Baik dalam bahasa umum maupun wacana akademis, data merupakan landasan utama pemrosesan dan analisis informasi modern. Mari kita selami esensi data, manifestasinya yang beragam, dan perannya yang sangat penting dalam membentuk upaya manusia di berbagai ranah.

Mendefinisikan Data

Data, baik yang diekspresikan sebagai nilai diskrit maupun aliran kontinu, merangkum banyak sekali informasi, mulai dari statistik faktual hingga konsep abstrak. Pada intinya, data terdiri dari nilai-nilai individual yang dikenal sebagai "datum", yang secara kolektif membentuk kumpulan data yang diorganisasikan ke dalam struktur seperti tabel, memberikan konteks dan memfasilitasi interpretasi. Dari penelitian ilmiah hingga analisis ekonomi, data merembes ke hampir semua aspek aktivitas manusia, yang berfungsi sebagai bahan mentah untuk mendapatkan wawasan yang dapat ditindaklanjuti.

Pengumpulan dan Analisis

Teknik pengumpulan data, termasuk pengukuran, observasi, dan analisis, menghasilkan repositori informasi numerik atau karakter yang sangat besar. Data lapangan, yang diperoleh dari lingkungan yang tidak terkendali, dan data eksperimental, yang dihasilkan melalui eksperimen ilmiah yang terkendali, menjalani analisis yang ketat dengan menggunakan berbagai metodologi seperti penghitungan, visualisasi, dan penalaran. Sebelum dianalisis, data mentah menjalani proses pembersihan untuk memperbaiki kesalahan dan menghilangkan pencilan, memastikan integritas dan keakuratan analisis selanjutnya.

Evolusi Big Data

Kemunculan teknologi komputasi telah mengantarkan era data besar, yang ditandai dengan volume informasi yang sangat besar, sering kali dalam skala petabyte. Metode analisis data tradisional kesulitan untuk bergulat dengan kumpulan data yang begitu besar, sehingga memerlukan pendekatan inovatif. Masuklah ke dalam ilmu data, sebuah bidang yang sedang berkembang yang memanfaatkan pembelajaran mesin dan kecerdasan buatan untuk mengekstrak wawasan yang bermakna dari data besar secara efisien.

Etimologi dan Terminologi

Berakar dari kata Latin "datum," yang berarti "sesuatu yang diberikan," istilah "data" telah berkembang selama berabad-abad untuk menunjukkan informasi komputer yang dapat dikirim dan disimpan. Meskipun penggunaannya sebagai kata benda massal dalam bentuk tunggal lazim digunakan dalam bahasa sehari-hari dan bidang teknis, bentuk jamaknya tetap ada dalam konteks yang berkaitan dengan pemrosesan dan analisis data. Dualitas linguistik ini menggarisbawahi sifat data yang memiliki banyak aspek dan beragam aplikasi di berbagai disiplin ilmu.

Arti Sebuah Data, informasi, pengetahuan, dan kebijaksanaan

Data, informasi, pengetahuan, dan kebijaksanaan adalah konsep yang penting dan saling terkait dalam konteks pengelolaan dan penggunaan informasi. Data adalah kumpulan nilai diskrit atau kontinu yang menyampaikan informasi, sedangkan informasi adalah hasil analisis data yang membuatnya bermanfaat untuk pengambilan keputusan. Pengetahuan adalah kesadaran tentang lingkungan yang dimiliki oleh suatu entitas, sementara kebijaksanaan melibatkan penggunaan pengetahuan dan informasi untuk membuat keputusan yang bijaksana.

Sebelum era komputasi, data dikumpulkan dan diinterpretasikan secara manual. Namun, perkembangan teknologi telah memungkinkan pengumpulan dan analisis data secara otomatis menggunakan komputer. Data digunakan untuk mengidentifikasi pola dan informasi yang berguna untuk meningkatkan pengetahuan kita tentang berbagai fenomena. Namun, penting untuk diingat bahwa data harus diinterpretasikan dengan hati-hati untuk menghasilkan informasi yang berguna.

Komputer digunakan untuk merepresentasikan data, baik dalam bentuk analog maupun digital. Program komputer adalah koleksi data yang diinterpretasikan sebagai instruksi untuk komputer. Metadata adalah deskripsi dari data lain yang membantu dalam pengelolaan dan pemahaman informasi.

Dalam era big data saat ini, tantangan utama adalah memastikan aksesibilitas, keandalan, dan keamanan data. Ini memerlukan standar dan praktik terbaik dalam pengelolaan data, termasuk persyaratan untuk data yang dapat ditemukan, diakses, diinterpretasikan, dan digunakan kembali. Dengan memahami perbedaan antara data, informasi, pengetahuan, dan kebijaksanaan, kita dapat mengoptimalkan penggunaan informasi untuk mengambil keputusan yang lebih baik dan mencapai tujuan kita secara efektif.

Dokumen Data 

Dalam dunia teknologi informasi, data merupakan inti dari segala hal yang kita lakukan. Ketika data perlu didaftarkan atau diakses, hal ini biasanya dilakukan melalui apa yang disebut sebagai dokumen data. Jenis-jenis dokumen data meliputi:

• repositori data
• studi data
• set data
• perangkat lunak
• paper data
• basis data
• panduan data
• jurnal data

Beberapa dari dokumen-dokumen data ini, seperti repositori data, studi data, set data, dan perangkat lunak, diindeks dalam Indeks Kutipan Data, sementara paper data diindeks dalam basis data bibliografis tradisional, seperti Science Citation Index.

Pengumpulan data dapat dilakukan melalui sumber primer (peneliti adalah orang pertama yang mendapatkan data) atau sumber sekunder (peneliti mendapatkan data yang sudah dikumpulkan oleh sumber lain, seperti data yang disebarkan dalam jurnal ilmiah). Metodologi analisis data bervariasi dan meliputi triangulasi data dan perkolasi data. Yang terakhir menawarkan metode yang terartikulasi untuk mengumpulkan, mengklasifikasikan, dan menganalisis data menggunakan lima sudut analisis yang mungkin (setidaknya tiga) untuk memaksimalkan objektivitas penelitian dan memungkinkan pemahaman fenomena yang sedang diselidiki selesai mungkin: metode kualitatif dan kuantitatif, tinjauan literatur (termasuk artikel ilmiah), wawancara dengan pakar, dan simulasi komputer. Data kemudian "diperkolasi" menggunakan serangkaian langkah yang telah ditentukan untuk mengekstrak informasi paling relevan.

Umur Panjang Data dan Aksesibilitas Data

Salah satu bidang penting dalam ilmu komputer, teknologi, dan ilmu perpustakaan adalah masa pakai dan aksesibilitas data. Penelitian ilmiah menghasilkan jumlah data yang besar, terutama dalam genomika dan astronomi, tetapi juga dalam ilmu kedokteran, misalnya dalam pencitraan medis. Di masa lalu, data ilmiah telah dipublikasikan dalam makalah dan buku, disimpan di perpustakaan, tetapi lebih baru ini hampir semua data disimpan di hard drive atau disk optik. Namun, berbeda dengan kertas, perangkat penyimpanan ini mungkin menjadi tidak terbaca setelah beberapa dekade. Penerbit ilmiah dan perpustakaan telah berjuang dengan masalah ini selama beberapa dekade, dan masih belum ada solusi yang memuaskan untuk penyimpanan data jangka panjang selama berabad-abad atau bahkan untuk selama-lamanya.

Masalah lainnya adalah bahwa banyak data ilmiah tidak pernah dipublikasikan atau disimpan di repositori data seperti basis data. Dalam survei terbaru, data diminta dari 516 studi yang diterbitkan antara 2 hingga 22 tahun sebelumnya, tetapi kurang dari satu dari lima studi ini mampu atau bersedia menyediakan data yang diminta. Secara keseluruhan, kemungkinan untuk mengambil data turun 17% setiap tahun setelah publikasi. Demikian juga, survei terhadap 100 set data di Dryad menemukan bahwa lebih dari setengahnya kurang memiliki rincian untuk memperbanyak hasil penelitian dari studi-studi ini. Hal ini menunjukkan situasi yang buruk dari akses terhadap data ilmiah yang tidak dipublikasikan atau tidak memiliki cukup rincian untuk direproduksi.

