Heuristic Search

Heuristic Search

Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian, namum dengan kemungkinan mengorbankan kelengkapan (completeness).

Heuristic Search adalah pencarian bersyarat (terbimbing). Artinya, solusi yang diperoleh adalah solusi yang terbaik, bukan solusi sekali ketemu. Bagian-bagiannya adalah [masalah]-[pencarian]-[syarat]-[solusi]. Misal contoh masalah pada kasus ini, Ambillah kelereng merah yang tidak pecah dan tidak lonjong. Sehingga ketika ketemu kelereng merah dan ada pecahnya, itu masih bukan solusi karena tidak sesuai dengan syarat (tidak pecah dan tidak lonjong).

Fungsi heuristik digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.

Contoh algoritma Heuristic Search yaitu Generate and Test, Simple Hill Climbing, Steepest-Ascent Hill Climbing, Simulated Annealing, Greedy, Best-First Search, dan A* (A Star).

A. GENERATE and TEST (PEMBANGKITAN dan PENGUJIAN)

Metode ini merupakan penggabungan antara depth-first search dengan pelacakan mundur (backtracking), yaitu bergerak ke belakang menuju pada suatu keadaan awal.

Algoritma :

1. Bangkitkan suatu kemungkinan solusi (membangkitkan suatu tititk tertentu atau lintasan tertentu dari keadaan awal).

2. Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengan cara membandingkan node terebut atau node akhir dari suatu lintasan yang dipilih dengan kumpulan tujuan yang diharapkan.

3. Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah pertama.

Contoh : “Travelling Salesman Problem (TSP)”

Seorang salesman ingin mengunjungi n kota. Jarak antara tiap-tiap kota sudah diketahui. Kita ingin mengetahui ruter terpendek dimana setaip kota hanya boleh dikkunjungi tepat 1 kali. Misalkan ada 4 kota dengan jarak antara tiap-tiap kota seperti gambar di bawah ini :

Penyelesaian dengan metode Generate and Test

Alur pencarian dengan Generate and Test

Pencarian ke-	Lintasan	Panjang Lintasan	Lintasan Terpilih	Panjang Lintasan Terpilih
1	ABCD	19	ABCD	19
2	ABDC	18	ABDC	18
3	ACBD	12	ACBD	12
4	ACDB	13	ACBD	12
5	ADBC	16	ACBD	12
Dst…

 

B. HILL CLIMBING (PENDAKIAN BUKIT)

 

Metode ini hampir sama dengan metode pembangkitan dan pengujian, hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristic. Pembangkitan keadaan berikutnya tergantung pada feedback dari prosedur pengetesan. Tes yang berupa fungsi heuristic ini akan menunjukkan seberapa baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnyayang mungkin.

 

Algoritma Hill Climbing

1. Cari operator yang belum pernah digunakan; gunakan operator ini untuk mendapatkan keadaan yang baru.

2. Kerjakan langkah-langkah berikut sampai solusinya ditemukan atau sampai tidak ada operator baru yang akan diaplikasikan pada keadaan sekarang :

• Cari operator yang belum pernah digunakan; gunakan operator ini untuk mendapatkan keadaan yang baru.
• Evaluasi keadaan baru tersebut
• Jika keadaan baru merupakan tujuan, keluar
• Jika bukan tujuan, namun jika nilainya lebih baik daripada keadaan sekarang, maka jadikan keadaan baru tersebut sebagai keadaan sekarang
• Jika keadaan baru tidak lebih baik dari sekarang, lanjutkan iterasi

 

Contoh TSP

• Operator : Tukar kota ke-i dengan kota ke-j (Tk i,j)

• Untuk 4 kota:

– Tk 1,2 : tukar kota ke-1 dengan kota ke-2.

– Tk 1,3 : tukar kota ke-1 dengan kota ke-3.

– Tk 1,4 : tukar kota ke-1 dengan kota ke-4.

