Logika Fuzzy dalam Kecerdasan Buatan: Arsitektur, Aplikasi, Kelebihan & Kekurangan

Dalam kehidupan kita sehari-hari, Anda tidak selalu dapat membuat keputusan dengan mengatakan Ya atau Tidak. Ini karena Anda mungkin menghadapi situasi di mana tidak ada informasi yang cukup untuk membuat keputusan. Atau, kita sendiri mungkin sedikit bingung. Misalnya, jika seseorang bertanya apakah Anda ada di tanggal tertentu bulan depan, Anda mungkin tidak akan langsung menjawab Ya atau Tidak. Itu karena Anda tidak sepenuhnya yakin bahwa Anda tidak akan sibuk pada tanggal itu bulan depan.

Rumit bukan? Logika Fuzzy dalam kecerdasan buatan membantu komputer menghadapi situasi serupa di mana data input agak tidak jelas.

Dapatkan pelatihan pembelajaran mesin dari Universitas top dunia. Dapatkan Master, PGP Eksekutif, atau Program Sertifikat Tingkat Lanjut untuk mempercepat karier Anda.

Apa itu Logika Fuzzy?

Istilah Fuzzy berarti sesuatu yang agak kabur. Ketika situasi tidak jelas, komputer mungkin tidak dapat menghasilkan hasil yang Benar atau Salah. Sesuai Logika Boolean, nilai 1 mengacu pada Benar dan 0 berarti Salah. Tetapi algoritma Logika Fuzzy mempertimbangkan semua ketidakpastian dari suatu masalah, di mana mungkin ada nilai yang mungkin selain Benar atau Salah.

Istilah Logika Fuzzy pertama kali dijelaskan oleh Lotfi Zadeh pada tahun 1965 . Dia berpikir bahwa logika komputer tradisional tidak mampu menangani data yang tidak jelas atau kabur. Mirip dengan manusia, ada banyak kemungkinan nilai antara Benar dan Salah yang dapat digabungkan oleh komputer. Ini bisa berupa:

• Tentu saja ya
• Mungkin ya
• tidak bisa mengatakan
• Mungkin tidak
• Tentu saja tidak

Lihat contoh sederhana Logika Fuzzy ini:

Masalah – Logika Boolean

Larutan

• Ya (1.0)
• Tidak (0)

Menurut Logika Boolean konvensional, algoritma akan mengambil input yang pasti dan menghasilkan hasil yang tepat Ya atau Tidak. Ini diwakili oleh 0 dan 1, masing-masing.

logika kabur

Larutan

• Sangat panas (0,9)
• Sedikit panas (0,20)
• Cukup panas (0,35)
• Tidak panas (1.0)

Sesuai contoh di atas, Fuzzy Logic memiliki jangkauan output yang lebih luas, seperti sangat panas, cukup panas, dan tidak panas. Nilai antara 0 dan 1 ini menampilkan rentang kemungkinan.

Jadi, dalam kasus di mana penalaran yang akurat tidak dapat diberikan, Logika Fuzzy menyediakan metode penalaran yang dapat diterima. Sebuah algoritma berdasarkan Logika Fuzzy mengambil semua data yang tersedia saat memecahkan masalah. Kemudian mengambil keputusan terbaik sesuai dengan masukan yang diberikan.

Charles Elkan, Asisten Profesor Departemen Ilmu Komputer dan Teknik di University of California di San Diego, menjelaskan Fuzzy Logic. Dia mengatakan bahwa Logika Fuzzy dalam kecerdasan buatan adalah bentuk umum dari logika standar, di mana konsep apa pun mungkin memiliki tingkat kebenaran berkisar antara 0,0 dan 1,0. Logika Fuzzy dapat digunakan untuk konsep yang tidak jelas, seperti karakteristik tinggi badan. Misalnya, kita dapat mengatakan bahwa Presiden Clinton tinggi, dan konsepnya dapat memiliki tingkat kebenaran 0,9.

