Sistim Kendali Umpan Balik Dengan Logika Fuzzy

Logika fuzzy merupakan konsep yang relatif baru di dalam teori kendali. Pada dasarnya  konsep inin hanya merupakan penerimaan kembali terhadap prinsip-prinsip yang telah ada dari awal kehidupan manusia.,besaran-besaran dalam kehidupan manusia biasanya tidak berupa “seluruhnya atau tidak sama sekali” atau “hitam atau putih” tetapi merupakan besaran-besaran yang berada diantara hal-hal yang ekstrim. 

Sebagai contoh, jika kita memakan satu buah apel sedikit demi sedikit, pada keadaan mana buah apel tersebut dapat dikatakan bukan buah apel lagi? Setelah matahari terbenam, kapan tepatnya kita harus menyalakan lampu depan mobil kita?

Sistim kendali tradisional (PID) dapat menangani perubahan-perubahan masukan, namun penanganannya dilakukan dengan cara yang sangat bersifat satu dimensi, dalam hal ini hanya dengan menggunakan persamaan atau model matematis. Sebagai contoh, suatu pengendali proporsional dapat menanggapi suatu nilai dengan rentang antara 0 hingga 100%, namun cara penanganannya akan tetap sama, yakni melakukan perkalian dengan KP. Sebaliknya, pengendali-pengendali logika fuzzy dimodelkan mengikuti cara-cara berpikir alamiah dari manusia untuk memperoleh pemecahan suatu masalah:

• Kita menggunakan metode pemecahan masalah (aturan-aturan) yang berbeda-beda, tergantung kepada besarnya pemicu yang kita terima. Dengan kata lain, kita mungkin akan memiliki dua atau tiga jenis reaksi yang berbeda untuk suatu masalah umum yang sama, namun, reaksi tertentu yang kita pilih akan tergantung kepada pemicu atau alas an utama pada saat itu.
• Kita sering menggunakan lebih dari satu aturan pada waktu yang sama untuk suatu masalah tunggal, sehingga arah penyelesaian merupakan suatu kombinasi dari aturan-aturan tersebut, masing-masing diberikan bobot yang berbeda-beda sesuai dengan alas an yang ada.
• Kita menerima sekian banyak ketidak-tepatan yang mengarahkan kita untuk menemukan solusi yang dapat digunakan terhadap masalah-masalah yang tidak dapat didefenisikan dengan pasti dan dengan waktu berfikir yang lebih sedikit dari pada waktu yang diperlukan untuk memperoleh pemecahan yang tepat.

Point yang pertama:

memakai metodologi pemecahan masalah yang berbeda untuk masalah yang sama, dengan kata lain seseorang memiliki pola pandang yang berbeda-beda untuk masalah umum yang sama.

Sebagai contoh, kita dapat memiliki aksi yang berbeda bila menghadapi suhu udara dingin, yang bisa kita rasakan sebagai suhu yang menyegarkan atau yang terlalu dingin untuk berlama-lama disana tanpa baju hangat. Untuk kondisi udara dingin yang menyegarkan kita mungkin akan membuka semua jendela dan menarik nafas dalam-dalam untuk menikmati kesegaran udara. Sedangkan yang kedua, kita mungkin akan mengenakan baju hangat untuk mengatasi rasa dingin akibat udara sekitar kita.

Point yang kedua:

lebih sering memakai lebih dari satu aturan untuk masalah yang sama pada saat yang bersamaan. Arah pemilihan penyelesaian yang kita pilih pada akhirnya merupakan gabungan atau kombinasi dari aturan-aturan tersebut, dan diberikan bobot yang berbeda-beda sesuai dengan alasan atau motivasi yang kita miliki. Sebagai contoh, pada saat suhu turun menjadi 65° F, kita mungkin akan merasakannya sebagai sesuatu yang terlalu dingin atau kita dapat merasakannya sebagai sesuatu yang menyegarkan, dalam hal ini kita akan mencari baju hangat jika kita merasa terlalu dingin.

Point yang ketiga: 

Menerima sekian banyak ketidak-tepatan yang merupakan hal yang sangat penting yang membantu kita untuk mencapai suatu pemecahan masalah. 

Tinjau masalah memarkirkan mobil. 

