TUGAS AKHIR

PENERAPAN METODE FUZZY INFERENCE SYSTEM

MAMDANI UNTUK MENENTUKAN WAKTU PUTAR MESIN
CUCI STUDI KASUS RUMAH LAUNDRY

Disusun dalam Memenuhi

Syarat Guna Memperoleh Gelar Sarjana Teknik (S1)
Jurusan Teknik Elektro Fakultas Teknik
Universitas Semarang

JOKO RUKACANA
C.431.16.0057

JURUSAN TEKNIK ELEKTRO

FAKULTAS TEKNIK
UNIVERSITAS SEMARANG
SEMARANG
2021
ii
iii
iv
 ABSTRAK

Pekerjaan mencuci baju sering dianggap salah satu pekerjaan berat dalam
rumah tangga. Mesin cuci adalah alat pembantu untuk meringankan pekerjaan
mencuci pakaian. Banyak orang yang merasa tertolong dengan hadirnya mesin ini,
alat ini hanya memutar air dengan agitator dengan kecepatan tertentu untuk
melepaskan kotoran yang menempel di pakaian dengan bantuan deterjen. Untuk
mendesain mesin cuci yang efisien, maka perlu adanya pengendalian parameter
output berdasarkan karakteristik input. Salah satu faktor penting yang perlu
dipertimbangkan dalam desain sebuah mesin cuci adalah waktu, karena berbagai
jenis kain membutuhkan waktu cuci yang berbeda bergantung pada tingkat
kekotoran, beban pakaian, takaran detergen dan lain-lain.
Dalam penelitian ini sebagai variabel bebasnya adalah jenis kain, beban
pakaian, tingkat kekotoran, beban pakaian, takaran detergen dan takaraan air,
sedangkan sebagai variabel tak bebasnya atau nilai yang dicari adalah kecepatan
putaran dan waktu pencucian. Variabel bebas jenis pakaian diasumsikan dengan
fungsi keanggotaan tebal, sedang dan tipis, dan beban pakaian diasumsikan
dengan fungsi keanggotaan sedikit, sedang, dan banyak dan tingkat kekotoran
diasumsikan dengan fungsi keanggotaan ringan, sedang, berat, dan takaran
detergen diasumsikan dengan fungsi keanggotaan sedikit, sedang, dan banyak,
dan takaran air diasumsikan dengan fungsi keanggotaan sedikit, sedang, dan
banyak, sedangkan untuk variabel tak bebas RPM diasumsikan fungsi
keanggotaan adalah lama, cepat dan sangat cepat, sedangkan waktu pencucian
diasumsikan fungsi keanggotaan adalah cepat, sedang, dan lama. Aturan fuzzy
yang digunakan ada 125 aturan, dimana hasil yang diharapkan dapat membuat
kinerja mesin cuci lebih efektif guna mendapatkan pengurangan konsumsi energi
listrik.

Kata Kunci : logika fuzzy, matlab, waktu putar, metode mamdani.

iv
 ABSTRACT

Washing clothes is often seen as one of the toughest household chores. The
washing machine makes laundry easier. Many people feel supported by the
presence of this machine. This tool only turns the water with a stirrer at a certain
speed in order to remove dirt stuck to clothing with the help of cleaning agents. In
order to develop an efficient washing machine, the output parameters must be
controlled based on the input properties. One of the important factors to consider
when designing a washing machine is time, as different types of fabrics require
different washing times, depending on the degree of soiling, the load on the
clothes, the dose of detergent, etc.
In this study, the independent variables are the type of fabric, the load on
the clothes, the degree of soiling, the load on the clothes, the detergent dose and
the amount of water, while the dependent variables or values looked for are the
rotation speed and washing time. The independent variable clothing type is
assumed with the membership function of thick, medium and thin, and the load of
clothes is assumed with an membership function of small, medium and large, and
the degree of pollution is assumed with the membership function of light, medium,
weight and detergent dose assumed to have a membership function of little,
medium and high, and the water dose is assumed to have a membership function
of low, medium and high, while that of the dependent variable speed is believed to
be the Membership function is long, fast and very fast, while washing time is
assumed to be fast, medium and long. It uses 125 fuzzy rules where the expected
results can make the washing machine more effective at reducing power
consumption.

Keywords : fuzzy logic, matlab, play time, mamdani method.

v
 KATA PENGANTAR

Dengan mengucap segala puji syukur kehadirat Allah SWT atas segala
rahmat, karunia dan hidayah-Nya, penulis diberi kekuatan untuk menyelesaikan
Tugas Akhir ini. Sehingga penulis dapat menyelesaikan penyususnan Tugas
Akhir, yang berjudul :
PENERAPAN METODE FUZZY INFERENCE SYSTEM MAMDANI
UNTUK MENENTUKAN WAKTU PUTAR MESIN CUCI STUDI KASUS
RUMAH LAUNDRY
Penulisan Tugas Akhir ini dimaksudkan guna mememnuhi salah satu
syarat untuk menyelesaikan jenjang pendidikan sarjana (S-1) Program Studi
Teknik Elektro Fakultas Teknik Universitas Semarang.
Dengan telah selesainya laporan Tugas Akhir ini yang tidak terlepas dari
dukungan dan bantuan pihak baik secara langsung maupun tidak langsung. Oleh
karena itu perkenankanlah penulis menyampaikan ucapan terima kasih yang
sebesar-besarnya kepada :
1. Bapak Andy Kridasusila, S.E., M.E selaku Rektor Universitas Semarang.
2. Bapak Purwanto, S.T., M.T selaku Dekan Fakultas Teknik Universitas
Semarang.
3. Ibu Titik Nurhayati, S.T., M.Eng selaku Ketua Jurusan Teknik Elektro
Universitas Semarang.
4. Bapak Dr. Supari, S.T., M.T selaku Dosen Pembimbing I yang telah
bersedia meluangkan waktunya untuk memberikan pengarahan, saran, dan
bimbingan materi yang bermanfaat bagi penulis selama Tugas Akhir ini
berlangsung.
5. Bapak Muhammad Sipan S.T., M.T selaku Dosen Pembimbing II yang
telah bersedia meluangkan waktunya untuk memberikan pengarahan,
saran, dan bimbingan materi yang bermanfaat bagi penulis selama Tugas
Akhir ini berlangsung.

vi
 6. Ibu Sri Heranurweni, S.T., M.T selaku Wali Dosen yang telah
memberikan ilmu dan petunjuk selama penulis menyelesaikan Progam S1
Teknik Elektro.
7. Bapak dan Ibu dosen di Universitas Semarang yang telah memberikan
ilmu dan petunjuk selama penulis menyelesaikan Program S1 Teknik
Elektro.
8. Bapak, Ibu, serta keluarga yang selalu mendukung, memotivasi,
memberikan kekuatan dan doa yang tak pernah berhenti.
9. Ferma Mustika yang selalu membantu, memotivasi, menemani dan doa.
10. Teman – temanku Agung, Agum, Bagus, Dicky Andra, Firman, Nanda,
Tigor, Udin, kurnia, Deon, terimakasih atas dukungan, semangat, doa,
canda, dan tawa.
11. Semua teman – teman angkatan tahun 2016 terutama kelas sore atas
bantuan dan kebersamaannya selama kuliah dan terima kasih atas
dukungan, semangat, dan doanya.

Penulis menyadari bahwa penelitian ini tidak sesempurna sebagaimana

yang diharapkan, untuk itu saran dan kritik sangat di harapkan demi
penyempurnaan sripsi ini. Semoga hasil penelitian ini dapat bermanfaat untuk
para akademis, praktisi ataupun untuk penelitian-penelitian selanjutnya. Akhir
kata penulis mohon maaf atas kekurangan dan kesalahan yang ada pada
penyusunan laporan ini. Semoga laporan ini dapat bermanfaat bagi kita semua
terutama bagi pihak yang berkepentingan.

Semarang, 25 Februari 2021

( Penulis )

vii
 MOTTO DAN PERSEMBAHAN

MOTTO

 Bukan kapasitas manusia untuk menentukan dimana seharusnya dan

sepantasnya dia berada. Tunjukkan saja dirimu sepenuhnya bekerja dengan

sunguh-sunggguh dan maksimal. Dan Allah-lah yang akan menentukan

dimana seharusnya kamu berada.

 Jadilah apa yang inginmu menjadi, janganlah menjadi apa yang orang lain

inginkan.

PERSEMBAHAN

Tugas Akhir ini ku persembahkan :

 Kedua Orang Tuaku yang telah memberikan doa restunya, mendidik, dan

membesarkan. selalu memberikan dukungan baik moril maupun spiritual.

 Calon istri tercinta dan tersayang, Ferma Mustika,.SE. Terima kasih atas

waktu yang telah kau korbankan menemaniku, mendengarkan keluh

kesahku. Terima kasih atas doa, semangat, dan motivasi yang terus kau

berikan kepadaku. Hanya rasa Syukur yang terus ku ucapkan kepada Allah

SWT karena telah mengirimkan seseorang untukku seperti dirimu.

 Sahabat dan teman-teman Teknik Elektro Angkatan 2016 kelas sore,

terima kasih atas dukungan dan semangat kita semua.

viii
 DAFTAR ISI

HALAMAN JUDUL ................................................................................................... i

HALAMANAN PENGESAHAN ............................................................................... ii
HALAMAN PERNYATAAN ORISINALITAS ..................................................... iii
ABSTRAK ................................................................................................................. iv
ABSRACT .................................................................................................................... v
KATA PENGANTAR ............................................................................................... vi
MOTO DAN PERSEMBAHAN ............................................................................. viii
DAFTAR ISI ............................................................................................................... ix
DAFTAR GAMBAR .................................................................................................. xi
DAFTAR TABEL..................................................................................................... xiii
DAFTAR LAMPIRAN ............................................................................................ xiv
BAB I PENDAHULUAN ............................................................................................ 1
1.1 Latar Belakang Masalah ....................................................................................... 1
1.2 Identifikasi Masalah ............................................................................................. 3
1.3 Rumusan Masalah ................................................................................................ 3
1.4 Batasan Masalah................................................................................................... 4
1.5 Tujuan Dan Manfaat Penelitian ........................................................................... 4
1.5.1 Tujuan ...................................................................................................... 4
1.5.2 Manfaat Penelitian ................................................................................... 4
1.6 Metodologi Penelitian .......................................................................................... 5
1.7 Sistematika Penulisan........................................................................................... 6
BAB II LANDASAN TEORI ..................................................................................... 8
2.1 Kajian Pustaka ...................................................................................................... 8
2.2 Logika Fuzzy ..................................................................................................... 10
2.2.1 Fungsi Keanggotaan Fuzzy .................................................................... 12
2.2.2 Operator – Operator Fuzzy..................................................................... 16
2.2.3 Variabel Linguistik Fuzzy ..................................................................... 16
2.2.4 Sistem Inferensi Fuzzy ........................................................................... 17
2.2.4.1 Metode Mamdani ................................................................................... 18
2.2.5 Defuzzyfikasi ......................................................................................... 20

ix
 2.2.5.1 Metode Centroid..................................................................................... 21
2.2.5.2 Metode Bisektor ..................................................................................... 21
2.2.5.3 Metode Mean Of Maximum (Mom) ...................................................... 21
2.2.5.4 Metode Largest Of Maximum (Lom) .................................................... 21
2.2.5.5 Metode Smolest Of Maxsimum (Som) .................................................. 21
2.3 Kelebihan Dan Kekurangan Logika Fuzzy ........................................................ 21
2.4 Mesin Cuci ......................................................................................................... 23
2.4.1 Jenis – Jenis Mesin Cuci ........................................................................ 26
2.5 Tachometer......................................................................................................... 29
2.6 Rpm ( Revolutios Per Menute) .......................................................................... 31
2.7 Waktu ................................................................................................................. 31
BAB III METODE PENELITIAN .......................................................................... 32
3.1 Waktu Dan Tempat ............................................................................................ 32
3.2 Bahan Dan Alat Penelitian ................................................................................. 32
3.3 Metode Pengumpulan Data ................................................................................ 33
3.4 Metode Pengolahan Data ................................................................................... 34
3.4.1 Fuzzyfikasi Dan Penentuan Batas Input Fuzzy ...................................... 34
3.4.2 Evaluasi Aturan Dasar............................................................................ 38
3.4.3 Proses Implikasi Min.............................................................................. 39
3.4.4 Proses Defuzzyfikasi .............................................................................. 41
3.5 Langkah – Langkah Membuat Fiz Metode Mamdani ........................................ 42
3.5.1 Memanfaatkan Gui ................................................................................. 49
BAB IV ANALISA DAN PEMBAHASAN ............................................................. 51
4.1 Analisis Kasus .................................................................................................... 51
BAB V PENUTUP ..................................................................................................... 66
5.1 Kesimpulan ........................................................................................................ 66
5.2 Saran................................................................................................................... 67
DAFTAR PUSTAKA ................................................................................................ 68
BIODATA PENULIS
LAMPIRAN

x
 DAFTAR GAMBAR

Gambar 2. 1 Menjelaskan Representasi Linear Naik ........................................... 13

Gambar 2. 2 Menjelaskan Representasi Linear Turun ......................................... 13
Gambar 2. 3 Menjelaskan Representasi Kurva Segitiga ....................................... 14
Gambar 2. 4 Menjelaskan Representasi Kurva Trapesium................................... 15
Gambar 2. 5 Menjelaskan Representasi Kurva S.................................................. 15
Gambar 2. 6 Diagram Blok Inferensi Fuzzy ......................................................... 17
Gambar 2. 7 Defuzzifikasi .................................................................................... 20
Gambar 2. 8 Tachometer ....................................................................................... 29

Gambar 3. 1 Blok Diagram System Fuzzy Untuk Menentukan Waktu Putar Mesin
Cuci ....................................................................................................................... 33
Gambar 3. 2 Flowchart Logika Fuzzy ................................................................... 41
Gambar 3. 3 Tampilan Command Window .......................................................... 42
Gambar 3. 4 Tampilan FIS Editor ......................................................................... 43
Gambar 3. 5 Tampilan FIS Editor Variable Input-Output .................................... 43
Gambar 3. 6 Tampilan Membership Function Editor Jenis Pakaian .................... 44
Gambar 3. 7 Tampilan Membership Function Editor Beban Pakaian .................. 44
Gambar 3. 8 Tampilan Membership Function Editor Tingkat Kekotoran ............ 45
Gambar 3. 9 Tampilan Membership Function Editor Takaran Detergen ............. 45
Gambar 3. 10 Tampilan Membership Function Editor Takaran Air ..................... 46
Gambar 3. 11 Tampilan Membership Function Editor RPM ................................ 46
Gambar 3. 12 Tampilan Membership Function Editor Waktu ............................. 47
Gambar 3. 13 Tampilan Rule Editor ..................................................................... 47
Gambar 3. 14 Tampilan Rule Viewer ................................................................... 48
Gambar 3. 15 Tampilan Surface Viewer............................................................... 48
Gambar 3. 16 Tampilan FIS Editor Cara Menyimpan File Sistem Fuzzy ............ 48
Gambar 3. 17 Tampilan Command window GUI Matlab .................................... 49
Gambar 3. 18 Kotak Dialog Matlab...................................................................... 49

xi
Gambar 3. 19 Tampilan GUI Matlab .................................................................... 49
Gambar 3. 20 Toolbar Pada GUI .......................................................................... 50

