Mengenal Pengertian Fuzzy, Apa itu Fuzzy Logic dan Search? Sejarah, Tujuan, Fungsi, Jenis Bagian Arsitektur, Macam Karakteristik, Contoh, Kelebihan, Kekurangan, serta Kegunaannya!
Oke, sebelumnya, perlu Kami sebutkan terlebih dahulu bahwa dalam beberapa tahun terakhir, jumlah dan variasi aplikasi logika fuzzy telah meningkat secara signifikan.
Application (baca apa itu arti dan maksud application di sini) atau aplikasinya pun berkisar dari produk konsumen seperti kamera, camcorder, mesin cuci, dan oven microwave hingga kontrol proses industri, instrumentasi medis, sistem pendukung keputusan, serta pemilihan portofolio para pelamar kerja.
Untuk memahami mengapa penggunaan logika fuzzy berkembang, Anda harus terlebih dahulu memahami apa yang dimaksud dengan kata fuzzy tersebut.
Secara umum, idenya sesedarhana seperti dalam kehidupan kita sehari-hari, kita mungkin menghadapi situasi di mana kita tidak dapat menentukan apakah keadaan itu benar atau salah.
Fuzzy mengacu pada sesuatu yang tidak jelas atau kabur, sehingga logika itu pada bidang Artificial Intelligence (AI) dapat memberikan fleksibilitas yang berharga untuk penalaran.
Baiklah, berdasarkan latar belakang tersebutlah dalam postingan kali ini Kami akan membaas terkait pengertian fuzzy secara lengkap.
Mari kita simak ulasannya berikut.
Kata fuzzy berarti samar, kabur, atau tidak jelas.
Di dunia nyata banyak kali kita menghadapi situasi ketika kita tidak dapat menentukan apakah keadaan itu benar atau salah dan logika fuzzy ini memberikan fleksibilitas yang sangat berharga untuk penalaran.
Benar! Dengan cara ini, kita dapat mempertimbangkan ketidakakuratan dan ketidakpastian situasi apa pun dengan fuzzy.
Selain itu, mengutip sumber dari simpulan Kami yang berasal dari buku berjudul "Fuzzy System Dynamics: An Application to Supply Chain Management" yang ditulis menurut pengetahuan beberapa pakar dan ahli bernama Michael Mutingi dan Charles Mbohwa, kata "fuzzy" di sini didefinisikan dengan sesuatu yang tidak tepat, atau tidak jelas, kurangnya informasi yang lengkap, ketidaklengkapan, ketidaktepatan, informasi yang hilang, ambiguitas, atau non-spesifisitas.
Istilah fuzzy terkait erat dengan soft computing (baca selengkapnya pengertian soft computing di sini) yang berarti cara komputasi yang kurang kuantitatif.
Oke, jadi fuzzy artinya kabur, lalu apa itu yang dimaksud dengan logika atau fuzzy logic?
Logika atau fuzzy logic adalah pendekatan pemrosesan variabel yang memungkinkan beberapa kemungkinan nilai kebenaran (true value) diproses melalui variabel yang sama.
Logika fuzzy mencoba memecahkan masalah dengan spektrum data dan heuristik yang terbuka dan tidak tepat yang memungkinkan untuk memperoleh serangkaian kesimpulan yang akurat.
Logika samar atau kabur dirancang untuk memecahkan masalah dengan mempertimbangkan semua informasi yang tersedia dan membuat keputusan terbaik yang diberikan masukan.
Secara teoritis, ini memberi pendekatan lebih banyak kesempatan untuk meniru keadaan kehidupan nyata, di mana pernyataan kebenaran mutlak atau kepalsuan jarang terjadi.
Terkait keguanaannya sendiri, perlu juga diketahui bahwa fuzzy dapat digunakan oleh analis kuantitatif untuk meningkatkan eksekusi algoritma (lihat selengkapnya tentang definisi dan tujuan algoritma di sini) mereka.
Karena kesamaan dengan bahasa biasa, algoritma fuzzy relatif sederhana untuk dikodekan, tetapi mereka mungkin memerlukan verifikasi dan pengujian menyeluruh.
