Apa Itu Fuzzy Logic?
Fuzzy Logic didefinisikan sebagai bentuk logika bernilai banyak yang mungkin memiliki nilai kebenaran variabel dalam bilangan real manapun antara 0 dan 1. Ini adalah konsep pegangan kebenaran parsial. Dalam kehidupan nyata, kita mungkin menemukan situasi di mana kita tidak dapat memutuskan apakah pernyataan itu benar atau salah. Pada saat itu, logika fuzzy menawarkan fleksibilitas yang sangat berharga untuk penalaran.
Algoritma logika fuzzy membantu memecahkan masalah setelah mempertimbangkan semua data yang tersedia. Kemudian dibutuhkan keputusan terbaik untuk masukan yang diberikan. Metode FL meniru cara pengambilan keputusan pada manusia yang mempertimbangkan segala kemungkinan antara nilai digital T dan F.
Dalam tutorial ini, Anda akan belajar
- Apa Itu Fuzzy Logic?
- Sejarah Sistem Logika Fuzzy
- Karakteristik Logika Fuzzy
- Kapan tidak menggunakan logika fuzzy
- Arsitektur Fuzzy Logic
- Logika Fuzzy vs. Probabilitas
- Renyah vs. Fuzzy
- Teori Himpunan Klasik vs. Himpunan Fuzzy
- Contoh Logika Fuzzy
- Area Aplikasi Logika Fuzzy
- Keunggulan Sistem Logika Fuzzy
- Kekurangan Sistem Logika Fuzzy
Sejarah Sistem Logika Fuzzy
Padahal konsep logika fuzzy telah dipelajari sejak tahun 1920-an. Istilah logika fuzzy pertama kali digunakan pada tahun 1965 oleh Lotfi Zadeh seorang profesor dari UC Berkeley di California. Dia mengamati bahwa logika komputer konvensional tidak mampu memanipulasi data yang mewakili ide-ide manusia yang subjektif atau tidak jelas.
Algoritma fuzzy telah diterapkan pada berbagai bidang, dari teori kontrol hingga AI. Ini dirancang untuk memungkinkan komputer menentukan perbedaan antara data yang tidak benar atau salah. Sesuatu yang mirip dengan proses penalaran manusia. Seperti Sedikit gelap, Beberapa kecerahan, dll.
Karakteristik Logika Fuzzy
Berikut adalah beberapa karakteristik penting dari logika fuzzy:
- Teknik pembelajaran mesin yang fleksibel dan mudah diterapkan
- Membantu Anda meniru logika pemikiran manusia
- Logika mungkin memiliki dua nilai yang mewakili dua solusi yang mungkin
- Metode yang sangat cocok untuk alasan yang tidak pasti atau perkiraan
- Logika fuzzy memandang inferensi sebagai proses menyebarkan batasan elastis
- Logika fuzzy memungkinkan Anda membangun fungsi nonlinier dengan kompleksitas arbitrer.
- Logika fuzzy harus dibangun dengan bimbingan yang lengkap dari para ahli
Kapan tidak menggunakan logika fuzzy
Namun, logika fuzzy tidak pernah menjadi obat untuk semua orang. Oleh karena itu, sama pentingnya untuk memahami bahwa di mana kita tidak boleh menggunakan logika fuzzy.
Di sini, adalah situasi tertentu ketika Anda sebaiknya tidak menggunakan Logika Fuzzy:
- Jika Anda merasa tidak nyaman untuk memetakan ruang masukan ke ruang keluaran
- Logika fuzzy sebaiknya tidak digunakan jika Anda bisa menggunakan akal sehat
- Banyak pengontrol dapat melakukan pekerjaan dengan baik tanpa menggunakan logika fuzzy
Arsitektur Fuzzy Logic
Arsitektur Fuzzy Logic
Arsitektur Fuzzy Logic memiliki empat bagian utama seperti yang ditunjukkan pada diagram:
Basis Aturan:
Ini berisi semua aturan dan kondisi jika-maka yang ditawarkan oleh para ahli untuk mengontrol sistem pengambilan keputusan. Pembaruan terbaru dalam teori fuzzy menyediakan berbagai metode untuk desain dan penyetelan pengontrol fuzzy. Pembaruan ini secara signifikan mengurangi jumlah set aturan fuzzy.
