Penjelasan Lengkap Mengenai Logika Fuzzy (Fuzzy Logic)

Logika fuzzy pertama kali diperkenalkan oleh Lotfi A. Zadeh melalui tulisannya tentang teori himpunan fuzzy pada tahun 1965. Lotfi Asker Zadeh adalah seorang ilmuwan Amerika Serikat berkebangsaan Iran dari Universitas California di Barkeley.

Meskipun logika fuzzy dikembangkan di Amerika, namun metode ini lebih populer dan banyak diaplikasikan secara luas oleh praktisi Jepang dengan mengadaptasikannya ke bidang kendali (control) hingga inteligensia buatan. Produk elektronik buatan Jepang yang banyak dijual seperti mesin cuci, AC, dan lain-lain juga menerapkan prinsip logika fuzzy.

Mengapa logika fuzzy lebih banyak pengaplikasiannya di negara Jepang dibanding Amerika?

Hal ini karena kultur orang barat yang cenderung memandang suaru persoalan sebagai hitam-putih, ya-tidak, bersalah-tidak bersalah, sukses-gagal, atau yang setara dengan dunia logika biner Aristoteles, sedangkan kultur orang timur lebih dapat menerima dunia “abu-abu” atau fuzzy.

Untuk memahami lebih jelas, pada artikel ini akan membahas apa itu logika fuzzy dan penerapannya.

Penjelasan Lengkap Mengenai Logika Fuzzy (Fuzzy Logic)

Daftar Isi

Pengertian Logika Fuzzy

Logika fuzzy atau dalam istilah bahasa inggris disebut fuzzy logic merupakan bentuk logika bernilai banyak yang memiliki nilai kebenaran variabel dalam bilangan real antara 0 dan 1.

Dalam sistem kecerdasan buatan (AI), logika fuzzy digunakan untuk meniru penalaran dan kognisi manusia. Logika fuzzy merupakan pengembangan dari logika biner. Logika biner hanya memiliki 2 nilai kebenaran yakni 0 atau 1. Logika fuzzy memasukkan 0 dan 1 sebagai nilai kebenaran ekstrem tetapi dengan berbagai tingkat kebenaran menengah.

Logika fuzzy dikembangkan berdasarkan bahasa manusia (bahasa alami). Tujuannya untuk menjembatani bahasa mesin yang presisi dengan bahasa manusia yang menekankan pada makna atau arti (significance). Logika fuzzy umumnya diterapkan pada masalah-masalah yang mengandung unsur ketidakpastian (uncertainty), ketidaktepatan (imprecise), noisy, dsb.

Contoh-contoh masalah yang mengandung ketidakpastian:

Contoh 1: Seseorang dikatakan “tinggi” jika tinggi badannya lebih dari 1,7 meter. Bagaimana dengan orang yang mempunyai tinggi badan 1,6999 meter atau 1,65 meter, apakah termasuk kategori orang tinggi? Menurut persepsi manusia, orang yang mempunyai tinggi badan sekitar 1,7 meter dikatakan “kurang lebih tinggi” atau “agak tinggi”.

Contoh 2: Kecepatan “pelan” didefinisikan di bawah 20 km/jam. Bagaimana dengan kecepatan 20,001 km/jam, apakah masih dapat dikatakan pelan? Manusia mungkin mengatakan bahwa kecepatan 20,001 km/jam itu “agak pelan”

Boolean Logic vs Fuzzy Logic

Istilah fuzzy mengacu pada sesuatu yang belum jelas atau samar-samar. Dalam dunia nyata terkadang kita berada pada situasi dimana kita tidak bisa menentukan keadaan tersebut benar atau salah. Nah, logika fuzzy di sini berperan menyediakan fleksibilitas ketika melakukan penalaran.

Dalam sistem kebenaran nilai boolean (Boolean Logic) , 1.0 merepresentasikan nilai kebenaran mutlak, sedangkan 0.0 menyatakan nilai salah mutlak.

Akan tetapi dalam logika fuzzy, tidak semua dianggap sebagai nilai kebenaran mutlak dan nilai salah mutlak. Logika fuzzy juga memiliki nilai intermediet yang mengandung sebagian nilai benar dan sebagian nilai salah. Nilai ini dapat disebut sebagai "nilai abu-abu".

Berikut adalah perbandingan antara logika boolean dengan logika fuzzy

Sumber: techtarget.com

Kelebihan dan Kekurangan Logika Fuzzy

Berikut adalah kelebihan dan kekurangan dari algoritma logika fuzzy

Kelebihan

Sistem yang dibangun dengan logika fuzzy dapat bekerja dengan berbagai jenis input, baik yang tidak presisi, terdistorsi, maupun mengandung informasi yang noise
Rancangan sistem logika fuzzy cukup mudah dan dapat dimengerti.
Logika fuzzy hadir dengan konsep matematika dari teori himpunan dan penalarannya cukup sederhana.
Dapat memberikan solusi yang sangat efisien untuk masalah kompleks di semua bidang kehidupan karena menyerupai penalaran dan pengambilan keputusan manusia.
Logika Fuzzy dapat dikodekan menggunakan lebih sedikit data, sehingga tidak menempati ruang memori yang besar
Algoritma ini fleksibel dan aturannya dapat dimodifikasi

