Fuzzy Logic Control (FLC)

alhamdulillah saya bisa posting lagi, disini saya sedikit berbagi tentang sistem kontrol menggunakan fuzzy logic control.

Logika  fuzzy adalah cabang dari sistem kecerdasan buatan (Artificial Intelegent) yang mengemulasi kemampuan manusia dalam berfikir ke dalam bentuk algoritma yang kemudian dijalankan oleh mesin. Algoritma ini digunakan dalam berbagai aplikasi pemrosesan data yang tidak dapat direpresentasikan dalam bentuk biner.

dalam boolean kita kenal dengan istilah 0 dan 1 yaitu antara ya dan tidak, tapi dengan menggunakan fuzzy logic control akan lebih mengarah kepada pemikiran manusia, yaitu memiliki derajat kebenaran. Jika dalam boolean hanya ada ya dan tidak maka di FLC akan muncul nilai kecil, sedang ,banyak, banyak sekali. hal ini dapat dilihat pada gambar berikut:

dalam fuzzy ada beberapa istilah, diantaranya:

1. crisp set

Himpunan yang membedakan anggota dan non anggotanya dengan batasan yang jelas disebut crisp set.

Misalnya, jika C={x  | x integer, x > 5}, maka anggota C adalah 6, 7, 8, dan seterusnya.

Sedangkan yang bukan anggota C adalah 1, 2, 3, 4, dan seterusnya.

2. fuzzy set

Fuzzy set merupakan dasar dari fuzzy logic dan fuzzy systems.

Suatu fuzzy set A di dalam Universe (semesta) U didefinisikan sebagai suatu fungsi keanggotaan mA(x), yang memetakan setiap objek di U menjadi suatu nilai real dalam interval [0,1].Nilai-nilai mA(x) menyatakan derajat keanggotaan x di dalam A

3. membership function

didalam fuuzy sistem, fungsi keanggotaan memainkan peranan yang sangat penting untuk mempresentasikan masalah dan menghasilkan keputusan yang akurat. Terdapat banyak fungsi keanggotaan diantaranya:

fungsi sigmoid, fungsi phi, fungsi segitiga, dan fungsi trapesium

Fungsi Sigmoid

fungsi ini berbentuk kurva sigmoidal seperti huruf S. Setiap nilai x (crisp set) dipetakan kedalam interval 0 dan 1.

 

Fungsi Phi

Pada fungsi keanggotaan ini, hanya terdapat satu nilai x yang memiliki derajat keanggotaan yang sama dengan 1, yaitu ketika x=c.

Nilai-nilai di sekitar c memiliki derajat keanggotaan yang masih mendekati 1.

Fungsi Segitiga

Sama seperti fungsi phi, pada fungsi ini juga terdapat hanya satu nilai x yang memiliki derajat keanggotaan sama dengan 1, yaitu ketika x=b.Tetapi, nilai-nilai di sekitar b memiliki derajat keanggotaan yang turun cukup tajam menjauhi 1.

Fungi Trapesium

Berbeda dengan fungsi segitiga, pada fungsi ini terdapat beberapa nilai x yang memiliki derajat keanggotaan sama dengan 1, yaitu ketika b<= x <= c.Tetapi derajat keanggotaan untuk a< x <b dan   c< x <= d memiliki karakteristik yang sama dengan fungsi segitiga

sistem berbasis aturan fuzzy

•Variabel linguistik

Variabel linguistik adalah suatu interval numerik dan mempunyai nilai-nilai linguistik, yang semantiknya didefinisikan oleh fungsi keanggotaannya.Misalnya, Suhu adalah variabel linguistik yang bisa didefinisikan pada interval [-100 C, 400 C].Variabel tersebut bisa memiliki nilai-nilai linguistik seperti ‘Dingin’, ‘Hangat’, ‘Panas’ yang semantiknya didefinisikan oleh fungsi-fungsi keanggotaan tertentu

Suatu sistem berbasis aturan fuzzi yang lengkap terdiri dari tiga komponen utama:

Fuzzification, Inference, Defuzzification

Diagram blok lengkap sistem berbasis aturan fuzzy

fuzzification

mengubah masukan-masukan yang nilai kebenarannya bersifat pasti (crisp input) ke dalam bentuk fuzzy input.

inference

melakukan penalaran menggunakan fuzzy input dan fuzzy rules yang telah ditentukan sehingga menghasilkan fuzzy output.Secara sintaks, suatu fuzzy rule (aturan fuzzy) dituliskan sebagai: IF antecendent THEN consequent

defuzzification

Defuzzification: mengubah fuzzy output menjadi crisp value berdasarkan fungsi keanggotaan yang telah ditentukan.Terdapat berbagai metode defuzzification yang telah berhasil diaplikasikan untuk berbagai macam masalah, di sini dibahas 5 metode di antaranya, yaitu:Centroid method, Height method, First (or Last) of Maxima,Mean-Max method, Weighted Average

centroid method

–        Metode ini disebut juga sebagai Center of Area atau Center of Gravity.

–        Metode ini menghitung nilai crisp menggunakan rumus:

di mana y* suatu nilai crisp.

–        Fungsi integration dapat diganti dengan fungsi summation jika y bernilai diskrit, sehingga menjadi:

di mana y* adalah nilai crisp dan m_R(y) adalah derajat keanggotaan dari y.

Height method

–        Metode ini dikenal sebagai prinsip keanggotaan maksimum karena metode ini secara sederhana memilih nilai crisp yang memiliki derajat keanggotaan maksimum.

–        Oleh karena itu, metode ini hanya bisa dipakai untuk fungsi keanggotaan yang memiliki derajat keanggotaan 1 pada suatu nilai crisp tunggal dan dan 0 pada semua nilai crisp yang lain.

Fungsi seperti ini sering disebut sebagai singleton

First (or Last) of Maxima

–        Metode ini juga merupakan generalisasi dari height method untuk kasus di mana fungsi keanggotaan output memiliki lebih dari satu nilai maksimum.

–        Sehingga nilai crisp yang digunakan adalah salah satu dari nilai yang dihasilkan dari maksimum pertama atau maksimum terakhir (tergantung pada aplikasi yang akan dibangun).

Mean-Max method

–        Metode ini disebut juga sebagai Middle of Maxima.

–        Merupakan generalisasi dari height method untuk kasus di mana terdapat lebih dari satu nilai crisp yang memiliki derajat keanggotaan maksimum.

–        Sehingga y* didefinisikan sebagai titik tengah antara nilai crisp terkecil dan nilai crisp terbesar

di mana m adalah nilai crisp yang paling kecil dan M adalah nilai crisp yang paling besar.

 Weighted Average

–        Metode ini mengambil nilai rata-rata dengan menggunakan pembobotan berupa derajat keanggotaan. Sehingga y* didefinisikan sebagai:

di mana y adalah nilai crisp dan m(y) adalah derajat keanggotan dari nilai crisp y.

terima kasih semoga bermanfaat….. 🙂