Prosiding Seminar Nasional Teknologi Elektro Terapan Vol.

03, ISSN: 2581-0049

PEMBERI PAKAN OTOMATIS UDANG VANAMMEI MENGGUNAKAN

METODE FUZZY LOGIC

Vivien Arief Wardhany1, Herman Yuliandoko2, Subono3, M. Udin Harun Al rasyid 4, I Gede Puja Astawa 5
1,2,3 Teknik Informatika, Politeknik Negeri Banyuwangi
4,5 Teknik Informatika dan Komputer, Politeknik Elektronika Negeri Surabaya

1 vivien.wardhany@poliwangi.ac.id, 2herman.yuliandoko@poliwangi.ac.id,3subono@poliwangi.ac.id,4udinharun@pens.ac.id

Abstrak

Nilai ekspor komoditas perikanan Indonesia tahun 2012 mencapai US$ 3,59 miliar dan tahun 2016 meningkat menjadi US$ 3,86
miliar. Kontribusi nilai ekspor udang vanammei beku terhadap total nilai ekspor perikanan tahun 2016 lebih dari 27%. Pemberian
pakan merupakan salah satu faktor penting dalam budidaya udang vanammei. Pemberian pakan harus secara teratur, terjadwal dan
tidak boleh telat karena hal tersebut dapat mempengaruhi perkembangan dan pertumbuhan udang vanammei. Penelitian terhadap
sistem monitoring dan kendali terhadap pemberian pakan udang vanammei terus dikembangkan. Pengembangan perangkat keras
dan perangkat lunak dalam penelitian ini mengutamakan monitoring terhadap kondisi PH, kadar oksigen, dan suhu tambak. Hasil
pengukuran terhadap PH, kadar oksigen dan suhu tambak dapat digunakan sebagai pengambil keputusan terhadap jadwal pemberian
pakan udang vanammei. Sistem pengambilan keputusan menggunakan metode Fuzzy Logic. Pengembangan perangkat kendali
terhadap pemberian pakan bertujuan mengatur jadwal pemberian pakan secara otomatis. Feeder Fish Food sebagai perangkat akhir
yang dikendalikan dalam pemberian pakan udang. Penggunaan perangkat monitoring dan kendali secara otomatis terhadap
pemberian pakan udang dapat mengurangi penumpukan sisa pakan udang, sehingga pemberian pakan dapat lebih efisien dan
mengurangi dampak penyakit udang.

Kata kunci : udang-vanammei; Fuzzy Logic; Feeder Fish Food; pH;

efisien karena akan menimbulkan ketergantungan pada

I. PENDAHULUAN
Budidaya udang merupakan salah satu pekerjaan yang
populer di Indonesia. Jenis udang yang banyak dibudidayakan
salah satunya yaitu udang konsumsi. Jenis udang konsumsi
sering dihidangkan dalam makanan sehari-hari. Budidaya
udang di Indonesia mulai banyak peminatnya dengan alasan
yang bermacam-macam. Udang memiliki nilai gizi yang
tinggi, manfaat mengobati berbagai penyakit dan manfaat
lainnya yang mampu memberikan nilai jual. Daging dari
beberapa jenis udang yang tentunya memiliki gizi tinggi dan
harga yang terjangkau dibandingkan dengan jenis daging
lainnya. Salah satu jenis udang yang jadi favorit sebagai udang
konsumsi adalah udang vanammei [15][16][17]. Pemberian
pakan merupakan salah satu faktor penting dalam budidaya
udang vanammei. Pemberian pakan harus secara teratur,
terjadwal dan tidak boleh telat karena hal tersebut dapat
mempengaruhi perkembangan dan pertumbuhan udang
vanammei. Pada saat ini pemberian pakan udang vanammei
masih menggunakan cara konvensional yaitu masih
mengandalkan tenaga manusia yang harus datang ke tambak
pada jadwal yang telah ditentukan untuk menebarkan pakan
ke tambak. Penggunaan cara konvensional dirasa kurang
manusia dan akan menimbulkan permasalahan ketika
pembudidaya lupa memberikan pakan bahkan sedang
berpergian.
Berdasarkan latar belakang diatas, penulis mengusulkan
metode fuzzy logic dalam merancang sebuah prototype alat
pemberi pakan udang pada tambak untuk pengambilan
keputusan pada saat mengendalikan perangkat pemberi pakan
udang vanammei (Feeder Fish Food).
II. DASAR TEORI
Udang vanammei termasuk genus Penaeus dan subgenus
Litopenaeus. Vanammei berbeda dari genus Penaeus lainnya
karena bentuk telikum (organ kelamin betina) terbuka, tapi
tidak terdapat tempat untuk penyimpanan sperma.
Pertumbuhan udang vannamei dipengaruhi dua faktor yaitu
frekuensi molting/ganti kulit (waktu antara molting) dan
pertumbuhan pada setiap molting . Tubuh udang mempunyai
karapas/kulit luar yang keras, sehingga pada setiap kali
berganti kulit, karapas terlepas dan akan membentuk karapas
baru. Ketika karapas masih lunak, udang berpeluang untuk
dimangsa oleh udang lainnya. Udang merupakan organisme

