Makalah Fuzzy Logic

MAKALAH

  FUZZY LOGIC

Diajukan Sebagai Tugas Mata Kuliah

Pengantar Teknologi Sistem Cerdas

Dosen :

Ibu Eel Susilowati

 

Disusun Oleh :

Hilmi Aulia                      141149999

I Gusti Agung                  1C114801

Irvan Idris                        15114475

Joshua Azarya                  15114703

M Dicky Taruna               17114159

M Faiz Hamman               17114203

 M Junda Naufal                17114385

 M Syakh Daoe                  17114559

Kelompok 4

KELAS 3KA13

JURUSAN SISTEM INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS GUNADARMA

2016

KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa karena atas rahmat dan nikmat yang telah dilimpahkan kepada penulis, sehingga penulis dapat menyelesaikan makalah yang berjudul ”Fuzzy Logic Dan Penerapannya”.

Terselesainya makalah ini tidak lepas dari dukungan beberapa pihak yang telah memberikan kepada penulis berupa motivasi, baik materi maupun moril. Oleh karena itu, penulis bermaksud mengucapkan banyak terima kasih kepada seluruh pihak yang tak dapat saya sebutkan satu persatu, semua yang telah membantu terselesaikannya makalah ini. Penulis menyadari bahwa penyusunan makalah ini belum mencapai kesempurnaan, sehingga kritik dan saran yang bersifat membangun sangat penulis harapkan dari berbagai pihak demi kesempurnaan makalah ini. Akhirnya penulis berharap semoga makalah ini dapat bermanfaat bagi kita semua.

Depok, 29 Desember 2016

Penulis

BAB I

PENDAHULUAN

1.1    Latar Belakang Masalah

Logika Fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau kesamaran (fuzzyness) antara benar atau salah. Dalam logika klasik dinyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak), sedangkan 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 ini berhubungan dengan himpunan fuzzy dan teori kemungkinan. Logika fuzzy ini diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley pada 1965. Logika fuzzy dapat digunakan dalam bidang teori kontrol, teori keputusan, dan beberapa bagian dalam managemen sains. Selain itu, kelebihan dari logika fuzzy adalah kemampuan dalam proses penalaran secara bahasa (linguistic reasoning), sehingga dalam perancangannya tidak memerlukan persamaan matematik dari objek yang dikendalikan. Adapun salah satu contoh aplikasi logika fuzzy dalam kehidupan sehari-hari adalah Pada 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 makin redup. Disamping itu, sistem juga dapat menentukan jenis kotoran (daki atau minyak).

1.2    Rumusan Masalah

1.      Apa Pengertian Dari Fuzzy Logic?

2.      Bagaimana Sejarah Fuzzy Logic?

3.      Apa Perbedaan Fuzzy Logic dengan Crisp Logic?

4.      Apakah Himpunan Fuzzy Logic?

5.      Apa Fuzzyfikasi dan Defuzzyfikasi itu?

6.      Apa Kelebihan Dan Kekurangan Menggunakan Fuzzy Logic?

1.3    Pembatasan Masalah

Adapun pembatasan masalah dalam penulisan tugas ini adalah hanya pada variabel, keterbatasan dan kekonvekan pada himpunan fuzzy dimensi satu.

1.4    Tujuan Penulisan

a.       Memahami Tentang Fuzzy Logic dan penerapannya

b.      Memahami Derajat Kebenaran dan Variabel linguistik Fuzzy logic

c.       Memahami atribut Fuzzy logic dan Himpunan fuzzy

d.      Memahami pengertian Fuzzyfikasi dan Defuzzyfikasi

BAB II

PEMBAHASAN

2.1 Pengertian Fuzzy Logic dan Sejarahnya

Sebelumnya munculnya Teori logika fuzzy (fuzzy logic) dikenal sebuah logika tegas (crisp Logic) yang memiliki nilai benar atau salah secara tegas. Saat logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah biner (0 atau 1, hitam atau putih, ya atau tidak), 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 ini berhubungan dengan set fuzzy dan teori kemungkinan. 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. Lotfi Zadeh mengatakan Integrasi Logika Fuzzy kedalam sistem informasi dan rekayasa proses adalah menghasilkan aplikasi seperti sistem kontrol, alat alat rumah tangga, dan sistem pengambil keputusan yang lebih fleksibel, mantap, dan canggih dibandingkan dengan sistem konvensional. Dalam hal ini kami dapat mengatakan bahwa logika fuzzy memimpin dalam pengembangan kecerdasan mesin yang lebih tinggi ( machine Intelligency Quotient / MIQ ) Produk produk berikut telah menggunakan logika fuzzy dalam alat alat rumah tangga seperti mesin cuci, video dan kamera refleksi lensa tunggal, pendingin ruangan, oven microwave, dan banyak sistem diagnosa mandiri.. Logika fuzzy telah diterapkan pada berbagai bidang, dari teori kontrol untuk kecerdasan buatan. Logika fuzzy telah diteliti sejak tahun 1920-an, sebagai nilai yang tak terbatas terutama logika oleh Lukasiewicz dan Tarski.

