ceritanya besok mau UAS matkul rekayasa optimasi proses alias ROP, salah satu metode yang dipakai untuk optimasi yaitu Fuzzy Logic, biar lebih paham ayo dibaca dulu materinya.. ckckck
--------------------------------------------------------------------------------------------------------------
Fuzzy Logic
(FL) pertama diperkenalkan oleh Lotfi. A. Zadeh. Tidak seperti logika boolean
atau logika digital yang hanya bernilai 0 atau 1, logika fuzzy ini bernilai
antara 0 dan 1. Fuzzy logic digunakan untuk menangani fuzziness
(kesamaran) dengan cara merepresentasikan nilai yang bersifat linguistik.
Misalnya besar, kecil, sedang, pelan, agak cepat, cepat dan sebagainya.
Permasalahan yang tidak dapat dilihat sebagai ‘hitam’ atau ‘putih’ seperti ini
lebih sering terjadi di dunia nyata. Terdapat hal ‘abu-abu’ yang jika
diperhitungkan dapat membua kita menentukan keputusan yang lebih adil.
Secara umum dalam sistem logika fuzzy terdapat empat buah
elemen dasar, yaitu:
1. Berbasis rule, yang berisi aturan-aturan secara
linguistik yang bersumber dari pakar (atau data training).
2. Suatu mekanisme pengambilan keputusan (inference
engine), yang memodelkan bagaimana pakar mengambil suatu keputusan dengan
menerapkan pengetahuan (knowledge).
3. Proses fuzzification, yang mengubah nilai crisp ke
nilai fuzzy.
4. Proses defuzzification, yang mengubah nilai fuzzy
hasil inference ke nilai crisp.
Kelebihan Fuzzy Logic
Diibandingkan dengan sistem logika lain, fuzzy logic bisa
menghasilkan keputusan yang lebih adil dan lebih manusiawi. Fuzzy logic
memodelkan perasaan atau intuisi dengan cara merubah nilai crisp menjadi nilai
linguistik dengan fuzzification dan kemudian memasukkannya ke dalam rule yang
dibuat berdasarkan knowledge.
Kelebihan yang kedua adalah Fuzzy logic cocok digunakan pada
sebagian besar permasalahan yang terjadi di dunia nyata. Permasalahan di dunia
nyata kebanyakan bukan biner dan bersifat non linier sehingga fuzzy logic cocok
digunakan karena menggunakan nilai linguistik yang tidak linier. Fuzzy dapat
mengekspresikan konsep yang sulit untuk dirumuskan, seperti misalnya “suhu
ruangan yang nyaman”.
Pemakaian fungsi keanggotaan memungkinkan fuzzy logic untuk
melakukan observasi obyektif terhadap nilai-nilai yang bersifat
subyektif. Selanjutnya fungsi keanggotaan ini dapat dikombinasikan untuk
membuat pengungkapan konsep yang lebih jelas.
Kekurangan Fuzzy Logic
Selain kelebihan yang telah dijelaskan di atas, ternyata
Fuzzy Logic juga memiliki kekurangan. Dalam mendesain fuzzy logic, sering
ditemukan kesulitan dalam menentukan preferensi atau parameter agar output yang
dihasilkan akurat, yaitu :
1. Model Mamdani atau Sugeno atau model
lain?
Penentuan model inference harus tepat, Mamdani biasanya cocok
untuk masalah intuitive sedangkan sugeno untuk permasalahan yang menangani
control
2. Jumlah Nilai Linguistik untuk setiap
variabel?
Kita harus merubah nilai crisp menjadi nilai linguisik.
Jumlah dari nilai linguistik yang digunakan harus sesuai dengan permasalahan
yang akan kita selesaikan.
3. Batas-batas Nilai Linguistik?
Batas-batas nilai linguistik akan sangat berpengaruh pada
akurasi fuzzy logic.
4. Fungsi Keanggotaan: Segitiga, trapesium,
phi, …?
5. Fuzzy rule yang tepat?
Parameter-parameter di atas lah yang membentuk
knowledge. Knowledge tersebut bisa berasal dari pengetahuan pakar maupun data
training. Pemilihan data training pun bisa menjadi kesulitan tersendiri, sebab
data yang digunakan harus merepresentasikan data yang sebenarnya. Pemilihan
data training akan sangat menentukan knowledge dan akurasi fuzzy logic yang
dihasilkan. Pada intinya akurasi fuzzy logic tergantung dari pakar atau data
training.
Referensi
1. Suyanto. 2007. Artificial Intelligence:
Searching, Reasoning, Planning and Learning. Informatika, Bandung Indonesia
2. Nugroho, Anto Satriyo. 2003. Pengantar
Softcomputing. Modul Kuliah Umum IlmuKomputer.Com.
http://asnugroho.net/papers/ikcsc.pdf
3.
http://wangready.wordpress.com/2011/05/03/fuzzy-logic/
No comments:
Post a Comment