logika fuzzy

Belajar Logika Fuzzy: Pengertian, Cara Kerja dan Contoh Penerapan Logika Fuzzy

Logika fuzzy merupakan salah satu bagian dari kecerdasan buatan. Dalam kecerdasan buatan terdapat beberapa proses seperti searching, reasoning dan learning untuk membuat keputusan terhadap aksi yang akan dilakukan. Untuk fuzzy merupakan bagian proses reasoning, yaitu kemampuan berpikir secara rasional seperti otak manusia.

Logika fuzzy pertama kali diperkenalkan oleh ilmuwan Amerika Serikat berkebangsaan Iran yaitu Lotfi Asker Zadeh pada tahun 1965 melalui tulisan teori himpunan fuzzy.

Sebenarnya apa sih logika fuzzy itu? Pada artikel ini kita akan membahas dengan rinci dari pengertian, cara kerja serta contoh penerapanya.

Apa itu logika Fuzzy

Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Di dunia nyata sering kali kita menghadapi situasi ketika tidak dapat menentukan apakah keadaan itu benar atau salah, logika fuzzy memberikan fleksibilitas yang sangat berharga untuk penalaran. Dengan cara ini, kita dapat mempertimbangkan ketidakakuratan dan ketidakpastian situasi apapun.

Logika fuzzy dalam sistem kecerdasan buatan (AI) digunakan untuk meniru penalaran dan kognisi manusia.

Logika fuzzy merupakan pengembangan dari logika biner, yang mana logika biner hanya memiliki 2 nilai kebenaran yakni 1 (false) atau 0 (true) sedangkan logika fuzzy memasukkan 1 dan 0 sebagai bilangan kebenaran ekstrim tetapi dengan berbagai tingkat kebenaran menengah.

Jadi untuk Logika fuzzy itu sendiri adalah logika yang memiliki nilai jamak yang berupa bilangan real di antara 1 dengan 0.

Logika Fuzzy vs Logika Boolean

fuzzy vs boolean
Sumber: techtarget.com

Logika Booolean yang sering kita kenal dengan logika klasik bahwa segala hal dapat di ekspresikan dalam istilah 1 dan 0 atau false dan true.

Baca juga :   Belajar Jaringan Syaraf Tiruan (JST): Pengertian, Arsitektur, Cara Kerja dan Jenis-Jenisnya

Sementara itu logika fuzzy juga memiliki nilai intermediet yang mengandung sebagian nilai benar dan sebagian nilai salah, yang disebut nilai samar-samar.

Arsitektur Sistem Logika Fuzzy

Arsitekturnya sistem logika fuzzy pada umumnya memiliki empat bagian, yakni.

arsitektur logika fuzzy
Sumber: geeksforgeeks.org

1. Rule Base

Rule Base berisi aturan dan kondisi seleksi atau ‘IF – ELSE’ untuk mengontrol pengambilan keputusan. Jumlah aturan rute-base telah banyak berkurang dari waktu ke waktu. Berikut contoh bentuk rule .

‘IF x is A THEN y is B’

if  permintaan is NAIK then harga is TINGGI

keterangan :

A dan B adalah terma atau nilai lingusitik, x dan y adalah variabel fuzzy.

x is A” disebut antesenden atau premis.

y is B” disebut konsekwen.

2. Fuzzification

Fuzzification merupakan komponen kedua yang berfungsi membantu mengubah input. Komponen ini membantu untuk mengkonversi angka ekstrem ke himpunan fuzzy. Ada 5 modul mengubah input sistem yakni.

  • Large Positive
  • Medium Positive
  • Small
  • Medium Negative
  • Large Positive

3. Inference engine

Inference engine merupakan komponen ketiga berfungsi untuk menentukan tingkat kecocokan antara input fuzzy antara aturan fuzzy, kecocokan ini akan menentukan aturan mana yang perlu diterapkan sesuai bidang input yang diberikan.

4. Defuzzification

Defuzzifikasi merupakan kebalikan dari fuzzification. Nilai fuzzy diubah menjadi nilai ekstrem melalui pemetaan. Metode yang digunakan untuk defuzzification yakni metode average dan center of area yang berfungsi untuk mengambil keputusan yang tetap.

