PENERAPAN LOGIKA FUZZY MAMDANI PADA

PENGERING LADA OTOMATIS

Bernadeth Rosalia Cika Andhini - 185114073

Program Studi Teknik Elektro – S1

Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta

1. PENDAHULUAN
Indonesia sebagai salah satu negara penghasil rempah terbesar di dunia terdapat
banyak macam rempah. Salah satu rempah yang dibudidayakan dan diolah oleh
masyarakat Indonesia adalah lada. Tanaman lada banyak dibudidayakan di daerah
Aceh, Bangka, Lampung, dan Kalimantan Barat. Lada termasuk lada hitam maupun
lada putih menjadi rempah yang juga laku untuk diekspor sehingga petani
membutuhkan produksi yang cepat tanpa mengesampingkan kualitas. Namun,
terkadang petani mengalami hambatan saat proses pengeringan lada karena ketika lada
tidak segera dikeringkan maka dapat menurunkan kualitas lada itu sendiri.
Dengan adanya perkembangan teknologi yang pesat dimana juga sudah banyak
diimplementasikan dibidang pertanian, maka dengan menyoroti kebutuhan produksi
yang cepat dan adanya proses pengeringan lada yang terkadang lama dan tergantung
dengan panas matahari, maka dirancang alat untuk mengeringkan lada sehingga petani
tidak perlu menunggu panas matahari untuk mengeringkan lada.
Alat pengering lada kali ini memiliki sistem control yang menggunakan konsep
logika fuzzy untuk mengatur suhu yang digunakan saat pengeringan. Alat ini akan
mengambil dua variabel input utama yaitu volum dan kelembapan dari lada kemudian
akan dilakukan pengeringan dengan suhu yang sesuai dari volum dan kelembapan yang
telah diambil.

2. LOGIKA FUZZY
Logika Fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau
kesamaran (fuzzyness) antara benar atau salah. Profesor Lotfi A. Zadeh guru besar pada
University of California, Berkeley yang merupakan pencetus sekaligus yang
memasarkan ide tentang logika fuzzy. Logika fuzzy pertama kali dikembangkan oleh
Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy. Lotfi
Asker Zadeh adalah seorang ilmuwan Amerika Serikat berkebangsaan Iran.
 Logika fuzzy dapat digunakan dalam bidang teori kontrol, teori keputusan, dan
beberapa bagian dalam managemen sains. Kelebihan dari logika fuzzy adalah mampu
dalam proses penalaran secara bahasa (linguistic reasoning), sehingga dalam
perancangannya tidak perlu lagi persamaan matematik dari objek yang dikendalikan.
Logika fuzzy umumnya diterapkan pada masalah-masalah yang mengandung
unsur ketidakpastian (uncertainty), ketidaktepatan (imprecise), noisy, dan sebagainya.
Logika fuzzy menjembatani bahasa mesin yang presisi dengan bahasa manusia yang
menekankan pada makna atau arti (significance). Logika fuzzy dikembangkan
berdasarkan bahasa manusia (bahasa alami).
Sistem fuzzy secara umum terdapat 5 langkah dalam melakukan penalaran,
yaitu:
1. Memasukkan input fuzzy.
2. Mengaplikasikan operator fuzy.
3. Mengaplikasikan metode implikasi.
4. Komposisi semua output.
5. Defuzifikasi.

3. RANCANGAN SISTEM APLIKASI

Dalam pengering lada, aplikasi logika fuzzy melakukan proses mengubah input
yang terdiri dari volum dan kelembapan sehingga mendapatkan output berupa suhu
yang digunakan untuk mengeringkan lada. Parameter yang telah dimasukkan kemudian
disesuaikan dengan range keanggotaan pada variabel volum dan kelembapan untuk
memperoleh parameter suhu. Dalam pengering lada ini digunakan metode Mamdani
atau sering juga dikenal dnegan nama metode min-max. Dalam metode ini, setiap
aturan yang ditetapkan berbentuk implikasi (sebab-akibat) anteseden yang berbentuk
konjungsi “AND” mempunyai keanggotaan berbentuk minimum (min), sedangkan
konsekuen gabungannya berbentuk maksimum (max). Jadi, dalam tahapan-tahapan
untuk membangun logika fuzzy ini meliputi fuzzifikasi, basis pengetahuan, mesin
inferensi, dan defuzzifikasi.
 Dari tahapan-tahapan yang telah dijelaskan maka blok diagram yang dapat disusun
adalah sebagai berikut :