Gambar 4. 1 Fungsi Keanggotaan Input dan Output............................................. 56

Gambar 4. 2 Fungsi Keanggotaan Variabel Input Jenis Pakaian .......................... 57
Gambar 4. 3 Fungsi Keanggotaan Variabel Input Beban Pakain.......................... 58
Gambar 4. 4 Fungsi Keanggotaan Variabel Input Tingkat Kekotoran ................. 58
Gambar 4. 5 Fungsi Keanggotaan Variabel Input Takaran Detergen ................... 59
Gambar 4. 6 Fungsi Keanggotaan Variabel Input Takaran Air ............................ 59
Gambar 4. 7 Fungsi Keanggotaan Variabel Output RPM..................................... 60
Gambar 4. 8 Fungsi Keanggotaan Variabel Output Waktu Pencucian ................. 60
Gambar 4. 9 Aturan Fuzzy .................................................................................... 61
Gambar 4. 10 Hasil Optimasi Dengan jenis pakaian 145 gms, beban pakaian 4 kg,
tingkat kekotoran 20 gr, takaran detergen 15 gr dan takaran air dimisalkan 35 ltr.
............................................................................................................................... 62
Gambar 4. 11 Hasil GUI Dengan jenis pakaian 145 gms, beban pakaian 4 kg,
tingkat kekotoran 20 gr, takaran detergen 15 gr dan takaran air dimisalkan 35 ltr.
............................................................................................................................... 62
Gambar 4. 12 Hasil Optimasi dengan jenis pakaian 180 gms, beban pakaian 10 kg,
tingkat kekotoran 45 gr, takaran detergen 40 gr dan takaran air dimisalkan 70 ltr.
............................................................................................................................... 63
Gambar 4. 13 Hasil GUI dengan jenis pakaian 180 gms, beban pakaian 10 kg,
tingkat kekotoran 45 gr, takaran detergen 40 gr dan takaran air dimisalkan 70 ltr.
............................................................................................................................... 63
Gambar 4. 14 Hasil Optimasi dengan jenis pakaian 195 gms, beban pakaian 12 kg,
tingkat kekotoran 30 gr, takaran detergen 15 gr dan takaran air dimisalkan 50 ltr.
............................................................................................................................... 64
Gambar 4. 15 Hasil GUI dengan jenis pakaian 195 gms, beban pakaian 12 kg,
tingkat kekotoran 30 gr, takaran detergen 15 gr dan takaran air dimisalkan 50 ltr.
............................................................................................................................... 64

xii
 DAFTAR TABEL

Tabel 3. 1 Aturan dasar fuzzy ................................................................................ 38

Tabel 4. 1 Aturan-aturan yang terbentuk pada inferensi fuzzy………………….. 52

Tabel 4. 2 Hasil simulasi FIZ mamdani menentukan RPM dan waktu yang
diperlukan dengan Input jenis pakaian, beban pakaian, tingkat kekotoran, takaran
detergen, takaran air……………………………………………………………... 65

xiii
 DAFTAR LAMPIRAN

LAMPIRAN 1. Surat Bimbingan Tugas Akhir Dosen Pembimbing I

LAMPIRAN 2. Surat Bimbingan Tugas Akhir Dosen Pembimbing II

LAMPIRAN 3. Lembar Revisi Seminar Tugas Akhir

LAMPIRAN 4. Surat Keterangan Hasil Ujian Tugas Akhir

LAMPIRAN 5. Lembar Konsultasi Tugas Akhir Dosen pembimbing I

LAMPIRAN 6. Lembar Konsultasi Tugas Akhir Dosen pembimbing II

LAMPIRAN 7. Script Program GUI Matlab

LAMPIRAN 8. Surat Pernyataan Publish

xiv
 BAB I

PENDAHULUAN

1.1. Latar Belakang Masalah

Pekerjaan mencuci baju sering dianggap salah satu pekerjaan berat dalam

rumah tangga. Mesin cuci adalah alat pembantu untuk meringankan pekerjaan

mencuci pakaian. Banyak orang yang merasa tertolong dengan hadirnya mesin ini.

Ada tiga jenis pilihan mesin cuci yang tersedia di pasaran. Sebelum membeli

mesin cuci sebaiknya mengetahui kelebihan dan kekurangan dari jenis yang ada,

agar dapat membuat pilihan yang tepat. Pilihan tersebut berupa mesin cuci dengan

bukaan atas (top loading) atau mesin cuci dengan bukaan depan (front loading).

Untuk mesin cuci dengan bukaan atas terbagi lagi atas 2 tabung dan 1 tabung.

Perbedaan ini tidak hanya pada letak bukaan (tempat anda memasukkan pakaian)

tetapi dalam hal penggunaan air, listrik, teknologi dan hasil dari pakaian yang

dicuci. Pertama, dilihat apa perbedaan antara mesin cuci bukaan atas 2 tabung dan

1 tabung. Mesin cuci dengan 2 tabung, tempat untuk mencuci dan mengeringkan

dalam tabung yang berbeda. Jenis ini selama proses pencucian, ada baling-baling

di dasar tabung yang berputar dan melakukan proses pencucian. Mesin cuci 1

tabung, tabung untuk mencuci dan mengeringkan dilakukan dalam tabung yang

sama. Tabung ini juga ikut berputar saat proses pencucian. Mesin cuci dengan

bukaan atas menggunakan air lebih banyak daripada mesin cuci bukaan depan

dalam hal penggunaan air. Mesin cuci bukaan atas, air harus diisi sampai penuh

baru mesin dijalankan, sedangkan pada mesin bukaan depan, air akan dikeluarkan

secara sedikit-sedikit selama proses pencucian. Pemakaian listrik pada mesin cuci

1
 2

atas atau bukaan depan, secara umum hampir sama yaitu sekitar 300 W bila

menggunakan air biasa. Mesin cuci bukaan depan, ada tambahan fasilitas untuk

mencuci dengan air panas tetapi listrik yang dibutuhkan sekitar 2000 W.

Perbedaan yang paling dasar dari kedua jenis mesin cuci ini adalah

teknologi yang dipakai. Mesin cuci bukaan atas karena perputarannya secara

horisontal menyebabkan air yang ada di dalamnya membentuk pusaran air yang

menyebabkan pakaian saling melilit. Sebaliknya, mesin cuci bukaan depan

berputar secara vertikal menyerupai perputaran roda menyebabkan pakaian selalu

jatuh ke bawah sehingga pakaian tidak saling melilit. Hasil pencucian mesin cuci

bukaan depan lebih baik dari mesin cuci bukaan atas, karena teknologi yang

digunakan sama seperti pakaian dibanting-banting. Tingkat kekeringan yang

dihasilkan pada mesin cuci jenis ini mencapai 95% sedangkan mesin cuci bukaan

atas hanya menghasilkan 70% tingkat kekeringan.

Jasa cuci dan setrika sudah banyak sekali pada saat ini, sehingga dapat

meringankan beban aktifitas, hanya tinggal membayar dan tunggu selesai saja.

Mesin cuci merupakan komoditas utama pada bisnis laundry untuk jasa tersebut.

Kerja dari mesin cuci sebenarnya sangat sederhana, yakni hanya memutar air

dengan rotor untuk membantu proses pencucian dengan bantuan detergen.

Penggunaan detergen pada laundry umumnya sudah ditentukan menurut berat

cucian secara umum. Cucian yang di hasilkan relatif sama pada kondisi warna,

tebal, dan tingkat kotor cucian.

Rumah Laundry merupakan jasa pencucian yang terletak di jl. Gemah

Timur No.04, Semarang yang sering mendapatkan order mencuci kaos team dan

seragam, penggunaan deterjen masih menggunakan perkiraan berdasarkan berat

 3

cucian secara umum belum menggunakan perhitungan yang pasti. Penggunaan

detergen tidak memperhatikan aspek lain seperti tingkat kekotoran pakaian, warna

pakaian, ketebalan kain dan lain-lain, sehingga tidak bisa mengoptimalkan jumlah

penggunaan detergen untuk menghasilkan cucian yang terbaik dan juga dapat

terjadi pemborosan penggunaan detergen apabila berlebihan penggunaanya.

Penggunaan deterjen berlebih, bisa mempengaruhi terhadap kualitas pakaian,

seperti warna pudar, sisa detergen yang tertinggal.

Berdasarkan latar belakang dan permasalahan yang ada, penelitian ini

mengambil studi kasus di Rumah Laundry dengan tema dan judul “Penerapan

Metode Fuzzy Inference System Mamdani Untuk Menentukan Waktu Putar Mesin

Cuci Studi Kasus Rumah Laundry”.

1.2. Identifikasi Masalah

Berdasarkan latar belakang penelitian yang dikemukakan di atas, maka

masalah yang akan diteliti sebagai berikut :

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. Rumusan Masalah

Berdasarkan identifikasi masalah diatas, maka dirumuskan masalah yaitu

bagaimana jenis pakaian, beban pakaian, tingkat kekotoran, takaran detergen, dan

takaran air, kecepatan putaran dan estimiasi waktu cuci yang diperlukan untuk

mencuci pakaian dengan metode fuzzy inference system mamdani?

 4

1.4. Batasan Masalah

Batasan masalah yang ditetapkan dalam penelitian ini ditujukan untuk

membatasi ruang lingkup dari penelitian dan pengerjaan aplikasi, diantaranya:

a. Penelitian ini hanya membahas penentuan lamanya waktu putar mesin cuci

dalam proses pencucian.

b. Penelitian ini hanya menggunakan alat pendukung seperti pengukur berat

beban pakaian.

c. Penelitian ini variabel input yang digunakan hanya jenis pakaian, beban

pakaian, tingkat kekotoran, takaran detergen, dan takaran air, sedangkan

variabel outputnya berupa kecepatan putaran dan waktu cuci.

d. Penelitian ini hanya jenis kain terbatas pada jenis kain yang lumrah

dipakai dan di cuci di tempat laundry.

1.5. Tujuan dan Manfaat Penelitian

1.5.1. Tujuan

Tujuan dari penelitian ini adalah sebagai berikut:

Menerapkan logika fuzzy dalam menentukan estimiasi waktu yang diperlukan

untuk mencuci pakaian dalam sebuah mesin cuci untuk penghematan energi listrik

dan mendapatkan hasil cuci pakaian yang bersih.

1.5.2. Manfaat Penelitian

Manfaat yang diharapkan dari penelitian ini adalah:

a. Penelitian ini diharapkan dapat menjadi bahan acuan untuk melakukan

penelitian selanjutnya.

b. Menambah informasi yang bermanfaat bagi Fakultas Teknik Elektro

dalam penerapan Fuzzy Inference System.

 5

c. Menambah khazanah keilmuan, pemikiran dan pengalaman dalam dunia

Teknik Elektro bagi penulis (khususnya) dan untuk masyarakat banyak

(umumnya).

1.6. Metodologi Penelitian

Dalam penulisan skripsi ini menggunakan metode sebagai berikut :

a. Studi Literature

Literature yang digunakan pada penulisan skripsi ini yaitu fuzzy inference

menggunakan metode mamdani untuk menyelesaikan masalah diatas. Metode ini

digunakan sebagai acuan untuk menentukan jenis pakaian, beban pakaian, tingkat

kekotoran, takaran detergen, dan takaran air, di Rumah laundry.

b. Pengumpulan Data

1. Studi observasi

Proses pengumpulan data yang diperoleh dari observasi pada rumah

laundry dan diklasifikasikan menjadi 5 variabel, yaitu jenis pakaian, beban

pakaian, tingkat kekotoran, takaran detergen, dan takaran air.

2. Studi analisis

Menganalisa masalah yang timbul dengan menggunakan metode fuzzy

mamdani, sehingga dapat ditarik kesimpulan dan penyelesaiannya.

c. Perancangan dan Pengembangan System

Metode yang digunakan dalam perancangan adalah sistem inferensi

menggunakan metode mamdani dan defuzzyfikasi menggunakan metode centroid.

Model ini dipilih karena merupakan suatu model terstruktur dimana pekerjaan
 6

untuk tiap tahapan harus selesai dilakukan sebelum melangkah ke tahapan

selanjutnya.

Proses yang terjadi adalah proses perhitungan dengan metode mamdani

sebagai pendukung keputusan dalam menentukan waktu putar mesin cuci, mulai

dari proses pemasukan data sesuai dengan cucian yang dimasukkan dalam mesin

cuci yang kemudian hasilnya akan diimplementasikan ke dalam sistem.

d. Pengujian dan Analisa

Merupakan sebuah proses pengujian dan analisa kevalidan dari perangkat

lunak yang dihasilkan dengan membandingkan takaran manual yang dipakai

apakah sudah mendekati kebenaran untuk menghindari kesalahan-kesalahan yang

diakibatkan oleh kesalahan prosedur dan bukan human error.

e. Evaluasi

Merupakan sebuah proses evaluasi dari pengujian dan analisa dari aplikasi

yang dibuat apakah hasilnya sesuai dengan harapan.

f. Penulisan laporan

Penulisan laporan dilakukan setelah melakukan rancangan kegiatan diatas,

digunakan untuk laporan hasil penelitian yang telah dilakukan.

1.7. Sistematika Penulisan

Dalam penyusunan skripsi ini akan diuraikan dalam bentuk bab, dan

masing-masing bab akan dipaparkan dalam beberapa sub bab, diantaranya :

 7

BAB I : PENDAHULUAN

Bab ini, penulis mengemukakan tentang latar belakang penelitian,

identifikasi masalah, rumusan masalah, batasan masalah, tujuan penelitian,

manfaat penelitian, metode penelitian, dan sistematika penulisan.

BAB II : LANDASAN TEORI

Bab ini, penulis mengemukakan dan membahas teori tentang

pengertian umum logika fuzzy, komponen-komponen logika fuzzy, operator-

operator fuzzy, tachometer, mesin cuci, kecepatan dan waktu.

BAB III : METODOLOGI PENELITIAN

Bab ini, penulis memaparkan tentang metode yang penulis pakai dalam

pengumpulan data maupun metode untuk perancangan sistem yang dilakukan

pada penelitian ini.

