1.

4 Data Hasil Percobaan

Tabel.1 Hasil Percobaan 1.1

𝒙𝟏 𝒙𝟐 𝒙𝟑 𝒇(𝒙)
9.7763 9.2285 13.2173 -83.3382

Tabel.2 Hasil Percobaan 1.2

𝒙𝟏 𝒙𝟐 𝒙𝟑 𝒇(𝒙)
9.9118 9.2353 13.3824 -83.3971

Gambar Grafik Sinyal

1.5 Analisa Perhitungan

Diketahui : Percobaan 1.1 : 𝑥1 = 9.7763 , 𝑥2 = 9.2285 , 𝑥3 = 13.2173

Percobaan 1.2 : 𝑥1 = 9.9118 , 𝑥2 = 9.2353 , 𝑥3 = 13.3824

Rumus persamaan :
𝑓(𝑥) = 3𝑥1 2 + 4𝑥2 2 + 2𝑥3 2 − 3𝑥1 𝑥2 − 2𝑥1 𝑥3 − 3𝑥2 𝑥3 − 5𝑥1 − 4𝑥2 − 6𝑥3

Ditanya : 𝑓(𝑥) = ?

Penyelesaian :
 Mencari determinan A
Dengan batas → 0 ≤ 𝑥1 , 𝑥2 , 𝑥3 ≤ 15
6𝑥1 −3𝑥2 −2𝑥3 −5
𝑓(𝑥) = [8𝑥2 −3𝑥1 −3𝑥3 −4]
4𝑥3 −2𝑥1 −3𝑥2 −6
6𝑥1 −3𝑥2 −2𝑥3 −5
= [−3𝑥1 8𝑥2 −3𝑥3 −4]
−2𝑥1 −3𝑥2 4𝑥3 −6
6 −3 −2 𝑥1 5
= [−3 8 −3] [𝑥2 ] = [4]
−2 −3 4 𝑥3 6
−1 𝑥1
6 −3 −2 5
[−3 8 𝑥
−3] [4] = [ 2 ]
−2 −3 4 6 𝑥3
𝐴−1 𝐵 𝐶
1
𝐴−1 = 𝑑𝑒𝑡𝐴 𝑎𝑑𝑗(𝐴)
6 −3 −2 6 −3
𝐴 = [−3 8 −3] −3 8
−2 −3 4 −2 −3
𝑑𝑒𝑡𝐴 = [(6.8.4) + (−3. −3. −2) + (−2. −3. −3)]
− [(−2.8. −2) + (6. −3. −3) + (−3. −3.4)]
= [192 − 18 − 18] − [32 + 54 + 36] = 34
 Mencari Adj (A)
𝑀11 𝑀12 𝑀13
𝑘𝑜𝑓(𝐴) = (𝑀21 𝑀22 𝑀23 )
𝑀31 𝑀32 𝑀33
8 −3 −3 −3 −3 8
| | −| | | |
−3 4 −2 4 −2 −3
−3−2 6 −2 6 −3
= −| | | | −| |
−3 4 −2 4 −2 −3
−3−2 6 −2 6 −3
( |8 −3
| −|
−3 −3
| | |
−3 8 )
23 18 25
= (18 20 24)
25 24 39
23 18 25
𝑎𝑑𝑗(𝐴) = (𝑘𝑜𝑓(𝐴))𝑇 = (18 20 24)
25 24 39

 Mencari invers dan kofaktor A

23 18 25
23 18 25 34 34 34
−1 1 1 18 20 24
𝐴 = 𝑑𝑒𝑡𝐴 𝑎𝑑𝑗(𝐴) = 34 (18 20 24) = 34 34 34
25 24 39 25 24 39
(34 34 34)

 Mencari variable 𝑥1 , 𝑥2 𝑑𝑎𝑛 𝑥3

23 18 25
𝑥1 34 34 34 5
18 20 24
[𝑥2 ] = 34 34 34
[4]
𝑥3 25 24 39 6
(34 34 34)