Lebih lanjut ia mengatakan bahwa Fuzzy Logic sangat berguna dalam pengendalian mesin tingkat rendah terutama pada peralatan konsumen. Beberapa mikroprosesor tujuan khusus yang dibangun di atas Logika Fuzzy melakukan operasi fuzzy pada perangkat kerasnya.

Sekarang mari kita memahami Logika Fuzzy dalam kecerdasan buatan dengan melihat arsitekturnya.

Baca: Ide Proyek Pembelajaran Mesin

Arsitektur Logika Fuzzy

Arsitektur Logika Fuzzy terdiri dari komponen-komponen berikut:

Dasar aturan

Ini adalah seperangkat aturan bersama dengan kondisi If-then yang digunakan untuk membuat keputusan. Namun, perkembangan modern dalam Logika Fuzzy telah mengurangi jumlah aturan dalam basis aturan. Kumpulan aturan ini juga disebut basis pengetahuan.

Fuzzifikasi

Ini adalah langkah di mana bilangan-bilangan tegas diubah menjadi himpunan fuzzy . Himpunan tegas adalah himpunan elemen yang memiliki sifat identik. Berdasarkan logika tertentu, suatu elemen dapat termasuk dalam himpunan atau tidak. Set renyah didasarkan pada logika biner – jawaban Ya atau Tidak.

Di sini, sinyal kesalahan dan nilai fisik diubah menjadi subset fuzzy yang dinormalisasi. Dalam setiap sistem Logika Fuzzy, fuzzifier memisahkan sinyal input menjadi lima keadaan yaitu:

• Positif besar
• Positif sedang
• Kecil
• Negatif sedang
• Negatif besar

Proses fuzzifikasi mengubah input yang tajam, seperti suhu ruangan, yang diambil oleh sensor dan meneruskannya ke sistem kontrol untuk diproses lebih lanjut. Sebuah sistem kontrol Logika Fuzzy didasarkan pada Logika Fuzzy. Peralatan rumah tangga biasa, seperti AC dan mesin cuci memiliki sistem Kontrol Fuzzy di dalamnya.

Baca: Gaji Pengembang Machine Learning di India

Mesin Inferensi

Mesin inferensi menentukan seberapa banyak nilai input dan aturan cocok. Aturan diterapkan berdasarkan nilai input yang diterima. Kemudian, aturan tersebut digunakan untuk mengembangkan tindakan pengendalian. Mesin inferensi dan basis pengetahuan bersama-sama disebut pengontrol dalam sistem Logika Fuzzy.

Defuzzifikasi

Ini adalah kebalikan dari proses fuzzifikasi . Di sini, nilai fuzzy diubah menjadi nilai tajam dengan pemetaan. Akan ada beberapa metode defuzzifikasi untuk melakukan ini, tetapi yang terbaik dipilih sesuai input. Ini adalah proses yang rumit di mana metode, seperti prinsip keanggotaan maksimum, metode rata-rata tertimbang dan metode centroid, digunakan.

Keuntungan Logika Fuzzy dalam Kecerdasan Buatan

Manfaat menggunakan sistem Logika Fuzzy adalah sebagai berikut:

• Ini adalah sistem yang kuat di mana tidak diperlukan input yang tepat
• Sistem ini mampu mengakomodasi beberapa jenis input termasuk data yang tidak jelas, terdistorsi, atau tidak tepat
• Jika sensor umpan balik berhenti bekerja, Anda dapat memprogram ulang sesuai dengan situasinya
• Algoritme Logika Fuzzy dapat dikodekan menggunakan lebih sedikit data, sehingga tidak menempati ruang memori yang besar
• Karena menyerupai penalaran manusia, sistem ini mampu memecahkan masalah kompleks di mana input ambigu tersedia dan mengambil keputusan yang sesuai
• Sistem ini fleksibel dan aturannya dapat dimodifikasi
• Sistem memiliki struktur yang sederhana dan dapat dibangun dengan mudah
• Anda dapat menghemat biaya sistem karena sensor yang murah dapat diakomodasi oleh sistem ini

