Pengertian Fuzzy Logic

NIM     : 10.410.10.0212

NAMA : AGUS CAHYONO

Kelompok 1 Antonio : ANALISIS PEMBERIAN KREDIT MOBIL DENGAN PENDEKATAN METODE FUZZY-MAMDANI (STUDI KASUS : PT ASTRA CREDIT COMPANIES CABANG DAIHATSU CIBUBUR)

1. Masalah yang dihadapi : Apakah metode Fuzzy dapat menganalisa secara tepat diterima atau ditolaknya suatu pengajuan kredit mobil ?
2. Tujuan Penelitian : Mengetahui cara kerja metode fuzzy-mamdani dalam menentukan diterima atau ditolaknya suatu pengajuan kredit mobil.
3. Manfaat Penelitian ini diharapkan dapat bermanfaat bagi perusahaan khususnya PT. ACC. Yaitu dalam meganalisa suatu permohonan kredit dapat mengandalkan salah satu alternatif lain yaitu pendekatan logika fuzzy.
4. Pengguna Aplikasi dan Sistem pakarnya adalah PT ASTRA CREDIT COMPANIES CABANG DAIHATSU CIBUBUR.
5. Teori Fuzzy Mamdani : Sistem Inferensi Fuzzy Metode Mamdani : Metode mamdani sering juga dikenal dengan nama metode min–max. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapat output diperlukan 4 tahapan, diantaranya : 

1. Pembentukan himpunan fuzzy

Pada metode mamdani baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy.

2. Aplikasi fungsi implikasi

Pada Metode Mamdani, fungsi implikasi yang digunakan adalah min.

3. Komposisi aturan

Metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu Metode max (maximum). Secara umum dapat dituliskan :

μsf[Xi] = max (μsf [Xi], μkf [Xi])

Dengan :

μsf[Xi] = nilai keanggotaan solusi fuzzy sampai aturan ke i

μkf [Xi]) = nilai keanggotaan konsekuan fuzzy aturan ke i

4. Penegasan (defuzzy)

Defuzzyfikasi pada komposisi aturan mamdani dengan menggunakan metode centroid. Dimana pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat daerah fuzzy. Secara umum dirumuskan (Bo Yuan, 1999) :

Kesimpulan : Berdasarkan hasil penelitian diperoleh menunjukan bahwa Pendekatan Metode Fuzzy mamdani dapat menganalisa secara tepat diterima atau ditolaknya suatu pengajuan kredit mobil. dan dari hasil penelitian ini terdapat beberapa perbedaan keputusan antara keputusan yang dibuat perusahaan dan keputusan dengan menggunakan metode fuzzy dan perusahaan dapat menghindari kredit yang riskan akan terlunasi seperti Krisna Pramono, Erwin Ruhiyat, dan Ferry E yang dianggap layak oleh perusahaan tetapi tidak layak apabila menggunakan Fuzzy mamdani sehingga dapat mengurangi resiko kerugian. dan berdasarkan fuzzy mamdani, pengajuan kredit atas nama Nurikmah dan uki Irwansyah yang ditolak oleh perusahaan adalah layak untuk diterima, sehingga dapat menambah pemasukan perusahaan dan menambah keuntungan perusahaan.

Kelompok 2 : APLIKASI FUZZI ADAPTIF PADA PENGATURAN INDUKSI III FASA BERBEBAN DENGAN MENGGUNAKAN PC

1. Masalah yang dihadapi : Bagaimana menerapkan pengendali FAIMC pada sistem pengendalian kecepatan motor induksi untuk mendapatkan performansi yang baik?
2. Tujuan Penelitian : menganalisa dinamika proses pada motor induksi terutama variable kecepatan dan parameter yang mempengaruhinya, kemudian meranvang sistem pengendalian kecepatan pada motor induksi dengan metode FAIMC untuk meningkatkan performansi yang lebih baik.
3. Manfaat Penelitian : Diharapkan dapat bermanfaat bagi pemilik motor industry dalam menerapkan pengendali FAIMC pada sistem pengendalian kecepatan pada motor induksi untuk mendapatkan performansi terbaik.
4. Pengguna Aplikasi dan Sistem pakarnya adalah Pemilik Motor industri dan M.Kholil S.T
5. Teori Fuzzy Dynamic Model :