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

2.2 Derajat kebenaran Dan Variabel Linguistik

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.

dua derajat kebenaran dan probabilitas berkisar antara 0 dan 1 dan karenanya mungkin tampak serupa pada awalnya. Sebagai contoh, satu segelas 100 ml mengandung 30 ml air. Kemudian dapat mempertimbangkan dua konsep: kosong dan penuh. Arti dari masing-masing dapat direpresentasikan oleh himpunan fuzzy tertentu. Maka salah satu mungkin mendefinisikan kaca sebagai 0,7 kosong dan 0,3 penuh. Perhatikan bahwa konsep kekosongan akan subjektif dengan demikian akan tergantung pada pengamat atau desainer. Desainer lain mungkin, sama baiknya, merancang fungsi keanggotaan set di mana kaca akan dianggap penuh untuk semua nilai 50 ml. Sangat penting untuk menyadari bahwa logika fuzzy menggunakan derajat kebenaran sebagai model matematika dari fenomena ketidakjelasan sementara probabilitas adalah model matematika dari ketidaktahuan.

Sebuah dasar aplikasi mungkin memiliki berbagai ciri sub-rentang variabel kontinu. Misalnya, pengukuran suhu untuk rem anti-lock mungkin memiliki beberapa fungsi keanggotaan terpisah, rentang suhu tertentu yang diperlukan untuk mengendalikan rem benar. Setiap fungsi nilai suhu yang sama untuk nilai kebenaran dalam jangkauan 0-1. Nilai kebenaran ini kemudian dapat digunakan untuk menentukan bagaimana rem harus dikontrol.

Dalam gambar ini, arti dari ekspresi dingin, hangat, dan panas yang diwakili oleh fungsi pemetaan skala suhu. Sebuah titik pada skala yang memiliki tiga "nilai kebenaran" - satu untuk masing-masing dari tiga fungsi. Garis vertikal pada gambar mewakili suhu tertentu bahwa tiga anak panah (nilai kebenaran) gauge. Karena panah merah poin ke nol, suhu ini dapat ditafsirkan sebagai "tidak panas". Panah orange (menunjukkan 0.2) dapat menggambarkannya sebagai "sedikit hangat" dan panah biru (menunjukkan 0,8) "cukup dingin". Dalam logika matematika, ada beberapa sistem formal "fuzzy logic"; kebanyakan disebut t-norma logika fuzzy.

Variabel dalam matematika biasanya mengambil nilai-nilai numerik, dalam aplikasi logika fuzzy, non-numerik sering digunakan untuk memfasilitasi aturan dan fakta.
Sebuah variabel linguistik seperti usia mungkin memiliki nilai seperti muda atau tua. Namun, kegunaan besar variabel linguistik bahwa dapat dimodifikasi dengan membatasi linguistik yang diterapkan untuk hal utama. pembatas nilai linguistik dapat dikaitkan dengan fungsi-fungsi tertentu. Untuk memperluas Fuzzy logic dengan menambahkan kuantitas universal dan eksistensial dengan cara serupa yaitu logika predikat dibuat dari logika proposisional.

Contoh:

1.      Manajer pergudangan mengatakan pada manajer produksi seberapa banyak persediaan barang pada akhir minggu ini, kemudian manajer produksi akan menetapkan jumlah barang yang harus diproduksi esok hari.

2.      Pelayan restoran memberikan pelayanan terhadap tamu, kemudian tamu akan memberikan tip yang sesuai atas baik tidaknya pelayanan yang diberikan.

3.      Penumpang taksi berkata pada sopir seberapa cepat laju kendaraan yang diinginkan, sopir taksi akan mengatur pijakan gas taksinya.

4.      Anda mengatakan pada saya seberapa sejuk ruangan yang anda inginkan,saya akan mengatur putaran kipas yang ada pada ruangan ini.

