Nama: M.

Osama Ibrahim

Kelas : 6EA

NPM: 062030320093

Mata Kuliah : Artificial Intelegent

Dosen Pengampu: Dr. Nyayu Latifah Husni, S. T, M. T.

UTS: Pengertian Fuzzy Logic serta Contoh, Pengertian Neural Network.

1. Penjelasan Logika Fuzzy

 Logika Fuzzy adalah logika yang memliki kemampuan untuk
menginterpretasikan suatu nilai diantara nilai benar atau salah, 1 atau 0, Low
atau High, 0 Volt atau 5 Volt, dan lain sebagainya. Logika ini menganggap
bahwa terdapat pembagian lagi diantara kedua nilai tersebut. Sehingga logika
ini sering dikatakan sebagai logika kabur atau abu.
 Logika fuzzy dikembangkan dari bahasa manusia atau bahasa alami. Tujuan
utama dari logika fuzzy adalah untuk menjembatani bahasa mesin yang presisi
dengan bahasa manusia dengan penekanan pada makna atau arti. Beberapa
masalah yang mengandung unsur ketidakpastian, ketidaktepatan, noisy, dan
hal lainnya dapat menerapkan logika fuzzy.
 Logika fuzzy menggambarkan ketidakjelasan dan memeta-kan nya.
 Merupakan logika yang memiliki lingkup fuzzy yang mengkalibrasi
ketidakjelasan
 Menganggap sesuatu memiliki nilai derajat walau sekecil apapun nilai
tersebut.
2. Kasus Mengenai Logika Fuzzy

 Seseorang akan dikatakan tinggi bila memiliki tinggi badan lebih dari 1,7
meter. Bagaimana dengan seseorang yang memiliki tinggi badan 1,68 meter?
Orang tersebut dapat dikategotikan sebagai kurang lebih tinggi atau agak
tinggi.
 Kecepatan mobil dikatakan pelan apabila berada dibawah 20km/jam.
Bagaimana dnegan kecepatan mobil 20,5km/jam? Kecepatan tersebut dapat
dikatakan dalam agam pelan.
 Sebuah benda dengan massa 2kg dianggap ringan, apakah 2,1 kg dikatakan
agak berat? Apakah secara langsung dikatakan benda yang tergolong berat?
3. Contoh Kasus Pada Logika Fuzzy dan pemetaan.
Tiga buah Modul sensor Light Depend Resistor (Sensor Intensitas Cahaya) dipasang
pada sebuah Ruangan, sensor tersebut dikode dengan pembacaan mapping(0, 1023);
menggunakan bahasa C pada sebuah rumah, lampu tersebut dihubungkan dengan
relay 2 channel dan ditenagai dengan tegangan 220VAC,

Instalasi Lampu pada rumah tersebut dirancang memiliki dua buah lampu yang
disusun dengan sedemikian rupa peletakannya agar dapat membuat ruangan menjadi
terang, redup, gelap.

4. Proses atau Langkah – langkah Fuzzy berdsasarkan Contoh Kasus Soal no 3

 Pembentukan Himpunan Fuzzy, pembentukan ini dilakukan dengan membuat
nilai di antara 1 dan 0. Contohnya seperti, terang dan gelap. Diantara nilai
tersebut dapat dipecah lagi menjadi beberapa bagian lagi, seperti agak gelap,
sedang, agak terang, dan terang. Dengan nilai 0 – 1023 didapat pemetaan
himpunan dengan ketentuan yang berbeda, misal 0 – 255 gelap, lalu 256 – 512
redup, 513 – 768 agak terang, dan 769 – 1023 terang. Pembacaan nilai analog
dalam mikrokoontroller dapat dihitung per 10 bit dimana 2^10 (1023) = 0 –
1023.
 Aturan Fuzzy, Menentukan aturan fuzzy dengan parameter dan memenuhi
parameter maka,dalam kasus ini jika parameter sensor memenuhi nilai yang
ditentukan diantara 0 – 1023, yang akan terjadi adalah tereksekusi perintah
maka, dimana akan mengeksekusi suatu perintah yang akan dibuat aturannya.
Misalnya, jika sensor LDR = 100, maka lampu mati.
 Fuzzifikasi, Memanipulasi nilai – nilai input pada kontroler menjadi nilai –
nilai yang dapat dipetakan yang telah disesuaikan sebelumnya (Aturan Fuzzy).
Aturan – aturan yang telah ditetapkan setelahnya akan dapat dilakukan
inferensi.
 Inferensi Fuzzy, Melakukan penyesuaian terhadap aturan – aturan yang telah
ditetapkan pada fuzifikasi dan menghasilkan nilai – nilai fuzzy pada keluaran.
Penggabungan aturan Input dan Output akan menghasilkan beberapa
kesimpulan.
 Defuzzifikasi, Langkah terakhir adalah mengubah nilai-nilai fuzzy pada
variabel output menjadi nilai crisp (non-fuzzy) yang dapat digunakan sebagai
hasil akhir. Hal ini dilakukan dengan menggunakan metode tertentu seperti
metode centroid atau metode rata-rata tertimbang.

