Tutorial Logika Fuzzy: Apa itu, Architekstur, Aplikasi, Contoh
Evelyn Clarke
Apa itu Logika Fuzzy?
Logika Fuzzy didefinisikan sebagai bentuk logika bernilai banyak yang mungkin memiliki nilai kebenaran variabel dalam bilangan real antara 0 dan 1. Ini adalah konsep pegangan kebenaran parsial. Dalam kehidupan nyata, kita mungkin menghadapi situasi di mana kita tidak dapat memutuskan apakah pernyataan tersebut benar atau salah. Pada saat itu, logika fuzzy menawarkan fleksibilitas yang sangat berharga dalam penalaran.
Algoritma logika fuzzy membantu memecahkan suatu masalah setelah mempertimbangkan semua data yang tersedia. Kemudian diambil keputusan terbaik atas masukan yang diberikan. Metode FL meniru cara pengambilan keputusan pada manusia yang mempertimbangkan segala kemungkinan antara nilai digital T dan F.
Sejarah Sistem Logika Fuzzy
Padahal konsep logika fuzzy telah dipelajari sejak tahun 1920-an. Istilah logika fuzzy pertama kali digunakan pada tahun 1965 oleh Lotfi Zadeh seorang profesor UC Berkeley di California. Ia mengamati bahwa logika komputer konvensional tidak mampu memanipulasi data yang mewakili gagasan manusia yang subjektif atau tidak jelas.
Algoritma fuzzy telah diterapkan di berbagai bidang, mulai dari teori kontrol hingga AI. Ini dirancang untuk memungkinkan komputer menentukan perbedaan antara data yang tidak benar atau salah. Sesuatu yang mirip dengan proses penalaran manusia. Seperti Sedikit gelap, Sedikit kecerahan, dll.
Ciri-ciri Logika Fuzzy
Berikut beberapa ciri penting logika fuzzy:
- Fleksibel dan mudah diterapkan Mesin belajar teknik
- Membantu Anda meniru logika pemikiran manusia
- Logika mungkin memiliki dua nilai yang mewakili dua kemungkinan solusi
- Metode yang sangat cocok untuk penalaran yang tidak pasti atau perkiraan
- Logika fuzzy memandang inferensi sebagai proses menyebarkan batasan elastis
- Logika fuzzy memungkinkan Anda membangun fungsi nonlinier dengan kompleksitas yang berubah-ubah.
- Logika fuzzy sebaiknya dibangun dengan bimbingan lengkap dari para ahli
Kapan tidak menggunakan logika fuzzy
Namun, logika fuzzy tidak pernah bisa menyembuhkan semua penyakit. Oleh karena itu, sama pentingnya untuk memahami bahwa kita tidak boleh menggunakan logika fuzzy.
Berikut adalah situasi tertentu ketika Anda sebaiknya tidak menggunakan Logika Fuzzy:
- Jika Anda merasa tidak nyaman untuk memetakan ruang masukan ke ruang keluaran
- Logika fuzzy sebaiknya tidak digunakan jika Anda bisa menggunakan akal sehat
- Banyak pengontrol dapat melakukan pekerjaannya dengan baik tanpa menggunakan logika fuzzy
Logika Fuzzy Architekstur
Arsitektur Fuzzy Logic memiliki empat bagian utama seperti yang ditunjukkan pada diagram:
Basis Aturan
Ini berisi semua aturan dan kondisi jika-maka yang ditawarkan oleh para ahli untuk mengendalikan sistem pengambilan keputusan. Pembaruan terkini dalam teori fuzzy menyediakan berbagai metode untuk desain dan penyetelan pengontrol fuzzy. Pembaruan ini secara signifikan mengurangi jumlah kumpulan aturan fuzzy.
Fuzzifikasi
Langkah fuzzifikasi membantu mengkonversi input. Ini memungkinkan Anda mengonversi angka-angka tajam menjadi himpunan fuzzy. Masukan tajam diukur oleh sensor dan diteruskan ke sistem kontrol untuk diproses lebih lanjut. Seperti suhu ruangan, tekanan, dll.
