Archive for the ‘Fuzzy Logic’ Category

Simulasi Logika Fuzzy dengan Simulink-Matlab

Belajar logika fuzzy tidak cukup dengan hanya memahami teorinya… temen2 juga dapat mencobanya dalam simulasi atau aplikasi… nah pada postingan ini, ane mencoba berbagi pengalaman bagaimana cara mensimulasi logika fuzzy dengan Simulink-Matlab, silakan temen2 unduh file tutorialnya disini.

Setelah teman2 baca, lihat sample gambar yg ane gunakan saat simulasi logika Fuzzy dengan Simulink-Matlab:

  • FIS editor

  • 7 Membership error

  • 7 Membership derror

  • 5 Membership Speed (PWM)

  • Rule Inference using 49 Rules

  • Simulink Fuzzy Mobile Robot

ini video hasil simulasi logika fuzzy ane menggunakan simulink-matlab…

dan video berikut aplikasi Fuzzy untuk kontrol suhu, bagus juga buat ditonton…

Semoga informasi ini bermanfaat 🙂

Iklan

Robot Line Follower dengan Kendali PID-Fuzzy

Robot Line Follower dengan Kendali PID-Fuzzy

Ane mau… sharing lagi nih ma temen2 tentang LF… mungkin ada yg bosen kok isi blog ini kebanyakan robot LF aja heheheeehe 😀 Ya begitulah kondisinya temen2 ane maniak banget dengan ni robot LF makanya ane suka ber-eksperiment tentang bagaimana menerapkan berbagai kendali yg tepat untuk diterapkan di robot LF ini supaya pergerakannya itu halus cepat dan responsif. Yups ane dah menerapkan kendali PID pada ni robot dan saat ini ane mencobanya dengan menggabungkannya dengan kendali Fuzzy. Ide itu berawal dari setelah ane dapat matakuliah sistem pengaturan cerdas di Teknik Elektro ITS. Matakuliah (walaupun cuma 2 sks) itu saat ane senangi temen2… dimana dosennya mantep banget (perfect) jelasinnya (terimakasih banyak ya pak) tidak hanya teori tapi praktek juga… so ane terrapin deh di robot LF ane :D. Nah oleh sebab itu ane coba share ilmu yg sedikit ini kepada temen2 semua… semoga bermanfaat dan bisa dijadikan referensiya… ^_^

Nah sebelum ane jelasin tentang logika Fuzzy-nya ane kenalkan dahulu ye ma robot LF ane yang tersisa, maksudnya yang kondisinya masih FIT alias sehat (masih bisa nyala). Ni dia foto-fotonya:

Temen2 semua dah liatkan robot LF ane yang satu ini… Jelekkan (kurang estetika)… hehehe 😀 itu lah robot ane.. desain mekanik ala kadarnya… menggunakan acrylic sisa dan PCB bolong sebagai kerangka robotnya… sensornya pun langsung ditanam di PCB bolong gak pake desain layout langsung solder aja praktis bukan… komposisi gearbox-nya pake kanibal maenan tank terus ane tempel ke bodi robotnya pake Lem Tembak… itulah senjata ane gan ^_^  walaupun mekanik robotnya jelek,  setelah diberi kontroler yang tepat jalannya bisa halus lo hehehe 😀 ini dia salah satu aksi robotnya pada kasus Line Maze Robot.

Nah ni dia spesifikasi lengkap dari robot LF ane :

  • Mikrokontroler AVR = ATMega32
  • Sensor = LED Super Bright Putih – Photo Dioda (8 di depan, 3 di sayap kiri, 3 di sayap kanan dan 1 di tengah belakang sebagai kondisi NOS… total pake 15 sensor dengan Konfigurasi ADC-Multiplekser)
  • Motor DC = DVD 6.0 V
  • Gear  = Kanibal dari maenan Tank
  • Battery = LiPo 850mAH / 11,1V
  • Driver Motor = L293d
  • Dimensi = panjang; 18 cm × lebar; 15 cm
  • Bahasa Pemrograman = Bahasa C dengan compiler  CodeVision AVR

Selanjutnya untuk penjelasan logika Fuzzy ini temen2 bisa googling di mbah google ato baca sedikit penjelasnya disini ato sedot ni paper. Berikut ini aturan yang harus temen2 fahami tentang logika Fuzzy yang ane uraikan sebagai berikut (bila ada kesalahan mohon ane dikoreksi ya gan ^_^ ).

