Pengertian Fuzzy
Logic
Metode Fuzzy Logic adalah sebuah
metode yang sering di kenal dengan istilah logika fuzzy. Proses kerja metode
ini yaitu dengan memanfaatkan sebuah penalaran yang di terapkan pada sebuah
penyelesaian kasus.
Penggunaan fuzzy logic pada sebuah
perkembangan teknologi sangat banyak sekali. Seperti misalnya pemanfaatan fuzzy
logic pada sebuah soft computing, sistem cerdas, sistem pengambilan keputusan
dan banyak sekali sistem yang berjalan dengan menggunakan penalaran logika fuzzy.
Tidak lain halnya dengan sebuah sistem yang di kembangkan dengan konsep
jaringan tiruan.
Sistem fuzzy pertama kali diperkenalkan
oleh Prof. L. A. Zadeh dari Barkelay pada tahun 1965. Sistem fuzzy merupakan
penduga numerik yang terstruktur dan dinamis. Sistem ini mempunyai kemampuan
untuk mengembangkan sistem intelijen dalam lingkungan yang tak pasti. Sistem
ini menduga suatu fungsi dengan logika fuzzy. Dalam logika fuzzy terdapat
beberapa proses yaitu penentuan himpunan fuzzy, penerapan aturan IF-THEN dan proses inferensi fuzzy (Marimin,
2005:10).
Ada beberapa metode untuk
merepresentasikan hasil logika fuzzy yaitu metode Tsukamoto, Sugeno dan
Mamdani. Pada metode Tsukamoto, setiap konsekuen direpresentasikan dengan
himpunan fuzzy dengan fungsi keanggotaan monoton. Output hasil inferensi
masing-masing aturan adalah z, berupa himpunan biasa (crisp) yang ditetapkan
berdasarkan -predikatnya. Hasil akhir diperoleh dengan menggunakan rata-rata
terbobotnya. (Sri Kusumadewi,2002:108)
Metode Sugeno mirip dengan metode Mamdani,
hanya output (konsekuen) tidak berupa himpunan fuzzy,
melainkan berupa konstanta atau persamaan liniar. Ada dua model metode Sugeno
yaitu model fuzzy sugeno orde nol dan model fuzzy sugeno orde satu. Bentuk umum
model fuzzy sugeno orde nol adalah :
IF (x1
is A1) o (x2 is A2) o ….. o (xn is An) THEN z = k
Bentuk umum model fuzzy Sugeno orde satu adalah :
IF (x1
is A1) o (x2 is A2) o ….. o (xn is An) THEN z = p1.x1 + … pn.xn + q
Defuzzifikasi pada metode Sugeno dilakukan dengan mencari nilai
rata-ratanya.
Gambar 1 Model fuzzy sugeno orde 1
Pada metode Mamdani, aplikasi fungsi implikasi menggunakan MIN, sedang komposisi aturan menggunakan metode MAX. Metode Mamdani dikenal juga dengan metode MAX-MIN. Inferensi output yang dihasilkan berupa
bilangan fuzzy maka harus ditentukan suatu nilai crisp tertentu sebagai output.
Proses ini dikenal dengan defuzzifikasi.
Konsep Metode Fuzzy Logic
Soft
Computing merupakan inovasi baru dalam membangun sistem cerdas. Sistem cerdas
ini merupakan sistem yang memiliki keahlian seperti manusia pada domain
tertentu, mampu beradaptasi dan belajar agar dapat bekerja lebih baik jika
terjadi perubahan lingkungan. Unsur-unsur pokok dalam Soft Computing adalah : Sistem fuzzy, Jaringan
Saraf Tiruan, Probabilistic Reasoning, Evolutionary Computing.
Sistem fuzzy secara umum terdapat 5 langkah dalam melakukan penalaran,
yaitu:
1. Memasukkan input fuzzy.
2. Mengaplikasikan operator
fuzy.
3. Mengaplikasikan metode
implikasi.
