PERANCANGAN DAN IMPLEMENTASI NEUROFUZZY ADAPTIVE BERBASISKAN REAL TIME UNTUK PENGATURAN TEMPERATUR PADA FURNACE
|
|
- Sonny Tedja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PERANCANGAN DAN IMPLEMENTASI NEUROFUZZY ADAPTIVE BERBASISKAN REAL TIME UNTUK PENGATURAN TEMPERATUR PADA FURNACE Pranata Sulistyawan Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Surabaya Abstrak Pada penelitian ini, furnace digunakan untuk memanaskan cetakan emas yang terbuat dari gips, dengan tujuan untuk mengeluarkan semua sisa sisa bahan paraffin (lilin) yang terdapat didalam cetakan tersebut agar nantinya cetakan tersebut tidak rusak, sehingga dilakukan pola pemanasan tertentu mengikuti fungsi waktu. Dengan demikian, dibutuhkan sebuah kontroler realtime, dengan sistem kendali tracking pada sistem closed loop. Untuk yang non adaptive akan selalu memberikan sinyal keluaran yang selalu terlambat terhadap masukan yang diberikan, walaupun sudah diberikan model following tracking. Agar keluaran selalu mengikuti fungsi waktu tanpa keterlambatan maka diperlukan mekanisme adaptif. Kontrol neurofuzzy berguna untuk mengurangi osilasi pada perubahan atau ketidakstabilan temperatur pada furnace, sedangkan untuk mengatasi ketidak linear dari sistem tersebut digunakan kontrol adaptif. Oleh karena itu, perlu dibuat suatu kontrol adaptif dengan harapan keluaran yang didapatkan tersebut tidak akan terlambat lagi terhadap fungsi waktunya dan menjaga perubahan temperatur pada furnace agar sesuai dengan setpoint yang diinginkan. Kata Kunci: Neural Network, Fuzzy Logic, Neurofuzzy, furnace, adaptive control, backpropagation. 1. PENDAHULUAN Perkembangan dunia teknologi kontrol membawa dampak pada semakin banyaknya aplikasiaplikasi yang dapat dibuat dan dipergunakan pada berbagai macam aplikasi di industri. Aplikasiaplikasi dari teknologi kontrol ini dapat diimplementasikan dan diterapkan pada bidang industri yang berhubungan dengan kecerdasan buatan untuk mengatur temperatur yang tinggi pada furnace. Berdasarkan penelitian sebelumnya, pengujian dan analisa mengenai pemerataan panas yang dihasilkan dalam tungku atau furnace sangat diperlukan untuk meningkatkan akurasi serta mengurangi pengaruh perbedaan hasil pengukuran antara sensor dengan pemanas. Hal ini, menyebabkan waktu naik respon transien sistem menjadi lama. Oleh karena itu, dilakukan pengaturan temperatur dengan menggunakan sistem pengaturan cerdas dengan metode neurofuzzy dengan struktur neuralnetwork dengan aturanaturan fuzzy. Aplikasi neurocontrol yang pertama dikembangkan oleh Widrow dan Smith pada tahun Suatu ADAptive LINear Element (ADALINE) diajarkan untuk membuat kurva peralihan untuk mengatur kestabilan pendulum. Saat tahun 70an, Albus mengusulkan CMAC sebagai model yang tersusun atas fungsifungsi dari otak kecil dan menggunakannya sebagai kontrol manipulator pada robot. Sejak awal tahun 80an, CMAC telah banyak digunakan untuk sistem permodelan dan kontrol yang non linear pada pemrosesan kimia[8]. Pada pertengahan tahun 80an digunakan kembali untuk aplikasi robot[9,10]. Selama periode tahun 80an banyak arsitektur dari Artifial Neural Network (ANN) dan Artificial Intelligent Control (AIC) yang digunakan untuk mengembangkan algoritma ini, sehingga kekuatan pembelajaran dan skema metode adaptif seing dikembangkan melalui riset Fuzzy logic pertama kali diperkenalkan oleh Prof. Lotfi Zadeh (1965) [4] sebagai pengendali dan proses yang samar atau infomasi lingual. Banyak. fuzzy logic telah dikembangkan untuk menyediakan algoritma proses pengolahan informasi yang halus sekali dengan input yang halus dan transformasi output yang digunakan untuk pengambilan data yang bermanfaat. Dalam hubungannya dengan neural network, perkembangan dari fuzzy logic mempunyai sejarah yang sama. Teori dasar dan algoritma fuzzy logic dikembangkan pada akhir tahun 60an, dan aplikasi kontrol yang pertama ditemukan oleh Mamdani. Selama tahun 70an Mamdani mengembangkan risetnya sehingga menemukan selforganizing fuzzy control. Selama tahun 80an, hanya sebagian kecil saja riset yang dilakukan di Inggris dan Amerika Serikat, tetapi di Jepang aplikasi kontrol fuzzy logic banyak sekali dikembangkan[8]. Produk yang telah digunakan menggunakan metode tersebut meliputi ruang lingkup kontrol kereta api bawah tanah, kontrol helikopter, mekanisme autofocus kamera, kontroler mesin cuci modern dan juga digunakan dalam jumlah yang sangat besar di industri otomotif[self 1990]. Kontroler fuzzy mempunyai performansi kestabilan jauh lebih baik daripada tuning PID controller. Segala aplikasi tersebut terjadi di Inggris, tetapi selama tahun 80an eksploitasi teknik ini sangat bekembang di Jepang[5,8]. Dengan segala keterangan atas perkembangan algoritma ANN dan fuzzy logic maka kita dapat mengkombinasikan kedua metode tersebut untuk permodelan sistem yang sangat bermanfaat[6, 9, 10]. Neurofuzzy dengan metode pendekatan fuzzy neuralnetwork akan dibahas pada Bagian 2. Struktur kontroler yang digunakan pada sistem, berdasar sebuah fungsi waktu kontinyu untuk mengatur derajat akurasi, sesuai dengan model yang diinginkan dan untuk menjaga kestabilan temperatur pada furnace akan dijelaskan pada Bagian 3. Pada Bagian 4 dibahas tentang hasil dan analisa sistem. Proceeding Tugas Akhir Bidang Studi Teknik Sistem Pengaturan Jurusan Teknik Elektro FTIITS 1
