Pengaturan Air Cooler untuk Ruangan menggunakan Logika Fuzzy

Pengaturan Air Cooler untuk Ruangan menggunakan Logika Fuzzy Willy Setiawan - 13508043 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia [email protected]

Abstract—Air cooler adalah sebuah perangkat yang digunakan untuk mendinginkan udara ruangan sekitar. Berbeda dengan air conditioner, air cooler hanya bisa menurunkan suhu beberapa derajat saja dan air cooler juga membutuhkan bahan bakar berupa air. Air cooler dapat bekerja dengan baik pada kelembapan yang rendah. Pada umumnya, air cooler terdiri dari tiga komponen, yaitu sebuah pompa air, sebuah exhaust fan, dan sebuah kipas pendingin. Terdapat sebuah kebutuhan untuk melakukan optimalisasi terhadap sistem air cooler ini. Untuk melakukan optimalisasi terhadap sistem pendingin pada air cooler, digunakanlah logika fuzzy untuk melakukannya. Logika fuzzy adalah sebuah pengembangan dari logika boolean dimana nilai kebenarannya tidak hanya 0 dan 1, melainkan berkisar dari 0 sampai dengan 1. Logika fuzzy banyak digunakan untuk kendali dari sistem. Implementasi logika fuzzy terhadap sebuah air cooler menerima variabel masukan berupa suhu dan kelembapan, serta memberikan variabel keluaran berupa kecepatan dari pompa air, exhaust fan, dan kipas pendingin yang cocok dengan keadaan. Index Terms—logika fuzzy, air cooler, pengatur kecepatan

I.

PENDAHULUAN

Sistem pemrosesan modern sangat tergantung kepada sistem kendali otomatis. Sistem kendali otomatis telah menjadi hal yang penting untuk mesin dan proses untuk berjalan secara sukses untuk memperoleh operasi yang konsisten, kualitas yang lebih baik, mengurangi biaya operasi, dan keselamatan yang lebih baik. Penyejuk udara atau yang sering disebut juga dengan air cooler merupakan salah satu perangkat yang paling banyak dipakai oleh masyarakat luas. Air cooler berbeda dengan air conditioner, walaupun sama-sama berfungsi untuk menyejukkan udara. Air conditioner mampu menurunkan suhu ruangan hingga sampai suhu yang diinginkan, tetapi memiliki harga yang mahal, memakan konsumsi listrik yang besar, sulit untuk dirawat, dan mengeluarkan udara yang kering. Air cooler memiliki harga yang lebih murah dibandingkan air conditioner, mengkonsumsi listrik yang kecil, mudah untuk dirawat, mengeluarkan udara lembab, hemat tempat, tetapi hanya bisa menurunkan suhu udara sekitar 3-5 Celcius, membutuhkan air untuk pendinginan, dan bekerja kurang efisien pada kelembapan tinggi. Penggunaan air cooler dapat dioptimalisasi lebih lanjut

dengan menggunakan bantuan teknologi yang ada. Air cooler dapat menyesuaikan kecepatan kipas dan penggunaan air untuk menghemat listrik sekaligus juga meningkatkan produktivitas air cooler itu sendiri. Salah satu teknologi yang dapat diterapkan untuk optimalisasi penggunaan air cooler ini adalah logika fuzzy. Logika fuzzy adalah sebuah bentuk dari logika probabilistik. Berbeda dengan teori logika tradisional, dimana kumpulan set binary memiliki logika dua nilai: benar atau salah, variabel logika fuzzy memiliki nilai kebenaran yang berkisar di antara 0 dan 1. Logika fuzzy telah dikembangkan untuk menangani konsep benar sebagian, dimana nilai kebenaran dapat berkisar diantara seluruhnya benar dan seluruhnya salah.