17
Prosiding Seminar Nasional Teknologi Elektro Terapan
pemakan segala (omnivorus). Pada habitatnya, udang
vannamei memakan jasad renik/krustasea kecil, amphipoda
dan polychaeta. Udang vannamei tidak makan sepanjang hari,
tetapi hanya beberapa waktu saja dalam sehari. Nafsu makan
tergantung oleh kondisi lingkungan dan laju konsumsi pakan
akan meningkat pada kondisi lingkungan optimum
[10][11][12][13].
Pembentukan kelompok atas inisiasi para pembudidaya
dalam satu hamparan yang sama. Kelompok mendapat
pengesahan dari pemerintah daerah setempat dan mendapat
binaan dari Dinas Kelautan dan Perikanan (DKP) setempat.
Anggota kelompok pembudidaya umumnya berjumlah 10 - 25
orang dan efektif jika hanya 7 – 10 orang. Jumlah anggota
disesuaikan dengan luas area pertambakan dan tingkat luas
jaringan kepentingan antar petambak. Kelompok pembudidaya
berdasarkan kesamaan kawasan dan berada pada satu aliran
sungai yang sama. Hal ini bertujuan untuk mencegah
tersebarnya penyakit yang bersumber dari kontak air sungai
yang sama. Resiko tersebut dapat berkurang dengan
mengontrol pembuangan, penambahan dan penggantian air.
Petambak yang tergabung dalam kelompok dapat saling bantu
membantu dalam merencanakan dan beraktivitas budidaya,
sejak persiapan, pemeliharaan (termasuk pengukuran kualitas
air), hingga panen. Siklus hidup udang vanammei ditunjukkan
pada gambar 1[10].
Gambar 1. Siklus Hidup Udang Vanammei
Tabel 1 Standar Kualitas Air
Tingkat Teknologi
Sat
No Parameter
uan
Sederhana Semi Intensif
Intensif
28 - 32 28 - 30 28 – 30
1 Suhu °C
5 - 40 10 - 35 26 – 32
2 Salinitas g/l
3 pH - 7,5 - 8,5 7,5 -8,5 7,5-8,5
Peraturan menteri kelautan tentang standar kualitas air sebagai
tempat habitat udang vanammei tercantum dalam tabel 1 yaitu
Permen Kelautan dan Perikanan NOMOR 75/PERMEN-
KP/2016
Vol.03, ISSN: 2581-0049
III. METODOLOGI
Proses pemberian pakan udang vanammei yang diusulkan
dalam penelitian ini adalah menggunakan metode fuzzy dalam
proses pengambilan keputusan. Keputusan didasarkan pada
tiga input sensor antara lain suhu, pH, dan kadar oksigen
dalam air tambak. Data yang diperoleh dari ketiga input sensor
tersebut diproses dan didasarkan pada rule yang telah