Tahap Pemodelan dalam logika Fuzzy:

Nah bila kita terapkan dalam pengendalian proses dapat diterapkan seperti blok di bawah ini:

Dari uraian blok diatas dapat kita fahami bahwa didalam logika Fuzzy terdapat tiga hal terpenting yang harus temen2 fahami diataranya:

  1. Fuzzifikasi adalah proses untuk mengubah variabel non fuzzy (variabel numerik) menjadi variabel fuzzy (variabel linguistik).
  2. Inferencing (Ruled Based) , pada umumnya aturan-aturan fuzzy dinyatakan dalam bentuk “IF……THEN” yang merupakan inti dari relasi fuzzy.
  3. Defuzifikasi adalah proses pengubahan data-data fuzzy tersebut menjadi data-data numerik yang dapat dikirimkan ke peralatan pengendalian.

Oke deh… segitu aja ya penjelasan dari ane tentang teori logika Fuzzy-nya… selanjutnya ane jelasin tentang cara pengaplikasiannya pada robot LF… tapi logika Fuzzy yang ane terrapin pada robot LF ini tidak murni hanya dengan logika Fuzzy saja tapi digabungkan (hybrid) dengan kendali PID… so judulnya yang lebih tepat adalah Robot Line Follower dengan Kendali Hybrid PID-Fuzzy.

Diagram Blok Hybrid Kendali PID – Fuzzy

Nah untuk penjelasan Kendali PID-nya bisa temen2 lihat postingan ane yg lampau disini. Dan untuk penjelasan logika Fuzzy-nya ialah sebagai berikut:

Perhatikan step berikut temen2 :

Aplikasi pemrograman logika fuzzy ini ane terapkan dalam bahasa C (codevisonAVR), ini dia potongan program untuk penentuan membership pada proses penentuan crisp input dalam proses fuzzikasi-nya. Ane menggunakan 7 membership dalam proses cris input pada Fuzzifikasi error dan derror-nya, dengan fungsi keanggotaan segitiga (triangle membership function).  Berikut ini sample code fuzzifikasi-nya:

fuzzifikasi

Proses fuzzifikasi, fungsi keanggotaanya ane aktifkan dengan fungsi keanggotaan segitiga yang selanjutnya masuk ke proses Rule Base Evaluationnya. Proses Rule Evaluation-nya mengacu pada tabel MacVicar Whelan dengan menggunakan Mamdani Inference Rule, berikut ini contoh tabee proses rule evaluationya menggunakan teknik dari MacVicar Whelan dengan menggunakan 5 membership error dan derror. Untuk case pada robot ini, ane gunakan 7 membership error dan derror.

Nah berikut ini sample codenya untuk Mamdani Inference Rule using MacVicar Whelan Method:

Inference Rule

Dari hasil rule evaluasi ini kita dapatkan hasil kontrol logika fuzzy-nya yang selanjutnya kita defuzzifikasi yaitu dengan banyak cara (bisa lihat disini sebagai reference) diantaranya yang paling umum adalah dengan teknik Center of Gravity (COG). Nah untuk case robot ini, ane gunakan teknik dari Sugeno menggunakan Weighted Average (WA). Berikut ini sample code defuzzifikasi-nya:

defuzzifikasi

Dari proses defuzzifikasi ini baru lah kita dapatkan sinyal kontrol logika Fuzzy yang akan kita terapkan pada robot LF nantinya. Nah selajutnya proses pemberian nilai PWM motor robot LF ane adalah gabungan (hybrid) antara kendali PID dengan logika Fuzzy. Berikut sample code untuk ditransfer ke aktuator (driver motor robot) dalam bentuk PWM:

Dan ini dia video robot LF ane dengan kendali Kendali PID – Fuzzy…

Semoga informasi ini bermanfaat :)

Paper “Fuzzy Logic And Fuzzy Logic Sun Tracking Control”

