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

  Vol. 1, No. 6, Juni 2017, hlm. 476-485 http://j-ptiik.ub.ac.id

  

Perbandingan Jumlah Membership Dan Model Fuzzy Terhadap Perubahan

Suhu Pada Inkubator Penetas Telur

₁

₂

₃ Dini Ismawati , Dahnial Syauqy , Barlian Henryranu Prasetio

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: dini.ismawati@gmail.com, dahnial87@ub.ac.id, barlian@ub.ac.id

  

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 _{o o}

  suhu antara 37 celcius . (Hartono & Isman,

• – 39 1.

  2010).

   PENDAHULUAN

  Sistem otomatis untuk mengidealkan suhu Suhu yang ideal pada inkubator penetas inkubator telur ayam dapat dibuat dengan telur ayam, memiliki peranan penting untuk menggunakan metode fuzzy karena algoritma menentukan kesuksesan ketika panen. Suhu

  Fuzzy adalah metodologi sistem pemecahan

  ideal untuk penetasan telur ayam berkisar antara _{o o} masalah yang cocok untuk diimplementasikan 36 celcius atau dapat diseragamkan pada

• – 40

  pada sistem otomatis. (Jufril et al., 2015). Pada logika fuzzy terdapat fungsi keanggotaan

  Fakultas Ilmu Komputer Universitas Brawijaya

476

  (membership function) yang merupakan suatu windows untuk menampilkan interface system kurva yang menunjukkan pemetaan titik-titik sehinggaa programmer tidak perlu membuat

  

input data atau disebut dengan derajat program interface kembali, dan LabVIEW juga

  keanggotaan. Salah satu cara yang dapat dapat menyimpan data yang memudahkan dalam digunakan untuk mendapatkan nilai menganalisa output sistem.. keanggotaan adalah dengan melalui pendekatan fungsi atau model, seperti kurva segitiga

  2. DAN

  (triangle), kurva trapezium (trapezoid), kurva

   PERANCANGAN

  IMPLEMENTASI

  gauss (gaussian), dan sebagainya (Wardhani & Haerani, 2011).

  Pada tahap perancangan terbagi menjadi Akan tetapi saat ini pemilihan jumlah dua bagian, yaitu perancangan hardware dan

  membership dan model fuzzy untuk parameter-

  perancangan software. Seperti pada Gambar 2.1 parameter yang digunakan dalam proses fuzzy masih belum didasarkan kepada suatu panduan. _Perancangan Karena tidak adanya panduan, umumnya model Prototype _Inkubator fungsi keanggotaan yang dipilih adalah model _{Perancangan Hardware} fungsi keanggotaan yang paling sering _Perancangan digunakan. _{Perancangan Rangkaian Elektrik}

  Pada penelitian sebelumnya mengenai _Sistem pengaruh jumlah membership dan model fuzzy _{Perancangan Perancangan} pada output sistem diperoleh rata-rata selisih _{Software Pemrograman Lab VIEW} antara tiga jenis membership sebersar 30,8 dan rata-rata nilai selisih antara tiga model fuzzy

Gambar 2.1 Alur Perancangan Sistem

  sebesar 0,62 (Huda, 2016). Kemudian diperoleh rata-rata nilai selisih model fuzzy sebesar 2,33 Pada perancangan perangkat keras, yaitu jika menggunakan jumlah membership input dan rangkaian electric dan pembangunan prototype output yang berbeda (Castro et al., 2012). sistem agar dalam tahap implementasi dapat

  Berdasarkan dua penelitian yang pernah berjalan sesuai dengan harapan. Perancangan dilakukan oleh Miftahul Huda dan Jaqueline, dan impementasi prototype inkubator penetas belum ada yang melakukan analisa mengenai telur seperti pada Gambar 2.2 dan Gambar 2.3. 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

Gambar 2.2 Perancangan Prototype Inkubator

  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

Gambar 2.3 Implementasi Prototype Inkubator

  LabVIEW tidak perlu menginstall library atau melakukan inisialisasi dalam pembuatan Pada Gambar 2.2 dan Gambar 2.3 di dalam variabel input atau output nya sehingga

  prototype inkubator terdapat 1 buah bohlam 25

  programmer dapat membuat variable input watt sebagai pemanas inkubator yang di

  output , memberikan nilai domain dan membuat

  posisikan pada bagian tengah dengan tujuan agar

  rule dengan sangat mudah. Selain itu pada

  panas merata. Kemudian pada bagian sisi LabVIEW juga menyediakan front panel belakang, terdapat 2 kipas DC 12 V sebagai software desain yang berkaitan dengan sistem pendingin suhu inkubator. Pada bagian belakang hardware seperti Gambar 2.6. 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.