BAB IV : HASIL DAN PEMBAHASAN

Bab ini, membahas teknik, hasil, dan analisis pengujian terhadap

metode yang digunakan yaitu metode fuzzy mamdani.

BAB V : PENUTUP

Bab ini, penulis mencoba untuk menyimpulkan hasil akhir dari

penelitian yang dilakukan, serta saran untuk perbaikan dari hasil penelitian

tersebut.
 BAB II

LANDASAN TEORI

2.1. Kajian Pustaka

Pembuatan Laporan Tugas Akhir dengan judul “Penerapan Metode Fuzzy

Inference System Mamdani Untuk Menentukan Waktu Putar Mesin Cuci Studi

Kasus Rumah Laundry.” ini merupakan gabungan dan pengembangan dari ide

dasar yang bersifat open source yang telah dipublikasikan di internet dengan

gagasan pribadi. Meskipun kemungkinan terdapat kesamaan dengan yang sudah

ada, namun penulis meyakini bahwa terdapat perbedaan baik secara teknik

maupun konsep perancangan.

Beberapa karya dan penelitian relevan yang dapat dijadikan acuan untuk Tugas

Akhir ini, yaitu :

a. Penelitian yang dilakukan (Muharriana, 2015), yang berjudul “Rancang

Bangun Sistem Penghitung Waktu Pencucian Pada Mesin Cuci

Menggunakan Metode Fuzzy Inference System Mamdani”. Pada penelitian

ini akan digunakan metode inferensi sistem Fuzzy Mamdani atau sering

juga dikenal dengan metode min-max untuk mengetahui waktu pencucian

yang efektif terhadap pakaian berdasarkan tingkat kekotoran dan jumlah

baju.

b. Penelitian yang dilakukan (Nurjaya, 2017), yang berjudul “Pengaturan

Kecepatan Putaran Dan Waktu Cuci Pada Mesin Cuci Menggunakan

Fuzzy Logic”. Dalam penelitian ini akan menerapkan fuzzy logic

dengan menggunakan dua variabel output yaitu kecepatan putaran dan

8
 9

waktu cuci yang bertujuan untuk meningkatkan efisiensi kinerja mesin

cuci.

c. Penelitian yang dilakukan (Santoso, 2017), yang berjudul “Analisa

Komparasi Metode Mamdani, Sugeno Dan Tsukamoto Pada Fuzzy

Inference Sistem Untuk Pengurangan Konsumsi Energi Listrik Mesin

Cuci”. Pada penelitian ini akan melakukan komparasi metode Mamdani,

Sugeno dan Tsukamoto. Dengan menggunakan variabel output yaitu,

kecepatan putaran dan waktu cuci, dengan menggunakan empat variabel

input yaitu Kapasitas Pakaian, jenis kotoran, tingkat kekotoran dan

Takaran Deterjen, dimana hasil yang diharapkan dapat membuat kinerja

mesin cuci lebih efektif guna mendapatkan pengurangan konsumsi energy

listrik.

d. Penelitian yang dilakukan (Yurmalin, 2015), yang berjudul “ Penerapan

Logika Fuzzy Tsukamoto Menentukan Lama Waktu Pencucian Mesin

Cuci”. Pada penelitian ini adalah menghasilkan rata-rata lama waktu

pencucian pada mesin cuci berdasarkan tipe kain dan jenis kotoran pakaian

menggunakan Metode Tsukamoto.

e. Penelitian yang dilakukan (Dewi, 2018), “System pakar dianogsa

kerusakan mesin cuci dengan menggunakan metode fuzzy mamdani”

penelitian ini bertujuan untuk mempermudah teknisi untuk diagnose

kerusakan mesin cuci karena dari gejala-gejala yang terjadi teknisi bias

langsung mengetahui kerusakan mesin cucibeserta dengan solusi

perbaikannya.
 10

f. Penelitian yang dilakukan (Rukacana, 2020), yang berjudul “Penerapan

Metode Fuzzy Inference System Mamdani Untuk Menentukan Waktu Putar

Mesin Cuci Studi Kasus Rumah Laundry”. Dengan menggunakan variabel

output yaitu, RPM dan waktu pencucian, dengan menggunakan lima

variabel input yaitu jenis pakaian, beban pakaian, tingkat kekotoran,

takaran detergen, dan takaran air. Tujuan penelitian ini adalah Menerapkan

logika fuzzy dalam menentuan estimiasi waktu yang diperlukan untuk

mencuci pakaian dalam sebuah mesin cuci untuk penghematan energi

listrik dan mendapatkan hasil cuci pakaian yang bersih.

Bab ini akan diuraikan teori–teori umum dan khusus yang berhubungan

dengan penelitian akhir, diantaranya sekilas tentang logika fuzzy, komponen-

komponen logika fuzzy, operator- operator fuzzy, Tachometer, mesin cuci, RPM,

waktu.

2.2. Logika Fuzzy

Sistem fuzzy ditemukan pertama kali oleh Prof. Lotfi Zadeh pada

pertengahan Tahun 1965 Universitas California. Sistem ini diciptakan karena

Boolean logic tidak membuat ketelitian yang tinggi, hanya mempunyai logika 0

dan 1 saja. Sehingga untuk membuat sistem mempunyai ketelitian yang tinggi

maka kita tidak dapat menggunakan Boolean logic. Logika fuzzy merupakan suatu

cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output.

(Kusumadewi, 2006).

Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu :

1. Variabel fuzzy
 11

Variabel fuzzy merupakan variable yang hendak diterapkan dalam suatu sistem

fuzzy. Contoh : umur, temperatur, permintaan, dsb.

2. Himpunan fuzzy

Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau

keadaan tertentu.

Himpunan fuzzy memiliki 2 atribut, yaitu :

a. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau

kondisi tertentu dengan menggunakan bahasa alami, seperti : DINGIN,

NORMAL, PANAS.

b. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu

variabel, seperti : 25, 50, dsb.

3. Semesta Pembicaraan

Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk

dioperasikan dalam variabel fuzzy.

Contoh : semesta pembicaraan untuk variabel temperatur : [0 40]

4. Domain

Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam

semesta pembicaraan, boleh dioperasikan dalam suatu himpunan fuzzy.

Contoh domain himpunan fuzzy :

Redup = [0, 45]

Terang = [35, 55]

Ada beberapa alasan mengapa orang menggunakan logika fuzzy yaitu:

1. Konsep matematis yang mendasari penalaran logika fuzzy mudah

dimengerti.
 12

2. Logika fuzzy sangat fleksibel.

3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.

4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinier yang sangat

kompleks.

5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-

pengalaman para pakar langsung tanpa harus melalui proses pelatihan.

6. Logika Fuzzy dapat bekerjasama dengan teknik-teknik kendali secara

konvensional.

7. Logika fuzzy didasarkan pada bahasa alami.

2.2.1 Fungsi Keanggotaan Fuzzy

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

dapat digunakan:

a. Representasi Linear

Representasi linear, pemetaan input ke derajat keanggotaannya

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 linear, yaitu:

1. Representasi Linear Naik

Kenaikan himpunan dimulai pada nilai domain yang memiliki derajat

keanggotaan nol (0) bergerak ke kanan menuju ke nilai domain yang

 13

memiliki derajat keanggotaan lebih tinggi, (Suyanto, 2007). Dapat dilihat

pada gambar 2.1 dibawah ini :

1
Derajat
keanggotaa
n
µ (x)

0
a b
Domain

Gambar 2. 1 Menjelaskan Representasi Linear Naik

Fungsi keanggotaan:

0; 𝑥≤𝑎
𝜇 [𝑥 ] = {(𝑥 − 𝑎)/(𝑏 − 𝑎) 𝑎 ≤ 𝑥 ≤ 𝑏 (2.1)
1; 𝑥≥𝑏

2. Representasi Linear Turun

Representasi linear turun merupakan kebalikan dari linear naik. 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, (Suyanto, 2007). Dapat dilihat pada

gambar 2.2 dibawah ini :

1
Derajat
keanggotaa
n
µ (x)
0
a b
Domain

Gambar 2. 2 Menjelaskan Representasi Linear Turun

 14

Fungsi keanggotaan:

(𝑏 − 𝑥)/(𝑏 − 𝑎)𝑎 ≤ 𝑥 ≤ 𝑏
𝜇 [𝑥 ] = { (2.2)
0; 𝑥≥𝑏

b. Representasi Kurva Segitiga

Fungsi keanggotaan segitiga ditandai oleh adanya tiga parameter {a,b,c}

yang akan menentukan koordinat x dari tiga sudut. Kurva ini pada dasarnya

merupakan gabungan antara dua garis lurus, (Suyanto, 2007). Dapat dilihat pada

gambar 2.3 dibawah ini :

Derajat
keanggotaa
n
µ(x)

0
a b C
Domain

Gambar 2. 3 Menjelaskan Representasi Kurva Segitiga

Fungsi keanggotaan:

0; 𝑥 ≤ 𝑎 𝑎𝑡𝑎𝑢 𝑐 ≥ 𝑐
[ ]
𝜇 𝑥, 𝑎, 𝑏, 𝑐 = { (𝑥 − 𝑎)/(𝑏 − 𝑎)𝑎 ≤ 𝑥 ≤ 𝑏 (2.3)
(𝑐 − 𝑥)/(𝑐 − 𝑏)𝑏 ≤ 𝑥 ≤ 𝑐

c. Representasi Kurva Trapesium

Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada

beberapa titik yang memiliki nilai keanggotaan satu, (Suyanto, 2007). Dapat

dilihat pada gambar 2.4 dibawah ini :

 15

Derajat
keanggota
an
µ(x)

0
a b Domain c d

Gambar 2. 4 Menjelaskan Representasi Kurva Trapesium

Fungsi keanggotaan:

0; 𝑥 ≤ 𝑎 𝑎𝑡𝑎𝑢 𝑥 ≥ 𝑑
(𝑥 − 𝑎)/(𝑏 − 𝑎); 𝑎 ≤ 𝑥 ≤ 𝑏
𝜇 [𝑥, 𝑎, 𝑏, 𝑐, 𝑑 ] = { (2.4)
1; 𝑏≤𝑥≤𝑐
(𝑑 − 𝑥)/(𝑑 − 𝑐 ) 𝑥 ≥ 𝑑

d. Representasi Kurva S

Kurva pertumbuhan dan penyusutan merupakan kurva S atau sigmoid

berhubungan dengan kenaikan dan penurunan permukaan secara tak linear,

(Suyanto, 2007). Dapat dilihat pada gambar 2.5 dibawah ini :

Derajat
keanggota
an
µ(x)

0
a b C
Domain

Gambar 2. 5 Menjelaskan Representasi Kurva S

Fungsi keanggotaan:
 16

0; 𝑥≤𝛼
2
2((𝑥 − 𝛼)/(𝛾 − 𝑎)) 𝛼 ≤ 𝑥 ≤ 𝛽
𝑆(𝑥; 𝛼, 𝛽, 𝛾 ) = { (2.5)
1 − 2((𝛾 − 𝑥)/(𝛾 − 𝛼 ))2 𝛽 ≤ 𝑥 ≤ 𝛾
1 𝑥≥𝛾

2.2.2 Operator – Operator Fuzzy

1. Operator AND

Operator ini berhubungan dengan operasi interseksi pada himpunan. α-

predikat sebagai hasil operasi dengan operator AND, diperoleh dengan

mengambil nilai keanggotaan terkecil antar elemen pada himpunan himpunan

yang bersangkutan.

μA∩B = min (μA [x], μB [y]) (2.6)

2. Operator OR

Operator ini berhubungan dengan operasi union pada himpunan. α-

predikat sebagai hasil operasi dengan operator OR, diperoleh dengan mengambil

nilai keanggotaan terbesar elemen pada himpunan-himpunan yang bersangkutan.

μAUB = max (μA [x], μB [y]) (2.7)

3. Operator NOT

Operator ini berhubungan dengan operasi komplemen pada himpunan. α-

predikat sebagai hasil operasi dengan operator AND, diperoleh dengan

mengurangkan nilai keangotaan terkecil antar elemen pada himpunan yang

bersangkutan dari 1.

μA` = 1 - μA [x] (2.8)

2.2.3 Variable Linguistik

Variabel linguistik adalah variabel yang bernilai kata/kalimat, bukan

angka. Sebagai alasan menggunakan kata/kalimat dari pada angka karena peranan
 17

linguistik kurang spesifik dibandingkan angka,namun informasi yang disampaikan

lebih informatif. Variabel linguistik ini merupakan konsep penting dalam logika

fuzzy dan memegang peranan penting dalam beberapa aplikasi.

2.2.4 Sistem Inferensi Fuzzy

Sistem Inferensi Fuzzy (Fuzzy Inference System atau FIS)

merupakan suatu kerangka komputasi yang didasarkan pada teori

himpunan fuzzy, aturan fuzzy berbentuk IF – THEN, dan penalaran fuzzy.

(Suyanto, 2007).

Secara garis besar, dapat dilihat pada gambar 2.6 diagram blok proses inferensi

fuzzy sebagai berikut.

Aturan-1

fuzzy
IF-THEN
crisp
INPUT
AGREGASI
Aturan -n

IF-THEN fuzzy
DEFUZZY

OUTPUT

Gambar 2. 6 Diagram Blok Inferensi Fuzzy

Sistem Inferensi Fuzzy menerima input crisp. Input ini kemudian dikirim

ke basis pengetahuan yang berisi n aturan fuzzy dalam bentuk IF-THEN. Fire

strength akan dicari pada setiap aturan. Apabila jumlah aturan lebih dari satu,

maka akan dilakukan agregasi dari sebuah aturan. Selanjutnya, pada hasil

agregasi akan dilakukan defuzzy untuk mendapatkan nilai crisp sebagai output

sistem.
 18

2.2.4.1 Metode Mamdani

Metode Mamdani sering juga dikenal dengan nama Metode Max- Min.

Metode Mamdani ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975.

(Kusumadewi, 2006). Untuk memperoleh output, diperlukan 4 tahapan yaitu:

a. Pembentukan himpunan fuzzy

Menentukan semua variabel yang terkait dalam proses yang akan

ditentukan. Untuk masing-masing variabel input, tentukan suatu fungsi

fuzzifikasi yang sesuai. Pada metode Mamdani, baik variabel input

maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy.

b. Aplikasi fungsi implikasi

Menyusun basis aturan, yaitu aturan-aturan berupa implikasi-implikasi

fuzzy yang menyatakan relasi antara variabel input dengan variabel output.

Pada metode Mamdani, fungsi implikasi yang digunakan adalah Min.