Fuzzifikasi:
Langkah fuzzifikasi membantu mengubah input. Ini memungkinkan Anda untuk mengubah, angka-angka tajam menjadi set fuzzy. Input yang tajam diukur oleh sensor dan diteruskan ke sistem kontrol untuk diproses lebih lanjut. Seperti suhu ruangan, tekanan, dll.
Mesin Inferensi:
Ini membantu Anda untuk menentukan tingkat kecocokan antara input fuzzy dan aturan. Berdasarkan% kecocokan, ini menentukan aturan mana yang perlu diimplementasikan sesuai dengan bidang masukan yang diberikan. Setelah ini, aturan yang diterapkan digabungkan untuk mengembangkan tindakan kontrol.
Defuzzifikasi:
Terakhir dilakukan proses defuzzifikasi untuk mengubah himpunan fuzzy menjadi nilai crisp. Ada banyak jenis teknik yang tersedia, jadi Anda perlu memilihnya yang paling sesuai bila digunakan dengan sistem pakar.
Logika Fuzzy vs. Probabilitas
| Logika Fuzzy | Kemungkinan |
|---|---|
| Fuzzy: Tingkat keanggotaan Tom dalam kelompok orang tua adalah 0,90. | Probabilitas: Ada kemungkinan 90% bahwa Tom sudah tua. |
| Logika fuzzy mengambil derajat kebenaran sebagai dasar matematis pada model fenomena ketidakjelasan. | Probabilitas adalah model matematika dari ketidaktahuan. |
Renyah vs. Fuzzy
| Garing | Kabur |
|---|---|
| Ini memiliki batas T atau F yang ketat | Batas tidak jelas dengan tingkat keanggotaan |
| Beberapa pengaturan waktu yang tepat bisa menjadi kabur | Ini tidak boleh renyah |
| Benar / Salah {0,1} | Nilai keanggotaan di [0,1] |
| Dalam hukum logika Crisp dari Excluded Middle dan Non- Contradiction mungkin atau mungkin tidak berlaku | Dalam hukum logika fuzzy dari Hold Excluded Middle dan Non- Contradiction |
Teori Himpunan Klasik vs. Himpunan Fuzzy
| Set Klasik | Teori Himpunan Fuzzy |
|---|---|
| Kelas benda dengan batas yang tajam. | Kelas benda tidak memiliki batas yang tajam. |
| Himpunan klasik ditentukan oleh batas-batas yang tajam, yaitu ada kejelasan tentang lokasi dari batas-batas yang ditetapkan. | Himpunan fuzzy selalu memiliki batasan yang ambigu, yaitu mungkin ada ketidakpastian tentang lokasi dari batas himpunan. |
| Banyak digunakan dalam desain sistem digital | Hanya digunakan di pengontrol fuzzy. |
Contoh Logika Fuzzy
Lihat diagram yang diberikan di bawah ini. Ini menunjukkan bahwa dalam sistem Fuzzy, nilai dilambangkan dengan angka 0 sampai 1. Dalam contoh ini, 1,0 berarti kebenaran mutlak dan 0,0 berarti kepalsuan mutlak.
Logika Fuzzy dengan Contoh
Area Aplikasi Logika Fuzzy
Tabel yang diberikan Blow menunjukkan penerapan logika Fuzzy oleh perusahaan terkenal dalam produknya.