FUZZY LOGIC AND FUZZY LOGIC SUN TRACKING CONTROL


ABSTRAKSI

Logika Fuzzy adalah suatu proses pengambilan keputusan berbasis aturan yang bertujuan untuk memecahkan masalah, dimana sistem tersebut sulit untuk dimodelkan atau terdapat ambiguitas dan  ketidakjelasan yang berlimpah. Logika Fuzzy ditentukan oleh persamaan logika bukan dari persamaan diferensial komplek dan berasal dari pemikiran yang mengidentifikasi serta mengambil keuntungan dari grayness antara dua ekstrem. Sistem logika fuzzy terdiri dari himpunan fuzzy dan aturan fuzzy. Subset fuzzy merupakan himpunan bagian yang berbeda dari variabel input dan output. Aturan fuzzy berhubungan dengan variabel masukan dan  variabel output melalui subset. Mengingat seperangkat aturan fuzzy, sistem dapat mengkompensasi dengan cepat dan efisien. Meskipun dunia Barat pada awalnya tidak menerima logika fuzzy dan ide fuzzy, hari ini logika fuzzy diterapkan dalam banyak sistem. Dalam riset ini, sistem pelacakan surya diimplementasikan menggunakan logika fuzzy. Langkah-langkah bagaimana membuat serta gambaran tentang bagaimana kerja sistem fuzzy dijelaskan dalam paper ini.


Kata kunci: fungsi keanggotaan, grayness, subset fuzzy, fuzzification, aturan fuzzy, defuzzifikasi, Fuzzy Teorema Aproksimasi (FAT), angka fuzzy, dan sistem fuzzy


PENDAHULUAN

Bagaimana mendefinisikan dunia tempat kita hidup di hari ini? Bagaimana kita melihat hal-hal di sekitar kita? Sebagian besar dari kita diajarkan dari usia yang sangat muda untuk melihat dunia dalam hal hitam dan putih, A-atau-bukan-A, Boolean 1 atau 0. Banyak ilmu pengetahuan, matematika, logika, dan bahkan budaya mengasumsikan dunia 1 dan 0 itu, benar atau salah, panas atau dingin, A-atau-tidak-A. Apakah ada atau setengah setengah hilang? Apakah setengah gelas penuh atau setengah kosong? Apakah mobil akan cepat atau lambat? Masing-masing pertanyaan ini mengenai hal  grayness di dunia biasanya menjelaskan dalam warna hitam dan putih.

Rene Descartes berpikir tentang perubahan sepotong lilin seperti meleleh di depan perapian. Pada titik melakukan perubahan dari sepotong lilin menjadi genangan lilin? Ada beberapa periode perubahan dari padat menjadi cair.

Grayness adalah ketidakjelasan. Einstein bertanya-tanya tentang grayness tersebut. “Sejauh hukum matematika mengacu pada realitas, mereka tidak yakin. Dan sejauh mereka yakin, mereka tidak mengacu pada realitas, “katanya [13]. Mereka menggambarkan dunia sebagai sistem yang rapi dan teratur tanpa grayness. Matematika dan ilmu pengetahuan mencoba menyesuaikan setiap proses di dunia untuk persamaan dan persamaan yang rapi dan terorganisir. Bayangkan dunia tanpa grayness. Tidak mungkin. Dunia yang kita hidup di sangat berantakan dan termasuk banyak  grayness didalamnya. Dengan matematika dan ilmu pengetahuan, kita telah mengamati kecenderungan tertentu dan hubungan yang tetap berlaku untuk jangka waktu dan didefinisikan mereka sebagai logika matematika dan hukum ilmiah. Kebenaran logika dan undang-undang hanyalah masalah derajat dan dapat berubah setiap saat [13]. Matahari dapat membakar dan tidak pernah bangkit kembali. Bulan bisa berhenti berputar mengelilingi bumi. Hukum ini rapi dan terorganisir dan aturan akan mengalami perubahan. Ada unsur grayness yang hadir bahkan dalam matematika dan sains.

Untuk lebih menjelaskan perbedaan antara model ilmiah atau matematis hitam dan putih dibandingkan dengan model dunia nyata, pertimbangkan ketika seseorang berubah dari remaja ke dewasa [13]. Gambar 1 menunjukkan grafik Representasi Ilmiah. Hal ini menunjukkan bahwa seseorang adalah baik dewasa maupun non-dewasa. Filsafat Aristoteles didasarkan pada A-atau tidak A. Ia merumuskan Hukum Tengah dikecualikan, yang mengatakan segala sesuatu yang jatuh ke dalam salah satu kelompok atau yang lain, tetapi tidak bisa di kedua [8].