Fuzzy Dynamic Model berfungsi sebagai internal model control pada desain FAIMC. Secara umum algoritmanya sebagai berikut :

1.      Menghitung fuzzifikasi masing-masing masukan

2.      Menghitung proses penalaran

3.      Menghitung defuzzyfikasi, sehingga menghasilkan sinyal keluaran

Kesimpulan : controller FAIMC memberikan hasil performansi yang optimal pada kecepatan maksimal 1800 rpm dan dari perbandingan hasil perancangan dengan berbagai metode, controller FAIMC bisa memberikan hasil performansi terbaik dibandingkan dengan controller fuzzy murni maupun dengan metode Jaringan Syaraf Tiruan.

Kelompok 3 : IMPLEMENTASI METODE FUZZY LOGIC UNTUK PENGATURAN

KELEMBABAN TANAH PADA TANAMAN CABAI

1. Masalah yang dihadapi : Bagaimana mengetahui tingkat kelembaban dari tanah normal sesuai kebutuhan tanaman menggunakan metode fuzzy logic?
2. Tujuan Penelitian : Untuk mengetahui tingkat kelembaban dari tanah untuk kemudian akan dilakukan suatu pengaturan sehingga didapatkan tingkat kelembapan normal sesuai kebutuhan tanaman dengan implementasi menggunakan metode fuzzy logic.
3. Manfaat Penelitian : Diharapkan dapat bermanfaat bagi petani cabai yang dapat membantu menjaga kelembapan tanah.
4. Pengguna Aplikasi dan Sistem pakarnya adalah Petani Cabai/Penanam Cabai dan Si Teguh Wahyujati.
5. Teori Fuzzy Dynamic Model :

Fuzzy Logic merupakan salah satu metode sistem kendali yang dapat memberikan keputusan yang menyerupai keputusan manusia. Pada proses perancangan plant ini, digunakan sistem pengembangan kendali fuzzy logic dengan menggunakan sistem mikrokontroler AT Mega 16.

Kesimpulan : Sensor yang baik untuk proyek akhir ini adalah tembaga dengan nilai konduktivias 5,7 x 107 σ,S/m, dengan luas elektrode 12cm x 4cm x 2mm jarak antara elektrode 25cm, sinyal input berupa dc 5 volt, dengan panjang elektrode sampai diatas permukaan tanah. 2. Kelembaban tanah mepunyai pengaruh terhadap nilai resistansi tanah dan mempunyai perbandingan terbalik.

Kelompok 4 : APLIKASI PENDUKUNG KEPUTUSAN DENGAN MENGGUNAKAN LOGIKA FUZZY (STUDI KASUS : PENENTUAN SPESIFIKASI KOMPUTER UNTUK SUATU PAKET KOMPUTER LENGKAP).

1. Masalah yang dihadapi : Bagaimana menentukan spesifikasi computer untuk suatu paket komputer lengkap menggunakan metode fuzzy logic?
2. Tujuan Penelitian : Membuat aplikasi pendukung keputusan pemilihan spesifikasi komputer berdasarkan kebutuhan konsumen dengan menggunakan logika fuzzy.
3. Manfaat Penelitian : Diharapkan dapat bermanfaat bagi petani cabai yang dapat membantu dalam memberikan pilihan data spesifikasi komputer untuk suatu paket komputer lengkap bagi para konsumen berdasarkan kriteria-kriteria yang dibutuhkan oleh konsumen..
4. Pengguna Aplikasi dan Sistem pakarnya adalah Pembeli di seluruh Toko Komputer dan Sri Yulianto J.P., Indrastanti R.W., Martha Oktriani.
5. Teori Fuzzy Logic: FDSS (Fuzzy Decision Support System) atau SPKF (Sistem Pendukung Keputusan dengan logika Fuzzy) merupakan sistem pembuat keputusan manusia-komputer untuk mendukung keputusan manajerial, dan intuisi untuk memecahkan masalah manajerial dengan memberikan informasi yang diperlukan, menghasilkan, mengevaluasi dan memberikan putusan alternative. Teori himpunan fuzzy diperkenalkan pertama kali oleh Lotfi A. Zadeh pada tahun 1965. Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain yaitu konsep logika fuzzy mudah dimengerti, logika fuzzy sangat fleksibel, logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat, logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks, logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan, logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional, dan logika fuzzy juga didasarkan pada bahasa alami.