4. Komposisi semua output.
5. Defuzifikasi.
Logika Fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input
ke dalam ruang output. Untuk sistem yang sangat rumit, penggunaan logika fuzzy
(fuzzy logic) adalah salah satu pemecahannya. Sistem tradisional dirancang
untuk mengontrol keluaran tunggal yang berasal dari beberapa masukan yang tidak
saling berhubungan. Karena ketidaktergantungan ini, penambahan masukan
yang baru akan memperumit proses kontrol dan membutuhkan proses perhitungan
kembali dari semua fungsi . Kebalikannya, penambahan masukan baru pada sistem
fuzzy, yaitu sistem yang bekerja berdasarkan prinsip-prinsip logika fuzzy,
hanya membutuhkan penambahan fungsi keanggotaan yang baru dan aturan-aturan
yang berhubungan dengannya.
Secara umum, sistem fuzzy sangat cocok untuk penalaran pendekatan terutama
untuk sistem yang menangani masalah-masalah yang sulit didefinisikan dengan
menggunakan model matematis Misalkan, nilai masukan dan parameter sebuah sistem
bersifat kurang akurat atau kurang jelas, sehingga sulit mendefinisikan model matematikanya.
Sistem fuzzy mempunyai beberapa keuntungan bila dibandingkan dengan sistem
tradisional, misalkan pada jumlah aturan yang dipergunakan. Pemrosesan awal
sejumlah besar nilai menjadi sebuah nilai derajat keanggotaan pada sistem fuzzy
mengurangi jumlah nilai menjadi sebuah nilai derajat keanggotaan pada sistem
fuzzy mengurangi jumlah nilai yang harus dipergunakan pengontrol untuk membuat
suatu keputusan. Keuntungan lainnya adalah sistem fuzzy mempunyai kemampuan
penalaran yang mirip dengan kemampuan penalaran manusia. Hal ini disebabkan
karena sistem fuzzy mempunyai kemampuan untuk memberikan respon berdasarkan
informasi yang bersifat kualitatif, tidak akurat, dan ambigu.
Kelebihan Dari Penggunaan Metode Fuzzy
Logic
Menurut Afan Galih Salman ST. M.Si Beberapa alasan mengapa
metode fuzzy dapat digunakan:
1) Logika Fuzzy sangat
fleksibel.
2) Logika Fuzzy memiliki
toleransi.
3) Konsep logika fuzzy
mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat
sederhana dan mudah dimengerti.
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. (Sri Kusumadwi,2002:3)
Himpunan fuzzy mempunyai 2 atribut (Kusuma Dewi,2003), yaitu :
1. Linguistik, yaitu
penamaan suatu grup yang mewakili suatu keadaan/kondisi tertentu dengan
menggunakan bahasa alami, seperti : muda, parobaya, tua.
2. Numeris, yaitu suatu
nilai (angka) yang menunjukan ukuran dari suatu variabel, seperti : 40, 25, 50,
dsb.
Urutan Proses Metode Fuzzy Logic
1. Pembentukan himpunan fuzzy
Pada metode Mamdani baik variabel input maupun variabel output dibagai
menjadi satu atau lebih himpunan fuzzy.
2. Aplikasi fungsi implikasi
Pada metode Mamdani, fungsi implikasi yang digunakan adalah Min.
3. Komposisi Aturan
Tidak seperti penalaran monoton, apabila sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode yang digunakan dalam melakukan inferensi sistem fuzzy yaitu : Max, Additive dan Probabilistik OR.
