Tutorial Logika Fuzzy: Kualitas, Arsitektur, Aplikasi, Kelebihan & Kekurangan, Perbedaan

Diterbitkan: 2020-04-30

Ketika Anda harus membuat keputusan, berapa kali itu sederhana Ya atau Tidak? Sering kali, pilihan Anda adalah variasi dari pertanyaan Ya atau Tidak, di mana Anda memiliki beberapa tingkat pilihan yang ada di antara keduanya.

Misalkan seseorang bertanya kepada Anda, "Maukah Anda pergi ke pesta itu malam ini?" Jawaban Anda mungkin 'Mungkin ya' atau 'Tentu saja tidak', alih-alih langsung Ya atau Tidak.

Pengambilan keputusan manusia sangat bergantung pada pilihan yang tidak jelas seperti itu. Dan dalam AI, konsep ini disebut logika Fuzzy.

Dalam tutorial logika fuzzy ini, Anda akan mempelajari apa itu logika fuzzy, cara kerjanya, dan aplikasinya. Mari kita mulai.

Daftar isi

Apa itu Logika Fuzzy? Penjelasan

Fuzzy mengacu pada kurangnya kejelasan. Ada banyak contoh ketika Anda tidak dapat membuat keputusan sederhana 'Ya atau Tidak'. Dalam kasus tersebut, Anda harus membuat pilihan dinamis. Logika fuzzy membantu Anda dalam hal itu.

Ini memberi Anda pilihan yang fleksibel dan memungkinkan Anda untuk bernalar dengan lebih banyak data dan variabel. Ada banyak aplikasi logika fuzzy di AI karena Anda tidak dapat menggunakan Boolean atau logika serupa di mana-mana. Ini menyerupai penalaran manusia dan mempertimbangkan semua kemungkinan yang ada antara pilihan Ya dan Tidak.

Logika biasa hanya mempertimbangkan dua kemungkinan: Ya dan Tidak. Tapi manusia tidak membuat keputusan seperti itu. Mereka memiliki banyak kemungkinan antara Ya dan Tidak seperti, Kemungkinan Ya, dan Kemungkinan Tidak. Logika fuzzy memperhitungkan semua kemungkinan itu.

Pelajari lebih lanjut: 5 Model Pembelajaran Mesin Teratas Dijelaskan Untuk Pemula

Sedikit Sejarah

Lotfi Zadeh , seorang ilmuwan komputer, dan ahli matematika datang dengan logika fuzzy ketika dia menyadari bahwa ada perbedaan besar antara pengambilan keputusan manusia dan komputer. Dia menunjukkan bahwa logika komputer konvensional tidak dapat memanipulasi data untuk mewakili ide-ide tidak jelas yang mirip dengan manusia.

Seperti yang kami sebutkan sebelumnya, ada banyak aplikasi logika fuzzy di AI . Tetapi Anda juga dapat melihatnya di banyak bidang lain karena memungkinkan kecerdasan buatan untuk membedakan data yang tidak selaras dengan logika Boolean. Ini berarti bahwa data tidak benar atau salah.

Kualitas Logika Fuzzy

Logika fuzzy mungkin tampak sedikit rumit, tetapi ini adalah teknik pembelajaran mesin yang fleksibel yang dapat Anda terapkan dengan sangat mudah. Ini memungkinkan Anda untuk meniru pemikiran manusia. Ini juga sempurna untuk memecahkan masalah di mana ketidakpastian tinggi.

Ini memungkinkan Anda untuk membangun fungsi nonlinier yang memiliki kompleksitas arbitrer. Tetapi Anda harus memastikan bahwa Anda membangunnya setelah memiliki pengetahuan yang cukup tentang hal yang sama karena dalam kasus ini sangat mudah untuk membuat kesalahan.

Kapan Sebaiknya Anda Tidak Menggunakan Logika Fuzzy

Ada beberapa kasus ketika Anda tidak boleh menggunakan logika fuzzy. Berikut adalah beberapa di antaranya:

  • Ketika Anda dapat menggunakan logika konvensional untuk sampai pada solusi, Anda tidak perlu menggunakan logika fuzzy karena akan memperumit segalanya.
  • Pengontrol tidak selalu membutuhkan logika fuzzy
  • Jika Anda tidak dapat memetakan input ke output, Anda tidak boleh menggunakan logika fuzzy

Bagaimana Logika Fuzzy Bekerja? (Arsitektur)

Arsitektur logika fuzzy memiliki komponen-komponen berikut:

  • Aturan
  • Fuzzifier
  • Inferensi (Kecerdasan)
  • Defuzzifier

Aturan: Semua aturan fuzzifier tetap disimpan di Basis Aturan. Semua kondisi IF-THEN yang Anda masukkan dalam logika juga tetap di sini sehingga dapat membuat keputusan. Pembaruan terbaru dalam logika fuzzy memungkinkan pakar AI untuk mengurangi jumlah aturan yang mereka butuhkan.

