FUZZY LOGIC (LOGIKA FUZZY) Bagian I

 

Fuzzy Logic (Logika Fuzzy) atau biasa juga disebut dengan Logika Samar merupakan suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output didasari oleh konsep himpunan fuzzy.

Gambar : Pemetaan input-output

Diantara input dan output terdapat black box. Di dalam black box terdapat proses yang tidak diketahui, bisa didekati dengan pendekatan sistem linear, ekonometri, interpolasi, sistem pakar atau logika fuzzy, dan lain-lain. Namun, seperti yang diungkapkan Lotfi Zadeh: ”Dalam hampir setiap kasus, cara fuzzy lebih cepat dan lebih murah”.
Logika fuzzy sebagai komponen utama pembangun softcomputing, terbukti telah memiliki kinerja yang sangat baik untuk menyelesaikan masalah-masalah yang mengandung ketidakpastian. Implementasinya luas, baik di bidang engineering, psikologi, social, dan juga bidang ekonomi.
ALASAN MENGGUNAKAN LOGIKA FUZZY
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 non linier yang sangat kompleks.
5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-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.

HIMPUNAN FUZZY
Tahun 1965, Profesor L.A. Zadeh memperkenalkan teori himpunan fuzzy, yang secara tidak langsung mengisyaratkan bahwa tidak hanya teori probabilitas saja yang dapat merepresentasikan ketidakpastian. Teori himpunan fuzzy adalah merupakan perluasan dari teori logika Boolean yang menyatakan tingkat angka 1 atau 0 atau pernyataan benar atau salah, sedang pada teori logika fuzzy terdapat tingkat nilai, yaitu :

1. satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau
2. nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.

Contoh 1:
Jika diketahui:
S = {1,2,3,4,5,6} adalah semesta pembicaraan
A = {1,2,3}
B = {3,4,5}
Maka, bisa dikatakan bahwa :

• Nilai keanggotaan 2 pada himpunan A, , karena .
• Nilai keanggotaan 3 pada himpunan A, , karena .
• Nilai keanggotaan 2 pada himpunan B, , karena .

Contoh 2:
Misalkan variabel suhu dibagi menjadi 3 kategori, yaitu:
DINGIN suhu < 15 derajat celcius SEDANG 15 ? suhu ? 28 derajat celcius PANAS suhu > 28 derajat celcius
Nilai keanggotaan secara grafis, himpunan DINGIN, SEDANG, dan PANAS dapat dilihat pada gambar berikut:

Dari gambar diatas yang merupakan himpunan dari DINGIN, SEDANG, dan PANAS dapat dijelaskan bahwa:

• Apabila terdapat suhu 14 derajat celcius, maka dikatakan suhu adalah DINGIN
• Apabila terdapat suhu 15 derajat celcius, maka dikatakan suhu adalah TIDAK DINGIN
• Apabila terdapat suhu 15 derajat celcius kurang 0.5 derajat celcius, maka dikatakan suhu adalah TIDAK DINGIN , dan seterusnya.

Dari keterangan diatas dapat diambil kesimpulan bahwa pemakaian himpunan crisp (tegas) untuk menyatakan suhu sangat riskan, karena dengan adanya perubahan yang kecil saja terhadap nilai mengakibatkan perbedaan kategori yang cukup signifikan.
Maka dari itu, himpunan fuzzy digunakan untuk mengantisipasi keadaan tersebut. Pengalokasian suhu dapat berada di dalam 2 himpunan yang berbeda. Misalnya suhu dapat berada di dalam himpunan DINGIN dan SEDANG, SEDANG dan PANAS, dan sebagainya. Dan seberapa besar nilai eksistensinya dalam himpunan tersebut dapat dilihat dari nilai keanggotaannya. Sehingga……. Kelanjutan dari sehingga dibahas pada FUZZY LOGIC Bagian II ya…