Implementasi Logika Fuzzy pada Sistem Pemadam Kebakaran Pada Ruang Tertutup Berbasis Arduino

Referensi :

Yanuar, R. N., Ichsan, M. H. H. and Setyawan, G. E. (2019) ‘Implementasi Sistem Pemadam Kebakaran Pada Ruang Tertutup Berbasis Arduino Menggunakan Logika Fuzzy’, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(4), pp. 3963–3970. Available at: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/5084.

Referensi jurnal untuk saran dan perbaikan :

Sandy, Yunita Ari. dkk. (2022). Sistem Kendali Suhu dan Pengganti Air Otomatis pada Akuarium Menggunakan Fuzzy Logic Controller Berbasis Internet of Things. Jurnal Teknik Elektro. Volume 11 Nomor 01 Tahun 2022. Halaman 163-173.

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

Perbaikan dari Aplikasi

4.Langkah percobaan

5. Video Pengenalan Fuzzy dengan Matlab

6. Link Download

1. Tujuan [Back]

- untuk memenuhi matakuliah Fuzzy

- Untuk mengetahui Implementasi Logika Fuzzy

- Dapat mensimulasikan logika fuzzy dari jurnal atau makalah referensi

2. Alat dan Bahan[Back]

MATLAB

Buku Fuzzy

3. Dasar Teori [Back]

A. Pengenalan Fuzzy Logic

Logika Fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau kesamaran (fuzzyness) antara benar atau salah.Logika fuzzy dapat digunakan dalam bidang teori kontrol, teori keputusan, dan beberapa bagian dalam managemen sains.

Kelebihan dari logika fuzzy adalah mampu dalam proses penalaran secara bahasa (linguistic reasoning), sehingga dalam perancangannya tidak perlu lagi persamaan matematik dari objek yang dikendalikan.

Adapun salah satu contoh dari aplikasi logika fuzzy dalam kehidupan sehari-hari adalah di tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang (Matsushita Electric Industrial Company).

Sistem fuzzy digunakan untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci

Operasi Himpunan Fuzzy

Operasi himpunan kabur diperlukan untuk proses inferensi atau penalaran. Dalam hal ini yang dioperasikan adalah derajat keanggotannya. Derajat keanggotaannya sebagai hasil dari operasi dua buah himpunan kabur. ada 3 operator dasar yang terdapat dalam himpunan Fuzzy, yaitu operator AND, operator OR dan operator NOT .

1. Operator and (konjungsi) fuzzy

Kongjungsi fuzzy dari A dan B dilambangkan dengan A n B dan didefenisikan oleh :

contoh.
A ∩ B = {MIN(1.0, 0.2), MIN(0.20, 0.45), MIN(0.75, 0.50)} = {0.2, 0.20, 0.50}
Misal nilai keanggotaan umur 27 pada himpunan muda adalah μMUDA[27] = 0,6 dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah μGAJITINGGI[2juta] = 0,8

maka α -predikat untuk usia MUDA dan berpenghasilan TINGGI adalah nilai

keanggotaan minimun :

μMUDA ∩ GAJITINGGI

= min(μ MUDA[27], μ GAJITINGGI[2juta])

= min (0,6 ; 0,8)

= 0,6

2. Operator OR (disjungsi) fuzzy

Disjungsi fuzzy dari A dan B dilambangkan dengan A U B dan didefenisikan oleh :

Contoh:

A = {1.0, 0.20, 0.75}

B = {0.2, 0.45, 0.50}

A ∪ B = {MAX(1.0, 0.2), MAX(0.20, 0.45), MAX(0.75, 0.50)}

= {1.0, 0.45, 0.75}

Misal nilai keanggotaan umur 27 pada himpunan muda adalah μMUDA[27] = 0,6 dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah μGAJITINGGI[2juta] = 0,8

maka α -predikat untuk usia MUDA atau berpenghasilan TINGGI adalah nilai keanggotaan maksimum :
μMUDA ∪ GAJITINGGI

= max(MUDA[27], GAJITINGGI[2juta])
= max (0,6 ; 0,8)
= 0,8

3. Operator NOT

range derajat keanggotaan dalam interval tertutup antara 0 dan 1, disebut complemen

dari himpunan fuzzy yang bersesuaian dengan himpunan

universal X dinotasikan

dan didefenisikan :

Contoh
Ac = {1 – 1.0, 1 – 0.2, 1 – 0.75} = {0.0, 0.8, 0.25}
Misal nilai keanggotaan umur 27 pada himpunan muda adalah μMUDA[27]= 0,6 maka α -predikat untuk usia TIDAK MUDA adalah :

μMUDA’[27] = 1 - MUDA[27
= 1 - 0,6
= 0,4

Contoh Nilai keanggotaan sebagai hasil dari operasi 2 himpunan: fire strength atau α-predikat

Fungsi Keanggotan Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotannya (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 dengan u[X] adalah derajat keanggotaan. Derajat keanggotaan yaitu nilai-nilai yang terdapat pada variabel linguistik yang dipetakan ke interval [0,1 ]. Nilai pemetaan inilah yang disebut sebagai nilai keanggotaan atau derajat keanggotaan.

