Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci

7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci

1/37

i

PENERAPAN METODE FUZZY INFERENCE SYSTEM

METODE TSUKAMOTO

UNTUK MENETUKAN WAKTU PUTAR MESIN CUCI

PROPOSAL PENELITIAN

Disusun Sebagai Tugas Dalam Matakuliah Kecerdasan Buatan

Dosen :

Nurjaya, S.kom, M.kom

Disusun Oleh :

AKBAR WIRA PRADANA

2010140724

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS PAMULANG

PAMULANG

2012/2013


2/37

ii

DAFTAR ISI

Hal.

DAFTAR ISI ............................................................................................................................................... ii

DAFTAR GAMBAR ................................................................................................................................... iv

DAFTAR TABEL ........................................................................................................................................ v

BAB I PENDAHULUAN ............................................................................................................................. 1

1.1 Latar Belakang Masalah .......................................................................................................... 1

1.2 Identifikasi Masalah ................................................................................................................ 3

1.3 Tujuan Penelitian .................................................................................................................... 3

1.4 Manfaat penelitian .................................................................................................................. 3

1.5 Batasan Masalah ..................................................................................................................... 3

1.6 Metode Penelitian .................................................................................................................. 4

1.7 Sistematika Penulisan ............................................................................................................. 4

BAB II LANDASAN TEORI DAN KERANGKA PEMIKIRAN ......................................................................... 6

2.1 Tinjauan Studi ......................................................................................................................... 6

2.2 Landasan Teori Sistem Pendukung Keputusan ....................................................................... 72.2.1 Logika Fuzzy .................................................................................................................... 7

2.2.2 Komponen Logika Fuzzy .................................................................................................. 7

2.2.3 Himpunan Fuzzy .............................................................................................................. 8

2.2.4 Fungsi Keanggotaan ...................................................................................................... 12

2.3 Operator Dasar Zadeh Untuk Operasi Himpunan Fuzzy ....................................................... 23

2.3.1 Operator AND ............................................................................................................... 23

2.3.2 Operator OR .................................................................................................................. 23

2.3.3 Operator NOT ................................................................................................................ 23

2.4 PENALARAN MONOTON ....................................................................................................... 23

2.5 FUNGSI IMPLIKASI ................................................................................................................. 24

2.6 Sistem Inferensi Fuzzy ........................................................................................................... 25

2.6.1 Metode Tsukamoto ....................................................................................................... 25

2.7 Mesin Cuci ............................................................................................................................. 26

2.7.1 Bagian-bagian Mesin Cuci ............................................................................................. 27

DAFTAR PUSTAKA ................................................................................................................................. 31


3/37

iii


4/37

iv

DAFTAR GAMBAR

Gambar 2.2.3-1 Himpunan Fuzzy Untuk Variabel Umur....................................................................... 9

Gambar 2.2.3-2 Himpunan Fuzzy Untuk Variabel Umur..................................................................... 10Gambar 2.2.4-1 Representasi Linier Naik ............................................................................................. 13

Gambar 2.2.4-2 Representasi Linier Turun......................................................................................... 14

Gambar 2.2.4-3 Representasi Kurva Segi Tiga..................................................................................... 14

Gambar 2.2.4-4 Representasi Kurva Trapesium................................................................................... 15

Gambar 2.2.4-5 Representasi Kurva Bentuk Bahu............................................................................... 16

Gambar 2.2.4-6 Himpunan Fuzzy dengan kurva S : PERTUMBUHAN............................................. 16

Gambar 2.2.4-7 Himpunan Fuzzy dengan kurva S : PENYUSUTAN................................................. 17

Gambar 2.2.4-8 Karakteristik Kurva S ................................................................................................... 18

Gambar 2.2.4-9 Karakteristik Fungsional Kurva PI............................................................................. 19

Gambar 2.2.4-10 Representasi fungsional kurva BETA...................................................................... 20

Gambar 2.2.4-11 Karakteristik funsional kurva GAUSS...................................................................... 21

Gambar 2.2.4-12 Titik koordinak yang menunjukan PENGENDARA BERESIKO TINGGI............. 22

Gambar 2.2.4-13 Kurva yang berhubungan dengan pengendara yang beresiko tinggi........................ 22

Gambar 2.3.3-1 Fungsi implikasi : MIN............................................................................................... 24

Gambar 2.3.3-2 Fungsi implikasi: DOT............................................................................................... 25

Gambar 2.6.1-1 Inferensi dengan menggunakan metode Tsukamoto................................................... 26

Gambar 2.2.7-2.7.1-1 Modul Control Mesin Cuci................................................................................ 27

Gambar 2.7.1-2 Pressure Switch........................................................................................................... 28

Gambar 2.7.1-3 Motor Penggeran......................................................................................................... 28Gambar 2.7.1-4 Drain Pump................................................................................................................. 29

Gambar 2.7.1-5 Heater.......................................................................................................................... 29

Gambar 2.7.1-6 Door Lock................................................................................................................... 29

Gambar 2.7.1-7 Inlet Valve.................................................................................................................. 30


5/37

v

DAFTAR TABEL

No table of figures entries found.