23 18 25
× 5 + 34 × 4 + 34 × 6
34 3,38 + 2,12 + 4,41 9,91
18 20 24
= × 5 + 34 × 4 + 34 × 6 = (2,65 + 2,35 + 4,24) = ( 9,24 )
34
25 24 39 3,68 + 2,82 + 6,88 13,38
× 5 + 34 × 4 + 34 × 6
(34 )

 Memasukkan nilai variable 𝑥1 , 𝑥2 𝑑𝑎𝑛 𝑥3 pada persamaan

𝑓(𝑥) = 3𝑥1 2 + 4𝑥2 2 + 2𝑥3 2 − 3𝑥1 𝑥2 − 2𝑥1 𝑥3 − 3𝑥2 𝑥3 − 5𝑥1 − 4𝑥2 − 6𝑥3
𝑓(𝑥) = 3 × 9,912 + 4 × 9,242 + 2 × 13,382 − 3 × 9,91 × 9,24 − 2 ×
9,91 × 13,38 − 3 × 9,24 × 13,38 − 5 × 9,91 − 4 × 9,24 − 6 ×
13,38
𝑓(𝑥) = 294,62 + 341,51 + 358,05 − 274,71 − 265,19 − 370,89 −
49,55 − 36,96 − 80,28
𝒇(𝒙) = −𝟖𝟑, 𝟒
1.6 Analisa Data

Particle Swarm Optimazation atau PSO adalah teknik optimisasi stokastik

berbasis populasi yang dikembangkan oleh Dr. Eberhart dan Dr. Kennedy pada
tahun 1995, terinspirasi oleh perilaku sosial burung, dan atau ikan. Perangkat lunak
yang dibangun memiliki tujuan untuk menganalisis tingkat efektivitas yang
diciptakan pada proses analisis cluster menggunakan algoritma Particle Swarm
Optimization. [1]
Fungsi dari PSO adalah untuk mencari suatu nilai pengoptimalan dari suatu
permasalahan dengan mencari nilai yang paling optimal atau yang terbaik.
Pengaplikasian PSO biasanya digunakan untuk penjadwalan suatu pembangkit
listrik agar bekerja secara optimal dan seimbang.
Berikut adalah penjelasana terkait listing dari program Fitness adalah
sebagai berikut:
function f=fitness(x)
a=3*(x(1,1))^2+4*(x(1,2))^2+2*(x(1,3))^2;
b=-3*x(1,1)*x(1,2)-2*x(1,1)*x(1,3)-3*x(1,2)*x(1,3);
c=-5*x(1,1)-4*x(1,2)-6*x(1,3);
f=a+b+c;
end
Program tersebut merupakan listing program fitness yang berfungsi untuk
mengukur dan mencari variable yang terbaik. Dalam program tersebut terdapat
persaamaan untuk mencari nilai a, b dan c dan terdapat rumus dari fitness yaitu f =
a+b+c.
Sedangkan untuk listing program PSO adalah sebagai berikut :
%%Inisialisasi PSO%%
jumlah_particle=20;%%20-30 particle
D=3;
batas_atas=15;
batas_bawah=0;
x=(batas_atas-batas_bawah).*rand(jumlah_particle,D)...

[1] Ulfah, Siti Khalishah. "Pengelompokan dokumen berbasis PSO." Universitas

Katolik Parahyangan, (2019).
 +repmat(batas_bawah,jumlah_particle,D)
v=zeros(jumlah_particle,D)
P=zeros(jumlah_particle,D)

Program diatas digunakan untuk menentukan algoritma PSO yang berfungsi

untuk menentukan pengoptimalan yang terbaik. Jumlah partikel PSO dalam listing
tersebut berjumlah 20 partikel serta batas atas bernilai 15 dan batas bawahnya
bernilai 0. Sedangkan untuk nilai literasi maksimalnya adalah sebesar Max_Iter =
10000.
Berikut adalah persamaan program PSO didalam listing program :

x=(batas_atas-batas_bawah).*rand(jumlah_particle,D)+
repmat(batas_bawah,jumlah_particle,D)
v=zeros(jumlah_particle,D)
P=zeros(jumlah_particle,D)
f=zeros(jumlah_particle,1)