Gambar 2.6 Diagram Blok Software Desain

  Pada perancangan dan implementasi

  Berhubungan dengan Hardware

  rangkaian elektrik seperti pada Gambar 2.4 dan Gambar 2.5

  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 ElektrikGambar 2.7 Diagram Blok Desain Sistem FuzzyGambar 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

Gambar 2.8 Alur Perancangan Software dengan pin digital 3 Arduino Mega.

  Perancangan software dalam pembuatan Pada Gambar 2.8, Perancangan Program sistem ini adalah perancangan user interface dan

  Pemilihan Metode Pengideal Suhu Inkubator pengolahan data sensor dengan menggunakan memiliki tujuan agar user dapat memlilih pemrograman NI Labview. Perancangan beberapa metode yang disediakan sistem untuk berkaitan dengan cara kerja dan

  software

  mengidealkan suhu inkubator dan dapat algoritma sistem yang akan dibuat sesuai dengan mengetahui perubahan suhu inkubator jika kebutuhan yang telah ditentukan. Software menggunakan metode yang berberda-beda. desain sangat erat kaitannya dengan proses

  Kemudian program sensor suhu DHT11 yang dilakukan oleh hardware. Diagram blok memiliki tujuan agar sensor DHT11 dapat Pada Tabel 2.2 merupakan tabel Scalling membaca kondisi suhu dan kelembaban melalui and Mapping Driver Lampu. Dimana X

  

mikrokontroller Arduino Mega dan data sensor merupakan sinyal input dari suhu / temperature

diolah oleh program PC Monitoring yang dan Y merupakan output PWM untuk kipas.

  kemudian akan menghasilkan data atau nilai Apabila nilai suhu pada inkubator adalah 0 suhu dan kelembaban udara pada inkubator di derajat celcius maka output PWM lampu adalah dalam tampilan monitoring dengan tujuan agar 255 dan ketika suhu 39 derajat celcius maka sistem dapat mengolah data untuk menentukan output pwm adalah 255. Untuk nilai suhu kualtas suhu inkubator, Kemudian sistem dapat diantara 0 sampai dengan 50 maka sistem secara mengidealkan suhu inkubator tanpa otomatis akan melakukan scalling and mapping menggunakan metode fuzzy dan meggunakan nilai output pwm yaitu antara 255 - 0. metode fuzzy. Sistem dapat melakukan log data

  2) Perancangan Program Fuzzy

  monitoring sesuai waktu yang dipilih oleh user yatu 3, 5, atau 10 detik sekali. Serta sistem dapat Pada perancangan fuzzy terdapat beberapa tahap yaitu fuzzifikasi, inferensi, dan melakukan penyimpanan data monitoring sesuai defuzzifikasi. Pada tahap fuzzifikasi adalah dengan nama yang diberikan user. Sehingga dapat mengetahui perbedaan perubahan suhu menentukan nilai keanggotaan variabel input suhu dan kelembaban, kemudian variabel output. dan output fuzzy jika menggunakan metode yang berbeda-beda.

  a.

   3 Membership 1) 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 MembershipTabel 2.1 Scalling and Mapping Driver Kipas

  X Y

  50 255 Pada Tabel 2.1 merupakan tabel Scalling

Gambar 2.9 Variabel Input Suhu Model Triangle 3

  and Mapping Driver Kipas. Dimana X Membership

  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

Gambar 2.10 Variabel Input Kelembaban Model

  Gaussian dan Trapezoid 3 Membership Scalling and Mapping juga digunakan

  pwm yaitu antara 0 – 255.