– Tk 2,3 : tukar kota ke-2 dengan kota ke-3.

– Tk 2,4 : tukar kota ke-2 dengan kota ke-4.

– Tk 3,4 : tukar kota ke-3 dengan kota ke-4.

• Untuk N kota, akan ada operator sebanyak:

Sumber :

http://www.elangsakti.com/2013/03/bahasan-fundamental-tentang-blind.html

http://wisatapikiran.blogspot.co.id/2013/03/perbedaan-blind-search-dengan.html

https://aiukswkelasgkelompok7.wordpress.com/metode-pencarian-dan-pelacakan/

Blind Search

Blind Search

Blind Search merupakan pencarian asal ketemu. Jika solusi sudah ketemu, maka pencarian akan dihentikan. Jika dibuat skemanya, pencarian buta hanya mengenal tiga bagian, [masalah]-[pencarian]-[solusi]. Misalkan dalam kotak ada 3 kelereng warna merah, 3 biru, dan 3 kuning. Masalahnya adalah, ambillah satu kelereng yang berwarna merah. Solusi, setelah melakukan pencarian, kemudian didapat satu kelereng warna merah, nah, itulah solusinya.

 

Algoritma yang termasuk Blind Search yaitu Breadth First Search (BFS), Depth First Search (DFS), Uniform Cost Search (UCS), Depth-Limited Search (DLS), Iterative-Deeping Search (IDS), dan Bi-directional search (BDS). Hanya saja yang paling banyak dibahas adalah Breadth First Search (BFS) dan Depth First Search (DFS).

 

A. Breadth-First Search (Pencarian Melebar Pertama)

• Pada metode breadth-first search, semua node pada level n akan dikunjungi terlebih dahulu sebelum mengunjungi node-node pada level n+1.
• Pencarian dimulai dari node akar terus ke level ke-1 dari kiri ke kanan, kemudian berpindah ke level berikutnya, demikian pula dari kiri ke kanan hingga ditemukannya solusi (lihat algoritma di bawah ini).

  

 

Prosedur breadth_first_search

Inisialisasi : open = [start]; closed [ ]

While open = [ ] do

Begin

Hapuskan keadaan paling kiri dari keadaan open,

sebutlah keadaan itu dengan X;

Jika X merupakan tujuan then return (sukses);

Buatlah semua child dari X;

Ambillah X dan masukkan pada closed;

Eliminasilah setiap child X yang telah berada pada

open atau closed, yang akan menyebabkan loop

dalam search;

Ambillah turunan di ujung kanan open sesuai urutan

penemuan-nya;

End;

 

Keuntungan :

• Tidak akan menemui jalan buntu 
• Jika ada satu solusi, maka breadth-first search akan menemukannya. Dan, jika ada lebih dari satu solusi, maka solusi minimum akan ditemukan.

Kelemahan :

• Membutuhkan memori yang cukup banyak, karena menyimpan semua node dalam satu pohon 
• Membutuhkan waktu yang cukup lama, karena akan menguji n level untuk mendapatkan solusi pada level yang ke-(n+1). 

 

B. DEPTH-FIRST SEARCH (Pencarian Kedalam Pertama)

Pada Depth-First Search, proses pencarian akan dilakukanpada semua anaknya sebelum dilakukan pencarian ke node-node yang selevel. Pencarian dimulai dari node akar ke level yang lebih tinggi. Proses ini diulangi terus hingga ditemukannya solusi (lihat gambar di bawah).

 

 

 

sprosedur depth_first_search

inisialisasi: open = [Start]; closed = []

while open x [] do

begin

hapuskan keadaan berikutnya dari sebelah kiri open, sebutlah keadaan itu dengan X;

jika X merupakan tujuan then return(sukses);

buatlah semua child yang dimungkinkan dari X;

ambilah X dan masukkan pada closed;

eliminasilah setiap child X yang telah berada pada

open atau closed, yang akan menyebabkan loop

dalam search;

ambilah child X yang tersisa di ujung kanan open

sesuai urutan penemuannya;

end;

 

Keuntungan :

• Membutuhkan memori yang relative kecil, karena hanya node-node pada lintasan yang aktif saja yang disimpan. 
• Secara kebetulan, metode depth-first search akan menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan.

