Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
-
Upload
wira-himura -
Category
Documents
-
view
291 -
download
2
Transcript of 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
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
3/37
iii
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
5/37
v
DAFTAR TABEL
No table of figures entries found.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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).
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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).
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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]
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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).
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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 ).
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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:
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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:
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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:
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
27/37
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada 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.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
35/37
30
Gambar 2.7.1-7
Inlet Valve7. Inlet Valve, berfungsi untuk mengatur masuknya air sesuai
perintah controller.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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.
-
7/22/2019 Penerapan Fuzzy Inference System Metode Tsukamoto Pada Mesin Cuci
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.