Logika fuzzy merupakan perluasan dari logika tegas. Pada logika tegas, keanggotaan elemen pada himpunannya hanya memiliki 2 pilihan yaitu bernilai 0 apabila elemen tidak terdapat pada himpunan serta bernilai 1 apabila elemen berada pada himpunan.
Apa penjelasan lebih lanjut mengenai Logika Fuzzy?
Fuzzy secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai dapat bernilai benar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotan yang memiliki rentang nilai 0 (nol) hingga 1 (satu). Logika fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau kesamaran antara benar atau salah. Dalam teori logika fuzzy suatu nilai dapat bernilai benar atau salah secara bersamaan. Namun seberapa besar kebenaran dan kesalahan tergantung pada bobot keanggotaan yang dimilikinya.
Logika fuzzy memiliki derajat keanggotaan dalam rentang 0 hingga 1 dan logika fuzzy menunjukkan sejauh mana suatu nilai benar dan sejauh mana suatu nilai itu salah. Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output dan mempunyai nilai kontiniu. Fuzzy dinyatakan dalam derajat keanggotaan dan derajat kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama (Kusumadewi, 2004).
Dalam kehidupan sehari–hari, dapat dijumpai banyak gejala kekaburan. Ambil suatu contoh, dalam suatu kelas seorang guru menyuruh muridnya yang memiliki sepeda untuk angkat tangan, maka dengan mudah murid yang memiliki sepeda akan mengangkat tangannya. Namun ketika guru tersebut menyuruh murid yang pandai untuk mengangkat tangannya, maka akan timbul keragu-raguan, apakah mereka termasuk kelompok yang pandai atau tidak. Batas antara “punya sepeda” dengan “tidak punya sepeda” adalah jelas dan tegas, tetapi tidak demikian halnya antara “pandai” dan “tidak pandai”. Dengan kata lain himpunan para murid yang pandai dan tidak pandai seakan–akan dibatasi secara tidak tegas atau kabur. Maka diperlukan suatu bahasa keilmuan baru yang mampu menangkap ketidaktegasan/kekaburan istilah bahasa sehari–hari yang memadai (Susilo, 2006).
Bahasa seperti itulah yang diciptakan oleh Lotfi Asker Zadeh, seorang guru besar dari Universitas California, Amerika Serikat pada awal tahun 1965. Beliau memodifikasi teori himpunan yang lazim digunakan menjadi teori himpunan kabur (fuzzy). Teori ini dapat diaplikasikan dalam berbagai bidang, antara lain algoritma kontrol, diagnosa medis, system pendukung keputusan, ekonomi, teknik, psikologi, lingkungan, keamanan dan ilmu pengetahaun (Setiadji, 2009). Sebagai contoh adalah seorang manajer pergudangan mengatakan kepada manajer produksi seberapa banyak persediaan barang pada akhir minggu ini, kemudian manajer produksi akan menetapkan jumlah barang yang harus diproduksi esok hari. Contoh kedua adalah seorang pegawai melakukan tugasnya dengan kinerja yang sangat baik, kemudian atasan akan memberikan penghargaan yang sesuai dengan kinerja pegawai tersebut. Dengan menggunakan teori himpunan fuzzy, logika bahasa dapat diwakili oleh sebuah daerah yang mempunyai jangkauan yang menunjukkan derajat keanggotannya (Kusumadewi, 2004).
