Artificial Intellegenci merupakan bidang ilmu komputer yang dikhususkan untuk memecahkan masalah kognitif yang umumnya terkait dengan kecerdasan manusia, seperti pembelajaran, pemecahan masalah, dan pengenalan pola.
Similar to Presentasi fuzzy logic (Logika Fuzzy) (20)
3. Pengertian Fuzzy Logic
• Fuzzy Logic adalah sebuah pendekatan untuk komputasi
berdasarkan "derajat kebenaran" daripada biasa "benar atau
salah" (1 atau 0) logika Boolean yang didasarkan pada komputer
modern. Atau juga Logika fuzzy adalah suatu cara yang tepat
untuk memetakan suatu ruang input ke dalam suatu ruang
output.
• Logika fuzzy diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas
California, Berkeley pada 1965 atas usulan dalam papernya yang
monumental “Fuzzy Set”. Dalam paper tersebut dipaparkan ide
dasar fuzzy set yang meliputi inclusion, union, intersection,
complement, relation dan convexity.
4. Sejarah Fuzzy LOgic
• 1965 Dalam papernya "Fuzzy Logic" oleh Prof. Lotfi Zadeh, Fakultas Teknik
Elektro, UC Berkeley, Menentukan Pondasi "Teori Set Fuzzy“
• 1970 Aplikasi pertama Fuzzy Logic dalam Control Engineering (Europe)
• 1975 Pengenalan Fuzzy Logic di Jepang
• 1980 Verifikasi Empiris Fuzzy Logic di Eropa
• 1985 Penerapan Luas Fuzzy Logic di Jepang
• 1990 Penerapan Luas Fuzzy Logic di Eropa
• 1995 Penerapan Luas Fuzzy Logic di U.S.
• 2000 Fuzzy Logic Menjadi Teknologi Standar dan juga diterapkan dalam Data
dan Analisis Sensor Signal. Terutama Penerapan Fuzzy Logic dalam Bisnis dan
Keuangan.
5. Alasan Digunakannya Fuzzy Logic
Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain:
• Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari
penalaran fuzzy sangat sederhana dan mudah dimengerti.
• Logika fuzzy sangat fleksibel.
• Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
• Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat
kompleks.
• Logika fuzzy dapat membangun dan mengaplikasikan pengalaman para pakar
secara langsung tanpa harus melalui proses pelatihan.
• Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara
konvensional.
• Logika fuzzy didasarkan pada bahasa alami.
6. Himpunan Fuzzy
• Pada himpunan tegas (crisp), nilai keanggotaan
suatu item x dalam suatu
• himpunan A, yang sering ditulis dengan μA[x],
memiliki 2 kemungkinan, yaitu:
• satu (1), yang berarti bahwa suatu item menjadi
anggota dalam suatu
• himpunan, atau
• nol (0), yang berarti bahwa suatu item tidak
menjadi anggota dalam
• suatu himpunan.
7. Contoh 1:
Jika diketahui:
• S = {1, 2, 3, 4, 5, 6} adalah semesta pembicaraan.
• A = {1, 2, 3}
• B = {3, 4, 5}
bisa dikatakan bahwa:
• Nilai keanggotaan 2 pada himpunan A, μA[2]=1, karena 2∈A.
• Nilai keanggotaan 3 pada himpunan A, μA[3]=1, karena 3∈A.
• Nilai keanggotaan 4 pada himpunan A, μA[4]=0, karena 4∉A.
• Nilai keanggotaan 2 pada himpunan B, μB[2]=0, karena 2∉B.
• Nilai keanggotaan 3 pada himpunan B, μB[3]=1, karena 3∈B.
Contoh 2:
Misalkan variabel umur dibagi menjadi 3 kategori, yaitu:
• MUDA umur < 35 tahun
• PAROBAYA 35 ≤ umur ≤ 55 tahun
• TUA umur > 55 tahun
Nilai keanggotaan secara grafis, himpunan MUDA, PAROBAYA dan TUA ini dapat
dilihat pada Gambar 2.
8. • Pada Gambar 7.2, 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);
9. • apabila seseorang berusia 35 tahun kurang 1 hari,
maka ia dikatakan
• TIDAK MUDA (μMUDA[35 th -1hr]=0);
• apabila seseorang berusia 35 tahun, maka ia
dikatakan PAROBAYA
• (μPAROBAYA[35]=1);
• apabila seseorang berusia 34 tahun, maka ia
dikatakan TIDAK PAROBAYA
• (μPAROBAYA[34]=0);
• apabila seseorang berusia 35 tahun, maka ia
dikatakan PAROBAYA
• (μPAROBAYA[35]=1);
• apabila seseorang berusia 35 tahun kurang 1 hari,
maka ia dikatakan
• TIDAK PAROBAYA (μPAROBAYA[35 th - 1 hr]=0);
10. • 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. Seseorang dapat masuk dalam 2 himpunan yang
berbeda, MUDA dan PAROBAYA, PAROBAYA dan TUA, dsb.
• Seberapa besar eksistensinya dalam himpunan tersebut
dapat dilihat pada nilai keanggotaannya.
• Seseorang yang berumur 40 tahun, termasuk dalam
himpunan MUDA dengan μMUDA[40]=0,25; namun dia
juga termasuk dalam himpunan
• PAROBAYA dengan μPABOBAYA[40]=0,5.
• Seseorang yang berumur 50 tahun, termasuk dalam
himpunan TUA dengan μTUA[50]=0,25; namun dia juga
termasuk dalam himpunan
• PAROBAYA dengan μPABOBAYA[50]=0,5.