Baca juga: Jenis-Jenis Algoritma Machine Learning dengan Use Cases

Kekurangan Logika Fuzzy dalam Kecerdasan Buatan

Mari kita lihat kelemahan sistem Logika Fuzzy:

• Keakuratan sistem ini terganggu karena sebagian besar sistem bekerja pada data dan input yang tidak akurat
• Tidak ada pendekatan sistematis tunggal untuk memecahkan masalah menggunakan Logika Fuzzy. Akibatnya, banyak solusi muncul untuk masalah tertentu, yang menyebabkan kebingungan
• Karena ketidakakuratan dalam hasil, mereka tidak selalu diterima secara luas
• Kelemahan utama dari sistem kontrol Logika Fuzzy adalah bahwa mereka sepenuhnya bergantung pada pengetahuan dan keahlian manusia
• Anda harus memperbarui aturan sistem kontrol Logika Fuzzy secara teratur
• Sistem ini tidak dapat mengenali pembelajaran mesin atau jaringan saraf
• Sistem memerlukan banyak pengujian untuk validasi dan verifikasi

Aplikasi Logika Fuzzy

Aplikasi Fuzzy Logic tersebar di beberapa bidang. Mereka adalah sebagai berikut:

Obat

• Mengontrol tekanan arteri saat memberikan anestesi kepada pasien
• Digunakan dalam radiologi diagnostik dan sistem pendukung diagnostik
• Diagnosis kanker prostat dan diabetes

Sistem transportasi

• Menangani operasi kereta bawah tanah
• Mengontrol jadwal kereta
• Mengerem dan menghentikan kendaraan berdasarkan parameter, seperti kecepatan mobil, akselerasi, dan kecepatan roda

Pertahanan

• Menemukan dan mengenali target di bawah air
• Mendukung pengambilan keputusan angkatan laut
• Menggunakan gambar inframerah termal untuk pengenalan target
• Digunakan untuk mengendalikan pencegat hypervelocity

Industri

• Mengontrol pabrik pemurnian air
• Menangani masalah dalam kepuasan kendala dalam desain struktural
• Analisis pola untuk jaminan kualitas
• Logika Fuzzy digunakan untuk menangani pengolahan air limbah lumpur

Kontrol angkatan laut

• Kemudikan kapal dengan benar
• Memilih rute yang optimal atau terbaik untuk mencapai tujuan
• Autopilot didasarkan pada Fuzzy Logic
• Kendaraan bawah air otonom dikendalikan menggunakan Fuzzy Logic

Sistem pencucian yang didukung oleh Fuzzy Logic

Mesin cuci modern yang ditenagai oleh Fuzzy Logic menjadi populer akhir-akhir ini. Mereka memiliki sensor yang terus-menerus melacak variasi suhu. Ini menyesuaikan kontrol dan operasi yang sesuai. Sistem ini berkinerja baik, produktif, dan hemat biaya.

Untuk hasil pencucian terbaik, Fuzzy Logic mengontrol proses pencucian, suhu air, kecepatan putaran, waktu pencucian, pemasukan air, dan performa pembilasan. Mesin canggih melakukan hal berikut:

• Periksa beban mesin untuk mencegah kelebihan beban
• Periksa kesadahan air dan tentukan jenis bahan kainnya
• Memberi tahu pengguna tentang jumlah deterjen yang optimal. Mereka juga memeriksa apakah deterjen dalam bentuk cair atau bubuk
• Mereka belajar dari pengalaman mencuci sebelumnya, dan menghafal algoritme untuk meningkatkan hasil pencucian

Sebagian besar sistem didasarkan pada teknologi hemat energi yang membantu Anda menghemat daya saat mencuci pakaian. Fitur-fitur ini membantu Anda menghemat energi bahkan jika Anda mencuci banyak pakaian 2 hingga 3 kali seminggu. Sensor memantau seluruh proses pencucian, dan melakukan penyesuaian dan koreksi yang diperlukan untuk hasil pencucian terbaik.