2.3 Alasan Digunakannya Fuzzy Logic

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 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.

2.4 Aplikasi fuzzy Logic

Beberapa aplikasi Fuzzy Logic, antara lain:

1.        Pada 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 makin redup. Disamping itu, sistem juga dapat menentukan jenis kotoran (daki atau minyak).

2.        Transmisi otomatis pada mobil. Mobil Nissan telah menggunakan sistem fuzzy pada transmisi otomatis, dan mampu menghemat bensin 12 – 17%.

3.        Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu.

4.        Ilmu kedokteran dan biologi, seperti sistem diagnosis yang didasarkan pada logika fuzzy, penelitian kanker, manipulasi peralatan prostetik yang didasarkan pada logika fuzzy, dll.

5.        Manajemen dan pengambilan keputusan, seperti manajemen basis data 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.

6.        Ekonomi, seperti pemodelan fuzzy pada sistem pemasaran yang kompleks,dll.

7.        Klasifikasi dan pencocokan pola.

8.        Psikologi, seperti logika fuzzy untuk menganalisis kelakuan masyarakat, pencegahan dan investigasi kriminal, dll.

9.        Ilmu-ilmu sosial, terutam untuk pemodelan informasi yang tidak pasti.

10.    Ilmu lingkungan, seperti kendali kualitas air, prediksi cuaca, dll.

11.    Teknik, seperti perancangan jaringan komputer, prediksi adanya gempa bumi, dll.

12.    Riset operasi, seperti penjadwalan dan pemodelan, pengalokasian, dll.

13.    Peningkatan kepercayaan, seperti kegagalan diagnosis, inspeksi dan monitoring produksi.

14.    sebagai alat bantu pengambil keputusan seperti proses pembuatan program fuzzy logic dalam bahasa pemrograman Java yang diaplikasikan untuk menentukan Jumlah Produk yang dihasilkan berdasarkan kondisi Suhu, Kebisingan dan Pencahayaan.

2.5 Perbedaan Fuzzy Logic (logika Fuzzy) dengan Crisp Logic (Logika Tegas)

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 1: Logika Tegas (Crisp Logic)

Gambar 2: Logika Fuzzy (Fuzzy Logic)

Didalam Gambar 1 Crisp Logic, 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 dalah dikatakan salah.

Didalam Gambar 2 Fuzzy Logic, apabila nilai X=9, atau 8 atau 7 atau antara nilai 0 dan 10 adalah dikatakan ada benarnya dan ada juga salahnya.

2.6 Atribut Dan Himpunan Fuzzy Logic

•Linguistik : yaitu nama suatu kelompok yang mewakili suatu keadaan tertentu dengan menggunakan bahasa alami, misalnya DINGIN, SEJUK, PANAS, dsb.

•Numeris : yaitu suatu nilai yang menunjukkan ukuran dari suatu variabel, misalnya 10, 35, 40 dsb.
Contoh :

a. Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu: MUDA, PAROBAYA, dan TUA.

b. Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.

Gambar 3. Himpunan Fuzzy Untuk variabel Umur

Dalam fuzzy logic variabel yang bersifat kabur tersebut direpresentasikan sebagai sebuah himpunan yang anggotanya adalah suatu nilai crisp dan derajat keanggotaannya (membership function) dalam himpunan tersebut

Proses-proses dalam fuzzy logic adalah fuzzifikasi, penalaran (reasoning), dan defuzzifikasi:

Fuzzifikasi: merupakan proses untuk mendapatkan derajat keanggotaan dari sebuah nilai numerik masukan (crisp)

Penalaran: proses untuk mendapatkan aksi keluaran dari suatu kondisi input dengan mengikuti aturan-aturan (IF-THEN Rules) yang telah ditetapkan yang disebut sebagai inference/reasoning.

Defuzzifikasi: proses untuk merubah hasil penalaran yang berupa derajat keanggotaan keluaran menjadi variabel numerik kembali.

Blok diagram proses fuzzy logic ditunjukkan pada Gambar 4.

