Logika fuzzy

Handout Mata Kuliah Artificial Intelligence
Hal.
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
1
BAB II
LOGIKA FUZZY
Tujuan :Setelah mempelajari Bab ini Mahasiswa diharapkan dapat memahami
1. a. Apakah Logika Fuzzy?
b. Apakah perbedaan dgn logika tegas?
c. Apakah Himpunan Logika Fuzzy?
d. Bagaimana sejarah logika fuzzy?
e. Apakah kelebihan Logika Fuzzy?
2. a. Apa sajakah dasar Logika fuzzy?
b. Apakah fungsi keanggotaan LF?
c. Apakah Aritmatika LF?
d. Apakah Aturan dasar LF?
3.a. Bgmnkah cara kerja Kontrol LF?
b. Apakah Fuzzyfikasi?
c. Apakah Mesin Penalaran/Inference LF?
d. Apakah Defuzzyfikasi?
Materi : Bab ini berisi pengertian logika fuzzy, dasar-dasar logika fuzzy dan
operasional control logika fuzzy. Bagian penutupan bab ini diisi dengan contoh dan
latihan-latihan soal.

Hal.
2
Struktur Bab
2.1 Pendahuluan
2.1.1 Pengertian Logika Fuzzy
2.1.2 Perbedaan Logika Fuzzy dengan logika tegas
2.1.3 Himpunan Logika Fuzzy
2.1.4 Sejarah logika fuzzy
2.1.5 kelebihan logika fuzzy
2.2 Dasar Logika Fuzzy
2.2.1 Fungsi keanggotaan LF
2.2.2 Aritmatika LF
2.3 Cara Kerja Kontrol Logika Fuzzy
2.3.1 Fuzzyfikasi
2.3.2 Aturan dasar LF
2.3.3 Mesin Penalaran/Inference LF
2.3.4 Defuzzyfikasi
2.4 Contoh dan Latihan

Hal.
3
2.1 Pendahuluan
2.1.1 Pengertian Logika Fuzzy
Sebelum munculnya teori logika fuzzy (Fuzzy Logic), dikenal sebuah logika tegas
(Crisp Logic) yang memiliki nilai benar atau salah secara tegas. Sebaliknya
Logika Fuzzy merupakan sebuah logika yang memiliki nilai kekaburan atau
kesamaran (fuzzyness) antara benar dan salah. Dalam teori logika fuzzy sebuah
nilai bisa bernilai benar dan salah secara bersamaan namun berapa besar
kebenaran dan kesalahan suatu nilai tergantung kepada bobot keanggotaan yang
dimilikinya.
2.1.2 Perbedaan Logika Fuzzy dengan Logika Tegas
Perbedaan antara kedua jenis logika tersebut adalah : logika tegas memiliki nilai
tidak=0.0 dan ya=1.0, sedangakan logika fuzzy memiliki nilai antara 0.0 hingga
1.0. Secara grafik perbedaan antara logika tegas dan logika fuzzy ditunjukkan
oleh gambar dibawah ini :
Gambar 2.1 a) logika tegas dan b) logika fuzzy
Didalam gambar 2.1.a) apabila X lebih dari atau sama dengan 10 baru dikatakan
benar yaitu bernilai Y=1, sebaliknya nilai X yang kurang dari 10 adalah salah
yaitu Y=0. Maka angka 9 atau 8 atau 7 dan seterusnya adalah dikatakan salah.
1010
salah
XX
1
benar
salah
benar1
Y Y
(a) (b)