Kebanyakan orang dapat memarkirkan mobilnya dalam waktu 1 – 2 menit dan melakukannya dengan baik – mobil akan berada pada tempatnya. Namun, masalahnya akan berbeda jika kita diminta untuk memarkir mobil dengan persyaratan seperti 12 in dari batas aspal jalan. Tidak akan ada orang yang mampu untuk melaksanakan hal ini, jika tidak dibantu dengan memasang sensor jarak yang sesuai pada mobil yang akan diparkir tersebut. Tanpa alat Bantu, mungkin diperlukan waktu berbulan-bulan untuk dapat memarkir mobil dengan jarak yang tepat seperti yang ditentukan.

Sistim kendali (umumnya mekanisme servo) secara tradisional didasarkan kepada model matematika yang presisi (dan rumit). Walaupun demikian, dalam kenyataannya, sistim yang aktual tidak pernah merupakan representasi yang tepat dari modelnya (sistim-sistim yang nyata dipengaruhi oleh masalah-masalah non-linier yang tidak sepenuhnya dipahami) sehingga waktu yang dipakai oleh pengendali untuk mendapatkan solusi yang pasti hingga suatu model hipotesa yang tidak akurat merupakan waktu yang tidak digunakan dengan baik dan yang juga tidak selamanya memberikan jawaban yang terbaik.

Suatu pengendali logika fuzzy meniru pengetahuan dan cara berpiikir dari seorang operator dalam mengendalikan sesuatu. Dalam hal ini, dengan menggunakan aturan-aturan kendali yang sesuai untuk situasi tertentu, yang saling tumpang tindih atau bahkan saling berlawanan satu dengan yang lainnya.

Keputusan akhir aksi yang harus diambil dikenal sebgai proses penilaian yang merupakan kombinasi dari keseluruhan factor yang relevan. Pengendali mengambil keputusan pengendalian dalam sistim kendali umpan balik tradisional berdasarkan model matematika dari suatu proses atau untuk kasus pengendali PID, digunakan suatu kumpulan hubungan-hubungan matematik yang tetap. Dari sistim kendali logika fuzzy, dalam proses kerjanya, pengendali logika fuzzy menggunakan suatu kumpulan aturan-aturan yang ditetapkan dengan bantuan operator berpengalaman atau seorang ahli teknik dari sistim. Blok yang diberi nama “Quantisizer” mengambil data dari sensor dan mengubahnya menjadi dalam bentuk yang dapat digunakan oleh pengendali logika fuzzy.

Contoh:

Data dari sensor suhu dapat diubah dari besaran derajat menjadi predikat fuzzy seperti hangat, menyegarkan, dingin dan sangat dingin. Keluaran dari pengendali logika fuzzy merupakan suatu kumpulan atau suatu rentang respons. Walaupin demikian, karena aktuator memerlukan besaran sinyal yang spesifik, seperti tegangan listrik pada motor listrik, maka hal ini dilakukan oleh bagian “Defuzzifier”. Blok ini akan memproses respons multilevel menjadi sinyal kendali yang spesifik (crisp) untuk aktuator.

Logika fuzzy pertama kali dikemukakan oleh L. A. Zadeh yang bekerja di Berkeley AS pada tahun 1965. Namun demikian, industri di Jepang yang mengembangkan ide ini hingga menjadi aplikasi kendali logika fuzzy yang berguna dalam kehidupan sehari-hari. Salah satu aplikasi utama kendali logika fuzzy digunakan untuk sistim kendali kereta api di kota Sendai, Jepang. Hasil kendali yang ditunjukkan oleh kendali fuzzy ternyata lebih baik dari kerja pengendali-pengendali tradisional. Sebagai contoh, gerbong kereta dengan pintu dapat berhenti dengan ketelitian tinggi pada pelataran stasiun, selain itu pada awal kereta bergerak penumpang hampir tidak merasakan lonjakan akibat penigkatan kecepatan yang dilakukan oleh kereta.

Contoh aplikasi lain adalah sistim transmisi gigi otomatis pada mobil-mobil Nissan, Honda, dan lain-lain. Penggunaan sistim ini pada mobil Nissan diklaim dapat mengurangi konsumsi bahan bakar sebesar 12-17%. Sistim transmisi konvensional dirancang berdasarkan kepada kecepatan tertentu dan kondisi mesin, yang menyebabkan sering terjadi proses pemindahan gigi. Pengemudi biasanya tidak terlalu sering melakukan perubahan gigi fan juga pemindahan gigi yang dilakukan tidak selalu pada kecepatan yang sama, terutama pada saat di tanjakan. Pengendali logika fuzzy yang digunakan pada mesin cuci mengatur banyaknya air, banyaknya sabun, waktu siklus berdasarkan seberapa kotor dan seberapa banyak pakaian yang dicuci.