Salah satu solusi untuk masalah reproduktibilitas adalah upaya untuk mensyaratkan data yang FAIR, yaitu data yang Findable, Accessible, Interoperable, and Reusable. Data yang memenuhi persyaratan ini dapat digunakan dalam penelitian berikutnya dan dengan demikian memajukan ilmu pengetahuan dan teknologi.

Disadur dari: en.wikipedia.org 

Pembersihan data, atau yang sering disebut juga data cleansing, merupakan proses vital dalam pengelolaan informasi. Ini melibatkan deteksi dan koreksi data yang korup atau tidak akurat dalam kumpulan data, tabel, atau database. Proses ini juga melibatkan identifikasi dan penanganan bagian data yang tidak lengkap, salah, tidak akurat, atau tidak relevan, yang kemudian diganti, dimodifikasi, atau dihapus.

Pembersihan data bisa dilakukan secara interaktif dengan menggunakan alat pengelolaan data, atau sebagai proses batch melalui skrip atau firewall kualitas data.

Setelah melalui proses pembersihan, data haruslah konsisten dengan data set serupa lainnya dalam sistem. Ketidaksesuaian yang terdeteksi atau dihilangkan mungkin awalnya disebabkan oleh kesalahan entri pengguna, korupsi dalam transmisi atau penyimpanan, atau oleh definisi kamus data yang berbeda dari entitas yang serupa dalam toko data yang berbeda.

Proses pembersihan data sebenarnya bisa melibatkan penghapusan kesalahan ketik atau validasi dan koreksi nilai terhadap daftar entitas yang diketahui. Validasi dapat bersifat ketat (seperti menolak alamat yang tidak memiliki kode pos yang valid), atau menggunakan pencocokan string yang kasar atau mendekati (seperti memperbaiki catatan yang sebagian cocok dengan catatan yang sudah ada).

Beberapa solusi pembersihan data akan membersihkan data dengan membandingkan dengan data set yang telah divalidasi. Praktik pembersihan data umum lainnya adalah peningkatan data, di mana data dibuat lebih lengkap dengan menambahkan informasi terkait. Misalnya, dengan menambahkan nomor telepon yang terkait dengan alamat tertentu. Pembersihan data juga dapat melibatkan harmonisasi (atau normalisasi) data, yang merupakan proses penggabungan data dari "berbagai format file, konvensi penamaan, dan kolom", dan mentransformasikannya menjadi satu set data yang kohesif; contoh sederhananya adalah perluasan singkatan ("jln, jend, dsb." menjadi "jalan, jenderal, dan seterusnya").

Motivasi

Data yang tidak akurat dan tidak konsisten dapat mengarah pada kesimpulan yang salah dan pengalihan investasi, baik dalam skala publik maupun privat. Misalnya, pemerintah mungkin ingin menganalisis data sensus penduduk untuk menentukan wilayah mana yang memerlukan lebih banyak pengeluaran dan investasi dalam infrastruktur dan layanan. Dalam hal ini, akan penting untuk memiliki akses ke data yang dapat diandalkan untuk menghindari keputusan fiskal yang keliru. Di dunia bisnis, data yang tidak akurat bisa mahal. Banyak perusahaan menggunakan database informasi pelanggan yang mencatat data seperti informasi kontak, alamat, dan preferensi. Misalnya, jika alamat tidak konsisten, perusahaan akan menderita biaya pengiriman ulang surat atau bahkan kehilangan pelanggan.

Panduan Esensial untuk Pembersihan Data yang Efektif

Dalam dunia modern yang didominasi oleh data, kualitas data yang tinggi menjadi kunci untuk mendukung keputusan yang tepat dan operasi yang efisien. Namun, untuk mencapai kualitas data yang tinggi, data harus memenuhi serangkaian kriteria kualitas yang ketat. Berikut adalah beberapa kriteria kualitas data yang penting:

1. Validitas: Validitas mengacu pada sejauh mana data sesuai dengan aturan bisnis atau batasan yang telah ditetapkan. Ini mencakup berbagai jenis kendala data, mulai dari tipe data, rentang nilai, keharusan kolom tidak boleh kosong, hingga batasan unik dan keanggotaan set.

2. Akurasi: Akurasi mengukur seberapa dekat data dengan nilai sejati atau standar. Meskipun mencapai akurasi yang tinggi bisa sulit, penggunaan sumber data eksternal seperti basis data eksternal dapat membantu memverifikasi akurasi data, terutama pada data kontak pelanggan.

3. Kelengkapan: Kelengkapan mengukur sejauh mana semua data yang diperlukan diketahui. Mengatasi ketidaklengkapan data bisa sulit, karena tidak mungkin untuk menyimpulkan fakta-fakta yang tidak pernah dicatat sebelumnya.

4. Konsistensi: Konsistensi mengacu pada sejauh mana data konsisten di seluruh sistem. Ketidaksesuaian data dapat terjadi ketika dua item data dalam satu set data saling bertentangan. Memperbaiki ketidaksesuaian data membutuhkan strategi yang cermat, seperti menentukan data mana yang paling baru atau sumber data yang paling dapat diandalkan.

5. Keseragaman: Keseragaman mengukur sejauh mana data menggunakan unit pengukuran yang sama di semua sistem. Ini penting terutama ketika data berasal dari berbagai lokasi atau sistem yang berbeda.

Proses pembersihan data melibatkan audit data, spesifikasi alur kerja, dan pelaksanaan alur kerja. Setelah proses pembersihan selesai, hasilnya harus diperiksa untuk memastikan kebenaran. Data yang tidak dapat diperbaiki selama proses pembersihan harus diperbaiki secara manual jika memungkinkan.

Untuk mencapai kualitas data yang tinggi, organisasi harus memprioritaskan budaya data yang berkualitas dan memastikan komitmen dari level eksekutif. Langkah-langkah seperti perbaikan lingkungan entri data, integrasi aplikasi, dan perubahan proses kerja juga harus dilakukan.

Dengan demikian, menjaga kualitas data adalah hal yang sangat penting untuk keberhasilan organisasi di era digital ini. Dengan menggunakan pendekatan yang sistematis dan berkelanjutan, organisasi dapat meningkatkan kualitas data mereka, yang pada gilirannya akan mendukung pengambilan keputusan yang lebih baik dan operasi yang lebih efisien.

Proses Mengoptimalkan Kualitas Data 

Di dunia yang digerakkan oleh data saat ini, memastikan data berkualitas tinggi adalah hal yang sangat penting untuk membuat keputusan yang tepat dan mendorong operasi yang efisien. Namun, untuk mencapai hal ini, diperlukan ketaatan pada serangkaian kriteria kualitas yang ketat dan menerapkan proses pembersihan data yang kuat.

• Audit Data:

Audit data melibatkan penggunaan metode statistik dan basis data untuk mengidentifikasi anomali dan kontradiksi dalam data. Paket perangkat lunak komersial menawarkan alat untuk menentukan berbagai batasan dan menghasilkan kode untuk memeriksa data dari pelanggaran. Langkah ini sangat penting dalam menentukan anomali dan memahami karakteristiknya.

• Spesifikasi dan Eksekusi Alur Kerja:

Setelah mengaudit data, anomali terdeteksi dan dihapus melalui urutan operasi yang dikenal sebagai alur kerja. Menentukan alur kerja yang efektif membutuhkan pemahaman menyeluruh tentang penyebab anomali. Setelah ditentukan, alur kerja dijalankan secara efisien, bahkan pada kumpulan data yang besar, meskipun hal ini dapat menimbulkan tantangan komputasi.

• Pasca-pemrosesan dan Pengendalian:

Setelah eksekusi alur kerja pembersihan, hasilnya diperiksa untuk memastikan kebenarannya. Setiap data yang tidak dapat dikoreksi secara otomatis akan dikoreksi secara manual jika memungkinkan. Proses berulang ini memungkinkan penyempurnaan data lebih lanjut melalui alur kerja pembersihan otomatis tambahan.

