Logika Fuzzy

1. Logika Fuzzy

Logika fuzzy adalah salah satu komponen pembentuk soft computing. Logika fuzzy pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun 1965. Dasar logika fuzzy adalah 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 dalam penalaran dengan logika fuzzy tersebut (Kusuma Dewi, 2003). Logika fuzzy dapat dianggap sebagai kotak hitam yang berhubungan antara ruang input menuju ruang output (Kusuma Dewi, 2003). Kotak hitam tersebut berisi cara atau metode yang dapat digunakan untuk mengolah data input menjadi output dalam bentuk informasi yang baik.

2. Alasan Digunakannya Logika Fuzzy

Adapun beberapa alasan digunakannya logika fuzzy (Kusuma Dewi, 2003), adalah:
  1. Konsep logika fuzzy mudah dimengerti. Karena logika fuzzy menggunakan dasar teori himpunan, maka konsep matematis yang mendasari penalaran fuzzy tersebut cukup mudah untuk dimengerti.
  2. Logika fuzzy sangat fleksisbel, artinya mampu beradaptasi dengan perubahan-perubahan, dan ketidakpastian yang menyertai permasalahan.
  3. Logika fuzzy memiliki toleransi terhadap data yang cukup homogeny, dan kemudian ada beberapa data "eksklusif", maka logika fuzzy memiliki kemampuan untuk menangani data eksklusif tersebut.
  4. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan. Dalam hal ini, sering dikenal dengan istilah fuzzy expert sistem menjadi bagian terpenting.
  5. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. Hal ini umumnya terjadi pada aplikasi di bidang teknik mesin maupu teknik elektro.
  6. Logika fuzzy didasari pada bahasa alami. Logika fuzzy menggunakan bahasa sehari-hari sehingga mudah dimengerti.

3. Himpunan Fuzzy

Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan (X), memiliki dua kemungkinan, yaitu:
  1. Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau
  2. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.
Contoh: Misalkan variabel umur dibagi menjadi tiga kategori, yaitu: MUDA umur < 35 tahun PAROBAYA 35 ≤ umur ≤ 55 tahun TUA umur > 55 tahun Dari kategori diatas dapat dijelaskan bahwa:
  1. Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA ( (34)=1)
  2. Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA ( (35)=0)
  3. Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK MUDA ( (35-1 hari)=1)
  4. Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA ( (34)=1)
  5. Apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK PAROBAYA ( (34)=0)
  6. Apabila seseorang berusia 55 tahun, maka ia dikatakan PAROBAYA ( (55)=1)
  7. Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK PAROBAYA ( (35-1 hari)=0)
Dari sini dapat dikatakan bahwa pemakaian himpunan crisp untuk menyatakan umur sangat tidak adil. Adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan. Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Seseorang dapat masuk dalam dua himpunan yang berbeda, MUDA dan PAROBAYA, PAROBAYA dan TUA, dan sebagainya. Seberapa besar eksistensinya dalam himpunan tersebut dapat dilihat pada nilai keanggotaanya. Gambar berikut menunjukkan himpunan fuzzy untuk variabel umur. Pada gambar diatas, dapat dilihat bahwa:
  1. Seseorang yang berumur 40 tahun, termasuk dalam himpunan MUDA dengan ( (40) = 0,25); namun dia juga termasuk dalam himpunan PAROBAYA ( (40) = 0,5).
  2. Seseorang yang berumur 50 tahun, termasuk dalam himpunan TUA dengan ( (50) = 0,25); namun dia juga termasuk dalam himpunan PAROBAYA ( (50)=0,5).
Terkadang kemiripan antara keanggotaan fuzzy dengan probabilitas menimbulkan kerancuan. Keduanya memiliki nilai interval [0,1], namun interpretasi nilainya sangat berbeda antara kedua kasus tersebut. Keanggotaan fuzzy memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan probabilitas mengindikasikan proporsi terhadap keseringan suatu hasil bernilai benar dalam jangka panjang. Misalnya, jika nilai keanggotaan bernilai suatu himpunan fuzzy USIA adalah 0,9; maka tidak perlu dipermasalahkan berapa seringnya nilai itu diulang secara individual untuk mengharapkan suatu hasil yang hampir pasti muda. Dilain pihak, nilai probilitas 0,9 usia berarti 10% dari himpunan tersebut diharapkan tidak muda (Kusuma Dewi, 2003). Himpunan Fuzzy memiliki 2 atribut (Kusuma Dewi, 2003), yaitu:
  1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, speerti: MUDA, PAROBAYA, TUA.
  2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel seperti: 40, 25, 50, dsb.
Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy (Kusuma Dewi, 2003), yaitu:
  1. Variabel fuzzy yaitu variabel yang hendak dibahas dalam suatu sistem fuzzy. Contohnya: umur, temperature, permintaan, dsb.
  2. Himpunan fuzzy yaitu suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Contohnya: variabel temperatur, terbagi menjadi 5 himpuan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.
  3. Semesta Pembicaraan yaitu keseluruhan nilai yang diperoleh untuk dioperasikan dalam suatu variabel fuzzy, semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri kekanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya. Contohnya semesta pembicaraan untuk variabel umur: [0 +∞].
Domain Himpunan Fuzzy yaitu keseluruhan nilai yang diijinkan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif. Contoh domain himpuanan fuzzy: DINGIN = [0,20], SEJUK = [15,20], NORMAL = [20,30], HANGAT = [25,35] dan PANAS = [30,40].
Fuzzy

Komentar 0

Related Posts

Elasticsearch

Database SQLite

Database MySQL

Sifat-Sifat Benda, Pengenalan Sifat Fisik dan Sifat Kimia