REVISI Makalah Mesin Cuci_Kelompok 5(2)
Transcript of REVISI Makalah Mesin Cuci_Kelompok 5(2)
APLIKASI TEORI HIMPUNAN FUZZY (SAMAR) PADA MESIN CUCI
a. Latar Belakang
Kesuksesan terbesar dari teori himpunan samar adalah pada sistem kontrol
mesin. Pengontrol fuzzy sangat berhasil dalam mengatasi masalah-masalah kontrol
dari sebuah spektrum yang luas, baik dalam hal penampilan ataupun biaya.
Penampilan yang prima dan biaya yang rendah sering melebihi harapan-harapan
yang diinginkan.
Salah satu bidang dimana pengontrol fuzzy secara cepat dibangun dalam
reputasi yang bagus di awal tahun 1990 adalah bidang pembuatan produk-produk
konsumen. Produk konsumen yang dilengkapi dengan pengontrol fuzzy pada awal
kemunculannya adalah mesin cuci. Sebagai contoh, akan kami jelaskan ide dasar
penggunaan pengontrol fuzzy pada aplikasi khusus ini. Kami hanya
mempertimbangkan satu variabel kontrol yaitu waktu operasi dari mesin cuci
untuk masing-masing baju yang akan dicuci, selain itu kami abaikan detail mesin
cuci dan persoalan pokok penerapannya.
b. Pembahasan
Pada mesin cuci konvensional (biasa), waktu mencuci untuk setiap proses
mencuci ditentukan atau diatur oleh pengguna. Walaupun hal ini merupakan salah
satu kefleksibelan namun malah menyulitkan bahkan bagi pengguna yang cukup
berpengalaman dalam menggunakan mesin cuci untuk menentukan waktu
mencuci yang tepat. Apabila waktu yang diatur tidak cukup untuk mencuci
pakaian yang akan dicuci, maka pakaian tersebut tidak akan dicuci dengan bersih.
Atau apabila waktu mencuci yang diatur terlalu lama, maka akan membuang
waktu dan energi serta mesin dan pakaian-pakaian tersebut akan menjadi aus dan
lusuh.
Untuk mengatasi kelemahan-kelemahan dari mesin cuci konvensional ini,
pengontrol fuzzy cukup sesuai untuk digunakan. Jenis yang berbeda untuk mesin
cuci yang menerapkan pengontrol fuzzy, yang sering dihubungkan dengan mesin
cuci fuzzy yang telah tersedia untuk dijual kepada konsumen. Pada hakekatnya,
kemampuan kontrolnya dapat berubah-ubah. Sekarang kami akan menjelaskan
operasi dari pengontrol fuzzy yang sangat sederhana, yang bertujuan untuk
menentukan waktu mencuci yang tepat dari mesin cuci untuk setiap pakaian yang
aka dicuci.
Waktu mencuci dari mesin cuci bergantung pada dua hal dari setiap
pakaian yang akan dicuci. Yang pertama, bergantung pada seberapa kotor
pakaian-pakaian tersebut. Yang kedua, bergantung pada jenis noda atau
kekotorannya. Pada mesin cuci fuzzy, derajat kekotoran diukur oleh sensor khusus
melalui derajat kejernihan air. Semakin berkurang kejernihan air maka semakin
kotor pakaian tersebut. Jenis noda ditentukan dengan mengukur waktu mencuci
yang dibutuhkan, mulai dari menyalakan mesin sampai kondisi air benar-benar
jernih secara konstan. Waktu ini disebut dengan waktu penjenuhan yang berbeda
untuk setiap jenis noda. Sebagai contoh, waktu penjenuhan akan lebih singkat
untuk pakaian yang berlumpur (terkena tanah) daripada pakaian yang terkena
minyak.
Asumsikan bahwa derajat kekotoran, d, diukur oleh berkurangnya
kejernihan akhir yang dinyatakan dengan sebuah bilangan pada interval [0, dmax],
dimana dmax adalah beberapa bilangan positif yang bergantung satuan ukuran yang
dipilih. Asumsikan pula bahwa pengontrol fuzzy hanya berhubungan dengan tiga
derajat kekotoran, apabila dinyatakan dengan bahasa sehari-hari sebagai tinggi,
sedang, dan rendah. Kemudian ungkapan-ungkapan linguistik ini
direpresentasikan dengan bilangan fuzzy trapesium yang ditunjukkan dalam
gambar 10.1. Bilangan-bilangan ini menyatakan kondisi dari variabel-variabel
linguistik yang menunjukkan kekotoran pakaian, yang variabel dasarnya adalah d
(menyatakan dengan berkurangnya kejernihan air). Misal kami simbolkan variabel
linguistik ini dengan D.