| Produk | Perusahaan | Logika Fuzzy |
|---|---|---|
| Rem anti-kunci | Nissan | Gunakan logika fuzzy untuk mengontrol rem dalam kasus berbahaya bergantung pada kecepatan mobil, akselerasi, kecepatan roda, dan akselerasi |
| Transmisi otomatis | NOK / Nissan | Logika fuzzy digunakan untuk mengontrol injeksi bahan bakar dan pengapian berdasarkan pengaturan throttle, temperatur air pendingin, RPM, dll. |
| Mesin otomatis | Honda, Nissan | Gunakan untuk memilih geat berdasarkan beban mesin, gaya mengemudi, dan kondisi jalan raya. |
| Mesin fotokopi | Canon | Digunakan untuk mengatur voltase drum berdasarkan kerapatan gambar, kelembapan, dan suhu. |
| Kontrol kapal pesiar | Nissan, Isuzu, Mitsubishi | Gunakan untuk menyesuaikan pengaturan throttle untuk mengatur kecepatan dan akselerasi mobil |
| Pencuci piring | Matsushita | Gunakan untuk menyesuaikan siklus pembersihan, strategi bilas dan cuci berdasarkan jumlah piring dan jumlah makanan yang disajikan di piring. |
| Kontrol lift | Fujitec, Mitsubishi Electric, Toshiba | Gunakan untuk mengurangi waktu tunggu berdasarkan lalu lintas penumpang |
| Sistem diagnostik golf | Maruman Golf | Memilih tongkat golf berdasarkan ayunan dan fisik pegolf. |
| Manajemen kebugaran | Omron | Aturan kabur yang tersirat oleh mereka untuk mengecek fitness karyawannya. |
| Kontrol tungku pembakaran | Baja Nippon | Mencampur semen |
| Oven microwave | Mitsubishi Chemical | Mengatur kekuatan lunes dan strategi memasak |
| Komputer Palmtop | Hitachi, Sharp, Sanyo, Toshiba | Mengenali karakter Kanji tulisan tangan |
| Pengetsaan plasma | Mitsubishi Electric | Mengatur waktu dan strategi etch |
Keunggulan Sistem Logika Fuzzy
- Struktur Sistem Logika Fuzzy mudah dan dapat dimengerti
- Logika fuzzy banyak digunakan untuk tujuan komersial dan praktis
- Logika fuzzy dalam AI membantu Anda mengontrol mesin dan produk konsumen
- Ini mungkin tidak menawarkan alasan yang akurat, tetapi satu-satunya alasan yang dapat diterima
- Logika fuzzy dalam Data Mining membantu Anda menghadapi ketidakpastian dalam bidang teknik
- Sangat kuat karena tidak diperlukan input yang tepat
- Itu dapat diprogram ke dalam situasi ketika sensor umpan balik berhenti bekerja
- Ini dapat dengan mudah dimodifikasi untuk meningkatkan atau mengubah kinerja sistem
- sensor murah dapat digunakan yang membantu Anda menjaga biaya dan kompleksitas sistem secara keseluruhan tetap rendah
- Ini memberikan solusi paling efektif untuk masalah kompleks
Kekurangan Sistem Logika Fuzzy
- Logika fuzzy tidak selalu akurat, sehingga hasil dipersepsikan berdasarkan asumsi, sehingga mungkin tidak diterima secara luas.
- Sistem fuzzy tidak memiliki kapabilitas pembelajaran mesin serta pengenalan pola jenis jaringan saraf
- Validasi dan Verifikasi sistem berbasis pengetahuan fuzzy membutuhkan pengujian ekstensif dengan perangkat keras
- Menetapkan aturan yang tepat dan tidak jelas, dan fungsi keanggotaan adalah tugas yang sulit
- Beberapa logika waktu fuzzy dikacaukan dengan teori probabilitas dan istilah-istilahnya
Ringkasan
- Istilah fuzzy berarti hal-hal yang tidak terlalu jelas atau samar-samar
- Istilah logika fuzzy pertama kali digunakan pada tahun 1965 oleh Lotfi Zadeh seorang profesor dari UC Berkeley di California
- Logika fuzzy adalah teknik pembelajaran mesin yang fleksibel dan mudah diterapkan
- Logika fuzzy sebaiknya tidak digunakan jika Anda bisa menggunakan akal sehat
- Arsitektur Fuzzy Logic memiliki empat bagian utama 1) Rule Basse 2) Fuzzification 3) Inference Engine 4) Defuzzification
- Logika fuzzy mengambil derajat kebenaran sebagai dasar matematis pada model ketidaktahuan sedangkan probabilitas adalah model kebodohan matematis.
- Himpunan renyah memiliki batas tegas T atau F sedangkan batas fuzzy dengan derajat keanggotaan
- Himpunan klasik banyak digunakan dalam desain sistem digital sedangkan himpunan fuzzy hanya digunakan pada pengendali fuzzy
- Transmisi otomatis, manajemen kebugaran, sistem diagnostik Golf, mesin pencuci piring, mesin fotokopi adalah beberapa area aplikasi Logika Fuzzy
- Logika fuzzy dalam Soft Computing membantu Anda mengontrol mesin dan produk konsumen