FUZZY CONTROL AND FUZZY

EXPERT SYSTEMS

Oleh: Muhammad Irfan

S3 PENDIDIKAN MATEMATIKA
UNIVERSITAS NEGERI MALANG
2016

DAFTAR ISI
A.

FUZZY LOGIC CONTROLLER (FLC)...............................................................................................2

1.
2.
3.

KEUNTUNGAN DARI FLC.......................................................................................................................... 2

KONFIGURASI FLC................................................................................................................................... 3
PEMILIHAN STATE VARIABLE DAN CONTROL VARIABLE ....................................................................... 4

B.

KOMPONEN INTERFACE FUZZIFIKASI ........................................................................................4

C.

KOMPONEN PENGETAHUAN DASAR.............................................................................................5

1.
2.

DATA BASE................................................................................................................................................ 5
RULE BASE ................................................................................................................................................ 9
DECISION MAKING LOGIC (LOGIKA PEMBUAT KEPUTUSAN) .............................................12

D.
1.
2.
3.
4.

MAMDANI METHOD ................................................................................................................................ 12

LARSEN METHOD ................................................................................................................................... 13
TSUKAMOTO METHOD ........................................................................................................................... 14
TSK METHOD ......................................................................................................................................... 15
DEFUZZIFIKASI ................................................................................................................................16

E.
1.
2.
3.

MEAN OF MAXIMUM METHOD (MOM)................................................................................................. 16

CENTER OF AREA METHOD (COA) ....................................................................................................... 17
BISECTOR OF AREA (BOA) .................................................................................................................... 17

F.

PROSEDUR DESAIN FLC .................................................................................................................18

G.

CONTOH APLIKASI DESAIN FLC ..................................................................................................20

H.

FUZZY EXPERT SYSTEM ................................................................................................................23

1.
2.
3.
4.

FUZZIFICATION INTERFACE ................................................................................................................... 24

INFERENCE ENGINE ................................................................................................................................ 24
LINGUISTIC APPROXIMATION ................................................................................................................ 25
SCHEDULER............................................................................................................................................. 25

BAB 10
FUZZY CONTROL AND FUZZY EXPERT SYSTEMS

A. Fuzzy Logic Controller (FLC)

1. Keuntungan dari FLC
Sistem logika fuzzy semakin mendekati pikiran manusia dan bahasa alamiah daripada
sistem logika tradisional (klasik). Pada dasarnya, logika fuzzy memberikan perkiraan
yang lebih efektif, sifat non-eksak di dunia nyata. Oleh karena itu, bagian yang penting
dari FLC adalah sekumpulan dari strategi dasar kendali linguistik pada pengetahuan
dalam strategi kendali otomatis.
FLC dipertimbangkan sebagai metodologi yang baik karena FLC menghasilkan hasil
yang superior yang diperoleh dengan algoritma kendali konvensional. FLC dapat
digunakan pada dua kasus, yaitu:
(a) Proses kendali terlalu kompleks untuk dianalisis dengan teknik kuantitatif
konvensional;
(b) Terdapat sumber informasi yang diinterpretasikan secara kualitatif, non-eksak,
atau ketidakpastian.
Keuntungan dari FLC dapat diringkas sebagai berikut:
(a) Paralel atau kendali distribusi
Pada sistem kendali konvensional, suatu kendali ditentukan oleh strategi kendali
tunggal

seperti

f ( x1 , x2 ..., xn ) . Tetapi, pada FLC, strategi

kendali

direpresentasikan dengan aturan-aturan fuzzy berganda, dan hal itu menjadikan

mudah untuk direpresentasikan sistem kompleks dan sistem nonlinear.
(b) Kendali linguistik
Strategi kendali merupakan memodelkan dengan istilah linguistik dan dapat
dengan mudah untuk mewakili pengetahuan manusia.
(c) Kendali robust
Di kendali robust, lebih dari satu aturan kendali dan pada umumnya, satu
kesalahan daru aturan tidak berakibat fatal untuk suatu sistem (meminimalisir
kesalahan).

2. Konfigurasi FLC
Tidak ada prosedur yang sitematik di FLC. Akan tetapi, pada Gambar 1 terlihat
konfigurasi dasar FLC.

Konfigurasi terdiri atas empat komponen utama: fuzzifikasi

interface, pengetahuan dasar (knowledge base), logika pengambilan keputusan (decision

making logic), dan defuzzifikasi interface.

Gambar 1. Konfigurasi dari FLC

(a) Fuzzifikasi interface mengubah input nilai crisp menjadi nilai fuzzy dan
melibatkan fungsi berikut:
-

Menerima nilai input

Mengubah rentang nilai dari variable input ke dalam semesta pembicaraan

yang bersesuaian.