Himpunan tegas (crisp) merupakan himpunan yang terdefinisi secara tegas dalam arti bahwa untuk setiap elemen dalam semestanya selalu dapat ditentukan secara tegas apakah ia merupakan anggota dari himpunan atau tidak. Dengan perkataan lain, terdapat batas yang tegas antara unsur-unsur yang tidak merupakan anggota dari suatu himpunan. Tetapi tidak semua himpunan terdefinisi demikian, misalnya himpunan siswa pandai, himpunan orang miskin, himpunan orang muda dan lain-lain. Pada himpunan orang muda, kita tidak dapat menentukan secara tegas apakah seseorang adalah muda atau tidak. Tetapi kita dapat memisalkan seseorang dikatakan muda memiliki umur 25 tahun, maka orang yang umurnya 26 tahun menurut defenisi termasuk tidak muda. Sulit bagi kita untuk menerima bahwa orang yang umurnya 26 tahun itu tidak termasuk orang muda. Hal ini menunjukkan bahwa memang batas antara kelompok orang muda dan kelompok orang yang tidak muda tidak dapat ditentukan secara tegas (Susilo, 2006).
Untuk mengatasi permasalahan tersebut, Lotfi Asker Zadeh mengaitkan himpunan semacam itu dengan suatu fungsi yang menyatakan derajat kesesuaian unsur-unsur dalam semestanya dengan konsep yang merupakan syarat keanggotaan himpunan tersebut. Fungsi ini disebut fungsi keanggotaan dan nilai fungsi itu disebut derajat keanggotaan suatu unsur dalam himpunan itu yang selanjutnya disebut himpunan kabur. Himpunan fuzzy adalah rentang nilai-nilai, masing-masing nilai mempunyai derajat keanggotaan antara 0 hingga 1. Suatu himpunan fuzzy  dalam semesta pembicaraan X dinyatakan dengan fungsi keanggotaan µ dalam interval [0,1], dapat dinyatakan dengan :
### µÂ : X → [0,1]
Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu :
Variabel fuzzy. Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy . Contoh : umur, temperatur, permintaan, dsb.
Himpunan fuzzy. Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy.
Himpunan fuzzy memiliki atribut, yaitu :
Ada beberapa operasi yang didefenisikan secara khusus untuk mengkombinasikan dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama fire strength ????−????????????????????????????????. Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu : AND, OR dan NOT.
Operator AND (DAN)
Operator ini berhubungan dengan operasi interseksi pada himpunan ???? −???????????????????????????????? sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan. µA∩B = min(µA(x), µB(y))
Operator OR (ATAU)
Operator ini berhubungan dengan operasi union pada himpunan ???? − ???????????????????????????????? sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada himpunan-himpunan yang bersangkutan. µAUB = max(µA(x), µB(y))
Operator NOT (KOMPLEMEN)
Operator ini berhubungan dengan operasi komplemen pada himpunan ???? −???????????????????????????????? sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1. µA = 1- µA(x)
Fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan titik- titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan :
Pada representasi linear, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus.
Ada 2 keadaan himpunan fuzzy yang linear, yaitu :
Keteragan :
???? = Nilai keanggotaan yang dibahas
???? = Nilai anggota terendah
???? = Nilai anggota tertinggi
Contoh :
Fungsi keanggotaan untuk himpunan PANAS pada variabel temperatur ruangan seperti terlihat pada Gambar dibawah.
µPANAS[32] = (32-25)/(35-25)
= 7/10 = 0,7
Contoh :
Fungsi keanggotaan untuk himpunan DINGIN pada variabel temperatur ruangan seperti terlihat pada Gambar di bawah.
µDINGIN[20] = (30-20)/(30-15)
= 10/15 = 0,667
Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear). derajat keanggotaan ????(????)
Contoh :
Fungsi keanggotaan untuk himpunan NORMAL pada variabel temperatur ruangan seperti terlihat pada Gambar di bawah.
µNORMAL[23] = (23-15)/(25-15)
= 8/10 = 0,8
Kurva segitiga pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1.
Contoh :
Fungsi keanggotaan untuk himpunan NORMAL pada variabel temperatur ruangan seperti terlihat pada Gambar di bawah.
µNORMAL[23] = (35-32)/(35-27)
= 3/8 = 0,375
Kurva Pertumbuhan dan Penyusutan merupakan kurva-S atau sigmoid yang berhubungan dengan kenaikan dan penurunan permukaan secara tak linear. Kurva- S untuk Pertumbuhan akan bergerak dari sisi paling kiri (nilai keanggotaan = 0) ke sisi paling kanan (nilai keanggotaan = 1). Fungsi keanggotaannya akan tertumpu pada 50% nilai keanggotaannya yang sering disebut dengan titik infleksi (Gambar 2.9).