Gambar 4: Blok diagram proses dalam fuzzy logic

Himpunan fuzzy adalah pengelompokan sesuatu berdasarkan variabel bahasa (linguistik variable), yang dinyatakan dengan fungsi keanggotaan, dalam semesta U. Keanggotaan suatu nilai pada himpunan dinyatakan dengan derajat keanggotaan yang nilainya antara 0.0 sampai 1.0. Himpunan fuzzy didasarkan pada gagasan untuk memperluas jangkauan fungsi karakteristik sedemikian hingga fungsi tersebut akan mencakup bilangan real pada interval [0,1]. Nilai keanggotaannya menunjukkan bahwa suatu item tidak hanya bernilai benar atau salah. Nilai 0 menunjukkan salah, nilai 1 menunjukkan benar, dan masih ada nilai-nilai yang terletak antara benar dan salah. Pada himpunan fuzzy, sebuah objek dapat berada pada sebuah himpunan secara parsial. Derajat keanggotaan dalam himpunan fuzzy diukur dengan fungsi yang merupakan generalisasi dari fungsi karakteristik yang disebut fungsi keanggotaan atau fungsi kompatibilitas. Fungsi keanggotaan dari himpunan fuzzy Û didefinisikan sebagai Û : x → [0,1].

Contoh: Jika diketahui:

S = [1, 2, 3, 4, 5, 6] adalah semesta pembicaraan

A = [1, 2, 3],   B = [3, 4, 5]

Maka dapat dikatakan:

_ Nilai keanggotaan 2 pada himpunan A, μA[2]=1, karena .

_ Nilai keanggotaan 3 pada himpunan A, μA[3]=1, karena

_ Nilai keanggotaan 4 pada himpunan A, μA[4]=0, karena

_ Nilai keanggotaan 2 pada himpunan B, μB[2]=0, karena

_ Nilai keanggotaan 3 pada himpunan B, μB[3]=1, karena

Hal – hal yang terdapat pada sistem fuzzy :

a.    Variabel Fuzzy, merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy, seperti umur, temperatur, dsb

b.    Himpunan Fuzzy, merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy.

c.    Semesta Pembicaraan, adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Contoh:

Q      Semesta pembicaraan untuk variabel umur: [0 +∞)

Q      Semesta pembicaraan untuk variabel temperatur: [0 40]

d.   Domain, adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Contoh domain himpunan fuzzy: MUDA = [0 45], TUA = [45 +∞), DINGIN = [0 20], SEJUK = [15 25], NORMAL = [20 30], HANGAT = [25 35], PANAS = [30 40]

2.7 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.

2.8 Contoh Sistem Fuzzy Logic

Mari kita mempertimbangkan sistem pendingin udara dengan 5-level sistem logika fuzzy. Sistem ini menyesuaikan suhu AC dengan membandingkan suhu kamar dan nilai suhu target.

Algoritma:

& Mendefinisikan variabel linguistik dan istilah.

& Merekonstruksi fungsi keanggotaan

& Merekonstruksi aturan dasar basis pengetahuan.

& Mengkonversi Crisp data menjadi data set fuzzy menggunakan fungsi keanggotaan. (fuzzifikasi)

& Mengevaluasi aturan dalam aturan basis. (mesin antarmuka)

& Menggabungkan hasil dari setiap aturan. (mesin antarmuka)

& Mengkonversi data output ke nilai-nilai non-fuzzy. (defuzzifikasi)

Langkah 1: Mendefinisikan variabel linguistik dan istilah.

Variabel linguistik yang input dan output dalam bentuk kata-kata sederhana atau kalimat. Untuk suhu kamar, dingin, hangat, panas, dll, adalah istilah linguistik.

     Suhu (t) = {sangat dingin, dingin, hangat, sangat-hangat, panas}

Setiap anggota dari himpunan ini adalah istilah linguistik dan dapat menutupi beberapa bagian dari nilai suhu keseluruhan.

Langkah 2: Merekonstruksi fungsi keanggotaan

Fungsi keanggotaan variabel suhu seperti yang ditunjukkan

Langkah 3: Merekonstruksi aturan dasar basis pengetahuan.

Membuat matriks nilai-nilai suhu kamar terhadap nilai-nilai suhu target itu sistem pendingin udara ini diharapkan dapat memberikan:

Target	Sangat Dingin	Dingin	Hangat	Panas	Sangat Panas
Sangat Dingin	Tidak ada perubahan	Panas	Panas	Panas	Panas
Dingin	Dingin	Tidak ada perubahan	Panas	Panas	Panas
Hangat	Dingin	Dingin	Tidak ada perubahan	Panas	Panas
Panas	Dingin	Dingin	Dingin	Tidak ada perubahan	Panas
Sangat panas	Dingin	Dingin	Dingin	Dingin	Tidak ada perubahan

Membuat satu set aturan dalam basis pengetahuan dalam bentuk struktur IF-THEN-ELSE