Hal.
4
Didalam gambar 2.1.b) nilai X = 9, atau 8 atau 7 atau nilai antara 0 dan 10 adalah
dikatakan ada benarnya dan ada juga salahnya.
Dalam contoh kehidupan kita dikatakan seseorang dikatakan sudah dewasa
apabila berumur lebih dari 17 tahun, maka sesiapapun yang kurang dari umur
tersebut di dalam logika tegas akan dikatakan sebagai tidak dewasa atau anak-
anak. Sedangkan dalam hal ini pada logika fuzzy umur dibawah 17 tahun dapat
saja dikategorika dewasa tapi tidak penuh, misal untuk umur 16 tahun atau 15
tahun atau 14 tahun atau 13 tahun. Secara grafik dapat digambarkan sebagai
berikut:
Gambar 2.2 Perbandingan contoh a) logika tegas dan b) logika fuzzy dalam
penentuan golongan umur manusia dalam
2.1.3 Himpunan Logika Fuzzy
Dalam teori logika fuzzy dikenal himpunan fuzzy (fuzzy set) yang merupakan
pengelompokan sesuatu berdasarkan variabel bahasa (linguistik variable), yang
dinyatakan dalam fungsi keanggotaan. Didalam semesta pembicaraan (universe of
discourse) U, fungsi keanggotaan dari suatu himpunan fuzzy tersebut bernilai
antara 0.0 sampai dengan 1.0.
golongan
anak-anak
6 10 17 Umur
(tahun)
dewasa
(a)
golongan
anak-anak
6 10 17 Umur
(tahun)
dewasa
(b)

Hal.
5
Contoh dari himpunan variable bahasa antara lain:
Himpunan dari suhu atau temperatus dapat dinyatakan dengan: dingin, sejuk,
normal, hangat, panas. Grafik dari himpunan suhu ini ditunjukkan pada gambar
berikut:
Gambar 2.1 Contoh keanggotaan himpunan temperatur
Himpunan dari umur dapat dinyatakan dengan: muda, parobaya, tua, sangat tua.
Grafik dari himpunan umur ini ditunjukkan pada gambar berikut:
Gambar 2.2 Contoh keanggotaan himpunan umur
Himpunan dari kecepatan dapat dinyatakan dengan: lamabt, normal, cepat,
sangat cepat.. Grafik dari himpunan kecepatan ini ditunjukkan pada gambar
berikut:

Hal.
6
Gambar 2.3 Contoh keanggotaan himpunan kecepatan
2.1.4 Sejarah Logika Fuzzy
Teori logika fuzzy dikembangkan oleh Prof. Lotfi Zadeh pada sekitar tahun 1960-
an dengan penentuan himpunan Fuzzy.
2.1.5 Kelebihan Logika Fuzzy
Kelebihan dari teori logika fuzzy adalah kemampuan dalam proses penalaran
secara bahasa (linguistic reasoning), sehingga dalam perancangannya tidak
memerlukan persamaan matematik dari objek yang akan dikendalikan.
2.2 Dasar Logika Fuzzy
2.2.1 Fungsi keanggotaan LF
Fungsi keanggotaan dari suatu himpunan fuzzy dinyatakan dengan derajat
keanggotaan suatu nilai terhadap nilai tegasnya yang berkisar antara 0,0 sampai
dengan 1,0. Jika A: himpunan fuzzy, μA: fungsi keanggotaan dan X : semesta,
maka fungsi keanggotaan dalam suatu himpunan fuzzy dapat dinyatakan
dengan:
A={(x,μA(x))|xЄX}
Fungsi Keanggotaan suatu himpunan fuzzy dapat ditentukan dengan fungsi
segitiga (Triangle),trapesium (Trapezoidal) atau Fungsi Gauss (Gaussian).

Hal.
7
Persamaan fungsi keangotaan segitiga adalah:
(2.1)
Persamaan tersebut dalam bentuk grafik ditunjukkan pada gambar berikut:
Gambar 2.4 Fungsi keanggotaan segitiga
Persamaan fungsi keangotaan Trapesium adalah:
(2.2)
Gambar 2.4 Fungsi keanggotaan Trapesium