• Menumbuhkan Budaya Kualitas Data:

Mencapai sumber data yang berkualitas baik membutuhkan perubahan budaya dalam organisasi. Hal ini bukan hanya tentang menerapkan pemeriksaan validasi; namun juga tentang menanamkan komitmen terhadap kualitas data di semua tingkatan. Hal ini dapat melibatkan rekayasa ulang proses, berinvestasi dalam lingkungan entri data dan integrasi aplikasi, serta mempromosikan kerja sama lintas departemen.

• Teknik Lainnya:

Teknik tambahan seperti penguraian untuk kesalahan sintaksis, transformasi data untuk memetakan data ke dalam format yang diinginkan, eliminasi duplikat, dan metode statistik untuk menganalisis variabilitas data digunakan untuk meningkatkan kualitas data.

• Arsitektur Sistem:

Arsitektur sistem yang dirancang dengan baik memberikan keseimbangan antara membersihkan data yang kotor dan menjaga integritas aslinya. Hal ini melibatkan penerapan arsitektur Extract, Transform, Load (ETL) yang dapat secara efektif membersihkan data sambil mencatat peristiwa berkualitas dan mengukur/mengontrol kualitas data di data warehouse.

Kesimpulannya, mengoptimalkan kualitas data adalah proses berkelanjutan yang membutuhkan kombinasi metodologi yang kuat, teknologi canggih, dan komitmen organisasi. Dengan memprioritaskan kualitas data, organisasi dapat membuka wawasan yang berharga, meningkatkan pengambilan keputusan, dan mendorong kesuksesan bisnis di era digital.

Meningkatkan Kualitas Data

Salah satu bagian dari sistem pembersihan data adalah serangkaian filter diagnostik yang dikenal sebagai layar kualitas. Setiap layar kualitas mengimplementasikan tes dalam aliran data yang, jika gagal, akan mencatat kesalahan dalam Skema Peristiwa Kesalahan. Layar kualitas dibagi menjadi tiga kategori:

1. Layar Kolom. Menguji kolom secara individual, misalnya untuk nilai-nilai tak terduga seperti nilai NULL; nilai non-numerik yang seharusnya numerik; nilai di luar jangkauan; dll.

2. Layar Struktur. Digunakan untuk menguji integritas hubungan antara kolom (biasanya kunci asing/kunci primer) dalam tabel yang sama atau berbeda. Mereka juga digunakan untuk menguji apakah sekelompok kolom valid sesuai dengan definisi struktural yang harus diikuti.

3. Layar Aturan Bisnis. Tes yang paling kompleks dari ketiganya. Mereka menguji apakah data, mungkin melintasi beberapa tabel, mengikuti aturan bisnis tertentu. Contoh dapat berupa, jika seorang pelanggan ditandai sebagai tipe pelanggan tertentu, aturan bisnis yang menentukan tipe pelanggan tersebut harus diikuti.

Ketika layar kualitas mencatat kesalahan, itu bisa menghentikan proses aliran data, mengirim data yang bermasalah ke tempat lain selain sistem target, atau menandai data tersebut. Pilihan terakhir dianggap sebagai solusi terbaik karena pilihan pertama membutuhkan seseorang untuk secara manual menangani masalah setiap kali terjadi dan pilihan kedua menyiratkan bahwa data hilang dari sistem target (integritas) dan sering tidak jelas apa yang harus terjadi pada data tersebut.

Disadur dari: en.wikipedia.org 

Sistem kontrol mengelola, memerintahkan, mengarahkan, atau mengatur perilaku perangkat atau sistem lain menggunakan loop kontrol. Sistem ini dapat berkisar dari pengontrol pemanas rumah tunggal yang menggunakan termostat yang mengendalikan ketel rumah tangga hingga sistem kontrol industri besar yang digunakan untuk mengendalikan proses atau mesin. Sistem kontrol dirancang melalui proses rekayasa kontrol.

Untuk kontrol termodulasi terus-menerus, pengontrol umpan balik digunakan untuk mengontrol proses atau operasi secara otomatis. Sistem kontrol membandingkan nilai atau status variabel proses (PV) yang sedang dikontrol dengan nilai yang diinginkan atau setpoint (SP), dan menerapkan perbedaannya sebagai sinyal kontrol untuk membawa output variabel proses pabrik ke nilai yang sama dengan setpoint. Untuk logika sekuensial dan kombinasional, logika perangkat lunak, seperti pada pengontrol logika yang dapat diprogram, digunakan.

Kontrol Loop Terbuka dan Loop Tertutup

Pada dasarnya, ada dua jenis loop kontrol: kontrol loop terbuka (umpan maju), dan kontrol loop tertutup (umpan balik). Dalam kontrol loop terbuka, tindakan kontrol dari pengontrol tidak bergantung pada "output proses" (atau "variabel proses yang dikontrol"). Contoh yang baik untuk hal ini adalah boiler pemanas sentral yang dikendalikan hanya oleh pengatur waktu, sehingga panas diterapkan untuk waktu yang konstan, terlepas dari suhu bangunan. Tindakan kontrolnya adalah menyalakan/mematikan boiler, tetapi variabel yang dikontrol seharusnya adalah suhu bangunan, tetapi tidak karena ini adalah kontrol loop terbuka dari boiler, yang tidak memberikan kontrol loop tertutup pada suhu.

Dalam kontrol loop tertutup, tindakan kontrol dari pengontrol bergantung pada output proses. Dalam kasus analogi boiler, ini akan mencakup termostat untuk memantau suhu bangunan, dan dengan demikian memberi umpan balik sinyal untuk memastikan pengontrol mempertahankan bangunan pada suhu yang ditetapkan pada termostat. Oleh karena itu, pengontrol loop tertutup memiliki loop umpan balik yang memastikan pengontrol melakukan tindakan kontrol untuk memberikan output proses yang sama dengan "input referensi" atau "titik setel". Karena alasan ini, pengontrol loop tertutup juga disebut pengontrol umpan balik.

Definisi sistem kontrol loop tertutup menurut British Standards Institution adalah "sistem kontrol yang memiliki umpan balik pemantauan, sinyal deviasi yang terbentuk sebagai hasil dari umpan balik ini digunakan untuk mengontrol aksi elemen kontrol akhir sedemikian rupa sehingga cenderung mengurangi deviasi menjadi nol." Demikian juga; "Sistem Kontrol Umpan Balik adalah sistem yang cenderung mempertahankan hubungan yang ditentukan dari satu variabel sistem ke variabel lainnya dengan membandingkan fungsi variabel-variabel ini dan menggunakan perbedaannya sebagai alat kontrol."

Sistem Kontrol Umpan Balik

Pengontrol loop tertutup atau pengontrol umpan balik adalah loop kontrol yang menggabungkan umpan balik, berbeda dengan pengontrol loop terbuka atau pengontrol tanpa umpan balik. Pengontrol loop tertutup menggunakan umpan balik untuk mengontrol status atau output dari sistem dinamis. Namanya berasal dari jalur informasi dalam sistem: input proses (misalnya, tegangan yang diterapkan pada motor listrik) memiliki efek pada output proses (misalnya, kecepatan atau torsi motor), yang diukur dengan sensor dan diproses oleh pengontrol; hasilnya (sinyal kontrol) "diumpankan kembali" sebagai input ke proses, menutup loop.

Dalam kasus sistem umpan balik linier, loop kontrol termasuk sensor, algoritme kontrol, dan aktuator diatur dalam upaya untuk mengatur variabel pada titik setel (SP). Contoh sehari-hari adalah kontrol pelayaran pada kendaraan di jalan raya; di mana pengaruh eksternal seperti perbukitan akan menyebabkan perubahan kecepatan, dan pengemudi memiliki kemampuan untuk mengubah kecepatan yang diinginkan.