Bentuk umumnya adalah sebagai berikut :

Jika a adalah A¡ dan b adalah B¡, maka c adalah Ci dengan Ai, Bi, dan Ci

adalah predikat-predikat fuzzy yang merupakan nilai linguistik dari

masing-masing variabel. Banyaknya aturan ditentukan oleh banyaknya

nilai linguistik untuk masing-masing variabel masukan.

c. Komponen aturan

Kumpulan dan korelasi antar aturan. Ada 3 metode yang digunakan dalam

melakukan inferensi sistem fuzzy, yaitu : max, additive dan probabilistic

OR.
 19

1. Metode Max (Maximum)

Metode ini solusi himpunan fuzzy diperoleh dengan cara mengambil nilai

maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy

dan mengaplikasikan 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

dituliskan :

μsf[xi] ← max(μsf[xi], μkf[xi]) (2.9)

dengan:

μsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;-

μkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i;

2. Metode Additive (Sum)

Metode ini solusi himpunan fuzzy diperoleh dengan cara melakukan

bounded-sum terhadap semua output daerah fuzzy. Secara umum dituliskan:

μsf[xi] ← min(1,μsf[xi]+ μkf[xi]) (2.10)

dengan:

μsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;

μkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i;

3. Metode Probabilistik OR

Metode ini solusi himpunan fuzzy diperoleh dengan cara melakukan

product terhadap semua output daerah fuzzy. Secara umum dituliskan:

μsf[xi] ← max (μsf[xi]+ μkf[xi]) - (μsf[xi] * μkf[xi]) (2.11)

dengan:
 20

μsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;

μkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i;

d. Penegasan (defuzzi)

Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang

diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang

dihasilkan merupakan bilangan pada domain himpunan fuzzy tersebut.

2.2.5. Defuzzifikasi
Defuzzifikasi adalah mengubah fuzzy output menjadi crisp value

berdasarkan fungsi keanggotaan yang telah ditentukan. Defuzzifikasi merupakan

proses pengubahan besaran fuzzy yang disajikan dalam bentuk himpunan –

himpunan fuzzy keluaran dengan fungsi keanggotaannya untuk mendapatkan

keluaran bentuk tegasnya, (Kusumadewi, 2006). Dapat dilihat pada gambar 2.7

dibawah ini :

Daerah fuzzy ‘A’

Output :

Daerah fuzzy ‘B’ Daerah fuzzy

Daerah fuzzy ‘C’

Nilai yang

diharapkan

Gambar 2. 7 Defuzzifikasi
 21

Ada beberapa metode defuzzifikasi yaitu :

2.2.5.1 Metode Centroid

Metode Centroid (Composite Moment). Pada metode centroid solusi crisp

diperoleh dengan cara mengambil titik pusat daerah fuzzy.

Secara umum dapat dituliskan:

∫ 𝑧 𝑧𝜇(𝑧)𝑑𝑧
𝑍∗ =
∫ 𝑧 𝜇 (𝑧)𝑑𝑧

(2.12)

2.2.5.2 Metode Bisektor

Metode bisektor solusi crisp diperoleh dengan cara mengambil nilai pada

domain yang memiliki nilai keanggotaan setengah dari jumlah total nilai

keanggotaan pada daerah fuzzy.

2.2.5.3 Metode Mean of Maximum (MOM)

Metode mean of maximum solusi crisp diperoleh dengan cara mengambil

nilai rata-rata domain yang memiliki nilai keanggotaan maksimum.

2.2.5.4 Metode Largest of Maximum (LOM)

Metode largest of maximum solusi crisp diperoleh dengan cara mengambil

nilai terbesar dari domain yang memiliki nilai keanggotaan maksimum.

2.2.5.5 Metode Smolest of Maximum (SOM)

Metode smallest of maximum solusi crisp diperoleh dengan cara

mengambil nilai terkecil dari domain yang memiliki nilai keanggotaan

maksimum.

2.3. Kelebihan dan Kekurangan Logika Fuzzy

Logika fuzzy memiliki beberapa keunggulan, antara lain sebagai berikut:

 22

a. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang

mendasarin penalaran logika fuzzy sangat sederhana dan mudah

dimengerti.

b. Logika fuzzy sangat fleksibel.

c. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.

d. Logika fuzzy mampu memodelkan fungsi-fungsi non linear yang

kompleks.

e. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-

pengalaman para pakar secara langsung tanpa harus melalui proses

pelatihan.

f. Logika fuzzy dapat bekerja sama dengan teknik-teknik kendali secara

konvensional.

g. Logika fuzzy didasarkan pada bahasa alami.

Sementara itu, dalam pengaplikasiannya, logika fuzzy juga memiliki

beberapa kelebihan, antara lain sebagai berikut:

1. Daya gunanya dianggap lebih baik daripada teknik kendali yang pernah

ada.

2. Pengendali fuzzy terkenal karena keandalannya.

3. Mudah diperbaiki.

4. Pengendali fuzzy memberikan pengendalian yang sangat baik

dibandingkan teknik lain

5. Usaha dan dana yang dibutuhkan kecil. Selain itu, logika fuzzy juga

memiliki kekurangan, terutama dalam penerapannya.

Kekurangan-kekurangan tersebut antara lain:

 23

1. Para enjiner dan ilmuwan generasi sebelumnya dan sekarang banyak yang

tidak mengenal teori kendali fuzzy, meskipun secara teknik praktis mereka

memiliki pengalaman untuk menggunakan teknologi dan perkakas kontrol

yang sudah ada.

2. Belum banyak terdapat kursus/balai pendidikan dan buku-buku teks yang

menjangkau setiap tingkat pendidikan (undergraduate, postgraduate, dan

on site training).

3. Hingga kini belum ada pengetahuan sistematik yang baku dan seragam

tentang metodologi pemecahan problema kendali menggunakan

pengendali fuzzy.

4. Belum adanya metode umum untuk mengembangkan dan implementasi

pengendali fuzzy.

2.4. Mesin Cuci

Mesin cuci adalah alat yang berfungsi untuk mencuci pakaian atau kain

baik untuk kebutuhan rumah tangga ataupun untuk kepentingan bisnis, dalam

penggunaannya mesin ini sangat membantu sekali dalam meringankan pekerjaan

para ibu rumah tangga karena saat mencuci dengan mesin maka para ibu tersebut

dapat melakukan kegiatan lain tanpa terganggui oleh kegiatan mencuci.

Menurut penelitian pada tahun 1886 perempuan mengambil air delapan

sampai sepuluh kali setiap hari dari mesin pompa air, sumur, atau mata air. Proses

mencuci pakaianpun begitu melelahkan dan sangat menyita waktu, dimulai

dengan merendam pakaian kemudian menyikatnya satu persatu, setelah itu

pakaian akan dibilas dengan air yang baru, dan tahapan yang paling melelahkan

adalah saat memeras pakaian dengan tangan lalu menjemurnya di panas matahari.
 24

Mencuci dengan mesin Teknologi alat pencuci pakaian berkembang

dengan beberapa tahapan yaitu dimulai dengan ditemukannya mesin yang terbuat

dari kayu tetapi tidak bertahan lama karena banyak kendalanya, selanjutnya

dibuatlah mesin yang terbuat dari bahan logam agar dapat menyalakan api dari

bawah mesin sehingga dapat menghangatkan air selama proses pencucian

berlangsung.

Alat pencuci pakaian pada awalnya alat pencuci pakaian adalah sebuah

papan yang diciptakan pada tahun 1797. Pada pertengahan tahun 1850-an mesin

cuci uap komersial ditemukan dan dijual di Inggris dan Amerika Serikat.

Perkembangan teknologi mesin cuci di AS lebih menekankan pada

pengembangan mesin untuk mencuci di rumah, meskipun mesin untuk layanan

binatu komersial yang banyak digunakan pada abad ke-20 dan awal abad ke-19.

Mesin cuci rotary telah dipatenkan oleh Hamilton Smith pada tahun 1858. Karena

listrik tidak umum tersedia setidaknya sampai tahun 1930 maka beberapa mesin

cuci hanya dapat berputar dengan kecepatan rendah dengan menggunakan bahan

bakar bensin.

Generasi awal mesin cuci yang membahayakan Mesin cuci yang

ditemukan sebelum lahirnya mesin cuci listrik modern sangatlah merepotkan dan

berbahaya, karena pada mesin cuci generasi awal terdapat bagian-bagian terbuka

pada mesin yang dapat menyebabkan cedera pada pemakainya seperti adanya

gulungan yang berfungsi memeras pakaian yang apabila kurang hati-hati dapat

mengakibatkan tertariknya rambut atau pakaian yang sedang dipakai sehingga

dapat mengakibatkan kecelakaan yang serius, akhirnya mesin cuci seperti ini

dilarang untuk diproduksi dan dipasarkan.

 25

Proses modern pemerasan air dengan cara berputar tidak datang begitu

saja sampai motor listrik dikembangkan. Putaran memerlukan sumber

berkecepatan tinggi dan daya yang konstan, pada awalnya proses pemerasan

dilakukan dalam perangkat terpisah yaitu "extractor". Pakaian yang telah dicuci

akan dipindahkan dari bak cuci ke keranjang ekstraktor, dan air akan keluar dari

saluran yang terpisah. Berbagai upaya telah dilakukan untuk menghilangkan

getaran yang tidak stabil seperti pemasangan keranjang berputar pada bingkai

mengambang agar dapat menyerap getaran sekecil apapun.

Proses gabungan Mesin cuci otomatis yang ada sekarang adalah sebuah

penggabungan dua buah mesin yang bekerja secara relevan yaitu mesin pencuci

dan pemeras/pengering yang di buat dalam satu paket alat.

Perkembangan Awal mesin cuci :

1. Tahun 1691 di Inggris dikeluarkan hak paten pertama kategori mesin cuci

yang dapat meremas .

2. Tahun 1782 Jacob Christian Schaffer dari Jerman membuat desain mesin

cuci.

3. Henry Sidgier mengeluarkan paten Inggris untuk mesin cuci rotating

drum.

4. Pada tahun 1862 dipatenkan sebuah "Penggabungan mesin cuci rotary,

dengan rol untuk meremas-remas atau mangling" oleh Richard Lansdale

dari Pendleton, Manchester.

5. Hak paten pertama di Amerika Serikat berjudul "Pakaian Cuci" diberikan

kepada Nathaniel Briggs of New Hampshire pada tahun 1797.

 26

6. Pada tahun 1836 kantor hak paten terbakar sehingga tidak ada penjelasan

tentang perangkat mesin cuci yang bertahan. Sebuah perangkat yang

menggabungkan mesin cuci dengan mekanisme pemeras tidak muncul

sampai tahun 1843, ketika John E. Turnbull of Saint John, New Brunswick

asal kanada mematenkan "Pencuci Pakaian Dengan pemeras Rolls."

7. Margaret Colvin menemukan Washer Triumph Rotary, yang dipamerkan

di Paviliun Perempuan di Pameran Internasional Centennial dari 1876 di

Philadelphia.

Mesin cuci listrik yang diiklankan di surat kabar dan dibahas pada awal

tahun 1904 oleh Alva J. Fisher telah salah dikreditkan dengan penemuan mesin

cuci listrik. Kantor Paten AS menunjukkan setidaknya satu paten yang

dikeluarkan sebelum Mr Fisher nomor paten US 966.677 (misalnya Woodrow AS

paten nomor 921.195). "penemu" dari mesin cuci listrik masih belum diketahui.

Desain mesin cuci meningkat selama tahun 1930-an. Mekanisme mesin tertutup

dalam badan, dan lebih banyak perhatian untuk keselamatan listrik dan mekanik.

pengering spin diperkenalkan untuk menggantikan mangle daya berbahaya /

pemeras. Pada tahun 1940, 60% dari 25.000.000 rumah di Amerika Serikat

memiliki mesin cuci listrik. Banyak dari mesin ini menampilkan kekuatan

pemeras, meskipun built-in pengering spin yang tidak biasa.

(https://id.wikipedia.org/wiki/Mesin_cuci)

2.4.1. Jenis-Jenis Mesin Cuci

Mesin cuci adalah salah satau alat yang dapat memudahkan Anda untuk

mencuci pakaian, mesin cuci memiliki 3 jenis tipe. Setiap typenya memiliki cara

khusus agar cucian Anda lebih maksimal bersihnya. Ada 3 jenis mesin cuci yaitu,
 27

Mesin cuci 2 tabung, mesin cuci 1 tabung top loading, mesin cuci 1 tabung front

loading.

1. Mesin Cuci 2 Tabung

Mesin cuci 2 tabung memiliki fungsi yang berbeda:

Tabung pertama digunakan untuk mencuci dan membilas pakaian. Tabung

kedua digunakan untuk mengeringkan pakaian setelah selesai dicuci.

1. Kelebihan mesin cuci 2 tabung: Harga mesin cuci 2 tabung lebih yang

terjangkau dibanadingkan mesin cuci type lain. Pemakaian listrik relatif

lebih sedikit, karena mesin cuci ini didesain agar ekonomis.

2. Kekurangan mesin cuci 2 tabung yaitu Anda harus mengeluarkan tenaga

untuk memindahkan pakaian dari satu tabung ke tabung pengering setelah

pakaian dicuci, proses mencuci menjadi 2 tahap.

Tingkat kekeringan hanya mencapai 70% karena mesin cuci ini tabung

harputar vertikal sehingga air tidak bisa turun semuanya. Membutuhkan volume

air cukup banyak, sebab jika mesin cuci kekurangan air, mesin cuci tidak bisa

berputar, oleh sebab itu mesin cuci 2 tabung membutuhkan air paling banyak.

2. Mesin Cuci 1 Tabung Top Loading

Mesin cuci ini merupakan perkembangan dari mesin cuci 2 tabung

meskipun masih berbentuk vertikal namun ada pengurangan dari jumlah tabung.

Pada mesin cuci ini hanya terdapat 1 tabung yang berfungsi untuk mencuci

sekaligus mengeringkan pakaian pada tabung yang sama secara otomatis, Anda

tidak perlu lagi memindahkan cucian dari satu tabung ke tabung lainnya seperti

yang terjadi pada mesin cuci 2 tabung.

 28

1. Kelebihan mesin cuci 1 tabung top loading adalah daya listrik relatif lebih

rendah. Praktis karena Anda tidak harus memindahkan pakaian dari tabung

pencuci ke tabung pengering karena akan dilakukan secara otomatis.

Mesin cuci ini bekerja secara otomatis mulai dari mengisi air, mencuci,

membilas hingga memeras cucian.

2. Kekurangan mesin cuci 1 tabung top loading adalah harga relatif lebih

mahal, tingkat kekeringan hanya mencapai 70%, membutuhkan volume air

cukup banyak.

3. Mesin Cuci 1 Tabung Front Loading

Mesin cuci jenis ini memiliki 1 tabung yang didesain secara horizontal

dengan arah putaran yang vertikal. Seperti mesin cuci 1 tabung top loading, mesin

cuci 1 tabung front loading akan mencuci pakaian Anda secara otomatis mulai

pengisian air, pencucian, pembilasan hingga pemerasan cucian.