Input : Volum Mesin

dan Kelembapan Fuzzyfikasi Defuzzyfikasi Output : Suhu
Inferensi

Basis Pengetahuan Fuzzy

Dari variabel yang ada dapat tersusun domain himpunan fuzzy. Berdasarkan domain
tersebut dapat ditentukan fungsi keanggotaan dari variabel yang terbentuk. Berikut
adalah himpunan fuzzy beserta fungsi keanggotaan dari variabel input volum dan
kelembapan serta output suhu yaitu :
➢ Input Volum

Untuk variabel input volum memiliki tiga kriteria fuzzy yaitu :

1; jika x < 0
• ( )
𝜇 𝑆𝑒𝑑𝑖𝑘𝑖𝑡 = { (5-x)/(5-0); jika 0 ≤ x ≤ 5
0; lainnya
0; jika x < 3
(x - 3)/(9-3); jika 3≤x≤9
• 𝜇 (Sedang) = {(15 - x)/(15-9); jika 9≤x≤15
1; lainnya

0; jika x < 12
• 𝜇 (Banyak) = {(x - 12)/(20 − 12); 𝑗𝑖𝑘𝑎 12 ≤ 𝑥 ≤ 20
1; lainnya
➢ Input Kelembapan

Untuk variabel input volum memiliki tiga kriteria fuzzy yaitu :

1; jika x < 0
• 𝜇 (Sangat Kering) = {(14-x)/(14-0); jika 0 ≤ x ≤ 14
0; lainnya
0; jika x < 9
(x - 9)/(22-9); jika 9≤x≤22
• 𝜇 (Kering) = {(35 - x)/(35-22); jika 22≤x≤35
1; lainnya
0; jika x < 30
(x - 30)/(48-30); jika 30≤x≤48
• 𝜇 (Lembap) = {(65 - x)/(65 - 48); jika 48≤x≤65
1; lainnya

0; jika x < 60
• 𝜇 (Basah) = {(x - 60)/(90 − 60); 𝑗𝑖𝑘𝑎 60 ≤ 𝑥 ≤ 90
1; lainnya

➢ Output Suhu

Untuk variabel input volum memiliki tiga kriteria fuzzy yaitu :

1; jika x < 0
• 𝜇 (Dingin) = {(35-x)/(35-0); jika 0 ≤ x ≤ 35
0; lainnya
0; jika x < 25
(x - 25)/(50-25); jika 25≤x≤50
• 𝜇 (Sedang) = {(75 - x)/(75 - 50); jika 50≤x≤75
1; lainnya
 0; jika x < 60
• 𝜇 (Panas) = {(x - 60)/(100 − 60); 𝑗𝑖𝑘𝑎 60 ≤ 𝑥 ≤ 100
1; lainnya

Setelah fuzzifikasi, maka dilakukan pembentukan pengetahuan fuzzy berupa

aturan atau rules. Aturan-aturan ini dibentuk untuk menyatakan relasi antara input dan
output. Tiap aturan merupakan suatu implikasi. Operator yang digunakan untuk
menghubungkan antara dua input adalah operator “AND” dan yang memetakan antara
input-output adalah IF-THEN. Proposisi yang mengikuti IF disebut anteseden,
sedangkan proposisi yang mengikuti THEN disebut konsekuen, maka dapat dibentuk
aturan-aturan. Aturan atau rules yang dibentuk sebagai basis pengetahuan disini antara
lain :

4. HASIL DAN ANALISIS

Setelah aturan dibentuk, maka dilakukan pada mesin inferensi memproses
aplikasi fungsi implikasi. Pada metode Mamdani, fungsi implikasi yang digunakan
adalah MIN, yang berarti tingkat keanggotaan yang didapat sebagai konsekuen dari
proses ini adalah nilai minimum dari variabel volum dan kelembapan sehingga
didapatkan daerah fuzzy pada variabel suhu untuk masing-masing aturan. Percobaan
dilakukan sebanyak enam kali dengan memberikan nilai input yang berbeda dan juga
didapatkan hasil dengan rincian di bawah ini.
1. Data ke-1

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝜇𝑉𝑜𝑙𝑢𝑚𝑆𝑒𝑑𝑖𝑘𝑖𝑡 ∩ 𝐾𝑒𝑙𝑒𝑚𝑏𝑎𝑝𝑎𝑛𝐾𝑒𝑟𝑖𝑛𝑔

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝑚𝑖𝑛(7 ∩ 33)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝑚𝑖𝑛(0,67 ∶ 0,153)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 0,153

