Logika fuzzy

Handout Mata Kuliah Artificial Intelligence

Hal. Teknik Elektro Fakultas Teknik Universitas Widyagama Malang

1

BAB II

LOGIKA FUZZY

Tujuan : Setelah mempelajari Bab ini Mahasiswa diharapkan dapat memahami

1. a. Apakah Logika Fuzzy?

b. Apakah perbedaan dgn logika tegas?

c. Apakah Himpunan Logika Fuzzy?

d. Bagaimana sejarah logika fuzzy?

e. Apakah kelebihan Logika Fuzzy?

2. a. Apa sajakah dasar Logika fuzzy?

b. Apakah fungsi keanggotaan LF?

c. Apakah Aritmatika LF?

d. Apakah Aturan dasar LF?

3.a. Bgmnkah cara kerja Kontrol LF?

b. Apakah Fuzzyfikasi?

c. Apakah Mesin Penalaran/Inference LF?

d. Apakah Defuzzyfikasi?

Materi : Bab ini berisi pengertian logika fuzzy, dasar-dasar logika fuzzy dan

operasional control logika fuzzy. Bagian penutupan bab ini diisi dengan contoh dan

latihan-latihan soal.



2

Struktur Bab

2.1 Pendahuluan 2.1.1 Pengertian Logika Fuzzy 2.1.2 Perbedaan Logika Fuzzy dengan logika tegas 2.1.3 Himpunan Logika Fuzzy 2.1.4 Sejarah logika fuzzy 2.1.5 kelebihan logika fuzzy 2.2 Dasar Logika Fuzzy 2.2.1 Fungsi keanggotaan LF 2.2.2 Aritmatika LF 2.3 Cara Kerja Kontrol Logika Fuzzy 2.3.1 Fuzzyfikasi 2.3.2 Aturan dasar LF 2.3.3 Mesin Penalaran/Inference LF 2.3.4 Defuzzyfikasi 2.4 Contoh dan Latihan



3

2.1 Pendahuluan

2.1.1 Pengertian Logika Fuzzy

Sebelum munculnya teori logika fuzzy (Fuzzy Logic), d ikenal sebuah logika tegas

(Crisp Logic) yang memiliki nilai benar atau salah secara tegas. Sebaliknya

Logika Fuzzy merupakan sebuah logika yang memiliki nilai kekaburan atau

kesamaran (fuzzyness) antara benar dan salah. Dalam teori logika fuzzy sebuah

nilai bisa bernilai benar dan salah secara bersamaan namun berapa besar

kebenaran dan kesalahan suatu nilai tergantung kepada bobot keanggotaan yang

dimilikinya.

2.1.2 Perbedaan Logika Fuzzy dengan Logika Tegas

Perbedaan antara kedua jenis logika tersebut adalah : logika tegas memiliki nilai

tidak=0.0 dan ya=1.0, sedangakan logika fuzzy memiliki nilai antara 0.0 hingga

1.0. Secara grafik perbedaan antara logika tegas dan logika fuzzy ditunjukkan

oleh gambar dibawah ini :

Gambar 2.1 a) logika tegas dan b) logika fuzzy

Didalam gambar 2.1.a) apabila X lebih dari atau sama dengan 10 baru dikatakan

benar yaitu bernilai Y=1, sebaliknya nilai X yang kurang dari 10 adalah salah

yaitu Y=0. Maka angka 9 atau 8 atau 7 dan seterusnya adalah dikatakan salah.

10 10

salah

X X

1 benar

salah

benar 1

Y Y

(a) (b)



4

Didalam gambar 2.1.b) nilai X = 9, atau 8 atau 7 atau nilai antara 0 dan 10 adalah

dikatakan ada benarnya dan ada juga salahnya.

Dalam contoh kehidupan kita dikatakan seseorang dikatakan sudah dewasa

apabila berumur lebih dari 17 tahun, maka sesiapapun yang kurang dari umur

tersebut di dalam logika tegas akan dikatakan sebagai tidak dewasa atau anak-

anak. Sedangkan dalam hal ini pada logika fuzzy umur dibawah 17 tahun dapat

saja dikategorika dewasa tapi tidak penuh, misal untuk umur 16 tahun atau 15

tahun atau 14 tahun atau 13 tahun. Secara grafik dapat digambarkan sebagai

berikut:

