MAKALAH FUZZY LOGIC
TUGAS MATA KULIAH PENGANTAR TEKNOLOGI SISTEM CERDAS
DITULIS OLEH :
Nama : Philip lambok
NPM : 181144366
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS GUNADARMA
ABSTRAKSI
BAB I: PENDAHULUAN
1.1. Latar Belakang
Pada logika biasa, yaitu logika tegas, kita hanya mengenal dua nilai, salah atau benar, 0 atau 1. Sedangkan logika fuzzy mengenal nilai antara benar dan salah. Kebenaran dalam logika fuzzy dapat dinyatakan dalam derajat kebenaran yang nilainya antara 0 sampai 1.Misalnya dalam kehidupan sehari-hari, dewasa didefinisikan dengan berusia 17 tahun ke atas. Jika menggunakan logika tegas, seseorang yang berusia 17 tahun kurang 1 hari akan didefinisikan sebagai tidak dewasa. Namun dalam logika fuzzy, orang tersebut dapat dinyatakan dengan hampir dewasa.
 |
| Gambar 1: Logika tegas, logika fuzzy |
1.2. Rumusan Masalah
1. Apa Pengertian Dari Fuzzy Logic?2. Bagaimana Sejarah Fuzzy Logic?
3. Apa Perbedaan Fuzzy Logic dengan Crisp Logic?
4. Apakah Himpunan Fuzzy Logic?
5. Apa Fuzzyfikasi dan Defuzzyfikasi itu?
6. Apa Kelebihan Dan Kekurangan Menggunakan Fuzzy Logic?
1.3. Pembatasan Masalah
Adapun pembatasan masalah dalam penulisan tugas ini adalah hanya pada variabel, keterbatasan dan kekonvekan pada himpunan fuzzy dimensi satu.1.4. Tujuan Penulisan
a. Memahami Tentang Fuzzy Logic dan penerapannyab. Memahami Derajat Kebenaran dan Variabel linguistik Fuzzy logic
c. Memahami atribut Fuzzy logic dan Himpunan fuzzy
d. Memahami pengertian Fuzzyfikasi dan Defuzzyfikasi
BAB II: PEMBAHASAN
2.1 Pengertian Fuzzy Logic dan Sejarahnya
Sebelumnya munculnya Teori logika fuzzy (fuzzy logic) dikenal sebuah logika tegas (crisp Logic) yang memiliki nilai benar atau salah secara tegas. Saat logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah biner (0 atau 1, hitam atau putih, ya atau tidak), Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan", dan "sangat". Logika ini berhubungan dengan set fuzzy dan teori kemungkinan.Logika fuzzy diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley pada 1965 atas usulan dalam papernya yang monumental “ Fuzzy Set”. Dalam paper tersebut dipaparkan ide dasar fuzzy set yang meliputi inclusion, union, intersection, complement, relation dan convexity.
Lotfi Zadeh mengatakan Integrasi Logika Fuzzy kedalam sistem informasi dan rekayasa proses adalah menghasilkan aplikasi seperti sistem kontrol, alat alat rumah tangga, dan sistem pengambil keputusan yang lebih fleksibel, mantap, dan canggih dibandingkan dengan sistem konvensional.
Dalam hal ini kami dapat mengatakan bahwa logika fuzzy memimpin dalam pengembangan
kecerdasan mesin yang lebih tinggi ( machine Intelligency Quotient / MIQ ) Produk produk berikut telah menggunakan logika fuzzy dalam alat alat rumah tangga seperti mesin cuci, video dan kamera refleksi lensa tunggal, pendingin ruangan, oven microwave, dan banyak sistem diagnosa mandiri. . Logika fuzzy telah diterapkan pada berbagai bidang, dari teori kontrol untuk kecerdasan buatan. Logika fuzzy telah diteliti sejak tahun 1920-an, sebagai nilai yang tak terbatas terutama logika oleh Lukasiewicz dan Tarski.