2 Hasil dari pengujian sistem dengan metode control neurofuzzy adaptif dibahas pada Bagian KONTROLER PI DAN NEUROFUZZY Dalam setiap perancangan kontroler, diperlukan suatu spesifikasi kontrol yang akan digunakan sebagai acuan perancangan. Parameterparameter yang diperlukan untuk menganalisa karakteristik performansi sistem kontrol adalah sebagai berikut: 1. Waktu tunda(delay time) t d : adalah waktu yang diperlukan respon mencapai setengah harga akhir yang pertama. 2. Waktu naik(risetime) t r : adalah waktu untuk respon naik dari 10% sampai 90%, 5% sampai 90%, atau 0% sampai 100% dari harga akhirnya. 3. Waktu puncak(peaktime) t p : adalah waktu untuk mencapai puncak lewatan (overshoot pertama). 4. Lewatan maksimum(maksimum overshoo M p : adalah puncak lewatan maksimum respon transien atau secara matematis diberikan sebagai berikut: Persen lewatan maksimum = {c() c() / c()} x 100% Besarnya (persen) lewatan maksimum secara langsung menunjukkan kestabilan relatif sistem. 5. Waktu penetapan (settlingtime) t s : adalah waktu untuk respon mencapai dan menetap pada fraksi harga akhir yang ditentukan yaitu 5% atau 2%. Dengan demikian kurva respon transien secara virtual dapat diperoleh dengan menentukan hargaharga t d, t r, t p, t s, M p yang dapat dilihat pada gambar 2.1. C( td tp Mp tr ts 0.05 atau 0.02 Gambar 2.1. Spesifikasi respon transien himpunan A, yang sering ditulis dengan μ A [x], memiliki 2 kemungkinan: Satu (1) yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan. Nol (0) yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. Pada himpunan crisp, nilai keanggotaan ada 2 kemungkinan, yaitu 0 atau 1. Sedangkan pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titiktitik input data kedalam nilai keanggotaan yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan beberapa fungsi, diantaranya : 1. representasi linear 2. representasi segitiga 3. representasi trapesium Metode mamdani sering juga dikenal dengan nama metode min max. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun Untuk mendapatkan keluaran diperlukan 4 tahapan, diantaranya : 1. Pembentukan himpunan fuzzy Pada metode mamdani baik variabel input maupun variable keluaran dibagi menjadi satu atau lebih himpunan fuzzy. 2. Aplikasi fungsi implikasi Pada Metode Mamdani, fungsi implikasi yang digunakan adalah minimum 3. Komposisi aturan Metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu Metode max (maximum). Secara umum dapat dituliskan : μ sf [Xi] = max (μ sf [Xi], μ kf [Xi]) 2.1. Perbandingan metode kontroler PI dengan Neurofuzzy Neurofuzzy merupakan suatu model yang dilatih menggunakan jaringan syaraf, namun struktur jaringannya diinterpretasikan dengan sekelompok aturanaturan fuzzy. Sistem neurofuzzy menggabungkan prinsip belajar dari neural network untuk adaptasi fungsi keanggotaan dari fuzzy. Prinsip belajar yang digunakan adalah menggunakan back propagation dengan tiga lapis neuralnetwork. Bobot jaringan direpresentasikan sebagai fungsi keanggotaan set fuzzy. Selanjutnya kesalahan dari sistem dipropagasikan balik untuk mencari bobot jaringan yang artinya mencari parameter fungsi keanggotaan dari set fuzzy yang optimal. Penerapan kombinasi antara teori neuralnetwork dengan konsep fuzzy, pada prinsipnya adalah mengeliminasi kekurangan konsep yang satu dengan kelebihan yang dimiliki konsep yang lain. Dalam hal ini model yang digunakan pada fuzzy neuralnetworknya adalah model Mamdani, Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu Dimana : μ sf [Xi] = nilai keanggotaan solusi fuzzy sampai aturan ke i μ kf [Xi]) = nilai keanggotaan konsekuan fuzzy aturan ke i 4. Penegasan (defuzzy) Defuzzyfikasi pada komposisi aturan mamdani dengan menggunakan metode centroid. Dimana pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat daerah fuzzy. Ada dua keuntungan menggunakan metode centroid, yaitu: 1. Nilai defuzzyfikasi akan bergerak secara halus sehingga perubahan dari suatu himpunan fuzzy juga akan berjalan dengan halus. 2. Lebih mudah dalam perhitungan. Selain fuzzy neuralnetwork, dalam suatu kontrol proses seperti pengaturan temperatur juga bisa dilakukan perbandingan dengan penggunaan kontroler Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTIITS 2
3 PI(Proporsional dan Integral). Kontroler PI merupakan kontroler umpan maju yang berfungsi mengolah sinyal kesalahan menjadi sinyal kontrol. Kontroler proporsional ditambah integral (PI) merupakan kontroler yang aksi kontrolernya mempunyai sifat proporsional dan integral terhadap sinyal kesalahan. Dari kemampuannya untuk belajar maka sistem neurofuzzy sering disebut neurofuzzy adaptif. Salah satu bentuk struktur yang sudah sangat dikenal adalah seperti terlihat pada Gambar 3.1. Dalam struktur ini, dapat dilihat struktur neurofuzzy adaptif mamdani 1. Kontroler tipep (Proportional Controller) Hubungan sinyal kesalahan dan sinyal kontrol pada kontroler tipep dapat dinyatakan sebagai berikut: u( K e( atau dalam bentuk transfer function, p U ( E( K p 2. Kontroler tipepi (Proportional + Integral Controller) Hubungan sinyal kesalahan dan sinyal kontrol pada kontroler tipepi dapat dinyatakan sebagai berikut: 1 I 2 N 1 u( K p e( e( dt 1 atau dalam bentuk transfer function, U( 1 U( K p ( 1 s 1) K p (1 ) atau E( 1s E( 1s Berdasarkan hubungan formulasi di atas, parameter kontroler dapat di tuliskan sebagai: 1 dan K P 2 N K(2 1) Karena proses pendekatan plant furnace yang sebenarnya merupakan pemanasan orde yang tinggi dan tujuannya untuk mempertahankan kestabilan temperatur pada furnace maka digunakan metode neurofuzzy adaptif. 