Halaman


Senin, 24 Mei 2010

Tugas VI (Makalah Fuzzy Logic)

  •  Konsep Dasar Logika Fuzzy

Sistem Fuzzy ditemukan pertama kali oleh Prof. Lotfi Zadeh pada pertengahan tahun 1960 di Universitas California. Sistem ini diciptakan karena boolean logic tidak mempunyai ketelitian yang tinggi, hanya mempunyai logika 0 dan 1 saja. Sehingga untuk membuat sistem yang mempunyai ketelitian yang tinggi maka kita tidak dapat menggunakan boolean logic. Bedanya fuzzy dengan boolean logic dapat diilustrasikan pada gambar 1.

Dari contoh gambar 1, pada saat suhu berada pada 75° maka sistem yang pertama akan bingung karena batas kondisi dingin < 75 dan kondisi panas > 75°, pada fuzzy logic, suhu 75° dapat dinyatakan dengan 0.50 dingin dan 0.50 panas. Pengambilan nilai 0.50 berasal dari proses fuzzifikasi yang akan diterangkan pada proses fuzzification.
  • Blok Diagram Fuzzy logic Control
 Gambar 2. Blok Diagram Fuzzy Logic Control
  • Fuzzification
Gambar 3. Proses Fuzzification
Fuzzifikasi yaitu suatu proses untuk mengubah suatu masukan dari bentuk tegas (crisp) menjadi fuzzy (variabel linguistik) yang biasanya disajikan dalam bentuk himpunan-himpunan fuzzy dengan suatu fungsi kenggotaannya masing-masing. Contoh dari proses Fuzzification adalah seperti yang ditunjukkan di gambar 4. Sebuah sistem fuzzy untuk mengukur suhu mempunyai 5 buah membership function yang mempunyai label sangat dingin, dingin, hangat, panas, sangat panas. Kemudian input yang diperoleh dari crisp input adalah 47° maka pengambilan fuzzy input-nya adalah seperti pada gambar 4.
Gambar 4. Proses perubahan dari crisp input menjadi fuzzy input
Sehingga didapat 2 fuzzy input yang masing-masing adalah: dingin (x2) dan hangat (x1). Nilai x1 dan x2 dapat dicari dengan rumus persamaan garis. Yang menentukan sistem anda sensitif atau tidak adalah membership function ini. Jika membership function-nya banyak maka sistem anda menjadi sensitif. Yang dimaksud dengan sensitif dalam hal ini adalah jika input-nya berubah sedikit saja maka sistem akan cepat merespon dan menghasilkan suatu output lain. Output dari proses fuzzification ini adalah sebuah nilai input fuzzy atau yang biasanya dinamakan fuzzy input.
  • Membership Function
Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya yang memiliki interval antara 0 sampi 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. 
  • Rule Base
Gambar 5. Diagram blok proses Rule Evaluation
Basis aturan berisi aturan-aturan fuzzy yang digunakan untuk pengendalian sistem. Aturan-aturan ini dibuat berdasarkan logika dan intuisi manusia, serta berkaitan erat dengan jalan pikiran dan pengalaman pribadi yang membuatnya. Jadi tidak salah bila dikatakan bahwa aturan ini bersifat subjektif, tergantung dari ketajaman yang membuat. Aturan yang telah ditetapkan digunakan untuk menghubungkan antara variabel-variabel masukan dan variabel-variabel keluaran. Aturan ini berbentuk ‘JIKA – MAKA’ (IF ± THEN). Prosesnya adalah sebagai berikut: suatu nilai fuzzy input yang berasal dari proses fuzzification kemudian dimasukkan kedalam sebuah rule yang telah dibuat untuk dijadikan sebuah fuzzy output.
  • Defuzzifikasi 
 Gambar 6. Proses Defuzzification
Defuzzifikasi dapat didefinisikan sebagai proses pengubahan besaran fuzzy yang disajikan dalam bentuk himpunan-himpunan fuzzy keluaran dengan fungsi keanggotaannya untuk mendapatkan kembali bentuk tegasnya (crisp). Hal ini diperlukan sebab dalam aplikasi nyata yang dibutuhkan adalah  nilai tegas (crisp). Prosesnya adalah sebagai berikut: suatu nilai fuzzy output yang berasal dari rule evaluation diambil kemudian dimasukkan ke dalam suatu membership function output. Bentuk bangun yang digunakan dalam membership function output adalah bentuk singleton yaitu garis lurus vertikal ke atas, seperti yang ditunjukkan pada gambar 6. Besar nilai fuzzy output dinyatakan sebagai degree of membership function output. Nilai-nilai tersebut dimasukkan ke dalam suatu rumus yang dinamakan COG (Center Of Gravity) untuk mendapatkan hasil akhir yang disebut crisp output. Crisp output adalah suatu nilai analog yang akan  kita butuhkan untuk mengolah data pada sistem yang telah dirancang.          

Tidak ada komentar:

Posting Komentar