ditetapkan dan mengacu standart tabel 1 yaitu berdasarkan
Permen Kelautan dan Perikanan NOMOR 75/PERMEN-
KP/2016. Keputusan akhir adalah menghidupkan dan
mematikan motor listrik penggerak pemberi pakan
[1][2][6][7][8][9].
A. Logika Fuzzy
Logika fuzzy digunakan untuk menterjemahkan suatu
besaran yang diekspresikan menggunakan bahasa (linguistic),
misalkan besaran kecepatan laju kendaraan yang
diekspresikan dengan pelan, agak cepat, cepat, dan sangat
cepat. Logika fuzzy menunjukkan sejauh mana suatu nilai itu
benar dan sejauh mana suatiu nilai itu salah. Terdapatbeberapa
alasan mengapa logika fuzzy digunakan, antara lain
[3][4][5][6][7][8][9]:
1. Konsep matematis yang mendasari penalaran fuzzy sangat
sederhana dan mudah dimengerti.
2. Logika fuzzy sangat fleksibel.
3. Logika fuzzy memiliki toleransi terhadap data-data yang
tidak tepat.
4. Logika fuzzy mampu memodelkan fungsi-fungsi nolinier
yang sangat kompleks.
5. Logika fuzzy dapat membangun dan mengaplikasikan
pengalaman-pengalaman para pakar secara langusung
tanpa harus melalui proses pelatihan. suatu pendekatan
komputasional dalam pengambilan keputusan sesuai
dengan cara berpikir manusia yang mengijinkan adanya
ketidakpastian dan memperlihatkan suatu logika yang
bergradasi.
B. Konsep Himpunan Fuzzy
Himpunan Fuzzy memiliki dua atribut, yaitu:
1. Variabel linguistic, yaitu penamaan suatu grup yang
mewakili suatu keadaan atau kondisi tertentu dengan
menggunakan bahasa alami. Variabel bahasa ini bernilai
kata-kata atau kalimat dan bukan angka. Contoh penamaan
suatu kelompok yang mewakili suatu keadaan atau kondisi
tertentu dengan menggunakan bahasa alami, seperti
Super Lambat, Sedang, Cepat.
Intensif
2. Variabel numeris, yaitu suatu angka yang menunjukkan
28 - 30 ukuran dari suatu varibel. Contoh jika ukuran kecepatan
seperti: 20 Km/jam, 50 Km/jam, 80 Km/jam, dan
26 - 32
seterusnya.
7,5-8,5 C. Fungsi Keanggotaan
Fungsi keanggotaan adalah suatu kurva yang menunjukkan
pemetaan titik-titik input data ke dalam nilai keanggotaannya
yang memiliki interval antara 0 sampai 1. Salah satu cara yang
dapat digunakan untuk mendapatkan nilai keanggotaan adalah
18
Prosiding Seminar Nasional Teknologi Elektro Terapan Vol.03, ISSN: 2581-0049

