1 Dasar-Dasar Logika Fuzzy
Dalam kondisi yang nyata, beberapa aspek dalam
dunia nyata selalu atau biasanya berada diluar model matematis dan bersifat inexact.
Konsep ketidakpastian inilah yang menjadi konsep dasar munculnya konsep logika fuzzy.
Pencetus gagasan logika fuzzy adalah Prof. L.A. Zadeh (1965) dari
California University. Sebelum adanya logika fuzzy, dikenal istilah
logika tegas atau crips logic. Logika
tegas memiliki nilai benar dan salah yang tegas. Benar dinyatakan dengan angka
“1” dan salah dinyatakan dengan angka “0”. Sedangkan dalam Logika fuzzy
memiliki nilai kekaburan atau kesamaran antara benar dan salah. Logika Fuzzy
memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam
dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti
"sedikit", "lumayan" dan "sangat".
1.1 Himpunan Fuzzy
Pada teori himpunan fuzzy terdapat istilah derajat
keanggotaan (member of degree).
Derajat keanggotaan ini dalam interval antara “0” dan “1” atau dinyatakan
dengan notasi [0 1]. Himpunan fuzzy F dalam semesta X biasanya dinyatakan
sebagai pasangan berurutan dari elemen x dan mempunyai derajat keanggotaan:
F =
{(x, μF(x))| x ε X}
dengan F : notasi himpunan fuzzy, X : semesta pembicaraan, x : elemen
generik dari X, dan μF(x): derajat keanggotaan dari x. Fungsi keanggotaan
(membership function) dari himpunan fuzzy dapat disajikan dalam bentuk gabungan
derajat keanggotaan tiap - tiap elemen pada semesta pembicaraan.
F = Σ
μF(ui) / ui
1.2 Fungsi Keanggotaan
Fungsi keanggotaan (membership function)
adalah suatu kurva yang menunjukkan pemetaan titik-titik masukan data kedalam nilai
keanggotaan yang memiliki interval antara 0 sampai 1. Salah satu cara yang
dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui
pendekatan fungsi. Ada beberapa fungsi yang umumnya digunakan untuk menyatakan
fungsi keanggotaan diantaranya:
1.
Representasi two sigmoid
Gambar 1 Kurva
bentuk representasi two sigmoid
Kurva
yang menggunakan representasi two sigmoid memiliki bentuk yang hampir sama
dengan trapesium, namun tepinya memiliki kelengkungan. Adapun persamaan yang
digunakan adalah sebagai berikut:
2.
Representasi Gaussian
Gambar 2 Kurva bentuk representasi gaussian
Pada
kurva yang memakai representasi gaussian memiliki bentuk yang hampir sama
dengan segitiga dengan permukaaan yang tumpul. Biasanya kurva dalam bentuk ini
digunakan untuk mengolah data-data yang acak. Persamaan yang digunakan seperti
tertulis di bawah ini.
3.
Representasi bentuk lonceng
Gambar 3 Kurva bentuk representasi lonceng
Kurva
dengan representasi bentuk lonceng memiliki bentuk yang hampir menyerupai two
sigmoid. Adapun perbedaannya adalah pada two sigmoid meiliki range yang lebih
sempit dibandingkan pada bentuk lonceng.
4.
Representasi Î -shaped built-in
Gambar 4 Kurva bentuk representasi Î -shaped
built-in
Pada
representasi ini, fungsi keanggotaan digambarkan dengan sebuah kurva berbentuk
huruf yunani pi.
5.
Representasi kurva Sigmoidally
Gambar 5 Kurva bentuk representasi Sigmoidally
Kurva
dengan representasi bentuk sigmoid memiliki bentuk yang hampir menyerupai huruf
S dengan sumbu tegak yang agak landai. Adapun persamaan yang digunakan seperti
tertulis di bawah ini:
6.
Representasi kurva S
Gambar 6 Kurva bentuk representasi kurva S
Kurva
dengan representasi bentuk S memiliki bentuk menyerupai huruf S dengan sumbu
tegak yang sangat landai dibandingkan kurva sigmoid.
7.
Representasi kurva trapesium
Gambar 7 Kurva bentuk representasi trapesium
Kurva
dengan representasi bentuk trapesium memiliki bentuk trapesium dengan dua sumbu
sejajar dan tinggi tertentu.
8.
Representasi kurva segitiga
Gambar 8 Kurva bentuk representasi
segitiga
9.
Representasi
kurva Z
Gambar 9 Kurva bentuk representasi Z
Kurva dengan representasi bentuk Z memiliki
bentuk yang hampir menyerupai huruf Z dengan sumbu tegak yang landai.
2 Sistem Inferensi Fuzzy Metode Mamdani
Metode mamdani sering juga dikenal dengan nama metode min–max.
Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk
mendapatkan output diperlukan 4 tahapan, diantaranya:
1. Pembentukan himpunan fuzzy
Pada metode mamdani baik variabel masukan maupun variabel output dibagi
menjadi satu atau lebih himpunan fuzzy.
2. Aplikasi fungsi implikasi
Pada Metode Mamdani, fungsi implikasi yang digunakan adalah min.
3. Kaidah dasar (Rule based)
Metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu
Metode max (maximum). Secara umum dapat dituliskan :
μsf[Xi] = max (μsf [Xi], μkf [Xi])
dengan:
μsf [Xi] = nilai
keanggotaan solusi fuzzy sampai aturan ke-i
μkf [Xi] = nilai
keanggotaan konsekuan fuzzy aturan ke-i
4. Penegasan (defuzzy)
Defuzzyfikasi pada komposisi aturan mamdani dengan menggunakan metode centroid.
Dimana pada metode ini, solusi crisp diperoleh dengan cara mengambil
titik pusat daerah fuzzy. Secara umum dirumuskan:
Ada dua keuntungan menggunakan metode centroid, yaitu:
1. Nilai defuzzyfikasi akan
bergerak secara halus sehingga perubahan dari suatu himpunan fuzzy juga
akan berjalan dengan halus.
2. Lebih mudah dalam perhitungan.
3 Fuzzifikasi
Fuzzifikasi merupakan tahap pertama
dari proses inferensi fuzzy. Pada tahap ini data masukan diterima dan sistem
menentukan nilai fungsi keanggotaannya serta mengubah variabel numerik
(variabel non fuzzy) menjadi variabel linguistik (variabel fuzzy) (Jang et
al. 1997). Dengan kata lain, fuzzifikasi merupakan pemetaan crisp points
(titik–titik numerik) ke gugus fuzzy dalam semesta pembicaraan. Metode
fuzzifikasi dapat juga dijumpai dengan hedge fuzzy (menerapkan
pemagaran) pada sebuah kumpulan (Pal 1989). Sebuah pemagar adalah sebuah
operator yang mentranformasikan sebuah kumpulan fuzzy ke dalam kumpulan fuzzy
lainnya yang diintensifkan atau dijarangkan. Fungsi keanggotaan member arti
atau mendefinisikan ekspresi linguistik menjadi bilangan yang dapat
dimanipulasi. Fuzzifikasi memperoleh suatu nilai dan mengkombinasikannya dengan
fungsi keanggotaan untuk menghasilkan nilai fuzzy (Sibigtroth 1992).
Fuzzifikasi merupakan proses penentuan sebuah bilangan input masing–masing
gugus fuzzy (Viot 1993).
4 Evaluasi Aturan
Pada umumnya, aturan–aturan fuzzy
dinyatakan dalam bentuk ‘IF–THEN’ yang merupakan inti dari relasi fuzzy. Relasi
fuzzy, dinyatakan dengan R, juga disebut implikasi fuzzy. Relasi fuzzy dalam
pengetahuan dasar dapat didefinisikan sebagai gugus pada implikasi fuzzy.
Evaluasi aturan (rule) atau fuzzy inference menggunakan teknik
yang disebut min –max inference untuk menentukan nilai akhir berdasarkan
nilai sistem input (Sibigtroth 1992).
Masing–masing
kaidah memiliki bentuk pernyataan IF –THEN. Bagian IF dari suatu kaidah
meliputi satu atau lebih kondisi, disebut antesendent. Sedangkan bagian
THEN meliputi satu atau lebih aksi, disebut consequent. Suatu antesendent
dari kaidah terhubungkan langsung pada derajat keanggotaan (fuzzy input)
ditentukan melalui suatu proses fuzzifikasi (Jang et al. 1997).
5 Defuzzifikasi
Defuzzifikasi adalah suatu proses yang menggabungkan
seluruh fuzzy output menjadi sebuah hasil spesifik yang dapat digunakan
untuk masing–masing sistem output (Jang et al. 1997). Defuzzifikasi
merupakan proses kebalikan dari fuzzifikasi, di mana nilai keanggotaan dari
suatu gugus fuzzy dikonversi ke dalam suatu bilangan real. Pada metode
Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF – THEN harus
direprentasikan dengan suatu gugus fuzzy dengan fungsi keanggotaan yang
monoton. Output hasil inferensi dari tiap –tiap aturan diberikan secara crisp
(tegas) berdasarkan derajat keanggotaan. Hasil akhirnya diperoleh dengan
menggunakan rata–rata terbobot. Sedangkan metode Mamdani terdiri dari empat
tahap, yaitu pembentukan gugus fuzzy, aplikasi fungsi implikasi (aturan),
komposisi aturan dan penegasan. Penalaran dengan metode Sugeno hampir sama
dengan penalaran Mamdani, hanya saja output (consequent) system
tidak berupa gugus fuzzy, melainkan berupa konstanta atau persamaan linier.