BAB I

Makalah Sistem CerdasLogika Fuzzy

APLIKASI LOGIKA FUZZYA. PendahuluanSuatu system peralatan yang dikendalikan oleh komputer, terasa lebih canggih, lebih pintar, lebih otomatis, lebih praktis, lebih efisien, lebih aman, lebih teliti dan sebagainya yang menunjukkan keuntungan-keuntungan bila dibandingkan dengan pengerjaan yang dilakukan secara manual oleh manusia. Kecerdasan buatan atau system yang dikendalikan oleh komputer tidak akan berubah sepanjang sistem komputer & program tidak mengubahnya.

Untuk menciptakan suatu peralatan yang ditangani oleh komputer maka kita harus mempelajari suatu ilmu yaitu kecerdasan buatan. Ilmu ini mengkaji bagaimana suatu komputer bisa melakukan pekerjaan-pekerjaan yang biasa dilakukan oleh menusia. Tujuan utama dari kecerdasan buatan, yaitu: mengetahui dan memodelkan proses-proses berfikir manusia dan mendesain mesin agar dapat menirukan kelakuan manusia tersebut.

Kemampuan komputer dapat diberdayakan melalui peningkatan kemampuan unjuk kerja perangkat keras (hardware) atau pada perangkat lunak (software) atau perpaduan dari keduanya. Kemampuan inilah yang menjadi syarat untuk mewujudkan Modul sistem penggajian karyawan dan sistem Peralatan Pengaturan Lampu Lalulintas Berbasis Fuzzy Logic.

System penggajian karyawan dan pengaturan Lampu lalulintas sangat diperlukan dalam kehidupan sehari-hari untuk itulah dibuat berbasis fuzzy logic agar dapat mempermudah kehidupan kita. Dengan adanya system penggajian maka karyawan akan menerima gaji yang benar-benar sesuai dengan apa yang ia kerjakan karena mesin tidak mungkin melakukan korupsi. Sedangkan untuk pengaturan lampu lalulintas, adanya system ini akan meningkatkan kelancaran lalulintas serta keamanan dalam transportasi darat. Sistem pengendalian lampu lalulintas yang baik akan secara otomatis menyesuaikan diri dengan kepadatan arus lalulintas pada jalur yang diatur. Dengan penerapan logika fuzzy hal-hal semacam ini sangat memungkinkan untuk dilakukan.

Logika Fuzzy untuk Sistem Pengaturan Lampu Lalu Lintas

Logika fuzzy dalam pengaturan lampu lalulintas amat diperlukan untuk memperlancar arus lalulintas. Dengan adanya system yang bekerja secara otomatis diharapkan angka kecelakaan yang disebabkan oleh masalah lampu lalulintas dapat berkurang. Selain itu dengan adanya lampu lalulintas yang otomatis tentu saja akan mengurangi tugas polisi lalulintas, sehingga mereka bisa mengerjakan hal-hal lain yang belum teratasi.

Permasalahan utama dalam perancangan dan pembuatan modell sistem peralatan pengaturan lampu lalulintas berbasis Fuzzy Logic ini, adalah perangkat keras tambahan yang terdiri dari : sensor, OpAmp, ADC 0809, Interfacing PPI 8255, Driver, Relay dan Lampu lalulintas (LL). Sedangkan sebagai dasar pengendalian dari sistem yang dijalankan, digunakan algoritma logika fuzzy.

Untuk memudahkan pengendalian lampu lalulintas, ada beberapa istilah yang digunakan dalam pengendaliannya antara lain, untuk kepadatan jumlah kendaraan adalah : Tidak Padat (TP), Kurang Padat (KP), Cukup Padat (CP), Padat (P) dan Sangat Padat (SP). Sedangkan untuk lama nyala lampu LL adalah : Cepat (C), Agak Cepat (AC), Sedang (S), Agak Lama (AL) dan Lama (L). Jelas istilah-istilah tersebut dapat menimbulkan makna ganda (ambiguity) dalam pengertiannya. Logika Fuzzy dapat mengubah makna ganda tersebut ke dalam model matematis sehingga dapat diproses lebih lanjut untuk dapat diterapkan dalam sistem kendali.

Menggunakan teori himpunan Fuzzy, logika bahasa dapat diwakili oleh sebuah daerah yang mempunyai jangkauan tertentu yang menunjukkan derajat keanggotaannya (fungsi keanggotaan). Untuk kasus disini, sebut saja derajat keanggotaan itu adalah u(x) untuk x adalah jumlah kendaraan. Derajat keanggotaan tersebut mempunyaii nilai yang bergradasi sehingga mengurangi lonjakan pada system ini.