Sekarang asumsikan bahwa waktu penjenuhan, s, ditaksir oleh rata-rata
kenaikan derajat kekotoran yang dinyatakan dengan sebuah bilangan pada interval
[0, smax]. Kami asumsikan juga bahwa pengontrol fuzzy hanya berhubungan
dengan tiga level, yang menyatakan waktu penjenuhan pendek, menengah, dan
lama. Asumsikan lebih jauh bahwa ungkapan linguistik ini direpresentasikan
dengan bilangan fuzzy segitiga yang ditunjukkan pada gambar 10.2. Bilangan-
bilangan ini merupakan kondisi dari variabel linguistik yang merepresentasikan
waktu penjenuhan dengan variabel dasarnya adalah s (menyatakan waktu
penjenuhan dalam bilangan real). Misal kami simbolkan variabel linguistik ini
dengan S.
Gambar 10.1 Bilangan-bilangan fuzzy yang merepresentasikan derajat
kekotoran : rendah (Ld), menengah (Md), tinggi (Hd). Ini adalah keadaan dari
variabel linguistik D.
d
1
.75
0
.25
.5
dmax
Low (Ld) Medium (Md) High (Hd)
Secara intuitif, waktu yang dibutuhkan untuk mencuci seharusnya
dinyatakan dalam fungsi matematika dari derajat kekotoran dan waktu kejenuhan.
Namun, hampir tidak mungkin untuk menentukan fungsi ini secara tepat. Dengan
menggunakan suatu pengontrol fuzzy kami dapat mendekati fungsi ini dengan
relatif mudah berdasarkan intuisi dan pengalaman manusia. Untuk melakukan itu
kami perlu mendefinisikan variabel lingustik lain yang merepresentasikan waktu
yang diperlukan untuk mencuci. Misal kami simbolkan dengan T, dan variabel
basis dengan t.
Gambar 10.2 Bilangan fuzzy yang merepresentasikan waktu penjenuhan short
(Sd), medium (Ms), long (Ld) waktu kejenuhan. Ini adalah kondisi dari variabel
linguistik S.
1
.75
.5
.25
0
Short (Ss) Medium (Ms) Long (Ls)
.7
.3
smaxs¿
Gambar 10.3 Bilangan-bilangan fuzzy yang merepresentasikan waktu yang
diperlukan untuk mencuci. Ini adalah kondisi-kondisi dari variabel linguistik τ
Asumsikan bahwa t ∈[0, tmax] dan kami ingin pengontrol fuzzy untuk
berhubungan dengan lima perbedaan karakteristik waktu yang diperlukan untuk
mencuci yang dinyatakan dalam bahasa natural sebagai very short (sangat
pendek), short (pendek), medium (menengah), long (panjang), dan very long
(sangat panjang). Definisi yang tepat dari bilangan-bilangan fuzzy yang
merepresentasikan pernyataan linguistik ditunjukkan pada Gambar. 10.3.
Sehingga menjadi hal mudah untuk menyatakan pengetahuan bagi
pengguna mesin cuci yang telah berpengalaman dalam menggunakannya dengan
proposisi fuzzy conditional dengan bentuk :
Jika D = dan S = maka T =
yang kondisi yang sesuai dari ketiga variabel linguistik tersebut ditempatkan ke
dalam kotak kosong untuk setiap proposisinya. Karena variabel D dan S masing-
masing memiliki tiga kondisi, maka banyaknya pasangan urutan yang mungkin
dari kondisi-kondisi tersebut adalah sembilan. Untuk masing-masing pasangan
kondisi terurut, kami harus menentukan (menggunakan pengetahuan yang
tersedia) suatu kondisi yang sesuai dari variabel T. Hasil dari kesembilan
proposisi fuzzy conditional yang berbeda ditunjukkan diatas. Proposisi-proposisi
1
.75
.5
.25
0
Short (St) Medium (Mt) Long (Lt)Very Short
(VSt)Very Long (Lt)
tmax
ini biasanya disebut aturan inferensi fuzzy atau aturan jika-maka fuzzy. Tiga
contoh dari aturan ini adalah :
Jika D = Ld dan S = Ss, maka T = VSt
Jika D = Md dan S = Ms, maka T = Mt
Jika D = H d dan S = Ls, maka T = VLt
Gambar 10.4
aturan inferensi
untuk mesin cuci fuzzy
Dalam setiap aturan, bagian
D dan S disebut
anteseden dan bagian T
disebut konsekuen.
