Perbandingan Jumlah Membership Dan Model Fuzzy Terhadap Perubahan Suhu Pada Inkubator Penetas Telur

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 1, No. 6, Juni 2017, hlm. 476-485

e-ISSN: 2548-964X http://j-ptiik.ub.ac.id

Perbandingan Jumlah Membership Dan Model Fuzzy Terhadap Perubahan Suhu Pada Inkubator Penetas Telur Dini Ismawati1, Dahnial Syauqy2, Barlian Henryranu Prasetio3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected] Abstrak Suhu yang ideal pada inkubator merupakan faktor yang sangat menentukan dalam proses penetasan telur ayam. Untuk menjaga suhu agar tetap ideal, dapat dilakukan dengan membuat sistem otomatis dan menerapkan metode fuzzy menggunakan software NI LabVIEW yang berbasis grapichal programming. Pada fuzzy terdapat membership function dan model, akan tetapi saat ini pemilihan jumlah membership dan model fuzzy belum didasarkan pada suatu panduan. Pada penelitian ini membandingkan output fuzzy dan waktu yang diperlukan untuk mencapai suhu ideal, jika sistem tidak menerapkan metode fuzzy dan menerapkan metode fuzzy dengan 3, 5 dan 7 membership dan pada masing-masing membership menggunakan model Gaussian, Trapezoid dan Triangle. Berdasarkan pengujian yang telah dilakukan, diperoleh nilai selisih dari ketiga jenis membership sebesar 12,9 dan dari tiga model fuzzy sebesar 0,8. Penelitian ini membuktikan bahwa jumlah membership sangat berpengaruh terhadap output fuzzy sedangkan model fuzzy berpengaruh sangat kecil. Sistem yang tidak menggunakan metode fuzzy membutuhkan waktu yang lebih lama untuk mencapai suhu ideal dari pada sistem yang menggunakan fuzzy. Dengan menggunakan fuzzy 7 membership, nilai selisih output fuzzy semakin kecil dan waktu yang diperlukan untuk mencapai suhu ideal semakin cepat. Kata kunci: suhu, LabVIEW, fuzzy, membership

Abstract Incubator’s Ideal temperature is one of important factors that need to consider in egg hatching process. By designing an automation system using fuzzy logic, the ideal temperature can be maintained. The system using NI LabVIEW as graphical programming language software to design the user interface monitoring temperature in incubator. There are few membership functions and models in fuzzy logic. However, still there is no guideline about selection of membership amount and fuzzy model of parameters that using in fuzzy process. In this research, compare and analyze the difference between system that didn’t using fuzzy logic and system that using fuzzy logic with variant amount of memberships, those are 3, 5 and 7 memberships, where in each variant is using different model, those are Gaussian, Trapezoid, and Triangle. Based on the result of testing, difference of those three variant memberships is 12.9 and difference of those three fuzzy models is 0.8. Furthermore, amount of membership affects the output of fuzzy system, while fuzzy model is not really affected the output fuzzy system. In temperature testing, the result shows the system that didn’t using fuzzy logic method took a long time to reach ideal temperature rather than system that using fuzzy logic method. Fuzzy system that using 7 memberships got smallest difference is 0.49 and took fastest time to get ideal temperature. Keywords: temperature, LabVIEW, fuzzy, membership

suhu antara 37o – 39o celcius. (Hartono & Isman, 2010). Sistem otomatis untuk mengidealkan suhu inkubator telur ayam dapat dibuat dengan menggunakan metode fuzzy karena algoritma Fuzzy adalah metodologi sistem pemecahan masalah yang cocok untuk diimplementasikan pada sistem otomatis. (Jufril et al., 2015). Pada logika fuzzy terdapat fungsi keanggotaan

1. PENDAHULUAN Suhu yang ideal pada inkubator penetas telur ayam, memiliki peranan penting untuk menentukan kesuksesan ketika panen. Suhu ideal untuk penetasan telur ayam berkisar antara 36o – 40o celcius atau dapat diseragamkan pada