Jepang adalah negara pertama yang memanfaatkan logika fuzzy untuk aplikasi praktis. Aplikasi penting pertama adalah di kereta kecepatan tinggi di Sendai, di mana logika fuzzy mampu meningkatkan ekonomi, kenyamanan, dan ketepatan perjalanan. Hal ini juga telah digunakan dalam pengakuan simbol tertulis di komputer mini sony; bantuan pesawat helikopter; mengendalikan sistem kereta bawah tanah dalam rangka meningkatkan kenyamanan berkendara, ketepatan menghentikan, dan ekonomi kekuasaan; konsumsi hemat energi untuk ponsel otomatis; kontrol tunggal tombol untuk mesin cuci; kontrol motor otomatis untuk pembersih vakum dengan pengakuan kondisi permukaan dan tingkat kekotoran; dan sistem prediksi untuk pengakuan awal dari gempa bumi melalui Institut Seismologi Biro Metrologi, Jepang
2.2 Derajat kebenaran Dan Variabel Linguistik
Logika fuzzy dan logika probabilitas secara matematis sama - keduanya mempunyai nilai kebenaran yang berkisar antara 0 dan 1 - namun secara konsep berbeda. Logika fuzzy berbicara mengenai "derajat kebenaran", sedangkan logika probabilitas mengenai "probabilitas, kecenderungan". Karena kedua hal itu berbeda, logika fuzzy dan logika probabilitas mempunyai contoh penerapan dalam dunia nyata yang berbeda. Logika klasik hanya mengizinkan proposisi memiliki nilai kebenaran atau kesalahan. Gagasan 1 + 1 = 2 adalah kebenaran mutlak, kekal dan matematika. Namun, terdapat proposisi tertentu dengan jawaban variabel, seperti meminta sebagian orang untuk mengidentifikasi warna. Gagasan kebenaran tidak jatuh di tengah jalan, tapi lebih pada sarana yang mewakili dan penalaran lebih pengetahuan parsial ketika diberikan, dengan menggabungkan semua hasil yang mungkin menjadi spektrum dimensi.Dua derajat kebenaran dan probabilitas berkisar antara 0 dan 1 dan karenanya mungkin tampak serupa pada awalnya. Sebagai contoh, satu segelas 100 ml mengandung 30 ml air. Kemudian dapat mempertimbangkan dua konsep: kosong dan penuh. Arti dari masing-masing dapat direpresentasikan oleh himpunan fuzzy tertentu. Maka salah satu mungkin mendefinisikan kaca sebagai 0,7 kosong dan 0,3 penuh. Perhatikan bahwa konsep kekosongan akan subjektif dengan demikian akan tergantung pada pengamat atau desainer. Desainer lain mungkin, sama baiknya, merancang fungsi keanggotaan set di mana kaca akan dianggap penuh untuk semua nilai 50 ml. Sangat penting untuk menyadari bahwa logika fuzzy menggunakan derajat kebenaran sebagai model matematika dari fenomena ketidakjelasan sementara probabilitas adalah model matematika dari ketidaktahuan.
 |
| Gambar 2: Skala Suhu |
Dalam logika matematika, ada beberapa sistem formal "fuzzy logic"; kebanyakan disebut t-norma logika fuzzy. Variabel dalam matematika biasanya mengambil nilai-nilai numerik, dalam aplikasi logika fuzzy, non-numerik sering digunakan untuk memfasilitasi aturan dan fakta.
Sebuah variabel linguistik seperti usia mungkin memiliki nilai seperti muda atau tua. Namun, kegunaan besar variabel linguistik bahwa dapat dimodifikasi dengan membatasi linguistik yang diterapkan untuk hal utama. pembatas nilai linguistik dapat dikaitkan dengan fungsi-fungsi tertentu. Untuk memperluas Fuzzy logic dengan menambahkan kuantitas universal dan eksistensial dengan cara serupa yaitu logika predikat dibuat dari logika proposisional.
Contoh:
1. Manajer pergudangan mengatakan pada manajer produksi seberapa banyak persediaan barang pada akhir minggu ini, kemudian manajer produksi akan menetapkan jumlah barang yang harus diproduksi esok hari.