Sebuah cara mudah untuk mendefinisikan semua aturan yang dibutuhkan
adalah matriks yang ditunjukkan pada Gambar 10.4. Baris dalam matriks sesuai
dengan kondisi variable D, sedangkan kolom dalam matriks sesuai dengan bagian
variabel S, dan entri dalam matriks sesuai dengan kondisi variable T . Amati
bahwa dengan mendefinisikan aturan inferensi fuzzy oleh matriks ini selaras
dengan akal sehat kami.
Kesembilan aturan inferensi fuzzy merupakan pengetahuan berdasarkan
operasi pengontrol fuzzy. Pengontrol dihubungkan dengan mesin cuci seperti yang
ditunjukkan pada gambar 10.5. Untuk nilai variabel d dan s yang diberikan,
pengontrol akan menentukan nilai yang tepat dari variabel t (waktu mencuci)
dengan menjalankan langkah-langkah sebagai berikut.
Langkah 1. Ketika nilai khusus yang telah diukur dari variabel input d
dan s, dinotasikan dengan d dan s, diterima oleh pengontrol pada beberapa waktu
yang telah ditetapkan, kompatibilitas mereka dengan anteseden yang sesuai dari
S
t Ss Ms Ls
D
Ld VSt St Mt
Md St Mt Lt
Hd Mt Lt VLt
semua aturan inferensi akan ditentukan. Sebagai contoh, nilai diukur d
ditunjukkan gambar 10.1 cocok dengan D = Ld, Md, Hd secara berurutan dengan
derajat 0.75, 0.25, 0. Demikian pula, nilai yang diukur ditunjukkan dalam gambar
10.2 cocok dengan S = Ss, Ms, Ls secara berurutan dengan derajat 0, 0.7, 0.3.
Hanya aturan-aturan dimana kesesuaian dari nilai-nilai yang diukur dengan kedua
antesedennya bernilai positif, akan menentukan nilai dari variabel yang dikontrol.
Aturan-aturan ini biasanya disebut sebagai rules that fire. Dalam contoh kami,
empat aturan yang fire diidentifikasikan pada gambar 10.4 dengan elemen-elemen
yang dilingkari. Aturan-aturan ini yang akan ditunjukkan lebih eksplisit dalam
gambar 10.6, bersama dengan nilai yang terukur d dan s dari contoh.
d t
s
Gambar 10.5 kontrol fuzzy dari waktu mencuci
Langkah 2. Sebuah kesimpulan yang dibuat oleh masing-masing rules
that fire. Untuk memahami bagaimana hal ini dilakukan, harus kami sadari bahwa
aturan untuk perkiraan fungsi f, yang hampir mustahil untuk ditentukan dengan
tepat, dengan bilangan-bilangan fuzzy yang sesuai.
1 1 1
Pengontrol fuzzy timerMesin cuci
LdMS St
0 0 0
1 1 1
0 0 0
1 1 1
0 0 0
1 1 1
0 0 0
Gambar 10.6 inference rules that fire untuk d= d dan s= s.
Dalam contoh kami, fungsi memiliki bentuk:
t=f (d , s)
Aproksimasi fungsi dengan bilangan fuzzy secara implisit melibatkan prinsip
ekstensi (perluasan). Mengingat aturan inferensi fuzzy tertentu dengan dua
anteseden, kombinasi mereka adalah sebuah himpunan fuzzy pada R2 (Himpunan
fuzzy dua dimensi). Jika antesedent adalah independen, seperti pada contoh kami,
kombinasinya didefinisikan sebagai perpotongan dari peluasan silindriknya.
Himpunan fuzzy dua dimensi diperoleh dengan cara ini kemudian dipetakan ke
dalam consequent dari aturan. Setiap antecedent yang derajat kompatibilitas
Ld
Md
Md
LS
MS
LS
Mt
Mt
Lt
dmax
dmax
dmax
smax
smax
smax
tmax
tmax
tmax
tmaxsmaxdmaxd
d
s
s
d
d
s
s
dengan ukuran yang diberikan kurang dari 1 adalah terpotong oleh derajat ini.
Perpotongan perluasan silindrik dari antecedent ini dipotong kemudian dipotong
oleh derajat minimum dari kompatibilitas (dengan asumsi perpotongan fuzzy
standar) dan pemotongan ini diwariskan dalam consequent dari aturan dengan
prinsip perluasan. Prosedur ini digambarkan untuk contoh kami dalam gambar
10.6. Kesimpulan yang diperoleh oleh masing-masing aturan inferensi individu
untuk nilai yang terukur d dan s adalah himpunan fuzzy yang fungsi
keanggotaannya digambarkan oleh daerah yang diarsir.