Kelemahan :

• Memungkinkan tidak ditemukannya tujuan yang diharapakan 
• Hanya akan menemukan 1 solusi pada setiap pencarian 

 

Sumber :

http://www.elangsakti.com/2013/03/bahasan-fundamental-tentang-blind.html

https://aiukswkelasgkelompok7.wordpress.com/metode-pencarian-dan-pelacakan/

http://wisatapikiran.blogspot.co.id/2013/03/perbedaan-blind-search-dengan.html

SISTEM PAKAR

Pengertian sistem pakar (Expert System) menurut para ahli, Martin dan Oxman (1998) Sistem berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut. menurut Durkin sistem pakar merupakan program komputer yang dirancang untuk memodelkan kemampuan penyelesaian masalah yang dilakukan oleh seorang pakar. Sedangkan menurut Giarratano dan Riley sistem pakar merupakan sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar.

Sistem pakar merupakan sistem yang menggunakan pengetahuan manusia yang terekam dalam komputer untuk memecahkan persoalan yang membutuhkan keahlian manusia, selain itu sistem pakar juga bisa berarti sistem informasi berbasis komputer yang menggunakan pengetahuan pakar untuk mencapai performa keputusan tingkat tinggi dalam domain persoalan yang sempit.

                       

Sistem pakar sendiri pertama kali dikembangkan oleh komunitas AI pada pertengahan tahun 1960. ES yang muncul pertama kali adalah General-purpose Problem Solver (GPS) yang dikembangkan oleh Newel dan Simon.

Ciri-ciri sistem pakar, diantaranya :

• Dapat digunakan dalam berbagai jenis komputer
• Memiliki fasilitas informasi yang handal
•  Terbatas pada bidang yang spesifik
• Berdasarkan pada rule atau kaidah tertentu
• Outputnya bersifat nasihat atau anjuran
• Output tergantung dari dialog dengan user
• Mudah dimodifikasi

Keuntungan menggunakan sistem pakar antara lain :

• Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli
• Menyimpan pengetahuan dan keahlian para pakar
• Meningkatkan output dan produktivitas
• Menghemat waktu dalam pengambilan keputusan
• Menigkatkan kualitas

Kelemahan dari sistem pakar, antara lain :

• Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal
• Sulit dikembangkan karena pakar (orang yang ahli) sesuai bidangnya terbatas
• Tidak 100% bernilai benar

Konsep dasar sistem pakar
Menurut Efraim Turban, konsep dasar sistem pakar mengandung beberapa hal yang di antaranya:
a)  Keahlian

Merupakan suatu kelebihan penguasaan pengetahuan di bidang tertentu yang diperoleh dari pelatihan, membaca atau pengalaman. Contoh bentuk pengetahuan ; Strategi-strategi global untuk menyelesaikan masalah

b)  Ahli (Pakar)

Merupakan seseorang yang memiliki pengetahuan, penilaian, pengalaman, metode tertentu, serta mampu menerapkan keahlian dalam memberikan advise untuk pemecahan persoalan, serta mampu menjelaskan suatu tanggapan, mempelajari hal-hal baru seputar topik permasalahan, mengenali & merumuskan permasalahan, menyusun kembali pengetahuan jika dipandang perlu, memecah aturan-aturan jika dibutuhkan, dan mampu menentukan relevan tidaknya keahlian mereka.

c)  Pengalihan Keahlian

Merupakan pengalihan keahlian dari para ahli ke komputer untuk kemudian dialihkan lagi ke orang lain yang bukan ahli, dimana pengetahuan yang disimpan di komputer ini disebut dengan nama basis pengetahuan. Ada 2 tipe pengetahuan, yaitu: fakta dan prosedur (biasanya berupa aturan).