6/37

1

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah// Objek penelitian

Penjualan peralatan rumah tangga ( home appliances ) masih berkontribusi

besar dalam penjualan elektronik sepanjang kuartal I 2013 (Astria, 2013). Pertumbuhan

penjualan mesin cuci nasional mencapai value sekitar Rp980 miliar atau naik 28 %

dibandingkan dengan periode yang sama tahun lalu (Elektronik Marketer Club, 2013).

Pengaturan waktu putar pada mesin cuci penting ditangani dengan benar (Agarwal,

2010), karena masing-masing jenis kain memiliki karakteristik yang berbeda dan

membutuhkan waktu pencucian yang berbeda pula.

// Metodemetode yg diusulkan

Beberapa metode yang diususlkan oleh banyak peneliti, Fuzzy Inference System

metode Sugeno (Nurhayati, 2007), Fuzzy Infrence System metode Mamdani (Lohani,

2010), Multi Object Genetic Algorithm BELBIC ( Brain Emotional Learning BasedIntelligent Controller ) (Jamali, Lucas, & Milasi, 2007).

// Kekurangan dan Kelebihan metode yg ada

Sistem fuzzy Sugeno memperbaiki kelemahan yang dimiliki oleh sistem fuzzy

murni untuk menambah suatu perhitungan matematika sederhana sebagai bagian THEN.

Pada perubahan ini, sistem fuzzy memiliki suatu nilai rata-rata tertimbang (Weighted

Average Values) di dalam bagian aturan fuzzy IF-THEN. Sistem fuzzy Sugeno juga

memiliki kelemahan terutama pada bagian THEN, yaitu dengan adanya perhitungan

matematika sehingga tidak dapat menyediakan kerangka alami untuk

merepresentasikan pengetahuan manusia dengan sebenarnya. Permasalahan kedua

adalah tidak adanya kebebasan untuk menggunakan prinsip yang berbeda dalam logika

fuzzy, sehingga ketidakpastian dari sistem fuzzy tidak dapat direpresentasikan secara

baik dalam kerangka ini. (Iswari & Wahid, 2005).


7/37

2

Sistem Infrensi Fuzzy metode mamdani lebih intuitif, dapat diterima lebih luas

dan metode ini lebih cocok untuk menerima masukan yang berasal dari manusia bukan

mesin (Sadita, 2009).

BELBIC ( Brain Emotional Learning Based Intelligent Controller )

diperkenalkan oleh (Lucas, Shahmirzadi, & Sheikholeslami, 2004) dalam

International Journal of Intelligent Automation and Soft Computing . BELBIC

merupakan controler yang sederhana dan juga pengendali adaptif dengan kinerja yang

baik (Milasi, Lucas, & Araabi, 2001). Tetapi masih ada beberapa masalah yang

menimbulkan kesulitan. Masalah pertama adalah sinyal kontrol yang besar. Masalah

kedua adalah besar kendali yang tidak terdefinisaikan (Lucas, Shahmirzadi, &

Sheikholeslami, 2004), sehinggaa membutuhkan pengalaman sang ahli dalam

mengambil keputusan. Atau harus melakukan ekperimen sendiri untuk mendapatkan

kinerja terbaik.

// Masalah pd metode yg dipilih

Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk if-then

harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan

yang monoton. Kurangnya transparansi pada metode Tsukamoto menyebabkan

penggunaannya tidak seluas metode inferensi fuzzy Mamdani dan Sugeno

//Solusi perbaikan metode

Identivikasi variabel-variabel input yang tepat berdasarkan masalah pada

objek yang ada sangat berpengaruh pada sistem untuk menetukan output yang akurat

(Falopi, 2012). Pada penelitian ini penulis menggunakan dua buah variabel input yaitu

beban pakaian dan tinggkat kekotoran, sedangkan untuk variabel outpunya adalah

waktu cuci.

//Rangkuman Tujuan Penelitian

Pada penelitian ini Fuzzy Inference System Metode Tsukamoto akan

diterapkan untuk menetukan waktu pencucian guna menghemat energi listrik dan

mendapatkan hasil cuci pakaian yang bersih.


8/37

3

1.2 Identifikasi MasalahBerdasarkan latar belakang masalah dapat dilakukan identifikasi masalah yang

ada diantaranya:

a. Pengaturan lama waktu putar pada mesin cucib. Penghematan energi listrikc. Penghematan waktu kerja dalam proses mencucid. Mendapatkan hasil cuci pakaian yang lebih bersih

1.3 Tujuan PenelitianAdapun tujuan dalam penelitian ini adalah penerapan Fuzzy Inference System

Metode Tsukamoto untuk menetukan waktu pencucian guna menghemat energi listrikdan mendapatkan hasil cuci pakaian yang bersih.

1.4 Manfaat penelitianManfaat yang diharapkan dari penelitian ini adalah:

a. Dengan penelitian ini diharapkan dapat menjadi bahan acuan untukmelakukan penelitian selanjutnya.

b. Sebagai masukan atau informasi yang bermanfaat bagi pihak kampusdalam penerapan Fuzzy Inference System.

c. Menambah khazanah keilmuan, pemikiran dan pengalaman dalam duniaTeknik Informatika bagi penulis ( khususnya ) dan untuk masyarakat

banyak ( umumnya ).

