Review on “Fuzzy Logic”

Kelompok 10
Muhammad Zidane W 102119013
Rafi Arya Pramana 102120008
Ahmad Naufal 102120011
Rissa Aulia 102120045
Ficky Miftahul Rizky 102120058
Electrical Engineering
Pertamina University
Jakarta, Indonesia

Abstract— Di studi ini menjawab tantangan-tantangan untuk

kemajuan dari sistem logika tradisional menjadi logika fuzzy,
yaitu dengan mengaplikasikan logika fuzzy pada masalah-
masalah yang mengandung unsur ketidakpastian (uncertainty),
ketidaktepatan (imprecise), noisy. Pada eksperimen yang
dipaparkan di paper tersebut, mobil fuzzy disusun dan
dirancang berbasis logika fuzzy mampu bergerak secara mandiri
disepanjang trek dengan belokan persegi Panjang dan parkir
ditempat yang diinginkan.
Keywords— logika fuzzy; masalah; unsur.
I. PROBLEM YANG DIBAHAS
Semakin beriringan dengan waktu, semakin canggih alat-
alat/layanan/software yang memudahkan pekerjaan manusia
mulai dari asisten google yang bisa melakukan perintah yang
diminta oleh manusia, filter instagram, dan layanan konsumen
virtual, dll. Dalam paper ini, berfokus kepada masalah
bagaimana caranya agar sistem logika tradisional semakin
berkembang ? bagaimana yang harus dilakukan jika ada suatu
keputusan seperti hampir, agak, sedikit dll yang mana bersifat
abu-abu bukan ya/tidak ? bagaimana menyelesaikan masalah
yang mengandung unsur ketidakpastian, ketidaktepatan, dan
noisy?.
II. SOLUSI PAPER
Dari beberapa masalah diatas, terdapat penjelasan
mengenai pemecahan masalah diantaranya dengan
menggunakan logika fuzzy yang berdasarkan kepada
approximate/perkiraan bukan dari presisi/ketepatan. Dengan
berkembangnya zaman, sistem logika menjadi semakin
kompleks dan bisa menyelesaikan masalah yang bersifat abu-
abu ini disebut logika fuzzy yang awal mula dikembangkan
oleh Lotfi A Zadeh di Universitas Barkeley California.
Namun, selain untuk menyelesaikan permasalahan yang
bersifat abu-abu, logika fuzzy juga digunakan untuk
menjembatani bahasa mesin yang presisi (ya/tidak) dengan
bahasa manusia yang menekankan pada makna atau arti.
III. CARA MENGERJAKAN SOLUSI
Terdapat beberapa teori untuk menjadi pemecah masalah
yang berkaitan dengan logika fuzzy dan juga menjadi bahan
analisa engineer berdasarkan teori logika fuzzy. Berikut
beberapa konsep untuk memecahkan masalah logika fuzzy,
yaitu :
A. Meaning Representation and Inference
Masalah yang berkaitan isu penting dalam logika fuzzy
dalam kesimpulan proposisi yang memenuhi syarat,terutama
dalam kualifikasi probabilitas proposisi. Hubungan antara
kualifikasi probabilitas dan kualifikasi kenormalan dan
kuantor fuzzy. Ide dasar fuzzy berfungsi sebagai titik tolak
dalam logika fuzzy sebagai contoh dalam ,
kemudian yang membatasi kumpulan nilai variabel yaitu
Batasan variabel adalah variabel
implisit daripada eksplisit dalam representasi definisi dari p
yang disebut juga canonical form. Representatif
dari p dalam canonical form secara umum adalah penjelasan
mengenai database dan pengujian prosedur dan penggabungan
skor tes. Dalam istilah yang lebih konkrit, the canonical form
dari p menentukan bahwa kemungkinan distribusi dari X sama
dengan A dimana . Dimana impliesnya menyatakan
Poss
B. Silogiesme Fuzzy
Basis silogisme fuzzy dasar dalam logika fuzzy yang relevansi
dengan aturan kombinasi silogisme-silogisme yang berfungsi
