Hallo Inovator pada kesempatan kali ini kita akab belajar mengenai Fuzzy Logic. Dalam Bahasa inggris, Fuzzy mempunyai arti kabur atau tidak jelas. Jadi, Fuzzy logic adalah logika yang kabur, atau mengandung unsur ketidakpastian. Menurut Nasution (2012: 4) Logika fuzzy digunakan untuk menterjemahkan suatu besaran yang diekspresikan menggunakan Bahasa (linguistic), misalkan besaran kecepatan laju kendaraan yang diekspresikan dengan pelan, agak cepat, cepat, dan sangat cepat. Dan logika fuzzy menunjukan sejauh mana suatu nilai itu benar dan sejauh mana suatu nilai itu salah. Tidak seperti logika klasik atau tegas, suatu nilai hanya mempunyai 2 kemungkinan yaitu merupakan suatu anggota himpunan atau tidak. Derajat keanggotaan 0 (nol) artinya nilai bukan merupakan anggota himpunan dan 1 (satu) berarti nilai tersebut adalah anggota himpunan. Berikut ini adalah beberapa istilah yang wajib anda pelajari berkaitan dengan fuzzy logic.

1.Teori Himpunan Fuzzy

Berbeda dengan teori himpunan klasik yang menyatakan suatu objek adalah anggota (ditandai dengan angka 1) atau bukan anggota (ditandai dengan angka 0) dari suatu himpunan dengan batas keanggotaan yang jelas / tegas (crisp), teori himpunan fuzzy memungkinkan derajat keanggotaan suatu objek dalam himpunan untuk menyatakan peralihan keanggotaan secara bertahap dalam rentang antara 0 sampai 1 atau ditulis [0,1] (Hani’ah, 2015)

Himpunan fuzzy (f set) didasarkan pada gagasan untuk memperluas jangkauan fungsi karakteristik sedemikian hingga fungsi tersebut akan mencakup bilangan real pada interval [0,1]. Nilai keanggotaannya menunjukkan bahwa suatu item tidak hanya bernilai benar atau salah. Nilai 0 menunjukkan salah, nilai 1 menunjukkan benar, dan masih ada nilai-nilai yang terletak antara benar dan salah.

  2.  Fungsi Keanggotaan Fuzzy

Fungsi keanggotaan (membership function) adalah suatu fungsi yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya. Ada beberapa fungsi yang dapat digunakan melalui pendekatan fungsi untuk mendapatkan nilai keanggotaan, seperti Triangular, Trapezoidal, Gaussian, dan Generalized Bell.

A. Fungsi Keanggotaan Triangular

Gambar 1. Kurva Keanggotaan Triangular

Fungsi keanggotaan triangular yang ditunjukkan pada Gambar 1.  terbentuk oleh tiga parameter: a, b dan c. Berdasarkan keanggotaan tersebut didapatkan rumus seperti pada persamaan di bawah.

B. Fungsi Keanggotaan Trapezoidal

Gambar 2. Fungsi Keanggotaan Trapezoidal

 Fungsi keanggotaan trapezoidal yang ditunjukkan pada Gambar 2 terbentuk oleh empat parameter: a, b, c, dan d. Berdasarkan keanggotaan tersebut didapatkan rumus seperti pada persamaan di bawah

C. Fungsi Keanggotaan Gaussian

Gambar 3. Fungsi Keanggotaan Gaussian

Fungsi keanggotaan gaussian yang ditunjukkan pada Gambar 3 terbentuk oleh dua parameter: σ dan c. Berdasarkan keanggotaan tersebut didapatkan rumus seperti pada persamaan di bawah

D. Fungsi Keanggotaan Generalized Bell

Gambar 4. Fungsi Keanggotaan Generalized Bell

Fungsi keanggotaan generalized bell yang ditunjukkan pada Gambar 4 terbentuk oleh tiga parameter: a, b,dan c. Berdasarkan keanggotaan tersebut didapatkan rumus seperti pada persamaan di bawah

3. Sistem Inferensi Fuzzy

Sistem Inferensi F (F Inference System) merupakan suatu kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy berbentuk if-then, dan penalaran fuzzy. Sistem inferensi fuzzy menerima input crisp. Input ini kemudian dikirim ke basis pengetahuan yang berisi n aturan fuzzy dalam bentuk if-then. Fire strength (bobot) akan dicari pada setiap aturan. Apabila jumlah aturan lebih dari satu, maka akan dilakukan agregasi dari semua aturan. Selanjutnya, pada hasil agregasi akan dilakukan defuzzifikasi untuk mendapatkan nilai crisp sebagai keluaran sistem. Pada Gambar 2.26 dapat dilihat bahwa fuzzy memiliki sistematis dari input, aturan, hingga defuzzifikasi.