II. LOGIKA FUZZY Logika fuzzy adalah pengembangan logika boolean dimana nilai kebenarannya berkisar dari 0 sampai 1, tidak seperti logika boolean biasa yang dimana nilai kebenarannya hanyalah 0 dan 1. Logika fuzzy pertama kali dikembangkan oleh Lotfi Zadeh pada tahun 1965 melalui tulisannya mengenai teori himpunan fuzzy. Lotfi Zadeh adalah seorang profesor pada University of California di Berkley. Alasan pengembangan logika fuzzy ini adalah bahwa manusia tidak memerlukan informasi masukan yang tepat atau mengandung informasi angka, dan mereka mampu beradaptasi dengan baik. Jika feedback pengendali dapat diprogram untuk menerima masukan yang noisy dan tidak tepat, mereka mampu menjadi lebih efektif dan mungkin akan lebih mudah untuk diimplementasi. Logika fuzzy kurang berkembang di Amerika, tetapi lebih populer dan lebih banyak diaplikasikan secara luas oleh praktisi Jepang dengan mengadaptasikannya ke bidang kendali. Salah satu alasan mengapa logika fuzzy lebih terkenal di negara Jepang adalah karena kultur orang Barat yang cenderung memandang suatu persoalan sebagai hitamputih, ya-tidak, bersalah-tidak bersalah, sukses-gagal, atau yang setara dengan dunia logika biner Aristoteles. Sedangkan, kultur orang Timur lebih dapat menerima dunia abu-abu atau fuzzy. Perbedaan mendasar antara logika fuzzy dan logika probabilistik adalah perbedaan interpretasi. Logika fuzzy berkorespondensi dengan derajat kebenaran, sedangkan

Makalah IF4058 Topik Khusus Informatika I – Sem. II Tahun 2011/2012

logika probabilistik berkorespondensi dengan kemungkinan. Dari kedua perbedaan ini, logika fuzzy dan logika probabilistik memiliki model yang berbeda terhadap situasi dunia nyata yang sama. Sebagai contoh untuk perbedaan antara logika fuzzy dan logika probablisitk, terdapat 100ml gelas mengandung 30ml air. Dari pernyataan tersebut dapat diambil dua konsep, penuh dan kosong. Arti dari setiap konsep dapat direpresentasikan oleh kumpulan fuzzy. Seseorang dapat menganggap bahwa gelas tersebut 0.7 kosong dan 0.3 penuh, tergantung dari pengamat tersebut. Sedangkan, untuk logika probabilistik, mungkin akan dianggap sebagai kosong saja. Dan masih banyak contohcontoh lain yang dapat diaplikasikan dengan menggunakan logika fuzzy. Logika fuzzy pada umumnya diterapkan pada masalahmasalah yang mengandung unsur ketidakpastian, ketidaktepatan, noisy, dan sebagainya. Kebanyakan logika fuzzy diaplikasikan untuk menangani sistem kendali karena logika fuzzy meniru cara berpikir manusia.

III.

INFERENSI LOGIKA FUZZY

A. Himpunan Fuzzy Logika fuzzy dikembangkan dari himpunan fuzzy. Himpunan fuzzy adalah himpunan yang elemennya memiliki derajat keanggotaan. Himpunan fuzzy adalah sebuah pasangan (U,m) dimana U adalah sebuah himpunan dan m:U  Untuk setiap x U, nilai m(x) disebut dengan tingkat keanggotaan dari x pada (U,m). X disebut tidak termasuk dalam himpunan fuzzy (U,m) jika m(x) = 0, x disebut anggota penuh jika m(x) = 1, dan x disebut anggota fuzzy jika 0 < m(x) < 1. Untuk sebuah himpunan terbatas U = {x1, …, xn}, himpunan fuzzy (U,m) dinyatakan dengan {m(x1)/x1, …, m(xn)/xn}.

Gambar 2. Contoh himpunan fuzzy

B. Sistem Inferensi Fuzzy Sistem inferensi fuzzy adalah penarikan kesimpulan dari sekumpulan kaidah fuzzy. Di dalam sistem inferensi fuzzy harus terdapat minimal dua buah kaidah fuzzy. Sistem inferensi fuzzy mengubah nilai masukan pengguna yang berupa nilai crisp dan menghasilkan nilai crisp juga. Proses-proses dalam sistem inferensi fuzzy terdiri dari lima tahap, yaitu: fuzzifikasi, operasi logika fuzzy, implikasi, agregasi, dan defuzzifikasi. Metode pengembangan sistem inferensi fuzzy dapat dibagi menjadi dua, yaitu : metode Mamdani dan metode Sugeno. Metode yang biasa digunakan untuk pengembangan adalah metode Mamdani Pada tahap fuzzifikasi, nilai crisp dipetakan ke dalam himpunan fuzzy dan juga ditentukan nilai keanggotaannya dalam himpunan fuzzy tersebut. Tujuan dari fuzzifikasi adalah untuk mengubah nilai crisp masukan menjadi sebuah bentuk fuzzy. Sebagai contoh untuk Gambar 2, jika nilai x adalah 40, maka nilai m(x) untuk paruhbaya adalah 0.50 dan m(x) untuk muda adalah 0.25. Tahap kedua dari sistem inferensi fuzzy adalah operasi logika fuzzy. Jika bagian antesenden dihubungkan dengan oleh penghubung and, or, dan not, maka derajat kebenarannya dihitung dengan operasi fuzzy yang sesuai.