3. NEUROFUZZY ADAPTIF Dalam hal ini, kemampuan adaptasi dan belajar dari neuralnetwork dimanfaatkan oleh fuzzy untuk melakukan tuning terhadap parameter fuzzy (kekurangan fuzzy yang tidak memiliki kemampuan belajar). Struktur neurofuzzy adalah menempatkan parameter fuzzy yaitu: a) Parameter fungsi keanggotaan (center,simpangan dll), b) Jumlah basis kaidah ke dalam bobot jaringan neural. Proses belajar neural selanjutnya akan melakukan perubahan terhadap bobot. Neurofuzzy adalah gabungan dari dua sistem yaitu sistem logika fuzzy dan jaringan syaraf tiruan.sistem neurofuzzy berdasar pada sistem inferensi fuzzy yang dilatih menggunakan algoritma pembelajaran yang diturunkan dari sistem jaringan syaraf tiruan. Oleh karena itu, sistem neurofuzzy memiliki semua kelebihan yang dimiliki oleh sistem inferensi fuzzy dan sistem jaringan syaraf tiruan. N Gambar 3.1. Struktur Neurofuzzy Mamdani 3.1 Metode Pembelajaran Proses adaptasi yang terjadi dalam sistem Neuro Fuzzy Adaptif dikenal juga dengan pembelajaran. Parameterparameter Neuro (baik premise maupun consequen Selama proses belajar akan diperbaharui menggunakan metode pembelajaran. Metode pembelajaran yang digunakan dalam sistem Adaptive Neuro Fuzzy adalah algoritma pembelajaran hibrid.algoritma ini terdiri dari dua bagian yaitu bagian arah maju dan bagian arah mundur.pada bagian arah maju, proses adaptasi dilakukan menggunakan metode LSE dan terjadi pada parameter consequent. Sedangkan pada bagian arah mundur, proses adaptasi dilakukan menggunakan metode gradientdescent dan terjadi pada parameter premise. 3.2 Least Square Error Metode Least Square atau Metode Kuadrat Terkecil digunakan untuk mendapatkan penaksir koefisien regresi linier. Model regresi linier sederhana dinyatakan dengan persamaan : Y = X +, model umum Y i = X i + i, model setiap pengamatan Metode least square bertujuan mendapatkan penaksir koefisien regresi,yaitu b 0 dan b 1, yang menjadikan jumlah kuadrat error sekecil mungkin. Kemampuan identifikasi dari neurofuzzy didasarkan pada dua karakteristiknya yaitu: Kemampuan aproksimasi fungsi oleh logika fuzzy, Kemampuan proses belajar oleh jaringan neural Dua kemampuan tersebut memberikan gambaran bahwa neurofuzzy dapat mendekati dinamika sistem dan melakukan proses belajar untuk meminimalisasi error aproksimasi seperti pada Gambar 3.1. Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTIITS 3
4 Temperatur(derajat Celciu y (K) r Desired Model + e(k) Kontroler U(K) PLANT Gambar 3.2 Diagram blok sistem ym(k) + e m (K) y (K) Data yang diperoleh berupa kumpulan variasi tegangan sensor temperatur. Untuk keperluan penelitian ini diperlukan beberapa model matematis yang merepresentasikan karakteristik plant, yaitu model plant perambatan panas pada heater furnace. Pada Realisasi plant seperti pada Gambar 4.2, respon proses kenaikan suhu sangat lambat jika tanpa kontroler, seperti pada Gambar 4.3 yang merupakan respon dari real plant furnace saat diberi gangguan dari blower Struktur jaringan Neuro Fuzzy yang dipakai sebagai kontroler ditunjukkan pada Gambar 3.2. dan desired modelnya seperti pada Persamaan 3.1. Struktur ini menggambarkan proses yang terdapat pada sistem logika fuzzy. Sedangkan proses pembelajaran jaringan saraf tiruannya digunakan untuk mengoptimalkan nilai parameter fuzzyfikasi. Ym( 1 2 Yr( 4s 3s 1 (3.1) Dalam hal ini implementasinya pada suatu kontroler dapat dilihat pada Gambar 3.3, jaringan saraf tiruan sebagai struktur dari metode update nilai parameter yang aktual. Setting dari suatu parameter controller akan digunakan pada suatu sistem pengaturan dengan tracking respons multi step. Performansi dari suatu kontroler dihitung dengan menggunakan suatu metode least square error sehingga output model digunakan untuk tuning parameter kontroler untuk miminimalisasi error. 1 y m (k) Gambar 4.2 Proses kenaikan temperatur funace real plant tanpa kontroler. 4S 2 +3S+1 y r (k) + e(k) e m(k) e(k1) NFC U(k) e(k2) PLANT + y(k) U(k1) Gambar 3.2 Struktur kontroler terintegrasi sistem 4. SIMULASI DAN EKSPERIMEN Untuk mengetahui respon dari furnace, maka dalam penelitian ini dilakukan simulasi pengujian plant furnace sesuai Persamaan 1.1. menggunakan simulasi matlab dengan orde 1. Gambar 4.2 Proses disturbing funace real plant tanpa kontroler. Implementasi pada Gambar 4.3 dan Gambar 4.4 merupakan penggunaan kontroler PI pada furnace dengan disturbance blower untuk mengetahui performansi sitem Time Sampling(meni Gambar 4.1 Simulasi Respon furnace tanpa kontroler Gambar 4.3. Respon dengan kontroler PI dengan sekali disturbance Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTIITS 4
