mana variabel yang
diproses dan yang dihasilkan berbentuk fuzzy. Untuk menjelaskan hubungan antara masukan
dan keluaran biasanya menggunakan “IF-THEN”.
3. Defuzzification, merupakan proses pengubahan variabel berbentuk fuzzy tersebut menjadi
data-data pasti (crisp) yang dapat dikirimkan ke peralatan pengendalian.

4
1.5 Jenis – Jenins Logika Fuzzy
1.5.1 Metode Mamdani
Logika fuzzy merupakan salah satu komponen pembentuk soft computing.
Logika fuzzy pertama kali di perkenalkan oleh Prof. Lotfi A. Zaedah pada tahun 1965. Dasar
logika fuzzy teori himpunan fuzzy. Pada teori himpunan fuzzy, peranan derajat keanggotaan
sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah penting. Nilai
keanggotaan atau derajat keanggotaan atau membership function menjadi ciri utama dari
penalaran dengan logika fuzzy tersebut [7]. Metode Mamdani adalah metode yang paling
sering digunakan karena metode ini merupakan metode yang pertama kali dibangun dan
berhasil diterapkan dalam rancang bangun sistem kontrol menggunakan teori himpunan fuzzy
Ebrahim Mamdani yang pertama kali mengusulkan metode ini di tahun 1975 ketika
membangun sistem kontrol mesin uap dan boiler. Untuk mendapatkan output diperlukan 4
tahapan: (1) Pembentukan himpunan fuzzy (2) Aplikasi fungsi aplikasi (3) Komposisi aturan
(4) Penegasan.
1.5.2 Metode Sugeno
Metode Sugeno sering dikenal dengan nama metode Max-Min dimana metode
ini mempunyai output (konsekuen) sistem tidak berupa himpunan fuzzy melainkan berupa
konstanta atau persamaan linier [8]. Fuzzy metode sugeno merupakan metode inferensi fuzzy
untuk aturan yang direpresentasikan dalam bentuk IF – THEN, dimana output (konsekuen)
sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear [9].
Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985. Model Sugeno
menggunakan fungsi keanggotaan Singleton yaitu fungsi keanggotaan yang memiliki derajat
keanggotaan 1 pada suatu nilai crisp tunggal dan 0 pada nilai crisp yang lain.
1.6 Contoh Penerapan Fuzzy Logic
1.6.1 Penerapan Dalam Pengaturan Penyiraman Tanaman
Suhu dan kelembaban suatu tanaman merupakan parameter utama yang mempengaruhi
jumlah air yang dibutuhkannya. Perancangan sistem kendali yang mempunyai input non-
linier dan dengan persamaan fungsi alih yang sulit membutuhkan suatu sistem kendali
yang mampu membuat keputusan pengendalian. Hal ini disebabkan karena keputusan
pengendalian yang dikeluarkan logika manusia mempunyai keluaran pengendalian
yang sempurna dalam pengaturan segala sesuatunya, baik itu yang konvensional maupun
yang non-konvensional. Fuzzy Logic merupakan salah satu metode sistem kendali yang dapat
memberikan keputusan yang menyerupai keputusan manusia. Pada proses perancangan
plant ini, digunakan sistem pengembangan kendali fuzzy logic dengan menggunakan sistem
mikrokontroler MCS51 pada Development Tools DT51. Hal ini dimaksudkan untuk suatu
perancangan pada plant pengendalian air pada tanaman. Proses pengendalian dengan
fuzzy ini dilakukan oleh sistem mikrokontroler dengan tambahan interface yang
merupakan Analog Input Output add-on board untuk DT51, interface LCD sebagai output
tampilan waktu, satu sensor suhu dan sensor kelembaban tanah sebagai input masukan
fuzzy logic control [10]

5
 PENUTUP
2.1 Kesimpulan
Kesimpulan yang didapatkan berdasarkan penulisan makalah ini adalah Logika fuzzy
dikembangkan berdasarkan bahasa manusia (bahasa alami). Tujuannya untuk menjembatani
bahasa mesin yang presisi dengan bahasa manusia yang menekankan pada makna atau arti
(significance). Logika fuzzy umumnya diterapkan pada masalah-masalah yang mengandung
unsur ketidakpastian (uncertainty), ketidaktepatan (imprecise), dan noisy. Fuzzy logic
merupakan salah satu cabang ilmu artificial intelligence atau yang biasa disebut dengan
kecerdasan buatan. Kecerdasan buatan adalah suatu teknologi yang mampu membuat computer
dapat meniru atau mendekati kecerdasan manusia. Kecerdasan buatan dikembangkan untuk
dapat membantu kegiatan manusia dalam mengambil keputusan.
2.2 Saran
1. Belum dilengkapinya dengan cara penggunaan fuzzy dengan menggunakan matlab.
2. Belum dilengkapinya proses alur Fuzzy Logic beserta contoh penghitungannya.

6
 DAFTAR PUSTAKA

[1] Zadeh, L.A., Fuzzy sets as a basis for a theory of possibility, Fuzzy sets and systems, 1, 3-
28, 1978.
[2] Kusumadewi S., Purnomo H., Aplikasi Logika Fuzzy, Untuk pendukung keputusan, Graha
Ilmu, 2004.
[3] Andani, S. R. (2013). Fuzzy Mamdani Dalam Menentukan Tingkat Keberhasilan Dosen
Mengajar. 1979-2328, 1, 9.
[4] Zimmermann, H.J. 2011. Fuzzy Set Theory and Its Applications. 4 ed . Springer Science
New York.
[5] L.A.Zadeh, “Fuzzy Sets.,” Information and Control, vol. 8, pp. 338–353, 1965
[6] Jarti, N., & Putri, W. L. (2020). PENERAPAN FUZZY INFERENCE SYSTEM
PEMILIHAN DESAIN INTERIOR. 7(1), 75–82.
[7] Kusumadewi, Sri dan Purnomo, Hari. (2010). Aplikasi Logika Fuzzy Untuk pendukung
Keputusan. Graha Ilmu. Yogyakarta.
[8] Meimaharani, R & Listyorini, T. 2014. Analisis Sistem Inference Fuzzy Sugeno Dalam
Menentukan Harga Penjualan Tanah Untuk Pembangunan Minimarket. Jurnal Simetris 5 (1)
:2252-4983.
[9] Kusumadewi, Sri. 2002. Analisis Desain Sistem Fuzzy Menggunakan Tool Box Matlab.
Yogyakarta: Graha Ilmu
[10] Sofwan, A,. PENERAPAN FUZZY LOGIC PADA SISTEM PENGATURAN JUMLAH
AIR BERDASARKAN SUHU DAN KELEMBABAN. Seminar Nasional Aplikasi Teknologi
Informasi 2005 (SNATI 2005)