1. Kelebihan mesin cuci 1 tabung front loading adalah proses pencucian lebih

efektif dibanding 2 esin cuci sebelumnya. Resiko kerusakan pada bahan

atau pakaian paling minim karena putaranya vertikal. Lebih praktis karena

proses pencucian dan pengeringan dikerjakan secara otomatis. Jumlah air

yang dibutuhkan lebih sedikit. Kekeringan yang maksimal mencapai 90%.

2. Kekurangan mesin cuci 1 tabung front loading harga paling mahal karena

memilik teknologi tercanggih, konsumsi daya listrik lebih tinggi,

membutuhkan deterjen khusus.

(https://id.sharp/news/mengenal-macam-macam-jenis-mesin-cuci)
 29

2.5. Tachometer

Tachometer adalah sebuah instrument atau alat yang yang mampu untuk

mengukur putaran dari poros engkol atau piringan, seperti yang terdapat pada

sebuah motor atau mesin lainnya, alat ini biasanya menampilkan revolution per

minute (RPM) pada sebuah pengukur skala analog maupun digital. Tachometer

berasal dari bahasa yunani yaitu “tachos” yang berarti kecepatan dan “metros”

yang berarti mengukur. Putaran yang dimaksud adalah suatu gerak putar yang

dihasilkan oleh benda atau alat berupa gerakan mekanik yang akan diukur

kecepatannya, seperti putaran mesin sepeda motor atau putaran roda sepeda

motor, bagi tachometer putaran ini menjadi masukan untuk diukur. Dapat dilihat

pada gambar 2.8 dibawah ini :

Gambar 2. 8 Tachometer

Gambar 2.8 diatas terdapat dua buah tachometer, yaitu tachometer optic

dan tachometer rotor bergerigi.

1. Tachometer optic

Tachometer optic (non contact) adalah sebuah alat untuk mengukur

kecepatan sudut putar atau rpm. Tachometer optik terdiri dari jalur atau garis
 30

(stripe) yang terdapat di dalam sbuah batang lalu atau photosensor yang

menghadap pada batang tersebut.

Cara kerjanya adalah setiap batang tersebut berputar, maka photosensor

akan mendeteksi jumlah stripe yang melewatinya. Kemudian akan

menghasilkan output yang akan berbentuk pulsa. Pada gelombang pulsa

tersebut periode kebalikan dari kecepatan angular. Dapat diukur dengan

menggunakan rangkaian counter seperti yang digambarkan pada encoder

batang optik. Keunggulan tachometer optic ialah memiliki photosensor

sehingga dapat mendeteksi setiap garis yang melewatinya, sedangkan

kelemahannya tidak dapat merasakan posisi dan jarak, namun dapat diatasi

dengan memasang 2 buah photosensor.

2. Tachometer rotor bergerigi

Terdiri dari sebuah sensor tetap dan sebuah pemutar gerigi, roda, dan

bahan besi. Ada 2 jenis sensor yang digunakan yaitu Variable Reluctance

Sensor dan Hall Effect Sensor. Cara kerjanya adalah rotor berputar, kemudian

bagian rotor bergigi yang akan diukur. Sensor yang berupa magnet akan

mendeteksi setiap gerigi tersebut yang melewatinya. Setiap gerigi

melewatinya maka medan magnet akan bertambah dan menginduksi tegangan

pada belitan kawat sehingga akan dihasilkan pulsa. Pulsa tersebut akan

dikonversi menjadi sebuah gelombang kotak yang bersih dengan rangkaian

ambang detector.

Keunggulan tachometer gerigi ini adalah memberikan sebuah pulsa setiap

waktu apabila gigi besi melewatinya dan menghasilkan pulsa yang berupa

sinyal kotak yang jernih.

 31

2.6. RPM (Revolutios Per Minute)

RPM adalah singkatan dari Revolutions Per Minute atau Revolusi Per

Menit atau Rotasi Per Menit dengan pengertian jumlah putaran/rotasi suatu poros

dalam 1 menit, istilah ini tidak hanya dikenal pada mesin mobil/motor tetapi juga

pada drum mesin cuci, pemutar CD, hard disk drive dsb.

2.7. Waktu

Waktu adalah serangkaian saat ketika proses suatu kejadian, perubahan

atau keadaan saat berlangsung suatu benda, lamanya saat tertentu untuk

melakukan sesuatu, sebuah kesempatan, tempo, peluang, ketika saat, keadaan hari

dan saat yang ditentukan berdasarkan pembagian bola dunia. Kamus Kontemporer

Arab Indonesia menjelaskan waktu adalah masa atau zaman.

Menurut ilmu fisika waktu adalah dimensi yang memungkinkan

dibedakannya dua peristiwa identik namun berlainan yang berlangsung pada titik

yang sama dalam ruang (space time). Selang antara dua peristiwa tersebut

membentuk pengukuran dasar pengukuran waktu. Mengenai tujuan umum, waktu

sesuai putaran bumi pada sumbunya memberikan satuan jam (day) dan peredaran

bumi mengelilingi Matahari (year) memberikan satuan kalender. Sedangkan

tujuan ilmiah, waktu didefinisikan dalam istilah frekuensi adalah suatu radiasi

elektromagnetik tertentu (second).

( https://sc.syekhnurjati.ac.id/esscamp/risetmhs/BAB214123441269.pdf )
 BAB III

METODOLOGI PENELITIAN

3.1. Waktu dan Tempat Penelitian

Waktu pengambilan data penelitian dilakukan selama 2 bulan yaitu bulan

April sampai Juni 2020. Penelitian ini dilakukan di usaha kecil menengah (UKM),

Rumah Laundry Jl. Gemah Timur No.04. Rumah Laundry merupakan usaha yang

bergerak dalam bidang jasa pencucian pakaian, kaos, seragam, dll. Usaha ini

membutuhkan waktu pencucian guna menghemat energi listrik dan mendapatkan

hasil cuci pakaian yang bersih.

3.2. Bahan dan Alat Penelitian

a. Bahan

Bahan yang digunakan dalam penelitian adalah data jenis pakaian, beban

pakaian, tingkat kekotoran, takaran detergen, dan takaran air yang berasal dari

tempat usaha jasa Rumah Laundry.

b. Alat

Alat yang digunakan dalam penelitian ini adalah sebuah komputer dengan

spesifikasi sebagai berikut:

1. Perangkat lunak: Windows experience index, Matlab R2010b

2. Komputer dengan spesifikasi sebagai berikut:

a. Processor : Intel(R) Celeron(R) @ 1.90 Ghz

b. Memori RAM 2.00 GB

c. Monitor dengan resolusi 1366 X 768 pixels

d. system type : 64-bit Operating System

32
 33

Input

Jenis pakaian Aturan dasar Output

Beban
pakaian RPM
Fuzzyfikasi Implikasi Defuzzyfikasi
Tingkat
kekotoran Waktu
Takaran
detergen
Takaran air

Gambar 3. 1 Blok Diagram System Fuzzy Untuk Menentukan Waktu Putar Mesin

Cuci

Gambar 3.1 diatas menjelaskan blok diagram system fuzzy dengan Input

sistem ada 5 di setiap inputan dibagi menjadi 3 kategori yaitu: jenis pakaian

(tebal, sedang, tipis), beban pakaian (sedikit, sedang, banyak), tingkat kekotoran

(ringan, sedang, berat), takaran detergen (sedikit, sedang, banyak), dan takaran air

(sedikit, sedang, banyak), selanjutnya input dilakukan fuzzyfikasi sesuai dengan

fungsi keanggotaanya. Setelah mendapatkan hasil dari fuzzyfikasi maka di ambil

yang nilainya max dari setiap input. Setelah mendapatkan nilai max dari setiap

inputan maka dilakukan implikasi min. Setelah itu dilakukan defuzzyfikasi

menggunakan centroid. Hasil dari defuzifikasi adalah sebagai output sistem yaitu

RPM dan waktu pencucian.

3.3. Metode Pengumpulan Data

Penelitian ini diselesaikan penulis dengan melakukan observasi data dari

rumah laundry terhadap pekerja. Faktor apa saja yang mempengaruhi

penghematan energy listrik. Dari hasil observasi tersebut yaitu faktor yang

mempengaruhi penghematan energy listrik dalam melakukan pencucian adalah

 34

jenis pakaian, beban pakaian, tingkat kekotoran, takaran detergen, dan takaran air

yang ingin dicapai.

3.4. Metode Pengolahan Data

Metode pengolahan data penelitian ini dilakukan dengan beberapa

tahapan. Tahapan yang dilakukan adalah sebagai berikut :

3.4.1. Fuzzifikasi dan Penentuan Batas Input Fuzzy

Penelitian ini terdapat lima fungsi keanggotaan input, yaitu fungsi

keanggotaan input jenis pakaian dengan satuan gram/meter², keanggotaan input

beban pakaian dengan satuan kilogram, fungsi keanggotaan input tingkat

kekotoran dengan satuan gram, fungsi keanggotaan input takaran detergen

dengan satuan gram, fungsi keanggotaan input takaran air dengan satuan liter.

Dan masing-masing fungsi keanggotaan akan dijabarkan sebagai berikut :

rata-rata merupakan hasil bagi antara perpindahan dengan selang tiap waktunya.

a. Input jenis pakaian

Jenis pakaian dibagi menjadi tiga kategori yaitu :

1. Tebal antara 140 gms sampai 150 gms

0; x ≤ 140
x − 140
μ tebal [x] = { ; 140 ≤ x ≤ 145
145 − 140
1; x ≥ 142

𝑥 − 140 142 − 140 3

= = = 0.6 gms
145 − 140 5 5

2. Sedang antara 175 gms sampai 185 gms

 35

0; x ≤ 175 atau x ≥ 185

x − 175
;
μ sedang [x] = 180 − 175 175 ≤ x ≤ 180
185 − 𝑥
{ 185 − 180 180 ≤ x ≤ 185

185 − 𝑥 185 − 183 2

= = = 0.4 gms
185 − 180 5 5

3. Tipis antara 190 gms sampai 200 gms

1; x ≤ 200
200 − x
μ tipis [x] = { ; 195 ≤ x ≤ 200
200 − 195
0; x ≥ 200

b. Input beban pakaian

Beban pakaian di bagi menjadi tiga kategori yaitu :

1. Sedikit antara 2 kg sampai 8 kg

1; y≤8
8−x
μ sedikit [y] = { ; 4≤y ≤8
8−4
0; y≥8

2. Sedang antara 8 kg sampai 12 kg

0; y ≤ 8 atau y ≥ 10
y−8
;
μ sedang [y] = 10 − 8 8 ≤ xy ≤ 10
12 − 𝑦
{ 12 − 10 10 ≤ y ≤ 12

12 − 𝑦 12 − 11 1
= = = 0.5 kg
12 − 10 2 2

3. Banyak antara 12 kg sampai 20 kg

0; y ≤ 12
y − 12
μ banyak [y] = { ; 12 ≤ y ≤ 15
15 − 15
1; y ≥ 13.5

𝑦 − 12 13.5 − 12 1.5
= = = 0.5 kg
15 − 12 3 3
 36

c. Input tingkat kekotoran

Tingkat kekotoran di bagi menjadi tiga kategori yaitu :

1. Ringan antara 10 gr sampai 30 gr

1; z ≤ 30
30 − z
μ ringan [z] = { ; 195 ≤ z ≤ 30
30 − 20
0; z ≥ 30

2. Sedang antara 30 gr sampai 60 gr

0; z ≤ 30 atau z ≥ 60
z − 30
;
μ sedang [z] = 45 − 30 30 ≤ z ≤ 45
60 − 𝑧
{ 60 − 45 45 ≤ z ≤ 60

60 − 𝑧 60 − 50 10
= = = 0.7 gr
60 − 45 5 5

3. Berat antara 60 gr sampai 100 gr

0; z ≤ 60
z − 60
μ berat [z] = { ; 60 ≤ z ≤ 80
80 − 60
1; z ≥ 70

𝑧 − 60 70 − 60 10
= = = 0.5 gr
80 − 60 20 20

d. Input takaran detergen

Takaran deterjen di bagi menjadi tiga kategori yaitu :

1. Sedikit antara 10 gr sampai 20 gr

1; d ≤ 20
20 − d
μ sedikit [d] = { ; 15 ≤ d ≤ 20
20 − 15
0; d ≥ 20
 37

2. Sedang antara 20 gr sampai 70 gr

0; d ≤ 20 atau d ≥ 70
d − 20
;
μ sedang [d] = 40 − 20 20 ≤ d ≤ 40
70 − 𝑑
{ 70 − 40 40 ≤ d ≤ 70

70 − 𝑑 70 − 55 15
= = = 0.5 gr
70 − 180 30 30

3. Banyak antara 70 gr sampai 130 gr

0; d ≤ 70
d − 70
μ banyak [d]d { ; 70 ≤ d ≤ 100
100 − 70
1; d ≥ 85

𝑑 − 70 85 − 70 15
= = = 0.5 gr
100 − 70 30 30

e. Input takaran air

Takaran air di bagi menjadi tiga kategori yaitu :

1. Sedikit antara 20 ltr sampai 50 ltr

1; a ≤ 50
50 − a
μ sedikit [a] = { ; 35 ≤ a ≤ 50
0 − 35
0; a ≥ 50

2. Sedang antara 50 sampai 85 (ltr)

0; a ≤ 50 atau a ≥ 85
a − 50
;
μ sedang [a] = 70 − 50 50 ≤ a ≤ 70
85 − 𝑎
{ 70 ≤ a ≤ 85
85 − 70

85 − a 85 − 75 10
= = = 0.7 ltr
85 − 70 15 15
 38

3. Banyak antara 85 sampai 115 (ltr)

0; a ≤ 85
a − 85
μ banyak [a] = { ; 85 ≤ a ≤ 100
100 − 85
1; a ≥ 90

a − 85 90 − 85 5
= = = 0.5 ltr
100 − 85 15 15

3.4.2. Evaluasi Aturan Dasar

Setelah menentukan fungsi keanggotaan, aturan dasar berjumlah serratus

dua puluh lima , yang didapat dari jumlah input dipangkatkan dengan jumlah

fungsi keanggotaan tiap-tiap input, jumlah input = 5 dan jumlah fungsi

keanggotaan tiap- tiap input = 3, jadi 5³ = 125.