Fakultas Ilmu Komputer Universitas Brawijaya

476

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

(membership function) yang merupakan suatu kurva yang menunjukkan pemetaan titik-titik input data atau disebut dengan derajat keanggotaan. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi atau model, seperti kurva segitiga (triangle), kurva trapezium (trapezoid), kurva gauss (gaussian), dan sebagainya (Wardhani & Haerani, 2011). Akan tetapi saat ini pemilihan jumlah membership dan model fuzzy untuk parameterparameter yang digunakan dalam proses fuzzy masih belum didasarkan kepada suatu panduan. Karena tidak adanya panduan, umumnya model fungsi keanggotaan yang dipilih adalah model fungsi keanggotaan yang paling sering digunakan. Pada penelitian sebelumnya mengenai pengaruh jumlah membership dan model fuzzy pada output sistem diperoleh rata-rata selisih antara tiga jenis membership sebersar 30,8 dan rata-rata nilai selisih antara tiga model fuzzy sebesar 0,62 (Huda, 2016). Kemudian diperoleh rata-rata nilai selisih model fuzzy sebesar 2,33 jika menggunakan jumlah membership input dan output yang berbeda (Castro et al., 2012). Berdasarkan dua penelitian yang pernah dilakukan oleh Miftahul Huda dan Jaqueline, belum ada yang melakukan analisa mengenai perbandingan jumlah membership dan model fuzzy terhadap sistem yang mengidealkan suhu inkubator secara otomatis. Oleh karena itu, perlu dirancang suatu sistem untuk mengetahui perubahan suhu inkubator jika menggunakan membership dan model fuzzy yang berbeda serta untuk mengetahui nilai selisih membership dan model fuzzy. Secara garis besar sistem ini dibuat untuk melakukan perbandingan terhadap output sistem yaitu PWM kipas dan waktu yang diperlukan untuk mencapai suhu ideal jika menggunakan membership dan model yang berbeda. Pada sistem ini menggunakan LabVIEW, karena LabVIEW merupakan pemrograman yang berbasis Graphical dan menyediakan toolkit yang lengkap untuk pemrograman fuzzy dan toolkit lainnya. Perancangan fuzzy pada LabVIEW tidak perlu menginstall library atau melakukan inisialisasi dalam pembuatan variabel input atau outputnya sehingga programmer dapat membuat variable input output, memberikan nilai domain dan membuat rule dengan sangat mudah. Selain itu pada LabVIEW juga menyediakan front panel Fakultas Ilmu Komputer, Universitas Brawijaya

477

windows untuk menampilkan interface system sehinggaa programmer tidak perlu membuat program interface kembali, dan LabVIEW juga dapat menyimpan data yang memudahkan dalam menganalisa output sistem.. 2.

PERANCANGAN IMPLEMENTASI

DAN

Pada tahap perancangan terbagi menjadi dua bagian, yaitu perancangan hardware dan perancangan software. Seperti pada Gambar 2.1 Perancangan Prototype Inkubator Perancangan Hardware Perancangan Rangkaian Elektrik

Perancangan Sistem Perancangan Software

Perancangan Pemrograman Lab VIEW

Gambar 2.1 Alur Perancangan Sistem

Pada perancangan perangkat keras, yaitu rangkaian electric dan pembangunan prototype sistem agar dalam tahap implementasi dapat berjalan sesuai dengan harapan. Perancangan dan impementasi prototype inkubator penetas telur seperti pada Gambar 2.2 dan Gambar 2.3.

Gambar 2.2 Perancangan Prototype Inkubator

Gambar 2.3 Implementasi Prototype Inkubator

Pada Gambar 2.2 dan Gambar 2.3 di dalam prototype inkubator terdapat 1 buah bohlam 25 watt sebagai pemanas inkubator yang di posisikan pada bagian tengah dengan tujuan agar panas merata. Kemudian pada bagian sisi


belakang, terdapat 2 kipas DC 12 V sebagai pendingin suhu inkubator. Pada bagian belakang inkubator harus terdapat lubang untuk sirkulasi udara sebesar kipas dan kipas salah satunya dipasang terbalik agar 1 kipas berfungsi menghasilkan udara dan 1 kipas lainnya berfungsi untuk menghirup udara pada inkubator. Sensor DHT11 diposisikan pada bagian bawah lampu bohlam agar suhu terdeteksi dengan baik. Pada perancangan dan implementasi rangkaian elektrik seperti pada Gambar 2.4 dan Gambar 2.5

478

software desain yang berkaitan dengan sistem hardware seperti Gambar 2.6.