Gambar 2.2 Perbandingan contoh a) logika tegas dan b) logika fuzzy dalam

penentuan golongan umur manusia dalam

2.1.3 Himpunan Logika Fuzzy

Dalam teori logika fuzzy dikenal himpunan fuzzy (fuzzy set) yang merupakan

pengelompokan sesuatu berdasarkan variabel bahasa (linguistik variable), yang

dinyatakan dalam fungsi keanggotaan. Didalam semesta pembicaraan (universe of

discourse) U, fungsi keanggotaan dari suatu himpunan fuzzy tersebut bernilai

antara 0.0 sampai dengan 1.0.

golongan

anak-anak

6 10 17 Umur

(tahun)

dewasa

(a)

golongan

anak-anak

6 10 17 Umur

(tahun)

dewasa

(b)



5

Contoh dari himpunan variable bahasa antara lain:

Himpunan dari suhu atau temperatus dapat dinyatakan dengan: dingin, sejuk,

normal, hangat, panas. Grafik dari himpunan suhu ini ditunjukkan pada gambar

berikut:

Gambar 2.1 Contoh keanggotaan himpunan temperatur

Himpunan dari umur dapat dinyatakan dengan: muda, parobaya, tua, sangat tua.

Grafik dari himpunan umur ini ditunjukkan pada gambar berikut:

Gambar 2.2 Contoh keanggotaan himpunan umur

Himpunan dari kecepatan dapat dinyatakan dengan: lamabt, normal, cepat,

sangat cepat.. Grafik dari himpunan kecepatan ini ditunjukkan pada gambar

berikut:



6

Gambar 2.3 Contoh keanggotaan himpunan kecepatan

2.1.4 Sejarah Logika Fuzzy

Teori logika fuzzy dikembangkan oleh Prof. Lotfi Zadeh pada sekitar tahun 1960-

an dengan penentuan himpunan Fuzzy.

2.1.5 Kelebihan Logika Fuzzy

Kelebihan dari teori logika fuzzy adalah kemampuan dalam proses penalaran

secara bahasa (linguistic reasoning), sehingga dalam perancangannya tidak

memerlukan persamaan matematik dari objek yang akan dikendalikan.

2.2 Dasar Logika Fuzzy

2.2.1 Fungsi keanggotaan LF

Fungsi keanggotaan dari suatu himpunan fuzzy dinyatakan dengan derajat

keanggotaan suatu nilai terhadap nilai tegasnya yang berkisar antara 0,0 sampai

dengan 1,0. Jika A: himpunan fuzzy, μA: fungsi keanggotaan dan X : semesta,

maka fungsi keanggotaan dalam suatu himpunan fuzzy dapat dinyatakan

dengan:

A={(x,μA(x))|xЄX}

Fungsi Keanggotaan suatu himpunan fuzzy dapat ditentukan dengan fungsi

segitiga (Triangle),trapesium (Trapezoidal) atau Fungsi Gauss (Gaussian).



7

Persamaan fungsi keangotaan segitiga adalah:

(2.1)

Persamaan tersebut dalam bentuk grafik ditunjukkan pada gambar berikut:

Gambar 2.4 Fungsi keanggotaan segitiga

Persamaan fungsi keangotaan Trapesium adalah:

(2.2)


Gambar 2.4 Fungsi keanggotaan Trapesium



8

Persamaan fungsi keangotaan Gaussian adalah:

(2.3)


Gambar 2.6 Fungsi keanggotaan Gaussian

2.2.2 Aritmatika Logika Fuzzy

Dalam system logika fuzzy terdapat beberapa operasi aritmatika yang

diperlukan dalam penalarannya antara lain:

a) Gabungan (Union) dalam sitem logika fuzzy dikenal dengan istilah Max.

Operasi max dinyatakan dengan persamaan:

(2.4)

Jika fungsi segitiga dari suatu fungsi keanggotaan adalah A, dan fungsi

keanggotaan B adalah trapezium, maka operasi max dari A dengan B

ditunjukkan pada gambar 2.7 berikut ini:

)()())(),(max()( xxxxxBAC BABAc



9

Gambar 2.7 Operasi Uniom

b) Irisan (Intersaction) dalam sitem logika fuzzy dikenal dengan istilah Min.