d)     Inferensi

Kemampuan untuk melakukan penalaran dengan menggunakan pengetahuan yang ada untuk menghasilkan suatu kesimpulan atau hasil akhir. dengan menggunakan motor interafe yang merupakan permodelan proses berfikir dan bernalar layaknya manusia.

e)  Aturan
Sebagian besar sistem pakar dibuat dalam bentuk rule-based system, dimana pengetahuan disimpan dalam bentuk aturan-aturan yang biasanya berbentuk IF-THEN
f)  Kemampuan Menjelaskan
Kemampuan untuk menjelaskan dan merekomendasi, yang membedakan sistem pakar dengan sistem konvensional.

Diagram Struktur Sistem Pakar

      


Struktur sistem pakar bisa dijelaskan seperti berikut :

—Basis pengetahuan : Berupa pengetahuan-pengetahuan yang dibutuhkan untuk memahami, memformulasi, dan memecahkan masalah. Diaman basis pengetahuan tersusun atas 2 elemen dasar:

1. Fakta, misalnya: situasi, kondisi, dan kenyataan dari permasalahan yang ada, serta teori dalam bidang itu
2. Aturan, yang mengarahkan penggunaan  pengetahuan untuk memecahkan masalah yang spesifik dalam bidang yang khusus

Contoh Penerapan :

·         MYCIN  : Digunakan untuk mendiagnosa penyakit.

·         Dendral  : Digunakan untuk mengidentifikasikan struktur molekul campuran kimia yang tidak dikenal.

·         XCON & XSEL : Digunakan untuk konfigurasi sistem komputer besar.

·         Prospector : Digunakan dalam bidang ilmu biologi.

Penerapan Sistem Pakar

Aplikasi Sistem Pakar Tes Kepribadian Berbasis Web

Kepribadian sangatlah penting untuk diketahui setiap orang agar setiap individu mampu mengembangkan kelebihan yang dimilikinya. Seseorang yang kesulitan dalam mengembangkan dirinya kemungkinan karena tidak mengetahui sama sekali kelemahan dan kekurangan yang dimilikinya. Sistem Pakar merupakan suatu sistem yang dibangun untuk memindahkan kemampuan dari seorang atau beberapa orang pakar ke dalam komputer yang digunakan untuk memecahkan masalah yang dihadapi oleh pemakai dalam bidang tertentu. Untuk membantu setiap orang yang ingin mengetahui kepribadiannya, penulis membangun sebuah aplikasi sistem pakar berbasis web yang mampu membantu pengenalan seseorang terhadap kepribadiannya. Proses pembuatan aplikasi tersebut menggunakan metodologi berorientasi obyek dengan pemodelan visual Unified Modeling Language (UML). Pada tahap implementasi penulis menggunakan perangkat pemrograman berbasis web, Apache2Triad 1.5.2 yang berisi Apache 2.0.53, dan PHP 5.0.4. Aplikasi ini dapat membantu pengguna untuk mengetahui kepribadiannya, sehingga dapat membantu untuk mengembangkannya.

Sumber :

• https://www.academia.edu/4793057/Aplikasi_Sistem_Pakar_Tes_Kepribadian_Berbasis_Web
• http://umardanny.com/pengertian-sistem-pakar/
• http://universitaspendidikan.com/contoh-makalah-sistem-pakar-pengertian-prinsip-dasar-dan-ciri-cirinya/
• http://www.zainalhakim.web.id/pengertian-sistem-pakar.html
• http://ira.lecturer.pens.ac.id/SPK/sistem%20pakar.pdf

FUZZY LOGIC

ASAL    MULA     FUZZY     LOGIC

 

