Logika
fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam
suatu ruang output.
Contoh:
1. Manajer
pergudangan mengatakan pada manajer produksi seberapa banyak persediaan barang
pada akhir minggu ini, kemudian manajer produksi akan menetapkan jumlah barang
yang harus diproduksi esok hari.
2. Pelayan
restoran memberikan pelayanan terhadap tamu, kemudian tamu akan memberikan tip
yang sesuai atas baik tidaknya pelayanan yang diberikan
3. Penumpang
taksi berkata pada sopir taksi seberapa cepat laju kendaraan yang diinginkan,
sopir taksi akan mengatur pijakan gas taksinya
Alasan
Digunakannya Logika Fuzzy
1. Konsep
logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy
sangat sederhana dan mudah dimengerti
2. Logika
fuzzy sangat fleksibel
3. Logika
fuzzy memiliki toleransi terhadap data-data yang tidak tepat
4. Logika
fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks
5. Logika
fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar
secara langsung tanpa harus melalui proses pelatihan
6. Logika
fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
7. Logika
fuzzy didasarkan pada bahasa alami.
Alikasi
Logika Fuzzy
1. Pada
tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang
(Matsushita Electric Industrial Company). Sistem fuzzy digunakan untuk
menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya
kotoran serta jumlah yang akan dicuci.
2.
Transmisi otomatis pada mobil.
3. Kereta
bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu
4. Ilmu
kedokteran dan biologi, seperti sistem diagnosis yang didasarkan pada logika
fuzzy
5.
Manajemen dan pengambilan keputusan, seperti manajemen basisdata, tata letak
pabrik, pembuatan games yang didasarkan pada logika fuzzy
6.
Ekonomi, pemodelan fuzzy pada sistem pemasaran yang kompleks
Profesor
Lotfi A. Zadeh [35] adalah guru besar pada University of California yang
merupakan
pencetus sekaligus yang memasarkan ide tentang cara mekanisme pengolahan atau
manajemen
ketidakpastian yang kemudian dikenal dengan logika fuzzy. Dalam
penyajiannya
vaiabel-variabel
yang akan digunakan harus cukup menggambarkan ke-fuzzy-an tetapi di lain
pihak
persamaan-persamaan yang dihasilkan dari variable-variabel itu haruslah cukup
sederhana
sehingga
komputasinya menjadi cukup mudah. Karena itu Profesor Lotfi A Zadeh kemudian
memperoleh
ide untuk menyajikannya dengan menentukan “derajat keanggotaan” (membership
function) dari masing-masing
variabelnya.
Fungsi
keanggotaan (membership function), Sudradjat [25] adalah suatu
kurva yang
menunjukkan
pemetaan titik input data kedalam nilai keanggotaanya (sering juga disebut
dengan
derajat
keanggotaan) yang memiliki interval antara 0 sampai 1.
· Derajat
Keanggotaan (membership function) adalah : derajat dimana nilai crisp
dengan fungsi keanggotaan ( dari 0 sampai 1 ), juga mengacu sebagai tingkat
keanggotaan, nilai kebenaran, atau masukan fuzzy.
· Label adalah
nama deskriptif yang digunakan untuk mengidentifikasikan sebuah fungsi
keanggotaan.
· Fungsi Keanggotaan adalah mendefinisikan fuzzy set
dengan memetakkan masukan crisp dari domainnya ke derajat
keanggotaan.
· Masukan
Crisp adalah masukan yang tegas dan tertentu.
· Lingkup/Domain adalah
lebar fungsi keanggotaan. Jangkauan konsep, biasanya bilangan, tempat dimana
fungsi keanggotaan dipetakkan.
· Daerah
Batasan Crisp adalah jangkauan seluruh nilai yang dapat diaplikasikan
pada variabel sistem.
Pada
teknik digital, Dubois dan Prade [5], dikenal dua macam logika yaitu 0 dan 1
serta
tiga
operasi dasar yaitu NOT, AND dan OR. Logika semacam ini disebut dengan crisp
logic.
Logika ini
sering dipergunakan untuk mengelompokan sesuatu himpunan. Sebagai contoh, akan
dikelompokkan
beberapa macam hewan, yaitu ‘hiu’, ‘kakap’, ‘pari’, ‘kucing’, ‘kambing’, ‘ayam’
ke dalam
himpunan ikan. Sangat jelas bahwa hiu, kakap dan pari adalah anggota himpunan
ikan
sedangkan
kucing, kambing, ayam adalah bukan anggotanya, seperti ditunjukan pada Gambar
4.2.
Namun kadang kala
ditemui pengelompokan yang tidak mudah. Misalkan variabel umur dibagi
menjadi tiga kategori,
yaitu :
Muda : umur < 35
tahun
Parobaya : 35 ≤ umur ≤
55 tahun
Tua : umur > 55
tahun
Nilai keanggotaan
secara grafis, himpunan muda, parobaya dan tua dapat dilihat pada Gambar
4.3.
Pada Gambar 4.3 dapat
dilihat bahwa :
• Apabila seseorang
berusia 34 tahun, maka ia dikatakan muda (µmuda [34] = 1)
• Apabila seseorang
berusia 35 tahun, maka ia dikatakan tidak muda
(µmuda [35] = 0)
• Apabila seseorang
berusia 35 tahun kurang 1 hari, maka ia dikatakan tidak muda (µmuda [35th
– 1 hr] = 0)
• Apabila seseorang
berusia 35 tahun, maka ia dikatakan parobaya
(µparobaya [35]
= 0)
• Apabila seseorang
berusia 34 tahun, maka ia dikatakan tidak parobaya
(µparobaya [34]
= 0)
• Apabila seseorang
berusia 35 tahun kurang 1 hari, maka ia dikatakan tidak parobaya (µparobaya
[35th – 1 hr] = 0)
Dari sini bisa
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.
Sumber yang saya
dapatkan berupa e-book yang telah saya rangkum sedemikian rupa, jika ingin
mengetahui sumber tersebut, Anda dapat klik link yang saya berikan dibawah ini:
0 komentar:
Posting Komentar