5 Gambar 4.3. Respon dengan kontroler PI dengan dua kali disturbance Mencoba membuat simulasi dengan input gelombang sinus dengan amplitudo 10 pada tampilan grafik dengan nilai alpha/ learning rate yang dapat diubah untuk mengetahui kecepatan tracking pada sinusnya. Gambar 4.6 Tracking sinus dengan alpha PENUTUP Secara garis besar dari penelitian yang telah dilakukan dapat diperoleh manfaat dari pengembangan metode fuzzy neural network dari seluruh parameter termasuk tuning secara simultan. Pendekatan neurofuzzy diimplementasikan pada plant furnace yang telah banyak diketahui di literaturliteratur dan data pada proses pemanasan yang banyak digunakan di industri. Performansi dari Neurofuzzy adaptive didesain dengan tujuan untuk perbandingan dengan pendekatan yang lainnya. Hasilnya menunjukkan bahwa metodologi yang digunakan sangat efektif untuk membangun linguistik yang akurat dari neurofuzzy model dan dibandingkan dengan pendekatan kontroler lainnya Gambar 4.4. Tampilan set point masukan sinus Dengan masukan sinyal sinus seperti Gambar 4.4 maka simulasi tracking sinyal masukan dengan learning rate yang berbedabeda dapat dilihat pada Gambar 4.5, Gambar 4.6. Dengan demikian maka dapat kita ketahui bahwa Alpha sangat mempengaruhi tracking dari kontrolernya, semakin besar learning ratenya semakin cepat kontroler tracking sinyal sinusnya. Sebaliknya jika learning rate semakin kecil maka semakin lambat kontroler itu melakukan tracking sinyal pada set pointnya(sinyal sinu. Gambar 4.5 Tracking sinus dengan alpha DAFTAR PUSTAKA [1] Curtis D. Johnson, Modern Control Engineering, Prentice Hall, 5 th edition, 2002, pp [2] Curtis D. Johnson, Process Control Instrumentation Technology, University of Houston, Prentice Hall, 7 th edition, 1994, pp [3] Maciejowski J.M, Multivariable Feedback Design, AddisonWesley, Cambridge Unuversity and Pembroke College, 1989, pp [4] Zadeh L A, A New Approach to the Analysis of Complex Systems and Decision Process, IEEE Transaction, System, Man, and Cybernetics, Vol 5, no. 1, 2000 pp [5] Sugeno M, Industrial Applications of Fuzzy Control, Elsevier Science Pub Co., 1985 [6] Tolle H., Ersi E. Neurocontrol: LearningControl Systems Inspired by Neural Architecture and Human Problem Solving, 1999 SpringerVerlag, Berlin. [7] Miller W.T., RealTime Control Aplication of Bipped Walking Robot, Proc. INNSWCCN, Portland OR, Vol 3, 1999 pp [8] Schwartz D. G., Klir G.J., Fuzzy Logic Flower in Japan, IEEE Spectrum, July, 1999, pp [9] Kosko B.(Ed), Neural Network for Signal Processing, Prentice Hall Englewood Cliffs, NJ, Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTIITS 5
6 [10] Kosko B, Neural Network and Fuzzy Systems, Prentice Hall, Englewood Cliffs, NJ, [11] J.M. Mendel, Fuzzy sets for words: A New Beginning, in: Proc. IEEE Int.Conf. on Fuzzy Systems, St. Louis, MO, May 2003, pp [12] Ogunnaike, Babtunde A. and W. Harmon Ray Process Dynamics, Modeling and Control, Oxford University Press, New York RIWAYAT HIDUP Pranata Sulistyawan dilahirkan di Surabaya pada tanggal 30 Agustus 1986 sebagai anak tunggal dari Almarhum Ayahanda Ir. Soemingan dan Ibunda Trias Sulistyowati. Sebagai putra asli kota pahlawan Surabaya, penulis menghabiskan sebagian besar masa hidupnya di kota itu. Memulai riwayat akademis dari SDN Kompleks Perak Barat II no.2, penulis melanjutkan pendidikannya di SLTPN 2 Surabaya dan SMUN 8 Surabaya. Setelah lulus dari SMU, penulis diterima sebagai Mahasiswa Diploma 3 bidang studi computer control di Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Surabaya pada tahun 2004 melalui jalur tes masuk. Setelah lulus pada tahun 2007 penulis melanjutkan studinya untuk mengambil jenjang Sarjana di Bidang Studi Teknik Sistem Pengaturan, Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember. Selama kuliah penulis aktif di beberapa organisasi kemahasiswaan, selama di tingkat jurusan D3 Teknik Elektro. Penulis juga aktif sebagai asisten di laboratorium Sistem Kontrol Bidang Studi Teknik Sistem Pengaturan, Jurusan Teknik Elektro. Pada bulan Januari 2010 penulis mengikuti seminar dan sidang Tugas Akhir di Bidang Studi Teknik Sistem Pengaturan Jurusan Teknik Elektro FTI ITS sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik Elektro. Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTIITS 6
PERANCANGAN DAN IMPLEMENTASI NEURO FUZZY TRACKING OPTIMAL BERBASISKAN REAL TIME UNTUK PENGATURAN TEMPERATUR PADA FURNACE
PERANCANGAN DAN IMPLEMENTASI NEURO FUZZY TRACKING OPTIMAL BERBASISKAN REAL TIME UNTUK PENGATURAN TEMPERATUR PADA FURNACE Fitriyani - 2207.100.652 Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh
Lebih terperinciPENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI
PENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI Much. Djunaidi Jurusan Teknik Industri Universitas Muhammadiyah Surakarta Jl. Ahmad Yani Tromol Pos 1 Pabelan Surakarta email: joned72@yahoo.com
Lebih terperinciPENENTUAN JUMLAH PRODUKSI TELEVISI MERK X MENGGUNAKAN METODE FUZZY MAMDANI
PENENTUAN JUMLAH PRODUKSI TELEVISI MERK X MENGGUNAKAN METODE FUZZY MAMDANI Ahmad Mufid Program Studi Sistem Komputer Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Sultan Fatah No. 83 Demak Telpon
Lebih terperinciFUZZY LOGIC CONTROL 1. LOGIKA FUZZY
1. LOGIKA FUZZY Logika fuzzy adalah suatu cara tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Teknik ini menggunakan teori matematis himpunan fuzzy. Logika fuzzy berhubungan dengan
Lebih terperinciPenerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas
Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Zulfikar Sembiring Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area zoelsembiring@gmail.com Abstrak Logika Fuzzy telah banyak
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Himpunan Himpunan adalah setiap daftar, kumpulan atau kelas objek-objek yang didefenisikan secara jelas, objek-objek dalam himpunan-himpunan yang dapat berupa apa saja: bilangan, orang,