Langkah 3:
Mengingat kesimpulan yang diperoleh dengan aturan inferensi fuzzy
individu, kami memperoleh kesimpulan secara keseluruhan dengan mengambil
gabungan dari semua kesimpulan individu. Dalam contoh kami, diilustrasikan
dalam gambar 10.6, kesimpulan secara keseluruhan adalah himpunan fuzzy C d , s
yang fungsi keanggotaannya didefinisikan untuk setiap x∈ [0 , tmax ] dengan rumus:
C d , s (t )=max {min [ Ld ( d ) , M s ( s) , S t (t ) ] , min [ Ld (d ) , Ls ( s ) , M t (t ) ] ,min [ M d ( d ) , M s ( s ) ,M t (t ) ] ,min [ M d (d ) , Ls ( s ) , Lt (t ) ] }
Grafik dari fungsi ditunjukkan pada gambar 10.7.
Langkah 4:
Langkah terakhir dalam prosedur operasi dari pengendali fuzzy disebut
defuzzifikasi (proses perubahan samar). Tujuannya adalah untuk mengubah
himpunan fuzzy yang mewakili kesimpulan keseluruhan diperoleh pada langkah 3
menjadi bilangan real, dalam arti tertentu, yang terbaik mewakili himpunan fuzzy.
Meskipun ada berbagai metode defuzzifikasi, masing-masing dibenarkan dalam
beberapa cara, metode yang paling umum adalah untuk menentukan nilai yang di
bawah luas grafik fungsi keanggotaan dibagi sama rata. Metode ini disebut
metode pusat gravitasi defuzzifikasi. Secara umum, diberi sebuah himpunan fuzzy
0
1
A yang didefinisikan pada interval [a1 , a2], pusat gravitasi defuzzifikasi, a, dari
himpunan A didefinisikan dengan rumus :
a=∫a1
a2
xA ( x )dx
∫a1
a2
A ( x )dx
Dengan nenerapkan rumus ini pada contoh, kami peroleh:
t=∫
0
tmax
t Cd , s
( t ) dt
∫0
t max
Cd , s ( t ) dt
Nilai ini, yang ditunjukkan pada Gambar 10.7, adalah waktu operasi yang
dibutuhkan dari mesin cuci yang ditentukan oleh pengendali fuzzy untuk kondisi d
dan s. Waktu mencuci diatur ke nilai ini.
Gambar 10.7: Himpunan Fuzzy yang menjelaskan kesimpulan keseluruhan
untuk ukuran nilai d dan s dan nilai t
Contoh:
Setiap orang pasti memiliki penilaian masing – masing mengenai tingkat
kekotoran pakaian yang akan dicuci dan waktu penjenuhan (saturation time).
Untuk mewakili penilaian tingkat kekotoran (dalam %) dan waktu penjenuhan,
kami misalkan tingkat kekotorannya berada dalam interval [0,100] sedangkan
waktu penjenuhan berada pada interval [0,10].
1
0 80604020 100
Agak kotor (x1) Kotor
(x1)Sangat Kotor (x1)
Tingkat kekotoran tersebut telah didefinisikan pada 3 peubah bahasa (agak kotor,
kotor, sangat kotor) maka kami posisikan 3 peubah bahasa tersebut dalam interval
[0,100] dengan asumsi:
1. Setiap pakaian dianggap agak kotor bila tingkat kekotorannya 0% sampai
dengan 20% dan sebagian menggangap sampai dengan 40%.
2. Setiap pakaian dianggap kotor bila tingkat kekotorannya 40% sampai
dengan 60% dan sebagian mengganggap bila tingkat kekotorannya 20%
sampai dengan 80%.
3. Setiap pakaian dianggap sangat kotor bila tingkat kekotorannya lebih dari
80% dan sebagian menganggap bila tingkat kekotorannya lebih dari 60%.
Dan waktu penjenuhan juga didefinisikan 3 peubah bahasa ( cepat, sedang,
lambat) maka kami posisikan ketiga peubah bahasa tersebut dalam interval [0,10]
dengan asumsi:
1. Suatu operasi dianggap cepat bila waktu penjenuhannya bernilai 0 sampai
dengan 5.
2. Suatu operasi dianggap sedang bila waktu penjenuhannya berniali 5 atau
dalam interval [0,10].