Mengkonversi input data menjadi nilai linguistik yang sesuai (himpunan

fuzzy)

(b) Dasar pengetahuan berisi pengetahuan dari penerapan domain dan kendali tujuan.
Terdiri dari database dan aturan dasar linguistik.
(c) Logika pengambilan keputusan melibatkan fungsi berikut:
-

Mensimulasikan prosedur pengambilan keputusan manusia berdasarkan

konsep fuzzy.

Membuat dugaan dengan memanfaatkan implikasi fuzzy dan aturan linguistik.

(d) Defuzzifikasi interface, diantaranya:

Memetakan skala yang mengubah rentang dari nilai output menjadi semesta
pembicaraan yang bersesuaian.

Defuzzifikasi yang menghasilkan tindakan kendali nonfuzzy dari keputusan

tindakan kendali fuzzy.

3. Pemilihan State variable dan Control Variable

Sebelum memulai merinci prosedur desain FLC, kita telah memilih variable-variabel.
Sistem kendali fuzzy didesain untuk mengendalikan proses dan hal tersebut dibutuhkan
untuk menentukan state variable dan control variable dari proses. State variable menjadi
variable input dari sistem kendali fuzzy, dan control variable menjadi variable output.
Pemilihan variable bergantung pada pengetahuan pakar pada proses. Variabel state, state
error, state error deviation, and state error integral sering digunakan.

B. Komponen Interface Fuzzifikasi

Pada komponen fuzzifikasi, ada tiga issu utama untuk dipertimbangkan:
(a) Memetakan skala dari input data. Kita harus memutuskan strategi untuk mengubah
rentang nilai variabel input ke dalam semesta pembicaraan yang bersesuaian. Ketika
nilai input datang melalui sistem pengukuran, nilai-nilai harus berada dalam kisaran
variabel input. Sebagai contoh, jika kisaran variabel input yang normal antara -1 dan
+1, prosedur yang diperlukan yang memetakan nilai masukan yang diamati dalam
rentang normal.
(b) Strategy for noise: Bila data yang diamati diukur, mungkin kita sering berpikir bahwa
data yang terganggu oleh kebisingan acak. Dalam hal ini, operator fuzzifikasi harus
mengkonversi data probabilistik menjadi angka fuzzy. Dengan cara ini, efisiensi
komputasi ditingkatkan karena bilangan fuzzy jauh lebih mudah untuk memanipulasi
dari variabel acak. Jika tidak, kita asumsikan bahwa data yang diamati tidak
mengandung ketidakjelasan, dan kemudian kita mempertimbangkan data yang
diamati sebagai tunggal kabur. Sebuah tunggal kabur adalah nilai yang tepat dan
karenanya tidak ada ketidakjelasan diperkenalkan oleh fuzzification dalam kasus ini.
Dalam aplikasi kontrol, data yang diamati biasanya crisp dan digunakan sebagai
masukan tunggal fuzzy dalam fuzzy reasoning..
(c) Memilih fungsi fuzzifikasi. Sebuah operator fuzzifikasi memiliki efek mengubah data
crisp menjadi himpunan fuzzy.

x fuzzifier ( xo )
4

Dimana xo adalah nilai crisp yang diamati dan x adalah himpunan fuzzy, dan fuzzier
mewakili operator fuzzifikasi. Gambar 1 menunjukkan fungsi fuzzifikasi yang
mengubah data crisp menjadi nilai fuzzy tunggal. Gambar 2 menunjukkan fungsi
fuzzifikasi yang mengubah dari nilai crisp menjadi bilangan fuzzy segitiga. Titik
puncak dari segitiga bersesuaian dengan nilai rata-rata dari himpunan data, yang
alasnya adalah dua kali standar deviasi dari himpunan data.

Gambar 2. Fungsi fuzzifikasi untuk fuzzy tunggal

Gambar 3. Fungsi fuzzifikasi untuk bilangan fuzzy segitiga

C. Komponen Pengetahuan Dasar

1. Data Base
Dasar ilmu pengetahuan dari FLC terdiri atas dua bagian: database dan fuzzy control
rule base (aturan dasar kendali fuzzy). Pada bagian database, terdapat empat prinsip
parameter desain untuk FLC: deskretisasi

(discretization) dan normalisasi

(normalization) dari semesta pembicaraan, partisi fuzzy dari ruang input dan output,
and fungsi keanggotaan dari himpunan fuzzy primer.
5

a) Deskretisasi (discretization) dari semesta pembicaraan

Seringkali disebut dengan kuantisasi. Kuantisasi diskrit dari semesta ke dalam
bilangan tertentu dari segmen. Setiap segmen dilabeli sebagai elemen umum dan
bentuk semesta diskrit. Himpunan fuzzy didefinisikan pada semesta diskrit
pembicaraan. Tingkatan bilangan kuantisasi mempengaruhi pada kendali
performa, dan dengan demikian seharusnya menjadi cukup besar untuk
memberikan perkiraan yang memadai. Bilangan seharusnya ditentukan dengan
mempertimbangkan kualitas kendali dan memori penyimpanan di komputer.
Untuk deskretisasi, kita membutuhkan scale mapping yang dapat digunakan untuk
mengubah variable yang diukur ke dalam nilai-nilai di diskrit. Mapping dapat
menjadi uniform (linier), nonuniform (nonlinier) atau keduanya. Tabel 1
menunjukkan contoh dari desretisasi dimana semester pembicaraan adalah
dideskritkan ke dalam 13 level (-6,-5,-4,..0,1,,5,6).
Tabel 1. Contoh dari deskretisasi