Algoritme PID dalam pengontrol mengembalikan kecepatan aktual ke kecepatan yang diinginkan dengan cara yang optimal, dengan penundaan atau overshoot minimal, dengan mengontrol output daya mesin kendaraan. Sistem kontrol yang menyertakan beberapa penginderaan terhadap hasil yang ingin dicapai memanfaatkan umpan balik dan dapat beradaptasi dengan berbagai keadaan sampai batas tertentu. Sistem kontrol loop terbuka tidak menggunakan umpan balik, dan hanya berjalan dengan cara yang telah diatur sebelumnya.

Pengontrol loop tertutup memiliki keunggulan berikut dibandingkan pengontrol loop terbuka:

• Penolakan gangguan (seperti bukit pada contoh kontrol pelayaran di atas)
• Kinerja yang terjamin bahkan dengan ketidakpastian model, ketika struktur model tidak cocok dengan proses nyata dan parameter model tidak tepat
• Proses yang tidak stabil dapat distabilkan
• Mengurangi sensitivitas terhadap variasi parameter
• Peningkatan kinerja pelacakan referensi
• Perbaikan yang lebih baik dari fluktuasi acak

Dalam beberapa sistem, kontrol loop tertutup dan loop terbuka digunakan secara bersamaan. Dalam sistem seperti itu, kontrol loop terbuka disebut feedforward dan berfungsi untuk lebih meningkatkan kinerja pelacakan referensi. Arsitektur pengontrol loop tertutup yang umum adalah pengontrol PID.

Kontrol Logika

Sistem kontrol logika untuk mesin industri dan komersial secara historis diimplementasikan oleh relay listrik yang saling terhubung dan pengatur waktu cam menggunakan logika tangga. Saat ini, sebagian besar sistem tersebut dibuat dengan mikrokontroler atau pengontrol logika terprogram (PLC) yang lebih khusus. Notasi logika tangga masih digunakan sebagai metode pemrograman untuk PLC.

Pengontrol logika dapat merespons sakelar dan sensor dan dapat menyebabkan mesin memulai dan menghentikan berbagai operasi melalui penggunaan aktuator. Pengontrol logika digunakan untuk mengurutkan operasi mekanis dalam banyak aplikasi. Contohnya termasuk lift, mesin cuci, dan sistem lain dengan operasi yang saling terkait. Sistem kontrol berurutan otomatis dapat memicu serangkaian aktuator mekanis dalam urutan yang benar untuk melakukan suatu tugas. Misalnya, berbagai transduser listrik dan pneumatik dapat melipat dan merekatkan kotak kardus, mengisinya dengan produk, lalu menyegelnya di mesin pengemasan otomatis. Perangkat lunak PLC dapat ditulis dengan berbagai cara diagram tangga, SFC (diagram fungsi berurutan), atau daftar pernyataan.

Kontrol On-off

Kontrol on-off menggunakan pengontrol umpan balik yang beralih secara tiba-tiba di antara dua status. Termostat rumah tangga bi-metalik sederhana dapat digambarkan sebagai pengontrol on-off. Ketika suhu di dalam ruangan (PV) berada di bawah pengaturan pengguna (SP), pemanas dinyalakan. Contoh lainnya adalah sakelar tekanan pada kompresor udara. Ketika tekanan (PV) turun di bawah setpoint (SP), kompresor dinyalakan. Lemari es dan pompa vakum memiliki mekanisme yang serupa. Sistem kontrol on-off sederhana seperti ini bisa jadi murah dan efektif.

Kontrol Linier

Kontrol linier adalah sistem kontrol dan teori kontrol berdasarkan umpan balik negatif untuk menghasilkan sinyal kontrol untuk mempertahankan variabel proses yang dikontrol (PV) pada setpoint (SP) yang diinginkan. Ada beberapa jenis sistem kontrol linier dengan kemampuan yang berbeda.

Logika Fuzzy

Logika fuzzy adalah upaya untuk menerapkan desain pengontrol logika yang mudah untuk mengontrol sistem yang bervariasi secara terus menerus yang kompleks. Pada dasarnya, pengukuran dalam sistem logika fuzzy dapat bernilai benar sebagian. Aturan sistem ditulis dalam bahasa alami dan diterjemahkan ke dalam logika fuzzy. Sebagai contoh, desain untuk tungku akan dimulai dengan: "Jika suhu terlalu tinggi, kurangi bahan bakar ke tungku. Jika suhu terlalu rendah, tambah bahan bakar ke tungku." Pengukuran dari dunia nyata (seperti suhu tungku) dikaburkan dan logika dihitung secara aritmatika, berlawanan dengan logika Boolean, dan outputnya dikaburkan untuk mengontrol peralatan.

Ketika desain fuzzy yang kuat direduksi menjadi satu perhitungan cepat, desain tersebut mulai menyerupai solusi loop umpan balik konvensional dan mungkin tampak bahwa desain fuzzy tidak diperlukan. Namun, paradigma logika fuzzy dapat memberikan skalabilitas untuk sistem kontrol yang besar di mana metode konvensional menjadi berat atau mahal untuk diturunkan. Elektronik fuzzy adalah teknologi elektronik yang menggunakan logika fuzzy daripada logika dua nilai yang lebih umum digunakan dalam elektronik digital.

Implementasi Fisik

Kisaran implementasi sistem kontrol adalah dari pengontrol ringkas yang sering kali dengan perangkat lunak khusus untuk mesin atau perangkat tertentu, hingga sistem kontrol terdistribusi untuk kontrol proses industri untuk pabrik fisik yang besar. Sistem logika dan pengontrol umpan balik biasanya diimplementasikan dengan pengontrol logika yang dapat diprogram. Perangkat Otomasi yang Dapat Dikonfigurasi Ulang dan Diperluas (BREAD) adalah kerangka kerja terbaru yang menyediakan banyak perangkat keras sumber terbuka yang dapat dihubungkan untuk membuat akuisisi data dan sistem kontrol yang lebih kompleks.

Disadur dari: en.wikipedia.org

Umpan balik terjadi ketika output dari suatu sistem diarahkan kembali sebagai input, membentuk sirkuit atau loop di dalam sistem. Proses ini memungkinkan sistem untuk memberi umpan balik ke dalam dirinya sendiri. Namun, menerapkan gagasan sebab-akibat pada sistem umpan balik memerlukan pertimbangan yang cermat.

Penalaran sebab-akibat yang sederhana menjadi tantangan dalam sistem umpan balik karena setiap sistem mempengaruhi sistem lainnya, menghasilkan argumen yang melingkar. Oleh karena itu, menganalisis sistem secara keseluruhan menjadi penting, karena penalaran sebab-akibat tradisional mungkin tidak dapat diterapkan. Seperti yang didefinisikan oleh Webster, umpan balik dalam bisnis melibatkan pengiriman informasi evaluatif atau korektif tentang suatu tindakan, peristiwa, atau proses kembali ke sumber asli atau sumber pengendali.

Sejarah Feedback

Mekanisme pengaturan sendiri telah ada sejak zaman kuno, dan konsep umpan balik mulai muncul dalam teori ekonomi di Inggris pada abad ke-18. Namun, hal ini tidak diakui secara universal sebagai konsep abstrak dan oleh karena itu tetap tidak memiliki nama pada saat itu.

Perangkat umpan balik buatan yang paling awal dikenal adalah katup pelampung, yang ditemukan pada tahun 270 SM di Alexandria, Mesir, untuk mempertahankan air pada tingkat yang konstan. Perangkat ini mendemonstrasikan prinsip umpan balik: permukaan air yang rendah membuka katup, dan saat air naik, perangkat ini memberikan umpan balik untuk menutup katup setelah level yang diinginkan tercapai. Proses siklus ini berulang saat ketinggian air berfluktuasi.

Pengatur sentrifugal digunakan untuk mengatur jarak dan tekanan antara batu kincir di kincir angin sejak abad ke-17. Pada tahun 1788, James Watt mendesain pengatur sentrifugal pertama untuk digunakan pada mesin uap setelah mendapat saran dari mitra bisnisnya, Matthew Boulton. Inovasi ini diperlukan oleh kebutuhan akan kontrol kecepatan yang lebih tepat pada mesin uap yang digunakan untuk berbagai aplikasi.