Hal.
8
Persamaan fungsi keangotaan Gaussian adalah:
(2.3)
Gambar 2.6 Fungsi keanggotaan Gaussian
2.2.2 Aritmatika Logika Fuzzy
Dalam system logika fuzzy terdapat beberapa operasi aritmatika yang
diperlukan dalam penalarannya antara lain:
a) Gabungan (Union) dalam sitem logika fuzzy dikenal dengan istilah Max.
Operasi max dinyatakan dengan persamaan:
(2.4)
Jika fungsi segitiga dari suatu fungsi keanggotaan adalah A, dan fungsi
keanggotaan B adalah trapezium, maka operasi max dari A dengan B
ditunjukkan pada gambar 2.7 berikut ini:
)()())(),(max()( xxxxxBAC BABAc  

Hal.
9
Gambar 2.7 Operasi Uniom
b) Irisan (Intersaction) dalam sitem logika fuzzy dikenal dengan istilah Min.
Operasi mix dinyatakan dengan persamaan:
(2.5)
Jika fungsi A dan B adalah seperti yang ditunjukkan pada gambar 2.7, maka
operasi min dari kedua keanggotaan tersebut dapat dinyatakan sebagai berikut
ini:
Gambar 2.8 Operasi intersection
c) Kesamaan (Equilaty), operasi kesamaan dinyatakan dengan persamaan:
(2.6)
d) Produk (Product), operasi produk dinyatakan dengan persamaan:
(2.7)
e) Komplemen (Complement), operasi komplemen dinyatakan dengan
persamaan:
(2.8)
)()())(),(max()( x
B
x
A
x
B
x
A
x
c
BAC  
2 6 2 10
A B
2 6 10
2 6 2 10
A B
4 6

Hal.
10
2.3 Cara Kerja Kontrol Logika Fuzzy
Dalam system control logika fuzzy terdapat beberapa tahapan operasional yang
meliputi:
1. Fuzzyfikasi
2. Penalaran (Inference Machine)
3. Aturan Dasar (Rule Based)
4. Defuzzyfikasi
Blok diagram control logika fuzzy ditunjukkan pada gambar berikut:
Gambar 2.9 Blok Diagram Kontrol Logika Fuzzy
Kerangka operasional control logika fuzzy ditunjukkan pada gambar berikut:
Gambar 2.10 Kerangka Kerja Kontrol Logika Fuzzy

Hal.
11
Dari gambar 2.10 sinyal masukan dari KLF dapat berupa nilai tegas. Sinyal
masukan KLF dapat diambilkan dari:
a) Selisih antara rujukan (reference) dengan nilai keluaran nyata dari KLF yang
berupa nilai kesalahan (error=E).
b) Turunan pertama dari nilai error yang dikenal dengan delta error=dE
2.3.1 Fuzzyfikasi
Fuzzifikasi adalah suatu proses pengubahan nilai tegas/real yang ada ke dalam
fungsi keanggotaan
Misal: merujuk pada gambar 2.1 fuzzifikasi dari suhu 35o
C adalah:
15 30 45 60
1A

A1 A2
Suhu( 0
C)
2A

Gambar 2.11 Fungsi Fuzzyfikasi suatu sinyal
Pada gambar 2.11 contoh perhitungan fuzzyfikasi dapat ditunjukkan sebagai
berikut :
3
1
3045
3035
2
3
2
3045
3545
1














ab
aX
A
bc
Xc
A



Hal.
12
2.3.2 Aturan Dasar KLF
Aturan dasar (rule based) pada control logika fuzzy merupakan suatu bentuk
aturan relasi/implikasi “Jika-Maka” atau “If – Then” seperti pada pernyataan
berikut:
“JIKA” X=A DAN “JIKA” Y=B “MAKA” Z=C
Contoh dari aturan jika-maka ini pada pengendalian suhu ruangan dengan
pengaturan kecepatan kipas angina melalui frekuensi variable adalah sebagai
berikut:
1. “JIKA” suhu panas DAN
2. “JIKA” kecepatan kipas sangat lambat
3. “MAKA” sumber frekuensi dinaikkan sangat tinggi agar kecepatan
kipas tinggi
Jadi aturan dasar KLF ditentukan dengan bantuan seorang pakar yang mengetahui
karakteristik objek yang akan kendalikan. Aturan dasar tersebut dapat dinyatakan
dalam bentuk matrik aturan dasar KLF. Contoh aturan dasar dari rancangan
pengaturan suhu ruangan dapat dilihat pada table berikut:
Tabel 2.1 Contoh Matrik Aturan Dasar Perancangan Kontrol Logika Fuzzy
Y
X
B S K
B K K B
S K S K
K B K B
Z
Diama
X : Suhu, Y : Kecepatan Kipas dan Z : Sumber Frekuensi
B : Besar, S: Sedang dan K : Kecil