Gambar 2.6 Diagram Blok Software Desain Berhubungan dengan Hardware

Untuk mengidealkan suhu, dibutuhkan sistem fuzzy. Fuzzy bekerja didalam program aplikasi PC monitoring dengan acuan desain membership function beserta rules menggunakan system fuzzy designer NI LabVIEW dan library fuzzy yang terdapat di dalam pemrograman NI LabVIEW. Diagram blok desain sistem pembacaan data fuzzy seperti pada Gambar 2.7.

Gambar 2.4 Perancangan Rangkaian Elektrik

Gambar 2.7 Diagram Blok Desain Sistem Fuzzy

Gambar 2.5 Perancangan Prototype Inkubator

Pada Gambar 2.4 dan Gambar 2.5, pin data sensor DHT11 dihubungkan dengan pin digital 2 Arduino Mega. Selanjutnya perancangan driver motor L298N dimana port IN1 terhubung dengan pin 8 dan port IN3 terhubung dengan pin 9 digital Arduino dan port output terhubung dengan kipas pendingin. Kemudian perancangan driver lampu dimana port output terhubung dengan pin digital 3 Arduino Mega. Perancangan software dalam pembuatan sistem ini adalah perancangan user interface dan pengolahan data sensor dengan menggunakan pemrograman NI Labview. Perancangan software berkaitan dengan cara kerja dan algoritma sistem yang akan dibuat sesuai dengan kebutuhan yang telah ditentukan. Software desain sangat erat kaitannya dengan proses yang dilakukan oleh hardware. Diagram blok Fakultas Ilmu Komputer, Universitas Brawijaya

Gambar 2.8 Alur Perancangan Software

Pada Gambar 2.8, Perancangan Program Pemilihan Metode Pengideal Suhu Inkubator memiliki tujuan agar user dapat memlilih beberapa metode yang disediakan sistem untuk mengidealkan suhu inkubator dan dapat mengetahui perubahan suhu inkubator jika menggunakan metode yang berberda-beda. Kemudian program sensor suhu DHT11


memiliki tujuan agar sensor DHT11 dapat membaca kondisi suhu dan kelembaban melalui mikrokontroller Arduino Mega dan data sensor diolah oleh program PC Monitoring yang kemudian akan menghasilkan data atau nilai suhu dan kelembaban udara pada inkubator di dalam tampilan monitoring dengan tujuan agar sistem dapat mengolah data untuk menentukan kualtas suhu inkubator, Kemudian sistem dapat mengidealkan suhu inkubator tanpa menggunakan metode fuzzy dan meggunakan metode fuzzy. Sistem dapat melakukan log data monitoring sesuai waktu yang dipilih oleh user yatu 3, 5, atau 10 detik sekali. Serta sistem dapat melakukan penyimpanan data monitoring sesuai dengan nama yang diberikan user. Sehingga dapat mengetahui perbedaan perubahan suhu dan output fuzzy jika menggunakan metode yang berbeda-beda. 1)

479

Pada Tabel 2.2 merupakan tabel Scalling and Mapping Driver Lampu. Dimana X merupakan sinyal input dari suhu / temperature dan Y merupakan output PWM untuk kipas. Apabila nilai suhu pada inkubator adalah 0 derajat celcius maka output PWM lampu adalah 255 dan ketika suhu 39 derajat celcius maka output pwm adalah 255. Untuk nilai suhu diantara 0 sampai dengan 50 maka sistem secara otomatis akan melakukan scalling and mapping nilai output pwm yaitu antara 255 - 0. 2)

Perancangan Program Fuzzy

Pada perancangan fuzzy terdapat beberapa tahap yaitu fuzzifikasi, inferensi, dan defuzzifikasi. Pada tahap fuzzifikasi adalah menentukan nilai keanggotaan variabel input suhu dan kelembaban, kemudian variabel output. a. 3 Membership

Perancangan Program Tanpa Fuzzy

Pada perancangan program tanpa fuzzy untuk driver lampu dan driver kipas, dilakukan konfigurasi output PWM lampu dan PWM kipas dengan Scalling and Mapping seperti pada Tabel 2.1 dan Tabel 2.2.