Contoh Sistim Dengan Satu Input

Untuk memahami bagaimana pengendali logika fuzzy bekerja, tinjau suatu sistim kendali sederhana yang digunakan untuk mengatur suhu ruangan. Sistim ini terdiri dari ruangan, pemanas gas, sensor suhu dan pengendali logika fuzzy (Gambar 1.38). Pemanasan dengan pemanas gas diatur dengan memutar tombol dari posisi off ke on sepenuhnya, dimana tombol memiliki 10 skala dari posisi off hingga on penuh. Pengendali fuzzy akan mengambil contoh besarnya suhu yang diukur oleh sensor, dan selanjutnya berdasarkan sekumpulan aturan, pengendali akan melakukan pengaturan tombol gas. Dalam hal ini pengendali bertugas untuk mempertahankan suhu ruangan pada 70° F.

Untuk ringkasnya, didefenisikan hanya tiga kondisi suhu: hangat, sedang dan dingin. Setiap kondisi, yang terlihat dalam bentuk segitiga dan disebut sebagai fungsi keanggotaan karena mewakili suatu rentang suhu yang masuk kedalam kategori yang sama. Sebagai contoh, kita dapat saja mengatakan bahwa (untuk ukuran manusia) suhu sedang (medium) berkisar antara 60 – 80° F, dalam rentang ini kita akan memilih suhu 70° F sebagai yang paling mendekati (nilai tengah rentang suhu sedang). Sedangkan suhu dibawah 66° dapat didefeniskan sebagai kategori dingin (cool). Terminologi medium dan cool disebut sebagai himpunan fuzzy karena batasan-batasan ini mengandung nilai-nilai dalam rentang tertentu. Perhatikan bahwa himpunan-himpunan fuzzy ini saling tumpang tindih (overlap) (contoh antara 60° dan 66°). Secara sederhana hal ini berarti bahwa suatu besaran suhu tertentu dapat merupakan anggota dari beberapa himpunan fuzzy. Contoh, dalam waktu yang sama  dapat dikatakan bahwa suhu 64° “agak dingin” dan “termasuk medium juga”.

Pengendali logika fuzzy digunakan untuk mengatur suhu ruangan

Pengendali fuzzy beroperasi berdasarkan sekumpulan aturan-aturan if-then (jika-maka), yang dinyatakan dalam bahasa sehari-hari manusia. Dalam contoh ini, kita dapat memiliki tiga aturan sebagai berikut:

Aturan 1: Jika suhu dingin, maka perbesar aliran gas.

Aturan 2: Jika suhu sedang, maka aliran gas tetap (OK)

Aturan 3: Jika suhu hangat, maka perkecil aliran gas.

Selanjutnya perlu didefenisikan nilai untuk “perbesar aliran gas” dan perkecil aliran gas”. menunjukkan hal ini dalam grafik himpunan fuzzy. Disini kita dapat melihat bahwa segitiga untuk “perkecil aliran gas” berhubungan dengan pemutaran tombol gas ke kiri kearah posisi off (dari skala 1-5). Definisi untuk “aliran gas tetap (OK) berhubungan dengan mempertahankan kedudukan tombol gas atau paling banyak memutarnya satu skala dalam arah kiri ataupun kanan. Begitu juga dengan definisi “perbesar aliran gas” berhunbungan dengan pemutaran tombol gas ke kanan kearah on (dari skala 5-10). Dengan kedua grafik ini dan sekumpulan aturan-aturan maka pengendali fuzzy dapat dioperasikan. Sebagai contoh, jika suhu yang terukur pada sensor adalah 64°, maka blok quantisizer akan menentukan bahwa 64° adalah 20% dingin dan 40%medium.