Operasi mix dinyatakan dengan persamaan:

(2.5)

Jika fungsi A dan B adalah seperti yang ditunjukkan pada gambar 2.7, maka

operasi min dari kedua keanggotaan tersebut dapat dinyatakan sebagai berikut

ini:

Gambar 2.8 Operasi intersection

c) Kesamaan (Equilaty), operasi kesamaan dinyatakan dengan persamaan:

(2.6)

d) Produk (Product), operasi produk dinyatakan dengan persamaan:

(2.7)

e) Komplemen (Complement), operasi komplemen dinyatakan dengan

persamaan:

(2.8)

)()())(),(max()( xB

xA

xB

xA

xc

BAC

2 6 2 10A B

2 6 10

2 6 2 10A B

4 6



10

2.3 Cara Kerja Kontrol Logika Fuzzy

Dalam system control logika fuzzy terdapat beberapa tahapan operasional yang

meliputi:

1. Fuzzyfikasi

2. Penalaran (Inference Machine)

3. Aturan Dasar (Rule Based)

4. Defuzzyfikasi

Blok diagram control logika fuzzy ditunjukkan pada gambar berikut:

Gambar 2.9 Blok Diagram Kontrol Logika Fuzzy

Kerangka operasional control logika fuzzy ditunjukkan pada gambar berikut:

Gambar 2.10 Kerangka Kerja Kontrol Logika Fuzzy



11

Dari gambar 2.10 sinyal masukan dari KLF dapat berupa nilai tegas. Sinyal

masukan KLF dapat diambilkan dari:

a) Selisih antara rujukan (reference) dengan nilai keluaran nyata dari KLF yang

berupa nilai kesalahan (error=E).

b) Turunan pertama dari nilai error yang dikenal dengan delta error=dE

2.3.1 Fuzzyfikasi

Fuzzifikasi adalah suatu proses pengubahan nilai tegas/real yang ada ke dalam

fungsi keanggotaan

Misal: merujuk pada gambar 2.1 fuzzifikasi dari suhu 35oC adalah:

15 30 45 60

1A

A1 A2

Suhu ( 0 C)2A

Gambar 2.11 Fungsi Fuzzyfikasi suatu sinyal

Pada gambar 2.11 contoh perhitungan fuzzyfikasi dapat ditunjukkan sebagai

berikut :

3

1

3045

30352

3

2

3045

35451

ab

aXA

bc

XcA



12

2.3.2 Aturan Dasar KLF

Aturan dasar (rule based) pada control logika fuzzy merupakan suatu bentuk

aturan relasi/implikasi “Jika-Maka” atau “If – Then” seperti pada pernyataan

berikut:

“JIKA” X=A DAN “JIKA” Y=B “MAKA” Z=C

Contoh dari aturan jika-maka ini pada pengendalian suhu ruangan dengan

pengaturan kecepatan kipas angina melalui frekuensi variable adalah sebagai

berikut:

1. “JIKA” suhu panas DAN

2. “JIKA” kecepatan kipas sangat lambat

3. “MAKA” sumber frekuensi dinaikkan sangat tinggi agar kecepatan

kipas tinggi

Jadi aturan dasar KLF ditentukan dengan bantuan seorang pakar yang mengetahui

karakteristik objek yang akan kendalikan. Aturan dasar tersebut dapat dinyatakan

dalam bentuk matrik aturan dasar KLF. Contoh aturan dasar dari rancangan

pengaturan suhu ruangan dapat dilihat pada table berikut:

Tabel 2.1 Contoh Matrik Aturan Dasar Perancangan Kontrol Logika Fuzzy

Y

X

B S K

B K K B

S K S K

K B K B

Z

Diama

X : Suhu, Y : Kecepatan Kipas dan Z : Sumber Frekuensi

B : Besar, S: Sedang dan K : Kecil



13

2.3.3 Mesin Penalaran Kontrol Logika Fuzzy

Mesin Penalaran: proses implikasi dalam menalar nilai masukan guna penentuan

nilai keluaran sebagai bebtuk Pengambil Keputusan. Salah satu model penalaran

yang banyak dipakai adalah penalaran max-min. Dalam penalaran max-min

proses pertama yang dilakukan adalah melakukan operasi min sinyal keluaran

lapisan fuzzyfikasi, yang diteruskan dengan operasi max untuk mencari nilai

keluaran yang selanjutnya akan difuzzifikasikan sebagai bentuk keluaran

pengontrol. Operasional max-min tersebut dapat dinyatakan sebagai berikut:

Operasi Min/Irisan

(2.9)

Operasi Mak/Union

(2.10)

Proses operasi penalaran max-min dapat dijelaskan dengan grafik berikut ini:



14

Gambar 2.13 Operasi Max-Min secara grafis

2.3.4 Defuzzifikasi

Merupakan proses pemetaan himpunan fuzzy ke himpunan tegas (crips). Proses

ini merupakan kebalikan dari proses fuzzyfikasi.