Mesin Inferensi
Ini membantu Anda menentukan tingkat kecocokan antara masukan fuzzy dan aturan. Berdasarkan % kecocokan, ini menentukan aturan mana yang perlu diterapkan sesuai dengan kolom masukan yang diberikan. Setelah itu, aturan-aturan yang diterapkan digabungkan untuk mengembangkan tindakan pengendalian.
Defuzzifikasi
Terakhir dilakukan proses Defuzzifikasi untuk mengubah himpunan fuzzy menjadi nilai crisp. Ada banyak jenis teknik yang tersedia, jadi Anda perlu memilih mana yang paling cocok bila digunakan dengan sistem pakar.
Logika Fuzzy vs. Probabilitas
| Logika Fuzzy | Kemungkinan |
|---|---|
| Fuzzy: Derajat keanggotaan Tom dalam himpunan orang tua adalah 0.90. | Kemungkinan: Ada kemungkinan 90% bahwa Tom sudah tua. |
| Logika fuzzy mengambil derajat kebenaran sebagai dasar matematis pada model fenomena ketidakjelasan. | Probabilitas adalah model matematika ketidaktahuan. |
Renyah vs. Fuzzy
| Garing | kabur |
|---|---|
| Ini memiliki batas ketat T atau F | Batas fuzzy dengan derajat keanggotaan |
| Beberapa pengaturan waktu yang tepat bisa jadi tidak jelas | Tidak mungkin garing |
| Benar/Salah {0,1} | Nilai keanggotaan pada [0,1] |
| Dalam logika yang tajam, hukum Tengah yang Dikecualikan dan Non-Kontradiksi mungkin berlaku atau tidak | Dalam logika fuzzy hukum Excluded Middle dan Non-Contradiction berlaku |
Teori Himpunan Klasik vs. Himpunan Fuzzy
| Set Klasik | Teori Himpunan Fuzzy |
|---|---|
| Kelas benda yang mempunyai batas tajam. | Kelas objek tidak mempunyai batasan yang tegas. |
| Himpunan klasik ditentukan oleh batas-batas yang jelas, yaitu adanya kejelasan mengenai letak batas-batas himpunan tersebut. | Himpunan fuzzy selalu mempunyai batas-batas yang ambigu, misalnya terdapat ketidakpastian mengenai letak batas-batas himpunan tersebut. |
| Banyak digunakan dalam desain sistem digital | Hanya digunakan pada pengontrol fuzzy. |
Contoh Logika Fuzzy
Lihat diagram yang diberikan di bawah ini. Hal ini menunjukkan bahwa dalam sistem Fuzzy, nilai dilambangkan dengan angka 0 sampai 1. Dalam contoh ini, 1.0 berarti kebenaran mutlak dan 0.0 berarti kepalsuan mutlak.
Area Aplikasi Logika Fuzzy
Tabel Pukulan yang diberikan menunjukkan penerapan logika Fuzzy oleh perusahaan-perusahaan terkenal dalam produk mereka.