Hal.
13
2.3.3 Mesin Penalaran Kontrol Logika Fuzzy
Mesin Penalaran: proses implikasi dalam menalar nilai masukan guna penentuan
nilai keluaran sebagai bebtuk Pengambil Keputusan. Salah satu model penalaran
yang banyak dipakai adalah penalaran max-min. Dalam penalaran max-min
proses pertama yang dilakukan adalah melakukan operasi min sinyal keluaran
lapisan fuzzyfikasi, yang diteruskan dengan operasi max untuk mencari nilai
keluaran yang selanjutnya akan difuzzifikasikan sebagai bentuk keluaran
pengontrol. Operasional max-min tersebut dapat dinyatakan sebagai berikut:
Operasi Min/Irisan
(2.9)
Operasi Mak/Union
(2.10)
Proses operasi penalaran max-min dapat dijelaskan dengan grafik berikut ini:

Hal.
14
Gambar 2.13 Operasi Max-Min secara grafis
2.3.4 Defuzzifikasi
Merupakan proses pemetaan himpunan fuzzy ke himpunan tegas (crips). Proses
ini merupakan kebalikan dari proses fuzzyfikasi.
Proses defuzzyfikasi diekspresikan sebagai berikut :
Z* = defuzzifier (Z) (2.10)
Dimana :
Z = Hasil penalaran fuzzy
Z* = Keluaran Kontrol FL
Defuzzifier = Operasi defuzzier
Metode dalam melakukan defuzzifikasi antara lain :
1. Metode Max (Maximum)
Metode ini juga dikenal dengan metode puncak dimana nilai keluaran dibatasi
oleh fungsi: c(z*)>c 1 (z) (2.11)
A1
1A
 0.6
A2
2A
 0.4
B1
1B
 0.3
A2
0.72B

Z1
1z
 0.3M IN
Z2
0.4
2z
M IN
Z1
0.3
Z2
0.4
M AX

Hal.
15
2. Metode Titik Tengah (Center of Area)
Metode ini juga disebut pusat area. Metode ini lazim dipakai dalam proses
defuzzikasi. Metode ini diekspresikan dengan persamaan:


zdzzc
zdzzc
Z
)(
)(
*


(2.12)
3. Metode Rata-Rata (Average)
Metode ini digunakan untuk fungsi keanggotaan keluaran yang simetris.
Persamaan dari metode ini adalah:
)(
).(
* 


zc
Zzc
Z


(2.13)
4. Metode Penjumlah Titik Tengah (Summing of center area).
Metode ini dinyatakan dengan persamaan:
(2.14)
5. Metode Titik Tengah Area Terbesar
• Dalam metode ini keluaran dipilih berdasarkan titik pusat area terbesar yang
ada. Metode ini dinyatakan dalam bentuk:
(2.15)
Selanjutnya keluaran keluaran dari defuzzifikasi tersebut akan digunakan
sebagai keluaran KLF
 