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Fuzzy secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai dapat bernilai benar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarang ini hampir semua perusahaan yang bergerak di bidang industri dihadapkan pada suatu masalah yaitu adanya tingkat persaingan yang semakin kompetitif. Hal ini
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini penulis akan menjelaskan mengenai landasan teori yang digunakan pada penelitian ini. Penjabaran ini bertujuan untuk memberikan pemahaman lebih mendalam kepada penulis
Lebih terperinciPENERAPAN FUZZY LOGIC CONTROLLER UNTUK MEMPERTAHANKAN KESETABILAN SISTEM AKIBAT PERUBAHAN DEADTIME PADA SISTEM KONTROL PROSES DENGAN DEADTIME
PENERAPAN FUZZY LOGIC CONTROLLER UNTUK MEMPERTAHANKAN KESETABILAN SISTEM AKIBAT PERUBAHAN DEADTIME PADA SISTEM KONTROL PROSES DENGAN DEADTIME Mukhtar Hanafi Program Studi Teknik Informatika Fakultas Teknik
Lebih terperinciLOGIKA FUZZY. Kelompok Rhio Bagus P Ishak Yusuf Martinus N Cendra Rossa Rahmat Adhi Chipty Zaimima
Sistem Berbasis Pengetahuan LOGIKA FUZZY Kelompok Rhio Bagus P 1308010 Ishak Yusuf 1308011 Martinus N 1308012 Cendra Rossa 1308013 Rahmat Adhi 1308014 Chipty Zaimima 1308069 Sekolah Tinggi Manajemen Industri
Lebih terperinciAnalisa Tingkat Kebisingan di DKI Jakarta dengan Fuzzy Logic Menggunakan Aplikasi MATLAB
Analisa Tingkat di DKI Jakarta dengan Fuzzy Logic Menggunakan Aplikasi MATLAB Popy Meilina Jurusan Teknik Informatika Universitas Muhammadiyah Jakarta E-mail: Opi3_five@yahoo.com.sg Abstrak -- Fuzzy Logic
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Logika Fuzzy
Logika Fuzzy Pendahuluan Alasan digunakannya Logika Fuzzy Aplikasi Himpunan Fuzzy Fungsi keanggotaan Operator Dasar Zadeh Penalaran Monoton Fungsi Impilkasi Sistem Inferensi Fuzzy Basis Data Fuzzy Referensi
Lebih terperinciKontrol Fuzzy Takagi-Sugeno Berbasis Sistem Servo Tipe 1 Untuk Sistem Pendulum Kereta
Kontrol Fuzzy Takagi-Sugeno Berbasis Sistem Servo Tipe Untuk Sistem Pendulum Kereta Helvin Indrawati, Trihastuti Agustinah Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini berisi tentang teori mengenai permasalahan yang akan dibahas
BAB II LANDASAN TEORI Pada bab ini berisi tentang teori mengenai permasalahan yang akan dibahas dalam pembuatan tugas akhir ini. Secara garis besar teori penjelasan akan dimulai dari definisi logika fuzzy,
Lebih terperinciTabel 1. Parameter yang digunakan pada proses Heat Exchanger [1]
1 feedback, terutama dalam kecepatan tanggapan menuju keadaan stabilnya. Hal ini disebabkan pengendalian dengan feedforward membutuhkan beban komputasi yang relatif lebih kecil dibanding pengendalian dengan
Lebih terperincipengendali Konvensional Time invariant P Proportional Kp
Strategi Dalam Teknik Pengendalian Otomatis Dalam merancang sistem pengendalian ada berbagai macam strategi. Strategi tersebut dikatakan sebagai strategi konvensional, strategi modern dan strategi berbasis
Lebih terperinciFUZZY MULTI-CRITERIA DECISION MAKING
Media Informatika, Vol. 3 No. 1, Juni 2005, 25-38 ISSN: 0854-4743 FUZZY MULTI-CRITERIA DECISION MAKING Sri Kusumadewi, Idham Guswaludin Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Beras merupakan salah satu kebutuhan pokok manusia yang sangat penting dalam kelangsungan hidupnya. Untuk memenuhi kebutuhan beras, setiap manusia mempunyai cara-cara
Lebih terperinciLOGIKA FUZZY PADA PROSES PELET PAKAN IKAN
LOGIKA FUZZY PADA PROSES PELET PAKAN IKAN Agung Saputra 1), Wisnu Broto 2), Ainil Syafitri 3) Prodi Elektro Fakultas Teknik Univ. Pancasila, Srengseng Sawah Jagakarsa, Jakarta, 12640 Email: 1) agungsap2002@yahoo.com
Lebih terperinciPERANCANGAN KONTROLER KASKADE FUZZY UNTUK PENGATURAN TEKANAN PADA PRESSURE CONTROL TRAINER
TUGAS AKHIR TE 091399 PERANCANGAN KONTROLER KASKADE FUZZY UNTUK PENGATURAN TEKANAN PADA PRESSURE CONTROL TRAINER 38-714 Nur Muhlis NRP 2208 100 662 JURUSAN TEKNIK ELEKTRO Fakultas Teknologi Industri Institut
Lebih terperinciSISTEM PENGENDALIAN PERSEDIAAN DENGAN PERMINTAAN DAN PASOKAN TIDAK PASTI (Studi Kasus pada PT.XYZ) AYU TRI SEPTADIANTI
SISTEM PENGENDALIAN PERSEDIAAN DENGAN PERMINTAAN DAN PASOKAN TIDAK PASTI (Studi Kasus pada PT.XYZ) AYU TRI SEPTADIANTI 1209100023 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciErwien Tjipta Wijaya, ST.,M.Kom
Erwien Tjipta Wijaya, ST.,M.Kom PENDAHULUAN Logika Fuzzy pertama kali dikenalkan oleh Prof. Lotfi A. Zadeh tahun 1965 Dasar Logika Fuzzy adalah teori himpunan fuzzy. Teori himpunan fuzzy adalah peranan
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciSIMULASI APLIKASI ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM) TIRUAN PID PADA PENGENDALIAN TINGGI PERMUKAAN AIR
SIMULASI APLIKASI ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM) TIRUAN PID PADA PENGENDALIAN TINGGI PERMUKAAN AIR Oyas Wahyunggoro dan Gideon Charles Teknik Elektro UGM, Yogyakarta email : oyas@mti.gadjahmada.edu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Permintaan, Persediaan dan Produksi 2.1.1 Permintaan Permintaan adalah banyaknya jumlah barang yang diminta pada suatu pasar tertentu dengan tingkat harga tertentu pada tingkat
Lebih terperinciBAB II LANDASAN TEORI. 2.1 Penelusuran Minat dan Kemampuan (PMDK) diselenggarakan oleh suatu perguruan tinggi secara mandiri.