Kurva-S untuk Penyusutan akan bergerak dari sisi paling kanan (nilai keanggotaan = 1) ke sisi paling kiri (nilai keanggotaan = 0) seperti telihat pada Gambar di bawah.
Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu: nilai keanggotaan nol (α), nilai keanggotaan lengkap (γ), dan titik infleksi atau crossover (β) yaitu titik yang memiliki domain 50% benar. Gambar 2.11 menunjukkan karakteristik kurva-S dalam bentuk skema.
Fungsi keangotaan pada kurva Pertumbuhan adalah:
Contoh :
Fungsi keanggotaan untuk himpunan TUA pada variabel umur seperti terlihat pada Gambar di bawah.
µTUA[50] = 1 – 2((60-50)/(60-35))2
= 1 – 2(10/25)2
= 0,68
Fungsi keanggotaan untuk himpunan MUDA pada variabel umur seperti terlihat pada Gambar di bawah.
µMUDA[50] = 2((50-37)/(50-20))2
= 2(13/30)2
= 0,376
Tiap–tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan dengan suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam fungsi implikasi adalah:
#### JIKA x adalah A MAKA y adalah B
Dengan x dan y adalah skalar, serta A dan B adalah himpunan fuzzy. Proposisi yang mengikuti JIKA disebut sebagai anteseden, sedangkan proposisi yang mengikuti MAKA disebut sebagai konsekuen. Proposisi dapat diperluas dengan menggunakan operator fuzzy, seperti (Cox, 1994):
#### JIKA (x1 adalah A1) o (x2 adalah A2) o (x3 adalah A3) o.............. o (xN adalah AN)
#### MAKA y adalah B dengan o adalah operator (misal: ATAU atau DAN).
Secara umum, ada dua fungsi implikasi yang dapat digunakan, yaitu (Yan, 1994):
Min (minimum). Fungsi ini akan memotong output himpunan fuzzy. Gambar menunjukkan salah satu contoh penggunanan fungsi Min.
Dot (Product). Fungsi ini akan menskala output himpunan fuzzy. Gambar menunjukkan salah satu contoh penggunaan fungsi Dot.
Sistem Inferensi Fuzzy
Salah satu aplikasi logika fuzzy yang telah berkembang sangat luas dewasa ini adalah sistem inferensi fuzzy, yaitu sistem komputasi yang bekerja atas dasar prinsip penalaran fuzzy, seperti halnya manusia melakukan penalaran dengan nalurinya. Misalnya penentuan produksi barang, sistem pendukung keputusan, sistem klasifikasi data, sistem pakar, sistem pengenalan pola, robotika, dan sebagainya.
Pada dasarnya sistem inferensi fuzzy terdiri dari empat unit, yaitu :
Unit basis pengetahuan, yang terdiri dari dua bagian :
Basis data, yang memuat fungsi-fungsi keanggotaan dari himpunanhimpunan fuzzy yang terkait dengan nilai dari variabel- variabel linguistik yang dipakai.
Pada sistem inferensi fuzzy, nilai-nilai masukan tegas dikonversikan oleh unit fuzzifikasi ke nilai fuzzy yang sesuai. Hasil pengukuran yang telah difuzzikan itu kemudian diproses oleh unit penalaran, yang dengan menggunakan unit basis pengetahuan, menghasilkan himpunan-himpunan fuzzy sebagai keluarannya. Langkah terakhir dikerjakan oleh unit defuzzifikasi yaitu menerjemahkan himpunan keluaran itu ke dalam nilai yang tegas. Nilai tegas inilah yang kemudian direalisasikan dalam bentuk suatu tindakan yang dilaksanakan dalam proses itu.