Gambar 1: Representasi Ilmiah

Gambar 2 menunjukkan grafik yang sama dengan naungan prinsip abu-abu, A-dan-tidak-prinsip A. Ia tidak mengikuti hukum Aristoteles tentang bivalensi. Kemungkinannya adalah seseorang akan memiliki karakteristik beberapa orang dewasa dan beberapa karakteristik non-dewasa. Untuk tingkat tertentu mereka adalah orang dewasa dan untuk beberapa derajat mereka tidak dewasa.

Gambar 2: Representasi Grayness

representasi ini tampaknya paling akurat menggambarkan dunia yang kita hidup ini. Namun, ide ini ditantangan oleh Aristoteles dan filsafat yang sebagian besar dunia telah memeluk begitu lama.

Grayness adalah ide kunci dari logika fuzzy. Logika Fuzzy adalah nama yang diberikan kepada analisis yang berusaha untuk menentukan bidang grayness yang begitu tepat dengan karakteristik dunia yang kita tinggal. Logika fuzzy merupakan alternatif ke A-atau-bukan-A, Boolean 1 dan 0 definisi logika dibangun ke dalam masyarakat. Ia berusaha untuk menangani konsep kebenaran parsial dengan menciptakan nilai-nilai yang mewakili apa yang ada antara kebenaran dan kepalsuan. Logika fuzzy dapat digunakan di hampir aplikasi apapun dan berfokus pada penalaran perkiraan.

SEJARAH
Logika fuzzy dimulai pada tahun 1965 dengan kertas yang disebut “Fuzzy Sets” oleh seorang pria bernama Lutfi Zadeh. Zadeh adalah profesor imigran dan Iran dari teknik elektro UC Berkeley, departemen ilmu komputer. Sambungan sejarah pertama logika fuzzy dapat dilihat dalam pemikiran Buddha, pendiri agama Buddha sekitar 500 SM. Dia percaya bahwa dunia itu penuh dengan kontradiksi dan semuanya berisi beberapa kebalikannya. Bertentangan dengan pemikiran Buddha, filsuf Yunani Aristoteles menciptakan logika biner melalui Hukum Tengah dikecualikan. Sebagian besar dunia Barat menerima filosofi dan itu menjadi dasar pemikiran ilmiah. Masih hari ini, jika ada sesuatu yang terbukti secara logis benar, itu dianggap ilmiah benar [7].

Sebelum Zadeh, seorang pria bernama Max Black menerbitkan sebuah makalah pada tahun 1937 disebut “ketidakjelasan: Latihan di Logical Analysis” [13]. Gagasan bahwa Black terjawab adalah hubungan antara ketidakjelasan dan sistem berfungsi. Zadeh, di sisi lain, melihat hubungan ini dan mulai mengembangkan iden nya tentang logika “kabur” dan fuzzy set. Ide-ide Zadeh’s mengalami banyak perlawanan dari dunia Barat. Ada tiga kritik utama. Yang pertama adalah bahwa orang ingin melihat logika fuzzy diterapkan. Hal ini tidak terjadi untuk kadang-kadang karena ide-ide baru membutuhkan waktu untuk menerapkan. Kritik kedua datang dari sekolah probabilitas. Fuzzy logic menggunakan angka antara 0 dan 1 untuk menggambarkan derajat fuzzy. Probabilists merasa bahwa mereka melakukan hal yang sama [13]. Kritik ketiga adalah yang terbesar. Logika fuzzy untuk bekerja, orang harus setuju bahwa A-dan-tidak-A adalah benar. Ini ilmu pengetahuan modern mengancam dan ide-ide matematika. Akibatnya, dunia Barat menolak logika fuzzy untuk jangka waktu tertentu.

Pada tahun 1980, Jepang memiliki lebih dari 100 perangkat logika fuzzy [13]. Menurut Zadeh, pada tahun 1994, Amerika Serikat hanya menempati peringkat ketiga dalam aplikasi fuzzy belakang Jepang dan Jerman [2]. Masih hari ini, Amerika Serikat, beberapa tahun belakang dalam pengembangan dan implementasi logika fuzzy.
Zadeh ingat bahwa ia memilih kata “kabur” karena ia “merasa paling akurat menggambarkan apa yang sedang terjadi di dalam teori” [2]. Kata-kata lain yang ia pikirkan tentang penggunaan kata untuk menggambarkan teori tersebut termasuk istilah  lembut, tidak tajam, kabur, atau elastis. Dia memilih istilah “kabur” karena “hubungan dengan akal sehat” [13].

