Metode Fuzzy

Metode fuzzy, atau juga dikenal sebagai logika fuzzy, adalah pendekatan matematis yang digunakan untuk menangani ketidakpastian dan ambiguitas dalam pemrosesan informasi. Metode ini didasarkan pada teori himpunan fuzzy yang dikembangkan oleh Lotfi A. Zadeh pada tahun 1960-an.

Konsep dasar dalam metode fuzzy adalah himpunan fuzzy, yang berbeda dengan himpunan konvensional yang memiliki batas yang jelas. Himpunan fuzzy memperbolehkan derajat keanggotaan yang beragam dari elemen dalam himpunan tersebut. Misalnya, dalam himpunan fuzzy "tinggi", suatu objek dapat memiliki derajat keanggotaan 0,8 yang berarti objek tersebut tinggi secara relatif.Metode fuzzy memungkinkan penggunaan nilai yang tidak hanya terbatas pada 0 dan 1, seperti pada logika boolean konvensional. Metode ini menggunakan fungsi keanggotaan untuk menggambarkan derajat keanggotaan suatu objek dalam suatu himpunan fuzzy. Fungsi ini dapat berbentuk segitiga, trapesium, atau bentuk kurva lainnya yang sesuai dengan karakteristik masalah yang sedang dihadapi.

Dalam pemrosesan informasi menggunakan metode fuzzy, variabel input dan output dinyatakan dalam bentuk himpunan fuzzy. Aturan-aturan logika fuzzy digunakan untuk menghubungkan variabel-variabel input dengan variabel-variabel output. Dengan menggunakan operasi-operasi fuzzy seperti inferensi fuzzy, komposisi fuzzy, dan defuzzyfikasi, metode ini dapat menghasilkan output yang dapat digunakan untuk pengambilan keputusan.

Dan ada 3 metode yang berhubungan dengan metode Fuzzy : 

1. Metode Tsukamoto

Berikut adalah langkah-langkah umum dalam metode Tsukamoto:

1. Fuzzifikasi: Variabel input dikonversi menjadi himpunan fuzzy menggunakan fungsi keanggotaan yang sesuai. Fungsi ini mengubah data numerik menjadi nilai keanggotaan dalam himpunan fuzzy.

2. Pembentukan aturan fuzzy: Aturan fuzzy dibentuk berdasarkan pengetahuan ahli atau berdasarkan data yang tersedia. Aturan ini menghubungkan himpunan fuzzy pada variabel input dengan himpunan fuzzy pada variabel output.

3. Inferensi fuzzy: Nilai keanggotaan dalam aturan fuzzy dihitung menggunakan operasi inferensi fuzzy, seperti minimum atau produk t-norm.

4. Komposisi fuzzy: Himpunan fuzzy output dihasilkan dengan menggabungkan kontribusi himpunan fuzzy dari setiap aturan berdasarkan tingkat keanggotaannya.

5. Defuzzifikasi: Himpunan fuzzy output dikonversi menjadi nilai tindakan atau keputusan konkret menggunakan metode defuzzifikasi. Salah satu metode defuzzifikasi yang umum digunakan adalah metode centroid, di mana pusat massa himpunan fuzzy output dihitung dan dijadikan sebagai nilai tindakan.

2. Metode Mamdani

2. Pembentukan aturan fuzzy: Aturan fuzzy dibentuk berdasarkan pengetahuan ahli atau berdasarkan data yang tersedia. Aturan ini berisi pernyataan linguistik yang menghubungkan himpunan fuzzy pada variabel input dengan himpunan fuzzy pada variabel output. Misalnya, "Jika X adalah A maka Y adalah B," di mana A dan B adalah himpunan fuzzy dengan fungsi keanggotaan yang ditentukan.

3. Inferensi fuzzy: Nilai keanggotaan dalam aturan fuzzy dihitung menggunakan operasi inferensi fuzzy, seperti minimum atau produk t-norm. Inferensi fuzzy menghasilkan himpunan fuzzy yang mencerminkan tingkat keanggotaan setiap aturan.

4. Komposisi fuzzy: Himpunan fuzzy output dihasilkan dengan menggabungkan kontribusi himpunan fuzzy dari setiap aturan berdasarkan tingkat keanggotaannya. Biasanya, operasi maksimum atau penjumlahan s-norm digunakan dalam proses komposisi fuzzy.

5. Defuzzifikasi: Himpunan fuzzy output dikonversi menjadi nilai tindakan konkret menggunakan metode defuzzifikasi. Salah satu metode defuzzifikasi yang umum digunakan adalah metode centroid, di mana pusat massa himpunan fuzzy output dihitung dan dijadikan sebagai nilai tindakan.

3. Metode Sugeno

Metode Sugeno adalah salah satu pendekatan dalam logika fuzzy yang digunakan untuk pemodelan dan pengambilan keputusan berdasarkan data numerik. Metode ini dinamai berdasarkan nama ilmuwan Jepang, Profesor T. Sugeno, yang memperkenalkannya pada tahun 1985.

Dalam metode Sugeno, aturan fuzzy dibentuk berdasarkan pengetahuan ahli atau data yang tersedia, seperti dalam metode Mamdani. Namun, perbedaan utama terletak pada konsepsi variabel output. Daripada menggunakan himpunan fuzzy sebagai output, metode Sugeno menggunakan fungsi linier sebagai model output.

Berikut adalah langkah-langkah umum dalam metode Sugeno:

1. Fuzzifikasi: Variabel input dikonversi menjadi himpunan fuzzy menggunakan fungsi keanggotaan yang sesuai. Fungsi ini menggambarkan tingkat keanggotaan setiap nilai input dalam himpunan fuzzy.

2. Pembentukan aturan fuzzy: Aturan fuzzy dibentuk berdasarkan pengetahuan ahli atau berdasarkan data yang tersedia. Aturan ini berisi pernyataan linguistik yang menghubungkan himpunan fuzzy pada variabel input dengan variabel output.

3. Inferensi fuzzy: Nilai keanggotaan dalam aturan fuzzy dihitung menggunakan operasi inferensi fuzzy, seperti minimum atau produk t-norm. Inferensi fuzzy menghasilkan nilai keanggotaan untuk setiap aturan.

4. Defuzzifikasi: Nilai tindakan atau keputusan konkret dihasilkan dengan menggunakan fungsi linier. Fungsi linier ini menggabungkan kontribusi dari setiap aturan berdasarkan nilai keanggotaan mereka. Biasanya, model output dalam metode Sugeno berbentuk persamaan linier.

Metode Sugeno sering digunakan dalam aplikasi di mana diperlukan model output yang lebih konsisten dengan data numerik, seperti pengendalian sistem dan pengambilan keputusan. Pendekatan ini memberikan interpretasi yang lebih langsung dari hasil karena menggunakan fungsi linier sebagai output.

Kesimpulan 

Meskipun ada perbedaan dalam pendekatan dan implementasi, semua metode ini berbagi tujuan umum dalam mengatasi ketidakpastian dan ambiguitas dalam pengolahan informasi, serta dalam memberikan kerangka kerja untuk pemodelan dan pengambilan keputusan berdasarkan pengetahuan dan data yang ada.

Pilihan metode yang tepat tergantung pada sifat masalah yang sedang dihadapi, preferensi pengguna, dan ketersediaan data atau pengetahuan ahli. Dalam setiap kasus, penting untuk memahami karakteristik dan kecocokan masing-masing metode dalam konteks aplikasi yang diinginkan.