Sistem pengendalian fuzzy yang dirancang untuk pengaturan lampu laulintas ini mempunyai dua masukan dan satu keluaran. Masukan adalah jumlah kendaraan pada suatu jalur yang sedang diatur dan jumlah kendaraan pada jalur lain, sedangkan keluaran berupa lama nyala lampu hijau pada jalur yang diatur. Penggunaan dua masukan dimaksudkan supaya sistem tidak hanya memperhatikan sebaran kendaraan pada jalur yang sedang diatur saja, tetapi juga memperhitungkan kondisi jalur yang sedang menunggu. Pencuplikan dilakukan pada setiap putaran (lewat 8 sensor yang dipasang pada semua jalur). Satu putaran akan dianggap selesai apabila semua jalur secara bergilir telah mendapat pelayanan lampu.

Masukan berupa himpunan kepadatan kendaraan oleh logika fuzzy diubah menjadi fungsi keanggotaan masukan dan fungsi keanggotaan keluaran (lama lampu hijau). Bentuk fungsi keanggotaan dapat diatur sesuai dengan distribusi data kendaraan. Menerapkan logika fuzzy dalam sistem pengendalian lampu lalulintas, membutuhkan tiga langkah, yaitu :

Fusifikasi (Fuzzyfication)

Evaluasi kaidah

Defusifikasi (Defuzzyfication)

Fusifikasi adalah proses mengubah masukan eksak berupa jumlah kendaraan menjadi masukan fuzzy berupa derajat keanggotaan u(x).

Evaluasi kaidah yaitu mengevaluasi Kaidah-kaidah yang akan digunakan untuk mengatur lalulintas ditulis secara subyektif dalam FAM, yang memuat hubungan antara kedua masukan yang menghasilkan keluaran tertentu. Kaidah-kaidah ini dikonsultasikan kepada pihak-pihak yang berpengalaman dalam bidang pengendalian lampu lalulintas, seperti Polisi Lalulintas dan DLLAJR. Di sini dipakai kaidah hubungan sebab akibat dengan dua masukan yang digabung menggunakan operator DAN yaitu : Jika (masukan 1) DAN (masukan 2), maka (keluaran), dan ditabelkan dalam Tabel FAM. Sebagai contoh, jika TP(0,25) dan KP(0,75), maka AC(0,25). Di sini keluaran fuzzy adalah Agak Cepat yaitu AC(0,25).

Defusifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, dimana output yang dihasilkan merupakan suatu bilangan pada domain fuzzy tersebut. Proses defusifikasi ini bertujuan untuk mengubah keluaran fuzzy menjadi keluaran eksak (lama nyala lampu hijau). Karena keluaran fuzzy biasanya tidak satu untuk selang waktu tertentu, maka untuk dihasilkan keluaran eksaknya dipilih keluaran dengan harga yang terbesar. Bila terdapat dua buah derajat keanggotaan berbeda pada akibat yang sama, diambil harga yang terbesar.

Sistem pengatur lalulintas yang dirancang ini, juga mempertimbangkan masukan interupsi sebagai prioritas utama, sehingga pengaturan lalulintas yang sedang berjalan akan dihentikan sementara untuk melayani jalur yang menyela. Fasilitas ini digunakan untuk keadaan darurat atau mendesak, misalnya seperti pelayanan mobil pemadam kebakaran atau mobil ambulance. Pendeteksian interupsi dilakukan secara terus menerus (residen). Jika lebih dari satu jalur memberi interupsi, maka jalur yang akan dilayani lebih dulu adalah yang pertama menekan tombol interupsi.

Perancangan dan Pembuatan Sistem Peralatan

Desain Hardware

Desain Software

Perangkat lunak (software) yang dibuat dibagi menjadi beberapa bagian besar antara lain meliputi algoritma pengambilan dan masukan, pengiriman data keluaran, pengolahan data secara fuzzy, dan proses kendalinya. Perangkat lunak ini direalisasikan menggunakan Turbo Pascal.

Algoritma program utama mengikuti proses sebagai berikut : mula-mula PPI diinialisasi dengan mengirimkan control word ke register kendali PPI. Dengan mengirimkan nilai 90h ke register kendali PPI, maka port A akan berfungsi sebagai masukan dan port B serta port C akan berfungsi sebagai keluaran.

Selanjutnya akan dikirimkan pulsa reset ke semua input ADC, pada saat awal seluruh jalur akan diberi lampu merah. Setelah proses ini, program melakukan proses yang berulang-ulang, yaitu proses pengambilan data pada tiap sensor, pengolahan data dan proses pengaturan fuzzy menggunakan prinsip-prinsip yang telah dibahas di atas dan menjalankan pengaturan sesuai dengan tabel kendali yang telah dibuat.