Konsep Fuzzy Logic diperkenalkan oleh Prof. Lotfi Zadeh dari Universitas California diBerkeley pada 1965, dan dipresentasikan bukan sebagai suatu metodologi control, tetapi sebagaisuatu cara pemrosesan data dengan memperkenankan penggunaan partial set membership dibandingcrisp set membership atau non-membership. Pendekatan pada set teori ini tidak diaplikasikan padasystem control sampai tahun 70an karena kemampuan computer yang tidak cukup pada saat itu.Profesor Zadeh berpikir bahwa orang tidak membutuhkan kepastian, masukan informasi numeric,dan belum mampu terhadap control adaptif yang tinggi. Jika pengendali umpan balik dapat di program untuk menerima derau, masukan yang tidak tepat, mereka akan menjadi lebih efektif danmengkin akan menjadi lebih mudah untuk diimplementasikan. Sayangnya, produsen AS belum begitu cepat untuk merangkul teknologi ini sementara Eropa dan Jepang telah agresif produk  bangunan nyata di sekitarnya

APA ITU FUZZY LOGIC ?

Fuzzy Logic adalah metodologi pemecahan masalah dengan beribu – ribu aplikasi dalam pengendali yang tersimpan dan pemrosesan informasi. Cocok untuk diimplementasikan pada sistem yang sederhana, kecil, tertanam pada mikro controller, PC multi-channel atau workstation berbasis akuisisi data dan control sistem. Fuzzy logic menyediakan cara sederhana untuk menggambarkan kesimpulan pasti dari informasi yang ambigu, samar - samar, atau tidak tepat. Sedikit banyak, fuzzy logic menyerupai pembuatan keputusan pada manusia dengan kemampuannya untuk bekerja dari data yang ditafsirkan dan mencari solusi yang tepat. Fuzzy logic pada dasarnya merupakan logika bernilai banyak (multivalued logic) yang dapat mendefinisikan nilai diantara keadaan konvensional seperti ya atau tidak, benar atau salah, hitam atau putih, dan sebagainya. Penalaran fuzzy menyediakan cara untuk memahami kinerja dari system dengan cara menilai input dan output system dari hasil pengamatan.

ALASAN MENGGUNAKAN LOGIKA FUZZY

Logika Fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam ruang output. Untuk sistem yang sangat rumit, penggunaan logika fuzzy (fuzzy logic) adalah salah satu pemecahannya. Sistem tradisional di rancang untuk mengontrol keluaran tunggal yang berasal dari beberapa masukan yang tidak saling berhubungan. Karena ketidaktergantungan ini, penambahan masukan yang baru akan memperumit proses kontrol dan membutuhkan proses perhitungan kembali dari semua fungsi. Kebalikannya, penambahan masukan baru pada sistem fuzzy, yaitu sistem yang bekerja berdasarkan prinsip – prinsip logika fuzzy, hanya membutuhkan penambahan fungsi keanggotaan yang baru dan aturan – aturan yang berhubungan dengannya.

Secara umum, sistem fuzzy sangat cocok untuk penalaran pendekatan terutama untuk sistem yang menangani masalah-masalah yang sulit didefinisikan dengan menggunakan model matematis Misalkan, nilai masukan dan parameter sebuah sistem bersifat kurang akurat atau kurang jelas, sehingga sulit mendefinisikan model matematikanya.

Sistem fuzzy mempunyai beberapa keuntungan bila dibandingkan dengan sistem tradisional, misalkan pada jumlah aturan yang dipergunakan. Pemrosesan awal sejumlah besar nilai menjadi sebuah nilai derajat keanggotaan pada sistem fuzzy mengurangi jumlah nilai menjadi sebuah nilai derajat keanggotaan pada sistem fuzzy mengurangi jumlah nilai yang harus dipergunakan pengontrol untuk membuat suatu keputusan. Keuntungan lainnya adalah sistem fuzzy mempunyai kemampuan penalaran yang mirip dengan kemampuan penalaran manusia. Hal ini disebabkan karena sistem fuzzy mempunyai kemampuan untuk memberikan respon berdasarkan informasi yang bersifat kualitatif, tidak akurat, dan ambigu.

