kondisi ekstrem yang umumnya merugikan harta benda dan jiwa manusia.
2.5 Konsep Logika Fuzzy
Pada dasarnya, teori himpunan fuzzy merupakan perluasan dari teori himpunan
klasik. Teori himpunan fuzzy pertama kali diperkerkenalkan oleh Lotfi A. Zadeh pada
tahun 1995. Pada teori himpunan klasik crisp, keberadaan suatu elemen pada
himpunan A hanya akan memiliki dua kemungkinan keanggotaan, yaitu menjadi
anggota A atau tidak menjadi anggota A Chak, 1998.
Suatu nilai
yang menunjukkan
seberapa besar tingkat keanggotaan suatu elemen x dalam suatu himpunan A, sering
dikenal dengan nama nilai keanggotaan, dinotasikan dengan µ
A
x. Dalam himpunan klasik, hanya ada dua derajat keanggotaan,
yaitu µ
A
x=0 dan µ
A
x=1. Sedangkan dalam himpunan fuzzy, fungsi karakteristik
µ
A
= µ
A
x dimungkinkan mempunyai derajat keanggotaan keanggotaan antara 0 dan 1.
Contoh: Variabel temperatur, terbagi menjadi 5
himpunan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT,
dan PANAS. Gambar 7.4
gambar 2. 1 Himpunan fuzzy pada variabel temperatur.
2.5.1 Alasan Digunakannya Logika Fuzzy
Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain:
1. Konsep logika fuzzy mudah dimengerti.
Konsep matematis
yang mendasari
penalaran fuzzy sangat sederhana dan mudah dimengerti.
2. Logika fuzzy sangat fleksibel.
3. Logika fuzzy memiliki toleransi terhadap
data-data yang tidak tepat. 4.
Logika fuzzy
mampu memodelkan
fungsi-fungsi nonlinear yang sangat kompleks.
5. Logika fuzzy dapat membangun dan
mengaplikasikan pengalaman-
pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
6. Logika fuzzy dapat bekerjasama dengan
teknik-teknik kendali
secara konvensional.
7. Logika fuzzy didasarkan pada bahasa
alami.
2.5.2 Struktur Dasar Logika Fuzzy
gambar 2. 2 Blok Diagram Logika Fuzzy Berdasarkan gambar 2.2, dalam
system logika fuzzy terdapat beberapa tahapan operasional yang meliputi:
1. Fuzzifikasi
Fuzzifikasi adalah suatu proses pengubahan nilai tegas yang ada ke
dalam fungsi keanggotaan. 2.
Penalaran Inference Machine Mesin
penalaran adalah
proses implikasi dalam menalar nilai masukan
guna penentuan nilai keluaran sebagai bentuk pengambilan keputusan. Salah
satu model penalaran yang banyak dipakai adalah penalaran max-min.
Dalam penalaran ini, proses pertama yang
dilakukan adalah
melakukan operasi min sinyal keluaran lapisan
fuzzifikasi, yang diteruskan dengan operasi max untuk mencari nilai
keluaran
yang selanjutnya
akan didefuzzifikasikan
sebagai bentuk
keluaran.
3. Aturan Dasar Rule Based
Aturan dasar rule based pada control logika fuzzy merupakan suatu
bentuk aturan relasi “Jika-Maka”atau “if- then” seperti berikut ini:
if x is A then y is B
dimana A dan B adalah linguistic values yang
didefinisikan dalam
rentang variabel X dan Y. Pernyataan “x is A”
disebut antecedent
atau premis.
Pernyataan “y is B” disebut consequent atau kesimpulan.
4. Defuzzifikasi
Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh
dari komposisi aturan-aturan fuzzy, sedangkan
output yang
dihasilkan merupakan suatu bilangan pada domain
himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam
range tertentu, maka harus dapat diambil suatu nilai crisp tertentu.
2.5.3 Fuzzy Clustering