b) Normalisasi (normalization) dari semesta pembicaraan

Normalisasi adalah deskretisasi ke dalam semesta normal. Semesta normal terdiri
atas bilangan terbatas dari segmen. Mapping dapat menjadi uniform, nonuniform
atau keduanya. Tabel 2 menunjukkan contoh dimana semesta pembicaraan [-6.9,
+4.5] diubah ke dalam normal interval tertutup [-1,1].
6

Tabel 2. Contoh normalisasi

c) Partisi fuzzy dari ruang input dan output

Variabel linguistik di antisiden1 dari bentuk aturan ruang input fuzzy, walaupun
itu sebagai akibat dari bentuk aturan ruang output fuzzy. Pada umumnya, variable
linguistik diasosiasikan dengan satu himpunan istilah. Partisi fuzzy dari ruang
menentukan berapa banyak istilah seharusnya ada dalam suatu himpunan istilah.
Permasalahan yang sama untuk mencari bilangan dari himpunan fuzzy primer
(istilah lingistik).
Ada tujuh istilah linguistik yang sering digunakan:
NB

: Negative Big

PS

: Positive Small

NM

: Negative Medium

PM

: Positive Medium

NS

: Negative Small

PB

: Positive Big

ZE

: Zero

N: Negative, Z: Zero, P: Positive

Gambar 3. Contoh dari partisi fuzzy dengan istilah linguistik
Contoh khusus yang diberikan di Gambar 3 mewakili dua partisi fuzzy di semesta
normal yang sama [-1, +1]. Fungsi keanggotaan menggunakan bentuk segitiga dan
trapezium.

Kata atau bagian kalimat yang mendahului kata pengganti

Bilangan dari istilah fuzzy di ruang input menentukan maksimum bilangan dari
aturan kendali fuzzy. Andaikan sistem kendali fuzzy dengan dua input dan satu
variable output. Jika input mempunyai 5 dan 4 istilah, maksismum bilangan dari
aturan kendali yang dapat kita konstruk adalah 20 (5x4) seperti pada Gambar 4.
Gambar 5 menunjukkan contoh dari sistem yang memiliki 3 aturan fuzzy.
Sistem kendali fuzzy dapat selalu menduga aksi kendali yang tepat untuk setiap
keadaan dari proses. Sifat ini terkait dengan dukungan pada himpunan fuzzy
primer yang didefinisikan. Gabungan dari dukungan-dukungan seharusnya
mencakup hubungan semesta pembicaraan pada relasi ke beberapa level. Sebagai
contoh, pada Gambar 3, sebarang nilai input mencakup paling sedikit satu istilah
linguistik dengan nilai keanggotaan lebih besar dari 0,5.

Gambar 4. Partisi fuzzy di 2 dimensi ruang input

Gambar 5. Partisi fuzzy memiliki tiga aturan.

d) Fungsi keanggotaan dari himpunan fuzzy primer

Ada berbagai jenis fungsi keanggotaan seperti segitiga, trapezium, dan bentuk
lonceng. Tabel 3 menunjukkan contoh fungsi keanggotaan segitiga pada semesta
pembicaraan di Tabel 1. Untuk contoh, istilah NM didefinisikan:
8

 NM (6) 0.3
NM (5) 0.7
NM (4) 1.0
NM (3) 0.7
NM (2) 0.3
Tabel 3. Ketentuan dari fungsi keanggotaan segitiga

Contoh bentuk lonceng fungsi keanggotaan diberikan di Tabel 4 dan gambar 6

dimana himpunan fuzzy didefinisikan pada semesta normal [-1, +1] pada Tabel 2.
Mereka mempunyai bentuk fungsi rata-rata parameter mf dan standar deviasi f

( x m f ) 2
f ( x) exp

2
2 f

2. Rule Base
Sistem fuzzy dikarakteristikan dengan suatu himpunan pernyataan linguistik yang
seringkali direpresentasikan dengan bentuk aturan if-then.

Tabel 4. Ketentuan fungsi keanggotaan bentuk lonceng

Gambar 6. Contoh fungsi keanggotaan bentuk lonceng

(a) Sumber dari Aturan Kendali Fuzzy
Terdapat dua prinsip pendekatan, yang pertama adalah metode heuristic, yang
aturannya dibentuk dari analisis tingkah laku dari proses kendali. Derivasi
mengandalkan pada pengetahuan kualitatif dari proses tingkah laku. Pendekatan
yang kedua pada dasarnya adalah metode deterministic, yang secara sistematis
dapat menentukan struktur linguistik dari aturan-aturan.
Kita dapat menggunakan empat cara derivasi dari aturan kendali fuzzy. Keempat
cara ini dapat dikombinasikan satu dengan yang lain untuk menghasilkan sistem
yang efektif.
-

Expert experience and control engineering knowledge: Operasi manual dan

kuesioner

Based on operators control actions: Observasi dari tindakan kendali manusia

pada bentuk operasi data input-output.