Himpunan Fuzzy adalah himpunan yang tiap elemennya mempunyai derajat keanggotaan tertentu terhadap himpunannya. Himpunan Fuzzy memiliki dua atribut, yaitu linguistik dan numeris. Atribut linguistik yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami. Sedangkan atribut numeris yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variable. himpunan fuzzy yang digunakan adalah himpunan kecepatan lambat, sedang dan cepat untuk variabel kecepatan prosesor, himpunan kapasitas kecil, sedang dan besar untuk variabel kapasitas memory, harddisk dan power supply, himpunan ukuran kecil, sedang dan besar untuk variabel ukuran VGA dan monitor, serta himpunan harga murah, normal dan mahal untuk variabel harga.Dalam kasus yang dibahas, fungsi keanggotaan yang dipakai adalah Representasi Kurva Segitiga dan Representasi Kurva Bahu. Representasi Kurva Segitiga pada dasarnya merupakan gabungan antara dua garis.

Sedangkan representasi kurva bahu merupakan daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan sisi kirinya akan naik dan turun. Himpunan fuzzy bahu digunakan untuk mengakhiri variabel suatu daerah fuzzy.

Kesimpulan : Beberapa kesimpulan dapat diambil dari perancangan sistem pendukung keputusan dengan menggunakan logika fuzzy model Tahani ini. Untuk mengetahui tingkat keberhasilan pengambilan keputusan dengan menggunakan logika fuzzy, maka harus dibutuhkan batasan himpunan pada tiap-tiap himpunan fuzzy yang berfungsi sebagai parameter. Batasan himpunan yang dimaksud ialah seperti batasan murah, normal ataupun mahal pada variabel harga, serta batasan min, middle dan max pada variabel kapasitas/ukuran/kecepatan masing-masing spesifikasi komputer. Tingkat keberhasilan pengambilan keputusan dengan menggunakan logika fuzzy juga dipengaruhi oleh jumlah kriteria yang dipilih oleh pemakai yang berfungsi sebagai variabel fuzzy. Dari pengujian terhadap 10 orang sampel pemakai, didapatkan tingkat akurasi sistem sebesar 68 %. Sedangkan hasil dari pencarian yang tidak sesuai dengan parameter harga atau besaran dari spesifikasi komputer yang diinginkan pemakai, dapat dipengaruhi dari data-data spesifikasi computer yang tidak akurat atau kemajuan fitur-fitur dan fasilitas-fasilitas yang baru.

Kelompok 5 : PENERAPAN LOGIKA FUZZY PADA PENILAIAN MUTU TEH HITAM ORTHODOX

1. Masalah yang dihadapi : Bagaimana menentukan mutu teh hitam tanpa menggunakan tester dan ketidakpastian batas antara satu kriteria dengan kriteria lainnya?
2. Tujuan Penelitian : Membuat model penilaian mutu teh dengan menggunakan program komputer berbasis logika fuzzy.
3. Manfaat Penelitian : Diharapkan dapat bermanfaat dalam menentukan mutu teh hitam yang baik.
4. Pengguna Aplikasi dan Sistem pakarnya adalah Konsumen Teh Hitam dan Dra. ThongTjie
5. Menentukan himpunan fuzzy

Dimana himpunan [A,B,C,D,E] memiliki nilai definisi untuk kemudahan proses hitung pada aturan fuzzy sebagai berikut : Kelas mutu A = 5; kelas mutu B = 4; kelas mutu C = 3; kelas mutu D = 2 dan kelas mutu E=1.