Kemudian, dalam perkembangannya juga ada akronim yang disebut dengan fuzzy search.
Proses pencarian atau fuzzy search adalah salah satu yang menerapkan algoritma pencarian dengan cara yang lebih lunak daripada algoritma pencarian keras (hard searching) yang hanya cocok dengan hasil yang spesifik dan kaku.
Pencarian fuzzy dapat menjadi jauh lebih efektif untuk beberapa jenis pencarian, karena meskipun mungkin menghasilkan hasil pencarian yang kurang relevan, pencarian ini juga dapat menghasilkan hasil pencarian yang sangat relevan yang telah disaring oleh algoritma pencarian yang terlalu kaku.
Salah satu aplikasi umum dari pencarian fuzzy adalah dalam pencarian akademik atau arsip di mana penting untuk mendapatkan hasil yang memiliki relevansi kurang dari 100% (persen).
Yup! Karena pengguna begitu sering mencari ide umum daripada label teknis, pencarian fuzzy mengembalikan bidang hasil yang lebih luas dari mana pengguna manusia dapat memilih untuk menentukan relevansi dalam konteks.
Pencarian kabur atau samar ini juga dapat berguna dalam terjemahan dan contoh lain di mana kata atau frasa mungkin tidak cocok secara teknis, meskipun memiliki relevansi tinggi.
Agar kita dapat lebih memahami tentang apa itu fuzzy, maka pastinya kita juga harus mengetahui paling tidak sedikit terkait sejarah awal mulanya.
Seperti yang sudah Kami terangkan di atas, logika fuzzy merupakan approach atau pendekatan komputasi berdasarkan "derajat kebenaran atau degree of truth" daripada logika "benar atau salah (true or false)" yang biasanya merupakan (1 atau 0) yang menjadi dasar komputer modern.
Ide logika fuzzy pertama kali dikemukakan oleh seorang pakar atau ahli bernama Lotfi Zadeh yang berasal dari University of California di Berkeley pada tahun 1960-an.
Zadeh sedang mengerjakan masalah pemahaman komputer tentang bahasa alami (natural language).
Well, bahasa alami yang dimaksud di sini adalah seperti kebanyakan aktivitas lain dalam kehidupan dan bahkan alam semesta seperti bahasa Inggris, Indonesia, Malaysia, Singapore, dan lainnya yang tidak mudah diterjemahkan ke dalam suku mutlak 0 dan 1.
Dalam makalah, jurnal, atau paper Zadeh, berjudul "Set Fuzzy" dia berusaha untuk mencerminkan jenis data yang digunakan dalam pemrosesan informasi dan menurunkan aturan logika unsur untuk jenis set ini.
Lebih sering daripada tidak, kelas objek yang ditemui di dunia fisik nyata tidak memiliki kriteria keanggotaan yang ditentukan secara tepat menurutnya.
Namun, faktanya tetap bahwa kelas yang didefinisikan secara tidak tepat memainkan peran penting dalam pemikiran manusia, khususnya dalam domain (lingkup) pengenalan pola, komunikasi informasi, dan abstraksi.
Sejak itu hingga kini di tahun 2024 sekarang, logika fuzzy telah berhasil diterapkan dalam sistem kontrol mesin, pemrosesan gambar, kecerdasan buatan, dan bidang lain yang mengandalkan sinyal dengan interpretasi yang ambigu.
Setelah kita mengetahui apa itu fuzzy, sejarah, dan pengertian logika atau logic-nya, maka kita juga perlu memahami seperti apa tujuan dan fungsi mereka secara spesifik.
Apakah segala sesuatu pada akhirnya dapat dideskripsikan dalam istilah binary atau biner (1 atau 0) adalah pertanyaan filosofis yang layak dikejar.
Tetapi dalam praktiknya, banyak data kita mungkin ingin memberi makan komputer dalam beberapa keadaan di antara dan, sering kali, adalah hasil komputasi.