Based on the fuzzy model of a process: diskripsi linguistik dari proses

karakteristik yang dinamis

Based on learning: kemampuan untuk memodifikasi aturan kendali seperti

pengontrol mengorganisir dirinya sendiri. (selforganizing).
10

(b) Tipe dari Aturan Kendali Fuzzy

Ada dua jenis aturan kendali: aturan kendali penaksiran keadaan dan aturan
kendali fuzzy penaksiran objek.
-

aturan kendali penaksiran keadaan

Variabel keadaan merupakan bagian dari antiseden/ sebab dan variable control
merupakan bagaian akibat. Pada kasus MISO (multiple input single output),
kedua variable tersebut dikarakteristikan sebagai kumpulan dari bentuk aturanaturan:
R1

: jika x adalah A1, . dan y adalah B1 maka z adalah C1.

R2

: jika x adalah A2, . dan y adalah B2 maka z adalah C2.

Rn

: jika x adalah An, . dan y adalah Bn maka z adalah Cn.

dimana x, , y dan z merupakan variable linguistik yang mewakili proses

variable keadaan dan variable control. Ai,, Bi dan Ci adalah nilai linguistik
dari variable x,.., y dan z dalam semesta pembicaraan U, , V, dan W, i =
1,2,3..,n.

x U , Ai U
y V , Bi V
z W , Ci W
Pada versi yang lebih umum, bagian akibat mrepresentasikan sebagai fungsi
dari variable keadaan x, y.
Ri

: jika x adalah Ai, . dan y adalah Bi maka z = fi(x,y)

Keadaan penaksiran aturan mengevaluasi keadaan proses (misalnya state,

state error, change of error) pada waktu t dan memperhitungkan aksi kendali
fuzzy pada waktu t.
Pada bagian sebelumnya, terkait dengan partisi fuzzy dari ruang input, kita
katakana bahwa maksismum bilangan dari aturan kendali didefinisikan dengan
partisi. Pada ruang variable input, kombinasi dari bentuk input linguistik
mungkin memberikan aturan fuzzy. Ketika ada himpunan aturan fuzzy seperti:
Ri

: jika x adalah Ai, dan y adalah Bi maka z adalah Ci, i = 1,2,,n

aturan dapat direpresentsikan sebagai bentuk dari tabel pada Gambar 7.

-

aturan kendali fuzzy penaksiran objek

11

Dapat disebut dengan predictive fuzzy control. Mereka memprediksi sekarang

dan masa depan aksi kendali dan mengevaluasi kendali sasaran hasil. Tipe
aturan dideskripsikan seperti:.

Gambar 7. Aturan fuzzy diwakili dengan tabel aturan.

R1 : jika (z adalah C1 (x adalah A1 dan y adalah B1)) maka z adalah C1.
R2 : jika (z adalah C2 (x adalah A2 dan y adalah B2)) maka z adalah C2.
Rn : jika (z adalah Cn (x adalah An dan y adalah Bn)) maka z adalah Cn.
Sebuah tindakan kendali ditentukan oleh evaluasi obyektif yang memenuhi
keadaan yang diinginkan dan tujuan. x dan y adalah indeks kinerja untuk
evaluasi dan z adalah perintah kendali. Ai dan Bi adalah nilai-nilai fuzzy
seperti NM dan PS. Aturan kendali yang paling mungkin dipilih melalui
memprediksi hasil (x, y) sesuai dengan setiap perintah kontrol Ci, i = 1, 2, ... n.
Dalam istilah linguistik, aturan ditafsirkan sebagai: jika indeks kinerja x
adalah Ai dan indeks y adalah Bi ketika z perintah kendali, maka aturan ini
dipilih, dan kendali perintah Ci diambil menjadi output dari pengendali.

D. Decision Making Logic (Logika Pembuat Keputusan)

Secara umum, dalam membuat keputusan logika bagian, kami menggunakan empat
metode inferensi yang dijelaskan dalam bab sebelumnya: Metode Mamdani, metode
Larsen, metode Tsukamoto, dan metode TSK.
1. Mamdani Method

12

Metode ini menggunakan operator yang minimal sebagai operator implikasi Fuzzy,
dan operator max-min untuk komposisi seperti yang ditunjukkan pada (bagian 9.4.)
Misalkan aturan fuzzy diberikan dalam bentuk berikut.