2. Pelayan restoran memberikan pelayanan terhadap tamu, kemudian tamu akan memberikan tip yang sesuai atas baik tidaknya pelayanan yang diberikan.
3. Penumpang taksi berkata pada sopir seberapa cepat laju kendaraan yang diinginkan, sopir taksi akan mengatur pijakan gas taksinya.
4. Anda mengatakan pada saya seberapa sejuk ruangan yang anda inginkan,saya akan mengatur putaran kipas yang ada pada ruangan ini.
2.3 Alasan Digunakannya Fuzzy Logic
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 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.
Sementara itu, dalam pengaplikasiannya, logika fuzzy juga memiliki beberapa kelebihan, antara lain sebagai berikut.
1. Daya gunanya dianggap lebih baik daripada teknik kendali yang pernah ada.
2. Pengendali fuzzy terkenal karena keandalannya.
3. Mudah diperbaiki.
4. Pengendali fuzzy memberikan pengendalian yang sangat baik dibandingkan teknik lain
5. Usaha dan dana yang dibutuhkan kecil.
Selain itu, logika fuzzy juga memiliki kekurangan, terutama dalam penerapannya. Kekurangan kekurangan tersebut antara lain:
1. Para enjiner dan ilmuwan generasi sebelumnya dan sekarang banyak yang tidak mengenal teori kendali fuzzy, meskipun secara teknik praktis mereka memiliki pengalaman untuk menggunakan teknologi dan perkakas kontrol yang sudah ada.
2. Belum banyak terdapat kursus/balai pendidikan dan buku-buku teks yang menjangkau setiap tingkat pendidikan (undergraduate, postgraduate, dan on site training)
3. Hingga kini belum ada pengetahuan sistematik yang baku dan seragam tentang metodologi pemecahan problema kendali menggunakan pengendali fuzzy.
4. Belum adanya metode umum untuk mengembangkan dan implementasi pengendali fuzzy.
2.4 Aplikasi fuzzy Logic
Beberapa aplikasi Fuzzy Logic, antara lain:1. Pada tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang (Matsushita Electric Industrial Company). Sistem fuzzy digunakan untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci. Input yang digunakan adalah: seberapa kotor, jenis kotoran, dan banyaknya yang dicuci. Mesin ini menggunakan sensor optik , mengeluarkan cahaya ke air dan mengukur bagaimana cahaya tersebut sampai ke ujung lainnya. Makin kotor, maka sinar yang sampai makin redup. Disamping itu, sistem juga dapat menentukan jenis kotoran (daki atau minyak).
2. Transmisi otomatis pada mobil. Mobil Nissan telah menggunakan sistem fuzzy pada transmisi otomatis, dan mampu menghemat bensin 12 – 17%.
3. Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu.
4. Ilmu kedokteran dan biologi, seperti sistem diagnosis yang didasarkan pada logika fuzzy, penelitian kanker, manipulasi peralatan prostetik yang didasarkan pada logika fuzzy, dll.
5. Manajemen dan pengambilan keputusan, seperti manajemen basis data yang didasarkan pada logika fuzzy, tata letak pabrik yang didasarkan pada logika fuzzy, sistem pembuat keputusan di militer yang didasarkan pada logika fuzzy, pembuatan games yang didasarkan pada logika fuzzy, dll.
6. Ekonomi, seperti pemodelan fuzzy pada sistem pemasaran yang kompleks,dll.
7. Klasifikasi dan pencocokan pola.
8. Psikologi, seperti logika fuzzy untuk menganalisis kelakuan masyarakat, pencegahan dan investigasi kriminal, dll.
9. Ilmu-ilmu sosial, terutam untuk pemodelan informasi yang tidak pasti.\
10. Ilmu lingkungan, seperti kendali kualitas air, prediksi cuaca, dll.
11. Teknik, seperti perancangan jaringan komputer, prediksi adanya gempa bumi, dll.
12. Riset operasi, seperti penjadwalan dan pemodelan, pengalokasian, dll.
13. Peningkatan kepercayaan, seperti kegagalan diagnosis, inspeksi dan monitoring produksi.
14. Sebagai alat bantu pengambil keputusan seperti proses pembuatan program fuzzy logic dalam bahasa pemrograman Java yang diaplikasikan untuk menentukan Jumlah Produk yang dihasilkan berdasarkan kondisi Suhu, Kebisingan dan Pencahayaan.