Pada umumnya ada 3 metode sistem inferensi fuzzy yang digunakan dalam logika fuzzy, yaitu : Metode Tsukamoto, Mamdani, dan Sugeno.
Metode Tsukamoto. Metode Tsukamoto merupakan perluasan dari penalaran monoton. Setiap konsekuen pada aturan yang berbentuk JIKA-MAKA harus dipresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat. Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot.
Metode Mamdani. Untuk metode ini, pada setiap aturan yang berbentuk implikasi (“sebab akibat”) anteseden yang berbentuk konjungsi (AND) mempunyai nilai keanggotaan berbentuk minimum (MIN), sedangkan konsekuen gabungannya berbentuk maksimum (MAX), karena himpunan aturanaturannya bersifat independent (tidak saling bergantung).
Metode Sugeno. Penalaran dengan Metode Sugeno hampir sama dengan penalaran Mamdani, hanya saja output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985, sehingga metode ini sering dinamakan dengan Metode TSK.
Menurut Cox (1994), Metode TSK terdiri dari 2 jenis yaitu :
Jika (x1 adalah A1) o (x2 adalah A2) o (x3 adalah A3) o.............. o (xN adalah AN) maka z=k
Dengan A1 adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta (tegas) sebagai konsekuen.
Jika (x1 adalah A1) ... o (xN adalah AN) maka z = p1*x1 + …+ pN*xN + q
Dengan A1 adalah himpunan fuzzy ke-i sebagai anteseden, dan p adalah suatu konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuen.
Apabila komposisi aturan menggunakan metode Sugeno maka defuzzifikasi dilakukan dengan cara mencari nilai rata-ratanya.
Metode Mamdani sering dikenal dengan sebagai Metode Max-min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output, diperlukan 4 tahapan:
Pada metode Fuzzy–Mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy.
Pada metode Fuzzy–Mamdani, fungsi implikasi yang digunakan adalah Min.
Ada 3 metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu max, additive dan probabilistik ATAU (probor).
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimal aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan mengaplikasikannya ke output dengan menggunakan operator ATAU (union). Jika semua proposisi telah dievaluasi, maka output akan berisi suatu himpunan fuzzy yang merefleksi konstribusi dari tiap-tiap proposisi. Secara umum dapat dituliskan:
????????[????????] = ????????????????????????[????????], ????????????[????????] (2.5) Dengan :
????????[????????] = nilai keanggotaan solusi *fuzzy* sampai aturan ke i.
????????[????????] = nilai keanggotaan konsekuen *fuzzy* aturan ke i.
Misalkan ada 3 aturan (proposisi) sebagai berikut:
[R1] Biaya Produksi RENDAH DAN Permintaan NAIK MAKA Produksi Barang BERTAMBAH;
[R2] JIKA Biaya Produksi STANDAR MAKA Produksi Barang NORMAL
[R3] JIKA Biaya Produksi TINGGI DAN Permintaan TURUN MAKA Produksi Barang BERKURANG;
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
bounded-sum terhadap semua output daerah fuzzy. Secara umum dituliskan:
????????(????????) = ???????????? (1, ????????????[????????] + ????????????[????????])
Dengan :
????????(????????) = nilai keanggotaan solusi fuzzy sampai aturan ke-i
????????(????????) = nilai keanggotaan konsekuen fuzzy aturan ke-i
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan produk terhadap semua output daerah fuzzy. Secara umum dituliskan:
????????(????????) = ????????????(????????) + ????????????(????????) − (????????????(????????) ∗ ????????????(????????))
Dengan :
????????(????????) = nilai keanggotaan solusi fuzzy sampai aturan ke-i
????????????(????????) = nilai keanggotaan konsekuen fuzzy aturan ke-i.
Input dari proses defuzzyfikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan–aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai output seperti terlihat pada gambar di bawah.
