- Untuk memahami apa itu Fuzzy Logic
- Untuk memahami mengapa menggunakan Fuzzy Logic
- Memahami perbedaan Non-Fuzzy dan Fuzzy
2. Dasar Teori [Kembali]
1.1 Definisi
Kamus Oxford, fuzzy: blurred
(kabur atau remang-remang), indistinct (tidak jelas), imprecisely defined
(didefinisikan secara tidak presisi), confused (membingungkan), vague (tidak
jelas). Dalam teori fuzzy logic, kata fuzzy lebih dipandang sebagai sebuah
technical adjective (kata sifat teknis). Sistem fuzzy adalah sebuah system yang
dibangun dengan definisi, cara kerja, dan deskripsi yang jelas berdasar pada
teori fuzzy logic. Fenomena yang akan dimodelkan dengan system fuzzy bersifat
fuzzy, system yg dibangun untuk memodelkan fenomena tesebut tetap mempunyai definisi cara kerja dan
deskripsi yang jelas berdasar pada teori fuzzy logic.
Secara umum, fuzzy logic adalah
sebuah metodologi “berhitung” dengan variable kata-kata (liguistic variable),
sebagai berhitung dengan bilangan. Kata-kata tidak sepresisi bilangan, namun
dekat dengan intuisi manusia. Manusia bisa langsung “merasakan” nilai dari
variable kata-kata yang sudah dipakainya sehari-hari. Fuzzy logic memberi
ruang/toleransi kepada ketidak presisian. Memberikan “ongkos” ygg lebih murah
dalam memecahkan masalah yang bersifat fuzzy.
Fuzzy menjembatani Bahasa mesin dgn
Bahasa manusia, yaitu dgn menekankan pada makna atau arti (significance). Dgn
fuzzy logic, system kepakaran manusia bisa diimplementasikan ked lam Bahasa
mesin secara mudah dan efisien.
Fuzzy menjembatani komunikasi
sehingga lebih efektif dan efisien. System fuzzy adalah mesin penerjemah Bahasa
manusia sehinggga bisa dimengerti oleh mesin danjuga sebaliknya.
1.2 Mengapa dan Kapan Perlu Fuzzy
logic?
Fuzzy cocok digunakan dalam
pemetaan atau mapping hubungan input dan outpt dari ssatu system berdasarkan
data input-output.
Model Black Box
Gambar di atas memberikan
ilustrasi pemetaan hubungan input-output, di antaranya ada system black box
yang akan melakukan tugas pemetaan. Alternatif system yang cocok menggantikan
posisi kotak hitam adalah system fuzzy, sistem linear, system pakar, jaringan
saraf tiruan (JST), persamaan diferensial, database pemetaan, dll. Sistem fuzzy
sering menjadi pilihan tebaik. Menurut Lotfi A. Zadeh, dalam hamper setiap
kasus, anda dapat membangun system yang bisa menggantikan blackbox di atas
tanpa menggunakan fuzzy logic. Tapi, kalua pakai fuzzy logic, rancang bangun
system bisa dilakukan lebih cepat dan efisien. Berikut beberapa alas an mengapa
menggunakan fuzzy logic:
1. Konsep
fuzzy logic adalah sangat sederhana sehingga mudah dipahami. Kelebihannya
dibanding konsep yang lain bukan pada kompleksitasnya, tetapi pada naturalness
pendekatannya dalam memecahkan masalah.
2. Fuzzy
logic adalah fleksibel, dalam arti dapat dibangun dan dikembangkan dengan mudah
tanpa harus memulainya dari “nol”.
3. Fuzzy
logic memberikan toleransi terhadap ketidakpresisian data. Hal ini sangat cocok
dengan fakta sehari-hari. Segala sesuatu di alam ini relative tidak presisi,
bh=ahkan meskipun kita ihat/amati secara lebih “dekat” dan hati-hati. Fuzzy
logic dibangun berdasar pada fakta ini.
4. Pemodelam/pemetaan
untuk mencari hubungan data input-output dari sembarang system black-box bisa
dilakukan dengan memakai fungsi fuzzy.
5. Pengetahuan
atau pengalaman dari para pakar dapat dengan mudah dipakai untuk membangun
fuzzy logic. Hal ini merupakan kelebihan utama fuzzy logic disbanding JST.
Pemodelan sistem dengan JST berdasar data input-output hanya akan menghasilkan
model JST yang masih juga sebagai blck-box, karena kita sulit mengetahui
bagaimana cara kerja model JST yang dihasilkan. Dalam pemodelan system dengan
JST, tidak ada mekanisme untuk melibatkan pengetahuan manusia (pakar) dalam
prosespelatihan JST. Jika kita menggunakan fuzzy logic, pengetahuan manusia
bisa lebih relative lebih mudah dilibatkan dalam pemodelan system fuzzy.
6. Fuzzy
logic dapat diterapkan dalam disain system control tanpa harus menghilangkan
Teknik desain system control konvensional yang sudah terlebih dahulu ada.
7. Fuzzy
logic berdasar pada Bahasa manusia.