2.5 Perbedaan Fuzzy Logic (logika Fuzzy) dengan Crisp Logic (Logika Tegas)
Logika tegas memiliki nilai tidak = 0.0 dan ya = 1.0, sedangkan logika fuzzy memiliki nilai antara 0.0 hingga 1.0. Secara grafik perbedaan antara logika tegas dan logika fuzzy ditunjukkan oleh gambar di bawah ini : |
| Gambar 3 : Logika Tegas (Crisp Logic) |
 |
| Gambar 4 : Logika Fuzzy(Fuzzy Logic) |
Didalam Gambar 2 Fuzzy Logic, apabila nilai X=9, atau 8 atau 7 atau antara nilai 0 dan 10 adalah dikatakan ada benarnya dan ada juga salahnya.
2.6 Atribut Dan Himpunan Fuzzy Logic
· Linguistik : yaitu nama suatu kelompok yang mewakili suatu keadaan tertentu dengan menggunakan bahasa alami, misalnya DINGIN, SEJUK, PANAS, dsb.· Numeris : yaitu suatu nilai yang menunjukkan ukuran dari suatu variabel, misalnya 10, 35, 40 dsb.
Contoh :
o Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu: MUDA, PAROBAYA, dan TUA.
o Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.
Dalam fuzzy logic variabel yang bersifat kabur tersebut direpresentasikan sebagai sebuah himpunan yang anggotanya adalah suatu nilai crisp dan derajat keanggotaannya (membership function) dalam himpunan tersebut
Proses-proses dalam fuzzy logic adalah fuzzifikasi, penalaran ( reasoning), dan defuzzifikasi:
· Fuzzifikasi: merupakan proses untuk mendapatkan derajat keanggotaan dari sebuah nilai numerik masukan (crisp)
· Penalaran: proses untuk mendapatkan aksi keluaran dari suatu kondisi input dengan mengikuti aturan-aturan (IF-THEN Rules) yang telah ditetapkan yang disebut sebagai inference/reasoning.
· Defuzzifikasi: proses untuk merubah hasil penalaran yang berupa derajat keanggotaan keluaran menjadi variabel numerik kembali.
Blok diagram proses fuzzy logic ditunjukkan pada Gambar 4.
 |
| Gambar 5 : Blok diagram proses dalam fuzzy logic |
Himpunan fuzzy didasarkan pada gagasan untuk memperluas jangkauan fungsi karakteristik sedemikian hingga fungsi tersebut akan mencakup bilangan real pada interval [0,1]. Nilai keanggotaannya menunjukkan bahwa suatu item tidak hanya bernilai benar atau salah. Nilai 0 menunjukkan salah, nilai 1 menunjukkan benar, dan masih ada nilai-nilai yang terletak antara benar dan salah. Pada himpunan fuzzy, sebuah objek dapat berada pada sebuah himpunan secara parsial. Derajat keanggotaan dalam himpunan fuzzy diukur dengan fungsi yang merupakan generalisasi dari fungsi karakteristik yang disebut fungsi keanggotaan atau fungsi kompatibilitas. Fungsi keanggotaan dari himpunan fuzzy Û didefinisikan sebagai Û : x → [0,1].