Gambar 2.8 Variabel Input Suhu Model Gaussian dan Trapezoid 3 Membership

Tabel 2.1 Scalling and Mapping Driver Kipas

X 0 50

Y 0 255

Pada Tabel 2.1 merupakan tabel Scalling and Mapping Driver Kipas. Dimana X merupakan sinyal input dari suhu / temperature dan Y merupakan output PWM untuk kipas. Apabila nilai suhu pada inkubator adalah 0 derajat celcius maka output PWM kipas adalah 0 dan ketika suhu 50 derajat celcius maka output pwm adalah 255. Untuk nilai suhu diantara 0 sampai dengan 50 sistem secara otomatis akan melakukan scalling and mapping nilai output pwm yaitu antara 0 – 255. Scalling and Mapping juga digunakan untuk mengatur output PWM untuk driver lampu, seperti pada Tabel 2.2

Gambar 2.9 Variabel Input Suhu Model Triangle 3 Membership

Gambar 2.10 Variabel Input Kelembaban Model Gaussian dan Trapezoid 3 Membership

Tabel 2.2. Scalling and Mapping Driver Lampu

X 0 39

Y 255 0

Fakultas Ilmu Komputer, Universitas Brawijaya

Gambar 2.11 Variabel Input Kelembaban Model Triangle Model Triangle


Gambar 2.12 Variabel Output Model Gaussian dan Trapezoid 3 Membership

Gambar 2.13 Variabel Output Model Triangle Model Triangle 3 Membership

b.

5 Membership

480

Gambar 2.18 Variabel Output Model Trapezoid dan Gaussian 5 Membership

Gambar 2.19 Variabel Output Model Triangle dan Gaussian 5 Membership

c.

7 Membership

Gambar 2.14 Variabel Input Suhu Model Trapezoid dan Gaussian 5 Membership

Gambar 2.20 Variabel Input Suhu Model Gaussian dan Trapezoid 7 Membership

Gambar 2.15 Variabel Input Suhu Model Triangle

Gambar 2.21 Variabel Input Suhu Model Triangle 7 Membership

Gambar 2.16 Variabel Input Kelembaban Model Trapezoid dan Gaussian 5 Membership

Gambar 2.17 Variabel Input Kelembaban Model Trapezoid dan Gaussian 5 Membershi





Gambar 2.24 Variabel Output Model Gaussian dan Trapezoid 7 Membership

Gambar 2.25 Variabel Output Model Triangle 7 Membership

Pada tahap rule based dan inferensi fuzzy merupakan bentuk relasi atau implementasi ifthen, yang kemudian akan dilakukan proses implikasi dalam menalar nilai masukan untuk menentukan nilai keluaran sebagai bentuk pengambilan keputusan. Berikut adalah perancangan rule based dan inferensi fuzzy. a)

481

Pada tahap defuzzifikasi adalah dimana user dapat memilih metode yang digunakan dalam proses pemetaan dari himpunan fuzzy ke himpunan tegas. Pada penelitian ini sistem fuzzy menggunakan metode Center Of Area seperti pada Gambar 2.26.

Gambar 2.26 Metode Defuzzyfikasi

Pada sistem ini terdapat interface monitoring seperti pada Gambar 2.27.

3 Membership Tabel 2.3 Rule Fuzzy 3 Membership Gambar 2.27 Interface Program Utama

b)

5 Membership Tabel 2.4 Rule Fuzzy 5 Membership

Gambar 2.28 Interface Monitoring Suhu

c)

7 Membership Tabel 2.4 Rule Fuzzy 5 Membership

Gambar 2.29 Interface Data Base Monitoring



3.

HASIl PENGUJIAN DAN ANALISIS

Pengujian pada penelitian ini dibagi menjadi beberapa bagian yaitu: 1. Pengujian output fuzzy berdasarkan jumlah memberhip 2. Pengujian output fuzzy berdasarkan model fuzzy 3. Pengujian waktu perubahan suhu untuk mencapai suhu ideal 3.1. Pengujian Output Fuzzy Berdasarkan Jumlah Membership Pada pengujian pertama, yaitu pengujian output fuzzy bersarkan jumlah membership bertujuan untuk mengetahui selisih output dari masing-masing membership dan mengetahui pengaruh jumlah membership. Tabel 3.1 Hasil Output Fuzzy 3 Membership

Dari hasil Tabel 3.1 diperoleh rata-rata ouput fuzzy 19,63 – 172,63 dengan tiga buah model fuzzy menggunakan 3 membership function dan dengan nilai sensor yang berbeda. Tabel 3.2 Hasil Output Fuzzy 5 Membership

Dari hasil Tabel 3.2 diperoleh rata-rata ouput fuzzy 28,17 – 132,61 dengan tiga buah model fuzzy menggunakan 5 membership function dan dengan nilai sensor yang berbeda. Tabel 3.3 Hasil Output Fuzzy 7 Membership

Dari hasil Tabel 3.3 diperoleh rata-rata ouput fuzzy 30,31 – 119,95 dengan tiga buah model fuzzy menggunakan 7 membership function dan dengan nilai sensor yang berbeda.