Hal ini berarti bahwa Aturan 1 memenuhi pada bobot 20%, Aturan 2 memenuhi pada bobot 40%, dan Aturan 3 tidak memenuhi (bobot 0%). Selanjutnya dibuat gambar grafik dengan saran-besaran yang diatur sesuai keterpenuhan (bobot) aturan-aturan. Walaupun demikian, tombol gas perlu dijalankan dengan perintah yang spesifik, sehingga perlu dilakukan proses defuzzifikasi terhadap himpunan keluaran, dalam hal ini, tujuannya untuk mencari suatu nilai rata-rata. Dalam kasus ini, diperoleh suatu hasil pada sumbu horizontal dimana luas daerah dibawah kurva adalah sama pada kedua sisi titik tersebut. Titik ini adalah titik pada posisi 1.86, yang berarti bahwa tombol gas harus diputar ke skala 1.86. Hal ini masuk akal karena pada suhu 64° F, agak terasa dingin sehingga diperlukan untuk menambah sedikit aliran gas ke pemanas.

Sumber : 

http://paparisa.unpatti.ac.id

http://kuliah-ai-ubibwi.blogspot.com/by: Ahmad Syifa Nailul W

Read More

PERBEDAAN KECERDASAN BUATAN DAN KECERDASAN ALAMI

Kemampuan untuk membuat mesin yang cerdas telah dilakukan sejak jaman dahulu, kini dengan kecanggihan computer dan dalam kurun waktu 50 tahun, penelitian telah memasuki teknik-teknik pemrograman kecerdasan buatan (Artificial Intelligence), sehingga impian tentang mesin yang pintar sekarang telah menjadi kenyataan. Para peneliti membuat suatu sistem yang dapat meniru manusia, berbicara, mengalahkan pemain terbaik, dan hal lain yang tidak dapat dibayangkan sebelumnya. Kecerdasan buatan juga merupakan kombinasi ilmu komputer, fisiologi dan filosofi.

Kecerdasan buatan memiliki kelebihan-kelebihan, yaitu memiliki logika dan dapat menyelesaikan masalah, dapat berpikir, dan berlogika seperti pikiran manusia ada juga yang tidak seperti manusia. Diantara kelebihan-kelebihan tersebut juga terdapat berbagai kelemahan, yaitu memiliki logika dan dapat menyelesaikan masalah hanya pada daerah tertentu saja, bahasa yang digunakan adalah bahasa alam (bahasa yang khusus dibuat) serta minimnya perkembangan.

Adapun perbedaan antara kecerdasan buatan dengan kecerdasan alami adalah kecerdasan buatan lebih bersifat permanen, sedangkan kecerdasan alami dapat berubah (hal ini karena sifat manusia yang pelupa). Kecerdasan buatan lebih mudah disalin dan dipindah daripada kecerdasan alami. Menyediakan layanan computer lebih mudah dan murah daripada mendatangkan seseorang untuk mengerjakan sejumlah pekerjaan dalam waktu yang sangat lama. Kecerdasan buatan bersifat konsisten karena merupakan bagian dari teknologi computer, sedangkan kecerdasan alami dapat berubah-ubah.

Keputusan yang dibuat dalam kecerdasan buatan dapat didokumentasi dengan mudah dengan cara melacak tiap aktifitas dari sistem tersebut, sedangkan kecerdasan alami sulit direproduksi. Kecerdasan buatan lebih cepat dan lebih baik daripada kecerdasan buatan.

Kecerdasan buatan kreatif karena untuk menambah pengetahuan harus melalui sistem yang dibangun, sedangkan kecerdasan alami lebih kreatif soalnya manusia memiliki kemampuan untuk menambah pengetahuan.

Kecerdasan buatan harus bekerja dengan input-input simbolik dan sangat terbatas, sedangkan kecerdasan alami memungkinkan orang untuk menggunakan pengalaman secara langsung dan pemikiran manusia dapat digunakan secara luas.

Jadi, secanggih-canggihnya suatu kecerdasan buatan tidak akan permah dapat menggantikan kecerdasan alami. Karena kecerdasan buatan berasal dari kecerdasan alami.