Cara kerja dari listimg tersebut adalah mencari nilai optimal pada waktu
tertentu. Ketika waktu dimasukan nilai max_Iter menjadi 50, Grafik pada Matlab
akan berubah-berubah secara terus menerus saat dijalankan dan nilainya tidak
optimal. Sedangkan jika max_Iter nya di inputkan sebesar 10000 maka grafiknya
akan stabil dan optimal. Dan Batasan dari max_Iter sebesar 10000 batasannya antra
0.4 – 0.9 , jadi kalau missal persaan di v(i,d) nya di kali kan 0.4-0.9 akan berubah
nilai X1, X2, X3 nya.
1.7 Kesimpulan

Berdasarkan hasil praktikum diatas maka dapat kita simpulkan bahwa :

2.4 Data Hasil Percobaan

Tabel 2.5 Data Hasil Percobaan 1 Ketika Lamdha 0,4.

Input Neuron
Arah Angin Suhu Kelembaban Tekanan Udara y
(X1) (X2) (X3) (X4)
-1 1 -1 1 0.2378
0 0 0 0 0.5082
1 0 1 0 0.7575
1 -1 1 -1 0.9640

Tabel 2.6 Data Hasil Percobaan 2 Ketika Lamdha 0,6.

Input Neuron
C/B/
Arah Angin Suhu Kelembaban Tekanan Udara y
H/HL
(X1) (X2) (X3) (X4)
0 1 -1 1 0.2499 C
1 0 0 0 0.5025 H
0 0 1 0 0.7549 HL
1 1 1 0 0.9669 HL
Grafik 2.1 Lamdha 0.4

Grafik 2.2 Lamdha 0.6

 2.5 Analisa Data

ANN atau Artificial Neural Network ANNs pada dasarnya meruapakan

komputasi paralel besar model yang meniru fungsi otak manusia. Sebuah ANN
terdiri dari sejumlah besar prosesor sederhana yang dihubungkan oleh koneksi
tertimbang. Dengan analogi, node pemrosesan bisa disebut "neuron". Setiap output
node hanya bergantung pada informasi yang tersedia secara lokal di node, baik
disimpan secara internal atau tiba melalui koneksi tertimbang. Setiap unit menerima
input dari banyak node lain mentransmisikan output ke node lain.[2]
Biasanya untuk penggunaan Algoritma ANN ini digunakan untuk
pengolahan data terkait dengan analisa kecepatan, intensitas noise, maupun
perkiraan cuaca.
Sedangkan untuk pengertian backpropagation merupakan arsitektur
jaringan saraf tiruan untuk mempelajari dan menganalisis pola data yang sudah
terjadi di masa lalu. Tujuannya adalah untuk memperoleh keluaran yang akurat dan
meminimalisir terjadinya kesalahan atau error.
Pada percobaan diatas, terdapat beberapa inputan yang terdiri dari arah
angin, suhu, kelembaban, dan tekanan udara sedangkan untuk outputannya hanya
satu yaitu keadaan cuaca. Untuk parameter ouputan tersebut ada 4 yaitu cerah (C),
berawan (B), hujan (H), dan hujan lebat (HL).
Kemudian untuk batas data input diberi ketentuan sebagai berikut :
1. Arah angin (X1), jika nilai variabelnya <150 maka bernilai -1, jika nilai
variablenya sebesar 150-200 maka bernilai 0 dan jika >200 maka bernilai 1.
2. Suhu (X2), jika nilai variabelnya jika <26 maka bernilai -1, jika nilai
variablenya 26-29 maka bernilai 0 dan jika >29 maka bernilai 1.
3. Kelembapan (X3), jika nilai variabelnya <70% maka bernilai -1, jika 70%-
85% maka bernilai 0, dan jika >85% maka bernilai 1.
4. Tekanan (X4), jika nilai variabelnya jika <1007 maka bernilai -1, jika 1007-
1010 maka bernilai 0, dan jika >1010 maka bernilai 1.