1.5 Batasan MasalahDalam penelitian ini, peneliti akan membatasi masalah yang aka diteliti, antara

lain:1. Pada penelitian ini hanya membahas penentuan lamanya waktu putar

mesin cuci dalam proses pencucian.

2. Pada penelitina ini hanya menggunaka mesin cuci merk XYZ satutabung dengan pintu masuk dari atas.

3. Pada penelitina ini hamya menggunakan perhitungan manual tanpa alatpendukung seperti sensor cahaya dan alat pengukur berat beban pakaian.


9/37

4

4. Pada penelitian ini variabel input yang digunakan hanya tingkatkekotoran dan bebean pakain, sedangkan variabel outputny berupa

waktu pencucian.

5. Pada penelitian ini implementasi system hanya menggunakan softwareMathLab.

1.6 Metode PenelitianDalam penulisan laporan penelitiaan ini penulis menggunakan kajian literatur

yaitu kajian yang menggunakan metode penelitian perpustakaan (Library research),

yaitu penelitian yang dilakukan di dalam perpustakaan maupun secara online yang

dapat diakses melalui internet dengan tujuan mengumpulkan data dan informasi dengan

bantuan bermacam material berupa e-book, buku cetak, jurnal nasional, jurnal

internasional, artike berita, dokumen dan sebagainya.

Sedangkan dalam melakukan perhitungan Fuzzy Infrence System penulis

menggunakan perhitungan secara manual dengan alat bantu kalkulator dan aplikasi

Corel Draw untuk menggambar kurva Fuzzy.

1.7 Sistematika PenulisanSecara keseluruhan penulisan penelitian ini dapat digambarkan di dalam

beberapa bab dengan sistematika penulisan adalah sebagai berikut:

BAB I PENDAHULUAN

Menjelaskan tentang Latar belakang masalah, Rumusan Masalah, Tujuan

Penelitian, Ruang Lingkup Penelitian, Manfaat Penelitian dan Sistematika Penulisan.

BAB II LANDASAN TEORI DAN KERANGKA PEMIKIRAN

Menjelaskan tentang Tinjauan studi yang berisi uraian singkat dari beberapa

penelitian dan Tinjauan pustaka yang berisi teori teori yang berhubungan dengan

materi penelitian.

BAB III LANDASAN TEORI DAN KERANGKA PEMIKIRAN

Menjelaskan tentang Metode Penelitian, Metode Pengumpulan Data, Metode

Pengolahan Awal Data serta Eksperimen dan Pengujian Metode.


10/37

5

BAB IVHASIL DAN PEMBAHASAN

Menjelaskan tentang hasil dan Pengujian dan Experimen, Evaluasi dan

validasi Hasil dan Implikasi Penilaian.

BAB VKESIMPULAN DAN SARAN

Menjelaskan tentang kesimpulan dan saran.


11/37

6

BAB II

LANDASAN TEORI DAN KERANGKA PEMIKIRAN

2.1 Tinjauan StudiPenelitian-penelitian yang berhubngan dengan mesin cuci sudah banyak yang

melakukan, antara lain:

Penelitian yang dilakukan (Nurhayati, 2007), menerapkan metode Fuzzy

Inference System Sugeno. pada skripsinya yang berjudu Aplikasi Metode Takagi-

Sugeno Pada Cara Kerja Mesin Cuci. Tujuan penelitiannya adalah menjelaskan

aplikasi metode Takagi-Sugeno pada cara kerja mesin cuci. Variabel input yang

digunaka antara lain : jumlah air, jumlah detergen, berat pakaian. Dan variabel

outputnya adalah waktu putaran proses pencucian. Penyelesaian dengan metode

Takagi-Sugeno pada proses pencucian, pembilasan dan pengeringan adalah dengan

mencari nilai rata-rata terbobot (z). Dengan memasukkan nilai-nilai input, hasil ouput

pada proses pencucian, pembilasan dan pengeringan didapatkan dari menghitung nilai

rata-rata terbobot (z). Pada proses pencucian hasil output untuk perhitungan 1 yaitu z

= 15 menit dan perhitungan 2 yaitu z = 21, 51 menit. Sedangkan pada pembilasan dan

pengeringan hasil output untuk perhitungan 1 yaitu z = 20 menit dan perhitungan 2

yaitu z = 28,44 menit.

Penelitian yang dilakukan (Lohani, 2010), yang berjudul Design Of An

Improved Fuzzy Controller Microchip For Washing Machine menggunakan Fuzzy

Inference System Motode Mamdani, tujuan dari penelitian ini adalah improvisasi fuzzy

microchip controler untuk menentukan lama waktu pencucian. Menggunakan tiga buah

variabel input berupa tingkat kekotoran, jenis kotoran dan jumlah pakaian. Sedangkan

variabel outputnya berupa waktu pencucian. Kelebihan Sistem Infrensi Fuzzy metode

mamdani lebih intuitif, dapat diterima lebih luas dan metode ini lebih cocok untuk

menerima masukan yang berasal dari manusia bukan mesin (Sadita, 2009).