Fuzzifier: Fuzzifier mengubah input (angka tajam) menjadi himpunan fuzzy. Sensornya mengukur input crips dan meneruskannya ke sistem kontrol sehingga logika dapat memprosesnya lebih lanjut.

Inferensi: Setelah Fuzzifier datang Mesin Inferensi. Ini menemukan seberapa banyak input fuzzy cocok dengan aturan. Itu juga memilih aturan mana yang harus diterapkan sesuai dengan bidang input yang dimilikinya.

Defuzzifier: Pada tahap ini, defuzzifier mengubah himpunan fuzzy yang diterimanya menjadi keluaran yang tajam. Ada banyak bentuk defuzzifikasi yang tersedia, jadi Anda harus memilih salah satu sesuai dengan kebutuhan Anda.

Baca: Aplikasi AI di Dunia Nyata

Perbedaan Antara Logika Fuzzy dan Probabilitas

Untuk memahami konsep tutorial logika fuzzy ini dengan benar, Anda harus melihat perbedaan antara logika fuzzy vs probabilitas karena membingungkan banyak orang.

Perbedaan utama pertama antara keduanya adalah materi pelajaran yang mereka tangani. Logika fuzzy bekerja dengan fakta, sedangkan probabilitas bekerja dengan peristiwa yang mungkin atau mungkin tidak terjadi. Logika fuzzy menyampaikan kebenaran parsial, sedangkan probabilitas menyampaikan pengetahuan parsial.

Juga, logika fuzzy mengambil kebenaran sebagai dasar matematisnya, sedangkan probabilitas membangun model ketidaktahuan.

Perbedaan Antara Fuzzy dan Crisp

Ada banyak perbedaan di antara keduanya. Pertama, rangkaian waktu yang tegas bisa jadi kabur, tetapi rangkaian waktu yang kabur tidak bisa tegas. Hukum Non-kontradiksi dan Pengecualian Tengah mungkin (atau mungkin tidak) berlaku dalam logika Crisp. Di sisi lain, dengan logika fuzzy, hukum-hukum ini berlaku.

Logika yang tajam memiliki batasan yang ketat; yaitu, itu bisa Benar atau Salah. Dan logika fuzzy memiliki beberapa derajat keanggotaan.

Baca juga: Ide Proyek Machine Learning untuk Pemula

Apa Aplikasi Logika Fuzzy?

Berikut ini adalah aplikasi utama logika fuzzy dalam industri yang berbeda:

Sektor Otomotif

Perusahaan otomotif menggunakan logika fuzzy dalam AI untuk membuat rem anti-lock. Logika fuzzy dapat mengetahui kapan perlu menerapkan rem anti-lock sesuai dengan akselerasi, dan kecepatan mobil, untuk menghindari kecelakaan.

Penggunaan lain dari logika fuzzy dalam mobil adalah transmisi otomatis. Dalam kasus tersebut, logika fuzzy mengontrol pengapian dan injeksi bahan bakar sesuai dengan RPM dan pengaturan throttle. Cruise control adalah fitur di mana mobil mempertahankan kecepatan tertentu dan memungkinkan pengemudi untuk beristirahat dari menekan pedal gas.

Logika fuzzy membantu dalam menyesuaikan pengaturan throttle untuk mempertahankan kecepatan mobil yang ditentukan.

kebugaran

Omron menggunakan aturan logika fuzzy untuk memeriksa tingkat kebugaran karyawan mereka. Mereka telah menambahkan seperangkat aturan khusus untuk tujuan ini. Dengan bantuannya, banyak perusahaan dapat memantau kebugaran karyawan mereka dan menyediakan fasilitas yang sesuai.