Mungkin membantu untuk melihat logika fuzzy sebagai cara penalaran yang benar-benar bekerja dan logika biner, atau Boolean (true or false), hanyalah kasus khusus.
Dalam tujuan utamanya, logika fuzzy digunakan untuk meniru penalaran (proses berfikir agar tidak dungu) dan kognisi manusia atau yang dikenal dengan cognitive science (lihat selengkapnya pengertian cognitive science di sini).
Alih-alih kasus kebenaran biner yang ketat, logika fuzzy memasukkan 0 dan 1 sebagai kasus kebenaran ekstrem tetapi dengan berbagai tingkat kebenaran menengah.
Terkait fungsinya, logika fuzzy merupakan generalisasi dari logika standar, di mana suatu konsep dapat memiliki tingkat kebenaran antara 0,0 (nol koma nol) dan 1,0 (satu koma nol).
Sekali lagi, bukan 0 (nol) atau 1 (satu).
Logika standarnya hanya berlaku untuk konsep yang sepenuhnya benar (memiliki tingkat kebenaran 1.0) atau sepenuhnya salah (memiliki tingkat kebenaran 0.0).
Sehingga, mereka berfungsi sebagai penalaran tentang konsep-konsep yang tidak jelas secara inheren, seperti "ketinggian" atau sebagai contoh misalnya, kita mungkin mengatakan bahwa "Presiden Indonesia Jokowi bertubuh tinggi" dengan tingkat kebenaran 0,9 (nol koma sembilan).
Selanjutnya, di subbagian ini kita juga perlu mengenal seperti apa jenis, part (bagian), serta arsitektur dasar dalam logika fuzzy.
Seperti yang dapat kalian lihat pada gambar di atas, arsitektur Fuzzy Logic memiliki 4 (empat) bagian utama yang akan kita bahas masing-masingnya berikut di bawah.
Bagian arsitektur fuzzy pertama yaitu adalah basis aturan atau rule base.
Ini berisi semua aturan dan kondisi jika-maka yang ditawarkan oleh para ahli untuk mengontrol sistem pengambilan keputusan.
Pembaruan terbaru dalam teori atau fuzzy theory menyediakan berbagai metode untuk desain dan penyetelan pengontrol fuzzy.
Pembaruan ini secara signifikan mengurangi jumlah himpunan aturan fuzzy.
Jenis bagian fuzzy selanjutnya yaitu adalah fuzzifikasi atau fuzzyfier.
Langkah fuzzifikasi membantu untuk mengkonversi input, serta memungkinkan Anda untuk mengonversi angka yang jelas menjadi himpunan fuzzy.
Masukan tajam diukur oleh sensor dan diteruskan ke sistem kontrol untuk diproses lebih lanjut.
Hal tersebut termasuk seperti untuk suhu kamar, tekanan, dan lain sebagainya.
Berikutnya yaitu intelligence (pengetahuan) atau inference machine (mesin Inferensi).
Bagian dari arsitektur ini membantu Anda untuk menentukan tingkat kecocokan antara input fuzzy dan rule atau aturannya.
Berdasarkan tingkat persen (%) kecocokan, ini menentukan aturan mana yang perlu diterapkan sesuai dengan bidang input yang diberikan.
Setelah ini, aturan yang diterapkan digabungkan untuk mengembangkan tindakan kontrol.
Jenis bagian arsitektur fuzzy terakhir yang akan Kami jelaskan di sini yaitu adalah defuzzifikasi atau defuzzyfier.
Setelah melalui semua proses sebelumnya, seperti yang sudah Kami jelaskan di atas, maka dilakukan proses defuzzifikasi untuk mengubah himpunan fuzzy menjadi nilai crisp.
Ada banyak jenis teknik yang tersedia, jadi Anda perlu memilihnya yang paling cocok ketika digunakan dengan sistem Anda.
Membahas terkait makna dari istilah fuzzy, tentunya hal tersebut tidak terlepas dari apa saja macam-macam ciri dan karakteristik logika atau logic kabur, samar, dan tidak jelas ini.
