Logika Kabur Dijelaskan: Bagaimana AI Menangani Ketidakpastian
Logika kabur mungkin tidak terdengar sebagai cara yang paling andal untuk mengimplementasikan sistem kontrol yang kompleks. Namun, kemampuan sistem logika kabur untuk bekerja dengan data yang tidak tepat dan mengimplementasikan pengalaman ahli menjadikannya alat yang kuat dalam aplikasi kontrol modern.
Tinjauan Umum Logika Kabur
Logika kabur, sebuah cabang AI (kecerdasan buatan) yang dikembangkan oleh Lofti Zada pada 1965, memungkinkan sistem komputer untuk meniru cara manusia menafsirkan dan berinteraksi dengan data. Sementara logika Boolean terbatas pada dua hasil (Benar atau Salah, 0 atau 1), logika kabur berurusan dengan derajat kebenaran.
Pertimbangkan, sebagai contoh, sistem visi mesin yang memungkinkan sistem robotik otonom untuk menavigasi lantai gudang yang ramai. Kita akan melihat pintu di kanan kita terbuka dengan cepat dan tahu bahwa rintangan mungkin akan muncul. Namun logika Boolean tidak berurusan dengan "mungkin" -- ia berurusan dengan "rintangan akan muncul" dan "rintangan tidak akan muncul."
Dengan logika kabur, input seperti kecepatan pintu terbuka (misalnya, sangat lambat, lambat, rata-rata, cepat, sangat cepat), lokasi pintu, dan waktu hari dapat ditransformasikan menjadi probabilitas bahwa rintangan akan muncul (misalnya, 0,8).
Dasar-Dasar Logika Kabur
Dalam sistem logika kabur, ada tiga jenis nilai yang berbeda:
- Nilai input, yang dalam bentuk nilai numerik crisp (misalnya, T = 120°C)
- Nilai kabur, yang mewakili probabilitas bahwa nilai crisp jatuh ke dalam kategori yang diwakili secara linguistik (misalnya, Rendah = 0,2, Normal = 0,8, Tinggi = 0,0)
- Nilai output, yang didefuzzify dan crisp (Prioritas = 0,7)
Ada empat bagian dalam sistem logika kabur:
- Modul fuzzifikasi
- Basis pengetahuan
- Mesin inferensi
- Modul defuzzifikasi
Modul fuzzifikasi menerima input sistem dalam bentuk nilai numerik crisp (bukan kabur). Sinyal input nilai crisp dibagi menjadi sekelompok kategori yang biasanya diwakili oleh nilai linguistik (misalnya, dingin, hangat, panas).

Figure 1. Plot tiga fungsi keanggotaan yang mewakili buruk, baik, dan luar biasa. Image used courtesy of Mathworks
Nilai kabur untuk setiap kategori adalah probabilitas bahwa nilai crisp jatuh ke dalamnya. Nilai kabur juga dapat dipikirkan sebagai "derajat kebenaran": mobil yang berjalan dengan kecepatan 95 mph dapat "berjalan cepat dengan derajat kebenaran 0,75." Proses fuzzifikasi sebenarnya dilakukan oleh sekelompok fungsi keanggotaan, yang paling umum adalah segitiga, trapesium, Gaussian, atau Sigmoid.
Basis pengetahuan berisi sekelompok aturan if-then yang didasarkan pada penalaran manusia dan dikabari oleh ahli di bidang subjek tersebut. Berikut adalah contoh dari apa yang bisa terlihat:
- IF Temp is High AND Speed is Low THEN Alert_Level = Moderate
- IF Temp is High AND Speed is Very_High THEN Alert_Level = Low
- IF Speed is Low AND Temp is High OR Accel is HIGH Then Alert_Level = High
Mesin inferensi menggunakan aturan dari basis pengetahuan pada nilai kabur dengan cara yang mirip dengan bagaimana ahli subjek manusia akan melakukannya. Hasilnya adalah nilai kabur lainnya dan dalam kasus ini.
Akhirnya, modul defuzzifikasi mengubah output dari mesin inferensi menjadi nilai crisp, banyak seperti kebalikan dari modul fuzzifikasi. Dalam contoh ini, tingkat peringatan mungkin keluar menjadi 0,8, yang membantu teknisi memprioritaskan tugas pemeliharaan mencegah.
Bagaimana Logika Kabur Digunakan
Logika kabur digunakan secara luas, dan banyak orang mendapat manfaat dari kemampuannya tanpa menyadarinya. Pemrosesan bahasa alami, di mana perintah suara digunakan untuk berinteraksi dengan objek, adalah salah satu area di mana logika kabur diterapkan. Dalam pemrosesan bahasa alami, ada tingkat ketidakpastian tentang apa yang dikatakan seseorang. Masih, logika kabur dapat menangani data yang bising atau tidak tepat untuk menafsirkan apa yang dikatakan dengan tingkat akurasi yang tinggi.

Figure 2. Logika kabur dan jaringan syaraf dapat mengidentifikasi berbagai wilayah dalam citra satelit termasuk fasilitas minyak laut.
Insinyur menggunakan logika kabur sebagai bagian dari sistem dukungan keputusan mereka, dan dapat ditemukan terintegrasi dalam pemasaran dan iklan. Selain itu, sistem logika kabur dapat digabungkan dengan jaringan syaraf sebagai bagian dari sistem visi mesin untuk mengidentifikasi mungkin membedakan antara pertanian, perkotaan, hutan, dan air dalam citra satelit.
Salah satu area di mana logika kabur telah menemukan aplikasi yang luas, namun, adalah sistem kontrol.
Logika Kabur dan Sistem Kontrol
Dalam mobil, mungkin ada sistem logika kabur yang mengontrol sistem rem. Kendaraan otonom sangat bergantung pada kontrol logika kabur (FLC) untuk sistem seperti kecepatan, pengemudi, dan kontrol cruise adaptif. Dan bahkan mobil non-otonom kemungkinan akan menggunakan FLC untuk sistem rem. Sistem pendingin ruangan juga sering bergantung pada logika kabur sebagai bagian dari termostat cerdas untuk menjaga suhu ruangan dan kecepatan kipas pada tingkat 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 rangka gerak dapat dikontrol menggunakan logika kabur, menerima data dari sekelompok sensor sebagai input. Gerakan presisi yang sangat akurat dapat dicapai menggunakan FLC, sehingga penggunaannya dalam sistem pengolahan CNC (computer numeric control). Kemampuannya untuk secara efektif mengontrol suhu terbukti dengan penggunaannya dalam tungku dan oven perawatan panas yang bergantung pada siklus suhu yang sangat presisi. FLC juga dapat memantau interaksi sistem yang sangat kompleks, seperti yang terlihat dalam robotika swarm.

Figure 3. Teknologi di balik pengembangan sistem robotika swarm, seperti yang dikembangkan oleh Laboratorium Penelitian Elektronik MIT, memanfaatkan kekuatan sistem kontrol kabur. Image used courtesy of 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 presisi yang mungkin tidak dapat mempertimbangkan pengalaman operator dan ahli. Di sisi lain, logika kabur ideal untuk aplikasi di mana data bising, tidak tepat, atau sebagian hilang. Basis pengetahuannya dapat memanfaatkan wawasan dan pengalaman orang nyata untuk mensimulasikan proses pengambilan keputusan mereka.