Hal – hal yang terdapat pada sistem fuzzy :
1. Variabel Fuzzy, merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy, seperti umur, temperatur, dsb
2. Himpunan Fuzzy, merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy.
3. Semesta Pembicaraan, adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Contoh:
· Semesta pembicaraan untuk variabel umur: [0 +∞)
· Semesta pembicaraan untuk variabel temperatur: [0 40]
4. Domain, adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Contoh domain himpunan fuzzy: MUDA = [0 45], TUA = [45 +∞), DINGIN = [0 20], SEJUK = [15 25], NORMAL = [20 30], HANGAT = [25 35], PANAS = [30 40]
2.7 Database Fuzzy
Setelah relationship fuzzy ditentukan, untuk mengembangkan database relasional fuzzy. Pertama database relasional fuzzy, FRDB(fuzzy relational database) dipaparkan dalam tesis Maria Zemankova ini. Kemudian, beberapa model lain muncul seperti model Buckles-Petry, Model Prade-Testemale, model umano-Fukami atau model GEFRED oleh JM Medina, MA Vila dkk.Dalam konteks database fuzzy, beberapa bahasa query fuzzy sudah ditentukan, dipaparkan SQLf oleh P. Bosc dkk. dan FSQL oleh J. Galindo dkk. Bahasa-bahasa ini menentukan beberapa struktur dengan tujuan untuk menyertakan aspek fuzzy dalam laporan SQL, seperti ketentuan fuzzy, pembanding fuzzy, konstanta fuzzy, kendala fuzzy, ambang batas fuzzy, label linguistik dan sebagainya.
2.8 Contoh Aplikasi Sistem Fuzzy Logic
Jika diamati pengalaman pada negara-negara berteknologi tinggi, khususnya di negara Jepang, pengendali fuzzy sudah sejak lama dan luas digunakan di industri-industri dan alat-alat elektronika. Beberapa contoh aplikasi yang menggunakan pengendali fuzzy antara lain:· Dalam teknologi otomotif : sistem transmisi otomatis fuzzy dan pengendali kecepatan idle fuzzy.
· Dalam teknologi transportasi : Pengendali fuzzy anti-slip untuk kereta listrik, sistem= pengaturan dan perencanaan perparkiran, sistem pengaturan lampu lalu lintas, dan pengendalian kecepatan kendraan di jalan bebas hambatan.
· Dalam peralatan sehari-hari : mesin cuci fuzzy dan vacum cleaner fuzzy dan lain-lain.
· Dalam aplikasi industri di antaranya : industri kimia, sistem pengolahan kertas, dan lain-lain.
· Dalam power satations : sistem diagnosis kebocoran-H2
2.9 Fuzzyfikazi Dan Defuzzyfikasi
2.9.1. FuzzyfikasiFuzzyfikasi adalah pemetaan nilai input yang merupakan nilai tegas ke dalam fungsi keanggotaan himpunan fuzzy, untuk kemudian diolah di dalam mesin penalaran.
fuzzyfikasi : x -> μ(x)
2.9.2. Deffuzifikasi
Defuzzyfikasi merupakan kebalikan dari fuzzyfikasi, yaitu pemetaan dari himpunan fuzzy ke himpunan tegas.Input dari proses defuzzyfikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturanaturan fuzzy. Hasil dari defuzyfikasi ini merupakan output
dari sistem kendali logika fuzzy.
Defuzzyfikasi dideskripsikan sebagai :
Z* = defuzzyfier (Z)
Dengan
Z = hasil penalaran fuzzy
Z* = keluaran kendali logika fuzzy
deffuzyfier = fungsi defuzzyfikasi
Metode defuzzyfikasi antara lain:
1. Metode Maximum
Metode ini juga dikenal dengan metode puncak, yang nilai keluarannya dibatasi oleh fungsi μc(z*)>μc 1 (z).
2. Metode titik tengah
Metode titik tengah juga disebut metode pusat area. Metode ini lazim dipakai dalam proses defuzzyfikasi. Keluaran dari metode ini adalah titik tengah dari hasil proses penalaran.
3. Metode rata-rata
Metode ini digunakan untuk fungsi keanggotaan keluaran yang simetris. Keluaran dari metode ini adalah nilai rata-rata dari hasil proses penalaran.
