MAKALAH TEORITIKAL FUZZY LOGIC

MAKALAH TEORITIKAL FUZZY LOGIC

Tugas Mata Kuliah

Pengantar Teknologi Sistem Cerdas

Disusun Oleh :

Nurul Hidayat

Ragil Satria (15115539 )

Raspati Hadjar P ( 15115669 )

Rendi Yusuf

Rendra Yonathan

Syendi Nazera ( 16115775 )

Tri Fitriana R

TriSandi Ndu U (15115539 )

UNIVERSITAS GUNADARMA

2017/2018

PENDAHULUAN

1. Latar Belakang

Bagaimana mendefinisikan dunia tempat kita hidup di hari ini? Bagaimana kita melihat hal-hal di sekitar kita? Sebagian besar dari kita diajarkan dari usia yang sangat muda untuk melihat dunia dalam hal hitam dan putih, A-atau-bukan-A, Boolean 1 atau 0. Banyak ilmu pengetahuan, matematika, logika, dan bahkan budaya mengasumsikan dunia 1 dan 0 itu, benar atau salah, panas atau dingin, A-atau-tidak-A. Apakah ada atau setengah setengah hilang? Apakah setengah gelas penuh atau setengah kosong? Apakah mobil akan cepat atau lambat? Masing-masing pertanyaan ini mengenai hal  grayness di dunia biasanya menjelaskan dalam warna hitam dan putih.

Rene Descartes berpikir tentang perubahan sepotong lilin seperti meleleh di depan perapian. Pada titik melakukan perubahan dari sepotong lilin menjadi genangan lilin? Ada beberapa periode perubahan dari padat menjadi cair.

Grayness adalah ketidakjelasan. Einstein bertanya-tanya tentang grayness tersebut. “Sejauh hukum matematika mengacu pada realitas, mereka tidak yakin. Dan sejauh mereka yakin, mereka tidak mengacu pada realitas, “katanya [13]. Mereka menggambarkan dunia sebagai sistem yang rapi dan teratur tanpa grayness. Matematika dan ilmu pengetahuan mencoba menyesuaikan setiap proses di dunia untuk persamaan dan persamaan yang rapi dan terorganisir. Bayangkan dunia tanpa grayness. Tidak mungkin. Dunia yang kita hidup di sangat berantakan dan termasuk banyak  grayness didalamnya. Dengan matematika dan ilmu pengetahuan, kita telah mengamati kecenderungan tertentu dan hubungan yang tetap berlaku untuk jangka waktu dan didefinisikan mereka sebagai logika matematika dan hukum ilmiah. Kebenaran logika dan undang-undang hanyalah masalah derajat dan dapat berubah setiap saat [13]. Matahari dapat membakar dan tidak pernah bangkit kembali. Bulan bisa berhenti berputar mengelilingi bumi. Hukum ini rapi dan terorganisir dan aturan akan mengalami perubahan. Ada unsur grayness yang hadir bahkan dalam matematika dan sains.

Untuk lebih menjelaskan perbedaan antara model ilmiah atau matematis hitam dan putih dibandingkan dengan model dunia nyata, pertimbangkan ketika seseorang berubah dari remaja ke dewasa [13]. Gambar 1 menunjukkan grafik Representasi Ilmiah. Hal ini menunjukkan bahwa seseorang adalah baik dewasa maupun non-dewasa. Filsafat Aristoteles didasarkan pada A-atau tidak A. Ia merumuskan Hukum Tengah dikecualikan, yang mengatakan segala sesuatu yang jatuh ke dalam salah satu kelompok atau yang lain, tetapi tidak bisa di kedua [8].

Gambar 1.1 : Representasi Ilmiah

Gambar 2 menunjukkan grafik yang sama dengan naungan prinsip abu-abu, A-dan-tidak-prinsip A. Ia tidak mengikuti hukum Aristoteles tentang bivalensi. Kemungkinannya adalah seseorang akan memiliki karakteristik beberapa orang dewasa dan beberapa karakteristik non-dewasa. Untuk tingkat tertentu mereka adalah orang dewasa dan untuk beberapa derajat mereka tidak dewasa.