Ri : if x is Ai and y is Bi , then z is Ci ,i=1,2,...,n

x U , Ai U
y V , Bi V
z W , Ci W
(a) Bila data input tunggal seperti x = x0 dan y = y0 (pada kasus ini, data input tidak
fuzzified), derajat yang sesuai (firing strength) dari Ai dan Bi masing-masing
adalah Ai ( x0 ) dan Bi ( y0 ) . Oleh karena itu derajat yang sesuai dari aturan Ri
adalah

i Ai ( x0 ) Bi ( y0 )
Kemudian C 'i ( z ) i C 'i ( z ) dimana Ci adalah hasil dari aturan R. Jumlah
keseluruhan hasil C yang berasal dari aturan kontrol individu didefinisikan
sebagai berikut:
n

C ' ( z ) i C 'i ( z )
i 1
n

C ' Ci'
i 1

(b) Bila data input adalah himpunan fuzzy, A dan B

i min[max( A ' ( x) A ( x)), max( B ' ( y ) B ( y ))]
Ci ' ( z ) i Ci ( z ), i 1, 2,.., n

Keseluruhan menghasilkan C didefinisikan dengan

n

C ' ( z ) i C 'i ( z )
i 1
n

C ' Ci'
i 1

2. Larsen Method
Metode ini menggunakan operator produk () untuk implikasi fuzzy, dan operator
maks-produk untuk komposisi. Seharusnya aturan fuzzy diberikan dalam bentuk
berikut

Ri : if x is Ai and y is Bi , then z is Ci ,i=1,2,...,n

13

(1) Bila data input tunggal, x = x0 dan y = y0. Derajat yang sesuai adalah:

i Ai ( x0 ) Bi ( y0 )
hasil Ci dari aturan Ri didefinisikan:

C 'i (z) i .Ci (z)

hasil keseluruhan C adalah
n

C 'i (z) V i .Ci (z)

i 1

atau
n

C ' Ci'
i 1

(2) Bila data input diberikan sebagai bentuk himpunan fuzzy, A dan B, kita
memiliki derajat yang sesuai sebagai:
i min[max( A ' ( x) A ( x)), max( B ' ( y ) B ( y ))]

Hasil Ci dari aturan Ri didefinisikan dengan

C 'i (z) i .Ci (z)

Hasil kesuluruhan C adalah
n

C 'i (z) V i Ci (z)

i 1

atau
n

C ' Ci'
i 1

3. Tsukamoto Method
Metode ini digunakan ketika bagian akibat dari setiap aturan diwakili oleh himpunan
fuzzy dengan fungsi keanggotaan monoton. Output disimpulkan dari setiap aturan
didefinisikan sebagai nilai crisp yang disebabkan oleh tingkat sesuai aturan ini (firing
strength).
Kami kira aturan fuzzy diberikan dalam bentuk berikut dan set C memiliki fungsi
keanggotaan monoton Ci ( z )

Ri : if x is Ai and y is Bi , then z is Ci ,i=1,2,...,n

Derajat yang sesuai i dari setiap aturan didefinisikan seperti pada metode
sebelumnya di kasus input tunggal dan himpunan input fuzzy. Hasil dari zi aturan Ri
diperoleh Gambar 8.
14

zi Ci1 ( i )
Hasil keseluruhan z diambil sebagai rata-rata berbobot dari setiap aturan output

z'

1 z1 2 z2
1 2

Metode ini memberikan nilai crisp sebagai hasil keseluruhan dan sehingga tidak ada
kebutuhan untuk defuzzify itu.

Gambar 8. Contoh dari aturan kendali Tsukamoto

4. TSK Method
Metode ini digunakan saat bagian akibat diberikan sebagai fungsi dari variable input.

Ri : if x is Ai and y is Bi , then z is fi ( x, y )
Dimana z=f(x,y) adalah fungsi crisp dari variable input x dan y. Seringkali f(x,y)
mempunyai bentuk polynomial (Gambar 9).
Andaikan data input tunggal x0 dan y0, lalu dugaan hasil dari aturan Ri adalah

fi ( x0 , y0 ). Derajat yang sesuai i dari Ri sama dengan sebelumnya. Oleh karena itu,
hasil akhir keseluruhan z adalah rata-rata berbobot menggunakan derajat yang sesuai

i
z'

1 f1 ( x0 , y0 ) 2 f 2 ( x0 , y0 )
1 2

Hasil akhir adalah nilai crisp dan sehingga tidak ada kebutuhan untuk defuzzify itu.