12/37

7

Pada penelitian yang dilakukan (Jamali, Lucas, & Milasi, 2007), yang berjudul

Intelligent Washing Machine: A Bioinspired and Multi-objective Approach. Dalam

penelitian ini metode yang digunakan adalah Multi Object Genetic Algorithm

BELBIC ( Brain Emotional Learning Based Intelligent Controller ), pemodelan multi

objek dengan meniru Pembelajaran emosional otak manusia. Penerapan metode ini

memberikan hasil simulasi yang baik, simulasi dilakukan menggunakan software

MATLAB SIMULINK. Dari hasil simulasi menunjukan bahwa kontroller ini bekerja

optimal, dan setiap parameter memiliki kinerja sangat baik, memberikan penghematan

energi yang cukup besar dalam pemakaian energi.

2.2 Landasan Teori Sistem Pendukung Keputusan2.2.1 Logika Fuzzy

Himpunan logika fuzzy pertamakali diperkenalkan oleh Lotfi A. Zadeh

pada tahun 1965 sebagai cara matematis untuk merepresentasikan

ketidakpastian linguistik. Berdasarkan konsep logika fuzzy, faktor-faktor dan

kriteria-kriteria dapat diklasifikasikan tanpa batasan yang mengikat. Logika

fuzzy sangat berguna untuk menyelesaikan banyak permasalahan dalam

berbagai bidang yang biasanya memuat derajat ketidakpastian (Gokmen G.,

2010).

2.2.2 Komponen Logika Fuzzya. Variabel fuzzy: Suatu besaran yang nilainya dapat berubah atau

di ubah sehingga mempengaruhi peristiwa yang hendak dibahas

dalam suatu sistem fuzzy. Contoh: umur, temperatur, permintaan,

dsb

b. Himpunan fuzzy: suatu grup yang mewakili suatu kondisi ataukeadaan tertentu dalam suatu variabel fuzzy.

c. Semesta pembicaraan: keseluruhan nilai yang diperbolehkanuntuk dioperasikan dalam suatu variabel fuzzy

Semesta pembicaraan untuk variabel umur: [0 +) Semesta pembicaraan untuk variabel temperatur: [0 40]


13/37

8

d. Domain himpunan fuzzy: keseluruhan nilai yang diijinkandalam semesta pembicaraan dan boleh dioperasikan dalam suatu

himpunan fuzzy

DINGIN = [0 - 20] SEJUK = [15 - 25]

e. Fungsi Keanggotaan (membership function): suatu kurva yangmenunjukkan pemetaan titik-titik input data ke dalam

nilai/derajat keanggotaannya ((x)) yang memiliki interval antara

0 sampai 1. Salah satu cara yang dapat digunakan untuk

mendapatkan nilai keanggotaan adalah dengan melalui

pendekatan fungsi.

2.2.3 Himpunan FuzzyHimpunan Fuzzy adalah sekumpulan obyek x dengan masing-masing

obyek memiliki nilai keanggotaan (membership function) atau disebut juga

dengan nilai kebenaran. Jika Zi,t adalah sekumpulan obyek, Zi,t={Z1,t , Z2,t ,

, Zm,t) dan anggotanya dinyatakan dengan Z maka himpunan fuzzy dari A di

dalam Z adalah himpunan dengan sepasang anggota atau dapat dinyatakan

dengan :

F={(Z,_F (Z))|ZZ_(i,t) }

Dengan F adalah notasi himpunan fuzzy, _F (x) adalah derajat

keanggotaan dari Z (nilai antara 0 sampai 1).

Contoh 7.1:

Jika diketahui:

S = {1, 2, 3, 4, 5, 6} adalah semesta pembicaraan.

A = {1, 2, 3}

B = {3, 4, 5}

bisa dikatakan bahwa:

Nilai keanggotaan 2 pada himpunan A, A[2]=1, karena 2A. Nilai keanggotaan 3 pada himpunan A, A[3]=1, karena 3A. Nilai keanggotaan 4 pada himpunan A, A[4]=0, karena 4A. Nilai keanggotaan 2 pada himpunan B, B[2]=0, karena 2B.


14/37

9

Nilai keanggotaan 3 pada himpunan B, B[3]=1, karena 3B.Contoh 7.2:

Misalkan variabel umur dibagi menjadi 3 kategori, yaitu:

MUDA umur < 35 tahun PAROBAYA 35 umur 55 tahun TUA umur > 55 tahun

Nilai keanggotaan secara grafis, himpunan MUDA, PAROBAYA dan TUA ini

dapat dilihat pada Gambar dibawah ini:

Gambar 2.2.3-1

Himpunan Fuzzy Untuk Variabel Umur

Pada Gambar diatas dapat dilihat bahwa:

apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA(MUDA[34] =1).

apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA(MUDA[35]=0).

Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakanTIDAK MUDA (MUDA[35 th -1hr]=0);

Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA(PAROBAYA[35]=1);

Apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAKPAROBAYA (PAROBAYA[34]=0);

Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA(PAROBAYA[35]=1).

Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakanTIDAK PAROBAYA (PAROBAYA[35 th - 1 hr]=0).


15/37

10

Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk

menyatakan umur sangat tidak adil, adanya perubahan kecil saja pada suatu nilai

mengakibatkan perbedaan kategori yang cukup signifikan.

Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut.