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡2 = 𝜇𝑉𝑜𝑙𝑢𝑚𝑆𝑒𝑑𝑖𝑘𝑖𝑡 ∩ 𝐾𝑒𝑙𝑒𝑚𝑏𝑎𝑝𝑎𝑛Lembab

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡2 = 𝑚𝑖𝑛(7 ∩ 33)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡2 = 𝑚𝑖𝑛(0,67 ∶ 0,167)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡2 = 0,167

Maka, fungsi keanggotaan untuk hasil komposisi ini adalah :

𝜇[x] = 0,153 0 ≤ x ≤ 35
0,167 25 ≤ x ≤ 75
Sehingga diperoleh perhitungan dengan metode centroid untuk predikat 1 :
b
∫a 𝑧. 𝜇 (𝑧)𝑑𝑍
Zo = b
∫a 𝜇 (𝑧)𝑑𝑍
35 75
∫0 0,153 z dZ + ∫25 0,167 z dZ
Zo = 35 75
∫0 0,153dZ + ∫25 0,167dZ
Zo = 37,3
2. Data ke-2

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝜇𝑉𝑜𝑙𝑢𝑚𝑆𝑒𝑑ang ∩ 𝐾𝑒𝑙𝑒𝑚𝑏𝑎𝑝𝑎𝑛Basah

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝑚𝑖𝑛(12 ∩ 75)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝑚𝑖𝑛(0,5 ∶ 0,5)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 0,5

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡2 = 𝜇𝑉𝑜𝑙𝑢𝑚Banyak ∩ 𝐾𝑒𝑙𝑒𝑚𝑏𝑎𝑝𝑎𝑛Basah

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡2 = 𝑚𝑖𝑛(12 ∩ 75)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡2 = 𝑚𝑖𝑛(0 ∶ 0,5)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡2 = 0

Maka, fungsi keanggotaan untuk hasil komposisi ini adalah :

𝜇[x] = 0 60 ≤ x ≤ 100
0,5 60 ≤ x ≤ 100
Sehingga diperoleh perhitungan dengan metode centroid untuk predikat 1 :
b
∫a 𝑧. 𝜇 (𝑧)𝑑𝑍
Zo = b
∫a 𝜇(𝑧)𝑑𝑍
100 100
∫60 0 z dZ + ∫60 0,5 z dZ
Zo = 100 100
∫60 0dZ + ∫60 0,5dZ
Zo = 80
3. Data ke-3

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝜇𝑉𝑜𝑙𝑢𝑚Banyak ∩ 𝐾𝑒𝑙𝑒𝑚𝑏𝑎𝑝𝑎𝑛𝐾𝑒𝑟𝑖𝑛𝑔

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝑚𝑖𝑛(20 ∩ 22)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝑚𝑖𝑛(1 ∶ 1)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 1
Maka, fungsi keanggotaan untuk hasil komposisi ini adalah :
𝜇[x] = 1 0 ≤ x ≤ 35

Sehingga diperoleh perhitungan dengan metode centroid untuk predikat 1 :

b
∫a 𝑧. 𝜇(𝑧)𝑑𝑍
Zo = b
∫a 𝜇(𝑧)𝑑𝑍
35
∫0 1 z dZ
Zo = 35
∫0 1dZ
Zo = 17,5
4. Data ke-4

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝜇𝑉𝑜𝑙𝑢𝑚𝑆𝑒𝑑𝑖𝑘𝑖𝑡 ∩ 𝐾𝑒𝑙𝑒𝑚𝑏𝑎𝑝𝑎𝑛Basah

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝑚𝑖𝑛(20 ∩ 79)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝑚𝑖𝑛(1 ∶ 0,63)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 0,63
Maka, fungsi keanggotaan untuk hasil komposisi ini adalah :
𝜇[x] = 0,63 60 ≤ x ≤ 100

Sehingga diperoleh perhitungan dengan metode centroid untuk predikat 1 :

b
∫a 𝑧. 𝜇 (𝑧)𝑑𝑍
Zo = b
∫a 𝜇 (𝑧)𝑑𝑍
100
∫60 0,63 z dZ
Zo = 100
∫60 0,63dZ
Zo = 80
5. Data ke-5

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝜇𝑉𝑜𝑙𝑢𝑚𝑆𝑒𝑑𝑖𝑘𝑖𝑡 ∩ 𝐾𝑒𝑙𝑒𝑚𝑏𝑎𝑝𝑎𝑛Lembap

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝑚𝑖𝑛(2 ∩ 65)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝑚𝑖𝑛(0,6 ∶ 1)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 0,6