15

Gambar 9. Contoh dari aturan kendali fuzzy TSK

E. Defuzzifikasi
Dalam banyak aplikasi praktis, perintah kendali diberikan sebagai nilai crisp. Oleh karena
itu diperlukan untuk defuzzify hasil dari inferensi fuzzy. Sebuah defuzzifikasi adalah
suatu proses untuk mendapatkan aksi kontrol non-fuzzy yang paling mewakili distribusi
kemungkinan tindakan kontrol fuzzy disimpulkan. Sayangnya, kita tidak memiliki
prosedur yang sistematis untuk memilih strategi defuzzifikasi yang baik, dan dengan
demikian kita harus memilih salah satu di mempertimbangkan sifat dari hal permohonan.
Tiga strategi umum digunakan dijelaskan di bagian ini
1. Mean of Maximum Method (MOM)
Strategi MOM menghasilkan aksi kontrol yang mewakili nilai rata-rata dari semua
tindakan kendali, yang fungsi keanggotaan mencapai maksimum (Gambar 10). Dalam
kasus alam semesta diskrit, tindakan kontrol dapat dinyatakan sebagai
k

zj

j 1

z0
zj

: aksi control yang fungsi keanggotaan mencapai maksimum

: banyaknya tindakan control tersebut

16

Gambar 10. Mean of maximum (MOM)

2. Center of Area Method (COA)
Strategi COA banyak digunakan menghasilkan pusat gravitasi dari distribusi
kemungkinan set C Fuzzy (Gambar 11). Dalam kasus alam semesta diskrit, sehingga
metode memberikan
n

z0

j 1
n

( z j ) z j

j 1

(z j )

Gambar 11. Center of area (COA)

n

: jumlah level kuantisasi dari output

: himpunan fuzzy didefinisikan pada dimensi output

3. Bisector of Area (BOA)

BOA menghasilkan tindakan (z) yang partisi wilayah menjadi dua wilayah dengan
wilayah yang sama (Gambar 12).

z0

( z )dz C ( z )dz
z0

min{z | z W }
min{z | z W }
Lookup Table
Bahkan dengan banyak keuntungan, itu menunjukkan bahwa FLC memiliki masalah
kompleksitas waktu. Dibutuhkan banyak waktu untuk menghitung inferensi fuzzy dan
defuzzifikasi. Oleh karena itu tabel lookup sering digunakan yang hanya
menunjukkan hubungan antara variabel input dan tindakan kontrol output. Namun
tabel dapat dibangun setelah membuat FLC dan mengidentifikasi hubungan antara

17

variabel input dan output. Secara umum, hal ini sangat sulit untuk mendapatkan tabel
diterima dari sistem kontrol nonlinear tanpa membangun koresponden FLC.E

Contoh 1 (Tabel 5.) menunjukkan contoh lookup tabel untuk kesalahan dua variabel
input (two input variables error) (e) dan perubahan error (change of error) (ce), dan
variabel kontrol (v). Semua variabel di deskritisasi dan normalisasi dalam rentang [1,+1]. Misalnya, ketika e = -1,0 dan ce = -0,5, kita bisa memperoleh v = -0,5 dengan
menggunakan tabel bukan dengan menjalankan kontroler fuzzy penuh.

Gambar 12. Bisector of Area (BOA)

Tabel 5. Contoh lookup tabel

F. Prosedur Desain FLC

Ketika kita memutuskan untuk merancang FLC, kita dapat mengikuti prosedur desain
berikut:
1) Penentuan variabel keadaan (state) dan variabel kontrol. Secara umum, variabel kontrol
ditentukan tergantung pada sifat dari proses untuk dikendalikan. Tapi kita harus memilih
variabel keadaan (state). Secara umum, state, state error dan perbedaan kesalahan yang

18

sering digunakan. Variabel keadaan adalah variabel masukan, dan variabel kontrol adalah
output dari kontroler kami untuk dikembangkan.
2) Penentuan metode inferensi. Kita memilih salah satu metode di antara empat metode
inferensi dijelaskan pada bagian sebelumnya. Keputusan tergantung pada sifat dari proses
untuk dipelajari.
3) Penentuan metode fuzzifikasi. Hal ini diperlukan untuk mempelajari sifat data diukur dari
variabel keadaan. Jika ada ketidakpastian dalam data, fuzzifikasi diperlukan, dan kita
harus memilih metode fuzzifikasi dan fungsi keanggotaan himpunan fuzzy. Jika datanya
pasti, kita dapat menggunakan variabel keadaan tunggal.
4) Diskrittisasi dan normalisasi variabel keadaan. Secara umum, hal ini berguna untuk
menggunakan semesta yang didiskritkan dan normalisasi wacana. Kita harus memutuskan
apakah perlu dan bagaimana kita bisa melakukan.
5) Partisi ruang variabel. Variabel keadaan adalah variabel input dari kendali kita dan
dengan demikian partisi penting bagi struktur aturan fuzzy. Pada langkah ini, partisi ruang
kontrol (ruang output dari kendali) juga diperlukan.
6) Penentuan bentuk himpunan fuzzy. Hal ini diperlukan untuk menentukan bentuk
himpunan fuzzy dan fungsi keanggotaan mereka untuk ruang input yang dipartisi dan
ruang output.
7) Kontruksi aturan dasar fuzzy. Sekarang, kita dapat membangun aturan kendali. Kita
menentukan variabel dan istilah linguistik yang sesuai di bagian sebab dan bagian akibat
di setiap aturan. Arsitektur aturan tergantung pada metode inferensi ditentukan pada
langkah 2).
8) Penentuan strategi defuzzifikasi. Secara umum, kita menggunakan nilai kontrol tunggal
dan dengan demikian kita harus menentukan metode.
9) Test dan tuning. Secara umum perlu untuk memverifikasi kendali dan perbaikan hingga
kita mendapatkan hasil yang memuaskan.
10) Kontruksi tabel lookup. Jika kendali menunjukkan kinerja yang memuaskan, kita harus
memutuskan apakah kita menggunakan tabel atau menggunakan sistem inferensi. Tabel
lookup sering digunakan untuk menyimpan menghitung waktu dari inferensi dan
defuzzifikasi. Tabel lookup menunjukkan hubungan antara kombinasi variabel input dan
tindakan kendali.