BAB II LANDASAN TEORI 2.1 Penelusuran Minat dan Kemampuan (PMDK) PMDK adalah salah satu program penerimaan mahasiswa baru yang diselenggarakan oleh suatu perguruan tinggi secara mandiri. Sesuai dengan
Lebih terperinciDosen Pembimbing : Hendro Nurhadi, Dipl. Ing. Ph.D. Oleh : Bagus AR
Dosen Pembimbing : Hendro Nurhadi, Dipl. Ing. Ph.D. Oleh : Bagus AR 2105100166 PENDAHULUAN LATAR BELAKANG Control system : keluaran (output) dari sistem sesuai dengan referensi yang diinginkan Non linear
Lebih terperinciBab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI
Bab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI III.1 Teori Logika fuzzi III.1.1 Logika fuzzi Secara Umum Logika fuzzi adalah teori yang memetakan ruangan input ke ruang output dengan menggunakan aturan-aturan
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya
Aplikasi Sistem Inferensi Fuzzy Metode Sugeno dalam Memperkirakan Produksi Air Mineral dalam Kemasan Oleh Suwandi NRP 1209201724 Dosen Pembimbing 1. Prof. Dr M. Isa Irawan, MT 2. Dr Imam Mukhlash, MT Institut
Lebih terperinciSPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ
SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ P.A Teknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus 3 UAD, Jl. Prof. Soepomo rochmahdyah@yahoo.com Abstrak Perkembangan teknologi
Lebih terperinciImplementasi Sistem Navigasi Behavior Based Robotic dan Kontroler Fuzzy pada Manuver Robot Cerdas Pemadam Api
Implementasi Sistem Navigasi Behavior Based Robotic dan Kontroler Fuzzy pada Manuver Robot Cerdas Pemadam Api Rully Muhammad Iqbal NRP 2210105011 Dosen Pembimbing: Rudy Dikairono, ST., MT Dr. Tri Arief
Lebih terperinciPENGENDALI TEMPERATUR FLUIDA PADA HEAT EXCHANGER DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PREDIKTIF
PENGENDALI TEMPERATUR FLUIDA PADA HEAT EXCHANGER DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PREDIKTIF Rr.rahmawati Putri Ekasari, Rusdhianto Effendi AK., Eka Iskandar Jurusan Teknik Elektro, Fakultas Teknologi
Lebih terperinciDesain Kendali pada Sistem Steam Drum Boiler dengan Memperhitungkan Control Valve
Desain Kendali pada Sistem Steam Drum Boiler dengan Memperhitungkan Control Valve ROFIKA NUR AINI 1206 100 017 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH
Lebih terperinciPerbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas
TEKNOLOGI DI INDUSTRI (SENIATI) 016 ISSN : 085-418 Perbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas Nur Nafi iyah Program Studi Teknik Informatika Universitas Islam
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Game dan Video Game Menurut kamus Cambridge Advanced Learner Dictionary, game adalah sebuah aktivitas menghibur dan menyenangkan yang dimainkan oleh anak anak. Sedangkan video
Lebih terperinciKECERDASAN BUATAN LOGIKA FUZZY
KECERDASAN BUATAN LOGIKA FUZZY Pengertian adalah suatu cara untuk memetakan suatu ruang input ke dalam suatu ruang output. Skema logika fuzzy Antara input dan output terdapat suatu kotak hitam yang harus
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Logika Fuzzy Logika fuzzy merupakan suatu metode pengambilan keputusan berbasis aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem yang sulit dimodelkan
Lebih terperinciMODEL KONTROL PREDIKSI BERBASIS ANFIS PADA HEAT EXCHANGER
MODEL KONTROL PREDIKSI BERBASIS ANFIS PADA HEAT EXCHANGER Ruslim Jurusan Teknik Elektro, Fakultas Teknik, Universitas Borneo Tarakan ruslim_s@yahoo.co.id ABSTRAKS Model dinamik dari sistem Heat Exchanger
Lebih terperinciFUZZY MAMDANI DALAM MENENTUKAN TINGKAT KEBERHASILAN DOSEN MENGAJAR
Seminar Nasional Informatika 23 (semnasif 23) ISSN: 979-2328 UPN Veteran Yogyakarta, 8 Mei 23 FUZZY MAMDANI DALAM MENENTUKAN TINGKAT KEBERHASILAN DOSEN MENGAJAR Sundari Retno Andani ) ) AMIK Tunas Bangsa
Lebih terperinciBAB II TINJAUAN PUSTAKA
4 BAB II TINJAUAN PUSTAKA A. Penjurusan di SMA Sepanjang perkembangan Pendidikan formal di Indonesia teramati bahwa penjurusan di SMA telah dilaksanakan sejak awal kemerdekaan yaitu tahun 1945 sampai sekarang,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sebuah aplikasi berupa Sistem Pendukung Keputusan (Decision Support System) mulai dikembangkan pada tahun 1970. Decision Support Sistem (DSS) dengan
Lebih terperinciPERBANDINGAN PRODUKSI KOPI OPTIMUM ANTARA METODE F UZZY MAMDANI DENGAN F UZZY SUGENO PADA PT XYZ. Rianto Samosir, Iryanto, Rosman Siregar
Saintia Matematika Vol. 1, No. 6 (2013), pp. 517-527. PERBANDINGAN PRODUKSI KOPI OPTIMUM ANTARA METODE F UZZY MAMDANI DENGAN F UZZY SUGENO PADA PT XYZ Rianto Samosir, Iryanto, Rosman Siregar Abstrak: Logika
Lebih terperinciHimpunan Fuzzy. Sistem Pakar Program Studi : S1 sistem Informasi
Himpunan Fuzzy Sistem Pakar Program Studi : S1 sistem Informasi Outline Himpunan CRISP Himpunan Fuzzy Himpunan CRISP Pada himpunan tegas (crisp), nilai keanggotaan suatu item dalam suatu himpunan A, yang
Lebih terperinciAdaptive Fuzzy Untuk Menala Parameter PID pada Sistem Pengaturan Berjaringan. Nastiti Puspitosari L/O/G/O NETWORKED CONTROL SYSTEM (NCS)
L/O/G/O NETWORKED CONTROL SYSTEM (NCS) Adaptive Fuzzy Untuk Menala Parameter PID pada Sistem Pengaturan Berjaringan Nastiti Puspitosari 2208100039 BIDANG STUDI TEKNIK SISTEM PENGATURAN - ITS TOPIK PEMBAHASAN
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Logika Fuzzy Zadeh (1965) memperkenalkan konsep fuzzy sebagai sarana untuk menggambarkan sistem yang kompleks tanpa persyaratan untuk presisi. Dalam jurnalnya Hoseeinzadeh et
Lebih terperinciANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN
ANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN Khairul Saleh Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara Jalan Universitas
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN RBF PADA SISTEM KONTROL VALVE UNTUK PENGENDALIAN TINGGI MUKA AIR
APLIKASI JARINGAN SYARAF TIRUAN RBF PADA SISTEM KONTROL VALVE UNTUK PENGENDALIAN TINGGI MUKA AIR Wahyudi, Hariyanto, Iwan Setiawan Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro, Jln.
