Fuzzy

Perhatikan contoh-contoh berikut

1. The description of a human characteristics such as healthy.
2. The classification of patients as depressed.
3. The classification of certain objects as large.
4. The classification of people by age such as old.

Pada contoh-contoh di atas, terminologi seperti depressed, old, dan large adalah kabur dalam artian bahwa hal tersebut tidak bisa dengan jelas didefinisikan. Namun sebagai manusia, kita sering berhubungan dengan informasi-informasi tersebut dan mengunakannya untuk membuat keputusan. Terminologi tersebut sangat kontras dengan kata-kata seperti married, over 39 years old, atau under 6 feet tall.

Dalam matematika, kita terbiasa menggunakan himpunan untuk, katakanlah, bilangan integer. Tapi saat berbicara tentang himpunan depressed people, sulit untuk memutuskan apakah seseorang berada dalam himpunan tersebut atau tidak. Memaksa dengan menjawab ya atau tidak mungkin bisa dilakukan tapi akan ada informasi yang hilang yaitu seberapa besar kadar depresinya.

Membicarakan Fuzzy Logic berarti berbicara tentang degree. Sebagai contoh, bandingkan kedua kalimat berikut :

"BMG meramalkan bahwa peluang terjadinya hujan pada esok hari sebesar 50%."
"BMG mengatakan bahwa besok akan terjadi hujan deras."

Kalimat pertama adalah tentang teori kemungkinan atau probabilitas, bahwa besok bisa saja hujan. Tapi bisa juga tidak. Kemungkinannya sama. Sedangkan kalimat kedua mengatakan bahwa besok terjadi hujan, itu adalah fakta, dengan intensitas tertentu. Apakah hujan tersebut bisa disebut deras atau tidak itu tergantung kadarnya (dan opini). Fuzzy logic berhubungan dengan kadar (degree) terhadap sesuatu.

Jika Boolean logic hanya memiliki state 1 dan 0, maka Fuzzy logic punya range kontinyu antara 0 dan 1. Jadi sesuatu bisa setengah benar (0,5), hampir benar (0,9) atau hampir tidak benar (0,1).

Model matematika fuzzy diperkenalkan oleh Zadeh pada 1965. Profesor Zadeh ini beranggapan bahwa arti suatu kata dalam natural language adalah masalah degree. Jika kita memiliki dalil seperti John is young maka kita tidak selalu bisa mengatakan bahwa hal tersebut benar atau salah. Jika kita mengetahui bahwa umur John adalah x maka kebenarannya, atau lebih tepatnya kecocokan, dari x dengan young adalah masalah kadar (degree). Ini tergantung pemahaman kita terhadap young tersebut. Jika dalilnya diganti dengan John is under 22 years old dan kita tahu umur John, maka kita bisa memberi jawaban ya atau tidak (benar atau salah umur John di bawah 22 tahun). Jelas bahwa 18 dan 20 itu muda, tapi dengan sudut pandang yang bebeda 18 lebih muda daripada 20. Hal ini menjelaskan bahwa keanggotaan himpunan fuzzy tidak seharusnya dalam basis 0 ATAU 1, tapi ANTARA 0 DAN 1.

Berikut adalah contoh pemodelan fuzzy untuk young :




Contoh pemodelan yang lain :




Menggunakan contoh kedua di atas, jika kita memiliki nilai umur x adalah 20 maka dalil John is young adalah benar 100%. Jika x adalah 66 maka nilai Y(66) = (70-66)/20 = 0.2. Jadi nilai kemudaannya atau derajat kemudaannya adalah 0.2.