Proses defuzzyfikasi diekspresikan sebagai berikut :

Z* = defuzzifier (Z) (2.10)

Dimana :

Z = Hasil penalaran fuzzy

Z* = Keluaran Kontrol FL

Defuzzifier = Operasi defuzzier

Metode dalam melakukan defuzzifikasi antara lain :

1. Metode Max (Maximum)

Metode ini juga dikenal dengan metode puncak dimana nilai keluaran dibatasi

oleh fungsi: c(z*)>c 1 (z) (2.11)

A1

1A 0.6

A2

2A

0.4

B1

1B 0.3

A2

0.72B

Z1

1z 0.3MIN

Z2

0.42z

MIN

Z1

0.3

Z2

0.4

MAX



15

2. Metode Titik Tengah (Center of Area)

Metode ini juga disebut pusat area. Metode ini lazim dipakai dalam proses

defuzzikasi. Metode ini diekspresikan dengan persamaan:

zdzzc

zdzzcZ

)(

)(*

(2.12)

3. Metode Rata-Rata (Average)

Metode ini digunakan untuk fungsi keanggotaan keluaran yang simetris.

Persamaan dari metode ini adalah:

)(

).(*

zc

ZzcZ

(2.13)

4. Metode Penjumlah Titik Tengah (Summing of center area).

Metode ini dinyatakan dengan persamaan:

(2.14)

5. Metode Titik Tengah Area Terbesar

• Dalam metode ini keluaran dipilih berdasarkan titik pusat area terbesar yang

ada. Metode ini dinyatakan dalam bentuk:

(2.15)

Selanjutnya keluaran keluaran dari defuzzifikasi tersebut akan digunakan

sebagai keluaran KLF

n

k m

n

k k

dzzc

dzzcZ

1

)(1*

dzZc

zdzzcZ

m

m

)(

).(*



16

2.4 Contoh dan Latihan

2.4.1 Contoh

Simulasi Kontrol Fuzzy Menggunakan MATLAB

Diagram blok sistem kendali fuzzy yang akan disimulasikan adalah memiliki

struktur pengendali fuzzy PD-like seperti terlihat dalam Gambar 1, yaitu sistem fuzzy

yang memiliki dua masukan proporsional dan turunan, dengan Gp adalah penguatan

proporsional, Gd adalah penguatan turunan dan Go adalah penguatan keluaran.

Gambar 2.14. Diagram blok pengendali fuzzy PD-like.

Simulasi dimulai dengan menetapkan nilai kondisi awal dari plant, error dan

pengendali. Kemudian langkah program memasuki proses looping yang berlangsung

selama waktu yang kita inginkan (dengan mempertimbangkan waktu pencuplikan).

Setiap memasuki iterasi ke-k , error(k) dihitung menggunakan Persamaan 1. Kemudian

nilai perubahan error (turunan error) dihitung dengan Persamaan 2. Setelah nilai error

dan perubahan error diperoleh, selanjutnya nilai tersebut dimasukan ke sistem logika

fuzzy sehingga diperoleh keluaran yang akan digunakan sebagai masukan plant. Dengan

masukan plant ini, maka keluaran plant dapat dihitung. Selanjutnya menuju iterasi

berikutnya. Proses ini dapat dilihat pada Gambar 2.



17

Gambar 2.15 Diagram alir simulasi sistem kendali fuzzy.

Sebelum mensimulasikan sistem kendali fuzzy menggunakan M-file Matlab

secara keseluruhan, terlebih dahulu dituliskan fungsi-fungsi yang mendukung, supaya

program utama tidak terlalu rumit. Fungsi-fungsi tersebut adalah fungsi untuk

fuzzifikasi, fungsi pengendali fuzzy dan fungsi untuk plant. Berikut ini adalah listing

program untuk mendeklarasikan fungsi-fungsi tersebut.

Fungsi untuk fuzzifikasi himpunan error/delta error negatif

function y=setiga_kr(x,a,b);

y=max(min(1,(b-x)/(b-a)),0);

Fungsi untuk fuzzifikasi himpunan error/delta error zero

function y=setiga_tg(x,a,b,c);

y=max(min((x-a)/(b-a),(c-x)/(c-b)),0);

Fungsi untuk fuzzifikasi himpunan error/delta error positif

function y=setiga_kn(x,a,b);

y=max(min(1,((x-a))/(b-a)),0);

Fungsi untuk pengendali fuzzy

function o=fuzz_satelit(x1,x2)

