LOGIKA FUZZY

Logika Fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau kesamaran (fuzzyness) antara benar atau salah. Adalah Profesor Lotfi A. Zadeh guru besar pada University of California, Berkeley yang merupakan pencetus sekaligus yang memasarkan ide tentang cara mekanisme pengolahan atau manajemen ketidakpastian yang kemudian dikenal dengan logika fuzzy. Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy.  Lotfi Asker Zadeh adalah seorang ilmuwan Amerika Serikat berkebangsaan Iran.

Meskipun logika fuzzy dikembangkan di Amerika, namun lebih populer dan banyak diaplikasikan secara luas oleh praktisi Jepang dengan mengadaptasikannya ke bidang kendali (control).  Mengapa logika fuzzy yang ditemukan di Amerika malah lebih banyak ditemukan aplikasinya di negara Jepang?  Salah satu penjelasannya: kultur orang Barat yang cenderung memandang suatu persoalan sebagai hitam-putih, ya-tidak, bersalah-tidak bersalah, sukses-gagal, atau yang setara dengan dunia logika biner Aristoteles, sedangkan kultur orang Timur lebih dapat menerima dunia“abu-abu” atau fuzzy. logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti “sedikit”, “lumayan” dan “sangat”.

Logika fuzzy dapat digunakan dalam bidang teori kontrol, teori keputusan, dan beberapa bagian dalam managemen sains. Kelebihan dari logika fuzzy adalah mampu dalam proses penalaran secara bahasa (linguistic reasoning), sehingga dalam perancangannya tidak perlu lagi persamaan matematik dari objek yang dikendalikan. Adapun salah satu contoh dari aplikasi logika fuzzy dalam kehidupan sehari-hari adalah di 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. Input yang digunakan adalah: seberapa kotor, jenis kotoran, dan banyaknya yang dicuci. Mesin ini menggunakan sensor optik, mengeluarkan cahaya ke air dan mengukur bagaimana cahaya tersebut sampai ke ujung lainnya. Makin kotor, maka sinar yang sampai semakin redup.

Fuzzy logic sudah diterapkan pada banyak bidang diantaranya:

1. Teori kendali hingga inteligensia buatan. 
2. Di dunia kedokteran dan biologi: Diagnosis penyakit pasien, penelitian kanker, dsb.
3. Manajemen pengambilan keputusan: Manajemen basis data untuk query data 
4. Tata letak pabrik yang maksimal Penentuan jumlah produksi berdasarkan jumlah stok dan permintaan. 
5. Klasifikasi dan pencocokan pola.  
6. Mengukur kualitas air, peramalan cuaca, dll

Logika fuzzy umumnya diterapkan pada masalah-masalah yang mengandung unsur ketidakpastian (uncertainty), ketidaktepatan (imprecise), noisy, dan sebagainya.  Logika fuzzy menjembatani bahasa mesin yang presisi dengan bahasa manusia yang menekankan pada makna atau arti (significance). Logika fuzzy dikembangkan berdasarkan bahasa manusia (bahasa alami)

Metodologi Desain Sistem Fuzzy

Untuk melakukan perancangan suatu sistem fuzzy perlu dilakukan beberapa tahapan berikut ini :

• Mendefinisikan karakteristik model secara fungsional dan operasional.

Pada bagian ini perlu diperhatikan karakteristik apa saja yang dimiliki oleh sistem yang ada, kemudian dirumuskan karakteristik operasi-operasi yang akan digunakan pada model fuzzy.

• Melakukan dekomposisi variabel model menjadi himpunan fuzzy

Dari variabel-variabel yang telah dirumuskan, dibentuk himpunan-himpunan fuzzy yang berkaitan tanpa mengesampingkan domainnya.

• Membuat aturan fuzzy

Aturan pada fuzzy menunjukkan bagaimana suatu sistem beroperasi. Cara penulisan aturan secara umum adalah : If (X1 is A1) . … . (Xa is An) Then Y is B dengan ( . ) adalah operator (OR atau AND), X adalah scalar dan A adalah variabel linguistik.