Fuzzy logic menawarkan beberapa karakteristik unik yang menjadikannya suatu pilihan yang baik untuk banyak masalah control. Karakteristik tersebut antara lain :

1. Sudah menjadi sifatnya yang kuat selama tidak membutuhkan ketepatan, input yang bebas derau, dan dapat diprogram untuk gagal dengan aman jika sensor arus balik dimatikan atau rusak. Control output adalah fungsi control halus meskipun jarak variasi input yang cukup besar.
2. Selama fuzzy logic controller memproses aturan – aturan yang dibuat user yang memerintah system control target, ia dapat dimodifikasi dengan mudah untuk meningkatkan atau mengubah secara drastis performa system. Sensor yang baru dapat dengan mudah digabungkan kedalam system secara sederhana dengan menghasilkan aturan memerintah yang sesuai.
3. Fuzzy logic tidak terbatas pada sedikit masukan umpan-balik dan satu atau dua output control, tidak juga penting untuk menilai atau menghitung parameter rata - rata perubahan dengan tujuan agar ia diimplementasikan. Sensor data yang menyediakan beberapa indikasi untuk aksi dan reaksi system sudah cukup. Hal ini memungkinkan sensor menjadi murah dan tidak tepat sehingga menghemat biaya system keseluruhan dan kompleksitas rendah.
4. Karena operasi – operasi yang berbasiskan aturan, jumlah input yang masuk akal dapat diproses ( 1 sampai 8 atau lebih ) dan banyak output ( 1 sampai 4 atau lebih ) dihasilkan, Walaupun pendefinisian rulebase secara cepat menjadi rumit jika terlalu banyak input danoutput dipilih untuk implementasi tunggal selama pendefinisian rules(aturan), hubungan timbal baliknya juga harus didefinisikan. Akan lebih baik jika memecah system kedalam potongan – potongan yang lebih kecil dan menggunakan fuzzy logic controllers yang lebih kecil untuk didistribusikan pada system, masing –masing dengan tanggung jawab yang lebih terbatas.
5. Fuzzy Logic dapat mengontrol system nonlinier yang akan sulit atau tidak mungkin untuk dimodelkan secara matematis. Hal ini membuka pintu bagi system control yang secara normal dianggap tidak mungkin untuk otomatisasi.

Contoh penerapan Logika Fuzzy dalam kehidupan sehari-hari:

Logika Fuzzy untuk Sistem Pengaturan Suhu Ruangan.

Untuk menentukan suhu dalam suatu ruangan, kita dapat menentukannya menggunakan Logika Fuzzy. Jika suhu dalam suatu ruangan dingin maka naikkan suhu penghangat, dan jika suhu dalam suatu ruangan panas maka naikkan suhu pendingin.

Logika Fuzzy untuk Sistem Pengaturan Lampu Lalu lintas.

Untuk memperlancar arus lalu lintas dengan adanya system yang bekerja secara otomatis diharapkan angka kecelakaan bias dikurangi. Untuk kepadatan jumlah kendaraan dibuat pemberitahuan seperti: Tidak Padat (TP), Kurang Padat (KP), Cukup Padat (CP), Padat (P) dan Sangat Padat (SP).

Penerapan Fuzzy Logic:

Air Conditioner (Mitsubishi)
AC Mitsubishi menggunakan fuzzy logic dalam system control-nya seperti berikut :
“Jika suhu udara semakin hangat, daya pendinginan naik sedikit, jika udara semakin dingin, matikan daya ke bawah.”

Beberapa keuntungan yang diperoleh adalah sebagai berikut :
Mesin menjadi halus sehingga tidak cepat rusak, suhu kamar yang nyaman menjadi lebih konsisten dan peningkatan efisiensi (penghematan energi).