Seseorang dapat masuk dalam 2 himpunan yang berbeda, MUDA dan

PAROBAYA, PAROBAYA dan TUA, dsb. Seberapa besar eksistensinya dalam

himpunan tersebut dapat dilihat pada nilai keanggotaannya. Gambar 7.3

menunjukkan himpunan fuzzy untuk variabel umur.

Gambar 2.2.3-2

Himpunan Fuzzy Untuk Variabel Umur

Pada Gambar 7.3, dapat dilihat bahwa:

Seseorang yang berumur 40 tahun, termasuk dalam himpunanMUDA dengan MUDA[40]=0,25; namun dia juga termasuk

dalam himpunan PAROBAYA dengan PABOBAYA[40]=0,5.

Seseorang yang berumur 50 tahun, termasuk dalam himpunanMUDA dengan TUA[50]=0,25; namun dia juga termasuk dalam

himpunan PAROBAYA dengan PABOBAYA[50]=0,5.

Kalau pada himpunan crisp, nilai keanggotaan hanya ada 2

kemungkinan, yaitu 0 atau 1, pada himpunan fuzzy nilai keanggotaan terletak

pada rentang 0 sampai 1. Apabila x memiliki nilai keanggotaan fuzzy A[x]=0

berarti x tidak menjadi anggota himpunan A, demikian pula apabila x memiliki

nilai keanggotaan fuzzy A[x]=1 berarti x menjadi anggota penuh pada

himpunan A.


16/37

11

Terkadang kemiripan antara keanggotaan fuzzy dengan probabilitas

menimbulkan kerancuan. Keduanya memiliki nilai pada interval [0,1], namun

interpretasi nilainya sangat berbeda antara kedua kasus tersebut. Keanggotaan

fuzzy memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan

probabilitas mengindikasikan proporsi terhadap keseringan suatu hasil bernilai

benar dalam jangka panjang. Misalnya, jika nilai keanggotaan suatu himpunan

fuzzy MUDA adalah 0,9; maka tidak perlu dipermasalahkan berapa seringnya

nilai itu diulang secara individual untuk mengharapkan suatu hasil yang hampir

pasti muda. Di lain pihak, nilai probabilitas 0,9 muda berarti 10% dari

himpunan tersebut diharapkan tidak muda. Himpunan fuzzy memiliki 2 atribut,

yaitu:

a. Linguistik, yaitu penamaan suatu grup yang mewakili suatukeadaan atau kondisi tertentu dengan menggunakan bahasa

alami, seperti: MUDA, PAROBAYA, TUA.

b. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukurandari suatu variabel seperti: 40, 25, 50, dsb.

Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy,

yaitu:a. Variabel fuzzy

Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu

sistem fuzzy. Contoh: umur, temperatur, permintaan, dsb.

b. Himpunan FuzzyHimpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi

atau keadaan tertentu dalam suatu variabel fuzzy.

Contoh:

Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu:MUDA, PAROBAYA, dan TUA. ( Gambar 2.2.3-2 ).

Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu:DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.

(Gambar 2.2.3-4 ).


17/37

12

c. Semesta PembicaraanSemesta pembicaraan adalah keseluruhan nilai yang diperbolehkan

untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan

merupakan himpunan bilangan real yang senantiasa naik (bertambah)

secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat

berupa bilangan positif maupun negatif. Adakalanya nilai semesta

pembicaraan ini tidak dibatasi batas atasnya.

Contoh:

Semesta pembicaraan untuk variabel umur: [0 - ] Semesta pembicaraan untuk variabel temperatur: [0- 40]

d. DomainDomain himpunan fuzzy adalah keseluruhan nilai yang diijinkan

dalam semesta pembicaraan dan boleh dioperasikan dalam suatu

himpunan fuzzy. Seperti halnya semesta pembicaraan, domain

merupakan himpunan bilangan real yang senantiasa naik (bertambah)

secara monoton dari kiri ke kanan. Nilai domain dapat berupa

bilangan positif maupun negatif.

Contoh domain himpunan fuzzy:

MUDA = [0 45] PABOBAYA = [35 55] TUA = [45 +) DINGIN = [0 20] SEJUK = [15 25] NORMAL = [20 30] HANGAT = [25 35] PANAS = [30 40]

2.2.4 Fungsi KeanggotaanFungsi Keanggotaan (membership function) 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.


18/37

13

a. Representasi LinearPada representasi linear, pemetaan input ke derajat keanggotannya

digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana

dan menjadi pilihan yang baik untuk mendekati suatu konsep yang

kurang jelas.

Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan

himpunan dimulai pada nilai domain yang memiliki derajat

keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang

memiliki derajat keanggotaan lebih tinggi (Gambar 2.2.4-1).

Gambar 2.2.4-1Representasi Linier Naik

Fungsi Keanggotaan:

Kedua, merupakan kebalikan yang pertama. Garis lurus dimulai dari

nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri,

kemudian bergerak menurun ke nilai domain yang memiliki derajat

keanggotaan lebih rendah (Gambar 2.2.4-2).

[]

Derajat

Keanggotaan


19/37

14

Gambar 2.2.4-2

Representasi Linier Turun

Fungsi Keanggotaan:

b. Representasi Kurva SegitigaKurva Segitiga pada dasarnya merupakan gabungan antara 2 garis

(linear) seperti terlihat pada ( Gambar 2.2.4-3 ).