Berikut adalah contoh sederhana penggunaan fuzzy logic untuk mengontrol suhu
ruangan:

1. Pembentukan Himpunan Fuzzy

Variabel Masukan: Intensitas Cahaya: Terang, Redup, Gelap.
Variabel Keluaran: Lampu A dan Lampu B, Nyala – nyala, mati – mati, mati –
nyala, nyala – mati.

2. Aturan Fuzzy (Rules)

Aturan 1: Jika gelap, maka Lampu A dan Lampu B on.
Aturan 2: Jika redup, maka Lampu A on & dan Lampu B off (sebaliknya
juga).
Aturan 3: Jika agak terang, maka Lampu A dan Lampu B off

3. Fuzzifikasi
Jika intensitas ruangan adalah 255 ADC, maka ruangan dapat dinyatakan
sebagai "gelap" dengan tingkat keanggotaan 0.2, "redup" dengan tingkat
keanggotaan 0.4, dan "agak terang" dengan tingkat keanggotaan 0,6.

4. Inferensi Fuzzy
 Input Sensor Cahaya
Input sensor cahaya diberi beberapa pembagian secara teratur dengan
membagi masing-masing nilai 2^10 : 4 sehingga memperoleh rentang
nilai yang rata

Intensitas Cahaya Variabel Simbol Keterangan

0-255 Gelap L Low
256-512 Redup M Medium
513-768 Terang H High
769-1023 - -
  Output Sensor Cahaya
Output Sensor Cahaya memberikan relay pada llampu A dan lampu B
berlogika HIGH untuk mengaktifkan Relay tersebut pada Normally
Open, sehingga saat logika 1 atau HIGH akan menutup NO menjadi
Normally Close.

Keadaan Ruang
Intensitas Cahaya Variabel Simbol
Sebelum Nyala Lampu
0-511 Lampu A dan
G Gelap
(<=511) Lampu B Menyala
Lampu A Menyala
255-767
dan Lampu B Mati R Redup
(>= 255 || <=767)
Sebaliknya
768-1023 Lampu A dan
T Terang
(>=768 || <=1023) Lampu B Mati
1023 - - -
 Input Membership Function
Pemetaan Membership Function menggunakan grafik, dapat dilihat
pembagian nilai ADC sebagai input yang akan memberikan output
pada relay sehingga dapat mengaktifkan Lampu.

 Output Membership Function

 Berikut adalah Output membership Fuzzy yang akan menyalakan
kedua buah lampu. Seperti yang diatur pada grafik telah diberikan nilai
tertentu pada ADC yang akan mengkontak relay 2 channel.