Gambar 3. Dua buah variabel dan nilai hasil fuzzifikasi Gambar 1.Contoh himpunan crisp Pada Gambar 1, terlihat bahwa pada himpunan crisp tidak memberikan toleransi terhadap sebuah nilai yang tidak ada dalam batas himpunannya. Jika variabel x memiliki nilai 54, maka nilai m(x) nya adalah 0. Berbeda dengan himpuan crisp, himpunan fuzzy memberikan toleransi terhadap nilai yang berada di luar batas keanggotaannya.Sebagai contoh, jika variabel x memiliki nilai 54, maka nilai m(x) tidaklah 0, melainkan berkisar antara 0 sampai 1. Gambar 2 adalah contoh dari himpunan fuzzy.

Contoh untuk operasi logika fuzzy dapat dilihat pada Gambar 3. Terdapat dua buah variabel A dan B dengan nilai m(x)A adalah 0.375, dan m(x)B adalah 0.75. Jika terdapat sebuah aturan var1 is A or var2 is B, maka nilai dari operasi adalah max(0.375, 0.75) atau 0.75. Sedangkan, jika terdapat sebuah aturan var1 is A and var2 is B, maka nilai dari operasi adalah min(0.375, 0.75) atau 0.375. Tahap ketiga adalah tahap implikasi. Tahap implikasi ini berguna untuk mendapatkan nilai derajat kebenaran dari aturan IF-THEN. Sebagai contoh, terdapat sebuah aturan yaitu “IF temperature is cool AND pressure is low THEN throttle is P2”. Diperoleh derajat kebenaran temperatur adalah 0.48, dan derajat derajat kebenaran

Makalah IF4058 Topik Khusus Informatika I – Sem. II Tahun 2011/2012

tekanan adalah 0.57. Maka, nilai derajat kebenaran dari hasil aturan tersebut adalah min(0.48,0.57) = 0.48. Tahap keempat adalah tahap agregasi. Tahap ini dilakukan jika ada lebih dari satu aturan fuzzy yang dievaluasi. Jika terdapat lebih dari satu aturan fuzzy yang dievaluasi, maka semua aturan fuzzy dikombinasikan menjadi himpunan fuzzy tunggal. Metode yang digunakan adalah nilai max terhadap semua keluaran aturan fuzzy. Jika terdapat n buah kaidah yang berbentuk : IF x1 is A1k and x2 is A2k THEN yk is Bk, k = 1,2,...,n Maka, keluaran untuk n buah kaidah dinyatakan dengan persamaan : mB(y) = max[min[mA1k (input(i)), mA2k (input(j)), dst]] Tahap terakhir pada sistem inferensi fuzzy, terjadi suatu proses yang bernama defuzzifikasi. Pada proses ini, terjadi pemetaan besaran dari himpunan fuzzy ke dalam nilai crisp. Alasan untuk proses ini adalah karena sebuah sistem diatur dengan menggunakan besaran yang riil, bukan dengan sebuah himpunan fuzzy. Terdapat tiga buah metode untuk memperoleh nilai crisp dari himpunan fuzzy, yaitu: metode max-membership, metode center of area, dan metode mean max membership. Pada metode max-membership atau metode keanggotaan maksimum, solusi diperoleh dengan mengambil derajat keanggotaan tertinggi dari semua hasil agregasi. Misalkan Z adalah himpunan fuzzy, z adalah nilai crisp, dan z* adalah nilai crisp yang ingin dicari, maka mc(z*) ≥ mc(z) untuk setiap z  Pada metode mean max membership, proses yang terjadi hampir sama dengan metode max-membership. Yang membedakannya adalah bahwa titik maksimumnya tidak unik atau berupa dataran. Nilai crisp diperoleh dengan mengambil rata-rata domain yang memiliki nilai keanggotaan maksimum. Metode yang paling banyak digunakan adalah metode center of area atau metode pusat luas. Metode ini berusaha untuk menghitung titik pusat dari daerah agregasi.

IV.

