Anda di halaman 1dari 37

# PENERAPAN METODE FUZZY INFERENCE SYSTEM METODE TSUKAMOTO UNTUK MENETUKAN WAKTU PUTAR MESIN CUCI

## Dosen : Nurjaya, S.kom, M.kom Disusun Oleh : AKBAR WIRA PRADANA

2010140724

PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS PAMULANG PAMULANG 2012/2013
i

DAFTAR ISI
Hal.
DAFTAR ISI............................................................................................................................................... ii DAFTAR GAMBAR................................................................................................................................... iv DAFTAR TABEL ........................................................................................................................................ v BAB I PENDAHULUAN............................................................................................................................. 1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 Latar Belakang Masalah .......................................................................................................... 1 Identifikasi Masalah ................................................................................................................ 3 Tujuan Penelitian .................................................................................................................... 3 Manfaat penelitian.................................................................................................................. 3 Batasan Masalah ..................................................................................................................... 3 Metode Penelitian .................................................................................................................. 4 Sistematika Penulisan ............................................................................................................. 4

BAB II LANDASAN TEORI DAN KERANGKA PEMIKIRAN ......................................................................... 6 2.1 2.2 Tinjauan Studi ......................................................................................................................... 6 Landasan Teori Sistem Pendukung Keputusan ....................................................................... 7 Logika Fuzzy .................................................................................................................... 7 Komponen Logika Fuzzy .................................................................................................. 7 Himpunan Fuzzy .............................................................................................................. 8 Fungsi Keanggotaan ...................................................................................................... 12

## 2.2.1 2.2.2 2.2.3 2.2.4 2.3

Operator Dasar Zadeh Untuk Operasi Himpunan Fuzzy ....................................................... 23 Operator AND ............................................................................................................... 23 Operator OR .................................................................................................................. 23 Operator NOT................................................................................................................ 23

## 2.3.1 2.3.2 2.3.3 2.4 2.5 2.6

PENALARAN MONOTON ....................................................................................................... 23 FUNGSI IMPLIKASI ................................................................................................................. 24 Sistem Inferensi Fuzzy ........................................................................................................... 25 Metode Tsukamoto ....................................................................................................... 25

2.6.1 2.7

2.7.1

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

ii

iii

DAFTAR GAMBAR
Gambar 2.2.3-1 Himpunan Fuzzy Untuk Variabel Umur ....................................................................... 9 Gambar 2.2.3-2 Himpunan Fuzzy Untuk Variabel Umur ..................................................................... 10 Gambar 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......................................................................................................... 28 Gambar 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

iv

DAFTAR TABEL

## No table of figures entries found.

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. // Metode metode 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 Based Intelligent 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).

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.

1.2

Identifikasi Masalah Berdasarkan latar belakang masalah dapat dilakukan identifikasi masalah yang ada diantaranya: a. Pengaturan lama waktu putar pada mesin cuci b. Penghematan energi listrik c. Penghematan waktu kerja dalam proses mencuci d. Mendapatkan hasil cuci pakaian yang lebih bersih

1.3

Tujuan Penelitian Adapun tujuan dalam penelitian ini adalah penerapan Fuzzy Inference System Metode Tsukamoto untuk menetukan waktu pencucian guna menghemat energi listrik dan mendapatkan hasil cuci pakaian yang bersih.

1.4

Manfaat penelitian Manfaat yang diharapkan dari penelitian ini adalah: a. Dengan penelitian ini diharapkan dapat menjadi bahan acuan untuk melakukan penelitian selanjutnya. b. Sebagai masukan atau informasi yang bermanfaat bagi pihak kampus dalam penerapan Fuzzy Inference System. c. Menambah khazanah keilmuan, pemikiran dan pengalaman dalam dunia Teknik Informatika bagi penulis ( khususnya ) dan untuk masyarakat banyak ( umumnya ).

1.5

Batasan Masalah Dalam 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 satu tabung dengan pintu masuk dari atas. 3. Pada penelitina ini hamya menggunakan perhitungan manual tanpa alat pendukung seperti sensor cahaya dan alat pengukur berat beban pakaian.

4. Pada penelitian ini variabel input yang digunakan hanya tingkat kekotoran dan bebean pakain, sedangkan variabel outputny berupa waktu pencucian. 5. Pada penelitian ini implementasi system hanya menggunakan software MathLab. 1.6 Metode Penelitian Dalam 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 Penulisan Secara 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.

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.

## BAB II LANDASAN TEORI DAN KERANGKA PEMIKIRAN

2.1

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 Keputusan

## 2.2.1 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 Fuzzy

a. 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 atau keadaan tertentu dalam suatu variabel fuzzy. c. Semesta pembicaraan: keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy Semesta pembicaraan untuk variabel umur: [0 +) Semesta pembicaraan untuk variabel temperatur: [0 40]

d. Domain himpunan fuzzy: keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy DINGIN = [0 - 20] SEJUK = [15 - 25]

e. Fungsi Keanggotaan (membership function): suatu kurva yang menunjukkan 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 Fuzzy

Himpunan 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))|Z Z_(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.
8

## Nilai keanggotaan 3 pada himpunan B, B[3]=1, karena 3B.

Contoh 7.2: Misalkan variabel umur dibagi menjadi 3 kategori, yaitu: MUDA PAROBAYA TUA umur < 35 tahun 35 umur 55 tahun 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 dikatakan TIDAK 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 TIDAK PAROBAYA (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 dikatakan TIDAK PAROBAYA (PAROBAYA[35 th - 1 hr]=0).

