Fuzzy Database. Abstrak. Pendahuluan. Pembahasan. Jarnuji

Fuzzy Database Jarnuji [email protected]

Abstrak Logika fuzzy merupakan alternatif cara berpikir yang dapat memodelkan kompleks sistem menggunakan pengetahuan dan pengalaman yang dipunyai logika dimulai sebagai studi tentang bahasa dalam argument dan persuasif , dan hal itu kemungkinan digunakan untuk menilai kebenaran dari rantai reasoning, dalam bentuk matematikanya.

Kata Kunci: Terlebih lagi didorong dengan adanya kemajuan ilmu pengetahuan

Pendahuluan Berisi maksud, tujuan, manfaat dan target pembaca dari artikel ini ditulis sebagai bentuk sumbansih keilmuan dibidang teknologi informasi untuk mencerdasakan anak bangsa.

Pembahasan Fuzzy database merupakan Fuzzy Query Database. Artinya, suatu query yang memiliki variabel - variabel yang bernilai fuzzy. Untuk mendapatkan informasi tentang kriteria laptop maka dibutuhkan kriteria - kriteria laptop seperti harddisk, processor, berat, lcd display, memory dan harga. Alasan memakai fuzzy database untuk rekomendasi pemilihan laptop karena fuzzy database dapat dengan mudah diakses oleh pengguna berdasarkan kriteria yang mudah dimengerti seperti spesifikasi harddisk, processor, berat, lcd display, memory dan harga.

Fuzzy Database Model Tahani Lisensi Dokumen: Copyright © 2008-2014 ilmuti.org Seluruh dokumen di ilmuti.org dapat digunakan, dimodifikasi dan disebarkan secara bebas untuk tujuan bukan komersial (nonprofit), dengan syarat tidak menghapus atau merubah atribut penulis dan pernyataan copyright yang disertakan dalam setiap dokumen. Tidak diperbolehkan melakukan penulisan ulang, kecuali mendapatkan ijin terlebih dahulu dari ilmuti.org

Basisdata fuzzy model tahani masih tetap menggunakan relasi standar, hanya saja model ini menggunakan teori himpunan fuzzy untuk mendapatkan informasi pada query-nya (Kusumadewi, 2010). Metode Tahani tersusun atas tahapan yaitu:

1) Menggambarkan Fungsi Keanggotaan Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki internal antara 0 sampai 1, salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Beberapa fungsi yang dapat digunakan yaitu Representasi kurva Linier, Representasi Kurva Segitiga. Representasi Kurva Trapesium. Masing-masing fungsi tersebut, akan menghasilkan nilai antara “0” dan “1” dengan cara yang berbeda, sesuai dengan jenis representasi yang digunakan. 2) Fuzzifikasi Fuzzifikasi adalah fase pertama dari perhitungan fuzzy yaitu pengubahan nilai tegas ke nilai fuzzy. Prosesnya adalah sebagai berikut: Suatu besaran analog dimasukkan sebagai masukan (crisp input), lalu input tersebut dimasukkan pada batas scope dari membership function. Membership function ini biasanya dinamakan membership function input. Keluaran dari proses fuzzifikasi ini adalah sebuah nilai input fuzzy atau yang biasanya dinamakan fuzzy input. 3) Fuzzifikasi Query Fuzzifikasi Query diasumsikan sebuah query konvensional (nonfuzzy) DBMS yang akan mencoba membuat dan menerapkan sebuah system dasar logika fuzzy query . 4) Operator Dasar Zadeh untuk Operasi Himpunan Fuzzy. Nilai keanggotaan sebagai dari 2 himpunan fuzzy dikenal dengan nama Fire Strength atau α-predikat. Sangat mungkin digunakan operator dasar dalam proses query berupa operator AND dan OR.

Lisensi Dokumen: Copyright © 2008-2014 ilmuti.org Seluruh dokumen di ilmuti.org dapat digunakan, dimodifikasi dan disebarkan secara bebas untuk tujuan bukan komersial (nonprofit), dengan syarat tidak menghapus atau merubah atribut penulis dan pernyataan copyright yang disertakan dalam setiap dokumen. Tidak diperbolehkan melakukan penulisan ulang, kecuali mendapatkan ijin terlebih dahulu dari ilmuti.org

α -predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan, dinotasikan : µA B = min(µA[x], µB[x]). Sedangkan untuk hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada himpunan-himpunan yang bersangkutan, dinotasikan : µAUB = max(µA[x], µB[x]). Alternatif yang direkomendasikan adalah alternatif yang memiliki nilai Fire Strength atau tingkat kesesuaian dengan kriteria pilihan diatas angka 0 (nol) sampai dengan angka 1 (satu).