Gambar 2.2.4-3

Representasi Kurva Segi Tiga

Fungsi Keanggotaan:

[]

Derajat

Keanggotaan


20/37

15

c. Representasi Kurva TrapesiumKurva Segitiga pada dasarnya seperti bentuk segitiga, hanya saja ada

beberapa titik yang memiliki nilai keanggotaan 1 (Gambar 2.2.4-4).

Gambar 2.2.4-4

Representasi Kurva Trapesium

Fungsi Keanggotaan:

d. Representasi Kurva Bentuk BahuDaerah yang terletak di tengah-tengah suatu variabel yang

direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya

akan naik dan turun (misalkan: DINGIN bergerak ke SEJUK

bergerak ke HANGAT dan bergerak ke PANAS). Tetapi terkadang

salah satu sisi dari variabel tersebut tidak mengalami perubahan.

Sebagai contoh, apabila telah mencapai kondisi PANAS, kenaikan

temperatur akan tetap berada pada kondisi PANAS. Himpunan

fuzzy bahu, bukan segitiga, digunakan untuk mengakhiri variabel

suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian

juga bahu kanan bergerak dari salah ke benar. Gambar 2.2.4-5

menunjukkan variabel TEMPERATUR dengan daerah bahunya.


21/37

16

Gambar 2.2.4-5Representasi Kurva Bentuk Bahu

e. Representasi Kurva-SKurva 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 2.2.4-6).

Gambar 2.2.4-6

Himpunan Fuzzy dengan kurva S : PERTUMBUHAN

[]

Derajat

Keanggotaan


22/37

17

Fungsi keangotaanpada kurva PERTUMBUHAN adalah:

Kurva-S untuk PENYUSUTAN akan bergerak dari sisi paling kanan

(nilai keanggotaan = 1) ke sisi paling kiri (nilai keanggotaan = 0)

seperti telihat pada Gambar 2.2.4-7.

Gambar 2.2.4-7

Himpunan Fuzzy dengan kurva S : PENYUSUTAN

Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu:

nilai keanggotaan nol (), nilai keanggotaan lengkap (), dan titik

infleksi atau crossover () yaitu titik yang memiliki domain 50%

benar. Gambar 2.2.4-7 menunjukkan karakteristik kurva-S dalam

bentuk skema.

[]

Derajat

Keanggotaan


23/37

18

Gambar 2.2.4-8

Karakteristik Kurva S

f. Representasi Kurva Bentuk Lonceng (Bell Curve)Untuk merepresentasikan bilangan fuzzy, biasanya digunakan kurva

berbentuk lonceng. Kurva berbentuk lonceng ini terbagi atas 3 kelas,

yaitu: himpunan fuzzy PI, beta, dan Gauss. Perbedaan ketiga kurva

ini terletak pada gradiennya.

(i) Kurva PIKurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak

pada pusat dengan domain (), dan lebar kurva () seperti terlihat

pada Gambar 2.2.4-9. Nilai kurva untuk suatu nilai domain x

diberikan sebagai:


24/37

19

Gambar 2.2.4-9

Karakteristik Fungsional Kurva PI

Fungsi Keanggotaan:

(ii) Kurva BETASeperti halnya kurva PI, kurva BETA juga berbentuk lonceng

namun lebih rapat. Kurva ini juga didefinisikan dengan 2 parameter,

yaitu nilai pada domain yang menunjukkan pusat kurva (), dan

setengah lebar kurva ()seperti terlihat pada Gambar 2.2.4-10. Nilai

kurva untuk suatu nilai domain x diberikan sebagai:


25/37

20

Gambar 2.2.4-10

Representasi fungsional kurva BETA

Fungsi Keanggotaan:

( )

Salah satu perbedaan mencolok kurva BETA dari kurva PI adalah,

fungsi keanggotaannya akan mendekati nol hanya jika nilai ()

sangat besar.

(iii) Kurva GAUSSJika kurva PI dan kurva BETA menggunakan 2 parameter yaitu ()

dan (), kurva GAUSS juga menggunakan () untuk menunjukkan

nilai domain pada pusat kurva, dan (k) yang menunjukkan lebar

kurva (Gambar 2.2.4-11). Nilai kurva untuk suatu nilai domain x

diberikan sebagai:


26/37

21

Gambar 2.2.4-11

Karakteristik funsional kurva GAUSS

Fungsi Keanggotaan:

() ()

g. Koordinat KeanggotaanHimpunan fuzzy berisi urutan pasangan berurutan yang berisi nilai

domain dan kebenaran nilai keanggotaannya dalam bentuk:

Skalar(i) / Derajat(i)

Skalar adalah suatu nilai yang digambar dari domain himpunan

fuzzy, sedangkan Derajat skalar merupakan derajat keanggotaan

himpunan fuzzynya.


27/37


28/37

23

2.3 Operator Dasar Zadeh Untuk Operasi Himpunan FuzzySeperti halnya himpunan konvensional, ada beberapa operasi yang

didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy.

Nilai keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan namafire strength atau predikat. Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu:

2.3.1 Operator ANDOperator ini berhubungan dengan operasi interseksi pada himpunan.

predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil

nilai keanggotaan terkecil antar elemen pada himpunanhimpunan yang bersangkutan.