B. Konsep Dasar Fuzzy Logic

Konsep Dasar

Logika fuzzy bukanlah logika yang tidak jelas (kabur), tetapi logika yang digunakan untuk menggambarkan ketidakjelasan.
Logika fuzzy adalah teori himpunan fuzzy Himpunan yang mengkalibrasi ketidakjelasan.
Logika fuzzy didasarkan pada gagasan bahwa segala sesuatu mempunyai nilai derajat.
Logika fuzzy merupakan peningkatan dari logika Boolean yang mengenalkan konsep kebenaran sebagian.
Logika klasik (Crisp Logic) menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak) Tidak ada nilai diantaranya 2. Logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran Ada nilai diantara hitam dan putih (abu-abu).

C. Meteodologi Desain Fuzzy Logic

Ada tiga proses utama jika ingin mengimplementasikan fuzzy logic pada suatu perangkat, yaitu fuzzifikasi, evaluasi rule, dan defuzzifikasi.

Fuzzifikasi = proses untuk mengubah suatu masukan dari bentuk tegas (crisp) menjadi fuzzy yang biasanya disajikan dalam bentuk himpunan-himpunan fuzzy dengan suatu fungsi kenggotaannya masing-masing.
Interference System (Evaluasi Rule) = sebagai acuan untuk menjelaskan hubungan antara variable-variabel masukan dan keluaran yang mana variabel yang diproses dan yang dihasilkan berbentuk fuzzy.
Defuzzification = proses pengubahan variabel berbentuk fuzzy tersebut menjadi data-data pasti (crisp) yang dapat dikirimkan ke peralatan pengendalian.

Untuk melakukan perancangan suatu sistem fuzzy perlu dilakukan beberapa tahapan berikut ini :

1. Mendefinisikan karakteristik model secara fungsional dan operasional.

2. Melakukan dekomposisi variabel model menjadi himpunan fuzzy

3. Membuat aturan fuzzy

4. Menentukan metode defuzzy untuk tiap-tiap variabel solusi

Berikut diagram alir prosesnya :

Diagram Alir Implementasi Jurnal

D. Contoh Penyelesaian Fuzzy Logic

Contoh: S = {1, 2, 3, 4, 5} adalah semesta pembicaraan A = {1, 2, 3} dan B = {3, 4, 5} Bisa dikatakan bahwa:

Kembali Ke Daftar Isi [Back]

Aplikasi [Back]

Jurnal referensi

Gambar Skema rangkaian

B. Implementasi Sistem Pada Matlab dan Defuzzyfikasi

0. Ketikkan Fuzzy di Command Window

1. Desain Fuzzy Logic membuat input dan output
Mamdani pada aplikasi Matlab.

2. Variabel Input terdiri dari 3 buah fungsi keanggotaan data kadar asap, data api, dan suhu disekitar prototype.

API (dekat, agak dekat, jauh, tidak ada api)

ASAP (tipis, sedang, tebal)

SUHU (dingin, normal, panas)

3. Variabel output terdiri dari 2 jenis, yaitu kecepatan fan dan durasi pompa penyemprot. dengan fungsi keanggotaan pada gambar dibawah ini.

KIPAS (lambat, sedang, cepat)

Pompa (singkat, agak lama, lama)

6. Masukkan Rules

Setelah proses fuzzifikasi selesai dilanjutkan dengan proses implikasi metode Min. Proses ini dilakukan setelah diperoleh nilai masing-masing derajat keanggotaan tiap parameter dan untuk mencari nilai minimum tiap rule (aturan). terbentuk 10 himpunan fuzzy sebagai input, yaitu: dingin, normal, panas, tipis, sedang, tebal dan dekat, agak dekat, jauh, tidak ada api. Ditambah dengan 8 himpunan kondisi sebagai output, yaitu : lambat, sedang, cepat dan off, singkat , agak lama, lama. Fuzzy sistem yang akan dibuat dengan menggunakan perintah “IF” dan “AND” dan menghasikan perintah “THEN”. Terdapat 36 Rule yang ada pada tabel 1.

Tabel 1. Rule fuzzy

Tahap terahir yaitu defuzzifikasi dimana pengubahan nilai output logika fuzzy menjadi nilai output sesungguhnya. Metode defuzzifikasi yang digunakan adalah centroid method, disebut juga sebagai center of area atau center of gravity.