 n
k m
n
k k
dzzc
dzzc
Z


1
)(1
*
dzZc
zdzzc
Z
m
m
)(
).(
*






Hal.
16
2.4 Contoh dan Latihan
2.4.1 Contoh
Simulasi Kontrol Fuzzy Menggunakan MATLAB
Diagram blok sistem kendali fuzzy yang akan disimulasikan adalah memiliki
struktur pengendali fuzzy PD-like seperti terlihat dalam Gambar 1, yaitu sistem fuzzy
yang memiliki dua masukan proporsional dan turunan, dengan Gp adalah penguatan
proporsional, Gd adalah penguatan turunan dan Go adalah penguatan keluaran.
Gambar 2.14. Diagram blok pengendali fuzzy PD-like.
Simulasi dimulai dengan menetapkan nilai kondisi awal dari plant, error dan
pengendali. Kemudian langkah program memasuki proses looping yang berlangsung
selama waktu yang kita inginkan (dengan mempertimbangkan waktu pencuplikan).
Setiap memasuki iterasi ke-k , error(k) dihitung menggunakan Persamaan 1. Kemudian
nilai perubahan error (turunan error) dihitung dengan Persamaan 2. Setelah nilai error
dan perubahan error diperoleh, selanjutnya nilai tersebut dimasukan ke sistem logika
fuzzy sehingga diperoleh keluaran yang akan digunakan sebagai masukan plant. Dengan
masukan plant ini, maka keluaran plant dapat dihitung. Selanjutnya menuju iterasi
berikutnya. Proses ini dapat dilihat pada Gambar 2.

Hal.
17
Gambar 2.15 Diagram alir simulasi sistem kendali fuzzy.
Sebelum mensimulasikan sistem kendali fuzzy menggunakan M-file Matlab
secara keseluruhan, terlebih dahulu dituliskan fungsi-fungsi yang mendukung, supaya
program utama tidak terlalu rumit. Fungsi-fungsi tersebut adalah fungsi untuk
fuzzifikasi, fungsi pengendali fuzzy dan fungsi untuk plant. Berikut ini adalah listing
program untuk mendeklarasikan fungsi-fungsi tersebut.
Fungsi untuk fuzzifikasi himpunan error/delta error negatif
function y=setiga_kr(x,a,b);
y=max(min(1,(b-x)/(b-a)),0);
Fungsi untuk fuzzifikasi himpunan error/delta error zero
function y=setiga_tg(x,a,b,c);
y=max(min((x-a)/(b-a),(c-x)/(c-b)),0);
Fungsi untuk fuzzifikasi himpunan error/delta error positif
function y=setiga_kn(x,a,b);
y=max(min(1,((x-a))/(b-a)),0);
Fungsi untuk pengendali fuzzy
function o=fuzz_satelit(x1,x2)
%fuzzifikasi masukan error

Hal.
18
E_N=setiga_kr(x1,-1,0);
E_Z=setiga_tg(x1,-1,0,1);
E_P=setiga_kn(x1,0,1);
%fuzzifikasi masukan perubahan error
Ce_N=setiga_kr(x2,-1,0);
Ce_Z=setiga_tg(x2,-1,0,1);
Ce_P=setiga_kn(x2,0,1);
%menghitung fired weight tiap kaidah fuzzy
f1=min(E_N,Ce_N);%-1
f2=min(E_N,Ce_Z);%-1
f3=min(E_Z,Ce_N);%-1
f4=min(E_N,Ce_P);%0
f5=min(E_Z,Ce_Z);%0
f6=min(E_P,Ce_N);%0
f7=min(E_Z,Ce_P);%1
f8=min(E_P,Ce_Z);%1
f9=min(E_P,Ce_P);%1
f=[f1 f2 f3 f4 f5 f6 f7 f8 f9];
%data titik tengah membership keluaran untuk tiap rule
y=[-1 -1 -1 0 0 0 1 1 1]; %lebar membershipnya adalah 2
%menghitung y_Fuzzy1
num=0;
den=0;
for k=1:9
num=num+((2*(f(k)-(f(k)^2)/2))*y(k));
den=den+((2*(f(k)-(f(k)^2)/2))*y(k));
end
o=num/den;
Fungsi untuk plant satelit
function [x1,x2]=f_satelit(dt,u_0,x1_0,x2_0);
a1=u_0;
b1=x2_0;
a2=u_0;
b2=(x2_0+dt*(b1/2));
a3=u_0;
b3=(x2_0+dt*(b2/2));
a4=u_0;
b4=(x2_0+dt*(b3));
x1=x1_0+(dt/6)*(b1+2*b2+2*b3+b4);
x2=x2_0+(dt/6)*(a1+2*a2+2*a3+a4);