Fuzzy logic adalah sebuah metode
yang solid dan efisien untuk memecahkan masalah pemetaan non-linear yang tidak
memprioritaskan kepresisian.
1.3 Non-fuzzy logic dan Fuzzy
logic
Membedakannya dengan memberikan
contoh masalah yang bersifat fuzzy. Contohnya, memodelkan/memetakan hubungan
kulitas pelayanan (service) dengan besar bonus/tip yang akan diberikan kepada
pelayan restoran. Service sebagai input dan bonus sebagai output dari model.
Kualitas dinilai dari 0-10.
1.3.1
Pendekatan non-fuzzy
Model
sederhana yang menyatakan hubungan bonus dengan pelayanan adalah bahwa bonus
selalu dibuat sebesar 15% dari total pembelian:
bonus = 0.15;
akan menghasilkan bonus yang
konstan karena tidak membandingan kualitas pelayanan, agar “lebih adil” dapat
diubah modelnya menjadi:
bonus = 0.2/10 * pelayanan+0.05;
Bonus maksimum 5% jikapelayanan
buruk. Bonus berkisar 5% sampai 25% jika pelayanan tidak buruk.
Model di atas “cukup adil”, tapi
belum menyatakan kualitas makanan yang disajikan di dalamnya. Agar lebih adil
lagi:
bonus = 0.20/10 *
(pelayanan+makanan) + 0.05;
Tapi model di atas tidak cukup
baik, karena kualitas makanan dianggap memberi kontribusi yg sama dgn kualitas
pelayanan di dalam penetuan total bonus. Padahal pelayanan lebiih penting,
sehingga bisa ditentukan untuk kualitas pelayanan menyumabang 80% dari total
bonus.
bobot pelayanan = 0.8;
bonus = bobot pelayanan * (0.20/10
* pelayanan + 0.05) + … (1 – bobot pelayanan)* (0.20/10 * makanan + 0.05);
didapatkan hubungan bonus dgn
pelayanan dan makanan terlalu linear. Andaikan diinginkan bonus tetap 15% jika
kualitas pelayanan tidak terlalu baik juga tidak terlalu buruk maka kelakuan
model yang diinginkan tidak sesuai dengan model di atas. Dimodifikasi menjadi:
if pelayanan<3,
bonus=(0.10/3)*pelayanan+0.05;
elseif pelayanan<7,
bonus=0.15;
eleseif pelayanan<=10,
bonus=(0.10/3)*(pelayanan-7)+0.015;
end
Jika menginginkan kualitas makanan
juga diperhitungkan bisa dimodelkan dengan:
bobotpelayanan=0.8;
if pelayanan<3,
bonus=((0.10/3)*pelayanan+0.05)*bobotpelayanan
+ …
(1-bobotpelayanan)*(0.20/10*makanan+0.05);
eleseif pelayanan<7
bonus=(0.15)*bobotpelayanan + …
(1-bobotpelayanan)*(0.20/10*makanan+0.05);
else,
bonus=((0.10/3)*(pelayanan-7)+0.015)*bobotpelayanan
+ …
(1-bobotpelayanan)*(0.20/10*makanan+0.05);
End
Model tampak jauh lebih baik dan
“adil” dari semua model sebelumnya. Model yang baik dibayar dengan model yang
lebih kompleks, yang sulit iuntuk dilakukan modifikasi kemudian. Source code
yang diperlukan untuk menghasilkan dta-data dan plot-plot pada semua gambar di
atas jauh lebih kompleks lagi.
1.3.2
Pendekatan fuzzy
Dengan
pendekatan fuzzy, pemodelan dapat disederhanakan berdasarkan IFTHEN rule. Dalam
contoh berikut yang digunakan dalam kasus sebelumnya, dengan variable input
adalah service (pelayanan) dan food (makanan) sementara variable outputnya
adalah bonus. IF-THEN rules yang dimaksud:
if service is poor or food is
rancid,
then bonus is cheap
if service is good,
then bonus is average
if service is excellent or food
is delicious,
then bonus is generous
Semua rule di atas diperlukan dalam
membangun system fuzzy yang bisa memetakan hubungan bonus dengan service dan
food. Jika kemudian diberikan arti matematis pada semua nilai linguistic yang
mungkin pada variable service, food, dan bonus maka kita sudah membangun sebuah
system fuzzy. Digunakan Fuzzy Logic Toolbox untuk mengimplementasikan system
fuzzy yang bisa memetakan hubungan bonus dengan service dan food. Pendekatan
fuzzy, penurunan modelnya didasarkan common sense statements yang sangat mudah
dipahami. Sehingga mudah dipahami, tinggal mengurangi, menambah, atau bahkan
memodifikasi aturan-aturan yang sudah ada. Arti matematis average bisa berdeda
antara masing-masing restoran, namun aturan-aturan fuzzy logic yang berlaku
masih sama:
if service is good, then thebonus
is average
Jika ingin mengalibrasi ulang arti matematis average, tinggal menggerser-gerser rentang nilai average tanpa harus menulis ulang IF-THEN rules.
Tidak ada komentar:
Posting Komentar