Ada beberapa metode defuzzyfikasi pada komposisi aturan Mamdani, antara lain :
Pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat (z) daerah fuzzy*. Secara umum dirumuskan :
Dimana:
z = Nilai output
???? ∗ = Titik pusat daerah fuzzy output (????????) = Derajat keanggotaan ????????
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai pada domain fuzzy yang memiliki nilai keanggotaan setengah dari jumlah total nilai keanggotaan pada daerah fuzzy.
Secara umum dituliskan :
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata– rata domain yang memiliki nilai keanggotaan maksimum.
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terbesar dari domain yang memiliki nilai keanggotaan maksimum.
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terkecil dari domain yang memiliki nilai keanggotaan maksimum.
Berikut ini akan dijelaskan ilustrasi dari alur proses perhitungan algoritma
Fuzzy mamdani metode centroid.
CONTOH KASUS :
Sebuah perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Dari data 1 bulan terakhir, PERMINTAAN TERBESAR mencapai 5000 kemasan/hari, dan PERMINTAAN TERKECIL 1000 kemasan/hari. PERSEDIAAN TERBANYAK digudang sampai 600 kemasan/hari, dan PERSEDIAAN TERKECIL mencapai 100 kemasan/hari. Dengan segala keterbatasan kemampuan PRODUKSI TERBANYAK adalah 7000 kemasan/hari, dan agar efisien PRODUKSI TERKECIL adalah 2000 kemasan/hari. Dalam produksi perusahaan menggunakan aturan :
| Rule | Permintaan | Persediaan | Produksi |
|---|---|---|---|
| 1 | TURUN | BANYAK | BERKURANG |
| 2 | TURUN | SEDIKIT | BERKURANG |
| 3 | NAIK | BANYAK | BERTAMBAH |
| 4 | NAIK | SEDIKIT | BERTAMBAH |
Berapa yang harus diproduki jika PERMINTAAN 3500 kemasan dan PERSEDIAAN 300 kemasan.
SOLUSI :
Terdapat 3 variabel fuzzy yaitu (1) permintaan, (2) persediaan, dan (3) produksi
Terdiri dari 2 himpunan fuzzy, yaitu (1) TURUN, dan (2) NAIK Diketahui :
Permintaan terendah adalah 1000 kemasan/hari
Permintaan tertinggi adalah 5000 kemasan/hari
Permintaan permasalahan = 3500 kemasan
Terdiri dari 2 himpunan fuzzy, yaitu (1) SEDIKIT, dan (2) BANYAK
Diketahui :
Persediaan terendah adalah 100 kemasan/hari
Persediaan tertinggi adalah 600 kemasan/hari
Persediaan permasalahan = 300 kemasan
Terdiri dari 2 himpunan fuzzy, yaitu (1) BERKURANG, dan (2) BERTAMBAH
Diketahui :
Produksi terendah adalah 2000 kemasan/hari
Produksi tertinggi adalah 7000 kemasan/hari
Produksi permasalahan = ditanyakan ?? kemasan
Cari Nilai Produksi Z, dengan fungsi implikasi MIN
Permintaan x
Persediaan y
Mencari nilaia-predikat dan Z dari setiap aturan
R1 : JIKA permintaan TURUN dan persediaan BANYAK maka produksi BERKURANG
????−????????????????????????????????1 = ????????????????????????????????????????????−???????????????????? ∩ ????????????????????????????????????????????−????????????????????????
= min(????????????????????????????????????????????−????????????????????[4000] ∩ ????????????????????????????????????????????−????????????????????????[300])
= min(0,375; 0,4)
= 0,375
R2 : JIKA permintaan TURUN dan persediaan SEDIKIT maka produksi BERKURANG
????−????????????????????????????????2 = ????????????????????????????????????????????−???????????????????? ∩ ????????????????????????????????????????????−????????????????????????????