Hal.
19
Fungsi-fungsi di atas adalah digunakan dalam program utama dari simulasi
sistem kendali sudut satelit. Setiap fungsi disimpan dengan nama file seperti nama
fungsinya, sehingga ketika dipanggil dalam program utama maka fungsi yang
bersangkutan akan langsung dijalankan komputer. Listing program utama simulasinya
adalah sebagai berikut:
clear;
x1(1)=0;
x2(1)=0;
y(1)=0;
dt=0.01;
u(1)=1;
r=0.5
e(1)=-r;
gp=1;
gd=1;
go=1;
for n=1:1000
k=n+1;
e(k)=r-y(k-1);
de(k)=100*(e(k)-e(k-1));
u(k)=go*fuzz_satelit(gp*e(k),gd*de(k));
%u(k)=e(k);
[x1(k),x2(k)]=f_satelit(dt,u(k-1),x1(k-1),x2(k-1));
y(k)=x1(k);
end
t=linspace(0,10,1001);
figure;
plot(t,y);
xlabel('detik');
ylabel('rad');

Hal.
20
Gambar 2.16. Tanggapan sudut satelit terhadap acuan 0,5 rad dengan Gp, Gd dan Go
=1
Program utama di atas adalah mensimulasikan sistem kendali sudut satelit
dengan waktu pencuplikan sebesar 10 mdet, selama 10 detik. Dengan Gp, Gd dan Go
sebesar 1, serta acuan 0,5 rad. Jika program utama tersebut dijalankan (dieksekusi)
maka akan didapatkan grafik tanggapan (dengan garis tebal) seperti terlihat dalam
Gambar 4.7, sedangkan grafik tanggapan dengan garis putus-putus adalah grafik
tanggapan sistem dengan menggunakan defuzzifikasi yang kedua(bobot tiap kaidah
dikalikan dengan titik tengah fungsi keanggotaan keluaran).
Gambar 2.17 adalah grafik tanggapan sistem kendali dengan nilai Gp, Gd dan Go
yang diubah. Grafik bertanda 1 adalah untuk Gp=0.5, Gd=1 dan Go=1, grafik bertanda 2
adalah untuk Gp=1, Gd=0.5 dan Go=1, sedangkan grafik bertanda 3 adalah untuk Gp=1,
Gd=1 dan Go=0.5.

Hal.
21
Gambar 2.17. Tanggapan posisi satelit dengan nilai penguatan yang berbeda.
Dari penjelasan di atas, nilai penguatan pengendali yang berbeda, akan
memberikan hasil tanggapan sistem yang berbeda pula. Terdapat dua besaran pengutan
yang dapat ditala, yaitu penguatan pada sisi masukan dan sisi keluaran. Penguatan pada
sisi masukan adalah Gp dan Gd sedangkan penguatan pada sisi keluaran adalah Go.
Jika dilihat dari bentuk fungsi keanggotaan, perubahan nilai penguatan pengendali
memiliki persamaan dengan perubahan lebar dasar dan skala titik tengah segitiga
himpunan keanggotaan masukan maupun keluarannya. Jika penguatan masukan
diperbesar, maka akan setara dengan pengecilan lebar dasar dan skala titik tengah
segitiganya dan demikian sebaliknya akan memperbesar lebar dasar dan skala titik
tengah segitiga himpunan masukannya. Sedangkan untuk penguatan keluaran, jika
diperbesar maka akan setara dengan memperbesar skala titik tengah dan lebar
himpunan fuzzy keluarannya. Proses ini dapat dilihat pada Gambar 4.9 dan 4.10.