sebagai inferensi untuk quantified propositions. Silogisme ini
mungkin akan dinyatakan sebagai aturan dalam inferensi
misal,
Dimana dan adalah kuantifikasi fuzzy, A,B, dan C
adalah fuzzy prediksi, kemudian adalah produk dari
fuzzy numbers dan dan adalah aritmatik fuzzy. Jika
diplot grafiknya maka akan menjadi sebagai berikut
Jika diplot grafiknya maka akan menjadi sebagai berikut
Sebagai contoh
Karena perpotongan B dan C dibatasi di C maka persamaan ini
dinyatakan
Dimana fuzzy number
Dan persamaan ini akan menjadi
Kemudian jika B adalah himpunan bagian dari A, maka A dan
B = B dan persamaan ini direduksi menjadi aturan rantai,maka
C. Inference with Fuzzy Probabilities
Contoh dari masalah penting yang mereduksi program
non-linear bisa diaplikasikan. Asumsikan bahwa basis
pengetahuan KB dimana proposisi konstituen menyimpulkan
proposisi q seperti premis. Sebagai contoh :
Dan
Hasilnya adalah p dan kesimpulan q akan menjadi
proposisi probabilitas yang diekspresikan sebagai
Dimana merupakan fuzzy probabilitas interferensi
penting lainnya yang berkaitan dengan kekokohan proses
inferensi adalah ketahanan tidak akan maju tanpa beberapa
asumsi yang membatasi. Sebuah contoh kurangnya asumsi
dalam fuzzy predikat A, B , dan C. Kesimpulan skematik
sebagai berikut :
D. Interpolation
Dalam pemeceahan masalah interpolasi ini yaitu dengan
menggunakan Teknik interpolasi yang terdapat pada fuzzy
logic yang mana dibutuhkan perhitungan antara kecocokan
parsial dan fakta yang telah disediakan.pada canonical form,
proposisi grup pada KB mungkin dijelaskan sebagai fuzzy
relation
Dan definisikan sebagai
Jika R adalah spasisl relasi jika tidak ada jarak maka R
mempunyai derajat konsistensi dengan n-tuple. Dan dalam
studi kasus seperti ini Teknik interpolasi yang lebih umum
harus digunakan pada perhitungan empiris.
E. Basic Rules of Inference
Hal yang membedakan logika fuzzy adalah dimana tempat
(premise) dan kesimpulan adalah aturan yang dinyatakan
dalam bentuk kanokik. Secara singkat setiap premis dalam
logika fuzzy membatasi variable dan kesimpulannya adalah
batasan induksi yang terhitung. Seperti contoh pada entailment
principle, dari proposisi mary masih muda, yang dimana jika
dijadikan bentuk kanonik menjadi umur(mary) masih MUDA.
Dimana MUDA ditafsirkan sebagai fuzzy set, atau, ekuivalen
Jika dilihat dari sudat pandang yang berbeda, entailment
principle dapat didefinisikan sebagai prinsip pewarisan.
Seperti contoh jika proposisi X adalah A ditafsirkan sebagai X
memiliki property A, maka kesimpulan X adalah B dapat
ditafsirkan sebagai X memiliki property B dimana B adalah
setiap superset dari A.
dalam modus ponens disposisi, premis-premis dalam
generalisasi modus onens memenuhi syarat biasa, dan dikasus
tersebut seseorang dapat menggunakan disposisional modus
ponens, sebagai contoh seperti gambar di bawah ini
alami atau sintetis. Misalnya, "Usia" adalah linguistik variabel
jika nilainya "muda", "tidak" muda”, “sangat muda”, “tua”,
“tidak” tua”, “sangat tua”, dan seterusnya
Aplikasi yang menarik dari variabel linguistik diwujudkan
dalam mobil fuzzy disusun dan dirancang oleh Sugeno dari
Institut Teknologi Tokyo.’ The sistem kontrol berbasis logika
fuzzy mobil memungkinkan itu bergerak secara mandiri di
sepanjang trek dengan belokan persegi panjang dan parkir di
tempat yang ditentukan ruang.