Input yang didapat penulis adalah jenis pakaian dibagi menjadi tiga bagian

yaitu tebal (Te), sedang (Se), tipis (Ti), beban pakaian dibagi menjadi tiga bagian

yaitu sedikit (S), sedang (Se), banyak (Ba), tingkat kekotoran juga dibagi menjadi

tiga bagian yaitu ringan (Ri), sedang (Se), berat (Be), takaran detergen juga dibagi

menjadi tiga bagian yaitu sedikit (S), sedang (Se), banyak (Ba). Dan takaran Air

juga dibagi menjadi tiga bagian yaitu sedikit (S), sedang (Se), banyak (Ba). Dapat

dilihat pada table 3.1 berikut ini :

Tabel 3. 1 Aturan dasar fuzzy

Tingkat kotoran Takaran air

Jenis pakaian &
& takaran
beban pakain
detergen
RPM & Waktu
Se La Ba Ce
Te S Ri S S La Ce
Ce Se
Se Ce Ba Sc
Te Se Ri Se S La Ce
Se La
Te Ba Ri Ba S La Ce Se Ce Ba Sc
 39

Se La
Se Ce Ba Sc
Se S Se S S La Ce
Se La
Se Ce Ba Sc
Se Se Se Se S Ce Se
Se La
Se Sc Ba Sc
Se Ba Se Ba S Ce Se
La La
Se Ce Ba Ce
Ti S Be S S La Ce
Se Se
Se Sc Ba Sc
Ti Se Be Se S Ce Se
La La
Se Sc Ba Sc
Ti Ba Be Ba S Ce Se
La La

Keterangan :

Ti = Tipis Ba = Banyak

S = Sedikit Be = Berat

Se = Sedang Ri = Ringan

La = Lama Ce = Cepat

Sc = Sangat Cepat Te = Tebal

Aturan pernyataan jika-maka (IF-THEN) yang dipergunakan sesuai tabel

3.1 adalah jika jenis pakaian tebal dan beban pakaian sedikit dan tingkat

kekotoran ringan dan takaran detergen sedikit dan takaran air sedikit maka RPM

lama dan waktu cepat dan seterusnya.

3.4.3. Proses Implikasi MIN

Setelah mendapatkan hasil dari fuzifikasi maka di ambil yang nilainya

max dari setiap input. Setelah mendapatkan nilai max dari setiap inputan maka

dilakukan implikasi min menggunakan rumus

µA∩B = min (µA[x], µB[y]) (3.1)

 40

Berdasarkan rule yang akan dijelaskan pada evaluasi aturan dasar pada

analisis menggunakan matlab. Setelah mendapatkan hasil implikasi min kemudian

subtitusikan kedalam fungsi keanggotaan daya lampu yang sesuai dengan rule.

Penulis membagi RPM menjadi tiga bagian dan waktu menjadi tiga bagian yaitu:

1. RPM di bagi menjadi tiga kategori yaitu :

a. Lama antara 40 rpm sampai 800 rpm

1; R ≤ 80
800 − R
μ lama [R] = { ; 80 ≤ R ≤ 800
800 − 80
0; R ≥ 800

b. Cepat antara 400 rpm sampai 1000 rpm

0; R ≤ 400 atau ≥ 1000

R − 800
;
μ cepat [R] = 800 − 400 400 ≤ R ≤ 800
1000 − R
800 ≤ R ≤ 1000
{ 1000 − 800

c. Sangat cepat antara 800 rpm sampai 1400 rpm

0; R ≤ 800
R − 800
μ sangat cepat [R] = { ; 800 ≤ R ≤ 1000
1000 − 800
1; R ≥ 1000

2. Waktu dibagi menjadi kategori yaitu :

a. Cepat antara 2 menit samapai 6 menit

1; w≤4
6−w
μ cepat [R] = { ; 4≤w ≤6
6−4
0; w≥6

b. Sedang antara 6 menit samapai 10 menit

 41

0; w ≤ 6 atau ≥ 10
w−8
;
μ sedang [w] = 8−6 6≤w≤8
10 − w
8 ≤ w ≤ 10
{ 0−8

c. Lama antara 10 menit sampai 30 menit

0; w ≤ 10
w − 10
μ lama [w] = { ; 10 ≤ w ≤ 20
20 − 10
1; w ≥ 20

3.4.1. Proses Defuzzifikasi

Setelah itu di defuzifikasikan menggunakan Flowchart dari metode fuzzy

yang telah dijabarkan diatas dengan sistem inferensi menggunakan metode

mamdani dan defuzzifikasi menggunakan metode centroid dapat dilihat pada

gambar 3.2 dibawah ini :

Mulai

Jenis Beban Tingkat Takaran

Takaran Air
Pakaian Pakaian Kotoran Detergen

Fuzzifikasi

Implikasi
(Max)

Implikasi Rule Base

(Min)

Defuzzifikasi

Kecepatan Waktu
Putaran Putaran

Selesai

Gambar 3. 2 Flowchart Logika Fuzzy

 42

Keterangan flowchart gambar 3.2 diatas :

1. Input sistem ada 5 yaitu : jenis pakaian, beban pakaian, tingkat kekotoran,

takaran detergen dan takaran air.

2. Input dilakukan fuzifikasi sesuai dengan fungsi keanggotaanya.

3. Setelah mendapatkan hasil dari fuzifikasi maka di ambil yang nilainya max

dari setiap input.

4. Setelah mendapatkan nilai max dari setiap inputan maka dilakukan implikasi

min menggunakan rumus µA∩B = min (µA[x], µB[y])

5. Setelah itu dilakukan defuzifikasi menggunakan centroid.

6. Hasil dari defuzifikasi adalah sebagai output program.

3.5. Langkah - langkah membuat FIS metode mamdani

1. Jalankanlah program matlab R2010b lalu kemudian untuk memulai

perhitungan dan simulasi ketik "fuzzy" di command window, dapat dilihat

pada gambar 3.3 dibawah ini :

Gambar 3. 3 Tampilan Command Window

Sehingga muncul tampilan seperti gambar 3.4 sebagai berikut:

 43

Gambar 3. 4 Tampilan FIS Editor

2. Tekan edit-add variable-input untuk menentukan banyaknya input yang

diinginkan. Dan tekan edit-add variable-output untuk menentukan output yang

diinginkan seperti tampilan gambar 3.5 dibawah ini:

Gambar 3. 5 Tampilan FIS Editor Variable Input-Output

3. Tekan jenis pakain 2 kali, kemudian masukan himpunan fungsi keanggotaan

berdasarkan data di atas. Variabel jenis pakaian, dibagi menjadi 3 fungsi

keanggotaan yaitu : tebal, sedang, tipis. Untuk kurva segitiga gunakan trimf

dengan semesta pembicaraan (range) 50-200. Sehingga diperoleh tampilan

gamabar 3.6 sebagai berikut :

 44

Gambar 3. 6 Tampilan Membership Function Editor Jenis Pakaian

4. Tekan beben pakaian 2 kali, kemudian masukan himpunan fungsi keanggotaan

berdasarkan data di atas. Variabel beban pakaian, dibagi menjadi 3 fungsi

keanggotaan yaitu : sedikit, sedang, banyak. Untuk kurva segitiga gunakan

trimf dengan semesta pembicaraan (range) 0-20. Sehingga diperoleh tampilan

gambar 3.7 sebagai berikut :

Gambar 3. 7 Tampilan Membership Function Editor Beban Pakaian

5. Tekan tingkat kekotoran 2 kali. kemudian masukan himpunan fungsi

keanggotaan berdasarkan data di atas. Variabel tingkat kekotoran, dibagi

menjadi 3 fungsi keanggotaan yaitu : ringan, sedang, berat. Untuk kurva

 45

segitiga gunakan trimf dengan semesta pembicaraan (range) 0-100. Sehingga

diperoleh tampilan gambar 3.8 sebagai berikut :

Gambar 3. 8 Tampilan Membership Function Editor Tingkat Kekotoran

6. Tekan takaran detergen 2 kali. kemudian masukan himpunan fungsi

keanggotaan berdasarkan data di atas. Variabel takaran detergen, dibagi

menjadi 3 fungsi keanggotaan yaitu : sedikit, sedang, banyak. Untuk kurva

segitiga gunakan trimf dengan semesta pembicaraan (range) 1-35. Sehingga

diperoleh tampilan gambar 3.9 sebagai berikut :

Gambar 3. 9 Tampilan Membership Function Editor Takaran Detergen

7. Tekan takaran air 2 kali. kemudian masukan himpunan fungsi keanggotaan

berdasarkan data di atas. Variabel takaran air, dibagi menjadi 3 fungsi

 46

keanggotaan yaitu : sedikit, sedang, banyak. Untuk kurva segitiga gunakan

trimf dengan semesta pembicaraan (range) 0-115. Sehingga diperoleh

tampilan gambar 3.10 sebagai berikut :

Gambar 3. 10 Tampilan Membership Function Editor Takaran Air

8. Tekan RPM 2 kali. kemudian masukan himpunan fungsi keanggotaan

berdasarkan data di atas. Variabel RPM, dibagi menjadi 3 fungsi keanggotaan

yaitu : lama, cepat, sangat cepat. Untuk kurva segitiga gunakan trimf dengan

semesta pembicaraan (range) 0-1400. Sehingga diperoleh tampilan gambar

3.11 sebagai berikut :

Gambar 3. 11 Tampilan Membership Function Editor RPM

9. Tekan waktu 2 kali. kemudian masukan himpunan fungsi keanggotaan

berdasarkan data di atas. Variabel waktu pencucian, dibagi menjadi 3 fungsi

 47

keanggotaan yaitu : cepat, sedang, lama. Untuk kurva segitiga gunakan trimf

dengan semesta pembicaraan (range) 0-30. Sehingga diperoleh tampilan

gambar 3.12 sebagai berikut :

Gambar 3. 12 Tampilan Membership Function Editor Waktu

10. Setelah selesai memasukan variabel input dan output, tahap selanjutnya adalah

membuat aturan-aturan berdasarkan basis pengetahuan. Tekan edit-Rules dan

tulis aturan berdasarkan input dan output yang dibuat. Maka diperoleh

tampilan gambar 3.13 sebagai berikut:

Gambar 3. 13 Tampilan Rule Editor

11. Setelah aturan dibuat. kemudian tekan pada Rule-editor yaitu view-Rules

maka muncul seperti tampilan gambar 3.14 dibawah ini, yang digunakan
 48

untuk melakukan perhitungan dan simulasi sesuai dengan rule yang telah

diberikan.

Gambar 3. 14 Tampilan Rule Viewer

12. Jika ingin melihat grafik maka tekan view-surface pada tampilan Rule Viewer,

dapat dilihat gambar 3.15.

Gambar 3. 15 Tampilan Surface Viewer

13. Langkah terakhir adalah menyimpan file sistem fuzzy yang telah dibuat, tekan

File-Export-To file Seperti gambar 3.16 tampilan dibawah ini.

Gambar 3. 16 Tampilan FIS Editor Cara Menyimpan File Sistem Fuzzy

 49

3.5.1. Memanfaatkan GUI

GUI (Graphical User Interface), Caranya :

1. Pada prompt MATLAB, ketikkan guide seperti pada gambar 3.17 berikut:

>> guide

Gambar 3. 17 Tampilan Command window GUI Matlab

Sesaat kemudian akan muncul tampilan seperti gambar 3.18 berikut:

Gambar 3. 18 Kotak Dialog Matlab

2. Pilih Blank GUI. Kemudian kliklah tombol OK. Tunggu beberapa saat sampai

muncul gambar 3.19.

Gambar 3. 19 Tampilan GUI Matlab

 50

3. Pada jendela GUI terdapat bagian yang dinamakan toolbar terletak disebelah

kiri. Dalam toolbar terdapat komponen-komponen yang bisa diletakkan

kedalam aplikasi. Komponen-komponen toolbar dapat dilihat pada Gambar

3.20.

Gambar 3. 20 Toolbar Pada GUI

 BAB IV

ANALISA DAN PEMBAHASAN

Sesuai dengan rumusan masalah pada bab I, maka yang akan dibahas pada

bab ini bagaimana jenis pakaian, beban pakaian, tingkat kekotoran, takaran

detergen, dan takaran air, kecepatan putaran dan estimiasi waktu cuci yang

diperlukan untuk mencuci pakaian dengan metode fuzzy inference system

mamdani.

4.1. Analisis kasus

Kasus ini terdapat 5 variabel fungsi keanggotaan input yaitu: bagaimana

jenis pakaian, beban pakaian, tingkat kekotoran, takaran detergen, dan takaran air

serta 2 variabel fungsi keanggotaan output RPM dan waktu pencucian, yang

hasilnya ditampilkan pada Gambar 4.1.

Berdasarkan unit penalaran pada inferensi fuzzy yang berbentuk :

Jika x adalah A, dan y adalah B, dan z adalah C, dan d adalah D, dan ɑ adalah

E, dan R adalah F, dan W adalah G.

