Sistem kontrol penyiram air Dasar Kendali cerdas

Misalkan kita ingin membangun sistem untuk mengontrol alat penyiram air . Input untuk sistem tersebut adalah suhu udara (dalam 0C) dan kelembaban tanah (dalam %) Output yang diinginkan adalah durasi penyiraman (dalam menit) Misalkan nilai crisp yang diterima sensor kelembaban adalah 12%. Nilai crisp yang diterima sensor suhu adalah 370C Berapa lama durasi penyiraman yang harus dilakukan?

Untuk menentukan berapa lama durasi penyiraman , maka proses yan dilakukan adalah: 1. fuzzification : mengubah kedua nilai crisp input tersebut menjadi fuzzy input menggunakan fungsi- fungsi keangotaan 2. rule evaluation : melakukan reasoning menggunakan nilai- nilai fuzzy input tersebut dan fuzzy rule sehingga dihasilkan fuzzy output 3. defuzzification : mengubah fuzzy output menjadi nilai crisp (dalam satuan detik) berdasarkan fungsi keanggotaan output

Proses fuzification Misalkan untuk suhu udara kita menggunakan fungsi keanggotaan trapesiun dengan 5 variabel linguistik yaitu: cold, cool, normal, warm, hot Dengan fungsi ini, maka crisp input suhu 370C dikonversikan ke nilai fuzzy dengan cara: Suhu 370C berada pada nilai linguistik warm dan hot Semantik atau derajat keanggotaan untuk warm dihitung menggunakan rumus : -(x-d)/(d-c), c<x≤d Berdasarkan gambar : Dimana c=36 dan d=39 , sehinga derajat keanggotaan warm = -(37-39)/(39-36) = 2/3 Derajat keanggotaan untuk hot hitung menggunakan rumus : (x-a)/(b-a), a<x<b, dimana a=36 dan b=39, sehinga derajat keanggotaan hot = (37-39)/(39-36) = -1/3

Fungsi keanggotaan untuk suhu udara

Misalkan untuk kelembaban tanah kita menggunakan fungsi keanggotaan trapesiun dengan 3 variabel linguistik yaitu: dry, moist, wet Dengan fungsi ini, maka crisp input kelembaban 12% dikonversikan ke nilai fuzzy dengan cara: Kelembaban 12% berada pada nilai linguistik dry dan moist Semantik atau derajat keanggotaan untuk dry dihitung menggunakan rumus : -(x-d)/(d-c), c<x≤d Berdasarkan gambar : Dimana c=10 dan d=20 , sehinga derajat keanggotaan dry = -(12-20)/(20-10) = 4/5 Derajat keanggotaan untuk moist hitung menggunakan rumus : (x-a)/(b-a), a<x<b, dimana a=10 dan b=20, sehinga derajat keanggotaan moist = (12-20)/(20-10) = 1/5

Fungsi keanggotaan untuk kelembaban tanah

Jadi proses fuzzifikasi menghasilkan empat fuzzy input yaitu : Suhu udara = warm(2/3) dan hot (1/3) Kelembaban tanah =dry(4/5) dan moist(1/5)

Proses inferensi Untuk durasi penyiraman kita menggunakan fungsi keanggotaan trapesium dengan 3 nilai linguistik: short, medium dan long

Aturan fuzzy untuk sistem kontrol penyiram air Antecedent 1( suhu udara) cold cool normal warm hot Dry Long long Moist Medium wet short Short Antecedenct 2 (kelembabn)

Ada 3 x 5 =15 aturan fuzzy yaitu:

Proses inferensi menngunakan model mamdani Dapat digunakan 2 cara infrensi, yaitu clipping(alppha-cut) atau scaling. Metode yang paling umum digunakan adalah clipping karena mudah diimplementasikan dan bila diagregasikan dengan fungsi lain akan menghasilkan bentuk yang mudah difuzifikasi Dari empat data fuzzy yaitu :Suhu udara = warm(2/3) dan hot (1/3) Kelembaban tanah =dry(4/5) dan moist(1/5) Diperoleh empat aturan dari 15 aturan yang dapat diaplikasikan yaitu:

Sehinga diperoleh dua pernyataan yaitu : Gunakan aturan conjuction (Λ) dengan memilih derajat keanggotaan minimum dari nilai-nilai linguistik yang dihubungkan oleh Λ dan lakukan clipping pada fungsi keanggotaan trapesium untuk durasi penyiraman. Sehinga diperoleh : IF suhu is warm (2/3) AND kelembaban is Dry (4/5) then durasi is long(2/3) IF suhu is warm (2/3) AND kelembaban is Moist (1/5) then durasi is medium (1/5) IF suhu is Hot (1/3) AND kelembaban is Dry (4/5) then durasi is long(1/3) IF suhu is Hot (1/3) AND kelembaban is Moist (1/5) then durasi is Medium (1/5) Gunakan aturan disjunction (V) dengan memilih derajat keanggotaan maximum dari nilai-nilai linguistik yang dihubungkan oleh V dan lakukan clipping pada fungsi keanggotaan trapesium untuk durasi penyiraman. Sehinga diperoleh : ‘Durasi is long (2/3) V durasi is long (1/3)’ dihasilkan durasi is long (2/3)’ ‘Durasi is medium (1/5) V durasi is medium (1/5)’ dihasilkan durasi is medium (1/5)’ Sehinga diperoleh dua pernyataan yaitu : Durasi is long (2/3) dan durasi is medium (1/5)’

Proses inferensi menggunakan model mamdani a. Durasi is long (2/3) b. Durasi is Medium (1/5)

Proses defuzzyfication Sebelum defuzyfication , kita harus melakukan proses composition, yaitu agregasi hasil clipping dari semua aturan fuzzy sehinga didapatkan satu fuzzy set tunggal . Proses composition dari dua fuzzy set, Durasi is long (2/3) dan durasi is medium (1/5), menghasilkan satu fuzzy set tunggal. Proses composition pada model mamdani dari dua fuzzy set Durasi is Medium (1/5) dan long (2/3)

Untuk proses defuzzyfication digunakan centroid method Center of area Dengan menentukan titik-titik sembarangan didaerah berarsir , misalkan : 24,28,32,36,40,48,60,70,80 dan 90 diperoleh : Untuk suhu 370C dan kelembaban tanah 12% dibutuhkan durasi penyiraman selama 60,97 detik.

Metode sugeno Metode sugeno menggunakan fungsi keanggotaan yang lebih sederhana dibandingkan model mamdani. Fungsi keanggotaan tersebut adalah singleton , yaitu fungsi keanggotaan yang memiliki derajat keanggotaan 1 pada suatu nilai crisp tunggal dan 0 pada semua crisp yang lain Dengan cara yang sama seperti model mamdani diperoleh Durasi is long (2/3) dan durasi is medium (1/5)’

Proses defuzzyfication menggunakan model sugeno Proses composition dari dua fuzzy set, Durasi is long (2/3) dan durasi is medium (1/5), menghasilkan satu fuzzy set tunggal.

Jika menggunkan Height method untuk proses defuzzyfication , Durasi is long (2/3) dan durasi is medium (1/5), dipilih nilai maksimum nya yaitu Durasi is long (2/3) . Karena nilai crisp untuk long adalah 60, maka durasi penyiraman adalah 60 menit. Jika menggunakan Weighted Average untuk proses defuzzyfication, diperoleh;

Rule viewer Dengan matlab

Surface viewer