Penggunaan Logika Fuzzy untuk Penelitian di Bidang Ekonomi

Apabila dibandingkan metode konvensional misalnya OLS, penerapan pendekatan Logika Fuzzy pada penelitian di bidang ekonomi masih minim, hal ini logis karena relatif masih baru, namun metode ini bisa dijadikan alternatif pada pemodelan. Pemodelan ekonomi adalah suatu bentuk abstraksi dari kelakuan ekonomi di dunia nyata, agar diperoleh gambaran yang lebih sederhana dan mudah untuk dimengerti manusia. Pemodelan digunakan karena dunia nyata terlalu kompleks untuk diuraikan dengan detail. Walaupun hal yang detail tidak digambarkan oleh model, namun sebuah kelakuan ekonomi. Berikut diperlihatkan beberapa penelitian yang menggunakan logika fuzzy. Metode yang dipakai adalah pendekatan makroekonomi time series data, Rule based Fuzzy System Modeling (RBFSM) menjadi fokus penelitian dan dibandingkan dengan GARCH/ARMAX serta ANFIS. Hasilnya menunjukkan bahwa pendekatan GARCH/ARMAX dan ANFIS tidak lebih baik dari prediksi RBFSM. David E. A Giles dalam Output Convergence and International Trade: Time Series and Fuzzy Clustering Evidence for New Zealand and Her trading Partners memperkenalkan cara baru untuk mengukur konvergensi dalam konteks data time series, dengan mengaplikasikan fuzzy c-means dalam algoritma pengelompokan. Pengelompokan fuzzy memberikan gambaran yang lebih jelas bahwa perbedaan output akan konvergen secara berkelompok. Achsani dan Siregar menggunakan Fuzzy-Clustering pada data-data negara ASEAN+3 seperti rasio debt/GDP, stabilitas nilai tukar, inflation rate, dan long term interest rate untuk mengetahui posisi relatif Indonesia dalam konstelasi ekonomi Asia Timur. Achsani menggunakan algoritma cluster fuzzy untuk memodelkan permintaan uang Indonesia dengan data 1993:4 sampai dengan 2002:3 walaupun hasilnya tidak sebaik pendekatan model ekonometri, dikarenakan tidak mempertimbangkan efek autokorelasi dan seasonality data, namun dapat menjelaskan pengelompokan periode ekonomi lebih detil. Chin-Shien Lin menggunakan pendekatan Neuro-Fuzzy untuk memprediksi krisis yang terjadi di Indonesia, Philifina, Thailand, dan Malaysia, dibandingkan teknik logit pendekatan neuro-fuzzy menghasilkan prediksi yang lebih baik secara signifikan, model yang baik harus bisa memperlihatkan apa-apa yang ingin kita ketahui dari dunia nyata, dan juga dapat memprediksi apa-apa yang terjadi di dunia nyata. David E. A Giles (2001) dalam Econometric Modeling based on Pattern Recognition via the Fuzzy c-Means Clustering Algoritm menggunakan logika fuzzy khususnya pengelompokkan metode fuzzy c-means pada pemodelan ekonomi seperti model money demand dengan data tahunan 1960-1983 departemen perdagangan amerika, model Kuznets U-Curve dengan data koefisien Gini dan real GDP US dari tahun 1947 sampai 1991 dan hasilnya menunjukkan pendekatan yang lebih baik dibandingkan OLS dan model non parametrik. Muslim (2007) dalam Implementasi Algoritma Cluster Fuzzy dan Neuro Fuzzy Studi Kasus Ekspor Indonesia ke Jepang memberikan alternatif pemodelan khususnya pemodelan data ekspor Indonesia ke Jepang dengan menerapkan metode Algoritma Cluster Fuzzy dan Neuro Fuzzy. Ukuran MAPE dan Theils Inequality menunjukkan bahwa kedua metode memiliki unjuk kerja yang baik untuk mengestimasi ekspor. Ketika dibandingkan dengan metode konvensional OLS-AR metode fuzzy memberikan hasil lebih baik. Prediksi hubungan input-output pada Algoritma Cluster Fuzzy bisa memprediksi adanya struktural break secara objektif pada 1993:Q2 dan 1997:Q4 dan dibuktikan dengan metode subjektif chow-test. Pemodelan menunjukkan bahwa ada hubungan kondisional dalam model ekspor Indonesia ke Jepang, dalam konteks fuzzy hubungan tersebut adalah rendah,sedang,tinggi sedangkan dalam konteks waktu adalah pra Japanese Slump,pasca Japanese Slump, pasca Krisis Indonesia.