Sr No	Kondisi	Tindakan
1	IF temperature=(Cold OR Very_Cold) AND target=Warm THEN	Panas
2	IF temperature=(Hot OR Very_Hot) AND target=Warm THEN	Dingin
3	IF (temperature=Warm) AND (target=Warm) THEN	Tidak ada perubahan

Langkah 4: Mendapatkan nilai fuzzy

Operasi himpunan fuzzy melakukan mengevaluasi aturan. Operasi digunakan untuk OR dan AND adalah masing masing Max dan Min. gabungkan semua hasil evaluasi untuk membentuk hasil akhir. Hasil ini adalah nilai fuzzy.

Langkah 5: Lakukan defuzzifikasi

Defuzzifikasi dilakukan sesuai dengan fungsi keanggotaan untuk variabel output.

2.9  Fuzzyfikazi Dan Defuzzyfikasi

a. Fuzzyfikasi adalah pemetaan nilai input yang merupakan nilai tegas ke dalam fungsi keanggotaan himpunan fuzzy, untuk kemudian diolah di dalam mesin penalaran. fuzzyfikasi : x → μ(x).
b. Defuzzyfikasi merupakan kebalikan dari fuzzyfikasi, yaitu pemetaan dari himpunan fuzzy ke himpunan tegas.Input dari proses defuzzyfikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy. Hasil dari defuzyfikasi ini merupakan output dari sistem kendali logika fuzzy. Defuzzyfikasi dideskripsikan sebagai Z* = defuzzyfier (Z) (16) dengan Z = hasil penalaran fuzzy Z* = keluaran kendali logika fuzzy deffuzyfier = fungsi defuzzyfikasi [2] Metode defuzzyfikasi antara lain: [2] 1. Metode Maximum
Metode ini juga dikenal dengan metode puncak, yang nilai keluarannya dibatasi oleh fungsi μc(z*)>μc 1 (z).
2. Metode titik tengah
Metode titik tengah juga disebut metode pusat area. Metode ini lazim dipakai dalam proses defuzzyfikasi. Keluaran dari metode ini adalah titik tengah dari hasil proses penalaran.
3. Metode rata-rata
Metode ini digunakan untuk fungsi keanggotaan keluaran yang simetris. Keluaran dari metode ini adalah nilai rata-rata dari hasil proses penalaran.
4. Metode penjumlahan titik tengah
Keluaran dari metode ini adalah penjumlahan titik tengah dari hasil proses penalaran.
5. Metode titik tengah area terbesar
Dalam metode ini, keluarannya adalah titik pusat dari area terbesar yang ada.

2.10 Pemrograman dengan bahasa Assembly

Setelah kita menemukan rumus untuk normalisasi dan denormalisasi, maka program assembly dapat dibuat. Jika kita ingin membuat suatu fuzzy system untuk aplikasi yang lain, tidak perlu harus sama dengan program yang telah ada, tetapi yang perlu diketahui sebelum membuat suatu fuzzy sistem adalah bagaimana cara untuk menormalisasikan input dan mendenormalisasikan output-nya sebelum data dapat diolah. Hal ini dilakukan agar nilai-nilai tersebut dapat diterima oleh DT-51 PetraFuz.

Routine fuzzify dari PetraFuz terletak di alamat 0900h, untuk menjalankannya kitaa harus menggunakan perintah LCALL 0900h. Berikut ini adalah contoh format yang digunakan dalam menggunakan DT-51 PetraFuz.

Fuzzify EQU 0900H

Current_ins EQU 0BH

Cog_Outs EQU 0DH

Keterangan:

- Fuzzify : Routine PetraFuz

- Current_ins : Crisp Input PetraFuz

- Cog_Outs : Crisp Output PetraFuz

Jika kita mau memakai internal RAM maka kita harus memakai dengan alamat minimal 063H. Karena 08H – 62H digunakan oleh routine PetraFuz Engine.

Contoh program perhitungan error:

MOV A, SP ; memasukkan nilai SP (kecepatan yang diminta)

MOV R0, PV ; memasukkan nilai PV (kecepatan sekarang)

SUBB A, R0

MOV ERROR, A

Contoh program perhitungan dError:

MOV A, ERROR ; Error(n)

MOV R0, ERROR-1 ; Error(n-1)

SUBB A, R0

MOV DERROR, A

Di dalam aplikasi ini yang dinormalisasikan adalah hasil dari Error dan dErrror (bukan Error dan dError), setelah itu baru dimasukkan sebagai input ke DT-51 PetraFuz. Nilai Error yang sesungguhnya harus disimpan ke dalam suatu register, karena Error yang belum dinormalisasi akan digunakan dalam perhitungan denormalisasi yaitu untuk nilai Error(n-1).