AIR COOLER

A. Cara Kerja Air cooler adalah sebuah alat yang berguna untuk mendinginkan ruangan. Perbedaan antara air cooler dengan air conditioner telah disebutkan pada Bab I. Air cooler terdiri dari sebuah pompa untuk mengambil air dari tangki, sebuah kipas untuk menyedot udara panas, dan mulut pipa untuk mengeluarkan udara yang sejuk. Sebuah air cooler adalah sebuah perangkat yang menggunakan penguapan air untuk mendinginkan lingkungan. Ketika udara melewati air, beberapa partikel pada permukaan air terbawa. Partikel tersebut membawa panas sehingga dapat mendinginkan udara. Hal ini serupa dengan cara keringat bekerja: partikel air pada permukaan kulit membawa panas selagi menguap dan mendinginkan kulit.

B. Keefektifan Air cooler dapat bekerja dengan baik jika memiliki kelembapan yang rendah. Bagaimanapun juga, keefektifan berkurang jika tingkat kelembapan meningkat. Tetapi, dengan meningkatnya temperatur, maka kelembapan menurun. Tabel 1. Tabel perubahan suhu dengan adanya air cooler berdasarkan kelembapan dan temperatur Temperatur (0C)

Kelembapan (%) 10

20

30

40

50

60

10

4

4.5

5.5

6

7

7.5

15

7.5

8.5

9.5

10.5

11

12

20

11

12

13

14.5

15.5

16.5

25

14.5

16

17

18.5

20

21

30

17.5

19.5

21

22.5

24

25

35

20

23

25

26.5

28

30

40

23

26.5

29

31

32.5

34.5

Perubahan suhu yang dihasilkan dapat dilihat pada Tabel 1. Sebagai contoh, jika air cooler digunakan pada temperatur 200C dan pada kelembapan 40%, maka akan terjadi penurunan suhu menjadi 14.50C, atau menurun 5.50C.

V.

LOGIKA FUZZY PADA AIR COOLER

Pengaplikasian logika fuzzy untuk operasi pendinginan air cooler berguna untuk mengurangi biaya yang diperlukan untuk mengoperasikan air cooler. Sistem yang dikembangkan merupakan sebuah simulasi sederhana dari aplikasi logika fuzzy terhadap sebuah perangkat air cooler. Sistem diasumsikan memiliki sensor pendeteksi suhu dan kelembapan. Sistem inferensi fuzzy menerima variabel masukan berupa temperatur dan kelembapan, dan akan memberikan variabel keluaran berupa kecepatan kipas pendingin, kecepatan pompa air, dan kecepatan exhaust fan. Fungsi keanggotaan dan jangkauan tiap fungsi keanggotaan dari variabel masukan suhu dapat dilihat pada Tabel 2. Tabel 2. Fungsi keanggotaan variabel masukan suhu Fungsi Keanggotaan

Jangkauan

Dingin

0 - 10

Sejuk

0 - 20

Normal

10 - 30

Hangat

20 - 40

Panas

30 - 40

Fungsi keanggotaan dan jangkauan tiap fungsi keanggotaan dari variabel masukan kelembapan dapat

Makalah IF4058 Topik Khusus Informatika I – Sem. II Tahun 2011/2012

dilihat pada Tabel 3. Tabel 3. Fungsi Keanggotaan Variabel Masukan Kelembapan Fungsi Keanggotaan

Jarak

Kering

0 - 25

Tidak terlalu kering

0 - 50

Lembab

25 - 75

Tidak terlalu basah

50 - 100

Basah

75 - 100

Hangat Hangat

Tabel 4. Fungsi keanggotaan variabel keluaran Kecepatan kipas pendingin

Kecepatan pompa air

0-5

Berhenti

Berhenti

Berhenti

0 - 50

Rendah

Rendah

Pelan

40 - 60

Sedang

Sedang

Sedang

50 - 90

Tinggi

Tinggi

Cepat

70 - 100

Sangat tinggi

Sangat tinggi

Sangat cepat

Kecepatan exhaust fan

Terdapat 25 buah aturan untuk masing-masing kondisi variabel masukan. Daftar aturan dapat dilihat pada Tabel 5. Tabel 5. Daftar aturan untuk air cooler Variabel Masukan Suhu Dingin Dingin Dingin Dingin Dingin Sejuk Sejuk Sejuk Sejuk Sejuk Normal Normal