Vacuum Cleaner (Panasonic)
Prinsip kerja Vacuum Cleaner yang diproduksi oleh Panasonic adalah sebagai berikut :
“Karakteristik lantai dan jumlah debu yang dibaca oleh sensor inframerah dan mikroprosesor akan memilih daya yang sesuai dengan kontrol fuzzy berdasarkan karakteristik lantai.”
Karakteristik lantai meliputi jenis (kayu, semen, ubin, kelembutan karpet, karpet tebal, dll).
Pola perubahan jumlah debu yang melewati sensor inframerah dapat dideteksi.
Mikroprosesor menetapkan pengaturan yang sesuai dengan vakum dan daya motor menggunakan skema kontrol fuzzy.
Lampu merah dan hijau dari penyedot debu menunjukkan jumlah debu tersisa di lantai.

Automatic Transmission System (Nissan, Subaru, Mitsubishi) 
Dalam sistem transmisi otomatis konvensional, sensor elektronik mengukur kecepatan kendaraan dan membuka throttle, and gear bergeser berdasarkan nilai-nilai variabel-variabel yang telah ditentukan.
Pada Nissan, tipe sistem ini tidak mampu memberikan performa kontrol seragam yang memuaskan untuk driver karena hanya menyediakan sekitar tiga pola pergeseran yang berbeda.
Dengan digunakannya fuzzy locgic membuat transmisi kontrol fuzzy mampu membaca beberapa variabel termasuk kecepatan kendaraan dan akselerasi, membuka throttle, laju perubahan pembukaan throttle, beban mesin, dan gaya mengemudi. Ketika variabel ini terdeteksi maka akan diberi bobot nilai dan agregat fuzzy dihitung untuk memutuskan kapan akan oper.
Kontroler ini dikatakan lebih fleksibel, halus, dan efisien, memberikan kinerja yang lebih baik. Sebuah sistem yang terintegrasi yang dikembangkan oleh Mitsubishi juga menggunakan logika fuzzy untuk kontrol aktif dari sistem suspensi, four-wheel-drive (traksi), kemudi, dan pendingin udara.

Game untuk Merespon Emosi dari Teks Berbahasa Indonesia Menggunakan Klasifikasi Teks dan Logika Fuzzy.
Game sebagai media hiburan telah berkembang dengan pesat seiring dengan perkembangan teknologi. Salah satu unsur yang berperan penting dalam sebuah game adalah kecerdasan buatan. Dengan kecerdasan buatan, elemen-elemen dalam game dapat berperilaku sealami mungkin layaknya manusia.
Dalam game ini dikembangkan implementasi kecerdasan buatan dalam game dimana salah satu elemen game yaitu NPC (Non Playable Character), mampu mengenali emosi dari teks berbahasa indonesia sekaligus merespon dengan perilaku sesuai dengan jenis emosinya. Metode yang digunakan dalam penelitian ini adalah klasifikasi teks sebagai penentu jenis emosi dalam teks dan logika fuzzy sebagai penentu perilaku dari NPC yang sesuai dengan jenis emosinya.

Di bawah ini adalah beberapa contoh aplikasi Fuzzy Logic:

1. Penghematan Konsumsi Daya Listrik AC (Mitsubhishi Heavy Industries Tokyo).

2. Mesin Cuci.

3. Kamera.

4. Sistem Pengereman Mobil (Nissan).

5. Pengontrol kereta bawah tanah di Sendai, Jepang.

Sumber :

• http://www.academia.edu/4858948 
• Suyanto, ST, MSc. Artificial Intelligence Searching, Reasoning, Planning dan Learning.
• http://thinkminicorp.blogspot.co.id/2013/11/fuzzylogic-fuzzy-logic-dapat-dikatakan.html
• http://eprints.dinus.ac.id/12387/1/jurnal_12328.pdf
• http://www.temukanpengertian.com/2013/08/pengertian-fuzzy-logic.html