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 himpunan MUDA dengan MUDA[40]=0,25; namun dia juga termasuk dalam himpunan PAROBAYA dengan PABOBAYA[40]=0,5. Seseorang yang berumur 50 tahun, termasuk dalam himpunan MUDA 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.
10

11

c. Semesta Pembicaraan Semesta 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. Domain Domain 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 Keanggotaan

Fungsi 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.
12

a. Representasi Linear Pada 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).

Derajat Keanggotaan []

## Gambar 2.2.4-1 Representasi 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).

13

Derajat Keanggotaan []

## Gambar 2.2.4-2 Representasi Linier Turun

Fungsi Keanggotaan:

b. Representasi Kurva Segitiga Kurva 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:

14

c. Representasi Kurva Trapesium Kurva 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 Bahu Daerah 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.

15

Derajat Keanggotaan []

## Gambar 2.2.4-5 Representasi Kurva Bentuk Bahu

e. Representasi Kurva-S 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 2.2.4-6).

## Gambar 2.2.4-6 Himpunan Fuzzy dengan kurva S : PERTUMBUHAN

16

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.

Derajat Keanggotaan []

## 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.

17

## 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 PI

Kurva 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:

18

## Gambar 2.2.4-9 Karakteristik Fungsional Kurva PI

Fungsi Keanggotaan:

(ii)

Kurva BETA

Seperti 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:

19

## 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 GAUSS

Jika 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:

20

## Gambar 2.2.4-11 Karakteristik funsional kurva GAUSS

Fungsi Keanggotaan:

g. Koordinat Keanggotaan Himpunan 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.

21

## Gambar 2.2.4-12 Titik koordinak yang menunjukan PENGENDARA BERESIKO TINGGI

Gambar 7.26 merupakan contoh himpunan fuzzy yang diterapkan pada sistem asuransi yang akan menanggung resiko seorang pengendara kendaraan bermotor berdasarkan usianya, akan berbentuk U. Koordinatnya dapat digambarkan dengan 7 pasangan berurutan sebagai berikut: 16/1 21/.6 28/.3 68/.3 76/.5 80/.7 96/1 Gambar 2.2.4-12 memperlihatkan koordinat yang menspesifikasikan titik-titik sepanjang domain himpunan fuzzy. Semua titik harus ada di domain, dan paling sedikit harus ada satu titik yang memiliki nilai kebenaran sama dengan 1. Apabila titik-titik tersebut telah digambarkan, maka digunakan interpolasi linear untuk mendapatkan permukaan fuzzy-nya seperti terlihat pada Gambar 2.2.4-13.

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

22

2.3

Operator Dasar Zadeh Untuk Operasi Himpunan Fuzzy Seperti 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 nama fire strength atau predikat. Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu:

## 2.3.1 Operator AND

Operator 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 OR

[ ]

[ ])

Operator 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 NOT

[ ]

[ ])

Operator 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 MONOTON Metode 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

23

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 IMPLIKASI Tiap-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 himpunan fuzzy. Gambar 2.5-1 menunjukkan salah satu contoh

## Gambar 2.3.3-1 Fungsi implikasi : MIN.

24

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

2.6

## 2.6.1 Metode Tsukamoto

Pada Metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IFThen 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.

25

2.7

26

## Gambar 2.2.7-2.7.1-1 Modul Control Mesin Cuci

1. Modul Control, Fungsinya adalah untuk mengatur seluruh proses pencucian pada mesin cuci, mulai mencuci, membilas maupun mengeringkan.

27

## Gambar 2.7.1-2 Pressure Switch

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

## Gambar 2.7.1-3 Motor Penggeran

3. Motor, Motor atau dinamo ini berisi kumparan kawat tembaga yang mampu merubah energi listrik menjadi energi gerak. Motor inilah yang berfungsi sebagai penggerak drum mesin cuci.

28

## Gambar 2.7.1-4 Drain Pump

4. Drain Pump, drain pump adalah pompa listrik berukuran kecil dengan kapasitas daya 34 watt, yang berfungsi untuk memompa air keluar dari mesin cuci.

## Gambar 2.7.1-5 Heater

5. Heater, Fungsinya adalah untuk memanaskan air yang ada didalam mesin cuci untuk proses pencucian menggunakan air panas.

## Gambar 2.7.1-6 Door Lock

6. Door Lock, berfungsi untuk mengunci pintu mesin cuci selama proses pencucian sebagai pengaman selama proses pencucian.

29

## Gambar 2.7.1-7 Inlet Valve

7. Inlet Valve, berfungsi untuk mengatur masuknya air sesuai perintah controller.

30

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-padakuartal-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/penjualanelektonika-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 Intellegent Automation and Soft Computing, vol. 10, no.1,, 11-22.
31

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/breakingnews/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-bangunpabrik-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.

32

### Dapatkan aplikasi gratis kami

Hak cipta © 2022 Scribd Inc.