482

Tabel 3.4 Selisih output pada masing-masing membership

Keterangan : C : Data Suhu (Celcius) RH : Data Kelembaban (Relative Humidity) n0 : Rata-rata ouput 3 memberhip function n1 : Rata-rata output 5 membership function n2 : Rata-rata output 7 membership function selisih : Selisih n-maksimum dengan n-minimum

Dari hasil Tabel 3.4 diperoleh rata-rata selisih yang merupakan rata-rata selisih dari nilai output dari masing-masing membership yaitu 12,906 dengan tiga jenis membership. Berdasarkan pengujian output fuzzy berdasarkan jumlah membership, pada 3 membership dengan 3 model fuzzy, diperoleh rata-rata output fuzzy yaitu antara 19,63 – 173, 63. Pada 5 membership diperoleh rata-rata antara 28,17 – 132,61 dan pada 7 membership diperoleh rata-rata antara 30,3 – 119,9. Dari ketiga rata-rata output tiga jenis membership rata-rata nilai selisih sebesar 12,9. Dapat disimpulkan bahwa jumlah membership sangat berpengaruh pada output fuzzy. Hal ini disebabkan karena jumlah membership yang digunakan memiliki selisih yang cukup jauh yaitu 3, 5 dan 7 membership. Sehingga grafik dari rules maupun nilai domain desain membership fuzzy akan berbeda juga. Selain tu perancangan rule juga nilai domain yang ditentukan juga sangat berpengaruh terhadap perbedaan selisih dari output fuzzy pwm kipas yang mengakibatkan nilai selisih pada output fuzzy cukup besar jika menggunakan perbandingan tiga jenis membership. 3.2. Pengujian Output Fuzzy Berdasarkan Model Fuzzy Pada pengujian kedua, yaitu pengujian output fuzzy bersarkan model bertujuan memastikan masing-masing output fuzzy dengan seluruh kombinasi model dan membership yang dibuat sesuai dan memiliki nilai selisih yang kecil dari selisih masing-masing metode serta mengetahui seberapa bersar pengaruh jumlah model fuzzy pada output fuzzy.


Tabel 3.5 Selisih Output Tiga Model Fuzzy 3 Membership

Dari hasil Tabel 3.5 diperoleh hasil rata-rata selisih yang merupakan rata-rata selisih dari nilai output dari masing-masing model pada fuzzy yaitu Gaussian, Trapezoid dan Triangle pada 3 membership function yaitu sebesar 1,65. Keterangan : C : Data Suhu (Celcius) RH : Data Kelembaban (Relative Humidity) selisih : Selisih n-maksimum dengan nminimum Tabel 3.6 Selisih Output Tiga Model Fuzzy 5 Membership

Dari hasil Tabel 3.6 diperoleh hasil rata-rata selisih yang merupakan rata-rata selisih dari nilai output dari masing-masing model pada fuzzy yaitu Gaussian, Trapezoid dan Triangle pada 5 membership function yaitu sebesar 0,74. Tabel 3.7 Selisih Output Tiga Model Fuzzy 7 Membership

Dari hasil Tabel 3.7 diperoleh hasil rata-rata selisih yang merupakan rata-rata selisih dari nilai output dari masing-masing model pada fuzzy yaitu Gaussian, Trapezoid dan Triangle pada 7 membership function yaitu sebesar 0,49. Berdasarkan Tabel 3.5, 3.6 dan 3.7 yang merupakan selisih output model fuzzy dari masing-masing membership pada 3 membership diperoleh niai selisih sebesar 1,16, kemudian pada 5 membership diperoleh selisih sebesar 0,74 dan 7 membership diperoleh selisih sebesar 0,49 sehingga diperoleh rata-rata nilai selisih dari tiga jenis model fuzzy berdasarkan 3 jenis membership adalah 0,8. Fakultas Ilmu Komputer, Universitas Brawijaya