%fuzzifikasi masukan error



18

E_N=setiga_kr(x1,-1,0);

E_Z=setiga_tg(x1,-1,0,1);

E_P=setiga_kn(x1,0,1);

%fuzzifikasi masukan perubahan error

Ce_N=setiga_kr(x2,-1,0);

Ce_Z=setiga_tg(x2,-1,0,1);

Ce_P=setiga_kn(x2,0,1);

%menghitung fired weight tiap kaidah fuzzy

f1=min(E_N,Ce_N);%-1

f2=min(E_N,Ce_Z);%-1

f3=min(E_Z,Ce_N);%-1

f4=min(E_N,Ce_P);%0

f5=min(E_Z,Ce_Z);%0

f6=min(E_P,Ce_N);%0

f7=min(E_Z,Ce_P);%1

f8=min(E_P,Ce_Z);%1

f9=min(E_P,Ce_P);%1

f=[f1 f2 f3 f4 f5 f6 f7 f8 f9];

%data titik tengah membership keluaran untuk tiap rule

y=[-1 -1 -1 0 0 0 1 1 1]; %lebar membershipnya adalah 2

%menghitung y_Fuzzy1

num=0;

den=0;

for k=1:9

num=num+((2*(f(k)-(f(k)^2)/2))*y(k));

den=den+((2*(f(k)-(f(k)^2)/2))*y(k));

end

o=num/den;

Fungsi untuk plant satelit

function [x1,x2]=f_satelit(dt,u_0,x1_0,x2_0);

a1=u_0;

b1=x2_0;

a2=u_0;

b2=(x2_0+dt*(b1/2));

a3=u_0;

b3=(x2_0+dt*(b2/2));

a4=u_0;

b4=(x2_0+dt*(b3));

x1=x1_0+(dt/6)*(b1+2*b2+2*b3+b4);

x2=x2_0+(dt/6)*(a1+2*a2+2*a3+a4);



19

Fungsi-fungsi di atas adalah digunakan dalam program utama dari simulasi

sistem kendali sudut satelit. Setiap fungsi disimpan dengan nama file seperti nama

fungsinya, sehingga ketika dipanggil dalam program utama maka fungsi yang

bersangkutan akan langsung dijalankan komputer. Listing program utama simulasinya

adalah sebagai berikut:

clear;

x1(1)=0;

x2(1)=0;

y(1)=0;

dt=0.01;

u(1)=1;

r=0.5

e(1)=-r;

gp=1;

gd=1;

go=1;

for n=1:1000

k=n+1;

e(k)=r-y(k-1);

de(k)=100*(e(k)-e(k-1));

u(k)=go*fuzz_satelit(gp*e(k),gd*de(k));

%u(k)=e(k);

[x1(k),x2(k)]=f_satelit(dt,u(k-1),x1(k-1),x2(k-1));

y(k)=x1(k);

end

t=linspace(0,10,1001);

figure;

plot(t,y);

xlabel('detik');

ylabel('rad');



20

Gambar 2.16. Tanggapan sudut satelit terhadap acuan 0,5 rad dengan Gp, Gd dan Go

=1

Program utama di atas adalah mensimulasikan sistem kendali sudut satelit

dengan waktu pencuplikan sebesar 10 mdet, selama 10 detik. Dengan Gp, Gd dan Go

sebesar 1, serta acuan 0,5 rad. Jika program utama tersebut dijalankan (dieksekusi)

maka akan didapatkan grafik tanggapan (dengan garis tebal) seperti terlihat dalam

Gambar 4.7, sedangkan grafik tanggapan dengan garis putus-putus adalah grafik

tanggapan sistem dengan menggunakan defuzzifikasi yang kedua(bobot tiap kaidah

dikalikan dengan titik tengah fungsi keanggotaan keluaran).

Gambar 2.17 adalah grafik tanggapan sistem kendali dengan nilai Gp, Gd dan Go

yang diubah. Grafik bertanda 1 adalah untuk Gp=0.5, Gd=1 dan Go=1, grafik bertanda 2

adalah untuk Gp=1, Gd=0.5 dan Go=1, sedangkan grafik bertanda 3 adalah untuk Gp=1,

Gd=1 dan Go=0.5.



21

Gambar 2.17. Tanggapan posisi satelit dengan nilai penguatan yang berbeda.

Dari penjelasan di atas, nilai penguatan pengendali yang berbeda, akan

memberikan hasil tanggapan sistem yang berbeda pula. Terdapat dua besaran pengutan

yang dapat ditala, yaitu penguatan pada sisi masukan dan sisi keluaran. Penguatan pada

sisi masukan adalah Gp dan Gd sedangkan penguatan pada sisi keluaran adalah Go.