Kelemba pan Kering Tidak terlalu kering Lembab Tidak terlalu basah Basah Kering Tidak terlalu kering Lembab Tidak terlalu basah Basah Kering Tidak terlalu kering

Lembab Tidak terlalu basah Basah Kering Tidak terlalu kering Lembab Tidak terlalu basah

Normal Hangat Hangat

Fungsi keanggotaan dan jangkauan tiap fungsi keanggotaan dari variabel keluaran dapat dilihat pada Tabel 4. Jangkauan

Normal Normal

Variabel Keluaran Kipas pendingi Pompa Exhaust n Air Fan Berhenti Rendah Berhenti Berhenti Rendah Pelan Berhenti Berhenti

Rendah Rendah

Pelan Pelan

Rendah Berhenti Berhenti

Berhenti Sedang Rendah

Sedang Berhenti Pelan

Berhenti Rendah

Rendah Rendah

Sedang Sedang

Rendah Rendah Rendah

Berhenti Sedang Sedang

Sedang Berhenti Pelan

Hangat

Basah

Panas Panas

Kering Tidak terlalu kering

Panas Panas

Lembab Tidak terlalu basah

Panas

Basah

VI.

Sedang Sedang

Sedang Rendah

Pelan Sedang

Tinggi Tinggi Tinggi

Berhenti Tinggi Tinggi

Cepat Berhenti Pelan

Tinggi Tinggi

Tinggi Sedang

Sedang Pelan

Rendah Sangat tinggi Sangat tinggi

Berhenti

Tinggi Sedang

Sedang Sedang

Rendah

Cepat

Sangat tinggi Tinggi Sangat tinggi Sangat tinggi Sangat tinggi Sangat tinggi

Berhenti Pelan

IMPLEMENTASI LOGIKA FUZZY PADA AIR COOLER

Implementasi akan menggunakan bantuan perangkat lunak, yaitu Matlab. Fungsi keanggotaan dari variabel masukan suhu dan kelembapan dapat dilihat pada Gambar 4 dan Gambar 5.

Gambar 4. Fungsi keanggotaan variabel suhu

Gambar 5. Fungsi keanggotaan variabel kelembapan Fungsi keanggotaan dari variabel keluaran kecepatan

Makalah IF4058 Topik Khusus Informatika I – Sem. II Tahun 2011/2012

kipas pendingin, pompa air, dan exhaust fan terdapat pada Gambar 6, Gambar 7, dan Gambar 8.

17, dan 18. Kumpulan aturan yang memenuhi kriteria dapat dilihat pada Tabel 6. Tahap selanjutnya adalah fuzzifikasi. Pada tahap ini, nilai-nilai dimasukkan ke dalam aturan yang memenuhi untuk memperoleh nilai fuzzy nya.

Gambar 6. Fungsi keanggotaan variabel kipas pendingin

Gambar 9. Hasil inferensi nilai masukan pada sistem inferensi fuzzy

Gambar 7. Fungsi keanggotaan variabel pompa air

Tabel 6.Aturan yang memenuhi kriteria variabel percobaan Suhu Norm al Norm al Hang at Hang at

Gambar 8. Fungsi keanggotaan variabel exhaust fan

VII.

HASIL IMPLEMENTASI DAN PENGUJIAN

Untuk melakukan analisis, dilakukan sebuah percobaan dengan memasukkan sebuah nilai untuk masing-masing variabel masukan, yaitu suhu dan kelembapan. Untuk percobaan, nilai variabel suhu adalah 28 dan kelembapan 40. Dengan menggunakan Matlab dan metode inferensi dan metode inferensi Mamdani, hasil yang diperoleh adalah: variabel kipas pendingin memperoleh nilai 54.1, pompa air memiliki nilai 67.3, dan exhaust fan memiliki nilai 32.9.Hasil inferensi dapat dilihat pada Gambar 9. Sebagai pembanding, maka akan dilakukan sebuah pengujian untuk memperoleh nilai keluaran dari nilai masukan yang diberikan. Pengujian juga akan menggunakan nilai yang sama, yaitu 28 untuk suhu dan 40 untuk kelembapan. Tahap pertama adalah mencari aturan fuzzy yang memenuhi kriteria variabel masukan. Berdasarkan pada Gambar 9, aturan yang memenuhi adalah aturan 12, 13,