Jika x dikaitkan dengan variable jenis pakaian dan A adalah nilai-nilai

linguistiknya, y dikaitkan dengan variable beban pakaian dan B adalah nilai-nilai

linguistiknya, z dikaitkan dengan variable tingkat kekotoran dan C adalah nilai-

nilai linguistiknya, d dikaitkan dengan variable takaran detergen dan D adalah

nilai-nilai linguistiknya, ɑ dikaitkan dengan variable takaran air dan E adalah

nilai-nilai linguistiknya, R dikaitkan dengan variable RPM dan F adalah nilai-nilai

linguistiknya, W dikaitkan dengan variable waktu dan G adalah nilai

51
 52

linguistiknya, maka aturan-aturan yang dapat terbentuk dapat disajikan dalam

tabel 4.1 berikut ini:

Tabel 4. 1 Aturan-aturan yang terbentuk pada inferensi fuzzy

Jenis Beban Tingkat Tingkat Takaran Fungsi

Aturan Rpm Waktu
Pakaian Pakaian Kekotoran Detergen Air Impikasi
R1 tebal sedikit ringan sedikit sedikit → Lama cepat

R2 tebal sedikit ringan sedang sedang → Lama cepat

R3 tebal sedikit ringan banyak banyak → Cepat sedang

R4 tebal sedikit ringan banyak sedikit → Lama cepat

R5 tebal sedikit sedang sedikit sedang → Cepat sedang

R6 tebal sedikit sedang sedang banyak → sangat cepat lama

R7 tebal sedikit sedang banyak sedikit → Cepat sedang

R8 tebal sedikit sedang banyak sedang → sangat cepat lama

R9 tebal sedikit berat sedikit banyak → cepat sedang

R10 tebal sedikit berat sedang sedikit → cepat sedang

R11 tebal sedikit berat banyak sedang → sangat cepat lama

R12 tebal sedikit berat banyak banyak → sangat cepat lama

R13 tebal sedikit berat sedikit sedikit → lama cepat

R14 tebal sedikit berat sedang sedang → sangat cepat lama

R15 tebal sedang ringan sedikit sedikit → lama cepat

R16 tebal sedang ringan sedang sedang → lama cepat

R17 tebal sedang ringan banyak banyak → cepat sedang

R18 tebal sedang ringan banyak sedikit → lama cepat

R19 tebal sedang sedang sedikit sedang → cepat sedang

R20 tebal sedang sedang sedang banyak → sangat cepat lama

R21 tebal sedang sedang banyak sedikit → cepat sedang

R22 tebal sedang sedang banyak sedang → sangat cepat lama

R23 tebal sedang berat sedikit banyak → cepat sedang

 53

R24 tebal sedang berat sedang sedikit → cepat sedang

R25 tebal sedang berat banyak sedang → sangat cepat lama

R26 tebal sedang berat banyak banyak → sangat cepat lama

R27 tebal sedang berat sedikit sedikit → lama cepat

R28 tebal sedang berat sedang sedang → sangat cepat lama

R29 tebal banyak ringan sedikit sedikit → lama cepat

R30 tebal banyak ringan sedang sedang → lama cepat

R31 tebal banyak ringan banyak banyak → cepat sedang

R32 tebal banyak ringan banyak sedikit → lama cepat

R33 tebal banyak sedang sedikit sedang → cepat sedang

R34 tebal banyak sedang sedang banyak → sangat cepat lama

R35 tebal banyak sedang banyak sedikit → cepat sedang

R36 tebal banyak sedang banyak sedang → sangat cepat lama

R37 tebal banyak berat sedikit banyak → cepat sedang

R38 tebal banyak berat sedang sedikit → cepat sedang

R39 tebal banyak berat banyak sedang → sangat cepat lama

R40 tebal banyak berat banyak banyak → sangat cepat lama

R41 tebal banyak berat sedikit sedikit → lama cepat

R42 tebal banyak berat sedang sedang → sangat cepat lama

R43 sedang sedikit ringan sedikit sedikit → lama cepat

R44 sedang sedikit ringan sedang sedang → lama cepat

R45 sedang sedikit ringan banyak banyak → cepat sedang

R46 sedang sedikit ringan banyak sedikit → lama cepat

R47 sedang sedikit sedang sedikit sedang → cepat sedang

R48 sedang sedikit sedang sedang banyak → sangat cepat lama

R49 sedang sedikit sedang banyak sedikit → cepat sedang

R50 sedang sedikit sedang banyak sedang → sangat cepat lama

R51 sedang sedikit berat sedikit banyak → cepat sedang

 54

R52 sedang sedikit berat sedang sedikit → cepat sedang

R53 sedang sedikit berat banyak sedang → sangat cepat lama

R54 sedang sedikit berat banyak banyak → sangat cepat lama

R55 sedang sedikit berat sedikit sedikit → lama cepat

R56 sedang sedikit berat sedang sedang → sangat cepat lama

R57 sedang sedang ringan sedikit sedikit → lama cepat

R58 sedang sedang ringan sedang sedang → lama cepat

R59 sedang sedang ringan banyak banyak → cepat sedang

R60 sedang sedang ringan banyak sedikit → lama cepat

R61 sedang sedang sedang sedikit sedang → cepat sedang

R62 sedang sedang sedang sedang banyak → sangat cepat lama

R63 sedang sedang sedang banyak sedikit → cepat sedang

R64 sedang sedang sedang banyak sedang → sangat cepat lama

R65 sedang sedang berat sedikit banyak → cepat sedang

R66 sedang sedang berat sedang sedikit → cepat sedang

R67 sedang sedang berat banyak sedang → sangat cepat lama

R68 sedang sedang berat banyak banyak → sangat cepat lama

R69 sedang sedang berat sedikit sedikit → lama cepat

R70 sedang sedang berat sedang sedang → sangat cepat lama

R71 sedang banyak ringan sedikit sedikit → lama cepat

R72 sedang banyak ringan sedang sedang → lama cepat

R73 sedang banyak ringan banyak banyak → cepat sedang

R74 sedang banyak ringan banyak sedikit → lama cepat

R75 sedang banyak sedang sedikit sedang → cepat sedang

R76 sedang banyak sedang sedang banyak → sangat cepat lama

R77 sedang banyak sedang banyak sedikit → cepat sedang

R78 sedang banyak sedang banyak sedang → sangat cepat lama

R79 sedang banyak berat sedikit banyak → cepat sedang

 55

R80 sedang banyak berat sedang sedikit → cepat sedang

R81 sedang banyak berat banyak sedang → sangat cepat lama

R82 sedang banyak berat banyak banyak → sangat cepat lama

R83 sedang banyak berat sedikit sedikit → lama cepat

R84 sedang banyak berat sedang sedang → sangat cepat lama

R85 tipis sedikit ringan sedikit sedikit → lama cepat

R86 tipis sedikit ringan sedang sedang → lama cepat

R87 tipis sedikit ringan banyak banyak → cepat sedang

R88 tipis sedikit ringan banyak sedikit → lama cepat

R89 tipis sedikit sedang sedikit sedang → cepat sedang

R90 tipis sedikit sedang sedang banyak → sangat cepat lama

R91 tipis sedikit sedang banyak sedikit → cepat sedang

R92 tipis sedikit sedang banyak sedang → sangat cepat lama

R93 tipis sedikit berat sedikit banyak → cepat sedang

R94 tipis sedikit berat sedang sedikit → cepat sedang

R95 tipis sedikit berat banyak sedang → sangat cepat lama

R96 tipis sedikit berat banyak banyak → sangat cepat lama

R97 tipis sedikit berat sedikit sedikit → lama cepat

R98 tipis sedikit berat sedang sedang → sangat cepat lama

R99 tipis sedang ringan sedikit sedikit → lama cepat

R100 tipis sedang ringan sedang sedang → lama cepat

R101 tipis sedang ringan banyak banyak → cepat sedang

R102 tipis sedang ringan banyak sedikit → lama cepat

R103 tipis sedang sedang sedikit sedang → cepat sedang

R104 tipis sedang sedang sedang banyak → sangat cepat lama

R105 tipis sedang sedang banyak sedikit → cepat sedang

R106 tipis sedang sedang banyak sedang → sangat cepat lama

R107 tipis sedang berat sedikit banyak → cepat sedang

 56

R108 tipis sedang berat sedang sedikit → cepat sedang

R109 tipis sedang berat banyak sedang → sangat cepat lama

R110 tipis sedang berat banyak banyak → sangat cepat lama

R111 tipis sedang berat sedikit sedikit → lama cepat

R112 tipis sedang berat sedang sedang → sangat cepat lama

R113 tipis banyak ringan sedikit sedikit → lama cepat

R114 tipis banyak ringan sedang sedang → lama cepat

R115 tipis banyak ringan banyak banyak → cepat sedang

R116 tipis banyak ringan banyak sedikit → lama cepat

R117 tipis banyak sedang sedikit sedang → cepat sedang

R118 tipis banyak sedang sedang banyak → sangat cepat lama

R119 tipis banyak sedang banyak sedikit → cepat sedang

R120 tipis banyak sedang banyak sedang → sangat cepat lama

R121 tipis banyak berat sedikit banyak → cepat sedang

R122 tipis banyak berat sedang sedikit → cepat sedang

R123 tipis banyak berat banyak sedang → sangat cepat lama

R124 tipis banyak berat banyak banyak → sangat cepat lama

R125 tipis banyak berat sedikit sedikit → lama cepat

Gambar 4. 1 Fungsi Keanggotaan Input dan Output

 57

Gambar 4.1 diatas, dipilih input jenis pakaian untuk dibuat fungsi

keanggotaan yang lebih detail, yaitu untuk fungsi keanggotaan tipis, sedang dan

tebal, yang ketiganya mempunyai range antara 0 s/d 200 gms. Untuk fungsi

keanggotaan tipis tipe variabelnya adalah trimf dengan parametemya [190 195

200], sedangkan fungsi keanggotaan sedang tipe variabelnya adalah trimf dengan

parametemya [175 180 185] dan fungsi keanggotaan tebal tipe variabelnya adalah

trimf dengan parametemya [140 145 150]. Hasilnya ditampilkan pada Gambar

4.2.

Gambar 4. 2 Fungsi Keanggotaan Variabel Input Jenis Pakaian

Gambar 4.2 diatas, dipilih input beban pakaian untuk dibuat fungsi

keanggotaan yang lebih detail, yaitu untuk fungsi keanggotaan sedikit, sedang dan

banyak, yang ketiganya mempunyai range antara 50 s/d 200 kg. Untuk fungsi

keanggotaan sedikit tipe variabelnya adalah trimf dengan parametemya [2 4 8],

sedangkan fungsi keanggotaan sedang tipe variabelnya adalah trimf dengan

parametemya [8 10 12] dan fungsi keanggotaan terang tipe variabe1nya ada1ah

trimf dengan parameternya [12 15 20]. Hasilnya ditampilkan pada Gambar 4.3.
 58

Gambar 4. 3 Fungsi Keanggotaan Variabel Input Beban Pakain

Gambar 4.3 diatas, dipilih input tingkat kekotoran untuk dibuat fungsi

keanggotaan yang lebih detail, yaitu untuk fungsi keanggotaan ringan, sedang dan

berat, yang ketiganya mempunyai range antara 0 s/d 100 gr. Untuk fungsi

keanggotaan ringan tipe variabelnya adalah trimf dengan parametemya [10 20 30],

sedangkan fungsi keanggotaan sedang tipe variabelnya adalah trimf dengan

parametemya [30 45 60] dan fungsi keanggotaan berat tipe variabe1nya adalah

trimf dengan parameternya [60 80 100]. Hasilnya ditampilkan pada Gambar 4.4.

Gambar 4. 4 Fungsi Keanggotaan Variabel Input Tingkat Kekotoran

Gambar 4.4 diatas, dipilih input takaran detergen untuk dibuat fungsi

keanggotaan yang lebih detail, yaitu untuk fungsi keanggotaan sedikit, sedang dan

banyak, yang ketiganya mempunyai range antara 0 s/d 130 gr. Untuk fungsi

keanggotaan sedikit tipe variabelnya adalah trimf dengan parametemya [10 15

20], sedangkan fungsi keanggotaan sedang tipe variabelnya adalah trimf dengan
 59

parametemya [20 40 70] dan fungsi keanggotaan banyak tipe variabe1nya ada1ah

trimf dengan parameternya [70 100 130]. Hasilnya ditampilkan pada Gambar 4.5.

Gambar 4. 5 Fungsi Keanggotaan Variabel Input Takaran Detergen

Gambar 4.5 diatas, dipilih input takaran air untuk dibuat fungsi

keanggotaan yang lebih detail, yaitu untuk fungsi keanggotaan sedikit, sedang dan

banyak, yang ketiganya mempunyai range antara 0 s/d 115 ltr. Untuk fungsi

keanggotaan sedikit tipe variabelnya adalah trimf dengan parametemya [ 20 35

50], sedangkan fungsi keanggotaan sedang tipe variabelnya adalah trimf dengan

parametemya [50 70 85] dan fungsi keanggotaan banyak tipe variabe1nya ada1ah

trimf dengan parameternya [85 100 115]. Hasilnya ditampilkan pada Gambar 4.6.

Gambar 4. 6 Fungsi Keanggotaan Variabel Input Takaran Air

Untuk output RPM, dari Gambar 4.6 di atas, dipilih output RPM dibuat

fungsi keanggotaan yang lebih detail, yaitu untuk fungsi keanggotaan lama, cepat

dan sangat cepat, yang ketiganya mempunya range antara 0 s/d 1400 rpm. Untuk

fungsi keanggotaan lama tipe variabelnya adalah trimf dengan parameternya [40
 60

400 800], sedangkan fungsi keanggotaan cepat tipe variabelnya adalah trimf

dengan parameternya [400 800 1000] dan fungsi keanggotaan sangat cepat tipe

variabelnya adalah trimf dengan parameternya [800 1000 1400]. Hasilnya

ditampilkan pada Gambar 4.7.

Gambar 4. 7 Fungsi Keanggotaan Variabel Output RPM

Demikian pula untuk output waktu pencucian, dari Gambar 4.7 di atas,

dipilih output waktu pencucian dibuat fungsi keanggotaan yang lebih detail, yaitu

untuk fungsi keanggotaan cepat, sedang dan lama, yang ketiganya mempunya

range antara 0 s/d 30 menit. Untuk fungsi keanggotaan cepat tipe variabelnya

adalah trimf dengan parameternya [2 4 6], sedangkan fungsi keanggotaan sedang

tipe variabelnya adalah trimf dengan parameternya [6 8 10] dan fungsi

keanggotaan sangat lama tipe variabelnya adalah trimf dengan parameternya [10

20 30]. Hasilnya ditampilkan pada Gambar 4.8.

Gambar 4. 8 Fungsi Keanggotaan Variabel Output Waktu Pencucian

 61

Setelah selesai memasukan variable jenis pakaian, beban pakaian, tingkat

kekotoran, takaran detergen, takaran air dan variabel output RPM dan waktu

pencucian, tahap selanjutnya adalah membuat aturan-aturan berdasarkan basis

pengetahuan. Tekan edit-Rules dan tulis aturan berdasarkan input dan output yang

dibuat.

Dengan menyusun aturan fuzzy seperti pada dasar teori diatas, dalam

toolbox Matlab, hasilnya adalah :

Gambar 4. 9 Aturan Fuzzy

Setelah aturan dibuat. kemudian tekan pada Rule-editor yaitu view-Rules

maka muncul tampilan dibawah ini, yang digunakan untuk melakukan

perhitungan dan simulasi sesuai dengan rule yang telah diberikan pada gambar

4.10.

Hasil optimasi dengan memisalkan jenis pakaian 145 gms, beban pakaian

4 kg, tingkat kekotoran 20 gr, takaran detergen 15 gr dan takaran air dimisalkan

35 ltr, maka RPM dan waktu pencucian yang diperlukan dengan system fuzzy

mamdani ini adalah 414 rpm dan 4 menit. Hasil program ditampilkan pada

gambar 4.10 fuzzy dan gambar 4.11 Hasil GUI.

 62

Gambar 4. 10 Hasil Optimasi Dengan jenis pakaian 145 gms, beban pakaian 4 kg,

tingkat kekotoran 20 gr, takaran detergen 15 gr dan takaran air dimisalkan 35 ltr.

Gambar 4. 11 Hasil GUI Dengan jenis pakaian 145 gms, beban pakaian 4 kg,

tingkat kekotoran 20 gr, takaran detergen 15 gr dan takaran air dimisalkan 35 ltr.

Jika diberikan dengan input lain, misalkan jenis pakaian 180 gms, beban

pakaian 10 kg, tingkat kekotoran 45 gr, takaran detergen 40 gr dan takaran air

dimisalkan 70 ltr, maka RPM dan waktu pencucian yang diperlukan dengan

system fuzzy mamdani ini adalah 700 rpm dan 15 menit Hasil program

ditampilkan pada gambar 4.12 dan gambar 4.13 hasil GUI.

