FKMTF Indonesia

Mengenal Logika yang “Tidak Jelas” – Logika Fuzzy

Secara definisi, kata ‘fuzzy‘ sendiri memiliki arti vaguely atau tidak jelas. Lantas, apa yang dimaksud dengan logika fuzzy – logika yang tidak jelas? Mari kita pelajari lebih lanjut.

 

 

Pertama kali dikembangkan oleh Dr. Lotfi Zadeh di University of California pada tahun 1960an, ketika sedang mencoba menyelesaikan sebuah permasalahan – agar komputer dapat mengerti dan berfikir selayaknya manusia, dengan “bahasa natural”. Dr. Zadeh menyadari bahwa diantara “Ya” dan “Tidak”, masih terdapat range dari kemungkinan-kemungkinan yang mungkin ada, dan boolean logic (logika biner yang selama ini kita kenal) yang hanya dapat bernilai “Ya” dan “Tidak” tidaklah mencukupi.

Sehingga, dikembangkan logika fuzzy, yang lebih menyerupai kemampuan kognitif manusia, dan nilai-nilainya mencakupi derajat derajat kebenaran diantara “Ya” dan “Tidak” , dengan “Ya” dan “Tidak” merupakan nilai yang paling ekstrim.

Arsitektur dari logika fuzzy memiliki 4 komponen utama, yaitu

 

  1. Rules: set peraturan yang berisikan kondisi-kondisi dan apa yang dilakukan jika kondisi terpenuhi.
  2. Intelligence: seperti namanya, intelligence mensimulasikan proses pemikiran manusia, berdasarkan pencocokan fuzzy input set dan rules yang ada, dan menghasilkan fuzzy output set.
  3. Fuzzifier: merubah input crisp menjadi fuzzy input set melalui sebuah proses yang disebut fuzifikasi
  4. Defuzzifier: merubah fuzzy output set menjadi crisp output  melalui proses defuzifikasi, menghasilkan output final dari sistem

Dalam proses fuzifikasi ataupun defuzifikasi, salah satu metoda yang umum adalah dengan pemberian membership function ke input. Dengan membership function, hal-hal linguistik dari input (jenis-jenis kemungkinan yang dapat terjadi) dapat dipetakan menjadi fuzzy set secara grafis dalam range 0-1.  Tipe fuzifikasi yang paling umum digunakanan adalah fuzifikasi triangular (bentuk dari grafik fuzzy set). Dalam grafik, input space atau sumbu x biasa disebut sebagai universe of discourse atau universal set (u). Pada contoh fuzifikasi triangular berikut, universal set berisikan nilai-nilai tegangan input (Volt) yang mungkin, yang berkisar dari -10 ~ 10 V. Sumbu y merupakan membership value dalam range 0~1.

Pada contoh tersebut, LN MN S MP LP menandakan modul derajat-derajat kebenaran dari logika fuzzy yang telah ditetapkan. LP menyatakan nilai yang large positive, MP medium positive, S small, MN medium negative, dan LN large negativeMembership function juga dapat digunakan dalam proses defuzifiaksi dimana yang dihasilkan adalah output value dan pemetaannya dilakukan secara terbalik dari proses fuzifikasi.

Selain memiliki sifat yang menyerupai dengan cara manusia berfikir dan membuat sistemnya dapat menyelesaikan permasalahan kompleks, penggunaan logika fuzzy juga menguntungkan dalam segi kemampuannya yang dapat memproses input yang tidak jelas (mengandung banyak noise) dan tidak presisi. Selain itu, fungsi model matematika dari logika fuzzy juga tergolong simpel dan mudah untuk dikosntruk. Dalam kehidupan sehari-hari, implementasi logika fuzzy sangat sering kita temui. Mulai dari sistem pengontrol kecepatan dalam automotif, hingga kontrol ketinggian dalam pesawat, dan hampir semua sistem-sistem kontrol modern lainnya. Implementasi dari logika fuzzy yang sedang berkembang pesat ialah dalam pengembangan neural network  serta artificial intelligence, dikarenakan sifatnya yang menyerupai kognitif manusia.

 

 

Refrensi

“Fuzzy Logic” diakses pada 3 April 2019 pukul 15.20 WIB

“Artificial Intelligence – Fuzzy Logic Systems”, dikases pada 4 April 2019 pukul 19.20 WIB

“Fuzzy Logic Introduction” diakses pada 4 April 2019 pukul 19.35 WIB

“What is Fuzzy Logic” diakses pada 4 April 2019 pukul 19.40 WIB

Add comment