dengan melalui pendekatan fungsi. Fungsi keanggotaan fuzzy (𝑥 − 𝑏)

µ(x) = ; b ≤ x ≤ c
yang sering digunakan di antaranya, yaitu: (𝑥 − 𝑏)
a. Representasi Linear 1 ; x ≥ c
Pada representasi linear, pemetaan input ke derajat
keanggotaannya digambarkan sebagai suatu garis lurus. (1)
Bentuk ini paling sederhana dan menjadi pilihan yang baik
untuk mendekati suatu konsep yang kurang jelas. Keterangan:
b. Representasi Kurva Segitiga a: nilai domain terkecil yang mempunyai derajat
Kurva Segitiga pada dasarnya merupakan gabungan antara keanggotaan satu
dua garis (linear). Fungsi keanggotaan himpunan fuzzy disebut b: nilai domain yang mempunyai derajat keanggotaan
fungsi keanggotaan segitiga jika mempunyai tiga parameter, satu
yaitu (a,b,c € R) dengan (a ≤ b ≤ c) dan dinyatakan dengan c: nilai domain terbesar yang mempunyai derajat
segitiga (x,a,b,c). keanggotaan satu
x: nilai input yang akan diubah ke dalam bilangan fuzzy
c. Representasi Kurva Trapesium D. Operasi Himpunan Fuzzy
Kurva Trapesium pada dasarnya seperti bentuk segitiga Seperti halnya himpunan bilangan, terdapat beberapa
karena merupakan gabungan antara dua garis (linear), hanya operasi yang didefinisikan secara khusus untuk
saja ada beberapa titik yang memiliki nilai keanggotaan 1. mengkombinasikan dan memodifikasi himpunan fuzzy. Nilai
keanggotaan sebagai hasil dari operasi dua himpunan yang
d. Representasi Kurva Bentuk Bahu dikenal nama α – predikat. terdapat tiga operasi dasar dalam
Daerah yang terletak di tengah-tengah suatu variabel yang himpunan fuzzy yaitu komplemen, irisan (intersection), dan
direpresentasikan dalam bentuk segitiga (warna hijau) gabungan (union).
(normal), pada sisi kanan dan kirinya akan naik dan turun,
tetapi terkadang salah satu sisi dari variabel tersebut tidak a. Komplemen
mengalami perubahan. Kurva kiri (warna merah) bergerak dari Operasi komplemen pada himpunan fuzzy adalah sebagai
dingin ke normal demikian juga kurva kanan (warna biru) hasil operasi dengan operator NOT diperoleh dengan
bergerak dari normal ke panas. Representasi kurva mengurangkan nilai keanggotaan elemen pada himpunan yang
ditunjukkan pada gambar 2. bersangkutan dari 1.

b. Irisan (Intersection)
Operasi irisan (intersection) pada himpunan fuzzy adalah
sebagai hasil operasi dengan operator AND diperoleh dengan
mengambil nilai keanggotaan terkecil antar elemen pada
himpunan-himpunan yang bersangkutan.

c. Gabungan
Operasi gabungan (union) pada himpunan fuzzy adalah
sebagai hasil operasi dengan operator OR diperoleh dengan
mengambil nilai keanggotaan terbesar antar elemen pada
himpunan-himpunan yang bersangkutan.
Gambar.2 Representasi Kurva Bahu

Fungsi Keanggotaan pada persamaan 1: d. Fuzzy Inference System

Salah satu aplikasi logika fuzzy yang telah berkembang
1. Dingin
1 ; x ≤ a adalah sistem inferensi fuzzy (Fuzzy Inference System).
(𝑏 − 𝑥) Sistem inferensi fuzzy yaitu system komputasi yang bekerja
µ(x) = ; a ≤ x ≤ b atas dasar prinsip penalaran fuzzy. Misalnya penentuan
(𝑏 − 𝑎)
0 ; x ≥ b produksi barang, sistem pendukung keputusan, sistem
2. Normal klasifikasi data, dan sebagainya.
0 ; x ≤ a atau x ≥ c Sistem ini berfungsi untuk mengambil keputusan melalui
(𝑥 − 𝑎) proses tertentu dengan mempergunakan aturan inferensi
µ(x) = ; a ≤ x ≤ b berdasarkan logika fuzzy. Sistem inferensi fuzzy memiliki
(𝑏 − 𝑎)
(𝑐 − 𝑥) empat tahap, yaitu pertama Fuzzifikasi, kedua penalaran
; b ≤ x ≤ c logika fuzzy (Fuzzy logic reasoning), ketiga Basis
(𝑐 − 𝑎)
3. Panas pengetahuan (knowledge base), yang terdiri dari dua bagian
0 ; x ≤ b yaitu Basis data (data base), yang memuat fungsi-fungsi