  untuk mengatur output PWM untuk driver lampu, seperti pada Tabel 2.2

Tabel 2.2. Scalling and Mapping Driver Lampu

  X Y

  255 Gambar 2.11 Variabel Input Kelembaban Model

  Triangle Model Triangle

  39

Gambar 2.12 Variabel Output Model Gaussian dan

3 Membership

  Gaussian

  Gaussian dan Trapezoid 7 Membership

Gambar 2.23 Variabel Input Kelembaban Model

  Gaussian dan Trapezoid 7 Membership

Gambar 2.22 Variabel Input Kelembaban Model

  Membership

Gambar 2.21 Variabel Input Suhu Model Triangle 7Gambar 2.20 Variabel Input Suhu Model Gaussian dan Trapezoid 7 Membership

   7 Membership

  5 Membership c.

Gambar 2.19 Variabel Output Model Triangle dan

  Trapezoid

  5 Membership

  Gaussian

Gambar 2.18 Variabel Output Model Trapezoid dan

  Trapezoid dan Gaussian 5 Membershi

Gambar 2.17 Variabel Input Kelembaban Model

  Trapezoid dan Gaussian 5 Membership

Gambar 2.16 Variabel Input Kelembaban ModelGambar 2.15 Variabel Input Suhu Model TriangleGambar 2.14 Variabel Input Suhu Model Trapezoid dan Gaussian 5 Membership

  b.

Gambar 2.13 Variabel Output Model Triangle Model Triangle 3 Membership

5 Membership

  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 2.24 Variabel Output Model Gaussian dan

  Trapezoid

7 Membership

Gambar 2.25 Variabel Output Model Triangle 7Gambar 2.26 Metode Defuzzyfikasi

  Membership

  Pada sistem ini terdapat interface Pada tahap rule based dan inferensi fuzzy monitoring seperti pada Gambar 2.27. merupakan bentuk relasi atau implementasi if-

  then , 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)

3 Membership

Tabel 2.3 Rule Fuzzy 3 MembershipGambar 2.27 Interface Program Utama

  b)

5 Membership

Tabel 2.4 Rule Fuzzy 5 MembershipGambar 2.28 Interface Monitoring Suhu

  c)

7 Membership

Tabel 2.4 Rule Fuzzy 5 MembershipGambar 2.29 Interface Data Base Monitoring

3.1. Pengujian Output Fuzzy Berdasarkan Jumlah Membership

Tabel 3.1 Hasil Output Fuzzy 3 Membership

  Dari hasil Tabel 3.4 diperoleh rata-rata selisih yang merupakan rata-rata selisih dari nilai

  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

Tabel 3.4 Selisih output pada masing-masing

  membership dengan 3 model fuzzy, diperoleh

  rata-rata output fuzzy yaitu antara 19,63

  63. Pada 5 membership diperoleh rata-rata antara 28,17

  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

  Dari hasil Tabel 3.1 diperoleh rata-rata ouput fuzzy 19,63

  bertujuan untuk mengetahui selisih output dari masing-masing membership dan mengetahui pengaruh jumlah membership.

  Berdasarkan pengujian output fuzzy berdasarkan jumlah membership, pada 3

  output fuzzy bersarkan jumlah membership

  Pada pengujian pertama, yaitu pengujian

  Pengujian waktu perubahan suhu untuk mencapai suhu ideal

  fuzzy 3.

  2. Pengujian output fuzzy berdasarkan model

  1. Pengujian output fuzzy berdasarkan jumlah memberhip

  Pengujian pada penelitian ini dibagi menjadi beberapa bagian yaitu:

  3. HASIl PENGUJIAN DAN ANALISIS

  output dari masing-masing membership yaitu 12,906 dengan tiga jenis membership.

• – 173,
• – 132,61 dan pada 7 membership diperoleh rata-rata antara 30,3 – 119,9.

• – 172,63 dengan tiga buah model fuzzy menggunakan 3 membership function dan dengan nilai sensor yang berbeda.
• – 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 3.2 diperoleh rata-rata ouput fuzzy 28,17

Tabel 3.2 Hasil Output Fuzzy 5 Membership

  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.

  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.

rata-rata waktu untuk mencapai kondisi ideal dari suhu awal 41 derajat celcius adalah 11

  membership dan dengan tiga model yaitu Gaussian , Trapezoid dan Triangle diperoleh

  yaitu Gaussian, Trapezoid dan Triangle pada 7 membership function yaitu sebesar 0,49.

  Dari hasil Tabel 3.8, pada sistem yang diterapkan metode fuzzy dengan 3, 5, 7

  Membership Pada Kondisi Panas

Tabel 3.8 Waktu Stabil Dengan Tiga Jenis

  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.