([] [])

2.3.2 Operator OROperator ini berhubungan dengan operasi union pada himpunan. predikat

sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai

keanggotaan terbesar antar elemen pada himpunanhimpunan yang bersangkutan.

([] [])

2.3.3 Operator NOTOperator ini berhubungan dengan operasi komplemen pada himpunan. -

predikat sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan

nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1.

[]

2.4 PENALARAN MONOTONMetode penalaran secara monoton digunakan sebagai dasar untuk teknik

implikasi fuzzy. Meskipun penalaran ini sudah jarang sekali digunakan, namun

terkadang masih digunakan untuk penskalaan fuzzy. Jika 2 daerah fuzzy direlasikan

dengan implikasi sederhana sebagai berikut:

IF x is A THEN y is B


29/37

24

transfer fungsi:

(( ) )

Maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan

dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari nilai

keanggotaan yang berhubungan dengan antesedennya.

2.5 FUNGSI IMPLIKASITiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan

dengan suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam fungsi

implikasi adalah:

IF x is A THEN y is B

dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy. Proposisi

yang mengikuti IF disebut sebagi anteseden, sedangkan proposisi yang mengikuti

THEN disebut sebagai konsekuen. Proposisi ini dapat diperluas dengan menggunakan

perator fuzzy, seperti:

(

) (

) (

) (

)

dengan adalah operator (misal: OR atau AND). Secara umum, ada 2 fungsi

implikasi yang dapat digunakan, yaitu:

a. Min (minimum). Fungsi ini akan memotong output himpunanfuzzy. Gambar 2.5-1 menunjukkan salah satu contoh

penggunaan fungsi min.

Gambar 2.3.3-1Fungsi implikasi : MIN.


30/37

25

b. Dot (product). Fungsi ini akan menskala output himpunan fuzzy.Gambar 2.5-2 menunjukkan salah satu contoh penggunaan fungsi

dot.

Gambar 2.3.3-2

Fungsi implikasi: DOT.

2.6 Sistem Inferensi Fuzzy2.6.1 Metode Tsukamoto

Pada Metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-

Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi

keanggotaan yang monoton (Gambar 7.32). Sebagai hasilnya, output hasil inferensi

dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan - predikat (fire

strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot.


31/37

26

Gambar 2.6.1-1

Inferensi dengan menggunakan metode Tsukamoto

2.7 Mesin CuciCara kerja mesin cuci front loading pada dasarnya sama dengan mesin cuci

top loading (bukaan atas). Bedanya hanya pada system pencuciannya yaitu kalau

top loading cara pencuciannya adalah memutar cucian secara horizontal,

sedangkan mesin cuci front loading system pencuciannya adalah memutar cucian

secara vertikal. Tetapi karena perbedaan system itulah yang akhirnya mem-

pengaruhi pula hasil pencucian dan desain yang ujung ujungnya berpengaruh

juga pada masalah harga.


32/37

27

Gambar 2.7-1

Mesin Cuci Front Loading

Kelebihan mesin cuci top loading dibanding front loading adalah pada

harga yang lebih murah karena disainnya lebih simpel. Tetapi pemakaian air lebih

banyak karena cucian harus terendam semua untuk mendapatkan hasil cucian yang

lebih bersih. Sedangkan mesin cuci front loading mempunyai banyak kelebihan

dibanding mesin cuci top loading yaitu hemat air, cucian relatif lebih bersih karena

cucian diputar secara vertikal menirukan proses pencucian manual ( seperti

dibanting), cucian tdk melilit lilit dll. Tetapi kelemahannya adalah desain yang

lebih rumit sehingga membuat harga lebih mahal.

2.7.1 Bagian-bagian Mesin Cuci

Gambar 2.2.7-2.7.1-1

Modul Control Mesin Cuci

1. Modul Control, Fungsinya adalah untuk mengatur seluruhproses pencucian pada mesin cuci, mulai mencuci, membilas

maupun mengeringkan.


33/37

28

Gambar 2.7.1-2

Pressure Switch

2. Pressure switch, adalah alat yang digunakan untuk mendeteksijumlah air yang ada didalam tabung berdasarkan tekanan air.

Gambar 2.7.1-3

Motor Penggeran

3. Motor, Motor atau dinamo ini berisi kumparan kawat tembagayang mampu merubah energi listrik menjadi energi gerak.

Motor inilah yang berfungsi sebagai penggerak drum mesin

cuci.


34/37

29

Gambar 2.7.1-4

Drain Pump

4. Drain Pump, drain pump adalah pompa listrik berukuran kecildengan kapasitas daya 34 watt, yang berfungsi untuk

memompa air keluar dari mesin cuci.

Gambar 2.7.1-5

Heater5. Heater, Fungsinya adalah untuk memanaskan air yang ada

didalam mesin cuci untuk proses pencucian menggunakan air

panas.

Gambar 2.7.1-6

Door Lock6. Door Lock, berfungsi untuk mengunci pintu mesin cuci selama

proses pencucian sebagai pengaman selama proses pencucian.