Gambar 1.2: Representasi Grayness

representasi ini tampaknya paling akurat menggambarkan dunia yang kita hidup ini. Namun, ide ini ditantangan oleh Aristoteles dan filsafat yang sebagian besar dunia telah memeluk begitu lama.

Grayness adalah ide kunci dari logika fuzzy. Logika Fuzzy adalah nama yang diberikan kepada analisis yang berusaha untuk menentukan bidang grayness yang begitu tepat dengan karakteristik dunia yang kita tinggal. Logika fuzzy merupakan alternatif ke A-atau-bukan-A, Boolean 1 dan 0 definisi logika dibangun ke dalam masyarakat. Ia berusaha untuk menangani konsep kebenaran parsial dengan menciptakan nilai-nilai yang mewakili apa yang ada antara kebenaran dan kepalsuan. Logika fuzzy dapat digunakan di hampir aplikasi apapun dan berfokus pada penalaran perkiraan.

PEMBAHASAN

2. SEJARAH

Logika fuzzy dimulai pada tahun 1965 dengan kertas yang disebut “Fuzzy Sets” oleh seorang pria bernama Lutfi Zadeh. Zadeh adalah profesor imigran dan Iran dari teknik elektro UC Berkeley, departemen ilmu komputer. Sambungan sejarah pertama logika fuzzy dapat dilihat dalam pemikiran Buddha, pendiri agama Buddha sekitar 500 SM. Dia percaya bahwa dunia itu penuh dengan kontradiksi dan semuanya berisi beberapa kebalikannya. Bertentangan dengan pemikiran Buddha, filsuf Yunani Aristoteles menciptakan logika biner melalui Hukum Tengah dikecualikan. Sebagian besar dunia Barat menerima filosofi dan itu menjadi dasar pemikiran ilmiah. Masih hari ini, jika ada sesuatu yang terbukti secara logis benar, itu dianggap ilmiah benar [7].

Sebelum Zadeh, seorang pria bernama Max Black menerbitkan sebuah makalah pada tahun 1937 disebut “ketidakjelasan: Latihan di Logical Analysis” [13]. Gagasan bahwa Black terjawab adalah hubungan antara ketidakjelasan dan sistem berfungsi. Zadeh, di sisi lain, melihat hubungan ini dan mulai mengembangkan iden nya tentang logika “kabur” dan fuzzy set. Ide-ide Zadeh’s mengalami banyak perlawanan dari dunia Barat. Ada tiga kritik utama. Yang pertama adalah bahwa orang ingin melihat logika fuzzy diterapkan. Hal ini tidak terjadi untuk kadang-kadang karena ide-ide baru membutuhkan waktu untuk menerapkan. Kritik kedua datang dari sekolah probabilitas. Fuzzy logic menggunakan angka antara 0 dan 1 untuk menggambarkan derajat fuzzy. Probabilists merasa bahwa mereka melakukan hal yang sama [13]. Kritik ketiga adalah yang terbesar. Logika fuzzy untuk bekerja, orang harus setuju bahwa A-dan-tidak-A adalah benar. Ini ilmu pengetahuan modern mengancam dan ide-ide matematika. Akibatnya, dunia Barat menolak logika fuzzy untuk jangka waktu tertentu.

Pada tahun 1980, Jepang memiliki lebih dari 100 perangkat logika fuzzy [13]. Menurut Zadeh, pada tahun 1994, Amerika Serikat hanya menempati peringkat ketiga dalam aplikasi fuzzy belakang Jepang dan Jerman [2]. Masih hari ini, Amerika Serikat, beberapa tahun belakang dalam pengembangan dan implementasi logika fuzzy.

Zadeh ingat bahwa ia memilih kata “kabur” karena ia “merasa paling akurat menggambarkan apa yang sedang terjadi di dalam teori” [2]. Kata-kata lain yang ia pikirkan tentang penggunaan kata untuk menggambarkan teori tersebut termasuk istilah  lembut, tidak tajam, kabur, atau elastis. Dia memilih istilah “kabur” karena “hubungan dengan akal sehat” [13].

2.1 LOGIKA FUZZY

Ada banyak manfaat untuk menggunakan logika fuzzy. Logika fuzzt adalah konseptual mudah dipahami dan memiliki pendekatan alami [8]. Logika fuzzy fleksibel dan dapat dengan mudah ditambah dan disesuaikan. Hal ini sangat toleran terhadap data yang tidak tepat dan terhadap model yang nonlinier/ kompleksitas sedikit. Hal ini juga bisa dicampur dengan teknik kontrol konvensional. Ada tiga komponen utama dari sistem fuzzy: set fuzzy, aturan fuzzy, dan bilangan fuzzy.

Logika fuzzy dan berpikir fuzzy terjadi di set fuzzy. Pertimbangkan contoh kendaraan. Kita semua berbicara kendaraan yang sama, tapi kita berpikir kendaraan pada tingkat yang berbeda. Ini adalah kata benda. Ini menggambarkan sesuatu. Ada sekelompok perangkat yang kita sebut kendaraan. Perangkat ini mungkin termasuk truk, pesawat, bus, mobil, sepeda, skuter, atau skateboard. Apa yang saya anggap kendaraan yang akan bisa menjadi sesuatu yang sangat berbeda dari apa yang orang lain anggap. Yang benar-benar kendaraan atau tidak? Beberapa tampak lebih dekat dengan gagasan kita tentang sebuah kendaraan daripada yang lain. Aristoteles akan mengatakan bahwa hanya ada satu kendaraan dan bukan kendaraan. logika fuzzy mengatakan bahwa untuk gelar masing-masing perangkat ini adalah kendaraan. Beberapa merupakan kendaraan lebih dari yang lain tetapi semua jatuh dalam grayness antara kendaraan dan bukan kendaraan. Intinya adalah bahwa kendaraan kata singkatan untuk satu set fuzzy dan hal-hal yang termasuk dalam mengatur beberapa derajat.

Lambang fuzzy sebenarnya adalah simbol “yin-yang” [13]. Simbol yin-yang, ditunjukkan pada Gambar 3 adalah sama hitam dan putih. Hal ini dalam keadaan yang paling fuzzy.

Gambar 2.1: Simbol yin-yang

Untuk lebih melihat bagaimana isi set fuzzy yang lebih kecil dan sebagainya, pertimbangkan kendaraan off-road. Sebuah kendaraan off road adalah seperangkat kecil kendaraan. Setiap kendaraan off-road adalah kendaraan, tetapi tidak setiap kendaraan sebuah kendaraan off-road. Pertanyaan yang diajuakan adala: kapan sebuah kendaraan adalah off-road? Sekali lagi ini adalah masalah derajat.Fuzzy set ini dikombinasikan dengan aturan-aturan fuzzy membangun sistem fuzzy. Fuzzy set dapat diciptakan dari apa pun.

Komponen kedua dari sistem fuzzy adalah aturan fuzzy. Aturan fuzzy didasarkan pada pengetahuan manusia. Pertimbangkan bagaimana alasan manusia dengan contoh sederhana: jika Anda membawa payung untuk bekerja? Pertama, Anda memiliki pengetahuan tentang ramalan: sekitar 70% kemungkinan hujan. Kedua, Anda memiliki pengetahuan tentang fungsi payung: untuk membuat Anda tetap kering ketika hujan. Dari pengetahuan ini, Anda dapat membuat aturan yang membimbing Anda melalui suatu keputusan. Jika hujan, Anda akan mendapatkan basah. Jika Anda mendapatkan basah, Anda akan tidak nyaman di tempat kerja. Jika Anda menggunakan payung, Anda akan tetap kering. Oleh karena itu, Anda memutuskan untuk membawa payung. Aturan yang dipandu untuk keputusan Anda berhubungan satu hal atau peristiwa atau proses ke hal atau peristiwa dalam bentuk :jika-maka” [13].

Pengetahuan tentang kesempatan hujan menyebabkan aturan yang membuat Anda memutuskan cara yang Anda lakukan. Ini adalah bagaimana aturan fuzzy diciptakan, melalui pengetahuan manusia. Mendefinisikan aturan-aturan fuzzy atau fuzzy patch. Fuzzy patch, bersama dengan grayness, merupakan ide kunci dalam logika fuzzy. “Patch ini akal sehat dasi ke geometri sederhana dan membantu mendapatkan pengetahuan untuk dapat menuliskan program ke dalam komputer,” kata Bart Kosko, penganjur terkenal di dunia dan populizer logika fuzzy [13]. Patch ditentukan oleh bagaimana sistem fuzzy dibangun untuk dapat meliputi  jalur output yang didefinisikan oleh sistem. Gambar 4 menunjukkan bercak fuzzy yang meliputi jalur output. Sebuah konsep yang dirancang oleh Kosko disebut Fuzzy Teorema Aproksimasi (FAT) menyatakan bahwa jumlah terbatas patch dapat mencakup kurva [13]. Jika patch yang besar, aturan yang besar. Jika patch kecil, aturan yang tepat. Mencoba untuk membuat aturan yang terlalu tepat membangun banyak kompleksitas ke dalam suatu sistem fuzzy.

