Fuzzy Logic adalah suatu
teknik penalaran (Reasoning) yang digunakan untuk menilai sesuatu
sehingga dapat digunakan untuk pengambilan keputusan. Contoh nya
hangat, dingin, lembut, panas, dll. Fuzzy Logic memiliki 3 komponen
utama yaitu : Fuzzification , Inference, dan Defuzzification.
Misalnya kita ingin membuat suatu sistem pengendalian suhu ruangan dan kelembapan ruangan dengan menggunakan kipas angin. Disini kipas angin menggunakan motor DC.
Input : Suhu ruangan dan Kelembaban Ruangan.
Output : Durasi nyala kipas.
Fuzzification berfungsi mengubah/mengkonversi Crisp Input Menjadi Fuzzy Input. Dibawah ini adalah contoh membership function berbentuk trapesium dari input suhu ruangan. Membership function ini bukanlah suatu ketentuan. Membership function memiliki bentuk dan nilai sesuai dengan keinginan perancang.
Disini Crisp Input berupa data dari sensor suhu ruangan dalam satuan derajat celcius dan Fuzzy input berupa derajat keanggotaan / nilai keanggotaan . Misalnya data hasil pembacaan sensor suhu ruangan adalah 37 derajat celcius jika kita tarik garis ke atas maka akan terlihat perpotongan garis dengan grafik trapesium tersebut yang nilai masing-masing adalah 0.3 dan 0.6. Maka nilai keanggotaan untuk hangat adalah 0.6 dan nilai keanggotaan untuk panas adalah 0.3.
Diatas adalah membership function / fungsi keanggotaan dari input kelembapan udara.
Fungsi dari Inference adalah mengolah Fuzzy input yang di dapat dari Fuzzifikasi menjadi Fuzzy output. Ada beberapa cara pemodelan dalam tahap ini seperti : Model Mamdani, Model TSK / Sugeno, dan Model Tsukamoto. Namun untuk model Tsukamoto jarang digunakan.
Karena output yang kita inginkan adalah durasi kipas maka membership functionnya adalah
Membership function output menggunakan model Mamdani.
Membership function output dengan menggunakan model Sugeno singleton. Pemodelan Sugeno bisa juga dalam bentuk polinomial.
Setelah itu kita buat Fuzzy rule nya
maka kita akan dapat 15 aturan
IF Suhu is Dingin AND Kelembapan is Kering THEN Durasi is Lama
IF Suhu is Sejuk AND Kelembapan is Kering THEN Durasi is Lama
IF Suhu is Normal AND Kelembapan is Kering THEN Durasi is Lama
IF Suhu is Hangat AND Kelembapan is Kering THEN Durasi is Lama
IF Suhu is Panas AND Kelembapan is Kering THEN Durasi is Lama
dstnya .
Misalnya keluaran dari Fuzzifikasi adalah hangat 0.6, panas 0.3, kering 0.4, dan lembab 0.2 dan kita menggunakan pemodelan Mamdani.
Kita menggunakan Min-Max Composition.
Pertama untuk menentukan derajat keanggotaan output kita memilih nilai derajat keanggotaan yang terkecil/minimum (aturan Conjunction) sehingga
IF Suhu is Hangat(0.6) AND Kelembapan is Kering(0.4) THEN Durasi is Lama(0.4)
IF Suhu is Hangat(0.6) AND Kelembapan is Lembab(0.2) THEN Durasi is Sedang(0.2)
IF Suhu is Panas(0.3) AND Kelembapan is Kering(0.4) THEN Durasi is Lama (0.3)
IF Suhu is Panas(0.3) AND Kelembapan is Lembab(0.2) THEN Durasi is Lama (0.2)
Kedua kita memilih derajat keanggotaan yang terbesar / maximum (aturan disjunction) dari hasil proses pertama yang memiliki nilai linguistik yang sama.
Lama(0.4) v Lama(0.3) v Lama(0.2) = Lama(0.4)
Sedang(0.2)
maka hasil proses Inference ini adalah Durasi is Lama(0.4) dan Durasi is Sedang(0.2).
Pada proses ini hasil dari proses inference yang berupa Fuzzy Output diubah menjadi Crisp Output. Cara untuk me-defuzzifikasi ada banyak cara antara lain : centroid method, height method, first (or last) of maxima, mean-max method, weighted average, dll.
misalnya kita ingin mendefuzzifikasi hasil dari proses inference meggunakan centroid method.
Maka outputnya adalah motor DC / kipas akan berputar selama 60.97 menit.
Daftar pustaka :
Suyanto. (2007). Artificial Intelligence. Bandung: Informatika Bandung.