Pada tahun 1868, James Clerk Maxwell menulis makalah penting berjudul "On governors", yang secara luas dianggap sebagai karya klasik dalam teori kontrol umpan balik. Makalah Maxwell secara signifikan berkontribusi pada pengembangan teori kontrol dan matematika umpan balik.

Istilah "umpan balik" muncul pada awal abad ke-20, khususnya dalam konteks sirkuit elektronik. Pada tahun 1912, para peneliti yang menggunakan amplifier elektronik awal telah menemukan bahwa mengumpan balik sebagian sinyal output ke sirkuit input akan meningkatkan amplifikasi tetapi juga menyebabkan efek yang tidak diinginkan, seperti melolong atau bernyanyi. Tindakan mengumpan balik sinyal ini memunculkan istilah "umpan balik" yang berbeda pada tahun 1920.

Bidang sibernetika, yang muncul pada tahun 1940-an, berfokus pada studi mekanisme umpan balik sebab akibat yang melingkar.

Meskipun telah digunakan secara luas, ada perdebatan yang sedang berlangsung mengenai definisi terbaik dari umpan balik. Beberapa ahli teori lebih memilih definisi "sirkularitas tindakan", sementara yang lain menekankan aspek praktis dari umpan balik sebagai informasi yang digunakan untuk mengubah kesenjangan antara tingkat aktual dan referensi parameter sistem.

Jenis Feedback

Sistem pengaturan mandiri mempunyai sejarah yang panjang, dengan konsep umpan balik yang muncul dalam teori ekonomi pada abad ke-18. Perangkat umpan balik buatan paling awal, katup pelampung yang dikembangkan pada 270 SM, mencontohkan prinsip umpan balik dengan mempertahankan ketinggian air melalui penyesuaian siklus. Khususnya, gubernur sentrifugal diperkenalkan pada abad ke-17 untuk mengatur batu giling kincir angin, dan desain gubernur sentrifugal James Watt pada tahun 1788 menandai tonggak sejarah dalam penerapan umpan balik pada mesin uap.

Makalah James Clerk Maxwell tahun 1868 tentang gubernur meletakkan dasar penting bagi teori kontrol umpan balik. Istilah umpan balik "positif" dan "negatif" diciptakan sebelum Perang Dunia II. Umpan balik positif, meningkatkan penguatan penguat, dan umpan balik negatif, menguranginya, diperkenalkan dalam desain penguat elektronik. Namun terdapat kebingungan mengenai definisinya sehingga menimbulkan perbedaan penafsiran di kalangan ulama.

Terminologi umpan balik bervariasi antar disiplin ilmu, dengan definisi yang mencerminkan perubahan parameter atau sifat dan valensi tindakan atau efek. Dikotomi antara penguatan atau hukuman positif dan negatif semakin memperumit penafsiran. Bahkan dalam suatu disiplin ilmu, umpan balik dapat diberi label berbeda berdasarkan pengukuran atau nilai referensi.

Meskipun sistem sederhana mungkin menunjukkan umpan balik positif atau negatif yang berbeda, sistem kompleks dengan banyak putaran tidak dapat diklasifikasikan. Dalam kasus seperti itu, properti umpan balik menawarkan wawasan terbatas mengenai perilaku sistem. Selain umpan balik positif dan negatif, sistem sering kali menunjukkan perpaduan keduanya, dengan dominasi yang bergeser antar frekuensi atau status sistem.

Sistem biologis menampilkan umpan balik bipolar, di mana umpan balik positif dan negatif berinteraksi secara timbal balik. Umpan balik memainkan peran penting dalam sistem digital, memfasilitasi pembaruan negara dan mendorong perilaku kompleks, mulai dari hasil yang kacau hingga hasil yang dapat diprediksi.

Aplikasi Feedback

• Mekanisme umpan balik memainkan peran penting di berbagai disiplin ilmu, memengaruhi perilaku sistem untuk memenuhi persyaratan tertentu. Dalam matematika dan sistem dinamis, umpan balik dapat menstabilkan, menyesuaikan respons, atau mempertahankan keteguhan, yang mengarah pada adaptasi sistem menuju tepi kekacauan.
• Dalam fisika, umpan balik bermanifestasi melalui interaksi antarpartikel, yang berkontribusi pada pengurangan kebisingan, kontrol sinyal, dan pengaturan kondisi eksperimental. Sistem yang dikendalikan oleh umpan balik termodinamika, yang sering dikaitkan dengan setan Maxwell, telah menarik perhatian karena implikasinya terhadap pengurangan entropi dan peningkatan kinerja.
• Sistem biologis sangat bergantung pada umpan balik untuk mempertahankan parameter dalam rentang optimal di tengah fluktuasi lingkungan. Sirkuit regulasi, yang mencakup loop umpan balik positif dan negatif, memastikan stabilitas sistem. Kegagalan dalam mekanisme umpan balik, seperti yang diamati pada kanker, dapat mengganggu fungsi jaringan dan kekebalan tubuh.
• Mekanisme umpan balik juga memainkan peran penting dalam regulasi genetik, mempertahankan homeostasis, dan menstabilkan populasi hewan. Dalam zimologi, umpan balik mengatur aktivitas enzim, sedangkan dalam psikologi, loop umpan balik mendasari respons perilaku terhadap rangsangan.
• Dalam ilmu iklim, loop umpan balik memengaruhi proses atmosfer, lautan, dan daratan, yang dicontohkan oleh loop umpan balik es-albedo. Teori kontrol secara ekstensif menggunakan umpan balik, terutama pada pengontrol PID, untuk mengatur dinamika sistem dan memastikan stabilitas.
• Teknik mesin menampilkan contoh historis pemanfaatan umpan balik, mulai dari katup pelampung kuno yang mengatur aliran air hingga sistem autopilot modern. Teknik elektronik menggunakan umpan balik dalam desain komponen elektronik, dengan umpan balik negatif yang meningkatkan stabilitas dan akurasi sistem.
• Dalam rekayasa perangkat lunak, loop umpan balik sangat penting untuk mengendalikan sistem perangkat lunak, memastikan sifat runtime, dan memandu adaptasi dan evolusi sistem. Loop otonom IBM mencontohkan aplikasi loop umpan balik dalam mendesain dan mengelola sistem perangkat lunak yang dinamis.

Disadur dari: en.wikipedia.org

Logika fuzzy adalah jenis logika yang memungkinkan variabel memiliki nilai kebenaran berkisar antara 0 dan 1, mengakomodasi konsep kebenaran parsial. Tidak seperti logika Boolean, di mana variabel dibatasi pada nilai 0 atau 1, logika fuzzy mengakui kemungkinan adanya nilai kebenaran perantara. Konsep logika fuzzy diperkenalkan pada tahun 1965 oleh Lotfi Zadeh dengan usulannya tentang teori himpunan fuzzy. Namun, eksplorasi logika fuzzy dimulai pada tahun 1920-an dengan kedok logika bernilai tak terbatas, terutama oleh para sarjana seperti Łukasiewicz dan Tarski.

Logika fuzzy didasarkan pada pemahaman bahwa pengambilan keputusan manusia sering kali melibatkan informasi yang tidak tepat dan non-numerik. Memanfaatkan model fuzzy atau himpunan fuzzy, ini memberikan kerangka matematis untuk menangani ketidakjelasan dan ketidaktepatan. Model-model ini dapat secara efektif mengenali, mewakili, menafsirkan, dan memanipulasi data yang kurang pasti. Logika fuzzy dapat diterapkan di berbagai domain, mulai dari teori kontrol hingga kecerdasan buatan. Hal ini memungkinkan sistem untuk beroperasi secara efektif dalam lingkungan di mana logika biner tradisional mungkin gagal karena ketidakpastian dan ketidaktepatan dalam data.