Variabel Kriteria

Membuat aturan fuzzy

Aturan kriteria appeareance :

Penentuan Batas Atas (BA) dan Batas Bawah (BB) pada variabel mutu ini didasarkan pada penilaian mutu teh hitam orthodox, yaitu pada standar keberterimaan teh PTPN VIII yang telah di-tuning.

Jumlah aturan appeareance, yaitu sebanyak 5 x 5 x 5 x 5 = 625 aturan. Contoh bentuk aturan, yaitu :

IF Warna 5 AND Kerataan 5 AND Kebersihan 5 AND Ukuran & Bentuk 5 THEN Mutu 5

IF Warna 5 AND Kerataan 5 AND Kebersihan 5 AND Ukuran & Bentuk 4 THEN Mutu 5

IF Warna 5 AND Kerataan 5 AND Kebersihan 5 AND Ukuran & Bentuk 3 THEN Mutu 5

IF Warna 5 AND Kerataan 5 AND Kebersihan 5 AND Ukuran & Bentuk 2 THEN Mutu 4

Kesimpulan : Hasil perhitungan dengan menggunakan perangkat lunak Mathlab dapat diketahui adanya perbedaan antara hasil penilaian tester teh hasil perhitungan dengan menggunakan metode fuzzy. Dari 128 sampel terdapat 16 penilaian yang berbeda (hasil akhir yang berbeda sebanyak 12,50 %). Rata – rata perbedaan nilai dari penilaian tester dan perhitungan dengan menggunakan metode fuzzy adalah 23,22.

Source :

Hellmann, M, 2001, Fuzzy Logic Introduction, Laboratoire Antennes Radar Telecom, F.R.E CNRS 2272, Equipe Radar Polarimetrie.

Nadlir, Syariful dan Oon Amroni, 2003, Teknologi Sistem Fuzzy, Jurnal Komputer dan Informatika 4(2), FTI, Universitas Tarumanagara

Kusumadewi, Sri dan Hari Purnomo, 2004, Aplikasi Logika Fuzzy Untuk Pendukung Keputusan, Yogyakarta: Graha Ilmu.

Kusumadewi, Sri. 2002. Analisis & Desain Sistem Fuzzy (Menggunakan TOOLBOX MATLAB). Jogjakarta : Graha Ilmu

Kusumadewi, Sri. 2003. Artificial Intelegence (Teknik dan aplikasinya). Jogjakarta : Graha Ilmu

Kusumadewi, Sri. 2002. Analisis & Desain Sistem Fuzzy (Menggunakan TOOLBOX MATLAB). Jogjakarta : Graha Ilmu

Kusumadewi dan Hari purnomo. 2010.Aplikasi Logika Fuzzy untuk pendukung Keputusan. Jogjakarta : Graha Ilmu

Naba, Agus. 2009. Belajar cepat Fuzzy Logic Menggunakan MATLAB. Jakarta : Andi

Sofwan, 2005. Penerapan Fuzzy Logic Pada Sistem Pengaturan Jumlah Air Berdasarkan Suhu dan Kelembaban. Jakarta.

Khamim, 2007. Optimalisasi Daya Listrik Pada Rumah Kaca Pertanian Hidroponik Dengan Menggunakan Kontrol Fuzzy.Surabaya.

Arif Ridwan, 2009. Rancang Bangun Sistem Pengaturan Tekanan Pompa Air Menggunakan Sistem Kontrol Logika Fuzzy. Surabaya.

Wasp mote. agriculture-sensor-board

www.sensorelement.com

Wardani Nila, Hadi Jamhari. 2008 . Budidaya Cabai Merah. Balai Pengkajian Teknologi Pertanian Lampung.