| Produk | Perusahaan | Logika Fuzzy |
|---|---|---|
| Rem anti-lock | Nissan | Gunakan logika fuzzy untuk mengontrol rem dalam kasus berbahaya bergantung pada kecepatan mobil, akselerasi, kecepatan roda, dan akselerasi |
| Transmisi otomatis | NOK/Nissan | Logika fuzzy digunakan untuk mengontrol injeksi bahan bakar dan pengapian berdasarkan pengaturan throttle, temperatur air pendingin, RPM, dll. |
| mesin otomatis | honda, nissan | Gunakan untuk memilih geat berdasarkan beban mesin, gaya mengemudi, dan kondisi jalan. |
| Mesin fotokopi | Canon | Digunakan untuk mengatur voltase drum berdasarkan kepadatan gambar, kelembapan, dan suhu. |
| Kontrol pelayaran | Nissan, Isuzu, Mitsubishi | Gunakan untuk menyesuaikan pengaturan throttle untuk mengatur kecepatan dan akselerasi mobil |
| Mesin pencuci piring | Matsushita | Gunakan untuk menyesuaikan siklus pembersihan, strategi pembilasan dan pencucian berdasarkan jumlah piring dan jumlah makanan yang disajikan di piring. |
| Kontrol lift | Fujitec, Mitsubishi Listrik, Toshiba | Gunakan untuk mengurangi waktu tunggu berdasarkan lalu lintas penumpang |
| Sistem diagnostik golf | Golf Maruman | Memilih tongkat golf berdasarkan ayunan dan fisik pegolf. |
| Manajemen kebugaran | Omron | Aturan fuzzy diterapkan oleh mereka untuk memeriksa kebugaran karyawannya. |
| Kontrol tempat pembakaran | Baja Nippon | Mencampur semen |
| Oven microwave | bahan kimia mitsubishi | Menetapkan kekuatan bulan dan strategi memasak |
| Komputer Palmtop | Hitachi, Tajam, Sanyo, Toshiba | Mengenali karakter Kanji tulisan tangan |
| Pengetsaan plasma | Mitsubishi Electric | Menetapkan waktu dan strategi etsa |
Kelebihan Sistem Logika Fuzzy
- Struktur Sistem Logika Fuzzy mudah dan dimengerti
- Logika fuzzy banyak digunakan untuk tujuan komersial dan praktis
- Logika fuzzy dalam AI membantu Anda mengontrol mesin dan produk konsumen
- Ini mungkin tidak memberikan alasan yang akurat, tetapi satu-satunya alasan yang dapat diterima
- Logika fuzzy masuk Data Mining membantu Anda menghadapi ketidakpastian dalam bidang teknik
- Sebagian besar kuat karena tidak diperlukan masukan yang tepat
- Ini dapat diprogram dalam situasi ketika sensor umpan balik berhenti bekerja
- Itu dapat dengan mudah dimodifikasi untuk meningkatkan atau mengubah kinerja sistem
- sensor murah dapat digunakan yang membantu Anda menjaga biaya dan kompleksitas sistem secara keseluruhan tetap rendah
- Ini memberikan solusi paling efektif untuk masalah yang kompleks
Kekurangan Sistem Logika Fuzzy
- Logika fuzzy tidak selalu akurat, sehingga hasilnya dirasakan berdasarkan asumsi, sehingga mungkin tidak diterima secara luas.
- Sistem fuzzy tidak memiliki kemampuan pembelajaran mesin serta pengenalan pola jenis jaringan saraf
- Validasi dan Verifikasi sistem berbasis pengetahuan fuzzy memerlukan pengujian ekstensif dengan perangkat keras
- Menetapkan aturan dan fungsi keanggotaan yang tepat dan tidak jelas adalah tugas yang sulit
- Beberapa logika waktu fuzzy dikacaukan dengan teori probabilitas dan istilah-istilahnya
Ringkasan
- Istilah fuzzy berarti sesuatu yang tidak begitu jelas atau kabur
- Istilah logika fuzzy pertama kali digunakan pada tahun 1965 oleh Lotfi Zadeh seorang profesor UC Berkeley di California
- Logika fuzzy adalah teknik pembelajaran mesin yang fleksibel dan mudah diterapkan
- Logika fuzzy sebaiknya tidak digunakan jika Anda bisa menggunakan akal sehat
- Arsitektur Logika Fuzzy memiliki empat bagian utama 1) Rule Basse 2) Fuzzifikasi 3) Inference Engine 4) Defuzzifikasi
- Logika fuzzy mengambil derajat kebenaran sebagai dasar matematis pada model ketidakjelasan sedangkan probabilitas merupakan model matematis ketidaktahuan
- Himpunan renyah mempunyai batas ketat T atau F sedangkan batas Fuzzy dengan derajat keanggotaan
- Himpunan klasik banyak digunakan dalam perancangan sistem digital, sedangkan himpunan fuzzy hanya digunakan pada pengontrol fuzzy
- Transmisi otomatis, Manajemen kebugaran, Sistem diagnostik golf, Mesin pencuci piring, Mesin fotokopi adalah beberapa bidang aplikasi Logika Fuzzy
- Logika fuzzy dalam Soft Computing membantu Anda mengontrol mesin dan produk konsumen