19
Prosiding Seminar Nasional Teknologi Elektro Terapan
keanggotaan dari himpunan-himpunan fuzzy yang terkait
dengan nilai dari variabel-variabel linguistic yang dipakai.
Kedua basis aturan (rule base), yang memuat aturan-aturan
berupa implikasi fuzzy.
e. Defuzzifikasi
Pada sistem inferensi fuzzy, nilai-nilai masukan tegas
dikonversikan oleh unit fuzzifikasi ke nilai fuzzy yang sesuai.
Hasil pengukuran yang telah difuzzykan itu, kemudian
diproses oleh unit penalaran dengan menggunakan unit basis
pengetahuan yang akan menghasilkan himpunan fuzzy sebagai
keluarannya. Langkah terakhir dikerjakan oleh unit
defuzzifikasi dengan menerjemahkan himpunan keluaran ke
dalam nilai yang tegas. Nilai tegas inilah yang kemudian
direalisasikan dalam bentuk suatu tindakan yang dilaksanakan
dalam proses itu. Langkah-langkah tersebut akan dijelaskan
pada gambar 3.
1. Unit Fuzzifikasi
Proses fuzzifikasi merupakan proses mengubah variabel
numerik menjadi variabel linguistic (Susilo, 2006). Pada
masing-masing variabel input, ditentukan suatu fungsi
fuzzifikasi (Fuzzyfication function) yang akan mengubah
variabel masukan yang tegas (yang biasa dinyatakan dalam
bilangan real) menjadi nilai pendekatan fuzzy. Fungsi
fuzzifikasi ditentukan berdasarkan beberapa kriteria:
Gambar 3. Struktur Dasar Suatu Sistem Inferensi Fuzzy
a. Fungsi fuzzifikasi diharapkan mengubah suatu nilai tegas,
misalnya a R, ke suatu himpunan fuzzy dengan nilai
keanggotaan a terletak pada selang tertutup [0, 1]. Bila nilai
masukannya cacat karena gangguan, diharapkan fungsi
fuzzifikasi dapat menekan sejauh mungkin gangguan itu.
b. Fungsi fuzzifikasi diharapkan dapat membantu
menyederhanakan komputasi yang harus dilakukan oleh
sistem tersebut dalam proses inferensinya.
2. Unit Penalaran
20
Vol.03, ISSN: 2581-0049
Penalaran fuzzy adalah suatu cara penarikan kesimpulan
berdasarkan seperangkat implikasi fuzzy dan suatu fakta yang
diketahui (sering disebut premis). Penarikan kesimpulan dalam
logika klasik didasarkan pada proposisi-proposisi yang selalu
benar, tanpa tergantung pada nilai kebenaran proposisi-
proposisi penyusunnya.
3. Basis pengetahuan
Basis pengetahuan suatu sistem inferensi fuzzy terdiri dari
basis data dan basis aturan.
4. Unit Defuzzifikasi
Unit defuzzifikasi digunakan untuk menghasilkan nilai
variabel solusi yang diinginkan dari suatu daerah konsekuen
fuzzy. Sistem inferensi ini hanya dapat membaca nilai yang
tegas, maka diperlukan suatu mekanisme untuk mengubah nilai
fuzzy output itu menjadi nilai yang tegas. Terdapat beberapa
metode defuzzifikasi dalam pemodelan sistem fuzzy, misalnya
Metode Centroid, Metode Bisektor, dan Metode Mean of
Maximum. Pada system monitoring ini data kualitas air
diperoleh dari hasil pembacaan sensor pH, Suhu dan Salinitas.
Sistem inferensi fuzzy (Fuzzy Inference System), yaitu
kerangka komputasi yang didasarkan pada teori himpunan
fuzzy, aturan fuzzy berbentuk IFTHEN, dan penalaran fuzzy.
Ada tiga metode dalam sistem inferensi fuzzy yang sering
digunakan, yaitu metode Tsukamoto, metode Mamdani, dan
metode Takagi Sugeno. Pada penelitian ini diusulkan
penentuan pemberian pakan menggunakan metode Sugeno.
Sistem ini berfungsi untuk mengambil keputusan melalui
proses tertentu dengan mempergunakan aturan inferensi
berdasarkan logika fuzzy. Metode Takagi Sugeno atau disebut
juga dengan Metode TSK. Metode TSK terdiri dari 2 jenis,
akan tetapi pada penelitian ini menggunakan Model fuzzy
Sugeno Orde-Nol dengan model dan secara umum bentuk
model Fuzzy Sugeno Orde-Nol pada persamaan 2
IF(x1 is A1) ∩ (x2 is A2) ∩ (x3 is A3) ∩ ... ∩ (xN is AN) THEN
z=k (2)
Dengan AN adalah himpunan fuzzy ke-n sebagai anteseden,
dan k adalah suatu konstanta (tegas) sebagai konsekuen, untuk
mendapatkan output ( hasil ) maka dibutuhkan 3 tahapan
sebagai berikut:
1. Pembentukan himpunan Fuzzy, pada Metode Sugeno, baik
variabel input maupun variabel output dibagi menjadi satu atau
lebih himpunan fuzzy.
2. Aplikasi fungsi implikasi, pada metode Sugeno, fungsi
implikasi yang digunakan adalah Min (minimum).
3. Komposisi Aturan, apabila sistem terdiri dari beberapa
aturan, maka inferensi diperoleh dari gabungan antar aturan.
Ada tiga metode yang digunakan dalam melakukan inferensi
sistem fuzzy, yaitu: additive, max, dan probabilistik OR
(probor).
a. Metode additive
Prosiding Seminar Nasional Teknologi Elektro Terapan Vol.03, ISSN: 2581-0049