LOGIKA FUZZY

Ada banyak manfaat untuk menggunakan logika fuzzy. Logika fuzzt adalah konseptual mudah dipahami dan memiliki pendekatan alami [8]. Logika fuzzy fleksibel dan dapat dengan mudah ditambah dan disesuaikan. Hal ini sangat toleran terhadap data yang tidak tepat dan terhadap model yang nonlinier/ kompleksitas sedikit. Hal ini juga bisa dicampur dengan teknik kontrol konvensional. Ada tiga komponen utama dari sistem fuzzy: set fuzzy, aturan fuzzy, dan bilangan fuzzy.

Logika fuzzy dan berpikir fuzzy terjadi di set fuzzy. Pertimbangkan contoh kendaraan. Kita semua berbicara kendaraan yang sama, tapi kita berpikir kendaraan pada tingkat yang berbeda. Ini adalah kata benda. Ini menggambarkan sesuatu. Ada sekelompok perangkat yang kita sebut kendaraan. Perangkat ini mungkin termasuk truk, pesawat, bus, mobil, sepeda, skuter, atau skateboard. Apa yang saya anggap kendaraan yang akan bisa menjadi sesuatu yang sangat berbeda dari apa yang orang lain anggap. Yang benar-benar kendaraan atau tidak? Beberapa tampak lebih dekat dengan gagasan kita tentang sebuah kendaraan daripada yang lain. Aristoteles akan mengatakan bahwa hanya ada satu kendaraan dan bukan kendaraan. logika fuzzy mengatakan bahwa untuk gelar masing-masing perangkat ini adalah kendaraan. Beberapa merupakan kendaraan lebih dari yang lain tetapi semua jatuh dalam grayness antara kendaraan dan bukan kendaraan. Intinya adalah bahwa kendaraan kata singkatan untuk satu set fuzzy dan hal-hal yang termasuk dalam mengatur beberapa derajat.

Lambang fuzzy sebenarnya adalah simbol “yin-yang” [13]. Simbol yin-yang, ditunjukkan pada Gambar 3 adalah sama hitam dan putih. Hal ini dalam keadaan yang paling fuzzy.

Gambar 3: Simbol yin-yang

Untuk lebih melihat bagaimana isi set fuzzy yang lebih kecil dan sebagainya, pertimbangkan kendaraan off-road. Sebuah kendaraan off road adalah seperangkat kecil kendaraan. Setiap kendaraan off-road adalah kendaraan, tetapi tidak setiap kendaraan sebuah kendaraan off-road. Pertanyaan yang diajuakan adala: kapan sebuah kendaraan adalah off-road? Sekali lagi ini adalah masalah derajat.Fuzzy set ini dikombinasikan dengan aturan-aturan fuzzy membangun sistem fuzzy. Fuzzy set dapat diciptakan dari apa pun.

Komponen kedua dari sistem fuzzy adalah aturan fuzzy. Aturan fuzzy didasarkan pada pengetahuan manusia. Pertimbangkan bagaimana alasan manusia dengan contoh sederhana: jika Anda membawa payung untuk bekerja? Pertama, Anda memiliki pengetahuan tentang ramalan: sekitar 70% kemungkinan hujan. Kedua, Anda memiliki pengetahuan tentang fungsi payung: untuk membuat Anda tetap kering ketika hujan. Dari pengetahuan ini, Anda dapat membuat aturan yang membimbing Anda melalui suatu keputusan. Jika hujan, Anda akan mendapatkan basah. Jika Anda mendapatkan basah, Anda akan tidak nyaman di tempat kerja. Jika Anda menggunakan payung, Anda akan tetap kering. Oleh karena itu, Anda memutuskan untuk membawa payung. Aturan yang dipandu untuk keputusan Anda berhubungan satu hal atau peristiwa atau proses ke hal atau peristiwa dalam bentuk :jika-maka” [13].