 Hal yang perlu diperhatikan dalam membuat aturan adalah :

– Kelompokkan semua aturan yang memiliki solusi pada variabel yang sama.

–  Urutkan aturan sehingga mudah dibaca.

– Gunakan identitas untuk memperlihatkan struktur aturan.

–  Gunakan penamaan yang umum untuk mengidentifikasi variabel-variabel pada kelas yang  berbeda.

–  Gunakan komentar untuk mendeskripsikan tujuan dari suatu atau sekelompok aturan.

–  Berikan spasi antar aturan.

–  Tulis variabel dengan huruf-huruf besar-kecil, himpunan fuzzy dengan huruf besar dan elemen-elemen bahasa lainnya dengan huruf kecil.

• Menentukan metode defuzzy untuk tiap-tiap variabel solusi

Pada tahap defuzzy akan dipilih suatu nilai dari suatu variabel solusi yang merupakan konsekuen dari daerah fuzzy. Metode yang paling sering digunakan adalah metode centroid, metode ini memiliki konsistensi yang tinggi, memiliki tinggi dan lebar total daerah fuzzy yang sensitif.

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. 

Contoh-contoh masalah yang mengandung ketidakpastian: 

1. Seseorang dikatakan “tinggi” jika tinggi badannya lebih dari 1,7 meter. Bagaimana dengan orang yang mempunyai tinggi badan 1,6999 meter atau 1,65 meter, apakah termasuk kategori orang tinggi? Menurut persepsi manusia, orang yang mempunyai tinggi badan sekitar 1,7 meter dikatakan “kurang lebih tinggi” atau “agak tinggi”.
2. Kecepatan “pelan” didefinisikan di bawah 20 km/jam.  Bagaimana dengan kecepatan 20,001 km/jam, apakah masih dapat dikatakan pelan?  Manusia mungkin mengatakan bahwa kecepatan 20,001 km/jam itu “agak pelan”. Ketidapastian dalam kasus –kasus ini disebabkan oleh kaburnya pengertian “agak”, “kurang lebih”, “sedikit”, dan sebagainya .

Himpunan Crisp (Tegas)  Nilai keanggotaan suatu item x dalam suatu himpunanA, ditulis mA[x], memiliki 2 kemungkinan:  Satu (1): berarti bahwa suatu item menjadi anggota dalam suatu himpunan Nol (0): berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.

Contoh: S = {1, 2, 3, 4, 5} adalah semesta pembicaraan A = {1, 2, 3} dan B = {3, 4, 5}  Bisa dikatakan bahwa:

Konsep Dasar  

• Logika fuzzy bukanlah logika yang tidak jelas (kabur),  tetapi logika yang digunakan untuk menggambarkan ketidakjelasan.  
• Logika fuzzy adalah teori himpunan fuzzy  Himpunan yang mengkalibrasi ketidakjelasan.  
• Logika fuzzy didasarkan pada gagasan bahwa segala sesuatu mempunyai nilai derajat.  
• Logika fuzzy merupakan peningkatan dari logika Boolean yang mengenalkan konsep kebenaran sebagian.
• Logika klasik (Crisp Logic) menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak) Tidak ada nilai diantaranya 2. Logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran Ada nilai diantara hitam dan putih (abu-abu).

 

Sumber dari:

https://www.slideshare.net/firman_wahyudi/fuzzy-logic-logika-fuzzy

http://pustaka.unpad.ac.id/wp-content/uploads/2010/07/dasar_dasar_fuzzy_logic.pdf

https://dosen.perbanas.id/metode-fuzzy-logic-logika-fuzzy-untuk-mendukung-keputusan/

https://www.jmc.co.id/media/general/20140923_11.Logikafuzzy_.pdf

https://www.temukanpengertian.com/2013/08/pengertian-fuzzy-logic.html

https://id.wikipedia.org/wiki/Logika_kabur