4. Deffuzifikasi

Defuzzifikasi adalah proses mengubah hasil inferensi yang bersifat kabur (f) menjadi nilai konkret atau crisp yang dapat dipahami dan digunakan dalam sistem. Defuzzifikasi dilakukan dengan cara mencari rata- rata terbobot (Weighted Average).

Dengan Rn adalah nilai minimum rule ke-n, dan Fn adalah nilai output rule ke-n. Rata-rata terbobot digunakan untuk menentukan variable linguistic arah pergerakan motor 1dan 2 yang terdapat pada sisisumbo x dan y. motor digunakan untuk mengisi menggerakan sumbu  dengan 2 kemungkinan yaitu on dengan nilai 255, dan off dengan nilai 0.

kemudian berikut ini adalah tahapan yang dilakukan dapam Pembuatan sistem Fuzzy Logic yang umumnya terdiri dari:

Penentuan Variabel Input dan Output:

• Identifikasi variabel input dan output yang relevan untuk sistem fuzzy. Variabel input adalah parameter-parameter yang digunakan sebagai masukan, sementara variabel output adalah hasil keluaran dari sistem.

Penentuan Fungsi Keanggotaan:

• Setiap variabel fuzzy harus memiliki fungsi keanggotaan yang menggambarkan sejauh mana suatu nilai masukan atau keluaran termasuk dalam suatu himpunan fuzzy. Fungsi ini dapat berbentuk segitiga, trapesium, atau bentuk kurva lainnya.

Penentuan Aturan Fuzzy:

• Mengembangkan aturan-aturan fuzzy yang menghubungkan variabel input dengan variabel output. Aturan ini biasanya berbentuk pernyataan linguistik yang menggunakan istilah fuzzy, seperti "jika suhu rendah, maka tingkat pemanasan rendah."

Fuzzyfikasi:

• Proses mengonversi nilai-nilai crisp (nilai eksak) dari variabel input ke dalam nilai-nilai fuzzy menggunakan fungsi keanggotaan yang telah ditentukan sebelumnya.

Inferensi Fuzzy:

• Proses penerapan aturan fuzzy untuk menghasilkan suatu nilai fuzzy pada variabel output. Ini melibatkan kombinasi aturan fuzzy berdasarkan kondisi-kondisi yang ada.

Kombinasi Aturan:

• Proses menggabungkan hasil inferensi dari berbagai aturan untuk menghasilkan nilai keluaran fuzzy yang akhir.

Defuzzyfikasi:

• Proses mengonversi nilai-nilai fuzzy pada variabel output menjadi nilai crisp yang dapat digunakan sebagai hasil keluaran sistem. Ini melibatkan operasi tertentu, seperti menghitung centroid atau memilih nilai maksimum.

Implementasi dan Evaluasi:

• Implementasikan sistem fuzzy dalam bentuk perangkat keras atau perangkat lunak sesuai kebutuhan. Evaluasi kemudian dilakukan untuk memastikan kinerja sistem sesuai dengan yang diinginkan, dan jika perlu, melakukan penyesuaian parameter.

Penting untuk dicatat bahwa setiap tahap dapat melibatkan pengambilan keputusan yang didasarkan pada pengetahuan dan pengalaman domain spesifik. Selain itu, iterasi mungkin diperlukan untuk meningkatkan kinerja sistem fuzzy.

Baiklah sekian penjelasan mengenai Fuzzy Logic, berikut ini adalah beberapa proyek ELMECH yang berkaitan dengan fuzzy logic:

dan Berbagai Proyek lainnya bisa di cek di channel youtube ELMECH DI SINI

ekian dulu penjelasan kita kali ini jika inovator butuh bantuan untuk implementasi hebatnya di bidang Teknologi Otomasi yang meliputi Internet Of Things (IoT), Elektronika (Ardunio, STM32, Raspberry, dll) , Instrumentasi dan informatika (Pengolahan Citra, Kecerdasan Buatan (AI), Software Aplikasi) langsung saja kontak akun sosial media kami dengan link WA berikut ini.

Jasa Arduino Bandung Internet of Things Bandung. Jasa Arduino Surabaya Internet of Things Surabaya. Jasa Arduino Jakarta Internet of Things Jakarta. Jasa Arduino Depok. Jasa Arduino Malang. Jasa Arduino Bandung. Jasa Arduino Batam. Jasa Arduino Bekasi. Jasa Arduino Surabaya. Jasa Arduino Semarang. Jasa Arduino Surakarta. Jasa Arduino Pekanbaru. Jasa Arduino Tangerang Selatan. Jasa Arduino Bekasi. Jasa Arduino Makassar. Jasa Arduino Tangerang. Jasa Arduino Medan. Jasa Arduino Palembang. Jasa Arduino Jogja. Jasa Arduino Yogyakarta.