11. Atribut Fuzzy
• Himpunan fuzzy memiliki 2 atribut:
• A. Linguistik, yaitu penamaan suatu grup yang
mewakili suatu keadaan atau kondisi tertentu
dengan menggunakan bahasa alami, seperti:
MUDA, PAROBAYA, TUA
• B. Numeris, yaitu suatu nilai (angka) yang
menunjukan ukuran dari suatu variabel
seperti: 40, 25, 35
12. Database Fuzzy
• Setelah relationship fuzzy ditentukan, untuk
mengembangkan database relasional fuzzy. Pertama
database relasional fuzzy, FRDB(fuzzy relational database)
dipaparkan dalam tesis Maria Zemankova ini. Kemudian,
beberapa model lain muncul seperti model Buckles-Petry,
Model Prade-Testemale, model umano-Fukami atau
model GEFRED oleh JM Medina, MA Vila dkk. Dalam
konteks database fuzzy, beberapa bahasa query fuzzy
sudah ditentukan, dipaparkan SQLf oleh P. Bosc dkk. dan
FSQL oleh J. Galindo dkk. Bahasa-bahasa ini menentukan
beberapa struktur dengan tujuan untuk menyertakan
aspek fuzzy dalam laporan SQL, seperti ketentuan fuzzy,
pembanding fuzzy, konstanta fuzzy, kendala fuzzy, ambang
batas fuzzy, label linguistik dan sebagainya.
13. Operatot Dasar Zadeh
• Operator Dasar Zadeh
• •Operator AND
Operator ini berhubungan dengan operasi interseksi pada
himpunan. Α
-predikat sebagai hasil operasi dengan operator AND
diperoleh mengambil nilai keanggotaan terkecil antar
elemen pada himpunan-himpunan yang bersangkutan
dengan μA∩B = min(μA[x], μB[y])
• Operator OR
Operator iniberhubungandenganperasiunion padahimpunan.
14. • α-predikat sebagai hasil operasi dengan operator
AND diperoleh mengambil nilai keanggotaan
terkecil antar elemen pada himpunan-himpunan
yang bersangkutan dengan μAUB = max(μA[x],
μB[y])
• •Operator NOT
Operator ini berhubungan dengan operasi
komplemen himpunan. α-predikat sebagai hasil
operasi dengan operator AND diperoleh
mengambil nilai keanggotaan terkecil antar
elemen pada himpunan-himpunan yang
bersangkutan dengan μA’= 1-μA[x]
15. Derajat Kebenaran
• Logika fuzzy dan logika probabilitas secara matematis
sama - keduanya mempunyai nilai kebenaran yang
berkisar antara 0 dan 1 - namun secara konsep berbeda.
Logika fuzzy berbicara mengenai "derajat kebenaran",
sedangkan logika probabilitas mengenai "probabilitas,
kecenderungan". Karena kedua hal itu berbeda, logika
fuzzy dan logika probabilitas mempunyai contoh
penerapan dalam dunia nyata yang berbeda. Logika klasik
hanya mengizinkan proposisi memiliki nilai kebenaran
atau kesalahan. Gagasan 1 + 1 = 2 adalah kebenaran
mutlak, kekal dan matematika. Namun, terdapat proposisi
tertentu dengan jawaban variabel, seperti meminta
sebagian orang untuk mengidentifikasi warna. Gagasan
kebenaran tidak jatuh di tengah jalan, tapi lebih pada
sarana yang mewakili dan penalaran lebih pengetahuan
parsial ketika diberikan, dengan menggabungkan semua
hasil yang mungkin menjadi spektrum dimensi.
16. • Jepang adalah negara pertama yang memanfaatkan
logika fuzzy untuk aplikasi praktis. Aplikasi penting
pertama adalah di kereta kecepatan tinggi di Sendai, di
mana logika fuzzy mampu meningkatkan ekonomi,
kenyamanan, dan ketepatan perjalanan. Hal ini juga
telah digunakan dalam pengakuan simbol tertulis di
komputer mini sony; bantuan pesawat helikopter;
mengendalikan sistem kereta bawah tanah dalam
rangka meningkatkan kenyamanan berkendara,
ketepatan menghentikan, dan ekonomi kekuasaan;
konsumsi hemat energi untuk ponsel otomatis; kontrol
tunggal tombol untuk mesin cuci; kontrol motor
otomatis untuk pembersih vakum dengan pengakuan
kondisi permukaan dan tingkat kekotoran; dan sistem
prediksi untuk pengakuan awal dari gempa bumi
melalui Institut Seismologi Biro Metrologi, Jepang
17. Penerapan Fuzzy Logic
• Jika diamati pengalaman pada negara-negara berteknologi tinggi,
khususnya di negara Jepang, pengendali fuzzy sudah sejak lama dan
luas digunakan di industri-industri dan alat-alat elektronika. Beberapa
contoh aplikasi yang menggunakan pengendali fuzzy antara lain:
• Dalam teknologi otomotif : sistem transmisi otomatis fuzzy dan
pengendali kecepatan idle fuzzy.
• Dalam teknologi transportasi :
• Pengendali fuzzy anti-slip untuk kereta listrik, sistem pengaturan dan
perencanaan perparkiran, sistem pengaturan lampu lalu lintas, dan
pengendalian kecepatan kendraan di jalan bebas hambatan.
• Dalam peralatan sehari-hari : mesin cuci fuzzy dan vacum cleaner
fuzzy dan lain-lain.
• Dalam aplikasi industri di antaranya : industri kimia, sistem
pengolahan kertas, dan lain-lain.
• Dalam power satations : sistem diagnosis kebocoran-H2