Kecerdasan Buatan:

• Lebih bersifat permanen. Kecerdasan alami bisa berubah karena sifat manusia pelupa. Kecerdasan buatan tidak berubah selama sistem komputer & program tidak mengubahnya.
• Lebih mudah diduplikasi & disebarkan. Mentransfer pengetahuan manusia dari 1 orang ke orang lain membutuhkan proses yang sangat lama & keahlian tidak akan pernah dapat diduplikasi dengan lengkap. Jadi jika pengetahuan terletak pada suatu sistem komputer, maka pengetahuan tersebut dapat disalin dari komputer tersebut & dapat dipindahkan dengan mudah ke komputer yang lain.
• Lebih murah. Menyediakan layanan komputer akan lebih mudah & murah dibandingkan mendatangkan seseorang untuk mengerjakan sejumlah pekerjaan dalam jangka waktu yang sangat lama.
• Bersifat konsisten karena kecerdasan buatan adalah bagian dari teknologi komputer sedangkan kecerdasan alami senantiasa berubah-ubah.
• Dapat didokumentasi.Keputusan yang dibuat komputer dapat didokumentasi dengan mudah dengan cara melacak setiap aktivitas dari sistem tersebut. Kecerdasan alami sangat sulit untuk direproduksi.
• Lebih cepat.
• lebih baik

Sedangkan kecerdasan Alami

• Kreatif : manusia memiliki kemampuan untuk menambah pengetahuan, sedangkan pada kecerdasan buatan untuk menambah pengetahuan harus dilakukan melalui sistem yang dibangun.
• Memungkinkan orang untuk menggunakan pengalaman secara langsung. Sedangkan pada kecerdasan buatan harus bekerja dengan input-input simbolik.
• Pemikiran manusia dapat digunakan secara luas, sedangkan kecerdasan buatan sangat terbatas.

Read More

Teori Neuro Fuzzy

Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitufuzzy logic dengan aplikasi neuro computing. Masingmasing memiliki cara dan proses tersendiri, akan tetapi  tetap dapat dipadukan sehingga menghasilkan performa kerja yang selaras. Dalam hal ini, penggunaan neuro computing dan fuzzy logic dapat dipadukan menghasilkan Neuro Fuzzy atau Fuzzy Neural Network. 

Penggabungan ini dilakukan karena manusia memiliki  nalar dan proses pembelajaran yang bisa dikatakan memiliki nilai kekaburan.Nilai kekaburan ini membuat penilaian manusia akan suatu hal menjadi tidak terlalu  konstan atau kaku untuk sebuah kondisi atau objek. Dengan hal ini, komputer akan mampu untuk melakukan proses pembelajaran yang lebih baik lagi.

Read More

NEURAL NETWORK

Menurut Carpenter dan Grossberg, 1988, menawarkan suatu solusi adanya dilema pada neural network yaitu dengan stability-plasticity. Dengan mempunyai stability-plasticity ini, ART1 dapat terus “belajar” dengan masih mempertahankan fleksibiltasnya (plastic) atau adaptif untuk menanggapi masukan yang masih relevan dengan apa yang sudah dikenalnya tetapi juga masih stabil, “ingatannya tidak terkikis”, terhadap masukan yang tidak relevan.

ART1 terdiri dari 5 modul fungsional: dua lapis neuron (lapis pembandingan dan lapis pengenalan), gain1 dan gain2, dan reset untuk pengendalian antara untuk pembelajaran atau untuk klasifikasi (Wasserman, 1989). Jumlah neuron untuk lapis pembadingan, atau lapis input, sama dengan jumlah elemen dari vektor data input. 

Setiap neuron dari lapis ini semuanya dihubungkan ke setiap neuron di lapis pengenalan atau lapis output. Penghubungan ini dikenal dengan nama hubungan bottom-up dan top-down. Jumlah neuron di lapis output yang diperlukan adalah sebanyak klas atau kelompok yang diharapkan akan terjadi. Output dari lapis output ini juga kemudian diumpan-balikkan ke lapis input.

Pada saat data input dimasukkan, vektor data input pertama membentuk klas pertama. Neuron pertama di lapis output disesuaikan untuk mengidentifikasi masukan pertama tersebut. Matrik pembobot (weight matrices) pada kedua lapisan disesuaikan dengan data masukan untuk klas pertama tadi, yang dikaitkan dengan neuron lapis output pertama. Ketika vektor input berikutnya masuk, ini dibandingkan dengan klas pertama tadi. 

Jika inputnya mempunyai derajat kemiripan yang diinginkan (lebih dari atau sama dengan vigilance parameter, r) maka input kedua tadi dimasukkan ke klas pertama dan matrik pembobot disesuaikan lagi. Jika inputnya tidak mirip (< r), maka input tersebut meenjadi/membentuk klas kedua, yang dikaitkan dengan neuron lapis output kedua. Proses ini diulang untuk semua data input, dan jumlah klas akan bertambah. 

Read More