Dimana “biasanya”adalah kuadrat dari “biasanya2”,

sebagai contoh lain Ketika premis “X is A” dapat tdinyatakan
sebagai “Nilai probabilitas bersyarat fuzzy dari B yang
diberikan A adalah bilangan fuzzy BIASANYA ."
Prinsip ekstensi memainkan peran penting dalam logika
fuzzy dengan menyediakan mekanisme untuk komputasi
kendala yang diinduksi. rinsip ekstensi disposisional Figure 6 : The Sugeno fuzzy car
memainkan peran penting dalam inferensi dari pengetahuan
akal sehat Ide dasar di balik fuzzy Sugeno mobil adalah sebagai
berikut. Variabel yang dikendalikan Y, yang merupakan sudut
Linguistic variable adalah konsep dasar logika fuzy yang kemudi, adalah diasumsikan sebagai fungsi dari variabel
menjadi peran kunci dalam banyak aplikasi. Secara umum, keadaan XI, x,, x,, . . . , x,,, yang menyatakan jarak mobil dari
nilai-nilai variabel linguistik dapat dihasilkan dari istilah batas trek di sudut .Nilai-nilai ini diperlakukan sebagai
(misalnya, "muda") antonimnya (“lama”), kumpulan pengubah variabel linguistik, dengan istilah utama direpresentasikan
(“tidak,” “sangat”, “kurang lebih”, “cukup”, “tidak” sangat,” sebagai distribusi kemungkinan segitiga.
dll.), dan kata penghubung “dan” dan “atau.”. Seperti yang
ditunjukkan pada gambar di bawah ini

Bentuk dispositional seperti berikut :

, Figure 7. The State Variables in Sugeno's car

F. The linguistic variable and its application to fuzzy

control
Sebuah konsep dasar dalam logika fuzzy yang memainkan
peran kunci dalam banyak aplikasinya, terutama di bidang
kontrol fuzzy dan sistem pakar fuzzy, adalah linguistik
variabel. Variabel linguistik, seperti namanya, adalah variabel
yang nilainya berupa kata-kata atau kalimat dalam bahasa

Figure 8. The Linguistic Values Of State Variables
Pada dasarnya, ia memiliki memori fuzzy, satu set
mesin inferensi, blok MAX, dan penghilang bau. Komputer
dirancang untuk: memproses input linguistik,
misalnya,“kurang lebih kecil” dan “sangat besar”,yang
diwakili oleh tegangan analog pada bus data. Sebuah RAM
biner, sebuah array dari register dan fungsi keanggotaan
generator membentuk fuzzy komputer Penyimpanan.Masukan
linguistik diumpankan ke inferensi mesin secara paralel,
dengan setiap aturan menghasilkan sebuah keluaran.
Keluarannya dijumlahkan dalam blok MAX, menghasilkan
keseluruhan fuzzy output yang muncul di bus data output
sebagai satu set tegangan analog terdistribusi. Di kontrol fuzzy
cerdas dan aplikasi lain yang membutuhkan perintah
nonfuzzy, keluaran fuzzy diumpankan ke defuzzifier untuk
transformasi menjadi output yang tajam.
IV. FUTURE WORKS
Meskipun logika fuzzy dikembangkan di amerika, namun
negara jepang yang lebih mempopulerkan dan
mengaplikasikannya ke dalam bidang kendali, diantaranya
proyek yang masih digarap yaitu operasi kereta otomatis
(Hitachi), kontrol kendaraan (Laboratorium Sugeno di Institut
Teknologi Tokyo) robot pengenal suara (Ricoh), robot control
(Laboratorium Hirota di Universitas Hosei), pengontrol
universal (Fuji), dan kontrol stabilisasi (Laboratorium
Yamakawa di Universitas Kumamoto), mobil listrik tesla
(Amerika). Dan mungkin akan lebih banyak negara yang
mengaplikasikan logika fuzzy pada teknologinya.
V. REFERENCE
[1] L.A. Zadeh, “Fuzzy Algorithms,” Information and Control, Vol. 12,
1968, pp. 94- 102.
[2] L.A. Zadeh, “A Rationale for Fuzzy Control,” J. Dynamic Systems,
Measurement and Control, Vol. 94, Series G, 1972, pp. 3-4.
[3] L.A. Zadeh, “Outlineofa New Approach to the Analysis of Complex
Systems and Decision Processes,” IEEE Trans. Systems, Man,
andcybernetics, Vol. SMC-3,1973, pp. 28-44.
[4] E.H. Mamdani and S. Assilian, “A Case Study on the Application of
Fuzzy Set Theory to Automatic Control,” Proc. IFAC Stochastic
ControlSymp., Budapest, 1974.
[5] Preprints of the Second Congress of the International Fuzzy Systems
Association, Tokyo, Japan, 1987.
[6] L.A. Zadeh, “Test-Score Semantics as a Basic for a Computational
Approach to the Representation of Meaning,” Literary and Linguistic
Computing, Vol. 1, 1986, pp. 24-35.
[7] D. Duboisand H. Prade, TheoriedesPossibilites, Masson, Paris, 1985.
[8] L.A. Zadeh, “The Role of Fuzzy Logic in the Management of
Uncertainty in Expert Systems,” Fuw Sets and Systems, Vol. 11,
, 2015.