Pada metode ini, solusi himpunan fuzzy diperoleh dengan IV. HASIL DAN KESIMPULAN
cara melakukan bounded-sum terhadap semua output daerah Proses pengujian dan pengambilan data dilakukan di
fuzzy. Secara umum dituliskan pada persamaan 3: tambak udang vanammei yang berada di daerah pesisir
µsf[xi] = min (µsf[xi]+ µkf [xi]) (3) banyuwangi jawa timur.
dengan,
µsf[xi] : nilai keanggotan solusi fuzzy sampai aturan ke-i
µkf[xi] : nilai keanggotan konsekuen fuzzy sampai aturan ke-
i

b. Metode Max (Maksimum)

Pada metode ini, solusi himpunan fuzzy diperoleh dengan
cara mengambil nilai maksimum aturan, kemudian
menggunakannya untuk memodifikasi daerah fuzzy, dan
mengaplikasikannya ke output dengan menggunakan operator
OR (union). Jika semua proposisi telah dievaluasi, maka output
akan berisi suatu himpunan fuzzy yang merefleksikan
konstribusi dari tiap-tiap proposisi. Secara umum dapat Gambar 4. Tempat pengujian perangkat pemberi pakan udang otomatis
dituliskan pada persamaan 4:
µsf[xi] = max (µsf[xi]+ µkf [xi]) (4) Tahap fuzzyfikasi adalah tahap awal pembentukan metode
dengan, logika fuzzy. Tahap ini memberikan berupa grafik fungsi
µsf[xi] : nilai keanggotan solusi fuzzy sampai aturan ke-i keanggotaan yang dibentuk pada implementasi fuzzy penebar
µkf[xi] : nilai keanggotan konsekuen fuzzy sampai aturan ke- pakan udang vanammei. Terdapat 3 fungsi keanggotaan
i sebagai berikut:
a. Fungsi Keanggotaan Suhu
c. Metode Probabilistik OR (probor) Pada fungsi keanggotaan suhu memiliki 3 kodisi yaitu
Pada metode ini, solusi himpunan fuzzy diperoleh dengan suhu dingin, suhu normal dan suhu panas. Berikut ini adalah
cara melakukan product terhadap semua output daerah fuzzy. perancangan himpunan fuzzifikasi suhu pada gambar 5
Secara umum dituliskan pada persamaan 5:
µsf[xi] = max ((µsf[xi]+ µkf [xi]) - (µsf[xi]+ µkf [xi])) (5)
dengan, Nilai Keanggotaan Suhu
µsf[xi] : nilai keanggotan solusi fuzzy sampai aturan ke-i 1.5
µkf[xi] : nilai keanggotan konsekuen fuzzy sampai aturan ke-
i 1
0.5
4. Defuzzifikasi
Masukan dari proses defuzzifikasi adalah suatu himpunan 0
fuzzy yang diperoleh dari suatu komposisi aturan-aturan fuzzy, 25 26 27 28 29 30 31 32 33 34 35 36 37
sedangkan output yang dihasilkan merupakan suatu bilangan
pada himpunan fuzzy tersebut. Sehingga jika diberikan suatu Suhu Dingin Suhu Normal Suhu Panas
himpunan fuzzy dalam range tertentu, maka harus dapat Gambar 5. Fungsi keanggotaan suhu
diambil suatu nilai tertentu sebagai output. Metode Sugeno,
defuzzifikasi dilakukan dengan cara mencari rerata terbobot \
(weighted average) seperti pada persamaan 6 b. Fungsi Keanggotaan pH
Pada fungsi keanggotaan pH memiliki 3 kodisi yaitu asam,
∑N
i=1 𝑎𝑖𝑧𝑖
normal dan basa. Berikut ini adalah perancangan himpunan
WA = (6) fuzzifikasi pH pada gambar 6.
𝑎𝑖