 Persamaan Fuzzy pada Input Membership Function

 Ilustrasi Skematik Diagram
Rangkaian ini menunjukkan bagaimana interacing antara lampu
220VAC, Mikrokontroler, Dan relay 2 Channel
  Rules Fuzzy
No. L1 L2 L3 R1 R2 Kondisi
1. L G G Lampu A dan Lampu B Menyala
2. L M G R Lampu A dan Lampu B Menyala
3. H G T Lampu A dan Lampu B Menyala
4. L R G Lampu A dan Lampu B Menyala
5. L M M R R Lampu A Menyala dan Lampu B Mati
6. H R T Lampu A Menyala dan Lampu B Mati
7. L R G Lampu A Menyala dan Lampu B Mati
8. H M R R Lampu A Menyala dan Lampu B Mati
9. H R T Lampu A dan Lampu B Mati
10. L R G Lampu A Menyala dan Lampu B Mati
11. L M R R Lampu A dan Lampu B Mati
12. H R T Lampu B Menyala dan Lampu A Mati
13. L G G Lampu B Menyala dan Lampu A Mati
14. M M M R R Lampu A dan Lampu B Mati
15. H R T Lampu A dan Lampu B Mati
16. L R G Lampu B Menyala dan Lampu A Mati
17. H M R R Lampu B Menyala dan Lampu A Mati
18. H H T Lampu A dan Lampu B Mati
19. L T G Lampu B Menyala dan Lampu A Mati
20. L M T R Lampu B Menyala dan Lampu A Mati
21. H T T Lampu A dan Lampu B Mati
22. L R G Lampu B Menyala dan Lampu A Mati
23. H M M R R Lampu A dan Lampu B Mati
24. H R T Lampu A dan Lampu B Mati
25. L R G Lampu A dan Lampu B Mati
26. H M T R Lampu A dan Lampu B Mati
27. H T T Lampu A dan Lampu B Mati
No. L1 L2 L3 Condition
1. L Gelap
2. L M Gelap
3. H Gelap
4. L Gelap
5. L M M Redup
6. H Redup
7. L Redup
8. H M Redup
9. H Terang
10. L Redup
11. L M Terang
12. H Redup
13. L Redup
14. M M M Terang
15. H Terang
16. L Redup
17. H M Redup
18. H Terang
19. L Redup
20. L M Redup
21. H Terang
22. L Redup
23. H M M Terang
24. H Terang
25. L Terang
26. H M Terang
27. H Terang
  Perhitungan Fuzzy Logic
Berikut adalah Perhitungan Fuzzy Logic, dengan perhimpunan 3
variabel: Gelap, Redup, Terang.
Input Sensor intensitas cahaya (ADC):

Keadaan Ruang
Intensitas Cahaya Variabel Simbol
Sebelum Nyala Lampu
0-511 Lampu A dan
G Gelap
(<=511) Lampu B Menyala
Lampu A Menyala
255-767
dan Lampu B Mati R Redup
(>= 255 || <=767)
Sebaliknya
768-1023 Lampu A dan
T Terang
(>=768 || <=1023) Lampu B Mati
1023 - - -

Input sensor intensitas cahaya berdasarkan himpunan Fuzzy:

 Titik Tengah antara:

1) Gelap – Redup = 383.5 ADC

Dimana (Titik Gelap + Titik Redup) / 2 = (255 + 512) / 2 = 383.5
2) Redup – Terang = 640 ADC
Dimana (Titik Redup + Titik Terang) / 2 = (512 + 768) / 2 = 640
3) Terang – Sangat Terang = 895.5
Dimana (Titik Terang + Titik Sangat Terang) / 2 = (768 + 1023) / 2 =
895.5

A. Gelap
a) t(X) Gelap: 1, X <= 255
Keadaan gelap t(X) = {(512 – X) / 257, 255 <= X <= 512}
0, X >= 512
0, X<= 255
b) n(X) Gelap:
Keadaan gelap n(X) = {(X – 255) / 257, 255 <= X <= 512}
1, X>= 512
Degree of Membership
Ruangan gelap t = 512 − X = 512 − 383,5 = 128.5 = 0.5
257 257 257
 B. Redup
c) t(X) Redup: 1, X <= 512
Keadaan gelap t(X) = {(768 – X) / 256, 512 <= X <= 768}
0, X >= 768
0, X<= 512
d) n(X) Redup:
Keadaan gelap n(X) = {(X – 512) / 256, 512 <= X <= 768}
1, X>= 768
Degree of Membership
Ruangan redup t = 768 − X = 768 − 640 = 128 = 0.5
256 256 256

Ruangan redup n = X−512 = 640 − 512 = 128 = 0.5

256 256 256

C. Terang
e) t(X) Terang: 1X<= 768
Keadaan gelap n(X) = {( 1023 – X ) / 255, 768 <= X <= 1023}
0, X >= 1023
0, X<= 768
f) n(X) Terang:
Keadaan gelap n(X) = {(X – 768) / 255, 768 <= X <= 1023}
1, X>= 768
1023 − X 1023−895.5 127.5
Ruangan terang t = = = = 0.5
255 255 255

Ruangan terang n = X −768 =895.5 −768 = 127.5 = 0.5

255 255 255

5. Pengertian Neural Network, ANN, CNN, RNN.

6. Contoh ANN, CNN, dan RNN.
7. Pengertian Particle Swarm Optimization (PSO).