= min(????????????????????????????????????????????−????????????????????[3500] ∩ ????????????????????????????????????????????−????????????????????????????[300])
= min(0,375; 0,6)
= 0,375
R3 : JIKA permintaan NAIK dan persediaan BANYAK maka produksi BERTAMBAH
????−????????????????????????????????3 = ????????????????????????????????????????????−???????????????? ∩ ????????????????????????????????????????????−????????????????????????
= min(????????????????????????????????????????????−????????????????[3500] ∩ ????????????????????????????????????????????−????????????????????????[300])
= min(0,625; 0,4)
= 0,4
R4 : JIKA permintaan NAIK dan persediaan SEDIKIT maka produksi BERTAMBAH
????−????????????????????????????????4 = ????????????????????????????????????????????−???????????????? ∩ ????????????????????????????????????????????−????????????????????????????
= min(????????????????????????????????????????????−????????????????[3500] ∩ ????????????????????????????????????????????−????????????????????????????[300])
= min(0,625; 0,6)
= 0,6
Komposisi antar aturan
Daerah himpunan fuzzy terbagi 3: A1, A2, dan A3
Fungsi keanggotaan hasil komposisi:
Mencari nilai a1, dan a2, dan a3
Defuzifikasi atau menghitung z akhir dengan metode MOM (Mean of Maximum ) yaitu mengambil nilai z rata-rata dari nilai derajat keanggotaan (µ(z)) yang maksimal.
Nilai MOM = (a2 + a3 ) / 2
= (5000 + 5000 )/ 2
= 5000
Sistem logika kabur digunakan dalam menentukan jumlah putaran dalam mesin cuci sesuai dengan jumlah pakaian dan kotoran yang ada dalam pakaian. Mesin cuci adalah produk pertama yang mengkolaborasikan sistem teknik dengan logika kabur. Jumlah putaran dalam mesin cuci dipengaruhi oleh jumlah pakaian, tingkat kotoran pakain, dan jenis kotoran. Derajat kotoran pakaian dapat diukur dengan menggunakan sensor untuk melihat kejernihan air. Apabila tingkat kejernihan air semakin kotor, maka pakaian tersebut semakin kotor.
Salah satu contoh penerapan logika kabur ada pada rem otomatis yang terdapat dalam mobil cerdas. Dalam pengaplikasiannya, rem otomatis ini memungkinkan untuk mengontrol mobil pada saat kondisi macet di jalanan, hal ini dikarenakan tidak terdapat kopling pada mobil. Jepang sudah mengaplikasikanya dalam pembuatan rem otomatis untuk produk mobil cerdas Mazda. Logika kabur dapat digunakan untuk pembuatan teknologi rem otomatis, sehingga pada saat simulasi bisa melakukan pemrograman melalui sistem komputer.
Di Jepang, kereta bawah tanah Sendai sudah menggunakan logika kabur dalam mengontrol kecepatan kereta, hal ini memberikan efek nyaman bagi penumpang meskipun di dalam kereta dengan posisi berdiri. Selain itu, di beberapa perusahaan Jepang kereta cepat sudah berhasil menghemat daya sebesar 20% dengan menggunakan konsep logika kabur sebagai sistem.
Logika kabur bisa digunakan untuk memberikan diagnosa suatu penyakit dengan menggunakan sistem pakar Fuzzy Expert System atau disingkat FES. Sistem tersebut merupakan komputasi lunak yang dapat diaplikasikan menggunakan penalaran himpunan kabur. Teknik FES terbukti dapat berkontribusi untuk menyelesaikan permasalahan di bidang kedokteran. Varibel input sebagai data yaitu gejala penyakit pasien, sedangkan yang menjadi variabel output merupakan persentase risiko penyakit yang akan di diagnosa.
Penerapan logika kabur bisa digunakan untuk mengambil keputusan, khususnya untuk membuat penjadwalan dan pengaturan sistem pengingat. Sistem pengambilan keputusan dibuat karena ditemukan masalah di dalamnya. Sistem logika kabur memiliki tujuan untuk mencapai tujuan pemecahan masalah, dengan baik dan efektif.