Lebih terperinciPengaturan Kecepatan Motor DC Menggunakan Kendali Hybrid PID-Fuzzy
ABSTRAK Pengaturan Kecepatan Motor DC Menggunakan Kendali Hybrid PID-Fuzzy Felix Pasila, Thiang, Oscar Finaldi Jurusan Teknik Elektro Universitas Kristen Petra Jl. Siwalankerto 121-131 Surabaya - Indonesia
Lebih terperinciPerancangan dan Simulasi MRAC PID Control untuk Proses Pengendalian Temperatur pada Continuous Stirred Tank Reactor (CSTR)
JURNAL TEKNIK POMITS Vol. 3, No. 1, (2014) ISSN: 2337-3539 (2301-9271 Print) A-128 Perancangan dan Simulasi MRAC PID Control untuk Proses Pengendalian Temperatur pada Continuous Stirred Tank Reactor (CSTR)
Lebih terperinciSIMULASI MENENTUKAN WAKTU MEMASAK BUAH KELAPA SAWIT MENGGUNAKAN FUZZY MAMDANI
SIMULASI MENENTUKAN WAKTU MEMASAK BUAH KELAPA SAWIT MENGGUNAKAN FUZZY MAMDANI Nofriadi * 1), Havid Syafwan 2) 1) Program Studi Sistem Informasi, STMIK Royal Kisaran Jl. Prof. M. Yamin 173 Kisaran, Sumatera
Lebih terperinciIr.Muchammad Ilyas Hs DONY PRASETYA ( ) DOSEN PEMBIMBING :
Perancangan Sistem Pengendalian Rasio Aliran Udara dan Bahan Bakar Pada Boiler Di Unit Utilitas PT. Trans Pacific Petrochemical Indotama (TPPI) Tuban Dengan Menggunakan Sistem Pengendali PID -Fuzzy OLEH
Lebih terperinciPENGENDALIAN PROSES EVAPORASI PADA PABRIK UREA MENGGUNAKAN KENDALI JARINGAN SARAF TIRUAN
PENGENDALIAN PROSES EVAPORASI PADA PABRIK UREA MENGGUNAKAN KENDALI JARINGAN SARAF TIRUAN Nazrul Effendy 1), Masrul Solichin 2), Teuku Lukman Nur Hakim 3), Faisal Budiman 4) Jurusan Teknik Fisika, Fakultas
Lebih terperinciPenerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi
Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi Berdasarkan Data Persediaan dan Jumlah Permintaan Ria Rahmadita Surbakti 1), Marlina Setia Sinaga 2) Jurusan Matematika FMIPA UNIMED riarahmadita@gmail.com
Lebih terperinci3.5.1 Komponen jaringan syaraf Adaptif Neuro Fuzzy Inference System (ANFIS) Simulink MATLAB Mikrokontroler...
DAFTAR ISI HALAMAN PERSETUJUAN TESIS... i PERNYATAAN... ii KATA PENGANTAR... iii DAFTAR ISI... v DAFTAR TABEL... viii DAFTAR GAMBAR... ix INSTISARI... xii ABSTRACT... xiii BAB I PENDAHULUAN... 1 1.1 Latar
Lebih terperinciARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA
ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA Rima Liana Gema, Devia Kartika, Mutiana Pratiwi Universitas Putra Indonesia YPTK Padang email: rimalianagema@upiyptk.ac.id ABSTRAK
Lebih terperinciBAB I PENDAHULUAN. kendali dengan campur tangan manusia dalam jumlah yang sangat kecil.
BAB I PENDAHULUAN A. Latar Belakang Perkembangan teknologi pada saat ini mulai bergeser kepada otomatisasi sistem kendali dengan campur tangan manusia dalam jumlah yang sangat kecil. Banyaknya penemuan
Lebih terperinciBAB 2 LANDASAN TEORI
5 BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Logika fuzzy adalah cabang dari sistem kecerdasan buatan (Artificial Inteligent) yang mengemulasi kemampuan manusia dalam berfikir ke dalam bentuk algoritma yang
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) REPRESENTASI EMOSI MENGGUNAKAN LOGIKA FUZZY PADA PERMAINAN BONNY S TOOTH BOOTH
68 REPRESENTASI EMOSI MENGGUNAKAN LOGIKA FUZZY PADA PERMAINAN BONNY S TOOTH BOOTH Septiani Nur Hasanah 1, Nelly Indriani Widiastuti 2 Program Studi Teknik Informatika. Universitas Komputer Indonesia. Jl.
Lebih terperinciDENIA FADILA RUSMAN
Sidang Tugas Akhir INVENTORY CONTROL SYSTEM UNTUK MENENTUKAN ORDER QUANTITY DAN REORDER POINT BAHAN BAKU POKOK TRANSFORMER MENGGUNAKAN METODE FUZZY (STUDI KASUS : PT BAMBANG DJAJA SURABAYA) DENIA FADILA
Lebih terperinciMakalah Seminar Tugas Akhir
Makalah Seminar Tugas Akhir APLIKASI KENDALI MENGGUNAKAN SKEMA GAIN SCHEDULING UNTUK PENGENDALIAN SUHU CAIRAN PADA PLANT ELECTRIC WATER HEATER Ahmad Shafi Mukhaitir [1], Iwan Setiawan, S.T., M.T. [2],
Lebih terperinciANALISIS & DESAIN SISTEM FUZZY. Menggunakan TOOLBOX MATLAB
ANALISIS & DESAIN SISTEM FUZZY Menggunakan TOOLBOX MATLAB ANALISIS & DESAIN SISTEM FUZZY Menggunakan TOOLBOX MATLAB Sri Kusumadewi Analisis & Desain Sistem Fuzzy Menggunakan Toolbox Matlab Oleh: Sri Kusumadewi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Himpunan adalah kata benda yang berasal dari kata himpun. Kata kerjanya adalah menghimpun. Menghimpun adalah kegiatan yang berhubungan dengan berbagai objek apa saja.
Lebih terperinciBAB II LANDASAN TEORI. papernya yang monumental Fuzzy Set (Nasution, 2012). Dengan
BAB II LANDASAN TEORI 2.. Logika Fuzzy Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh, 965 orang Iran yang menjadi guru besar di University of California at Berkeley dalam papernya yang monumental
Lebih terperinciBAB IV KONSEP FUZZY LOGIC DAN PENERAPAN PADA SISTEM KONTROL. asing. Dalam pengalaman keseharian kita, permasalahan yang berkaitan dengan fuzzy
BAB IV KONSEP FUZZY LOGIC DAN PENERAPAN PADA SISTEM KONTROL 4.1 Pengenalan konsep fuzzy logic Konsep mengenai fuzzy logic bukanlah merupakan sesuatu yang baru dan asing. Dalam pengalaman keseharian kita,
Lebih terperinciAPLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI)
APLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI) 1Venny Riana Agustin, 2 Wahyu H. Irawan 1 Jurusan Matematika, Universitas
Lebih terperinciDesain PI Controller menggunakan Ziegler Nichols Tuning pada Proses Nonlinier Multivariabel
Desain PI Controller menggunakan Ziegler Nichols Tuning pada Proses Nonlinier Multivariabel Poppy Dewi Lestari 1, Abdul Hadi 2 Jurusan Teknik Elektro UIN Sultan Syarif Kasim Riau JL.HR Soebrantas km 15
Lebih terperinciDISAIN DAN IMPLEMENTASI PENGENDALI FUZZY BERBASIS DIAGRAM LADDER PLC MITSUBISHI Q02HCPU PADA SISTEM MOTOR INDUKSI
DISAIN DAN IMPLEMENTASI PENGENDALI FUZZY BERBASIS DIAGRAM LADDER PLC MITSUBISHI Q02HCPU PADA SISTEM MOTOR INDUKSI Syarif Jamaluddin a, Ir. Aries Subiantoro, M.Sc. b a,b) Departemen Elektro Fakultas Teknik,
Lebih terperinciPerancangan Dan Implementasi Sistem Pengaturan Kecepatan Motor Bldc Menggunakan Kontroler Pi Berbasiskan Neural-Fuzzy Hibrida Adaptif
F68 Perancangan Dan Implementasi Sistem Pengaturan Kecepatan Motor Bldc Menggunakan Kontroler Pi Berbasiskan Neural-Fuzzy Hibrida Adaptif Agung Setyadi Wicaksono, Rushdianto Effendie A. K., dan Eka Iskandar
Lebih terperinciLima metode defuzzifikasi ini dibandingkan dengan mengimplementasikan pada pengaturan kecepatan motor DC.