Kipas pendingin

Pompa Air

Exhaust Fan

Rendah

Sedang

Pelan

Lembab Tidak terlalu kering

Sedang

Sedang

Pelan

Tinggi

Tinggi

Pelan

Lembab

Tinggi

Tinggi

Sedang

Kelembapan Tidak terlalu kering

Pertama, dicari terlebih dahulu nilai fuzzy dari suhu 28. Nilai 28 dapat berupa suhu normal atau hangat. Fungsi keanggotaan dari suhu normal dapat dinyatakan dengan persamaan :

mnormal =

0 , ≤ 10 , 10 < ≤ 20 , 20 <

0,

< 30

≥ 30

Sedangkan, fungsi keanggotaan dari suhu hangat dapat dinyatakan dengan persamaan:

mhangat =

0, ≤ 20 , 20 < ≤ 30 , 30 <

0,

< 40

≥ 40

Oleh karena itu, nilai 28 memiliki mnormal sebesar 0.2 dan mhangat sebesar 0.8.

Makalah IF4058 Topik Khusus Informatika I – Sem. II Tahun 2011/2012

Setelah memperoleh nilai fuzzy dari suhu, sekarang akan dicari nilai fuzzy dari kelembapan. Untuk nilai 40, kelembapan yang diperoleh adalah jenis tidak terlalu kering dan lembab. Fungsi keanggotaan dari kelembapan tidak terlalu kering dapat dinyatakan dengan persamaan: 0, ≤ 0 , 0 < ≤ 25

mtidak_terlalu_kering=

, 25 <

0,

< 50

≥ 50

Sedangkan, fungsi keanggotaan dari lembab dapat dinyatakan dengan fungsi:

mlembab =

0, ≤ 25 , 25 < ≤ 50 , 50 <

0,

< 75

≥ 75

Tabel 7. Tabel hasil operasi fuzzy terhadap empat aturan Kelembapan 0.4 0.6 0.4 0.6

Dengan Si adalah nilai singleton suatu variabel keluaran pada tiap aturan fuzzy, dan Ri adalah nilai operasi fuzzy yang dihasilkan untuk tiap aturan seperti yang dapat dilihat pada Tabel 7. Nilai yang pertama dicari adalah nilai ∑ terlebih dahulu. = 0.2 + 0.2 + 0.4 + 0.6 = 1.4

Tahap selanjutnya adalah menghitung nilai Si*Ri dari variabel keluaran untuk tiap aturan. Hasil penghitungan dapat dilihat pada Tabel 9, Tabel 10, dan Tabel 11.

Dari kedua fungsi tersebut, nilai kelembapan 40 memiliki mtidak_terlalu_kering sebesar 0.4 dan mlembab sebesar 0.6. Tahap selanjutnya adalah melakukan operasi fuzzy. Terdapat empat buah aturan dengan kondisi variabel masukan yang berbeda-beda. Tiap aturan diinferensi dengan menggunakan operator AND. Hasil dari operasi fuzzy dapat dilihat pada Tabel 7. Suhu 0.2 0.2 0.8 0.8

pompa air, dan exhaust fan. Defuzzifikasi dilakukan dengan metode center of area. Untuk mencari nilai dengan menggunakan metode center of area, digunakanlah sebuah persamaan, yaitu: (∑ ∗ ) ∑

Operasi fuzzy 0.2 0.2 0.4 0.6

Tahap selanjutnya adalah menentukan nilai singleton untuk tiap jenis hasil keluaran tiap variabel. Nilai singleton diperoleh dari nilai dimana variabel tersebut mempunyai fungsi keanggotaan bernilai 1. Nilai rendah atau pelan memiliki nilai singleton sebesar 25, nilai sedang memiliki nilai singleton sebesar 50, nilai tinggi atau cepat memiliki nilai singleton sebesar 70. Nilai singleton yang berlaku pada tiap aturan dapat dilihat pada Tabel 8.

