Академический Документы
Профессиональный Документы
Культура Документы
Fuzzy logic diperkenalkan pertama kali oleh Prof. Lotfi A Zadeh pada tahun 1965.
Fuzzy Set dapat digunakan untuk merepresentasikan dan menangani masalah
ketidakpastian. Sistem logika Fuzzy memiliki fungsi keanggotaan yang memetakan
setiap anggotanya ke dalam satu derajat keanggotaan. Hal semacam ini merupakan
keanggotaan crisp atau disebut juga himpunan Fuzzy yang dikenal dengan Fuzzy
Logic tipe-1 (T1 FL). Sistem T1 FL sudah banyak diterapkan dalam ilmu kontrol,
perkiraan, peramalan, data mining dan sistem pendukung keputusan. Seiring dengan
waktu, Prof. Zadeh menyadari bahwa fungsi keanggotaan T1 FL sebenarnya
merupakan bilangan tegas juga.
Notasi Fuzzy
Fungsi Keanggotaan
Merupakan suatu kurva
yang menunjukkan
pemetaan titik-titik input
data ke dalam nilai
keanggotaannya yang
memiliki nilai antara 0
sampai 1.
Type-1 vs Type-2
2. Rules
3. Inference
4. Defuzzifier
5. Type-Reducer
State-of-the-Art (1)
Historical Development Fuzzy Type 2
State-of-the-Art (2)
Peluang penelitian untuk mengeksplorasi Fuzzy Tipe 2
1. Aplikasi, seperti pada sistem pengambilan keputusan yang kompleks seperti di bidang
kedokteran.
2. Kompleksitas komputasi. Beberapa penelitian akhir-akhir ini menunjukkan Generalized
Type-2 dibanding Interval Type-2, namun kompleksitasnya lebih tinggi. Selain itu Fuzzy Tipe-2
juga lebih kompleks dibanding Tipe-1.
3. Optimisasi. Cara optimisasi Fuzzy tipe-2 masih menjadi open question. Pemilihan: rule,
membership function, operator, dan algoritma defuzzifikasi masih dilakukan secara manual.
4. Defuzzifikasi. Algoritma untuk defuzzifikasi menjadi isu yang penting dan masih mungkin
untuk dikembangkan lagi.
5. FOU. FOU juga menjadi isu penting dalam perancangan Fuzzy Tipe-2, karena kita tidak
mengetahui apakah FOU mewakili ketidakpastian secara berlebihan atau kurang mewakili.
State-of-the-Art (3)
Beberapa penelitian yang pernah dilakukan dalam pengembangan dan
implementasi Fuzzy Tipe 2:
1. Penerapan Fuzzy Tipe 2 di berbagai bidang seperti: classification, clustering,
pattern recognition, dan intelligent control.
2. Perbandingan antara Fuzzy Type 1 dan Type 2 untuk mengetahui
permasalahan seperti apa yang sudah cukup baik dimodelkan dengan Tipe 1
dan seperti apa yang membutuhkan Tipe 2 yang komputasinya lebih
kompleks.
3. Optimasi Fuzzy Type 2 menggunakan Algoritme Genetika, Particle Swarm
Optimization, Ant Colony Optimization, dll. Hal ini bertujuan untuk menciptakan
desain Fuzzy Tipe 2 secara otomatis.
Variabel
Rentang Variabel Masukan
[ - 90, 120]
dan X [ 0 , 10]
Rentang Variable Keluaran
[-30 , 30]
Sehingga keadaan akhir Truck (Xf, f) = (5, 90)
Karena terdapat lima variabel linguistik untuk posisi truk dan tujuh variabel liguistik
untuk arah truk, maka akan terdapat 35 kaidah yang akan digunakan. Karena
hanya terdapat dua variabel masukan pada fuzzy, maka basis kaidah yang
digunakan dapat didokumentasikan dalam bentuk matriks seperti yang
ditunjukkan pada Gambar berikut.
Hasil trajektori untuk posisi awal X = 20, Y = 18.4 dan "" = 60.
Kesimpulan
1. Fuzzy Tipe 1 tidak dapat memodelkan ketidakpastian (uncertainty)
2. Fuzzy Tipe 2 mengatasi masalah ketidakpastian fungsi keanggotaan pada
fuzzy tipe 1.
3. Perbedaan Fuzzy tipe 1 dan 2:
Representasi fungsi keanggotaan. Pada Fuzzy Type-2 Interval, digunakan
batas atas dan batas bawah.
Fuzzy Tipe 2 membutuhkan Type Reducer yang harus diubah ke bentuk
Fuzzy tipe 1 Sebelum dilakukan defuzzifikasi.
4. Kelebihan Fuzzy tipe 2 dalam memodelkan ketidakpastian membuka
peluang yang luas untuk diimplementasikan secara luas di berbagai bidang.