Pengetahuan tentang kesempatan hujan menyebabkan aturan yang membuat Anda memutuskan cara yang Anda lakukan. Ini adalah bagaimana aturan fuzzy diciptakan, melalui pengetahuan manusia. Mendefinisikan aturan-aturan fuzzy atau fuzzy patch. Fuzzy patch, bersama dengan grayness, merupakan ide kunci dalam logika fuzzy. “Patch ini akal sehat dasi ke geometri sederhana dan membantu mendapatkan pengetahuan untuk dapat menuliskan program ke dalam komputer,” kata Bart Kosko, penganjur terkenal di dunia dan populizer logika fuzzy [13]. Patch ditentukan oleh bagaimana sistem fuzzy dibangun untuk dapat meliputi  jalur output yang didefinisikan oleh sistem. Gambar 4 menunjukkan bercak fuzzy yang meliputi jalur output. Sebuah konsep yang dirancang oleh Kosko disebut Fuzzy Teorema Aproksimasi (FAT) menyatakan bahwa jumlah terbatas patch dapat mencakup kurva [13]. Jika patch yang besar, aturan yang besar. Jika patch kecil, aturan yang tepat. Mencoba untuk membuat aturan yang terlalu tepat membangun banyak kompleksitas ke dalam suatu sistem fuzzy.

Gambar 4: Patch Fuzzy Meliputi Line

Setiap bilangan fuzzy adalah fungsi domain. Bilangan fuzzy memungkinkan perbandingan perkiraan [3]. Pertimbangkan objek bergerak dengan kecepatan yang kurang lebih sama dengan 50 mph. Hal ini akan “sekitar 50 mph.” Fuzzy hal yang berguna dalam  memungkinkan kita untuk mengabaikan kekakuan bahwa sebenarnya kecepatan 50,1 mph atau bahkan 51 mph. Dari perkiraan ini suatu perbandingan dapat dibuat untuk objek lain akan “sekitar 50 mph.”

Ada beberapa cara untuk mengasosiasikan nomor fuzzy ke deskripsi dalam kata-kata. Asosiasi ini terjadi dalam bentuk-bentuk tertentu. Bentuk ini disebut sebagai fungsi keanggotaan. Ada empat bentuk yang terutama digunakan. Hal ini termasuk segitiga, trapesium, Gaussian, dan Singleton.

Gambar 5: menunjukkan bentuk yang mungkin digunakan untuk definisi subset.

Referensi

[1] Aziz, Shahariz Abdul. “You Fuzzyin’ With Me?”   1996. Online posting. 13 Dec. 2002. <http://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol1/sbaa/article1.html >

[2] Blair, Betty. “Interview with Lotfi Zadeh.” Azerbaijan International. 2.4 (1994). 4 Dec. 2002.

<http://www.azer.com/aiweb/categories/magazine/24_folder/24_articles/24_fuzzylogic.html>

[3] “Chapter 1: Fuzzy Mathematics: Fuzzy Logic, Fuzzy Sets, Fuzzy Numbers.” 14 Dec. 2002. <http://members.aol.com/wsiler/chap01.htm>

[4] Conti, S., G. Tina, C. Ragusa.  “Optimal Sizing Procedure for Stand-Alone Photovoltaic Systems by Fuzzy Logic.” Journal of Solar Energy Engineering. Feb. 2002, vol. 124. 77-82.

[5] Cruz, Adriano. “Extension Principle.” 2002. UFRJ. 12 Dec. 2002. <http://equipe.nce.ufrj.br/adriano/fuzzy/transparencias/extension.pdf>

[6] “Fuzzy Arithmetic.” 4 Oct. 2000. Online posting. Everything 2. 12 Dec, 2002. <http://www.everything2.com/index.pl?node=fuzzy%20arithmetic>

­[7] “Fuzzy Logic.” Online posting. 12 Dec. 2002. <http://www.ch172.thinkquest.hostcenter.ch/fuzzy-logic7.html>

[8] “Fuzzy Logic Toolbox.” The MathWorks. Online posting. 2002. 6 Dec. 2002. <http://www.mathworks.com/access/helpdesk/help/toolbox/fuzzy/fuzzy.shtml >

[9] Giachetti, Ronald E., Robert E. Young. “A Parametric Representation of Fuzzy Numbers and their Arithmetic Operators.” Online posting. 14 Dec. 2002. <http://citeseer.nj.nec.com/cache/papers/cs/9060/http:zSzzSzwww.nist.govzSzmsidstaffzSzgiachettizSzpfn-fss.pdf/giachetti96parametric.pdf>