Fuzzy Logic pada mesin cuci ini memeriksa jumlah kotoran dan kotoran pada pakaian, arah putaran dan jumlah sabun yang dibutuhkan. Untuk pemintalan yang lebih baik, beban cucian diseimbangkan dengan benar. Jika ketidakseimbangan terdeteksi, kecepatan putaran dikurangi. Selanjutnya, menyeimbangkan beban pencucian membantu mengurangi kebisingan putaran.

Perusahaan seperti Panasonic menggunakan teknologi serupa di mesin pencuci piring mereka. Logika Fuzzy digunakan dalam menyesuaikan siklus pembersihan mesin pencuci piring, bersama dengan metode pencucian dan pembilasan. Kinerja mesin juga tergantung pada jumlah piring yang dimasukkan ke dalam mesin cuci.

Kesimpulan

Meskipun Fuzzy Logic dalam kecerdasan buatan membantu untuk meniru penalaran manusia, sistem ini membutuhkan bimbingan ahli untuk dibangun. Ini memungkinkan Anda mengandalkan pengalaman para ahli yang memiliki pemahaman yang lebih baik tentang sistem. Logika Fuzzy juga dapat digunakan untuk meningkatkan eksekusi algoritma. IBM Watson menggunakan Fuzzy Logic dan semantik fuzzy .

Lihat Program Sertifikat Tingkat Lanjut Grad dalam Pembelajaran Mesin & NLP. Kursus ini telah dibuat dengan mengingat berbagai jenis siswa yang tertarik dengan Pembelajaran Mesin, menawarkan bimbingan 1-1 dan banyak lagi.

Apa saja aplikasi logika fuzzy dalam kehidupan nyata?

Logika fuzzy digunakan untuk aplikasi yang sama dengan logika biasa, tetapi dengan kemampuan untuk menangani penalaran yang tidak tepat. Aplikasi utama logika fuzzy adalah untuk kecerdasan buatan. Logika fuzzy digunakan dalam pengontrol pabrik dan perangkat lunak industri. Juga, sebagian besar peralatan modern di dapur, home theater dan hiburan, AC dan pemanas, microwave, kamera digital, kulkas dan TV, dll. menggunakan logika fuzzy. Sistemnya adalah jalan dua arah. Ini menggunakan logika fuzzy untuk membuat keputusan cerdas, tetapi pelanggan juga merespons dengan tidak jelas. Jadi, untuk membuat sistem lebih akurat, peneliti menerapkan ilmu fuzzy pada perangkat tersebut.

Apa batasan logika fuzzy?

Logika fuzzy adalah cara untuk mewakili pernyataan logis menggunakan nilai-nilai nyata, bukan nilai-nilai biner konvensional. Logika fuzzy memiliki dua keterbatasan utama: penanganan data yang tidak tepat dan inferensi yang melekat pada pemikiran manusia. Kedua masalah ini saling terkait satu sama lain. Jika data tidak tepat dalam sistem, maka manusia tidak dapat menyimpulkan pengetahuan atau hubungan. Diharapkan bahwa penelitian masa depan akan mengarah pada pemecahan masalah ini.

Apa manfaat dari kontrol fuzzy?

Kontrol fuzzy memungkinkan kontrol berdasarkan output aktual dari proses, sebagai lawan kontrol berdasarkan setpoint. Ini berarti bahwa output dari loop kontrol tidak tetap pada nilai tertentu, tetapi diizinkan untuk bervariasi dalam rentang tertentu. Ini memberikan kontrol yang lebih baik daripada kontrol titik tetap, terutama dalam aplikasi dengan hubungan non-linier antara input dan output.