3. Suatu operasi dianggap lambat waktu penjenuhannya bernilai 5 sampai
dengan 10.
Dari asumsi tersebut tiga peubah bahasa tingkat kekotoran (x1) dapat
dinyatakan dengan kurva sebagai berikut:
Gambar 1: Fungsi keanggotaan peubah Tingkat Kekotoran (d)
1
0 5 10
Sedang (x2)
Cepat (x2) Lambat (x2)
Dari definisi fungsi keanggotaan trapezoid tersebut maka fungsi keanggotaan
masing-masing peubah bahasa adalah:
μAgak kotor ( x1 )={ 1 , untuk x1<2040−x1
20,untuk 20< x1<40
0 , untuk x1>40
μKotor ( x1 )={0 , untuk x1<20 dan x1>80x1−20
20,untuk 20<x1<40
1 ,untuk 40<x1<6080−x1
20, untuk 60<x1<80
μSangat kotor ( x1 )={ 0 , untuk x1<60x1−60
20, untuk 60< x1<80
1 , untuk x1>80
Selanjutnya, dari asumsi ketiga peubah bahasa waktu penjenuhan (x2)
dapat dinyatakan dengan kurva sebagai berikut:
Gambar 2: Fungsi keanggotaan peubah waktu penjenuhan (s)
Dari definisi fungsi keanggotaan triangular tersebut maka fungsi keanggotaan
masing-masing peubah bahasa adalah:
μcepat ( x2 )={5−x2
5,untuk x2<5
0 ,untuk x2>5
μsedang ( x2 )={ x2
5,untuk 0<x2<55
10−x2
5,untuk 5< x2<10
μlambat ( x2 )={ 0 ,untuk x2<5x2−5
5, untuk 5<x2<10
Langkah 1:
Misal derajat kekotoran (x1) = 35 % diperoleh:
μagak kotor (35 )=40−3520
=0,25
μkotor (35 )=35−2020
=0,75
μsangat kotor (35 )=0
Misal waktu penjenuhan (x2) = 3 sehingga:
μcepat (3 )=5−35
=25=0,4
μsedang (3 )=35=0,6
μsedang (3 )=0
Langkah 2:
Diperoleh proposisi fuzzy conditional sebagai berikut :
Jika D = 0,25 dan S = 0,4, maka T = 0,25
1
0 100
Jika D = 0,25 dan S = 0,6, maka T = 0,25
Jika D = 0,75 dan S = 0,4, maka T = 0,4
Jika D = 0,75 dan S = 0,6, maka T = 0,6
S
D
t 0,4 0,6 0
0,25 0,25 0,25 0
0,75 0,4 0,6 0
0 0 0 0
Gambar 3: Aturan Inferensi Fuzzy Mesin Cuci
Langkah 3:
C35,3 ( t )=max {min [ 0,25 ;0,4 ;0,25 ] ,min [ 0,25; 0,6 ;0,25 ] ,
min [ 0,75 ;0,4 ;0,4 ] ,min [ 0,75 ;0,6 ;0,6 ]}
= max {0,25 ;0,25 ;0,4 ;0,6 }
Gambar 4: Himpunan Fuzzy yang menjelaskan kesimpulan keseluruhan untuk
ukuran nilai d dan s dan nilai t
Langkah 4:
Misal waktu operasi mesin cuci (t) berada dalam (menit) interval [0,60], sehingga
diperoleh:
t=∫
0
tmax
t Cd , s
( t ) dt
∫0
t max
Cd , s ( t ) dt
¿∫
0
60
t(0,6 )dt
∫0
60
0,6 dt
¿
12
t 2(0,6)
(0,6 ) t ]0
60
¿30
Jadi waktu operasi mesin cuci tersebut 30 menit.
APLIKASI TEORI HIMPUNAN FUZZY (SAMAR)
PADA MESIN CUCI
Guna memenuhi tugas pada Mata Kuliah Teori Himpunan samar
Disusun oleh :
KELOMPOK 5
Anggota :
1. Yanika Gunarwatiningsih (07305144002)2. Yashinta (07305144008)
3. Aisyah Mirnawati (07305144009)4. Erlina Kurniasih Widyaningrum (07305144040)
PROGRAM STUDI MATEMATIKA
JURUSAN PENDIDIKAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI YOGYAKARTA
2010
DAFTAR PUSTAKA
J.Klir, George. 1997. Fuzzy Set Theory Foundations and Application. New York: Prentice-Hall, Inc.