dengan,
WA : nilai rata-rata terboboti
ai : a – predikat ke-i
zi : konsekuen ke-i

21
Prosiding Seminar Nasional Teknologi Elektro Terapan Vol.03, ISSN: 2581-0049

Pada gambar 8 dijelaskan proses perubahan suhu, pH dan

Nilai Keanggotaan pH kadar oksigen terhadap kondisi hidup (ON) dan mati (OFF)
1.5 dari pemberi pakan otomatis. Sehingga dapat diambil
kesimpulan bahwa perangkat pemberi ikan otomatis dapat
1 digunakan di areal tambak udang vanammei.
0.5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14

Asam Normal Basa

Gambar 6. Fungsi keanggotaan pH

c. Fungsi Keanggotaan Kadar Oksigen

Pada fungsi keanggotaan kadar oksigen memiliki 3 kodisi
yaitu sedikit, sedang dan banyak. Berikut ini adalah
perancangan himpunan fuzzifikasi pH seperti pada gambar 7.

Nilai Keanggotaan pH
1.5

0.5

0
3 3.5 4 4.5 5 5.5 6 6.5 7

Sedikit Sedang Banyak

Gambar 8. Hasil pengukuran suhu, pH, kadar oksigen

UCAPAN TERIMA KASIH

Gambar 7. fungsi keanggotaan kadar oksigen
Penulis menyampaikan terima kasih kepada DRPM Ristek
Fungsi keanggotaan 3 parameter tersebut merupakan Dikti atas hibah penelitian yang telah diberikan melalui
ketentuan untuk pemberian pakan, karena parameter tersebut program Penelitian Kerjasama Perguruan Tinggi (PKPT) tahun
dijadikan dasar dalam pemberian pakan otomatis. 2018. Serta terima kasih kepada Politeknik Negeri
Pada proses fuzzy perlu dibuat beberapa aturan yang disebut Banyuwangi selaku institusi yang mendukung proses
rule. Rule berisi beberapa kondisi yang mungkin terjadi berjalannya penelitian ini.
beserta reaksi dari adanya kondisi tersebut. Rule yang terdapat REFERENSI
sistem ini ditunjukan pada tabel 2. [1] Nurul Fahmi, Samsul Huda, Eko Prayitno, M. Udin Harun Al Rasyid,
M. Choirur Roziqin, M. Unggul Pamenang, "A prototype of monitoring
Tabel 2 Rule penebar pakan precision agriculture system based on WSN", International Seminar on
Intelligent Technology and Its Applications (ISITIA), 28 - 29 August
Rule Kadar 2017, Surabaya Indonesia.
Suhu pH Keterangan
Ke Oksigen [2] M. Udin Harun Al Rasyid, Entin Martiana Kusumaningtyas, Fajar
Rule 0 < 30ºC <7 < 4,0 mg/L OFF Setiawan "Application to Determine Water Volume for Agriculture
Rule 1 31 – 32 ºC <7 < 4,0 mg/L OFF Using Wireless Sensor Network", Knowledge Creation & Intelligent
Computing (KCIC), November 15-17, 2016, Manado, Indonesia
Rule 2 > 33 ºC <7 < 4,0 mg/L OFF
Rule 3 31 – 32 ºC <7 4,0 – 5,50 mg/L OFF [3] Z. Harun, E. Reda, and H. Hashim. ” Real time fish pond monitoring
Rule 4 31 – 32 ºC 7-8 4,0 – 5,50 mg/L ON and automation using Arduino” IOP Conf. Series: Materials Science and
Rule 5 31 – 32 ºC <8 4,0 – 5,50 mg/L OFF Warning Engineering 340 (2018) 012014 doi:10.1088/1757-
899X/340/1/012014.
Rule 6 31 – 32 ºC <8 < 4,0 mg/L OFF Warning
Rule 7 31 – 32 ºC <8 4,0 – 5,50 mg/L OFF warning [4] Achmad Mahdiyatul Tajrie, S. S. C. E., 2017. Sistem Kendali
Rule 8 31 – 32 ºC <8 > 5,50 mg/L OFF Warning Penyiraman Dan Pencahayaan Tanaman Otomatis Pada Smart
Greenhouse Menggunakan Logika Fuzzy, Volume IV, pp. 3-6.
[5] Benard, 2018. Design and Construction of Automatic Fish Feeder using
Atmel 8052 Microcontroller, Volume I, pp. 1-2.