[2] Dongare, A. D., Kharde, R. R., & Kachare, A. D. (2012). Introduction to artificial
neural network. International Journal of Engineering and Innovative Technology
(IJEIT), 2(1), 189-194.
 Kemudian untuk batas data output diberi ketentuan sebagai berikut :
1. Ketika keadaan cuaca (yt) outputannya bernilai 0 – 0,25 maka termasuk
Cerah.
2. Ketika keadaan cuaca (yt) outputannya bernilai 0,25 – 0,5 maka termasuk
Berawan.
3. Ketika keadaan cuaca (yt) outputannya bernilai 0,5 – 0,75 maka termausk
Hujan.
4. Ketika keadaan cuaca (yt) outputannya bernilai 0,75 – 1 maka termasuk
Hujan lebat.
Berdasarkan data ketentuan diatas, selanjutnya adalah menggabungkan nilai
input dan ouput tersebut menjadi data training. Ketika inputan arah angin, suhu,
kelembaban, dan tekanan udara jika bernilai (-1 1 -1 1) maka outputnya sebesar
0,25. Jika inputannya bernilai (0 0 0 0) maka maka outputnya sebesar 0,5. Jika
inputannya bernilai (1 0 1 0) maka maka outputnya sebesar 0,75. Jika inputannya
bernilai (1 -1 1 -1) maka maka outputnya sebesar 1.
Kemudian berdasarkan nilai parameter tersebut akan di minputkan ke dalam
listing program dengan jumlah maksimal iterasi sebesar 10000 serta terdapat
lamdha yang dapat diatur. Pada percobaan kali ini nilai lamdha bernilai 0,4 dan 0,6.
Lamdha itu sendiri mempengaruhi terhadap grafik keluaran dari nilai yt atau
keadaan cuaca tersebut.
Berdasarkan hasil percobaan pertama ketika lamdha sebesar 0,4, maka
didapatkan nilai yt atau keadaan cuaca adalah sebagai berikut:
1. Ketika input bernilai (-1 1 -1 1) maka outputnya bernilai 0,2378 sehingga
dalam kategori cerah (C).
2. Ketika input bernilai (0 0 0 0) outputnya bernilai 0,5082 sehingga dalam
kategori hujan (H).
3. Ketika input bernilai (1 0 1 0) outputnya bernilai 0,7575 sehingga dalam
kategori hujan lebat (HL).
4. Ketika input bernilai (1 -1 1 -1) maka outputnya bernilai 0,9640 sehingga
termasuk kategori hujan lebat (HL).
 Berdasarkan hasil percobaan kedua ketika nilai lamda sebesar 0,6, maka
didapatkan nilai yt atau keadaan cuaca adalah sebagai berikut:
1. Ketika input bernilai (0 1 -1 1) outputnya bernilai 0,2499 sehingga dalam
kategori cerah (C).
2. Ketika input bernilai (1 0 0 0) outputnya bernilai 0,5025 sehingga dalam
kategori hujan (H).
3. Ketika input bernilai (0 0 1 0) outputnya bernilai 0,7549 sehingga dalam
kategori hujan lebat (HL).
4. Ketika input bernilai (1 1 1 0) outputnya bernilai 0,9669 sehingga dalam
kategori hujan lebat (HL).
Sehingga berdasarkan hasil dari percobaan pertama dan kedua tersebut
sama-sama memiliki ouputan dengan kondisi keadaan cuaca yang sama.
2.6 Kesimpulan

Berdasarkan hasil praktikum diatas maka dapat kita simpulkan bahwa :