a. Metode Max (Maximum)
Pada metode ini solusi himpunan fuzzy diperoleh dengan cara mengambil nilai
maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy dan
mengaplikasikan ke output dengan menggunakan operator OR(union). Jika semua
proposisi telah dievaluasi, maka output akan beisi suatu himpunan fuzzy yang
merefleksikan konstribusi dari tiap-tiap proposisi. Secara umum dapat
dituliskan :
µsf[xi] ← max ( µsf[xi] , µkf[xi])
dengan :
µsf[xi]=nilai keanggotaan solusi fuzzy sampai aturan ke-i
µkf[xi]=nilai keanggotaan konsekuen fuzzy aturan ke-i
b. Metode Additive (Sum)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum terhadap semua output dareah fuzzy. Secara
umum dituliskan:
µsf[xi] ← max ( 1, µsf[xi] + µkf[xi] )
µsf[xi]=nilai keanggotaan solusi fuzzy sampai aturan ke-i
µkf[xi]=nilai keanggotaan konsekuen fuzzy aturan ke-i
c. Metode
Probabilistik OR
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
product terhadap semua output daerah fuzzy. Secara umun dituliskan :
µsf[xi] ← max ( µsf[xi] + µkf[xi] ) – (µsf[xi] * µkf[xi] )
µsf[xi]=nilai keanggotaan solusi fuzzy sampai aturan ke-i
µkf[xi]=nilai keanggotaan konsekuen fuzzy aturan ke-i
4. Penegasan /Defuzzifikasi
Input dari proses Defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai output.
Ada beberapa metoda yang dipakai dalam defuzzifikasi:
a. Metode Centroid.
Pada metode ini penetapan nilai crisp dengan cara mengambil titik pusat
daerah fuzzy.
b. Metode Bisektor.
Pada metode ini , solusi crisp diperoleh dengan cara mengambil nilai pada
domain fuzzy yang memiliki nilai keanggotaan seperti dari jumlah total nilai
keanggotaan pada daerah fuzzy.
c. Metode Means of
Maximum (MOM).
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai
rata-rata domain yang memiliki niali keanggotaan maksimum.
d. Metode Largest of
Maximum (LOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai
terbesar dari domain yang memiliki niali keanggotaan maksimum.
e. Metode Smallest of
Maksimum (SOM).
Solusi crisp diperoleh dengan cara mengambil nilai terkecil dari domain
yang memiliki nilai keanggotaan maksimum.
Data Metode Fuzzy Logic
Berbicara dengan sebuah metode tidak terlepas dengan suatu proses. Dalam
proses yang terjadi dalam sebuah metode membutuhkan masukan, masukan tersebut
yaitu sebuah nilai. Nilai adalah satuan yang digunakan dalam sebuah variabel. Variabel
inilah yang selanjutnya menjadi parameter dalam proses fuzzy logic.
Banyak cara untuk mendapatkan data, misalkan dengan memberikan kuesioner terhadap variabel yang digunakan, Melakukan
observasi terhadap referensi dan juga data-data nilai yang pernah digunakan
dalam penelitian yang hampir sama.
Contoh Kasus Metode Fuzzy Logic
1) Optimalisasi Lampu Lalu
Lintas
2) Perbandingan harga
sepeda motor Bekas
3) Pengaturan Kelembaban
tanah Tanaman Cabai
4) Prediksi Curah
hujan
5) Menentukan Kualitas
Hotel
6) Menentukan Kualitas Air
7) Penentuan tingkat rawan
longsor
8) Pengelolaan kinerja
karyawan
9) Penentuan Jumlah
produksi
10) Penentuan Bakat Anak
11) Penentuan Selera konsumen terhadap menu
12) Sistem pengendalian temperatur
13) Penerimaan pegawai baru
14) Diagnosa penyakit
15) Penilaian Siswa, guru
Diatas adalah beberapa contoh studi kasus dari beberapa aspek
pengimplementasian metode
fuzzy logic. Dari Beberapa topik tersebut dapat di perluas lagi dalam pengembangannya.
Demikian sharing tentang metode Fuzzy Logic, semoga bermanfaat.
References :
· Sri
Kusumadewi, (2003). Artificial Intelligence (Teknik
dan Aplikasinya), edisi pertama. Penerbit Graha Ilmu, Jakarta.