35/37

30

Gambar 2.7.1-7

Inlet Valve7. Inlet Valve, berfungsi untuk mengatur masuknya air sesuai

perintah controller.


36/37

31

DAFTAR PUSTAKA

Wikipedia. (2013). Dipetik Januari 20, 2013, dari Sistem Pendukung Keputusan:http://id.wikipedia.org/wiki/Sistem_pendukung_keputusan

Agarwal, M. (2010). Fuzzy Logic Control.Fuzzy Logic Control of Washing Machines, 1.

Alexander, M. J. (1974).Information systems analysis : theory and applications / M. J.

Alexande.Chicago: Science Research Associates,.

Alter. (2002).

Astria, R. (2013, April 21).PENJUALAN ELEKTONIKA: Mesin Cuci Penopang Terbesar

Pada Kuartal I. Dipetik Juni 24, 2013, dari www.bisnis.com:http://www.bisnis.com/penjualan-elektonika-mesin-cuci-penopang-terbesar-pada-

kuartal-i

Elektronik Marketer Club. (2013, April 21).Mesin Cuci Penopang Terbesar Pada Kuartal I.

Dipetik Juni 24, 2013, dari www.bisnis.com: http://www.bisnis.com/penjualan-

elektonika-mesin-cuci-penopang-terbesar-pada-kuartal-i

Falopi, T. (2012). Aplikasi Fuzzy Inferensi System Tsukamoto untuk menganalisa tingkat

resiko penyakit dalam. 6.

Gokmen G., A. T. (2010).

EvaluationofStudentPerformanceinLaboratoryApplicationsusingFuzzyLogic.

Procedia Social and Behavior Sciences No.2, 902-909.

Grainner. (1998).

Iswari, L., & Wahid, F. (2005). Seminar Nasional Aplikasi Teknologi Informasi.Alat Bantu

Sistem Inferensi Fuzzy Metode Sugeno Orde Satu, 2-3.

Jamali, M. R., Lucas, C., & Milasi, R. M. (2007). International Journal of Control,

Automation, and Systems, vol. 5, no. 4, pp. 436-443.Intelligent Washing Machine: A

Bioinspired and Multi-objective Approach, 436.

Kusrini, M. (2007).Konsep dan Aplikasi Pendukung Keputusan.Yogyakarta, INDONESIA:

ANDI.

Lohani, P. (2010). Tesis FLC Microchip.Design of An Improved Fuzzy Controller Microchip

For Washing Machine.

Lucas, C., Shahmirzadi, D., & Sheikholeslami, N. (2004). Introduction BELBIC : Brain

emotional leraning based intellegent controller.International Journal of IntellegentAutomation and Soft Computing, vol. 10, no.1,, 11-22.


37/37

Maryati, N. R. (2012). Sistem Pendukung Keputusan (SPK) Seleksi Penerimaan Siswa Baru.

Jurnal national Pendidikan Teknik Informatika.

Milasi, R. M., Lucas, C., & Araabi, B. N. (2001). Special Session on Emotional Learning and Decision

Fusion in Satisficing Control and Information Processing Minisymposium on Satisficing,

Multiagent, and Cyberlearning Systems, 5th International Symposium on Intelligent

Automation and Control, World Autom.A novel controller for a power system based BELBIC

( brain emotional system based intelegen controller ).

Muzdalifah, N. M. (2009, Oktober 17). SPK TEST PENERIMAAN MAHASISWA BARU UIN MAULANA

MALIK IBRAHIM MALANG MENGGUNAKAN MODEL ANALYTICAL HIERARCHY PROSES. Skripsi.

Nurhayati, D. M. (2007). APLIKASI METODE TAKAGI-SUGENO. Skripsi.

O'Brien, J. A. (2005). Introduction to information systems.Boston: McGraw-Hill.

Raharjo, B. (2010, Oktober 7). Musim Hujan Dongkrak Penjualan Mesin Cuci. Dipetik Juni 9, 2013,

dari www.republika.co.id: www.republika.co.id/berita/breaking-

news/ekonomi/10/10/07/138611-musim-hujan-dongkrak-penjualan-mesin-cuci

Sadita, L. (2009). Fakultas Ilmu Komputer Universitas Indonesia. Studi Komparasi Literatur Fuzzy

Infrence System, 17.

Satty, T. L. (1993).

Setiadi, E. (2013, Juni 9). LG akan Bangun Pabrik Mesin Cuci. Dipetik juni 9, 2013, dari

http://www.republika.co.id:

http://www.republika.co.id/berita/ekonomi/bisnis/13/03/05/mj6upo-lg-akan-bangun-

pabrik-mesin-cuci

Sistem Pendukung Keputusan. (t.thn.). Dipetik Januari 20, 2013, dari id.wikipedia.org:

http://id.wikipedia.org/wiki/Sistem_pendukung_keputusan

Winarno, W. W. (2004). Sistem Informasi Menejement (Edisi Bahasa Indonesia).Yogyakarta: YKPN.

Yuniarti, D. A. (2010). Sistem Pendukung keputusan Penyeleksian Calon Mahasiswa Melalui Jalur

Seleksi Penerimaan Mahasiswa Baru Unib (SPMU) Studi Kasus : Universitas Bengkulu.

Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci

Documents

Transcript of Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci