Apa itu Logika Fuzzy?

Logika fuzzy mungkin tidak terdengar seperti cara yang paling dapat diandalkan untuk menerapkan sistem kontrol yang kompleks. Namun, kemampuan sistem logika fuzzy untuk bekerja dengan data yang tidak tepat dan menerapkan pengalaman para ahli menjadikannya alat yang ampuh dalam aplikasi kontrol modern.

Ikhtisar Logika Fuzzy

Logika fuzzy, subdivisi AI (kecerdasan buatan) yang dikembangkan oleh Lofti Zada ​​pada tahun 1965, memungkinkan sistem komputer untuk meniru bagaimana manusia menafsirkan dan berinteraksi dengan data. Sementara logika Boolean terbatas pada dua hasil (Benar atau Salah, 0 atau 1), logika fuzzy berhubungan dengan derajat kebenaran.

Pertimbangkan, sebagai contoh, sistem visi mesin yang memungkinkan sistem robot otonom untuk menavigasi lantai gudang yang sibuk. Kami akan melihat pintu di sebelah kanan kami terbuka dengan cepat dan tahu bahwa sebuah rintangan mungkin akan muncul. Tetapi logika Boolean tidak berurusan dengan "mungkin" -- ia berurusan dengan "sebuah rintangan akan segera muncul" dan "sebuah rintangan tidak akan muncul".

Dengan logika fuzzy, input seperti kecepatan membuka pintu (yaitu, sangat lambat, lambat, rata-rata, cepat, sangat cepat), di mana pintu berada, dan waktu dapat diubah menjadi probabilitas bahwa hambatan akan muncul (misalnya, 0.8).

Dasar-dasar Logika Fuzzy

Dalam sistem logika fuzzy, ada tiga jenis nilai yang berbeda:

• Nilai masukan, yang berupa nilai numerik yang jelas (mis., T =120°C)
• Nilai fuzzy, yang mewakili probabilitas bahwa nilai tajam masuk ke dalam sekumpulan kategori yang diwakili secara linguistik (mis., Rendah =0,2, Normal =0,8, Tinggi =0,0)
• Nilai keluaran, yang di-defuzzified dan tajam (Prioritas =0,7)

Ada empat bagian sistem logika fuzzy:

1. Modul Fuzzifikasi
2. Basis pengetahuan
3. Mesin inferensi
4. Modul defuzzifikasi

Modul fuzzifikasi menerima input sistem dalam bentuk nilai numerik yang jelas (sebagai lawan dari fuzzy). Sinyal input nilai tajam dibagi menjadi satu set kategori yang biasanya diwakili oleh nilai-nilai linguistik (misalnya, dingin, hangat, panas).

Gambar 1. Plot tiga fungsi keanggotaan yang mewakili buruk, baik, dan sangat baik. Gambar yang digunakan atas izin Mathworks

Nilai fuzzy untuk setiap kategori adalah probabilitas bahwa nilai crisp jatuh ke dalamnya. Nilai fuzzy juga dapat dianggap sebagai "tingkat kebenaran":sebuah mobil yang melaju dengan kecepatan 95 mph bisa "berjalan cepat dengan tingkat kebenaran 0,75." Proses fuzzifikasi yang sebenarnya dilakukan dengan sekumpulan fungsi keanggotaan, dengan yang paling umum adalah segitiga, trapesium, Guassian, atau Sigmoid.

Basis pengetahuan berisi seperangkat aturan jika-maka berdasarkan penalaran manusia dan diinformasikan oleh seorang ahli di bidang subjek. Berikut adalah contoh tampilannya:

• JIKA Suhu Tinggi DAN Kecepatan Rendah MAKA Alert_Level =Sedang
• JIKA Suhu Tinggi DAN Kecepatan Sangat_Tinggi MAKA Alert_Level =Rendah
• JIKA Kecepatan Rendah DAN Suhu Tinggi ATAU Aksel TINGGI Maka Alert_Level =Tinggi

Mesin inferensi menggunakan aturan basis pengetahuan ke nilai fuzzy dengan cara yang mirip dengan bagaimana seorang ahli materi pelajaran manusia akan melakukannya. Hasilnya adalah nilai fuzzy lain dan dalam hal ini.

Akhirnya, modul defuzzifikasi mengubah output dari mesin inferensi menjadi nilai yang tajam, seperti kebalikan dari modul fuzzifikasi. Dalam contoh ini, tingkat peringatan mungkin mencapai 0,8, yang membantu teknisi memprioritaskan tugas pemeliharaan preventif.

Bagaimana Logika Fuzzy Digunakan

Logika fuzzy banyak digunakan, dan banyak orang mendapatkan manfaat dari kemampuannya tanpa menyadarinya. Pemrosesan bahasa alami, di mana perintah suara digunakan untuk berinteraksi dengan objek, adalah salah satu area di mana logika fuzzy diterapkan. Dalam pemrosesan bahasa alami, ada tingkat ketidakpastian tentang apa yang dikatakan seseorang. Namun, logika fuzzy dapat menangani data yang berisik atau tidak tepat untuk menafsirkan apa yang dikatakan dengan tingkat akurasi yang tinggi.

Gambar 2. Logika fuzzy dan jaringan saraf dapat mengidentifikasi berbagai wilayah dalam citra satelit termasuk fasilitas minyak lepas pantai.

Insinyur menggunakan logika fuzzy sebagai bagian dari sistem pendukung pengambilan keputusan mereka, dan dapat ditemukan terintegrasi ke dalam pemasaran dan periklanan. Selain itu, sistem logika fuzzy dapat dikombinasikan dengan jaringan saraf sebagai bagian dari sistem visi mesin untuk mengidentifikasi kemungkinan pembedaan antara lahan pertanian, daerah perkotaan, hutan, dan air dalam citra satelit.

Satu area di mana logika fuzzy telah menemukan aplikasi yang luas, bagaimanapun, adalah sistem kontrol.

Logika Fuzzy dan Sistem Kontrol

Dalam mobil, mungkin ada sistem logika fuzzy yang mengontrol sistem pengereman. Kendaraan otonom sangat bergantung pada fuzzy logic control (FLC) untuk sistem seperti kecepatan, kemudi, dan cruise control adaptif. Dan bahkan mobil non-otonom kemungkinan akan menggunakan FLC untuk sistem pengereman. Sistem pendingin udara juga sering bergantung pada logika fuzzy sebagai bagian dari termostat pintar untuk menjaga suhu ruangan dan kecepatan kipas pada tingkat yang nyaman sambil mengoptimalkan konsumsi energi.

Namun, itu hanya dua contoh penggunaannya. FLC dapat ditemukan di industri yang sangat beragam, termasuk otomasi industri, manufaktur biomedis, pemrosesan petrokimia, manufaktur otomotif, dan tenaga nuklir.

Pompa, motor, kipas, dan drivetrain dapat dikontrol menggunakan logika fuzzy, menerima data dari berbagai sensor sebagai input. Kontrol gerak yang sangat presisi dapat dicapai dengan memanfaatkan FLC, oleh karena itu digunakan dalam sistem permesinan kontrol numerik komputer (CNC). Kemampuannya untuk mengontrol suhu secara efektif dibuktikan dengan penggunaannya dalam kiln dan oven perlakuan panas yang bergantung pada siklus suhu yang sangat presisi. FLC juga dapat mengawasi interaksi sistem yang sangat kompleks, seperti yang terlihat pada swarm robotics.

Gambar 3. Teknologi di balik pengembangan sistem robotika swarm, seperti yang dikembangkan oleh Research Laboratory of Electronics MIT, memanfaatkan kekuatan sistem kontrol fuzzy. Gambar digunakan atas izin MIT

FLC juga sangat berharga dalam sistem yang bergantung pada visi mesin dan telah membuat banyak kemajuan dalam otomasi industri, IIoT, dan Industri 4.0 menjadi mungkin dan efektif.

Sistem kontrol tradisional bergantung pada data dan aturan yang sangat tepat yang mungkin tidak dapat mempertimbangkan pengalaman operator dan pakar. Di sisi lain, logika Fuzzy sangat ideal untuk aplikasi di mana datanya berisik, tidak tepat, atau sebagian hilang. Basis pengetahuannya dapat memanfaatkan wawasan dan pengalaman orang-orang yang sebenarnya untuk mensimulasikan proses pengambilan keputusan mereka.