19

G. Contoh Aplikasi Desain FLC

Servomotors digunakan di perbagai sistem otomatis termasuk driver untuk printer, disket,
tape recorder, dan manipulasi robot. Kontrol servomotors tersebut merupakan isu penting.
Proses servomotor menunjukkan sifat nonlinier, dan dengan demikian kita menerapkan
logika kendali fuzzy untuk kendali motorik. Tugas kendali adalah untuk memutar poros
motor untuk set point tanpa overshout. Set point dan proses output dalam diukur dalam
derajat.
1) Penentuan variabel keadaan dan variabel kontrol
Variabel Keadaan (variabel masukan dari kendali):
-

Kesalahan sama dengan set point minus keluaran proses (e)

Perubahan error (ce) sama dengan kesalahan dari proses output dikurangi
kesalahan dari proses keluaran terakhir.

Variabel kontrol (variabel output dari pengendali):

Kontrol input (v) sama dengan tegangan yang diberikan ke proses.
2) Penentuan metode inferensi
Metode inferensi Mamdani dipilih karena lebih sederhana.
3) Penentuan metode fuzzifikasi
Kita dapat mengukur variabel keadaan tanpa ketidakpastian dan dengan demikian kita
gunakan yang tunggal diukur untuk inferensi fuzzy
4) Diskritisasi dan normalisasi
Poros encoder motor memiliki resolusi 1000. Semesta pembicaraan adalah sebagai
berikut:
1000 e 1000
100 ce 100

Servo amplifier memiliki rentang output dari 30 V dan dengan demikian variabel
kontrol (v) berada di kisaran

30 v 30
Kami mendiskritisasikan dan menormalkan variabel masukan dalam rentang [1, 1]
seperti yang ditunjukkan pada Tabel 6. Variabel kontrol v dinormalkan dalam rentang
[1, 1] dengan persamaan.
v'

1
v
30

20

5) Partisi ruang input dan ruang output

Kita partisi ruang masing-masing variabel input dan output menjadi tujuh bagian,
dan masing-masing daerah dihubungkan dengan istilah linguistik seperti yang
ditunjukkan pada (Gambar 13). Sekarang kita tahu jumlah maksimum yang
mungkin aturan fuzzy adalah 49.
6) Penentuan bentuk himpunan fuzzy
Kami dinormalisasi variabel input dan output pada interval yang sama [1,1] dan
dipartisi daerah menjadi tujuh sub-daerah, dan dengan demikian kita definisikan
7) Partisi ruang input dan ruang output
Kami partisi ruang masing-masing variabel input dan output dalam tujuh bagian,
dan masing-masing daerah terkait dengan istilah linguistik seperti yang
ditunjukkan pada (Gambar 13). Sekarang kita tahu jumlah maksimum yang
mungkin aturan fuzzy adalah 49.

Gambar 13. Ruang partisi

8) Penentuan bentuk himpunan fuzzy
Kita normalisasi variabel input dan output pada interval yang sama [1,1] dan
dipartisi daerah ke tujuh sub-daerah, dan dengan demikian kita mendefinisikan
himpunan fuzzy utama segitiga untuk semua variabel seperti pada (Table 7) Dan
(Gambar 14)

21

Tabel 13. Ruang Partisi

Gambar 14. Representasi Grafik dari Himpunan Fuzzy Utama

9) Pembangunan aturan fuzzy
Kita mewawancarai dengan seorang ahli pengawas servomotor, dan kami
mengumpulkan pengetahuan seperti:
Jika error adalah nol dan error change positif kecil, maka input kontrol negatif
kecil.
Jenis aturan ditulis ulang dalam bentuk berikut
i.

Jika e adalah PB dan ce sebarang, maka v adalah PB.

ii.

Jika e adalah PM dan ce adalah NB, NM, atau NS, maka v adalah PS.

iii.

Jika e adalah ZE dan ce adalah ZE, PS, atau PM, maka v adalah ZE.

iv.

Jika e adalah PS dan ce adalah NS, ZE, atau PS, maka v adalah ZE.

v.