[10] Hanns, Michael. “A Nearly Strict Fuzzy Arithmetic for Solving Problems with Uncertainties.” Online posting. 14 Dec. 2002. <http://www.mecha.uni-stuttgart.de/Mitarbeiter/Hanss/papers/nafips00a.pdf >

[11] Isaka, Satoru, Bart Kosko. “Fuzzy Logic.” ­Scientific American. Online posting. July 1993. 14 Dec. 2002. <http://www.fortunecity.com/emachines/e11/86/fuzzylog.html>

[12] Jacob, Christian. Chapter 4: Fuzzy Systems. Online posting. 11 Dec. 2002. <http://pages.cpsc.ucalgary.ca/~jacob/Courses/Winter2001/CPSC533/Slides/04-Fuzzy-6up.pdf>

[13] Kosko, Bart.  “Fuzzy Thinking: The New Science of Fuzzy Logic.” Hyperion. New York. 1993.

[14] “Tour Of Fuzzy Logic Functions.” Wolfram Reasearch, Inc. 28 Nov. 2002. <http://library.wolfram.com/examples/FuzzyLogic/>

Sumber Paper: Fuzzy Logic and Fuzzy Control Systems

Operasi pada LOGIKA FUZZY

Operasi pada LOGIKA FUZZY

Step 1

Fuzzifikasi : proses untuk mengubah variabel non fuzzy (variabel numerik) menjadi variabel fuzzy (variabel linguistik)

Step 2

RULE atau aturan logika fuzzy

Inferencing (Ruled Based) , pada umumnya aturan-aturan fuzzy dinyatakan dalam bentuk “IF THEN” yang merupakan inti dari relasi fuzzy.

Step 3

Defuzifikasi: proses pengubahan data-data fuzzy tersebut menjadi data-data numerik yang dapat dikirimkan ke peralatan pengendalian.

CONTOH KASUS:

Harga (m) pada sumbu y mengacu pada derajat dimana nilai masukan crisp (temperatur) dipasang pada tiap labelfungsi keanggotaan {sejuk, hangat, dan sebagainya}. Seperti yang anda lihat, nilai masukan dapat menjadi milik lebih dari satu set fuzzy. 92 derajat termasuk dalam set hangat dan juga set panas yang telah didefinisikan oleh fungsi keanggotaan.

Menguraikan masukan crisp dalam bentuk fuzzy mengijinkan sistem merespon secara halus perubahan dalam temperatur masukan. Sebagai contoh, reaksi sistem fuzzy terhadap aturan, “jika temperatur luar panas, maka lamanya penyiraman singkat; jika temperatur luar hangat maka maka lamanya penyiraman agak lama” akan berubah hanya sedikit jika temperatur luar bergerak dari 80 derajat ke 79,9 derajat.

Respon sistem dalam bentuk lamanya penyiraman akan dihitung pada derajat keanggotaan temperatur masukan pada tiap set, pada keadaan ini, 80 derajat dan 79,9  derajat adalah normal sekaligus hangat.

Pada bagian / langkah berikutnya setelah fuzzyfikasi yaitu evaluasi rule, kita akan  mengetahui bagaimana aturan aturan  menggunakan masukan fuzzy untuk menentukan aksi sistem. Jika anda belum  memahami bagian fuzzyfikasi ini disarankan agar anda  mengulangi lagi  sampai anda benar benar faham dan ngerti tentang fuzzyfikasi  sebelum anda melangkah ke evaluasi rule.

Sumber : http://iddhien.com/index.php?option=com_frontpage&Itemid=1

Boolean Logic VS Fuzzy Logic

Boolean Logic VS Fuzzy Logic

Contoh Kasus

Sebagi contoh, apakah 80 derajat fahrenheit tergolong hangat atau panas? Dalam logika fuzzy, dan dalam dunia nyata, “kedua-duanya benar” mungkin merupakan  jawabannya. Seperti yang anda lihat pada grafik fuzzy dibawah ini, 80 derajat adalah sebagian hangat dan sebagian panas dalam gambaran set fuzzy.

Sementara hal ini dapat dibenarkan bahwa tumpang tindih antara set dapat terjadi dalam logika boolean, transisi dari set ke set terjadi seketika itu juga ( yaitu elemen yang dapat menjadi anggota set atau tidak ).