Gambar 2.2: Patch Fuzzy Meliputi Line

Setiap bilangan fuzzy adalah fungsi domain. Bilangan fuzzy memungkinkan perbandingan perkiraan [3]. Pertimbangkan objek bergerak dengan kecepatan yang kurang lebih sama dengan 50 mph. Hal ini akan “sekitar 50 mph.” Fuzzy hal yang berguna dalam  memungkinkan kita untuk mengabaikan kekakuan bahwa sebenarnya kecepatan 50,1 mph atau bahkan 51 mph. Dari perkiraan ini suatu perbandingan dapat dibuat untuk objek lain akan “sekitar 50 mph.”

Ada beberapa cara untuk mengasosiasikan nomor fuzzy ke deskripsi dalam kata-kata. Asosiasi ini terjadi dalam bentuk-bentuk tertentu. Bentuk ini disebut sebagai fungsi keanggotaan. Ada empat bentuk yang terutama digunakan. Hal ini termasuk segitiga, trapesium, Gaussian, dan Singleton.

Gambar 2.3: menunjukkan bentuk yang mungkin digunakan untuk definisi subset.

2.2 Perbedaan Logika Klasik atau Tegas dengan Logika Fuzzy

Terdapat perbedaan mendasar antara logika klasik dengan logika fuzzy. Sebagai contoh, perhatikan dua kalimat perintah berikut ini: A. Pisahkan kelompok mahasiswa yang memiliki PC dan kelompok mahasiswa yang tidak memiliki PC. B. Buat kelompok mahasiswa yang pandai dan kelompok mahasiswa yang bodoh. Pada Kalimat-A, Kita dapat membedakan secara tegas antara kelompok mahasiswa yang memiliki PC dengan kelompok mahasiswa yang tidak memiliki PC karena ada batasan yang nyata antara kedua kondisi tersebut. Namun Pada Kalimat-B,  Tidak terdapat batasan yang nyata antara pandai dengan bodoh sehingga kita sulit membedakan mahasiswa yang pandai dengan mahasiswa yang bodoh.

2.3           Ketidakjelasan

Dalam kehidupan sehari-hari, kita sering menemui kondisi ketidakjelasan seperti kalimat-B. Ketidakjelasan yang kita alami, dapat kita kelompokkan menjadi:

1. Keambiguan (ambiguity), terjadi karena suatu kata/istilah memiliki makna lebih dari satu. Contoh: bulan, maknanya adalah suatu benda langit, namun makna lainnya adalah bagian dari tahun.
2. Keacakan (randomness), karena hal yang kita inginkan belum terjadi. Contoh: besok akan hujan.
3. Ketidaktepatan (imprecision), disebabkan karena alat atau metode pengukuran yang tidak tepat. Contoh: volume bumi.
4. Ketidakjelasan akibat informasi yang tidak lengkap (incompleteness). Contoh: ada kehidupan di luar angkasa.
5. Kekaburan semantik, akibat suatu kata/istilah memiliki makna yang tidak dapat didefinisikan secara tegas. Contoh: cantik, pandai, dsb

Dari kelima kelompok ketidakjelasan tersebut, dapat dikatakan bahwa pembahasan logika fuzzy berada pada kekaburan semantik. Kekaburan semantik pasti ada dalam kehidupan manusia. Bahkan kita sering mengambil keputusan dari kondisi kekaburan semantik. (Kekaburan semantik adalah seperti yang sudah dijelaskan diatas bahwa kata//istilah memiliki makna yang tidak dapat didefinisikan secara tegas. Contoh: cantik, pandai, dsb) Hal lain yang juga perlu diperhatikan adalah kita (manusia) saat ini sering menggunakan alat bantu, terutama elektronik, untuk membuat suatu keputusan. Penelitian atau pengukuran umumnya memerlukan ketepatan & kepastian. Sedangkan kondisi lingkungan, mengharuskan kita mengambil keputusan dari kekaburan semantik. Oleh karena itu, perlu bahasa keilmuan baru untuk mengakomodasi kekaburan semantik secara memadai.