Contoh program untuk memasukkan data Error dan dError ke dalam DT-51 PetraFuz, setelah itu memanggil prosedur Fuzzify dan melihat hasilnya di register accumulator.

MOV CURRENT_INS,ERROR

MOV CURRENT_INS+1,DERROR

LCALL FUZIFY

MOV A,COG_OUTS

Hasil dari register accumulator di atas adalah nilai crisp output dan nilai tersebut harus didenormalisasikan. Contoh di atas bukanlah contoh program secara khusus melainkan contoh program secara garis besar. Hal ini dikarenakan tidak adanya program untuk normalisasi dan denormalisasi. Sebelum nilai crisp input dimasukkan ke dalam DT-51 PetraFuz, nilainya harus dinormalisasikan terlebih dahulu. Nilai crisp output yang telah diperoleh di register accumulator pada contoh di atas juga belum didenormalisasikan.

Di dalam pembuatan suatu program assembly, kalau bisa hindari pembuatan program aritmatika yang cukup kompleks, misalnya perkalian atau pembagian 16 x 16 bit. Hal ini dilakukan agar proses fuzzifikasi tidak memakan banyak waktu.

Ini adalah contoh pemrograman aplikasi pengaturan kecepatan motor DC dengan sistem Fuzzy.

Proses kerjanya adalah sebagai berikut:

1. Pertama kali dilakukan proses inisialisasi de KITS SPC DC Motor dan komunikasi serial.

2. Terima data serial dari PC dan tunggu sampai karakter J dikirimkan. Lalu ambil nilai SP   Low Byte.

3. Terima data serial lagi dari PC dan tunggu sampai karakter K dikirimkan, lalu ambil nilai SP High Byte.

4. Setelah itu baca nilai RPM sekarang dan kirimkan ke PC.

5. Hitung nilai Error dan dError, tetapi jangan lupa untuk menormalisasikan nilai tersebut.

6. Setelah normalisasi dilakukan maka masukkan kedua nilai yaitu Error dan dError ke dalam DT-51 PetraFuz.

7. Panggil prosedur fuzzify, lalu ambil hasilnya.

8. Setelah hasil didapatkan, maka hasil itu harus didenormalisasi sehingga akan muncul nilai crisp output yang sebenarnya.

9. Nilai crisp output kita masukkan sebagai nilai PWM untuk mengatur putaran motor DC tersebut. Ulangi langkah 4 - 9 sampai nilai RPM yang dinginkan tercapai.

BAB III

PENUTUP

3.1 Kesimpulan

Kesimpulan-kesimpulan tersebut antara lain:

1. Logika fuzzy adalah logika yang mengandung unsur ketidakpastian.

2. Keanggotaan dalam himpunan fuzzy dinyatakan dengan derajat keanggotaan. Suatu nilai dapat menjadi anggota dua himpunan sekaligus dengan derajat yang berbeda.

3. Kendali logika fuzzy dilakukan dengan proses fuzzyfikasi, penalaran sesuai dengan aturan, dan defuzzyfikasi.

4. Sistem kendali logika fuzzy cukup praktis diaplikasikan dalam berbagai bidang.

5.  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.



3.2 Saran
Dapat Menerapkan Himpunan Fuzzy Dan Proses Fuzzyfikasi dan Defuzzyfikasi Dalam berbagai aplikasi.

DAFTAR PUSTAKA

[1]   Rinaldi Munir, “Matematika Diskrit Dalam Fuzzy Logic”, Penerbit Informatika, 2005

[2]   Jannus Maurits Nainggolan, “Logika Fuzzy (Fuzzy Logic) : Teori dan Penerapan Pada Sistem Daya (Kajian Pengaruh Induksi Medan Magnet)”

[3] Kusumadewi,Sri.Purnomo,Hari.,”Aplikasi Logika Fuzzy untuk Pendukung Keputusan”.Yogyakarta: GRAHA ILMU,2004

[4]   Kusumadewi, Sri., Hartati, S., Harjoko, A., dan Wardoyo, R. “Fuzzy Multi-Attribute Decision Making (FUZZY MADM).” Yogyakarta: Graha Ilmu, 2006.