[TUTORIAL-LENGKAP] Mengenal Logika Fuzzy

Fuzzy berarti kabur, samar. Istilah Logika Fuzzy diperkenalkan pada tahun 1965 oleh Lofti A. Zadeh. Logika Fuzzy dikenal sebagai 'logika baru yang telah lama'. Walaupun tergolong baru dibandinkan dengan logika digital (yang hanya melibatkan nilai 0 dan 1), namun konsep 'fuzzy' telah menjadi dasar pertimbangan kita dalam menganalogikan sesuatu. Fuzzy memiliki konsep bahwa sesuatu dapat memiliki nilai diantara 0 dan 1. Hal ini berbeda dengan logika digital yang mengharuskan segala sesuatu harus memiliki nilai 1 atau 0. Fuzzy mengizinkan kita untuk memberi nilai diantara 0 dan 1, misalnya 0.1, 0.3, 0.8, dan sebagainya. Inilah watak 'kekaburan' dari suatu logika fuzzy. Contoh: menyatakan tinggi badan seseorang sangatlah bersifat relatif. Berapakah tinggi badan yang pasti sehingga dapat dikategorikan menjadi: pendek, sedang, atau tinggi?

[[{"fid":"177","view_mode":"default","fields":{"format":"default","field_file_image_alt_text[und][0][value]":" Menentukan tinggi badan sesorang bersifat relatif","field_file_image_title_text[und][0][value]":" Menentukan tinggi badan sesorang bersifat relatif"},"type":"media","link_text":null,"attributes":{"alt":" Menentukan tinggi badan sesorang bersifat relatif","title":" Menentukan tinggi badan sesorang bersifat relatif","height":"229","width":"400","class":"media-element file-default"}}]]

Himpunan Fuzzy memiliki dua atribut:

1. Linguistik : penamaan menggunakan bahasa alami, seperti: dingin, sejuk, hangat, dan panas.
2. Numeris : pemberian nilai yang menunjukkan ukuran suatu variabel, seperti: 0, 15, 20, 30, 40, dan sebagainya

Amati Gambar 2 di bawah ini. Gambar tersebut menggambarkan pendekatan secara fuzzy dan non fuzzy. Gambar nonfuzzy hanya mengizinkan dua kategori, yaitu tinggi dan tidak tinggi. Derajat keanggotaan (dilambangkan sebagai u), memiliki nilai tepat, yaitu 0 atau 1. Jika derajat keanggotaan bernilai 0, maka sesorang dikatakan tidak tinggi, dan jika derajat keanggotaan bernilai 1, maka seseorang dikatakan tinggi. Fungsi yang menunjukkan nilai 0 atau 1 digambarkan sebagai fungsi undak.

Berbeda dengan logika digital, logika fuzzy memperbolehkan nilai transisi antara 0 dan 1. Sebagai contoh, jika tinggi seseorang memiliki derajat keanggotaan 0.3, maka dapat kita kategorikan sebagai 'kurang tinggi' dan jika memiliki nilai 0.95, dapat kita kategorikan sebagai 'mendekati tinggi'. Terdapat beberapa fungsi yang digunakan untuk menggambarkan variabel dalam suatu logika fuzzy. Jika dalam logika digital akan menggunakan fungsi undak (berbentuk kotak), maka dalam fuzzy dapat berupa segitiga, fungsi Gaussian, trapesium, fungsi-S, fungsi-Z, dan sebagainya. Fungsi-fungsi ini dikenal sebagai fungsi keanggotaan (membership function).

[[{"fid":"178","view_mode":"default","fields":{"format":"default","field_file_image_alt_text[und][0][value]":"Perbandingan antara fuzzy dan nonfuzzy","field_file_image_title_text[und][0][value]":"Perbandingan antara fuzzy dan nonfuzzy"},"type":"media","link_text":null,"attributes":{"alt":"Perbandingan antara fuzzy dan nonfuzzy","title":"Perbandingan antara fuzzy dan nonfuzzy","height":"317","width":"400","class":"media-element file-default"}}]]

Terdapat beberapa istilah-istilah dalam sistem fuzzy:

1. Variabel Fuzzy, yaitu Variabel yang akan dibahas. Contoh: Temperatur, Tinggi Badan, Umur
2. Himpunan Fuzzy, yaitu Bagian-bagian yang mewakili suatu kondisi dalam variabel fuzzy. Contoh: varibel umur, dapat dibagi menjadi 3 himpunan fuzzy: muda, paruh baya, dan tua
3. Semesta pembicaraan, yaitu Keseluruhan rentang nilai dalam suatu variabel fuzzy. Contoh: Semesta umur [0 100]
4. Domain, yaitu Nilai yang boleh dioperasikan dalam himpunan fuzzy. Contoh: muda = [0 45], paruh baya = [35 55], tua = [45 100]

Aturan-aturan yang dibangun dalam suatu sistem fuzzy menggunakan aturan IF-THEN, atau aturan JIKA-MAKA. Sintaksnya cukup sederhana, yaitu:

IF x is A THEN y is B

Contoh: IF udara is panas THEN kecepatan kipas is besar

Proses untuk memetakan input fuzzy menjadi suatu output dikenal sebagai Fuzzy Inference Systems (FIS). FIS mencakup beberapa hal, seperti yang telah dibahas sebelumnya, yaitu membership function (fungsi keanggotaan), operasi logika, serta aturan JIKA-MAKA. 

Pada tutorial selanjutnya, kita akan membahas bagaimana menyelesaikan kasus terkait logika fuzzy menggunakan software MATLAB. See you soon :)

Daftar Pustaka

• Wardana, I N.K. Pengantar Logika Fuzzy. Slide Kuliah Kontrol Cerdas. Teknik Fisika UGM
• Wardana, I N.K. Matematika Logika Fuzzy. Slide Kuliah Kontrol Cerdas. Teknik Fisika UGM
• Nasution H. 2002. An Introduction to Fuzzy Logic Controller, Mechanical Engineering Faculty of Industrial Technology Bung Hatta University, Padang.
• MATLAB Fuzzy Logic Toolbox Help
• Fuzzy Logic Systems. Control-systems-principles.co.uk.
• Kusumadewi. 2002. Analisis & Desain Sistem Fuzzy Menggunakan Toolbox Matlab. Graha Ilmu. Yogyakarta