3.5 Data Hasil Percobaan

Grafik 3.1 Output Scope Error 0.1

Grafik 3.2 Output Scope Delta Error 0.1

 Grafik 3.3 Output Scope Sinyal Control 0.1

Grafik 3.4 Output Scope Kecepatan Angular 0.1

 Grafik 3.5 Output Scope Error 0.5

Grafik 3.6 Output Scope Delta Error 0.5

 Grafik 3.7 Output Scope Sinyal Control 0.5

Grafik 3.8 Output Scope Kecepatan Angular 0.5

3.6 Analisa Data

Dalam bahasa inggris, fuzzy mempunyai arti kabur atau tidak jelas. Jadi,
logika fuzzy adalah logika yang kabur, atau mengandung unsur ketidakpastian.
Pada logika biasa, yaitu logika tegas, kita hanya mengenal dua nilai, salah atau
benar, 0 atau 1. Sedangkan logika fuzzy mengenal nilai antara benar dan salah.
Kebenaran dalam logika fuzzy dapat dinyatakan dalam derajat kebenaran yang
nilainya antara 0 sampai 1. [3]
Sementara itu, dalam pengaplikasiannya, logika fuzzy juga memiliki
beberapa kelebihan, antara lain sebagai berikut :
 Daya gunanya dianggap lebih baik daripada teknik kendali yang pernah ada.
 Pengendali fuzzy terkenal karena keandalannya.
 Mudah diperbaiki.
 Pengendali fuzzy memberikan pengendalian yang sangat baik dibandingkan
teknik lain
 Usaha dan dana yang dibutuhkan kecil.[4]
Fuzzifikasi merupakan proses pengelompokkan suatu nilai pada variable
input ke dalam fuzzy set atau himpunan fuzzy. Input pada fuzzy bisa terdiri dari
banyak variable, dimana pada masing masing variable akan digolongkan pada
masing masing himpunan fuzzy.
Berikut adalah listing program fuzzifikasi :
function xf=fuzzifikasi(x,b_mf)
xf=[0,0,0,0,0];
mf=[b_mf(1),b_mf(2),b_mf(3),b_mf(4),b_mf(5)];
if (x <=mf(1))
xf(1)=1;
elseif (mf(1)< x && x<=mf(2))
xf(1)=(mf(2)-x)/(mf(2)-mf(1));
xf(2)=(x-mf(1))/(mf(2)-mf(1));
elseif (mf(2)< x && x<=mf(3))
xf(2)=(mf(3)-x)/(mf(3)-mf(2));
[3] Saelan, A. (2009). Logika Fuzzy. Program Studi Teknik Informatika, Sekolah Teknik
Elektro dan Informatika. Institut tekologi Bandung.
[4] Teknologi Sistem Fuzzy, http://elektroindonesia.com/elektro/no6b.html. Desember 2009
 xf(3)=(x-mf(2))/(mf(3)-mf(2));
elseif (mf(3)< x && x<=mf(4))
xf(3)=(mf(4)-x)/(mf(4)-mf(3));
xf(4)=(x-mf(3))/(mf(4)-mf(3));
elseif (mf(4)< x && x<=mf(5))
xf(4)=(mf(5)-x)/(mf(5)-mf(4));
xf(5)=(x-mf(4))/(mf(5)-mf(4));
elseif x >= mf(5)
xf(5)=1;
end
end
Infuzz menyatakan hubungan kejadian yang ada pada input fuzzy dengan
keputusan apa yang ada pada output fuzzy. Hubungan tersebut dapat dinyatakan
dengan hubungan “jika” “maka” atau “if” “then. Listing infuzz digunakan untuk
mencari nilai nilai / outputan yang di inginkan sesuai yang di inputkan tadi di
fuzzifikasinya. Dan di listing program infuzz ini ada batasan nilai j yaitu sebesar 1
sampai 5. Dan nilai k=rbf(i,j) dan rumus dari persaam uU(k)=
max(uU(k),min(uE(i),uDE(j)));
Defuzzifikasi adalah bagian terakhir dari system fuzzy yang digunakan
untuk menghitung besar nilai nyata berdasarkan hasil perhitungan infrensi. Listing
program yang terdapat pada defuzzifikasi yaitu :

function u=defuzzifikasi(in)
uU=[in(1),in(2),in(3),in(4),in(5)];
B=[-24,-12,0,12,24];
num=B(1)*uU(1)+B(2)*uU(2)+B(3)*uU(3)+B(4)*uU(4)+B(5)*uU(5);
denum=uU(1)+uU(2)+uU(3)+uU(4)+uU(5);
u=num/denum;
end
3.7 Kesimpulan

Berdasarkan hasil praktikum diatas maka dapat kita simpulkan bahwa :