7. Pengujian Fuzzy

(kondisi awal)

Dengan nilai asap yaitu 27ppm, suhu 280C, jarak api 966mm maka exhaust fan aktif bernilai 106,01 dan pompa mati.

kondisi fan dan pompa aktif ketika nilai suhu 27C, asap 19ppm, jarak api 858mm. Dilihat pada Gambar dalam percobaan di arduino terhadap Gambar 18 keluaran aktuator sesuai yakni kecepatan kipas 59,4 dan durasi pompa 28 detik.

ketika nilai suhu 290C, asap 35ppm, jarak api 687mm maka nilai exhaust fan 91,2 dan durasi pompa 30,4 detik.

KESIMPULAN

Berdasarkan dari hasil pengujian yang dilakukan, sistem yang telah dibuat dan disimulasikan, sistem dapat berjalan dengan baik. Input berupa suhu, asap,dan api. dan output berupa kipas dan waktu hidupnya pompa. masing-masing input dan output memiliki 3 membership function dengan 36 rule fuzzy. Pada pengujian yang telah dilakukan didapatkan error untuk pembacaan sensor 3.7% yang dapat mempengaruhi nilai output yang diberikan.

Saran
Input berupa suhu, asap,dan api. dan output berupa kipas dan waktu hidupnya pompa. masing-masing input dan output memiliki 3 membership function dengan 36 rule fuzzy. Pada pengujian yang telah dilakukan didapatkan error untuk pembacaan sensor 3.7% yang dapat mempengaruhi nilai output yang diberikan.

Realisasi Saran
Dalam melakukan saran ini dilakukan penambahan masing-masing input sebanyak 7 membership function. Suhu (sangat dingin, dingin, agak dingin, normal, agak panas, panas, sangat panas) Asap (sangat tipis, agak tipis, tipis, sedang, agak tebal, tebal, sangat tebal) Api (dengan 7 membership lain) dengan penambahan tersebut dengan dalam bentuk tidak simetris diperoleh hasil yang lebih mendekati nilai aktual yakni sebelumnya nilai yang terbaca pada matlab adalah 200 dan setelah diperbaiki dengan menambahkan inputnya menjadi 7 menjadi 195. Hal ini dapat terlihat seperti pada gambar di bawah ini :

Suhu Asap Api

Penambahan membership function
referensi : Sandy, Yunita Ari. dkk. (2022). Sistem Kendali Suhu dan Pengganti Air Otomatis pada Akuarium Menggunakan Fuzzy Logic Controller Berbasis Internet of Things. Jurnal Teknik Elektro. Volume 11 Nomor 01 Tahun 2022. Halaman 163-173.
(1)

(2)

Dari gambar diatas, apabila kita bandingkan nilai yang diperoleh dengan nilai aktual menggunakan rumus di bawah ini :

Maka, diperoleh nilai errornya sebesar 0,99%. Dimana hal ini seudah lebih baik dibandingkan dengan di jurnal dan hasil pembacaan sensor pada sistem yang telah disimulasikan dihasilkan pembacaan yang lebih akurat dibandingkan dengan yang di jurnal.

DAFTAR PUSTAKA
Ardhika, R. (2014). Sistem Pengaturan Kecepatan Motor DC pada Alat Ekstraksi Madu Menggunakan Kontrol Logika Fuzzy. Malang: Universitas Brawijaya. Dwitya N, S. (2011).

Rancang Bangun Building Automation System dengan Menerapkan Kontrol Logika Fuzzy untuk Pengaturan Kipas Angin dan Air Conditioner pada Gedung D4 Lantai 3. Surabaya:

Politeknik Elektronika Negeri Surabaya. pemadamapi. (2016). 117-ini-data-kebakarantahun-2016-di-indonesia-mengerikan. [Online] Tersedia di: [Diakses Maret 2017]

Saefudin, D. (2012). Implementasi Pendeteksian dan Pengiriman Informasi Kebakaran Menggunakan FLC (Fuzzy Logic Controller) dan SMS. Bandung: Politeknik Negeri Bandung.

Saputra, M. A. (2015). Metode Decision Tree Sebagai Pembanding Metode Fuzzy Untuk Menentukan Status Kebakaran Menggunakan Multi-Sensor. Malang: Fakultas Ilmu Komputer Univeritas Brawijaya.

Purnomo, R. A. (2017). Implementasi Metode Fuzzy Sugeno Pada Embedded System Untuk Mendeteksi Kondisi Kebakaran Dalam Ruangan. Malang: Fakultas Ilmu Komputer Universitas Brawijaya
1BH8mU9fOcyH8g356g30hrdgfB4vwSBnN