Jika e adalah NS dan ce adalah NS, ZE, PS, atau PM, maka v adalah NS

vi.

Jika e adalah NS atau ZE dan ce adalah PB, maka v adalah PS.

Himpunan aturan fuzzy lengkap diringkas dalam tabel aturan dalam (Gambar 15)
10) Penentuan strategi defuzzifikasi
Kita mengambil metode COA (pusat area) karena paling sering digunakan.

22

11) Uji dan tuning

Kita periksa kinerja kendali dikembangkan dan disempurnakan beberapa aturan
fuzzy.

Gambar 15. Tabel Aturan Fuzzy

12) Kontruksi tabel lookup
Setelah memverifikasi kendali menunjukkan kinerja yang baik, kita memutuskan
untuk menggunakan tabel pencarian. Kita memperluas inferensi untuk setiap
kombinasi variabel input diskritisasi c dan ce. Sebagai contoh,
untuk c = 0,2 dan ce = 0, v 0.4
untuk c = 0,4 dan ce = 0,4, v adalah 0,2
Tabel lookup yang sesuai diberikan pada Tabel 8. Sekarang kita dapat
menggunakan tabel ini untuk menghemat waktu inferensi dan waktu defuzzifikasi.

H. Fuzzy Expert System

Sistem pakar adalah program yang berisi pengetahuan ahli manusia dan memberikan
jawaban atas permintaan pengguna dengan menggunakan metode inferensi. Pengetahuan
sistem pakar sering disimpan dalam bentuk basis aturan, dan yang paling popular bentuk
adalah "jika-maka".
Suatu sistem pakar fuzzy adalah sistem yang dapat menangani menentu dan informasi
fuzzy. Dalam dunia nyata, seorang pakar memiliki pengetahuan dalam bentuk istilah
linguistik. Oleh karena itu adalah wajar untuk mewakili pengetahuan dengan aturan fuzzy
dan dengan demikian untuk menggunakan metode inferensi fuzzy.
23

Tabel 8. Tabel Lookup

Struktur dari sistem pakar fuzzy mirip dengan FLC. Konfigurasi ini ditunjukkan pada
(Gambar 16.) Seperti dalam FLC, ada antarmuka fuzzifikasi, pengetahuan dasar, dan
mesin inferensi (pengambilan keputusan logika). Daripada modul defuzzifikasi, ada
modul pendekatan linguistik.
1. Fuzzification Interface
Modul ini berkaitan permintaan pengguna, dan dengan demikian kita harus
menentukan strategi fuzzifikasi. Jika kita ingin membuat sistem pakar fuzzy
menerima istilah linguistik, modul ini harus memiliki kemampuan untuk menangani
seperti informasi fuzzy. Jika perlu, strategi fuzzifikasi, mirip dengan FLC.
Bertentangan dengan FLC, itu tidak diperlukan untuk mempertimbangkan diskritisasi
atau normalisasi. Tapi partisi fuzzy dan menugaskan istilah linguistik fuzzy untuk
setiap sub-regional diperlukan.
Pengetahuan pakar dapat diwakili dalam bentuk "jika-maka" dengan menggunakan
istilah linguistik fuzzy. Setiap aturan dapat memiliki faktor kepastian yang mewakili
tingkat kepastian aturan. Faktor kepastian ini digunakan dalam kesatuan dari hasil dari
setiap aturan.

2. Inference Engine
Sistem pakar fuzzy menggunakan metode inferensi dari logika fuzzy kontroler.
Sistem ini tidak berurusan dengan mesin atau proses, dan dengan demikian sulit untuk
24

memiliki himpunan fuzzy dengan fungsi keanggotaan monoton di bagian akibat dari
aturan. Oleh karena itu, metode Mamdani dan Metode Larsen sering digunakan.
3. Linguistic Approximation
Seperti yang kita nyatakan sebelumnya, sistem pakar fuzzy tidak mengendalikan
mesin ataupun proses, dan dengan demikian, secara umum, defuzzifikasi yang tidak
perlu. daripada modul defuzzifikasi, kadang-kadang kita perlu pendekatan modul
linguistik.
Modul ini menemukan istilah linguistik yang paling dekat dengan yang diperoleh
himpunan fuzzy. Untuk melakukannya, kita dapat menggunakan teknik pengukuran
jarak antara himpunan fuzzy.
4. Scheduler
Modul ini mengontrol semua proses dalam sistem pakar fuzzy. Hal itu menentukan
aturan yang harus dijalankan dan urutan eksekusi mereka. Hal itu juga dapat
memberikan fungsi penjelasan untuk hasilnya. Sebagai contoh, dapat menunjukkan
alasan bagaimana hasilnya diperoleh.

Gambar 16. Konfigurasi Sistem Pakar Fuzzy

Referensi:
Lee, Kwang H. 2005. First Course on Fuzzy Theory and Applications. Berlin: Springer

Muhammad Irfan

25