Oke, langsung saja, adapun beberapa ciri-ciri dan karakteristik penting dari logika fuzzy yang perlu kalian ketahui adalah sebagai berikut:
Memang, melihat ciri-ciri dan karakteristiknya di atas, dapat dikatakan bahwa fuzzy bisa digunakan dalam berbagai jenis masalah, dan inilah yang menyebabkan kita juga harus mengetahui apa saja saat-saat kita tidak perlu, boleh, atau harus menggunakan logika fuzzy.
Berikut ini adalah situasi tertentu ketika Anda sebaiknya tidak menggunakan logika fuzzy:
Bagaimana, berdasarkan penjelasan pengertian, sejara, tujuan, jenis, dan macam ciri fuzzy di atas, kita pastinya sudah dapat menggambarkan seperti apa logika atau logic-nya bukan?
Lalu, seperti apa contoh dari fuzzy?
Oke, perancangan sistem logika fuzzy ini dimulai dengan satu set fungsi keanggotaan yang dikenal dengan membership function untuk setiap input dan satu set untuk setiap output.
Seperangkat rule atau aturannya kemudian diterapkan pada fungsi keanggotaan untuk menghasilkan nilai keluaran yang tajam.
Mari kita ambil contoh algoritma, kontrol proses, dan memahami cara kerja dari fuzzy logic.
Seperti yang dapat kalian lihat pada gambar di atas, maka dapat kita terangkan algoritmanya berdasarkan tahapan yang ada dalam arsitektur fuzzy adalah:
Masih belum paham? Baik, mari kita lihat contoh lainnya dengan membandingkannya dengan logic atau logika lainnya dari fuzzy, seperti logika Boolean seperti gambar berikut.
Memang, setelah melihat penjelasan dan contoh dari fuzzy logic di atas, dapat kitakan bahwasanya logika kabur atau samar ini mempunyai kelebihan, kekurangan, atau keuntungan, dan kerugiannya masing-masing.
Logika fuzzy sering digunakan dalam pengontrol mesin dan kecerdasan buatan dan juga dapat diterapkan pada perangkat lunak komersial, meskipun memiliki berbagai aplikasi, dia juga memiliki keterbatasan substansial.
Salah satu kelebihan, keuntungan, atau kegunaannya yaitu karena logika fuzzy meniru pengambilan keputusan manusia, ini sangat berguna untuk memodelkan masalah kompleks dengan input yang ambigu atau terdistorsi dan karena kesamaan dengan bahasa alami, algoritma logika fuzzy lebih mudah untuk dikodekan daripada pemrograman logika standar, serta memerlukan lebih sedikit instruksi, sehingga menghemat kebutuhan penyimpanan memori.
Keuntungan tersebut juga datang dengan kelemahan atau kerugian, karena sifat logika fuzzy yang tidak tepat dan karena sistem dirancang untuk data dan input yang tidak akurat, maka sistem tersebut harus diuji dan divalidasi untuk mencegah hasil yang tidak akurat.
Benar! Logika fuzzy lebih cenderung mencerminkan masalah dunia nyata daripada logika klasik dan memiliki persyaratan perangkat keras (hardware requirements) yang lebih rendah daripada logika boolean klasik, serta dapat menghasilkan hasil yang akurat dengan data yang tidak tepat atau tidak akurat.
Namun, algoritma fuzzy juga membutuhkan validasi dan verifikasi yang luas dan sistem kendalina bergantung pada keahlian dan pengetahuan manusia, di mana hal itu yang menjadi kekurangan utama di dalamnya.
Kemudian, bagaimana cara kerja fuzzy logic ini dalam lingkup penambangan data?
Oke, untuk menjawabnya, perlu Kami tekankan terlebih dahulu bahwa data mining mengacu pada proses mengidentifikasi hubungan yang signifikan dalam kumpulan data yang besar, bidang yang tumpang tindih dengan statistik, pembelajaran mesin, dan ilmu komputer.
Sedangkan logika fuzzy hanyalah seperangkat aturan yang dapat digunakan untuk mencapai kesimpulan logis dari kumpulan data fuzzy.
