Nama: Pandu Setioning Negoro

NRP: 2412100113

Pengertian dan Sejarah Fuzzy

Logika fuzzy merupakan suatu konsep yang berkaitan dengan ketelitian. Dalam

pengertiannya, logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input

ke dalam ruang output. Cuplikan kata dari Henri Matisse yaitu bahwa “ketelitian atau presisi

bukanlah suatu kebenaran”. Cuplikan kata lainnya oleh orang yang paling terkenal berkat teori

– teori fisika dan matematikanya adalah albert enstein mengatakan bahwa “selama hukum -

hukum matematika berhubungan dengan realitas, hukum – hukum tersebut tidak tepat, dan

selama hukum – hukum tersebut tepat, hukum – hukum tersebut tidak berhubungan dengan

realitas”. Dua penalaran yang berbeda adalah presisi dan signifikan. Perbedaan antara presisi

dan signifikan, dapat dicontohkan pada dua orang yang sedang diam, orang pertama melihat

benda sedang jatuh tepat diatas orang kedua. Untuk contoh presisi, orang pertama

memberitahukan ke orang dua dengan mengatakan secara detil tentang properti benda tersebut

seperti massa dan kecepatan benda yang akan jatuh menimpa orang kedua. Untuk contoh

signifikan, orang pertama langsung memberitahukan dengan berkata “awas” kepada orang

kedua. Dari kedua contoh tersebut dapat diketahui antara presisi dan signifikan.

Bapak pencetus logika fuzzy adalah Lotfi A. Zadeh, beliau mendapatkan gelar Master

dari MIT dan gelar Ph.D dari University of California, Berkeley. Pada 1963 beliau menjabat

sebagai ketua jurusan teknik elektro di universitas tersebut. Sejarah perkembangan fuzzy, Pada

tahun 1965, Prof. Lotfi Zadeh, mengadakan seminar papernya fuzzy logicnya dengan

memaparkan set teori fuzzy. Pada tahun 1970, aplikasi fuzzy logic pertama dalam sistem

control. Pada tahun 1975 fuzzy logic dikenalkan di jepang. Pada tahun 1980, verifikasi fuzzy

logic secara empiris dilakukan di eropa. Pada tahun 1985, aplikasi fuzzy logic secara besar –

besaran di jepang. Pada tahun 1990, aplikasi fuzzy logic secara besar – besaran di eropa. Pada

tahun 1995, aplikasi besar – besaran di US, dan pada tahun 2000 fuzzy logika menjadi standar

teknologi dan juga diaplikasikan pada data dan sensor analisa sinyal, serta pengaplikasian pada

bisnis dan finance.

Teori Fuzzy

1. Matematika fuzzy (pengukuran fuzzy, relasi fuzzy, topologi fuzzy, dll).

2. Logika fuzzy dan kecerdasan buatan (pendekatan sistem kompleks).

3. Sistem fuzzy (pemodelan dengan fuzzy, identifikas, validasi, control fuzzy, rancang

stabilitasi control)

4. Clustering klasifikasi.

5. pembuatan keputusan dengan fuzzy (pemodelan matematik dengan fuzzy, dll)

Probabilitas dan Ketidakpastian

Contoh kasus: seseorang menderita penyakit hepatitis menunjukan bahwa 60%

memiliki demam, 45% kulit berwarna kuning dan 30% menderita mual.

Fuzzy Set Theory

1. Boolean set theory

Suhu badan 39.4 C, 40.1 C, 41 C dan 42 C dalam himpunan semesta langsung dikatakan

menderita demam tinggi

2. Fuzzy set theory

Suhu badan 39.4 C, 40.1 C, 41 C dan 42 C dalam himpunan semesta memiliki derajat

keanggotaan sehingga dapat dikatakan lebih besar atau lebih rendah.

Perbedaan Antara Karakterisasi Suhu Dengan Bivalen Dan Fuzzy.

Suhu sebuah ruangan memiliki rentang dari -10C sampai 30 C. Menurut bivalent, untuk

suhu -10C sampai 0C adalah dingin yang memiliki 1 buah fungsi keanggotaan, 0 sampai 10

sejuk yang memiliki 1 buah fungsi keanggotaan, 10 sampai 20 hangat yang memiliki 1 buah

fungsi keanggotaan, dan 20 sampai 30 panas yang memiliki 1 buah fungsi keanggotaan. Tetapi

tidak seperti itu menurut fuzzy. Menurut karakterisasi suhu dengan fuzzy suhu dari 0 sampai

10 memiliki 3 fungsi keanggotaan, suhu ruangan tersebut dapat dikatakan dingin, sejuk dan

hangat

Manfaat Menggunakan Logika Fuzzy

1. Logika fuzzy secara konsep mudah dipahami.

2. Logika fuzzy fleksibel.

3. Logika fuzzy dapat memodelkan fungsi nonlinear yang memiliki sifat kompleks

4. Logika fuzzy dapat disandingkan dengan teknik pengendali konvensional.

5. Logika fuzzy disajikan dalam bahasa sederhana (IF-Then).

Klasifikasi Logika Fuzzy

1. Logika fuzzy murni.

Input:Linguistik

Output: Lingiustik

Fuzzy sets input dalam linguistic masuk ke dalam blom fuzzy inference engine, dalam

blok tersebut dihubungkan dengan pembuatan aturan aturan untuk memodelkan keluaran.

2. Logika fuzzy takagi dan sugeno.

3. Input: Lingiustik

Output: Numerik

Logika fuzzy takagi & sugeno melakukan pembobotan rata – rata, lalu diberi aturan IF-

Then sehingga dapat dirumuskan.

3. Logika fuzzy mamdani.

Input: Numerik. Output: Numerik.

Masukan input dalam numerik, masuk ke dalam blok fuzzifier agar di fuzzifikasi. Agar

dapat diolah ke dalam mesin fuzzy inference untuk diolah dengan logika IF-Then sesuai

dengan membership function.