Ringkasan Mengenai Logika Fuzzy

Logika klasik beroperasi dalam kerangka proposisi yang benar atau salah. Namun, pada kenyataannya, ada situasi di mana jawabannya mungkin berbeda-beda, misalnya saat melakukan survei terhadap sekelompok individu mengenai persepsi mereka terhadap warna. Dalam kasus seperti ini, kebenaran muncul sebagai hasil penalaran dari pengetahuan yang tidak lengkap atau parsial, dimana tanggapan sampel diposisikan pada suatu spektrum. Meskipun probabilitas dan derajat kebenaran berkisar dari 0 hingga 1, keduanya memiliki tujuan berbeda dalam logika fuzzy. Derajat kebenaran berfungsi sebagai model matematika untuk ketidakjelasan, sedangkan probabilitas digunakan sebagai model matematika untuk ketidaktahuan.

Dalam aplikasi praktis, logika fuzzy dapat digunakan untuk mendefinisikan berbagai sub-rentang variabel kontinu. Misalnya, dalam sistem pengukuran suhu untuk rem anti-lock, fungsi keanggotaan yang berbeda dapat menggambarkan rentang suhu tertentu yang penting untuk kontrol rem. Setiap fungsi memberikan nilai kebenaran dalam kisaran 0 hingga 1 untuk nilai suhu yang sama, sehingga membantu dalam menentukan strategi kontrol rem yang tepat. Teori himpunan fuzzy menawarkan kerangka kerja untuk merepresentasikan ketidakpastian dalam skenario seperti itu.

Selain itu, variabel linguistik sering digunakan dalam aplikasi logika fuzzy untuk menyatakan aturan dan fakta menggunakan nilai non-numerik. Misalnya, variabel "usia" mungkin memiliki nilai seperti "muda" dan kebalikannya, "tua". Untuk memperluas jangkauan nilai linguistik, pengubah seperti "agak" atau "agak" dapat digunakan, sehingga menghasilkan istilah seperti "agak tua" atau "agak muda". Pendekatan linguistik ini membantu dalam menangkap ekspresi nilai fuzzy yang bernuansa.

Sistem Fuzzy

Sistem Mamdani merupakan sistem berbasis aturan yang paling terkenal. Sistem ini menggunakan aturan-aturan berikut:

• Fuzzifikasi

Fuzzifikasi adalah proses penugasan nilai numerik masukan sistem ke dalam himpunan fuzzy dengan tingkat keanggotaan tertentu. Tingkat keanggotaan ini dapat berada di dalam interval [0,1]. Jika nilainya 0, maka nilai tersebut tidak termasuk dalam himpunan fuzzy yang diberikan, dan jika nilainya 1, maka nilai tersebut sepenuhnya termasuk dalam himpunan fuzzy. Setiap nilai antara 0 dan 1 mewakili tingkat ketidakpastian bahwa nilai tersebut termasuk dalam himpunan. Himpunan fuzzy ini umumnya dijelaskan dengan kata-kata, sehingga dengan menugaskan masukan sistem ke dalam himpunan fuzzy, kita dapat merasionalkannya dengan cara yang alami secara linguistik.

• Operator Logika Fuzzy

Logika fuzzy bekerja dengan nilai keanggotaan dengan cara yang meniru logika Boolean.

• Aturan IF-THEN

Aturan IF-THEN memetakan nilai kebenaran masukan atau yang dihitung ke nilai kebenaran keluaran yang diinginkan.

• De-fuzzifikasi

Tujuannya adalah untuk mendapatkan variabel kontinu dari nilai kebenaran fuzzy.

• Sistem Takagi-Sugeno-Kang (TSK)

Sistem TSK mirip dengan Mamdani, tetapi proses de-fuzzifikasi disertakan dalam pelaksanaan aturan fuzzy. Aturan-aturan ini juga disesuaikan, sehingga konsekuensinya dari aturan tersebut direpresentasikan melalui fungsi polinomial (biasanya konstan atau linear).

Konsensus Input dan Aturan Fuzzy

Sistem logika fuzzy menghasilkan output berupa konsensus dari semua masukan dan semua aturan, sehingga sistem logika fuzzy dapat berperilaku baik ketika nilai-nilai masukan tidak tersedia atau tidak dapat dipercaya. Bobot dapat secara opsional ditambahkan ke setiap aturan dalam basis aturan, dan bobot dapat digunakan untuk mengatur seberapa besar pengaruh aturan terhadap nilai output. Bobot aturan ini dapat didasarkan pada prioritas, keandalan, atau konsistensi masing-masing aturan. Bobot aturan ini bisa bersifat statis atau dapat berubah secara dinamis, bahkan berdasarkan output dari aturan lain.

Aplikasi Logika Fuzzy

Logika fuzzy digunakan dalam sistem kontrol untuk memungkinkan para ahli memberikan aturan yang samar seperti "jika Anda dekat dengan stasiun tujuan dan bergerak cepat, tingkatkan tekanan rem kereta"; aturan-aturan samar ini kemudian dapat diperinci secara numerik dalam sistem.

Banyak aplikasi awal yang sukses dari logika fuzzy diimplementasikan di Jepang. Salah satu aplikasi yang mencolok adalah pada seri 1000 Subway Sendai, di mana logika fuzzy mampu meningkatkan ekonomi, kenyamanan, dan presisi perjalanan. Ini juga telah digunakan untuk pengenalan tulisan tangan di komputer saku Sony, bantuan penerbangan helikopter, kontrol sistem kereta bawah tanah, peningkatan efisiensi bahan bakar mobil, kontrol mesin cuci dengan satu tombol, kontrol daya otomatis pada penyedot debu, dan pengenalan awal gempa bumi melalui Institut Seismologi Biro Meteorologi, Jepang.

Kecerdasan Buatan

Jaringan saraf berbasis kecerdasan buatan dan logika fuzzy, ketika dianalisis, merupakan hal yang sama—logika dasar dari jaringan saraf adalah samar. Sebuah jaringan saraf akan menerima berbagai nilai masukan, memberikan bobot yang berbeda dalam kaitannya satu sama lain, menggabungkan nilai-nilai perantara sejumlah tertentu kali, dan sampai pada suatu keputusan dengan nilai tertentu. Tidak ada dalam proses tersebut yang menyerupai keputusan yang seperti pilihan antara satu atau lain yang merupakan ciri khas matematika non-samar, pemrograman komputer, dan elektronika digital.

Pada tahun 1980-an, para peneliti terbagi tentang pendekatan yang paling efektif untuk pembelajaran mesin: pembelajaran pohon keputusan atau jaringan saraf. Pendekatan pertama menggunakan logika biner, sesuai dengan perangkat keras tempatnya berjalan, tetapi meskipun dengan upaya besar tidak menghasilkan sistem yang cerdas. Jaringan saraf, sebaliknya, menghasilkan model yang akurat dari situasi kompleks dan segera ditemukan di berbagai perangkat elektronik. Mereka juga sekarang dapat diimplementasikan langsung pada chip mikro analog, dibandingkan dengan implementasi pseudo-analog sebelumnya pada chip digital. Efisiensi yang lebih besar dari ini mengimbangi ketepatan intrinsik yang lebih rendah dari analog dalam berbagai kasus penggunaan.

Pengambilan Keputusan Medis

Logika fuzzy adalah konsep penting dalam pengambilan keputusan medis. Karena data medis dan kesehatan dapat bersifat subjektif atau samar, aplikasi dalam domain ini memiliki potensi besar untuk mendapatkan manfaat dengan menggunakan pendekatan berbasis logika fuzzy. Logika fuzzy dapat digunakan dalam banyak aspek berbeda dalam kerangka pengambilan keputusan medis. Aspek-aspek tersebut termasuk dalam analisis citra medis, analisis sinyal biomedis, segmentasi citra atau sinyal, dan ekstraksi / seleksi fitur citra atau sinyal.