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡2 = 𝜇𝑉𝑜𝑙𝑢𝑚𝑆𝑒𝑑𝑖𝑘𝑖𝑡 ∩ 𝐾𝑒𝑙𝑒𝑚𝑏𝑎𝑝𝑎𝑛Basah

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡2 = 𝑚𝑖𝑛(2 ∩ 65)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡2 = 𝑚𝑖𝑛(0,6 ∶ 0,167)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡2 = 0,167
Maka, fungsi keanggotaan untuk hasil komposisi ini adalah :
𝜇[x] = 0,167 25 ≤ x ≤ 75
0,6 60 ≤ x ≤ 100
Sehingga diperoleh perhitungan dengan metode centroid untuk predikat 1 :
b
∫a 𝑧. 𝜇 (𝑧)𝑑𝑍
Zo = b
∫a 𝜇 (𝑧)𝑑𝑍
75 100
∫25 0,167 z dZ + ∫60 0,6 z dZ
Zo = 75 100
∫25 0,167 dZ + ∫60 0,6 dZ
Zo = 72,25
6. Data ke-6

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝜇𝑉𝑜𝑙𝑢𝑚Banyak ∩ 𝐾𝑒𝑙𝑒𝑚𝑏𝑎𝑝𝑎𝑛Basah

∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝑚𝑖𝑛(16 ∩ 55)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 𝑚𝑖𝑛(0,5 ∶ 0,58)
∝ _p𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 = 0,5
Maka, fungsi keanggotaan untuk hasil komposisi ini adalah :
𝜇[x] = 0,5 60 ≤ x ≤ 100

Sehingga diperoleh perhitungan dengan metode centroid untuk predikat 1 :

b
∫a 𝑧. 𝜇 (𝑧)𝑑𝑍
Zo = b
∫a 𝜇(𝑧)𝑑𝑍
100
∫60 0,5 z dZ
Zo = 100
∫60 0,5dZ
Zo = 80
Dari variabel input yang telah diinputkan di program matlab maka
secara otomatis hasil output akan tampil. Kemudian dilakukan perhitungan
manual sebagai perbandingan. Tampak pada hasil diatas bahwa perhitungan
manual dan hasil yang didapatkan di matlab sedikit berbeda. Hal ini bisa saja
dikarenakan pembacaan grafik yang kurang teliti berbeda dengan matlab yang
secara teliti membaca angka pada grafik. Namun, hasil-hasil yang didapatkan
pada perhitungan manual dengan data yang didapatkan di matlab masih sesuai
dalam range output yang sudah ditentukan sehingga hasilnya sudah sesuai
 dengan aturan yang ditentukan. Galat yang terjadi pada penghitungan ini masih
tidak terlalu jauh dengan data yang didapatkan dimatlab. Sistem pengering lada
ini dinilai sudah cukup efektif tetapi masih perlu penyempurnaan untuk
aturannya sendiri dan tingkat ketelitian range yang digunakan.
5. KESIMPULAN
Implementasi logika fuzzy dapat diaplikasikan dengan baik pada pengering
lada, dimana alat pengering bisa menurunkan kelembapan lada dengan mengambil
input volum dan kelembapan. Dengan menggunakan tools–tools yang ada pada aplikasi
matlab perhitungan logika fuzzy menjadi lebih mudah dan hasil yang didapatkan lebih
akurat dan sesuai. Kesesuaian hasil penghitungan manual dan simulasi pada matlab
masih terdapat selisih yang tidak begitu jauh yang telah dijelaskan di pembahasan dan
analisis, tetapi masih termasuk ke dalam range output yang sudah ditentukan dalam
aturan-aturan yang dibentuk.
6. DAFTAR PUSTAKA
Hari Purnomo Sri Kusumadewi, Aplikasi Logika Fuzzy Untuk Pendukung Keputusan,
1st ed., Sri Kusumadewi, Ed. Yogyakarta,Indonesia: Graha Ilmu, 2004.
Galih, Salman. (2012) Pemodelan Dasar Fuzzy.
[Online].https://socs.binus.ac.id/2012/03/02/pemodelan-dasar-sistem-fuzzy/
Aprianda, Atiqah Gunawarman. (2017) Penerapan Logika Fuzzy Pada Alat Pengering
Lada Otomatis Berbasis Mikrokontroler DHT-22.
[Online].https://journal.uhamka.ac.id/index.php/teknoka/article/view/767
Pertanianku. (2018) Cara Paling Tepat Mengeringkan Biji
Lada.[Online].https://www.pertanianku.com/cara-paling-tepat-mengeringkan-biji-
lada/