Tabel 9. Penghitungan nilai untuk variabel keluaran kipas pendingin

∑(

∗

)/ ∑

Kelem bapan 0.4 0.6 0.4 0.6

Kipas pendingin 25 50 70 70

Pompa air 50 50 70 70

Exhaust fan 25 25 25 50

Tahap selanjutnya adalah melakukan defuzzifikasi dari nilai-nilai fuzzy yang ada. Nilai crisp akan dikeluarkan untuk tiap variabel keluaran, yaitu: kipas pendingin,

Si Ri Si*Ri 25 0.2 5 50 0.2 10 70 0.4 28 70 0.6 42 = (5+10+28+42) /1.4 = 60.71

Tabel 10. Penghitungan nilai untuk variabel keluaran pompa air

∑(

∗

)/ ∑

i 1 2 3 4

Si Ri Si*Ri 50 0.2 10 50 0.2 10 70 0.4 28 70 0.6 42 = (10+10+28+42) /1.4 = 64.29

Tabel 11. Penghitungan nilai untuk variabel keluaran exhaust fan

Tabel 8. Nilai singleton yang berlaku pada tiap aturan Suhu 0.2 0.2 0.8 0.8

i 1 2 3 4

∑(

∗

)/ ∑

i 1 2 3 4

Si Ri Si*Ri 25 0.2 5 25 0.2 5 25 0.4 10 50 0.6 30 = (5+5+10+30) /1.4 = 35.71

Berdasarkan hasil perhitungan, nilai keluaran untuk kipas pendingin, pompa air, dan exhaust fan adalah 60.71, 64.29, dan 35.71. Perbedaan antara nilai yang dihasilkan oleh aplikasi dengan nilai yang dihasilkan oleh perhitungan manual dapat dilihat pada Tabel 12.

Makalah IF4058 Topik Khusus Informatika I – Sem. II Tahun 2011/2012

PERNYATAAN

Tabel 12.Perbedaan hasil yang didapatkan Hasil Nilai perhitungan Simulasi % kesalahan

Kipas pendingin

Pompa air

Exhaust fan

60.71 54.1

64.29 67.3

35.71 32.9

10.887827

4.6819101

7.868944

Dengan ini saya menyatakan bahwa makalah yang saya tulis ini adalah tulisan saya sendiri, bukan saduran, atau terjemahan dari makalah orang lain, dan bukan plagiasi.

Perhitungan persentase kesalahan diperoleh dengan memperoleh nilai absolut dari selisih antara nilai perhitungan dan simulasi lalu dibagi dengan nilai perhitungan. Nilai persentase kesalahan yang diberikan tidak terlalu besar.

VIII.

KESIMPULAN

Berdasarkan percobaan yang telah dilakukan dengan menggunakan aturan dan fungsi keanggotaan yang ada, dapat disimpulkan bahwa simulasi pengaplikasian logika fuzzy pada sistem air cooler bekerja dengan baik. Hal ini terlihat dari persentase kesalahan yang diberikan dari perhitungan manual dan dari hasil simulasi yang diberikan. Persentase kesalahan yang tertinggi adalah 10%, dimana hasil tersebut masih dapat diterima. Perlu ada penelitian lebih lanjut untuk mengurangi persentase kesalahan dan untuk implementasi dari logika fuzzy terhadap air cooler yang sesungguhnya.

REFERENSI [1] Abbas, M.; Khan, M. Saleem; Zafar, Fareeha. “Autonomous Room Air Cooler Using Fuzzy Logic Control System”. International Journal of Scientific & Engineering Research Volume 2, Issue 5, May 2011. [2] http://yudhipri.wordpress.com/2010/09/03/air-conditioner-vs-aircooler/ Tanggal akses : 5 Mei 2012 [3] http://en.wikipedia.org/wiki/Fuzzy_logic Tanggal akses : 5 Mei 2012 [4] http://urtechfriend-paperpresentations5.blogspot.com/p/neuralnetworks-fuzzy-logic.html Tanggal akses : 6 Mei 2012 [5] http://en.wikipedia.org/wiki/Fuzzy_set Tanggal akses : 6 Mei 2012 [6] http://www.cs.princeton.edu/courses/archive/fall07/cos436/HIDDE N/Knapp/fuzzy004.htm Tanggal akses : 6 Mei 2012 [7] http://www.ehow.com/how-does_5242467_do-air-coolerswork_.html Tanggal akses : 6 Mei 2012 [8] http://www.tombling.com/cooling/evaporative-air-cooling.htm Tanggal akses : 6 Mei 2012 [9] http://informatika.stei.itb.ac.id/~rinaldi.munir/MetNum/20112012/Sistem%20Inferensi%20Fuzzy.pdf Tanggal akses : 6 Mei 2012 [10] Ross, Timothy J., “Fuzzy Logic with Engineering Applications”, John Wiley & Sons, 2004.

Makalah IF4058 Topik Khusus Informatika I – Sem. II Tahun 2011/2012

Bandung, 15 Mei 2012

Willy Setiawan 13508043