Aplikasi Logika Fuzzy di Dunia Bisnis

Penggunaan teknologi informasi menjadi bagian penting dalam pengelolaan bisnis pada abad ke 21 sekarang ini. Saat ini teknologi informasi kebanyakkan digunakan untuk mengolah data dan menunjang komunikasi yang efektif efisien dalam pengelolaan bisnis. Prediksi kedepan teknologi informasi akan digunakan sebagai alat pengambil keputusan secara otomatis, memiliki kemampuan intelegensia untuk menganalisis, serta mampu untuk melakukan pembelajaran untuk menghasilkan keputusan yang optimal. Untuk hal tersebut dibutuhkan suatu sistem yang mampu berperilaku seperti manusia dalam hal berpikir dan mengambil keputusan secara rasional. Logika Fuzzy adalah salah satu konsep yang bisa dipakai untuk memenuhi tuntutan sistem tersebut. Dalam dunia bisnis telah dibuat beberapa program aplikasi berdasarkan logika fuzzy diantaranya : Yamaichi Fuzzy Fund (Munakata et all., 1994), aplikasi awal di dunia perdagangan yang menggunakan pendekatan fuzzy. Sistem ini menangani 65 stok industri di Nikei Dow dan 800 rule yang ditentukan oleh para ahli dan bilamana perlu diperbaiki oleh senior business analis. Sistem ini telah diuji coba selama 2 tahun dan unjuk kerja dengan menggunakan Nikei Average menunjukkan kenaikkan lebih dari 20%. Ketika diuji coba sistem ini menyarankan "sell" 18 hari sebelum terjadinya "Black Monday" di tahun 1987. Sistem ini dioperasikan secara komersial pada tahun 1988. Sebagian besar analis keuangan, sepakat mengatakan bahwa "rule" untuk perdagangan itu bersifat "fuzzy". Rating convertible Bond, Nikko Securites telah menggunakan ANN (Artificial Neural Network) untuk menaikkan rating convertible bond sejak November 1992 (Okada et all., 1992). Sistem ini belajar dari reaksi instruksi seorang ahli rating, yang berubah sesuai dengan keadaan ekonomi. Sistem akan menganalisa hasil, dan menggunakan hasil ini untuk memberikan saran. Sistem terdiri dari gabungan antara

Fuzzy Logic dan ANN untuk mendeskripsikan masukan. Ratio dari jawaban yang benar adalah 96%. Referensi yang bagus untuk melihat penerapan logika fuzzy di dunia bisnis dibahas secara komprehensif dalam buku Fuzzy Logic and NeuroFuzzy Applications in Business and Finance (Altrock, 1997). Buku ini berisi bagaimana logika fuzzy dan kombinasinya dengan neurocomputing digunakan untuk menyelesaikan masalah-masalah dalam bidang bisnis dan keuangan. Misalnya dalam bidang keuangan membahas mengenai Mortage Applicants, Creditworthiness Assessment, Leasing Risk Assessment, Fraud Detection sedangkan dalam bidang bisnis membahas mengenai Supplier Evaluation, Customer Targeting, Sequencing and Scheduling.B. Kesimpulan

Sebagai salah satu pendekatan untuk pemodelan dan kandidat dalam memberikan solusi sistem di dunia nyata terutama untuk sistem kompleksitas yang sulit didekati oleh pemodelan matematis, metode logika fuzzy dapat dijadikan sebagai alternatif.

Ada beberapa alasan untuk memakai logika fuzzy:

Secara konsep mudah, didasari konsep matematika yang sederhana.

Toleran terhadap ketidakpresisian data Dapat memodelkan sistem yang tidak linear dan kompleks / dapat mengetahui hubungan input-output tanpa mengetahui hubungan matematis input-output.

Dapat mengakomodir data berdasarkan pengalaman para pakar.

Didasarkan pada bahasa alami ( digunakan pada komunikasi manusia sehari-hari). Namun perlu diperhatikan beberapa hal:

Jika ada solusi yang lebih mudah / murah/ lebih sesuai dengan kebutuhan pilih alternatif tersebut. Gunakan common sense (contoh intuisi/pengalaman/teori ekonomi), pilih pemodelan yang lebih dekat ke common sense agar didapatkan keputusan yang benar.

Pada pendekatan Logika Fuzzy, harus tersedianya pengetahuan tentang rule, ini dapat diperoleh melalui kehadiran seorang expert, ataupun penurunan data secara klustering dari data masukan dan keluaran.

Seleksi arsitektur sistem yang bersifat coba-coba, belum tersedianya formulasi walaupun untuk satu jenis aplikasi.

Suatu metoda baik untuk aplikasi tertentu tapi dapat menjadi buruk sekali untuk aplikasi lainnya.

Sistem logika fuzzy juga dapat diimplementasikan dalam sistem navigasi untuk sebuah robot mobil.

Respon sistem masih dapat diperbaiki dengan men-tuning bentuk MF dan rule yang digunakan.

Pengujian dapat dilanjutkan dengan menggunakan membership function yang jumlah labelnya lebih banyak sehingga dimungkinkan mendapatkan respon yang lebih baik.

PAGE - 1 -