Kekurangan

Keakuratan sistem dapat terganggu karena sebagian besar sistem bekerja pada data dan input yang tidak akurat
Tidak ada pendekatan sistematis tunggal untuk memecahkan masalah menggunakan logika fuzzy. Akibatnya, banyak solusi muncul untuk masalah tertentu, yang bisa menyebabkan kebingungan
Kelemahan utama dari sistem kontrol logika fuzzy adalah bahwa algoritma ini sepenuhnya bergantung pada pengetahuan dan keahlian manusia
Kita harus memperbarui aturan sistem kontrol logika fuzzy secara teratur
Algoritma ini tidak dapat mengenali pembelajaran mesin atau jaringan saraf
Algoritma memerlukan banyak pengujian untuk validasi dan verifikasi

Arsitektur Sistem Logika Fuzzy

Sumber: geeksforgeeks.org

Pada dasarnya, ada empat bagian dalam arsitektur sistem logika fuzzy, yakni

1. Rule Base

Berisi semua aturan dan kondisi "if-else" untuk mengontrol pengambilan keputusan. Namun, seiring perkembangan modern, jumlah aturan dalam rule-base yang digunakan logika fuzzy telah banyak berkurang.

2. Fuzzification

Fuzzifikasi adalah komponen kedua dalam arsitektur logika fuzzy dan berguna untuk membantu mengubah input. Komponen ini membantu dalam mengkonversi angka ekstrem ke himpunan fuzzy.

Masukan yang ekstrem diukur oleh sensor dan diteruskan ke sistem kontrol untuk diproses. Modul ini digunakan untuk mengubah input sistem dan juga membantu dalam membagi sinyal input menjadi lima state:

Large positive
Medium positive
Small
Medium negative
Large negative

3. Inference Engine

Komponen ketiga ini membantu dalam menentukan tingkat kecocokan antara input fuzzy dan aturan fuzzy. Berdasarkan persentase itu diputuskan aturan mana yang perlu diterapkan. Setelah itu, untuk mengembangkan tindakan kontrol, aturan yang diterapkan digabungkan.

4. Defuzzifikasi

Modul ini adalah kebalikan dari proses fuzzification. Di sini, nilai fuzzy diubah menjadi nilai ekstrem melalui pemetaan (mapping). Akan ada beberapa metode defuzzifikasi untuk melakukan ini, tetapi pemilihan metode yang terbaik didasarkan sesuai input.

Metode yang digunakan untuk defuzzifikasi yakni metode rata-rata (average) dan metode titik tengah (center of area) yang digunakan untuk membantu pengambilan keputusan yang tepat.

Kegunaan dan Penerapan Logika Fuzzy

Penerapan logika fuzzy tersebar di beberapa bidang diantaranya adalah sebagai berikut:

Medis

Mengontrol tekanan arteri saat memberikan anestesi kepada pasien
Digunakan dalam radiologi diagnostik dan sistem pendukung diagnostik
Diagnosis kanker prostat dan diabetes

Sistem transportasi

Menangani operasi kereta bawah tanah
Mengontrol jadwal kereta
Mengerem dan menghentikan kendaraan berdasarkan parameter, seperti kecepatan mobil, akselerasi, dan kecepatan roda

Pertahanan

Menemukan dan mengenali target di bawah air
Mendukung pengambilan keputusan angkatan laut
Menggunakan gambar inframerah termal untuk pengenalan target
Digunakan untuk mengontrol pencegat hypervelocity

Industri

Mengontrol pabrik pemurnian air
Menangani masalah dalam kepuasan kendala dalam desain struktural
Analisis pola untuk jaminan kualitas
Logika fuzzy digunakan untuk menangani pengolahan air limbah lumpur

Kontrol Angkatan Laut

Mengemudikan kapal dengan benar
Memilih rute yang optimal atau terbaik untuk mencapai tujuan
Autopilot didasarkan pada logika fuzzy
Kendaraan bawah air otonom dikendalikan menggunakan logika fuzzy

Mesin Cuci Berbasis Logika Fuzzy

Mesin cuci modern yang ditenagai oleh logika fuzzy menjadi populer akhir-akhir ini. Sistem memiliki sensor yang terus-menerus melacak variasi suhu. Hal ini dapat menyesuaikan kontrol dan operasi yang sesuai. Sistem ini berkinerja baik, produktif, dan hemat biaya.

Untuk hasil pencucian terbaik, logika fuzzy mengontrol proses pencucian, suhu air, kecepatan putaran, waktu pencucian, pemasukan air, dan performa pembilasan. Mesin canggih melakukan hal berikut:

Memeriksa beban mesin untuk mencegah kelebihan beban
Memeriksa kesadahan air dan menentukan jenis bahan kainnya
Memberi tahu pengguna tentang jumlah deterjen yang optimal. Sistem juga memeriksa apakah deterjen dalam bentuk cair atau bubuk
Sistem belajar dari pengalaman mencuci sebelumnya, dan menghafal algoritma untuk meningkatkan hasil pencucian

Perusahaan seperti Panasonic menggunakan teknologi serupa di mesin pencuci piring mereka. Logika fuzzy digunakan dalam menyesuaikan siklus pembersihan mesin pencuci piring, bersama dengan metode pencucian dan pembilasan. Kinerja mesin juga tergantung pada jumlah piring yang dimasukkan ke dalam mesin cuci.

Referensi:

Trivusi