4. Metode penjumlahan titik tengah
Keluaran dari metode ini adalah penjumlahan titik tengah dari hasil proses penalaran.
5. Metode titik tengah area terbesar
Dalam metode ini, keluarannya aalah titik pusat dari area terbesar yang ada.
2.10. Kelebihan dan Kekurangan Fuzzy Logic
Logika fuzzy memiliki beberapa keunggulan, antara lain sebagai berikut.1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran logika 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 fungsi2 nonlinear yang kompleks.
5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
6. Logika fuzzy dapat bekerja sama dengan teknik-teknik kendali secara konvensional.
7. Logika fuzzy didasarkan pada bahas alami
Sementara itu, dalam pengaplikasiannya, logika fuzzy juga memiliki beberapa kelebihan, antara lain sebagai berikut.
1. Daya gunanya dianggap lebih baik daripada teknik kendali yang pernah ada.
2. Pengendali fuzzy terkenal karena keandalannya.
3. Mudah diperbaiki.
4. Pengendali fuzzy memberikan pengendalian yang sangat baik dibandingkan teknik lain.
5. Usaha dan dana yang dibutuhkan kecil.
Selain itu, logika fuzzy juga memiliki kekurangan, terutama dalam penerapannya. Kekurangan-kekurangan tersebut antara lain:
1. Para enjiner dan ilmuwan generasi sebelumnya dan sekarang banyak yang tidak mengenal teori kendali fuzzy, meskipun secara teknik praktis mereka memiliki pengalaman untuk menggunakan teknologi dan perkakas kontrol yang sudah ada.
2. Belum banyak terdapat kursus/balai pendidikan dan buku-buku teks yang menjangkau setiap tingkat pendidikan (undergraduate, postgraduate, dan on site training)
3. Hingga kini belum ada pengetahuan sistematik yang baku dan seragam tentang metodologi pemecahan problema kendali menggunakan pengendali fuzzy.
4. Belum adanya metode umum untuk mengembangkan dan implementasi pengendali fuzzy.
BAB 3: KESIMPULAN
Dari tulisan atau penjelasan yang sudah diberikan maka dapat disimpulkan, Logika fuzzy adalah logika yang mengandung unsur ketidakpastian.Logika fuzzy pertama kali dikembangkan oleh Prof. Lotfi A. Zadeh, seorang peneliti dari Universitas California, pada tahun 1960-an. Logika fuzzy dikembangkan dari teori himpunan fuzzy.
Pada logika biasa, yaitu logika tegas, kita hanya mengenal dua nilai, salah atau benar, 0 atau 1. Sedangkan logika fuzzy mengenal nilai antara benar dan salah. Kebenaran dalam logika fuzzy dapat dinyatakan dalam derajat kebenaran yang nilainya antara 0 sampai 1.
Himpunan fuzzy adalah pengelompokan sesuatu berdasarkan variabel bahasa (linguistik variable), yang dinyatakan dengan fungsi keanggotaan, dalam semesta U. Keanggotaan suatu nilai pada himpunan dinyatakan dengan derajat keanggotaan yang nilainya antara 0.0 sampai 1.0
Fuzzyfikasi adalah pemetaan nilai input yang merupakan nilai tegas ke dalam fungsi keanggotaan himpunan fuzzy, untuk kemudian diolah di dalam mesin penalaran. Defuzzyfikasi merupakan kebalikan dari fuzzyfikasi, yaitu pemetaan dari himpunan fuzzy ke himpunan tegas.Input dari proses defuzzyfikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturanaturan fuzzy. Sistem kendali logika fuzzy cukup praktis diaplikasikan
dalam berbagai bidang.
REFRENSI
- Logika_Fuzzy, http://k12008.widyagama.ac.id/ai/diktatpdf/Logika_Fuzzy.pdf, 19 Desember 2009
- Logika Fuzzy ~ Teknologi Berbasis Perasaan ~, http://mitsuke.multiply.com/journal/item/8, 19 Desember 2009
Tidak ada komentar:
Posting Komentar