483

Hal ini membuktikan bahwa model fuzzy berpengaruh sangat kecil pada rules dari membership yang digunakan, sehingga output fuzzy pwm memiliki selisih yang sangat tipis bahkan nol. Selain itu pengujian output fuzzy membuktikan bahwa jika jumlah membership semakin besar, pada penelititan ini tepatnya 7 membership, akan memiliki nilai selisih ouput fuzzy semakin kecil. 3.3. Pengujian Waktu Perubahan Untuk Mencapai Suhu Ideal

Suhu

Pada pengujian ketiga yaitu pegujian perubahan suhu bertujuan untuk mengetahui perubahan suhu jika sistem tidak diterapkan metode fuzzy dan diterapkan metode fuzzy dengan 3, 5 dan 7 memberhsip dimana pada masing-masing membership direpresentasikan model yang berbeda yaitu Gussian, Trapezoid dan Triangle. Pengujian ini dilakukan pada lingkungan yang memiliki suhu di atas kondisi ideal yaitu 41 derajat dan dilakukan pada lingkungan yang memiliki suhu di bawah kondisi ideal yaitu 35 derajat celcius. Pada sistem yang tidak menggunakan metode fuzzy, ketika pengujian dilakukan pada kondisi panas, membutuhkan waktu 35 detik untuk mencapai suhu ideal. Sedagkan ketika pengujian pada suhu dingin, membutuhkan waktu > 60 detik. Sehingga jumlah waktu yang diperlukan adalah > 90 detik. Tabel 3.8 Waktu Stabil Dengan Tiga Jenis Membership Pada Kondisi Panas

Dari hasil Tabel 3.8, pada sistem yang diterapkan metode fuzzy dengan 3, 5, 7 membership dan dengan tiga model yaitu Gaussian, Trapezoid dan Triangle diperoleh rata-rata waktu untuk mencapai kondisi ideal dari suhu awal 41 derajat celcius adalah 11 – 12,6.


Tabel 3.9 Waktu Stabil Dengan Tiga Jenis Membership Pada Kondisi Dingin

Dari hasil Tabel 3.9, pada sistem yang diterapkan metode fuzzy dengan 3, 5, 7 membership dan dengan tiga model yaitu Gaussian, Trapezoid dan Triangle diperoleh rata-rata waktu untuk mencapai kondisi ideal dari suhu awal 35 derajat celcius adalah 36,67 – 41,67 detik. Tabel 3.10 Rata-Rata Waktu Stabil Dengan Tiga Jenis Membership

Berdasarkan hasil pengujian waktu perubahan suhu, pengujian dengan menggunakan 10 metode menunjukkan bahwa tanpa menggunakan metode fuzzy, ketika pengujian dilakukan pada suhu panas, suhu mencapai kondisi ideal dengan waktu 35 detik. Sedangkan ketika pengujian dilakukan pada kondisi dingin, suhu mencapai kondisi ideal memerlukan waktu lebih dari 60 detik, sehingga waktu yang diperlukan lebih dari 95 detik. Pada sistem yang meggunakan metode fuzzy, ketika pengujian dilakukan pada kondisi panas dan dingin, pada 3 membership membutuhkan waktu 47,3 detik, pada 5 membership membutuhkan waktu 46,4 detik dan pada 7 membership membutuhkan waktu 45.6 detik. Dapat disimpulkan bahwa dengan 7 membership, waktu yang diperlukan untuk mencapai suhu ideal semakin cepat.

4.