Pertanyaan terbesar dalam area aplikasi ini adalah seberapa banyak informasi yang berguna dapat diperoleh dengan menggunakan logika fuzzy. Tantangan utama adalah bagaimana cara mendapatkan data samar yang diperlukan. Ini menjadi lebih menantang ketika seseorang harus memperoleh data semacam itu dari manusia (biasanya, pasien). Seperti yang telah dikatakan "Amplop dari apa yang dapat dicapai dan apa yang tidak dapat dicapai dalam diagnosis medis, ironisnya, adalah hal yang samar sendiri." Bagaimana mendapatkan data samar, dan bagaimana memvalidasi akurasi data masih merupakan upaya yang sedang berlangsung, sangat terkait dengan penerapan logika fuzzy. Masalah menilai kualitas data samar adalah masalah yang sulit. Inilah sebabnya logika fuzzy merupakan kemungkinan yang sangat menjanjikan dalam aplikasi pengambilan keputusan medis tetapi masih memerlukan penelitian lebih lanjut untuk menc

Pengambilan Keputusan Medis

Logika fuzzy merupakan konsep penting dalam pengambilan keputusan medis. Karena data medis dan kesehatan seringkali bersifat subjektif atau samar, penggunaan pendekatan berbasis logika fuzzy memiliki potensi besar untuk memberikan manfaat yang signifikan dalam domain ini. Logika fuzzy dapat diterapkan dalam berbagai aspek pengambilan keputusan medis, seperti analisis citra medis, analisis sinyal biomedis, segmentasi citra atau sinyal, serta ekstraksi / seleksi fitur citra atau sinyal. Tantangan terbesar dalam area aplikasi ini adalah seberapa banyak informasi yang dapat diperoleh dengan menggunakan logika fuzzy. Salah satu tantangan utama adalah bagaimana mendapatkan data samar yang diperlukan. Hal ini menjadi lebih sulit ketika data tersebut harus diperoleh dari manusia (biasanya, pasien). Seperti yang dikatakan, "Amplop dari apa yang dapat dicapai dan apa yang tidak dapat dicapai dalam diagnosis medis, ironisnya, adalah hal yang samar."

Bagaimana cara mendapatkan data samar, dan bagaimana cara memvalidasi keakuratan data masih menjadi upaya yang terus berlangsung, yang sangat terkait dengan penerapan logika fuzzy. Masalah penilaian kualitas data samar merupakan masalah yang sulit. Oleh karena itu, logika fuzzy merupakan kemungkinan yang sangat menjanjikan dalam pengambilan keputusan medis namun masih memerlukan penelitian lebih lanjut untuk mencapai potensi penuhnya. Meskipun konsep penggunaan logika fuzzy dalam pengambilan keputusan medis sangat menarik, masih ada beberapa tantangan yang dihadapi pendekatan fuzzy dalam kerangka pengambilan keputusan medis.

Basis Data Fuzzy

Setelah hubungan samar didefinisikan, dimungkinkan untuk mengembangkan basis data relasional samar. Basis data relasional samar pertama, FRDB, muncul dalam disertasi Maria Zemankova (1983). Kemudian, beberapa model lain muncul seperti model Buckles-Petry, model Prade-Testemale, model Umano-Fukami, atau model GEFRED oleh J. M. Medina, M. A. Vila, dkk. Bahasa kueri samar telah didefinisikan, seperti SQLf oleh P. Bosc, dkk. dan FSQL oleh J. Galindo, dkk. Bahasa-bahasa ini mendefinisikan beberapa struktur untuk menyertakan aspek samar dalam pernyataan SQL, seperti kondisi samar, pembanding samar, konstanta samar, batasan samar, ambang samar, label linguistik, dll. Analisis Logis. Dalam logika matematika, ada beberapa sistem formal "logika samar", sebagian besar berada dalam keluarga logika samar t-norm.

Proposisi Logika Fuzzy dalam Logika Proposisional

Logika fuzzy adalah cabang penting dalam teori logika yang menggeneralisasi logika klasik dengan memperkenalkan gagasan tentang kebenaran parsial. Dalam konteks logika proposisional, terdapat beberapa logika fuzzy yang signifikan:

1. Logika fuzzy berbasis Monoidal t-norm (MTL) adalah sebuah axiomatisasi logika di mana konjungsi didefinisikan oleh t-norm yang kontinu dan implikasi didefinisikan sebagai residu dari t-norm. Model-modelnya berkorespondensi dengan aljabar MTL yang merupakan kisi residuated linear pre-komutatif terbatas.
2. Logika fuzzy proposisional dasar (BL) merupakan perluasan dari logika MTL di mana konjungsi didefinisikan oleh t-norm yang kontinu, dan implikasi juga didefinisikan sebagai residu dari t-norm. Model-modelnya berkorespondensi dengan aljabar BL.
3. Logika fuzzy Łukasiewicz adalah perluasan dari logika fuzzy dasar BL di mana konjungsi standar adalah t-norm Łukasiewicz. Model-modelnya berkorespondensi dengan aljabar MV.
4. Logika fuzzy Gödel adalah perluasan dari BL di mana konjungsi adalah t-norm Gödel (minimum). Model-modelnya disebut sebagai aljabar G.
5. Logika fuzzy produk adalah perluasan dari BL di mana konjungsi adalah t-norm produk. Model-modelnya disebut sebagai aljabar produk.
6. Logika fuzzy dengan sintaksis dievaluasi (kadang disebut logika Pavelka) adalah generalisasi lebih lanjut dari logika fuzzy matematis. Di sini, sintaks dievaluasi artinya setiap formula memiliki evaluasi.
7. Logika Predikat dalam Logika Fuzzy

Seperti halnya logika predikat dibangun dari logika proposisional, logika predikat fuzzy memperluas sistem fuzzy dengan kuantifikasi universal dan eksistensial. Semantik dari kuantifikasi universal dalam logika fuzzy t-norm adalah infimum derajat kebenaran dari contoh subformula yang dikuantifikasi, sementara semantik dari kuantifikasi eksistensial adalah supremum dari yang sama.

Isu Pengambilan Keputusan 

Pertanyaan tentang subset yang dapat diputuskan dan subset yang dapat dienumerasi secara rekursif merupakan masalah penting dalam matematika dan logika klasik. Namun, untuk teori himpunan fuzzy, perluasan dari definisi-definisi ini menjadi suatu perhatian. Upaya pertama dalam arah tersebut dilakukan oleh E.S. Santos dengan gagasan tentang mesin Turing fuzzy, algoritma fuzzy Markov normal, dan program fuzzy. Namun, definisi yang diajukan dipertanyakan oleh L. Biacino dan G. Gerla. Definisi yang diusulkan oleh mereka mengaitkan himpunan fuzzy yang dapat dienumerasi secara rekursif dengan logika fuzzy.

Mereka mengemukakan teorema bahwa teori fuzzy yang "axiomatizable" adalah dapat dienumerasi secara rekursif, dan teori yang "axiomatizable" dan lengkap adalah dapat diputuskan. Namun, untuk mendukung "tesis Gereja" untuk matematika fuzzy, diperlukan perluasan dari gagasan-gagasan ini tentang gramatika fuzzy dan mesin Turing fuzzy. Hal ini juga merupakan pertanyaan terbuka untuk menemukan suatu perluasan dari teorema Gödel ke dalam logika fuzzy berdasarkan definisi-definisi tersebut.

Disadur dari: en.wikipedia.org

Sebuah Sistem Kontrol Terdistribusi (DCS) adalah sistem kontrol yang terkomputerisasi untuk sebuah proses atau pabrik biasanya dengan banyak loop kontrol, di mana kontroler otonom tersebar di seluruh sistem, tetapi tidak ada kontrol pengawasan operator sentral. Hal ini berbeda dengan sistem yang menggunakan kontroler terpusat; baik kontroler diskret yang terletak di ruang kontrol sentral atau dalam komputer sentral. Konsep DCS meningkatkan keandalan dan mengurangi biaya instalasi dengan memusatkan fungsi kontrol dekat pabrik proses, dengan pemantauan dan pengawasan jarak jauh.