2.4 Logika Fuzzy Vs Logika Tegas

Perbedaan antara kedua jenis logika tersebut adalah : logika tegas memiliki nilai tidak = 0.0 dan ya = 1.0, sedangkan logika fuzzy memiliki nilai antara 0.0 hingga 1.0. Secara grafik perbedaan antara logika tegas dan logika fuzzy ditunjukkan oleh gambar di bawah ini :

Gambar 2.4 : Logika Tegas

Gambar 2.5 : Logika Fuzzy

Mengapa Logika Fuzzy? Bila dibandingkan dengan logika konvensional, kelebihan logika Fuzzy adalah kemampuannya dalam proses penalaran secara bahasa sehingga dalam perancangannya tidak memerlukan persamaan matematik yang rumit, selain itu, mudah dimengerti, memiliki toleransiterhadap data-data yang tidak tepat, dapat membangun dan mengaplikasikan pengalaman- pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan dan didasarkan pada bahasa alami.

Atribut Logika Fuzzy

• Linguistik : yaitu nama suatu kelompok yang mewakili suatu keadaan tertentu dengan menggunakan bahas alami, misalnya DINGIN, SEJUK, PANAS, dsb.
• Numeris : yaitu suatu nilai yang menunjukkan ukuran dari suatu variabel, misalnya 10, 35, 40 dsb.

Contoh :

1. Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu: MUDA, PAROBAYA, dan TUA. (Gambar 7.3)
2. Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.

Gambar 2.6 : Himpunan Fuzzy untuk Variabel Umur

2.5 Alasan digunakannya Logika Fuzzy

Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain:

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
6. pengalamanpengalaman para pakar secara langsung tanpa harus melalui
7. proses pelatihan.
8. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
9. Logika fuzzy didasarkan pada bahasa alami.

2.6 Aplikasi yang menggunakan Logika Fuzzy

1. Manajemen dan pengambilan keputusan, seperti manajemen basisdata yang didasarkan pada logika fuzzy, tata letak pabrik yang didasarkan pada logika fuzzy, sistem pembuat keputusan di militer yang didasarkan pada logika fuzzy, pembuatan games yang didasarkan pada logika fuzzy, dll.
2. Ekonomi, seperti pemodelan fuzzy pada sistem pemasaran yang kompleks, dll.
3. Klasifikasi dan pencocokan pola.
4. Psikologi, seperti logika fuzzy untuk menganalisis kelakuan masyarakat, pencegahan dan investigasi kriminal, dll.
5. Ilmu-ilmu sosial, terutam untuk pemodelan informasi yang tidak pasti. 6. Ilmu lingkungan, seperti kendali kualitas air, prediksi cuaca, dll.

PENUTUP

3. Kesimpulan

1. Logika fuzzy adalahlogika yang mengandung unsur ketidakpastian, pada Keanggotaan dalam himpunan fuzzy dinyatakan dengan derajat keanggotaan. Suatu nilai dapat menjadi anggota dua himpunan sekaligus dengan derajat yang berbeda.
2. Kendali logika fuzzy dilakukan dengan proses fuzzy fikasi, penalarans esuai dengan aturan, dan defuzzyfikasi. Pada sistem kendali logika fuzzy cukup praktis diaplikasikan dalam berbagai bidang. Program fuzzy yang telah diimplementasikan dalam bahasa pemrograman Java dapat digunakan sebagai alat bantu untuk menentukan jumlah produk yang dihasilkan berdasarkan kondisi Suhu, Kebisingan dan Pencahayaan tertentu.

 

DAFTAR PUSTAKA

https://fahmizaleeits.wordpress.com/tag/logika-fuzzy-adalah-suatu-proses/

http://muhammad-wawan.blogspot.co.id/2011/12/logika-fuzzy.html

http://haniifahawaliah.blogspot.co.id/2016/11/makalah-fuzzy-logic.html