Jika dilihat dari bentuk fungsi keanggotaan, perubahan nilai penguatan pengendali

memiliki persamaan dengan perubahan lebar dasar dan skala titik tengah segitiga

himpunan keanggotaan masukan maupun keluarannya. Jika penguatan masukan

diperbesar, maka akan setara dengan pengecilan lebar dasar dan skala titik tengah

segitiganya dan demikian sebaliknya akan memperbesar lebar dasar dan skala titik

tengah segitiga himpunan masukannya. Sedangkan untuk penguatan keluaran, jika

diperbesar maka akan setara dengan memperbesar skala titik tengah dan lebar

himpunan fuzzy keluarannya. Proses ini dapat dilihat pada Gambar 4.9 dan 4.10.



22

(a) (b)

(c)

Gambar 2.18. Perubahan penguatan masukan setara dengan perubahan fungsi

keanggotaan fuzzy.

Gambar 2.18(a) adalah bentuk fungsi keanggotaan masukan dengan penguatan

sebesar 1, Gambar 2.18 (b) adalah untuk penguatan sebesar 2, sedangakan Gambar 2.18

(c) adalah untuk penguatan 0,5.



23

(a) (b)

(c)

Gambar 2.19. Perubahan nilai penguatan keluaran setara dengan perubahan bentuk

fungsi keanggotaan fuzzy keluaran

Gambar 2.19 (a) adalah bentuk fungsi keanggotaan dengan penguatan sebesar 1,

Gambar 2.19 (b) adalah untuk penguatan sebesar 0.5, sedangkan Gambar 2.19 (c)

adalah untuk penguatan sebesar 2.

Sumber : http://www.trensains.com/fuzzy_tut.htm



24

2.4.2 Latihan

1. Apakah Logika Fuzzy?

Jawab :

Logika Fuzzy didefinisikan sebagai sebuah logika yang memiliki nilai kabur atau tidak

tegas

- Apakah perbedaan dengan logika tegas?

Jawab :

- logika tegas memiliki nilai tidak=0.0 atau ya=1.0

- logika Fuzzy memiliki nilai antara 0.0 hingga 1.0

- Apakah Himpunan Logika Fuzzy?

Jawab :

Himpunan Fuzzy: pengelompokan sesuatu berdasarkan variabel

linguistik/Linguistik Variable, yang dinyatakan dalam fungsi keanggotaan.

- bagaimana sejarah logika fuzzy?

Jawab :

Dikembangkan oleh Prof. Lotfi Zadeh pada sekitar tahun 1960-an dengan

penentuan himpunan Fuzzy (Fuzzy sets).

2. Apa sajakah dasar Logika fuzzy?

Jawab :

- Keanggotaan logika fuzzy

- Aritmatika logika fuzzy

- Aturan dasar logika fuzzy

- Apakah fungsi keanggotaan Logika Fuzzy?

Jawab :



25

Derajat keanggotaan suatu nilai terhadap nilai tegasnya yang berkisar antara 0

sampai dengan 1

- Apakah operasi himpunan Fuzzy?

Jawab :

- Gabungan (union)

- Irisan (intersection)

- Kesamaan (Equality)

- Komplemen (Complement)

- Produk (Product)

- Apakah Aturan dasar Logika Fuzzy?

Aturan Fuzzy dinyatakan dalam bentuk Relasi/implikasi“Jika-MAka” atau “If –

Then

3. bagaimanakah cara kerja Kontrol Logika Fuzzy?

Jawab :

Cara kerja kontrol logika fuzzy terdiri dari :

- Input

- Fuzzyfikasi

- Mesin penalar

- Mesin penalar

- defuzzyfikasi

- output nilai tegas

- Apakah Fuzzyfikasi?

Jawab :

Fuzzifikasi adalah proses pengubahan nilai tegas/real yang ada ke dalam fungsi

keanggotaan



26

- Apakah Mesin Inference Logika Fuzzy?

Jawab :

proses implikasi untuk Pengambil Keputusan

- Apakah Defuzzyfikasi?

Jawab :

Merupakan proses pemetaan himpunan fuzzy ke himpunan tegas (crips).

4. Bagaimanakah contoh kerja Logika Fuzzy?

Jawab :

Pengendalian suhu ruangan dengan menggunakan logika fuzzy

Logika fuzzy

Education

Transcript of Logika fuzzy