Sistem kontrol terdistribusi pertama kali muncul dalam industri proses besar, bernilai tinggi, dan kritis terhadap keamanan, dan menarik karena pabrikan DCS akan menyediakan baik tingkat kontrol lokal maupun peralatan pengawasan pusat sebagai paket terintegrasi, sehingga mengurangi risiko integrasi desain. Saat ini, fungsionalitas Sistem Pengawasan dan Akuisisi Data (SCADA) dan sistem DCS sangat mirip, tetapi DCS cenderung digunakan di pabrik proses kontinu besar di mana keandalan dan keamanan tinggi penting, dan ruang kontrol tidak jauh secara geografis. Banyak sistem kontrol mesin memiliki properti serupa dengan sistem kontrol pabrik dan proses.

Struktur

Struktur utama dari DCS adalah keandalannya karena distribusi pemrosesan kontrol di sekitar node-node dalam sistem. Ini mengurangi risiko kegagalan prosesor tunggal. Jika sebuah prosesor gagal, itu hanya akan mempengaruhi satu bagian dari proses pabrik, berbeda dengan kegagalan komputer sentral yang akan mempengaruhi seluruh proses. Distribusi kekuatan komputasi ini juga memastikan waktu pemrosesan kontrol yang cepat dengan menghilangkan kemungkinan jeda jaringan dan pemrosesan pusat.

Diagram yang menyertainya adalah model umum yang menunjukkan level-manufaktur fungsional menggunakan kontrol terkomputerisasi. Level 0 berisi perangkat lapangan seperti sensor aliran dan suhu, dan elemen kontrol akhir, seperti katup kontrol. Level 1 berisi modul Input/Output (I/O) terindustrialisasi, dan prosesor elektronik terdistribusi mereka. Level 2 berisi komputer pengawas, yang mengumpulkan informasi dari node prosesor pada sistem, dan menyediakan layar kontrol operator. Level 3 adalah level kontrol produksi, yang tidak secara langsung mengontrol proses, tetapi berkaitan dengan pemantauan produksi dan pemantauan target. Level 4 adalah level penjadwalan produksi.

Level 1 dan 2 adalah level fungsional dari DCS tradisional, di mana semua peralatan merupakan bagian dari sistem terintegrasi dari satu pabrikan. Level 3 dan 4 tidak secara ketat merupakan kontrol proses dalam arti tradisional, tetapi di mana kontrol produksi dan penjadwalan berlangsung.

Poin Poin Teknis

• Node prosesor dan tampilan grafis operator terhubung melalui jaringan properti atau standar industri, dan keandalan jaringan ditingkatkan dengan kabel redundansi ganda melalui rute-rute yang beragam. Topologi terdistribusi ini juga mengurangi jumlah kabel lapangan dengan menempatkan modul I/O dan prosesor terkait mereka dekat dengan pabrik proses.
• Prosesor menerima informasi dari modul input, memproses informasi, dan menentukan tindakan kontrol yang akan disinyalir oleh modul output. Masukan dan keluaran lapangan dapat berupa sinyal analog seperti loop arus DC 4-20 mA atau sinyal dua keadaan yang beralih antara "hidup" atau "mati", seperti kontak relay atau sakelar semikonduktor.
• DCS terhubung ke sensor dan aktuator dan menggunakan kontrol setpoint untuk mengatur aliran material melalui pabrik. Aplikasi khas adalah kontrol PID yang diumpani oleh flow meter dan menggunakan katup kontrol sebagai elemen kontrol akhir. DCS mengirimkan setpoint yang dibutuhkan oleh proses ke kontroler yang menginstruksi sebuah katup untuk beroperasi sehingga proses mencapai dan tetap berada pada setpoint yang diinginkan.
• Kilang minyak besar dan pabrik kimia memiliki ribuan titik I/O dan menggunakan DCS yang sangat besar. Proses tidak terbatas pada aliran fluida melalui pipa saja, tetapi juga dapat mencakup mesin kertas dan kontrol kualitas terkaitnya, pengendali kecepatan variabel, pusat kontrol motor, kiln semen, operasi pertambangan, fasilitas pengolahan bijih, dan banyak lagi.
• DCS dalam aplikasi yang sangat andal dapat memiliki prosesor ganda yang redundan dengan beralih "panas" saat terjadi kegagalan, untuk meningkatkan keandalan sistem kontrol.
• Meskipun 4-20 mA telah menjadi standar penandaan lapangan utama, sistem DCS modern juga dapat mendukung protokol digital fieldbus, seperti Foundation Fieldbus, profibus, HART, modbus, PC Link, dan lainnya.
• DCS modern juga mendukung aplikasi jaringan saraf dan logika fuzzy. Penelitian terbaru berfokus pada sintesis pengontrol terdistribusi optimal, yang mengoptimalkan suatu kriteria kontrol H-infinity atau kriteria kontrol H 2.

Aplikasi yang umum

Sistem kendali terdistribusi (DCS) adalah sistem khusus yang digunakan dalam proses manufaktur yang bersifat kontinyu atau berorientasi batch.

Proses di mana DCS dapat digunakan meliputi:

• Pabrik kimia
• Petrokimia (minyak) dan kilang
• Pabrik pulp dan kertas (lihat juga: sistem kendali mutu QCS)
• Kontrol boiler dan sistem pembangkit listrik
• Pembangkit listrik tenaga nuklir
• Sistem pengendalian lingkungan
• Sistem pengelolaan air
• Instalasi pengolahan air
• Pabrik pengolahan limbah
• Pengolahan makanan dan makanan
• Agrokimia dan pupuk
• Logam dan tambang
• Manufaktur mobil
• Pabrik proses metalurgi
• Manufaktur farmasi
• Pabrik pemurnian gula
• Aplikasi pertanian

Sejarah

• Evolusi Operasi Kontrol Proses

Kontrol proses pabrik industri besar telah mengalami evolusi yang signifikan dari waktu ke waktu. Awalnya, kontrol dikelola dari panel lokal yang terletak di dekat pabrik proses. Namun, pengaturan ini memerlukan pengawasan manusia yang ekstensif untuk memantau panel-panel yang tersebar ini, yang mengakibatkan kurangnya pengawasan proses yang komprehensif. Selanjutnya, perkembangan logisnya adalah mengirimkan semua pengukuran pabrik ke ruang kontrol pusat yang dikelola secara terus menerus. Hal ini pada dasarnya memusatkan fungsi kontrol dari panel-panel yang terlokalisasi, menawarkan manfaat seperti pengurangan kebutuhan tenaga kerja dan peningkatan tinjauan proses. Dalam pengaturan ini, pengontrol sering kali diposisikan di belakang panel ruang kontrol, dan output kontrol otomatis dan manual diteruskan kembali ke pabrik. Namun demikian, meskipun memberikan kontrol terpusat, pengaturan ini kurang fleksibel karena setiap loop kontrol memerlukan perangkat keras pengontrolnya sendiri, yang menyebabkan operator harus bergerak terus menerus di dalam ruang kontrol untuk memantau bagian proses yang berbeda.

Dengan munculnya prosesor elektronik dan tampilan grafis, menjadi mungkin untuk mengganti pengontrol diskrit dengan algoritme berbasis komputer yang digunakan pada jaringan rak input / output yang dilengkapi dengan prosesor kontrol mereka sendiri. Sistem ini dapat disebarkan ke seluruh pabrik dan berkomunikasi dengan tampilan grafis di ruang kontrol. Hal ini menandai munculnya sistem kontrol terdistribusi (DCS).

Pengenalan DCS memfasilitasi interkoneksi tanpa batas dan konfigurasi ulang kontrol pabrik, termasuk loop bertingkat dan interlock, serta integrasi yang mudah dengan sistem komputer produksi lainnya. DCS memungkinkan penanganan alarm tingkat lanjut, pencatatan peristiwa otomatis, menghilangkan kebutuhan akan catatan fisik seperti perekam grafik, memfasilitasi jaringan rak kontrol untuk mengurangi kebutuhan pemasangan kabel, dan memberikan gambaran umum yang komprehensif tentang status pabrik dan tingkat produksi.

Disadur dari: en.wikipedia.org