Karena penambangan data sering diterapkan pada pengukuran yang tidak tepat, logika fuzzy dapat menjadi cara yang berguna untuk menentukan hubungan yang relevan dari jenis data ini.
Lalu, apakah logika fuzzy ini dapat dikatakan sama dengan machine learning (pembelajaran mesin)?
sering dikelompokkan bersama dengan pembelajaran mesin, tetapi keduanya bukanlah hal yang sama.
Machine learning atau pembelajaran mesin mengacu pada sistem komputasi yang meniru kognisi manusia, dengan mengadaptasi algoritma secara iteratif untuk memecahkan masalah yang kompleks.
Sedangkan logika fuzzy hanya seperangkat aturan dan fungsi yang dapat beroperasi pada kumpulan data yang tidak tepat, tetapi algoritmanya masih perlu dikodekan oleh manusia.
Yup! Fuzzy dan machine learning ini memiliki aplikasi dalam kecerdasan buatan (buka selengkapnya arti kecerdasan buatan di sini) dan pemecahan masalah yang kompleks.
Terkait pembahasan di atas, ada juga beberapa rekan-rekan Kami yang menanyakan apa yang membedakan fuzzy dengan neural network?
Oke, jaringan saraf tiruan atau artificial neural network adalah sistem komputasi yang dirancang untuk meniru prosedur pemecahan masalah dari sistem saraf mirip manusia.
Ini tentunya sangan berbeda dari logika fuzzy, yang hanya seperangkat aturan yang dirancang untuk mencapai kesimpulan dari data yang tidak tepat.
Walaupun keduanya memiliki aplikasi dalam ilmu komputer atau computer science, tetapi keduanya adalah bidang yang berbeda.
Baik, Kami pikir sudah cukup jelas sekarang dalam membahas Pengertian Fuzzy, Apa itu Fuzzy Logic dan Search? Sejarah, Tujuan, Fungsi, Jenis Bagian Arsitektur, Macam Karakteristik, Contoh, Kelebihan, Kekurangan, serta Kegunaannya.
Jadi, berdasarkan penjelasan dan pembahasan tentang di atas, dapat kita simpulkan bahwa fuzzy mengacu kepada sesuatu yang tidak dapat dijelaskan secara sempurna dengan cara logis.
Fuzzy Logic (FL) adalah metode penalaran yang menyerupai penalaran manusia, dan pendekatan logic atau logikanya meniru cara pengambilan keputusan pada manusia yang melibatkan semua kemungkinan perantara antara nilai-nilai digital "Ya" dan "Tidak".
Secara umum, terkait berbagai macam jenis kegunaan fuzzy, para pakar atau ahli sering menggunakan sistem logika fuzzy untuk tujuan komersial dan praktis seperti mengontrol mesin dan produk konsumen.
simple-nya fuzzy dapat dikatakan dengan, jika bukan alasan yang akurat, setidaknya memberikan alasan yang dapat diterima
Ini membantu dalam menangani ketidakpastian dalam rekayasa perangkat lunak atau software engineering.
Demikianlah postingan artikel yang dapat Kami bagikan kali ini, di mana Kami membahas terkait Pengertian Fuzzy, Apa itu Fuzzy Logic dan Search? Sejarah, Tujuan, Fungsi, Jenis Bagian Arsitektur, Macam Karakteristik, Contoh, Kelebihan, Kekurangan, serta Kegunaannya.
Semoga apa yang sudah Kami coba sampaikan serta jelaskan di sini dapat bermanfaat dan juga dapat menambah wawasan dan pengetahuan kita semua terutama dalam bidang teknologi, data science, khususnya kecerdasan buatan, dan berkenaan dengan teknologi bisnis.
Silahkan bagikan artikel atau postingan Kami di sini kepada teman, kerabat serta rekan kerja dan bisnis kalian semua khususnya jika kalian temukan ini bermanfaat dan juga jangan lupa subscribe Blog dan YouTube Kami. Sekian dari Kami, Terima Kasih.
Bagikan dengan menggunakan tombol di atas.