Dengan logika fuzzy, sementara itu, transisi dapat bertingkat – tingkat ( yaitu elemen dapat memiliki sebagian keanggotaan dalam sejumlah set )

Dalam logika klasik menggunakan set konvensional yang ditunjukkan dibawah, 79,9 derajat dapat diklasifikasikan sebagai hangat, dan 80,1 derajat dapat diklasifikasikan sebagai panas. Perubahan kecil dalam sistem dapat menyebabkan perbedaan reaksi yang berarti. Dalam sistem fuzzy, perubahan kecil temperatur akan memberikan hasil perubahan yang tidak jelas pada kinerja sistem.

Tahap Pemodelan dalam Fuzzy Logic

Tahap Pemodelan dalam Fuzzy Logic

  • Fuzzifikasi : proses untuk mengubah variabel non fuzzy (variabel numerik) menjadi variabel fuzzy (variabel linguistik)
  • Inferencing (Ruled Based) , pada umumnya aturan-aturan fuzzy dinyatakan dalam bentuk “IF THEN” yang merupakan inti dari relasi fuzzy.
  • Defuzifikasi: proses pengubahan data-data fuzzy tersebut menjadi data-data numerik yang dapat dikirimkan ke peralatan pengendalian.

Untuk mengerti sistem fuzzy, anda harus mengenal konsep dasar yang berhubungan dengan logika fuzzy.

DERAJAT KEANGGOTAAN adalah : derajat dimana nilai crisp compatible dengan fungsi keanggotaan ( dari 0 sampai 1 ), juga mengacu sebagai tingkat keanggotaan, nilai kebenaran, atau masukan fuzzy.

LABEL adalah nama deskriptif yang digunakan untuk mengidentifikasikan sebuah fungsi keanggotaan.

FUNGSI KEANGGOTAAN adalah mendefinisikan fuzzy set dengan memetakkan masukan crisp dari domainnya ke derajat keanggotaan.

MASUKAN CRISP adalah masukan yang tegas dan tertentu

LINGKUP / DOMAIN adalah lebar fungsi keanggotaan. Jangkauan konsep, biasanya bilangan, tempat dimana fungsi keanggotaan dipetakkan. Disini domain dari fuzzy set ( fungsi keanggotaan ) adalah dari 0 sampai 20 derajat dan lingkupnya adalah 20 derajat.

DAERAH BATASAN CRISP adalah jangkauan seluruh nilai yang mungkin dapat diaplikasikan pada variabel sistem. Menggunakan logika fuzzy untuk mencapai penyelesaian crisp pada masalah khusus biasanya melibatkan tiga langkah : fuzzyfikasi, evaluasi rule, dan defuzzyfikasi. Jika anda tidak / belum mengetahui bagaimana logika fuzzy itu bekerja kami sarankan agar anda benar benar memahami betul tiap langkah dalam bagian berikutnya.

Sejarah Perkembangan Fuzzy Logic

Fuzzy Set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh, 1965 orang Iran yang menjadi guru besar di University of California at Berkeley dalam papernya yang monumental “Fuzzy Set”.
Dalam paper tersebut dipaparkan ide dasar fuzzy set yang meliputi inclusion, union, intersection, complement, relation dan convexity.


Lotfi Zadeh mengatakan Integrasi Logika Fuzzy kedalam sistem informasi dan rekayasa proses adalah menghasilkan aplikasi seperti sistem kontrol, alat alat rumah tangga, dan sistem pengambil keputusan yang lebih fleksibel, mantap, dan canggih dibandingkan dengan sistem konvensional. Dalam hal ini kami dapat mengatakan bahwa logika fuzzy memimpin dalam pengembangan kecerdasan mesin yang lebih tinggi ( machine Intelligency Quotient / MIQ ) Produk produk berikut telah menggunakan logika fuzzy dalam alat alat rumah tangga seperti mesin cuci, video dan kamera refleksi lensa tunggal, pendingin ruangan, oven microwave, dan banyak sistem diagnosa mandiri.

Pelopor aplikasi fuzzy set dalam bidang kontrol, adalah Prof. Ebrahim Mamdani dkk dari Queen Mary College London. (masih dalam skala lab)
Penerapan secara nyata di industri banyak dipelopori oleh para ahli dari Jepang misalnya Prof. Sugeno dkk dari Tokyo Institute of Technology.