  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.

  3.3. Pengujian Waktu Perubahan Suhu Untuk Mencapai Suhu Ideal

  membership , akan memiliki nilai selisih ouput fuzzy semakin kecil.

  bahkan nol. Selain itu pengujian output fuzzy membuktikan bahwa jika jumlah membership semakin besar, pada penelititan ini tepatnya 7

  membership yang digunakan, sehingga output fuzzy pwm memiliki selisih yang sangat tipis

  Hal ini membuktikan bahwa model fuzzy berpengaruh sangat kecil pada rules dari

  membership adalah 0,8.

  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

  output dari masing-masing model pada fuzzy

Tabel 3.5 Selisih Output Tiga Model Fuzzy 3

  Dari hasil Tabel 3.7 diperoleh hasil rata-rata selisih yang merupakan rata-rata selisih dari nilai

  Membership

Tabel 3.7 Selisih Output Tiga Model Fuzzy 7

  yaitu Gaussian, Trapezoid dan Triangle pada 5 membership function yaitu sebesar 0,74.

  output dari masing-masing model pada fuzzy

  Dari hasil Tabel 3.6 diperoleh hasil rata-rata selisih yang merupakan rata-rata selisih dari nilai

  Membership

Tabel 3.6 Selisih Output Tiga Model Fuzzy 5

  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 n- minimum

  output dari masing-masing model pada fuzzy

  Dari hasil Tabel 3.5 diperoleh hasil rata-rata selisih yang merupakan rata-rata selisih dari nilai

  Membership

• – 12,6.

  4. KESIMPULAN

• – 173, 63. Pada 5 membership diperoleh rata-rata antara 28,17
• – 132,61 dan pada 7 membership diperoleh rata-rata antara
• – 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.
• – 41,67 detik.

  Pada penelitian ini didapatkan selisih pada

  5. SARAN 1.

  membership , jumlah waktu yang diperlukan untuk mencapai suhu ideal semakin cepat.

  mencapai suhu ideal dengan jumlah waktu 45.6 detik. Sehingga dapat disimpulkan bahwa dengan menggunakan 7

  membership

  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

  fuzzy .

  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

  output fuzzy, akan tetapi sangat kecil bahkan

  2. Model fuzzy memiliki pengaruh terhadap

  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

  Berdasarkan hasil pengujian dan analisis yang telah dilakukan, maka dapat diambil kesimpulan sebagai berikut: 1.

  membership , waktu yang diperlukan untuk mencapai suhu ideal semakin cepat.

Tabel 3.9 Waktu Stabil Dengan Tiga Jenis

  pada 7 membership membutuhkan waktu 45.6 detik. Dapat disimpulkan bahwa dengan 7

  membership membutuhkan waktu 46,4 detik dan

  panas dan dingin, pada 3 membership membutuhkan waktu 47,3 detik, pada 5

  fuzzy , ketika pengujian dilakukan pada kondisi

  Pada sistem yang meggunakan metode

  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.

Tabel 3.10 Rata-Rata Waktu Stabil Dengan Tiga Jenis Membership

  rata-rata waktu untuk mencapai kondisi ideal dari suhu awal 35 derajat celcius adalah 36,67

  Gaussian , Trapezoid dan Triangle diperoleh

  dan dengan tiga model yaitu

  membership

  Dari hasil Tabel 3.9, pada sistem yang diterapkan metode fuzzy dengan 3, 5, 7

  Membership Pada Kondisi Dingin

  membership sebesar 12,9 dan pada model fuzzy sebesar 0,8 sehingga jumlah selisih

  fuzzy sebesar 13,7. Untuk penelitian J.Gayathri Monicka, D. G. (2011). Performance

  selanjutnya, diharapkan dapat meminimalkan Evaluation of Membership Functions on nilai selisih dengan lebih memperhitungkan Fuzzy Logic Controlled AC Voltage lagi dalam penentuan nilai domain yaitu Controller for Speed Control of Inducion dapat mengurangi atau menambah nilai Motor Drive. domain dan lebih memperhatikan dalam Jaqueline de Oliveira Castro, A. V. (2012). penentuan rule base pada fuzzy.

  Estimage Of The Weight Of Japanese Quail 2. Pada waktu perubahan suhu untuk mencapai Eggs Through Fuzzy Sets Theory. 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.