 63

Gambar 4. 12 Hasil Optimasi dengan jenis pakaian 180 gms, beban pakaian 10 kg,

tingkat kekotoran 45 gr, takaran detergen 40 gr dan takaran air dimisalkan 70 ltr.

Gambar 4. 13 Hasil GUI dengan jenis pakaian 180 gms, beban pakaian 10 kg,

tingkat kekotoran 45 gr, takaran detergen 40 gr dan takaran air dimisalkan 70 ltr.

Cara lain menjalankan program dapat dilakukan dengan menggeser-geser

garis vertikal pada variabel jenis pakaian, beban pakaian, tingkat kekotoran,

takaran detergen, takaran air, misalkan garis vertikal pada variabel jenis pakaian

195 gms, beban pakaian 12 kg, tingkat kekotoran 30 gr, takaran detergen 15 gr
 64

dan takaran air 50 ltr, maka RPM dan waktu pencucian yang diperlukan dengan

sistem pengambilan keputusan ini adalah 700 rpm dan 15 menit. Hasil program

ditampilkan pada gambar 4.14 dan gambar 4.15 hasil GUI.

Gambar 4. 14 Hasil Optimasi dengan jenis pakaian 195 gms, beban pakaian 12 kg,

tingkat kekotoran 30 gr, takaran detergen 15 gr dan takaran air dimisalkan 50 ltr.

Gambar 4. 15 Hasil GUI dengan jenis pakaian 195 gms, beban pakaian 12 kg,

tingkat kekotoran 30 gr, takaran detergen 15 gr dan takaran air dimisalkan 50 ltr.

Dengan menggeser-geser garis vertikal pada variabel input jenis pakaian,

beban pakaian, tingkat kekotoran, takaran detergen dan takaran air, dapat disusun

RPM dan waktu pencucian yang dibutuhkan seperti dalam Tabel 4.2.
 65

Tabel 4. 2 Hasil simulasi FIZ mamdani menentukan RPM dan waktu yang

diperlukan dengan Input jenis pakaian, beban pakaian, tingkat kekotoran, takaran

detergen, takaran air.

Jenis Beban Tingkat Takaran Takaran Waktu

RPM
No Pakaian Pakaian Kekotoran Detergen Air Pencucian
(rpm)
(gms) (kg) (gr) (gr) (ltr) (menit)
1 144 4.5 18 15 35 413.78 3.99
2 144 4.5 18 38 35 700 15
3 144 4.5 44 100 32 731.15 8.00
4 144 4.5 44 100 69 1068.88 19.99
5 144 4.5 44 100 102 700 15
6 144 4.5 78 40 32 731.15 8.00
7 144 10 20 40 32 700 15
8 144 10 46 100 70 1068.88 19.99
9 180 4.5 18 16 35 413.78 3.99
10 180 4.5 79 98 100 1068.21 19.99
11 180 16 80 100 34 700 15
12 180 16 17 100 100 728.71 8.00
13 180 16 45 100 100 700 15
14 180 10 80 100 100 1066.65 19.99
15 195 4.5 22 15 33 1066.65 19.99
16 195 4.5 43 15 33 700 15
17 195 4.5 82 15 33 413.78 3.99
18 195 4.5 82 98 65 1069.96 19.99
19 195 10 20 98 65 700 15
20 195 16 43 100 34 732.319 8.00

Dari pengamatan pada Tabel 4.2 di atas nampak bahwa semakin banyak

takaran air dengan takaran detergen, dan tebal jenis pakaian, maka kebutuhan

RPM sangat cepat dan waktu lama. Demikian pula untuk jenis pakaian tipis

dengan beban pakaian banyak, takaran detergen banyak dan takaran air banyak,

maka kebutuhan RPM sangat cepat dan waktu lama.

 BAB V

PENUTUP

5.1. Kesimpulan

Berdasarkan uraian bab-bab sebelumnya, maka dapat diambil kesimpulan

dari penelitian skripsi ini adalah sebagai berikut :

Dalam menentukan RPM dan waktu pencucian pada mesin cuci

dibutuhkan lima faktor utama yaitu jenis pakaian ( Te = 140 gms- 150 gms, Se = 175

Gms - 185 gms, Ti = 190 gms - 200 gms), beban pakaian (S = 2 kg- 8 kg, Se = 8 kg - 12

kg, Ba = 12 kg - 20 kg), tingkat kekotoran (Ri = 10 gr - 30 gr, Se = 30 gr – 60 gr , Be =

60 gr - 100 gr ), takaran detergen (S = 10 gr - 20 gr, Se = 20 gr - 70 gr , Ba = 70 gr -

130 gr ), dan takaran air (S = 20 ltr - 50 ltr, Se = 50 ltr - 85 ltr , Ba = 85 ltr - 115 ltr ),

yang ingin dicapai. Untuk masing-masing faktor dibagi menjadi tiga kategori.

Berdasarkan penelitian yang telah dilaksanakan simulasi dengan fuzzy

mamdani pada rumah laundry, dengan jenis pakaian 180 gms, beban pakaian 10

kg, tingkat kekotoran 45 gr, takaran detergen 40 gr dan takaran air dimisalkan 70

ltr, maka nilai yang dihasilkan dari simulasi dapat mendekati nilai kebenaran,

RPM dan waktu pencucian yang dibutuhkan yaitu 700 rpm dan 15 menit. Hasil

program ditampilkan pada gambar 4.12.

Semakin banyak takaran air dengan takaran detergen, dan tebal jenis

pakaian, maka kebutuhan RPM sangat cepat dan waktu lama.

66
 67

5.2. Saran

1. Pengembangan simulasi ini yang lebih lengkap lagi, tidak hanya untuk tempat

rumah laundry usaha kecil menengah, tetapi untuk bangunan yang lain seperti

perkantoran, sekolah, rumah sakit, dll.

2. Pengembangan simulasi ini dibuat menjadi sebuah aplikasi calculator yang

berbasis multimedia.

3. Pengembangan simulasi ini dibuat menjadi sebuah aplikasi calculator yang

dapat dijalankan secara online maupun offline.

4. Penelitian ini akan dikembangkan dengan menambah jenis input dan

outputnya, misalkan dengan memperhatikan waktu pengeringan, kondisi

cuaca, dan menambah aturan-aturan yang lebih sempurna serta mengukur

ukuran masing- masing fungsi keanggotaan yang lebih akurat. Sehingga lebih

mendekati kondisi yang sebenarnya.

 DAFTAR PUSTAKA

Aminudin, Jamrud. Dasar-Dasar Fisika Komputasi Menggunakan Matlab.

(Yogyakarta : Penerbit Gava Media, 2008)

Dewi, Reny Siska. (2018). System Pakar Dianogsa Kerusakan Mesin Cuci

Dengan Menggunakan Metode Fuzzy Mamdani.

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 Bionspired and Multi-Objektive Approuach,436.

Kusumadewi,Sri. Analisis dan Desain Sistem Fuzzy Menggunakan Tool Box

Matlab. (Yogyakarta : Penerbit Graha Ilmu, 2002).

Kusumadewi, Sri dan Hari Purnomo. Aplikasi Logika Fuzzy Untuk Pendukung

Keputusan. (Yogyakarta : Penerbit Graha Ilmu, 2004).

Lohani,p. (2010). Tesis FLC Microchip. Design Of An Improved Fuzzy Controller

Microchip For Washing Machine.

Nurhayati, D. M. (2007). Aplikasi Metode Takagi – Sugeno. Skripsi.

Nurjaya, Romi Satria W. (2017). Rotation Speed And Wash Time Settings On

The Washing Machine Using Fuzzy Logic.

Muharriana, (2015). “Rancang Bangun Sistem Penghitung Waktu Pencucian Pada

Mesin Cuci Menggunakan Metode Fuzzy Inference System Mamdani.

Santoso, (2017). Comparation Analysis Of Mamdani, Sugeno And Tsukamoto

Methods In Fuzzy Inference System For Reducing Electrical Energy

Consumption Of Washing Machine.

68
Suyanto. Artificial Intelligence. (Bandung : Penerbit Informatika Bandung, 2007).

Supriyono, (2006), Aplikasi Logika Fuzzy Pada Optimasi Daya Listrik Sebagai

Sistem Pengambilan Keputusan, Ed : Sekolah Tinggi Teknologi

Nuklir,Batan,hal.285-292.

Yurmalin MZ, (2015). Penerapan Logika Fuzzy Tsukamoto Menentukan Lama

Waktu Pencucian Mesin Cuci.

69
 BIODATA PENULIS

Nama : Joko Rukacana

NIM : C.431.16.0057

Tempat/Tgl Lahir : Grobogan, 27 Februari 1991

Alamat : Desa Nampu, RT 001 / RW 001, Kelurahan Nampu,

Kecamatan Karangrayung, Jawa Tengah, Indonesia.

Riwayat Pendidikan :

1997 – 2003 : SD NEGERI 1 NAMPU, KARANGRAYUNG

2003 – 2006 : SMP NEGERI 2 KARANGRAYUNG

2012 – 2015 : PKBM MARSUDI ILMU

2016 – 2021 : UNIVERSITAS SEMARANG

Script Program GUI Matlab

function varargout = waktucuci(varargin)

% WAKTUCUCI MATLAB code for waktucuci.fig
% WAKTUCUCI, by itself, creates a new WAKTUCUCI or raises the existing
% singleton*.
%
% H = WAKTUCUCI returns the handle to a new WAKTUCUCI or the
handle to
% the existing singleton*.
%
% WAKTUCUCI('CALLBACK',hObject,eventData,handles,...) calls the local
% function named CALLBACK in WAKTUCUCI.M with the given input
arguments.
%
% WAKTUCUCI('Property','Value',...) creates a new WAKTUCUCI or raises
the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before waktucuci_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to waktucuci_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one
% instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help waktucuci
% Last Modified by GUIDE v2.5 07-Feb-2021 03:36:05
% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @waktucuci_OpeningFcn, ...
 'gui_OutputFcn', @waktucuci_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
% --- Executes just before waktucuci is made visible.
function waktucuci_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to waktucuci (see VARARGIN)
% Choose default command line output for waktucuci
handles.output = hObject;
% Update handles structure
guidata(hObject, handles);
% UIWAIT makes waktucuci wait for user response (see UIRESUME)
% uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line.
function varargout = waktucuci_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Get default command line output from handles structure
varargout{1} = handles.output;
% --- Executes on button press in run.
function run_Callback(hObject, eventdata, handles)
% hObject handle to run (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
a=readfis('mesin cuci');
out=evalfis([handles.jenisp1 handles.bebanp1 handles.tingkatk1 handles.takaran1
handles.air1],a);
%out2=evalfis([handles.jenisp1 handles.bebanp1 handles.tingkatk1
handles.takaran1 handles.air1],a);
set(handles.rpm,'string',out);
%set(handles.waktu,'string',out2);
% --- Executes on button press in close.0
function close_Callback(hObject, eventdata, handles)
% hObject handle to close (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
close
% --- Executes on button press in reset.
function reset_Callback(hObject, eventdata, handles)
% hObject handle to reset (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
clc
set(handles.jenisp,'string','');
set(handles.bebanp,'string','');
set(handles.tingkatk,'string','');
set(handles.takaran,'string','');
set(handles.air,'string','');
set(handles.rpm,'string','');
guidata(hObject, handles);
function jenisp_Callback(hObject, eventdata, handles)
% hObject handle to jenisp (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
jenisp1=str2double(get(hObject,'string'));
handles.jenisp1=jenisp1;
guidata(hObject,handles);
% Hints: get(hObject,'String') returns contents of jenisp as text
% str2double(get(hObject,'String')) returns contents of jenisp as a double
% --- Executes during object creation, after setting all properties.
function jenisp_CreateFcn(hObject, eventdata, handles)
% hObject handle to jenisp (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function bebanp_Callback(hObject, eventdata, handles)
% hObject handle to bebanp (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
bebanp1=str2double(get(hObject,'string'));
handles.bebanp1=bebanp1;
guidata(hObject,handles);
% Hints: get(hObject,'String') returns contents of bebanp as text
% str2double(get(hObject,'String')) returns contents of bebanp as a double
% --- Executes during object creation, after setting all properties.
function bebanp_CreateFcn(hObject, eventdata, handles)
% hObject handle to bebanp (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function tingkatk_Callback(hObject, eventdata, handles)
% hObject handle to tingkatk (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
tingkatk1=str2double(get(hObject,'string'));
handles.tingkatk1=tingkatk1;
guidata(hObject,handles);
% Hints: get(hObject,'String') returns contents of tingkatk as text
% str2double(get(hObject,'String')) returns contents of tingkatk as a double
% --- Executes during object creation, after setting all properties.
function tingkatk_CreateFcn(hObject, eventdata, handles)
% hObject handle to tingkatk (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function takaran_Callback(hObject, eventdata, handles)
% hObject handle to takaran (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
takaran1=str2double(get(hObject,'string'));
handles.takaran1=takaran1;
guidata(hObject,handles);
% Hints: get(hObject,'String') returns contents of takaran as text
% str2double(get(hObject,'String')) returns contents of takaran as a double
% --- Executes during object creation, after setting all properties.
function takaran_CreateFcn(hObject, eventdata, handles)
% hObject handle to takaran (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function air_Callback(hObject, eventdata, handles)
% hObject handle to air (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
air1=str2double(get(hObject,'string'));
handles.air1=air1;
guidata(hObject,handles);
% Hints: get(hObject,'String') returns contents of air as text
% str2double(get(hObject,'String')) returns contents of air as a double
% --- Executes during object creation, after setting all properties.
function air_CreateFcn(hObject, eventdata, handles)
% hObject handle to air (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function rpm_Callback(hObject, eventdata, handles)
% hObject handle to rpm (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
rpm=str2double(get(hObject,'string'));
handles.rpm=rpm;
guidata(hObject,handles);
% Hints: get(hObject,'String') returns contents of rpm as text
% str2double(get(hObject,'String')) returns contents of rpm as a double
% --- Executes during object creation, after setting all properties.
function rpm_CreateFcn(hObject, eventdata, handles)
% hObject handle to rpm (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function waktu_Callback(hObject, eventdata, handles)
% hObject handle to waktu (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of waktu as text
% str2double(get(hObject,'String')) returns contents of waktu as a double
% --- Executes during object creation, after setting all properties.
function waktu_CreateFcn(hObject, eventdata, handles)
% hObject handle to waktu (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
% --- Executes on button press in close.
function pushbutton9_Callback(hObject, eventdata, handles)
% hObject handle to close (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)