Aplikasi lain

  • Oven microwave menggunakan logika fuzzy untuk memilih opsi memasak yang tepat.
  • Sistem diagnostik golf menerapkan aturan fuzzy untuk merekomendasikan klub golf yang paling sesuai dengan fisik pegolf dan faktor lainnya
  • Sistem kontrol elevator menentukan waktu tunggu sesuai dengan jumlah penumpang yang mereka miliki. Mereka menerapkan logika fuzzy untuk tujuan ini.
  • Pencuci piring menggunakan logika fuzzy untuk memilih pengaturan pembersihan yang tepat (siklus, waktu bilas dan mencuci, dll.) sesuai dengan piring yang mereka miliki.

Kelebihan dan Kekurangan Logika Fuzzy?

Keuntungan

  • Logika fuzzy memiliki struktur sederhana yang sangat mudah dipahami
  • Ini memiliki aplikasi di banyak industri termasuk mobil dan peralatan rumah tangga
  • Ini memecahkan masalah ketidakpastian dengan efektivitas yang lebih baik daripada algoritma lain
  • Serbaguna digunakan karena tidak memerlukan input yang tepat untuk pengoperasiannya
  • Karena strukturnya yang sederhana, Anda dapat memodifikasinya dengan mudah dan meningkatkan kinerjanya
  • Jika sensor umpan balik tidak berfungsi, Anda dapat menggunakan logika fuzzy untuk menyelesaikan masalah tersebut

Kekurangan

  • Itu tidak mampu melakukan pengenalan pola yang mirip dengan jaringan saraf
  • Memverifikasi dan memvalidasi sistem berdasarkan logika fuzzy membutuhkan banyak pengujian perangkat keras
  • Menyiapkan aturan fuzzy adalah tugas yang cukup sulit
  • Keluaran logika fuzzy tidak selalu akurat. Ini dapat menyebabkan masalah dalam beberapa kasus, karena hasilnya mungkin tidak dapat diterima.

Pikiran Akhir

Sekarang kita telah mencapai akhir dari tutorial logika fuzzy kita. Kami harap Anda menemukan artikel ini bermanfaat. Logika fuzzy jelas merupakan salah satu konsep kecerdasan buatan yang paling populer dan sederhana.

Jika Anda ingin mempelajari lebih lanjut tentang logika fuzzy dan konsep AI lainnya, maka kami sarankan untuk mengunjungi blog kami. Anda akan menemukan banyak artikel bermanfaat di sana.

Dan jika Anda menginginkan pengalaman belajar yang lebih detail dan terstruktur, maka Anda harus mengambil kursus AI dan memulainya. Kursus kecerdasan buatan akan memberi Anda semua pengetahuan yang Anda butuhkan tentang topik ini dengan sangat mudah.

Jika Anda tertarik untuk mempelajari lebih lanjut tentang pembelajaran mesin, lihat PG Diploma IIIT-B & upGrad dalam Pembelajaran Mesin & AI yang dirancang untuk para profesional yang bekerja dan menawarkan 450+ jam pelatihan ketat, 30+ studi kasus & tugas, IIIT- B Status alumni, 5+ proyek batu penjuru praktis & bantuan pekerjaan dengan perusahaan-perusahaan top.

Bagaimana lindung nilai linguistik berguna dalam sistem inferensi fuzzy?

Apa pendekatan Mamdani untuk logika fuzzy?

Pendekatan Mamdani disajikan sebagai upaya pertama untuk mengontrol mesin uap dan sistem boiler menggunakan aturan kontrol bahasa yang dikumpulkan dari operator manusia yang berpengalaman. Setiap aturan dalam sistem Mamdani menghasilkan himpunan fuzzy sebagai outputnya. Sistem Mamdani sangat cocok untuk aplikasi sistem pakar di mana aturan dikembangkan dari pengetahuan pakar manusia, seperti diagnostik medis, karena basis aturannya lebih intuitif dan lebih mudah dipahami.

Apa teorema pendekatan fuzzy (FAT) dan alasannya?

Menurut Bart Kosko, pendekatan fuzzy (FAT) menunjukkan bahwa sistem fuzzy dapat meniru sistem kontinu. Setiap aturan berfungsi sebagai patch fuzzy yang diterapkan sistem pada respons agar terlihat seperti respons sistem kontinu. Sedangkan Fuzzy Approximate Reasoning mengacu pada metode yang digunakan untuk memperoleh kemungkinan kesimpulan yang tidak tepat dari sekumpulan premis yang tidak tepat. Dalam penalaran perkiraan, logika fuzzy mampu menangani banyak jenis ketidakpastian.