1. Definisi Logika Fuzzy Logika fuzzy atau fuzzy logic bermula dari kenyataan bahwa dunia nyata sangat kompleks. Kompleksitas ini muncul dari ketidakpastian dalam bentuk informasi imprecision (ketidakpastian). Mengapa komputer yang dibuat oleh manusia tidak mampu menangani persoalan yang kompleks dan tidak presisi ini sedangkan manusia bisa. Jawabanya adalah manusia mempunyai kemampuan untuk menalar (Reasoning) dengan baik yaitu kemampuan yang komputer tidak mempunyainya.pada suatu sistem jika kompleksitasnya berkurang, maka persamaan matematik dapat digunakan dan ketelitian yang dihasilkan menjadi sangat berguna dalam pemodelan sistem tetapi jika kompleksitasnya bertambah dimana persamaan matematik tidak dapat digunakan , logika fuzzy menjadi salah satu alternatif penyelesaiannya. Logika fuzzy merupakan alternatif cara berpikir yang dapat memodelkan kompleks sistem menggunakan pengetahuan dan pengalaman yang dipunyai logika dimulai sebagai studi tentang bahasa dalam argument dan persuasif , dan hal itu kemungkinan digunakan untuk menilai kebenaran dari rantai reasoning, dalam bentuk matematikanya sebagai contoh adalah sebagai berikut : Dalam dua nilai logika proporsinya bisa benar atau salah , tetapi tidak keduanya. Kebenaran ditandai dengan statement(pernyataan) nilai kebenaran. Dalam fuzzy logic proporsi kemungkinan benar atau salah atau mempunyai setengah nilai kebenaran , seperti kemungkinan benar.


Ide pemikiran pada sistem fuzzy yaitu nilai kebenaran (dalam fuzzy logic) atau nilai fungsi keanggotaan (Membership function) dalam fuzzy set diindikasikan oleh nilai pada range [0.0,1.0], dengan 0.0 mewakili kesalahan absolut dan 1.0 mewakili kebenaran absolut. Dalam kasus ini berhubungan dengan multivalued logic(logika bernilai banyak). Sebagai contoh , kalimat :”Arthur is old.”

Jika umur Arthur 80, kemungkinan akan memberikan statement nilai kebenaran 0.80. Statement dapat diartikan menjadi set terminologi sebagai berikut:”Arthur adalah anggota dari set orang tua .” Suatu logika berdasar pada dua nilai kebenaran true and false kadang-kadang tidak cukup manakala menguraikan dan menggambarkan pemikiran manusia. Logika fuzzy menggunakan keseluruhan interval 0(False) dan 1(True) untuk menguraikan pemikiran manusia . Sebagai hasilnya logika fuzzy diterapkan dalam mengatur sebuah sistem karena sifatnya yang lebih sesuai dengan cara berpikir manusia.

2. Sejarah Fuzzy Logic

Sistem fuzzy merupakan suatu alternatif untuk pemikiran tradisional dari set keanggotaan dan logika yang berasal dari filosopi yunani dan aplikasi pada intelegensia semu. Logika fuzzy pertama kali diperkenalkan oleh seseorang professor computer science dari University of California di Berkeley yang bernama Lofti A.Zadeh pada tahun 1965 dan berhasil diaplikasikan dalam bidang kontrol oleh E.H.Mamdani. Sejak itu aplikasi dari logika fuzzy ini berkembang pesat terutama dinegara Jepang dengan dihasilkannya ribuan paten mulai dari bermacam-macam produk elektronik sampai aplikasi pada kereta api di kota Sendai. Logika fuzzy pada dasarnya merupakan logika bernilai banyak(Multivalued Logic)yang dapat mendefinisikan nilai diantara keadaan yang biasa dikenal seperti ya atau tidak, hitam atau putih, benar atau salah. logika fuzzy


menirukan cara manusia mengambil keputusan dengan kemampuannya bekerja dari data yang samar atau tidak rinci dan menemukan penyesuaian yang tepat. Contoh aplikasi logika fuzzy antara lain: • Penerapan logika fuzzy dalam pengaturan kipas angin atau AC. Dimana dalam masalah ini digunakan thermometer untuk menentukan suhu ruangan, dan variabel fuzzy yang dimodelkan adalah suhu ruangan dan putaran mesin. Dengan himpunan fuzzy untuk variabel suhu ruangan adalah dingin, sedang, dan panas. Sedang untuk variable putaran mesin, himpunan fuzzy yang dipakai adalah lambat, sedang dan cepat. • Penerapan logika fuzzy dalam otomatisasi persneling pada mobil otomatis. Pada masalah ini variable fuzzy yang dimodelkan adalah putaran mesin dan posisi gear kendaraan. Dengan himpunan fuzzy untuk variabel putaran mesin adalah rendah, sedang, dan tinggi. Dan untuk variabel posisi gear adalah kecil, sedang, dan besar. • Penerapan logika fuzzy dalam penentuan diafragma pada kamera foto manual. Variabel yang digunakan adalah intensitas cahaya dan ukuran diafragma. Dengan himpunan fuzzy untuk variabel intensitas cahaya adalah gelap, sedang, dan terang. Dan untuk variabel ukuran diafragma adalah buka penuh, buka setengah, dan buka sedikit. Dan masih banyak lagi aplikasi lainnya.

Penutup Persamaan matematik dapat digunakan dan ketelitian yang dihasilkan menjadi sangat berguna dalam pemodelan sistem tetapi jika kompleksitasnya bertambah dimana persamaan matematik tidak dapat digunakan , logika fuzzy menjadi salah satu alternatif penyelesaiannya.

Referensi http://fanny-andreas.blogspot.com/2010/11/sejarah-dan-definisi-logika-fuzzy.html http://dutaxp.blogspot.com/2014/01/pengertian-logika-fuzzy-fuzzy-logic.html


http://fuzzydatabase.blogspot.com/2012/05/proposal-tugas-akhir-penerapanfuzzy_28.html

Biografi Jarnuji mahasiswa Raharja jurusan SIM jengjang strata 1,yg bertempat tinggal diRawa Kidang, Sukadiri, kab.Tangerang.


Fuzzy Database. Abstrak. Pendahuluan. Pembahasan. Jarnuji

Recommend Documents