Hal.
22
(a) (b)
(c)
Gambar 2.18. Perubahan penguatan masukan setara dengan perubahan fungsi
keanggotaan fuzzy.
Gambar 2.18(a) adalah bentuk fungsi keanggotaan masukan dengan penguatan
sebesar 1, Gambar 2.18 (b) adalah untuk penguatan sebesar 2, sedangakan Gambar 2.18
(c) adalah untuk penguatan 0,5.

Hal.
23
(a) (b)
(c)
Gambar 2.19. Perubahan nilai penguatan keluaran setara dengan perubahan bentuk
fungsi keanggotaan fuzzy keluaran
Gambar 2.19 (a) adalah bentuk fungsi keanggotaan dengan penguatan sebesar 1,
Gambar 2.19 (b) adalah untuk penguatan sebesar 0.5, sedangkan Gambar 2.19 (c)
adalah untuk penguatan sebesar 2.
Sumber : http://www.trensains.com/fuzzy_tut.htm

Hal.
24
2.4.2 Latihan
1. Apakah Logika Fuzzy?
Jawab :
Logika Fuzzy didefinisikan sebagai sebuah logika yang memiliki nilai kabur atau tidak
tegas
- Apakah perbedaan dengan logika tegas?
Jawab :
- logika tegas memiliki nilai tidak=0.0 atau ya=1.0
- logika Fuzzy memiliki nilai antara 0.0 hingga 1.0
- Apakah Himpunan Logika Fuzzy?
Jawab :
Himpunan Fuzzy: pengelompokan sesuatu berdasarkan variabel
linguistik/Linguistik Variable, yang dinyatakan dalam fungsi keanggotaan.
- bagaimana sejarah logika fuzzy?
Jawab :
Dikembangkan oleh Prof. Lotfi Zadeh pada sekitar tahun 1960-an dengan
penentuan himpunan Fuzzy (Fuzzy sets).
2. Apa sajakah dasar Logika fuzzy?
Jawab :
- Keanggotaan logika fuzzy
- Aritmatika logika fuzzy
- Aturan dasar logika fuzzy
- Apakah fungsi keanggotaan Logika Fuzzy?
Jawab :

Hal.
25
Derajat keanggotaan suatu nilai terhadap nilai tegasnya yang berkisar antara 0
sampai dengan 1
- Apakah operasi himpunan Fuzzy?
Jawab :
- Gabungan (union)
- Irisan (intersection)
- Kesamaan (Equality)
- Komplemen (Complement)
- Produk (Product)
- Apakah Aturan dasar Logika Fuzzy?
Aturan Fuzzy dinyatakan dalam bentuk Relasi/implikasi“Jika-MAka” atau “If –
Then
3. bagaimanakah cara kerja Kontrol Logika Fuzzy?
Jawab :
Cara kerja kontrol logika fuzzy terdiri dari :
- Input
- Fuzzyfikasi
- Mesin penalar
- Mesin penalar
- defuzzyfikasi
- output nilai tegas
- Apakah Fuzzyfikasi?
Jawab :
Fuzzifikasi adalah proses pengubahan nilai tegas/real yang ada ke dalam fungsi
keanggotaan

Hal.
26
- Apakah Mesin Inference Logika Fuzzy?
Jawab :
proses implikasi untuk Pengambil Keputusan
- Apakah Defuzzyfikasi?
Jawab :
Merupakan proses pemetaan himpunan fuzzy ke himpunan tegas (crips).
4. Bagaimanakah contoh kerja Logika Fuzzy?
Jawab :
Pengendalian suhu ruangan dengan menggunakan logika fuzzy

Logika fuzzy

Recommended

Recommended

More Related Content

Viewers also liked

Viewers also liked (18)

Similar to Logika fuzzy

Similar to Logika fuzzy (13)

Recently uploaded

Recently uploaded (20)

Logika fuzzy