1. OLEH: Firman Wahyudi Fuzzy Logic Dan Penerapannya

2. Ikhtisar Pengertian Fuzzy Logic Sejarah Fuzzy Logic Himpunan Fuzzy Logic Operator Dasar zadeh Derajat Kebenaran Penerapan Fuzzy Logic

3. Pengertian Fuzzy Logic Fuzzy Logic adalah sebuah pendekatan untuk komputasi berdasarkan "derajat kebenaran" daripada biasa "benar atau salah" (1 atau 0) logika Boolean yang didasarkan pada komputer modern. Atau juga Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. 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.

4. Sejarah Fuzzy LOgic 1965Dalam papernya "Fuzzy Logic" oleh Prof. Lotfi Zadeh, Fakultas Teknik Elektro, UC Berkeley, Menentukan Pondasi "Teori Set Fuzzy“ 1970Aplikasi pertama Fuzzy Logic dalam Control Engineering (Europe) 1975 Pengenalan Fuzzy Logic di Jepang 1980 Verifikasi Empiris Fuzzy Logic di Eropa 1985 Penerapan Luas Fuzzy Logic di Jepang 1990 Penerapan Luas Fuzzy Logic di Eropa 1995 Penerapan Luas Fuzzy Logic di U.S. 2000 Fuzzy Logic Menjadi Teknologi Standar dan juga diterapkan dalam Data dan Analisis Sensor Signal. Terutama Penerapan Fuzzy Logic dalam Bisnis dan Keuangan.

5. Alasan Digunakannya Fuzzy Logic Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain: Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti. Logika fuzzy sangat fleksibel. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. Logika fuzzy didasarkan pada bahasa alami.

6. Himpunan Fuzzy Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan μA[x], memiliki 2 kemungkinan, yaitu: satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.

7. Contoh 1: Jika diketahui: S = {1, 2, 3, 4, 5, 6} adalah semesta pembicaraan. A = {1, 2, 3} B = {3, 4, 5} bisa dikatakan bahwa: Nilai keanggotaan 2 pada himpunan A, μA[2]=1, karena 2 ∈ A. Nilai keanggotaan 3 pada himpunan A, μA[3]=1, karena 3 ∈ A. Nilai keanggotaan 4 pada himpunan A, μA[4]=0, karena 4 ∉ A. Nilai keanggotaan 2 pada himpunan B, μB[2]=0, karena 2 ∉ B. Nilai keanggotaan 3 pada himpunan B, μB[3]=1, karena 3 ∈ B. Contoh 2: Misalkan variabel umur dibagi menjadi 3 kategori, yaitu: MUDA umur < 35 tahun PAROBAYA 35 ≤ umur ≤ 55 tahun TUA umur > 55 tahun Nilai keanggotaan secara grafis, himpunan MUDA, PAROBAYA dan TUA ini dapat dilihat pada Gambar 2.

8. Pada Gambar 7.2, dapat dilihat bahwa: apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA (μMUDA[34] =1); apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA (μMUDA[35]=0);

9. apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK MUDA (μMUDA[35 th -1hr]=0); apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA (μPAROBAYA[35]=1); apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK PAROBAYA (μPAROBAYA[34]=0); apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA (μPAROBAYA[35]=1); apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK PAROBAYA (μPAROBAYA[35 th - 1 hr]=0);

10. Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk menyatakan umur sangat tidak adil, adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan. Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Seseorang dapat masuk dalam 2 himpunan yang berbeda, MUDA dan PAROBAYA, PAROBAYA dan TUA, dsb. Seberapa besar eksistensinya dalam himpunan tersebut dapat dilihat pada nilai keanggotaannya. Seseorang yang berumur 40 tahun, termasuk dalam himpunan MUDA dengan μMUDA[40]=0,25; namun dia juga termasuk dalam himpunan PAROBAYA dengan μPABOBAYA[40]=0,5. Seseorang yang berumur 50 tahun, termasuk dalam himpunan TUA dengan μTUA[50]=0,25; namun dia juga termasuk dalam himpunan PAROBAYA dengan μPABOBAYA[50]=0,5.

11. Atribut Fuzzy Himpunan fuzzy memiliki 2 atribut: A. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA, PAROBAYA, TUA B. Numeris, yaitu suatu nilai (angka) yang menunjukan ukuran dari suatu variabel seperti: 40, 25, 35

12. 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.

13. Operatot Dasar Zadeh Operator Dasar Zadeh Operator AND Operator ini berhubungan dengan operasi interseksi pada himpunan. Α -predikat sebagai hasil operasi dengan operator AND diperoleh mengambil nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan dengan μA∩B = min(μA[x], μB[y]) Operator OR Operator iniberhubungandenganperasiunion padahimpunan.

14. α-predikat sebagai hasil operasi dengan operator AND diperoleh mengambil nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan dengan μAUB = max(μA[x], μB[y]) Operator NOT Operator ini berhubungan dengan operasi komplemen himpunan. α-predikat sebagai hasil operasi dengan operator AND diperoleh mengambil nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan dengan μA’= 1-μA[x]

15. Derajat Kebenaran 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.

16. 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

17. Penerapan 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