484 KESIMPULAN

Berdasarkan hasil pengujian dan analisis yang telah dilakukan, maka dapat diambil kesimpulan sebagai berikut: 1. Jumlah membership fuzzy mempengaruhi ouput nilai fuzzy, dari ketiga membership dengan 3 model fuzzy, pada 3 membership diperoleh rata-rata output fuzzy yaitu antara 19,63 – 173, 63. Pada 5 membership diperoleh rata-rata antara 28,17 – 132,61 dan pada 7 membership diperoleh rata-rata antara 30,3 – 119,9. Dari ketiga rata-rata output tiga jenis membership rata-rata nilai selisih sebesar 12,9. Dapat disimpulkan bahwa jumlah membership sangat berpengaruh pada output fuzzy. 2. Model fuzzy memiliki pengaruh terhadap output fuzzy, akan tetapi sangat kecil bahkan mendekati 0. Dari ketiga model fuzzy dari 3 jenis membership, pada 3 membership diperoleh niai selisih sebesar 1,16, kemudian pada 5 membership diperoleh selisih sebesar 0,74 dan 7 membership diperoleh selisih sebesar 0,49 sehingga diperoleh rata-rata nilai selisih dari tiga jenis model fuzzy berdasarkan 3 jenis membership adalah 0,8. Dapat disimpulkan bahwa model fuzzy hanya berpengaruh sangat kecil terhadap output fuzzy. 3. Perubahan suhu ketika tanpa menggunakan metode fuzzy, ketika pengujian dilakukan pada suhu panas, suhu mencapai kondisi ideal dengan waktu 35 detik. Sedangkan ketika pengujian dilakukan pada kondisi dingin, suhu mencapai kondisi ideal memerlukan waktu lebih dari 60 detik, sehingga waktu yang diperlukan lebih dari 95 detik. Sedangkan dengan menggunakan metode fuzzy, ketika pengujian dilakukan pada kondisi panas dan dingin, dengan menggunakan 3 membership jumlah waktu untuk mencapai suhu ideal adalah 47,3 detik. Pada 5 membership mencapai suhu ideal dengan jumlah waktu 46,4 detik dan pada 7 membership mencapai suhu ideal dengan jumlah waktu 45.6 detik. Sehingga dapat disimpulkan bahwa dengan menggunakan 7 membership, jumlah waktu yang diperlukan untuk mencapai suhu ideal semakin cepat. 5. SARAN 1. Pada penelitian ini didapatkan selisih pada membership sebesar 12,9 dan pada model fuzzy sebesar 0,8 sehingga jumlah selisih



fuzzy sebesar 13,7. Untuk penelitian selanjutnya, diharapkan dapat meminimalkan nilai selisih dengan lebih memperhitungkan lagi dalam penentuan nilai domain yaitu dapat mengurangi atau menambah nilai domain dan lebih memperhatikan dalam penentuan rule base pada fuzzy. 2. Pada waktu perubahan suhu untuk mencapai suhu ideal, diperoleh selisih yang belum terlalu jauh jika menggunakan jenis membership yang berbeda, sehingga waktu belum terlihat perubahannya seacara signifikan. Diharapkan pada penilitian selanjutnya dapat melakukan penelitian yang dapat menunjukkan selisih waktu dengan cara melakukan pengujian masing-masing membership dengan suhu yang sama dan dengan kelembaban yang tidak terlalu jauh. Karena kelembaban juga berpengaruh pada perubahan suhu. Perubahan suhu juga dipengaruhi oleh fuzzy yang kurang sesuai, sehinggal berkaitan juga dengan saran nomor 1. 3. Berdasarkan pengujian pada fuzzy dan waktu perubahan suhu, dengan menggunakan 7 membership diperoleh selisih fuzzy sangat kecil dan waktu yang diperlukan untuk mencapai suhu ideal semakin cepat, oleh karena itu untuk penelitian selanjutnya dapat mengimplementasikan secara langsung pada penetasan telur ayam, sehingga akan diketahui seberapa besar keakurasian sistem dalam proses penetasan telur ayam. DAFTAR PUSTAKA Tirto Hartono, I. (2010). Kiat Sukses Menetaskan Telur Ayam. Jakarta: PT AgroMedia Pustaka. Thiang, R. W. (t.thn.). Aplikasi Kendali Fuzzy Logic untuk Pengaturan Kepcepatan Motor Universal. Luh Kesuma Wardhani, E. H. (2011). Analisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic. Dhanny Jufril, D. B. (2015). Implementasi Mesin Penetas Telur Ayam Otomatis Menggunakan Metode Fuzzy Logic Control. Huda, M. (2016). Sistem Kontrol Dan Monitoring Kualitas Air Tambak Menggunakan Fuzzy Logic Control Berbasis Graphical Programming. Fakultas Ilmu Komputer, Universitas Brawijaya

485

J.Gayathri Monicka, D. G. (2011). Performance Evaluation of Membership Functions on Fuzzy Logic Controlled AC Voltage Controller for Speed Control of Inducion Motor Drive. Jaqueline de Oliveira Castro, A. V. (2012). Estimage Of The Weight Of Japanese Quail Eggs Through Fuzzy Sets Theory.

Perbandingan Jumlah Membership Dan Model Fuzzy Terhadap Perubahan Suhu Pada Inkubator Penetas Telur

Recommend Documents