22
Prosiding Seminar Nasional Teknologi Elektro Terapan Vol.03, ISSN: 2581-0049

[6] Jumalli, S., 2013. The Modificated of Automatic Feeder for Increasing
Effectiveness of Fish, p. 5.
[7] Kadir, A., 2018. Arduino dan Sensor. 1 penyunt. Yogyakarta: Andi
Publisher.
[8] Lorena Para, L. G. S., 2018. The Use of Sensors for Monitoring the
Feeding Process and, Volume I, pp. 3-5.
[9] Westcott C, “pH Measurement” Academic Press, Inc.
[10] Carter Ullman, Melanie A. Rhodes⁎, D. Allen , Feed management and
the use of automatic feeders in the pond production of Pacific white
shrimp Litopenaeus vannamei, Davis School of Fisheries, Aquaculture,
and Aquatic Sciences, Auburn University, Auburn, AL 36849, United
States Aquaculture , elsevier 20 agustus 2019. 498 44–49
[11] Rizki Dian RahayaniandArif Gunawan, Proposed Design of an
Automatic Feeder and Aerator Systems for Shrimps Farming, nternational
Journal of Materials, Mechanics and Manufacturing, August 2018, Vol. 6, No. 4.
[12] Mohammad Tanveer, Balasubramanian S, Sivakumar M, Manimehalai
NandJagan P, A technical review on feeders in aquaculture. nternational
Journal of Fisheries and Aquatic Studies 2018; 6(4): 305-309.
[13] Lauren N Jescovitch, Carter Ullman, Melanie Rhodes, Donald Allen
Davis, Effects of different feed management treatments on water quality
for Pacific white shrimp Litopenaeus vannamei, Willey, Aquaculture
Research 2017 Volume 49, Issue 1.
[14] Lorena Parra, Laura García, Sandra Sendra, and Jaime Lloret, The Use
of Sensors for Monitoring the Feeding Process and Adjusting the Feed
Supply Velocity in Fish Farms, Journal of Sensors Volume 2018, Article
ID 1060987, 14 pages.
[15] Indah Purnamasari, Dewi Purnama, dan Maya Angraini Fajar Utami.
Pertumbuhan Udang vanammei (Litopenaus vanammei) di tambak
Intensif. Jurnal Enggano. 2017; Vol. 2, No. 1, PP:58-67
[16] Sulastri Arsad, Ahmad Afandy, STUDY of VANAMMEI SHRIMP
CULTURE (Litopenaeus vannamei) IN DIFFERENT REARING
SYSTEM. Jurnal Ilmiah Perikanan dan Kelautan; 2018. Vol 10 No. 1
[17] Pedoman Umum Pembesaran Udang Windu (Penaeus Monodon) dan
Udang Vanammei (Litopenaeus Vanammei). NOMOR 75/PERMEN-
KP/2016. Peraturan Menteri Kelautan dan Perikanan Republik
Indonesia. 2016.

23