Operasi Himpunan Fuzzy

Operasi himpunan fuzzy ini digunakan untuk mengkombinasi dan memodifikasi himpunan fuzzy. Ada tiga operator dasar yang digunakan yaitu.

a. Operator AND

Operator AND (intersection) berhubungan dengan operasi irisan pada himpunan. Intersection dari dua himpunan yaitu minimum dari tiap pasangan elemen pada kedua himpunan. Contoh: (A∩B)(x) = min[A(x), B(x)].

Baca juga :   Backdoor Adalah: Fungsi, Jenis dan Cara Mengatasinya

b. Operator OR

Operasi OR (union) berhubungan dengan operasi gabungan pada himpunan. Union dari dua himpunan yaitu maksimum dari tiap pasang elemen pada kedua himpunan. Contoh: (AUB)(x) = max[A(x), B(x)].

c. Operator NOT

Operasi NOT  berhubungan dengan operasi komplemen pada himpunan. Komplemen himpunan fuzzy A diberi tanda Ac (NOT A) dan didefinisikan sebagai : Ac (x) = 1 – A(x). Derajat keanggotaannya adalah µAc (x) = 1 – µA(x).

Cara Kerja Logika Fuzzy

Cara kerja bisa kita contohkan dengan soal sebagai berikut.

Di restoran Padang, kamu sering memberi uang tip kepada pelayan jika pelayanannya bagus. Besar uang tip tergantung kualitas layanan yang kamu dapatkan. uang tip akan bertambah ketika rasa makanan enak atau tidak.

Misalkan ditentukan rule fuzzy sebagai berikut, “ if  pelayanan is BAGUS and makanan is ENAK then bonus is BESAR ” dengan Fuzzification sebagai berikut.

contoh fuzzy
Contoh Fuzzy

Maka bisa kita lakukan operasi logika fuzzy dan mendapatkan hasil sebagai berikut, min(0.4, 0.3) = 0.3

contoh penyelesaian fuzzy
contoh penyelesaian fuzzy

Contoh Penerapan

Berikut contoh beberapa penerapan pada sistem dan teknologi kecerdasan (AI).

  • Penerapan pada Mobil, digunakan ketika untuk memilih gigi dan didasarkan pada faktor-faktor seperti kondisi jalan, beban mesin dan gaya berkendara.
  • Penerapan pada Mesin cuci piring, digunakan untuk menentukan cara pencucian piring dan daya yang dibutuhkan, yang berdasarkan pada faktor-faktor seperti jumlah piring dan tingkat kekotoran piring.
  • Penerapan di Luar Angkasa, digunakan untuk mengatur kontrol ketinggian untuk satelit dan pesawat ruang angkasa berdasarkan faktor lingkungan.
  • Penerapan pada Kedokteran, digunakan untuk diagnosa dengan batuan komputer, berdasarkan faktor-faktor seperti gejala dan riwayat medis.
  • Penerapan pada Distilasi Kimia, berfungsi untuk mengontrol variabel pH dan suhu.
  • Penerapan di AC dan mesin pemanas, digunakan untuk menentukan ouput berdasarkan faktor-faktor seperti suhu saat ini dan suhu target.
  • Penerapan pada Natural Language Processing (NLP), digunakan untuk menentukan hubungan semantik antara konsep yang diwakili oleh kata-kata dan variabel linguistik lainnya.
Baca juga :   Belajar Kecerdasan Buatan (AI): 15 Contoh Kecerdasan Buatan Dalam Kehidupan Sehari-hari

Kesimpulan

Pada pembahasan kita di atas dapat kita simpulkan bahwa Logika fuzzy merupakan pengembangan dari logika biner, yang mana logika fuzzy memasukkan 0 dan 1 sebagai bilangan kebenaran ekstrim tetapi dengan berbagai tingkat kebenaran menengah. Logika fuzzy merupakan salah satu bagian dari kecerdasan buatan bagian proses reasoning, yaitu kemampuan berpikir secara rasional seperti otak manusia.

Artikel ini merupakan bagian dari seri artikel belajar Kecerdasan Buatan dan jika ada ide topik yang mau kami bahas silahkan komen di bawah ya..