NIM : E1E120025
Mata Kuliah : Logika Fuzzy
Soal
Jelaskan Perbedaan Metode Fuzzy Tsukamoto, Mamdani, Dan Sugeno?
Jawaban:
1. Metode Fuzzy Tsukamoto
Metode fuzzy Tsukamoto adalah pendekatan spesifik dalam bidang logika fuzzy yang
lebih luas, yang dikembangkan oleh Profesor Yasuo Tsukamoto. Logika fuzzy adalah
kerangka matematika yang berhubungan dengan ketidakpastian dan ketidaktepatan
dengan membiarkan nilai-nilai ada di antara keadaan biner (benar atau salah). Metode
Tsukamoto terutama digunakan dalam proses pengambilan keputusan di mana
ketidakpastian dan ketidakjelasan sering terjadi.
Karakteristik:
1) Himpunan Fuzzy:
Metode Tsukamoto menggunakan himpunan fuzzy untuk merepresentasikan
variabel linguistik. Berbeda dengan himpunan klasik yang bersifat biner,
himpunan fuzzy memungkinkan adanya derajat keanggotaan. Artinya suatu
elemen dapat menjadi anggota suatu himpunan sampai derajat tertentu, antara 0
dan 1.
2) Sistem Berbasis Aturan:
Pengambilan keputusan dalam metode Tsukamoto didasarkan pada aturan.
Aturan-aturan ini dinyatakan dalam bentuk pernyataan “jika-maka” dan
melibatkan variabel linguistik. Misalnya, "Jika suhunya tinggi, berarti AC-nya
kuat." Aturan-aturan ini menangkap pengetahuan dan pengalaman ahli.
3) Mekanisme Inferensi:
Metode ini menggunakan mekanisme inferensi untuk menarik kesimpulan
berdasarkan aturan yang ditentukan. Ini menggabungkan dan mengagregasi nilai
fuzzy yang diperoleh dari aturan untuk menghasilkan keluaran fuzzy. Proses ini
melibatkan operasi logika fuzzy seperti AND, OR, dan NOT.
4) Defuzzifikasi:
Langkah terakhir adalah defuzzifikasi, dimana keluaran fuzzy diubah menjadi
nilai crisp. Hal ini diperlukan untuk aplikasi praktis yang memerlukan nilai
presisi. Metode yang berbeda dapat digunakan untuk defuzzifikasi, seperti
keanggotaan centroid atau max.
Kelebihan:
1) Menangani Ketidakpastian:
Salah satu keunggulan utamanya adalah efektivitasnya dalam menangani
ketidakpastian. Dalam skenario dunia nyata di mana informasi sering kali tidak
jelas atau tidak tepat, metode fuzzy Tsukamoto menyediakan mekanisme untuk
memodelkan dan menangani ketidakpastian ini.
2) Variabel Linguistik:
Hal ini memungkinkan penggunaan variabel linguistik, membuatnya lebih dapat
ditafsirkan dan lebih dekat dengan penalaran manusia. Daripada berurusan
dengan nilai-nilai numerik yang ketat, metode ini mengakomodasi istilah-istilah
seperti "tinggi", "rendah", "panas", dan "dingin", yang lebih mudah
diartikulasikan oleh para ahli.
3) Implementasi Sederhana:
Metode ini relatif mudah untuk diterapkan dibandingkan dengan beberapa
pendekatan pengambilan keputusan lainnya. Sifat logika fuzzy yang berbasis
aturan membuatnya dapat diakses, khususnya dalam situasi di mana model
matematika yang kompleks mungkin menantang.
Kekurangan:
1) Representasi Pengetahuan:
Membangun aturan fuzzy yang akurat memerlukan pemahaman yang mendalam
tentang sistem, dan representasi pengetahuan ini dalam bentuk aturan bisa bersifat
subjektif. Keberhasilan suatu metode sangat bergantung pada kualitas aturan yang
ditetapkan oleh para ahli.
2) Kompleksitas Komputasi:
Meskipun secara konseptual sederhana, kompleksitas komputasi dapat meningkat
seiring dengan bertambahnya jumlah aturan dan variabel. Hal ini mungkin
mempengaruhi kecepatan dan efisiensi sistem, terutama dalam situasi dengan
sejumlah besar variabel masukan dan struktur aturan yang kompleks.
3) Subyektivitas:
Sistem logika fuzzy dikritik karena subjektivitasnya dalam mendefinisikan
variabel dan aturan linguistik. Pakar yang berbeda mungkin menciptakan sistem
fuzzy yang berbeda untuk masalah yang sama, dan penafsiran aturan dapat
bervariasi.