Sutikno, Indra Waspada PERBANDINGAN METODE DEFUZZIFIKASI SISTEM KENDALI LOGIKA FUZZY MODEL MAMDANI PADA MOTOR DC Sutikno, Indra Waspada Program Studi Teknik Informatika Universitas Diponegoro tik@undip.ac.id,
Lebih terperinciJURUSAN TEKNIK FISIKA FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER
Rancang Bangun Kontrol Logika Fuzzy-PID Pada Plant Pengendalian ph (Studi Kasus : Asam Lemah dan Basa Kuat) Oleh : Fista Rachma Danianta 24 08 100 068 Dosen Pembimbing Hendra Cordova ST, MT. JURUSAN TEKNIK
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 1
JURNAL TEKNIK POMITS Vol., No., (23) -6 Pengendalian Rasio Bahan Bakar dan Udara Pada Boiler Menggunakan Metode Kontrol Optimal Linier Quadratic Regulator (LQR) Virtu Adila, Rusdhianto Effendie AK, Eka
Lebih terperinciImplementasi Metode Fuzzy Logic Controller Pada Kontrol Posisi Lengan Robot 1 DOF
Implementasi Metode Fuzzy Logic Controller Pada Kontrol Posisi Lengan Robot 1 DOF ndik Yulianto 1), gus Salim 2), Erwin Sukma Bukardi 3) Prodi Teknik Elektro, Fakultas Teknologi Industri, Universitas Internasional
Lebih terperinciSIMULASI SISTEM UNTUK PENGONTROLAN LAMPU DAN AIR CONDITIONER DENGAN MENGGUNAKAN LOGIKA FUZZY
SIMULASI SISTEM UNTUK PENGONTROLAN LAMPU DAN AIR CONDITIONER DENGAN MENGGUNAKAN LOGIKA FUZZY Nesi Syafitri. N Teknik Informatika, Fakultas Teknik Universitas Islam Riau, Jalan Kaharuddin Nasution No. 3,
Lebih terperinciJaringan Neuro-Fuzi Berbasis Algoritma Genetik Dinamis Multiresolusi untuk Pemodelan Sistem Chaotic Diskrit Henon
Jaringan Neuro-Fuzi Berbasis Algoritma Genetik Dinamis Multiresolusi untuk Pemodelan Sistem Chaotic Diskrit Henon Oyas Wahyunggoro 1, Gunawan Ariyanto 2 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 4 BAB 2 TINJAUAN PUSTAKA 2.1. Pengertian Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output. Titik awal dari konsep modern
Lebih terperinciBAB II LANDASAN TEORI. Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya
BAB II LANDASAN TEORI A. Logika Fuzzy Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya berada di luar model matematis dan bersifat inexact. Konsep ketidakpastian inilah yang
Lebih terperinciIMPLEMENTASI ADAPTIVE SWITCHING FUZZY LOGIC CONTROLER SEBAGAI PENGENDALI LEVEL AIR PADA TIGA BEJANA BERINTERAKSI
IMPLEMENTASI ADAPTIVE SWITCHING FUZZY LOGIC CONTROLER SEBAGAI PENGENDALI LEVEL AIR PADA TIGA BEJANA BERINTERAKSI Satryo Budi Utomo ), Rusdhianto ), Katjuk Astrowulan ) ) Fakultas Teknik,Jurusan Teknik
Lebih terperinciPresentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ. Muhammad Reza Budiman
Presentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ Muhammad Reza Budiman 5209100075 Jurusan Sistem Informasi Fakultas Teknologi Informasi
Lebih terperinciPREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION
PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION (NEFCLASS) (STUDI KASUS: PROGRAM STUDI S1 TEKNIK INFORMATIKA, UNIVERSITAS TELKOM) Rita Rismala 1, Serli Fatriandini 2, Retno
Lebih terperinciJurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017 ISSN:
PENERAPAN LOGIKA FUZZY UNTUK MENENTUKAN MAHASISWA BERPRESTASI DI STMIK CIKARANG MENGGUNAKAN JAVA NETBEANS DAN MYSQL Ema Dili Giyanti 1), Ali Mulyanto 2) 1) Program Studi Teknik Informatika, STMIK Cikarang
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Metode kendali nonlinier telah menjadi metode yang sangat penting dan sangat bermanfaat dalam dunia kendali selama beberapa dekade terakhir. Beberapa contoh metode
Lebih terperinciLOGIKA FUZZY. By: Intan Cahyanti K, ST
LOGIKA FUZZY By: Intan Cahyanti K, ST Pengertian Adalah suatu cara untuk memetakan suatu ruang input kedalam suatu ruang output. Skema Logika Fuzzy Antara input dan output terdapat suatu kotak hitam yang
Lebih terperinciNURAIDA, IRYANTO, DJAKARIA SEBAYANG
Saintia Matematika Vol. 1, No. 6 (2013), pp. 543 555. ANALISIS TINGKAT KEPUASAN KONSUMEN BERDASARKAN PELAYANAN, HARGA DAN KUALITAS MAKANAN MENGGUNAKAN FUZZY MAMDANI (Studi Kasus pada Restoran Cepat Saji
Lebih terperinciSistem Pengemudian Otomatis pada Kendaraan Berroda dengan Model Pembelajaran On-line Menggunakan NN
Sistem Pengemudian Otomatis pada Kendaraan Berroda dengan Model Pembelajaran On-line Menggunakan Eru Puspita Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember Kampus ITS Keputih
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Logika Fuzzy Logika Fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh pada tahun1965. Teori ini banyak diterapkan di berbagai bidang, antara lain representasipikiran manusia
Lebih terperinciMATERI KULIAH (PERTEMUAN 12,13) Lecturer : M. Miftakul Amin, M. Eng. Logika Fuzzy. Politeknik Negeri Sriwijaya Palembang
HIMPUNAN FUZZY MATERI KULIAH (PERTEMUAN 2,3) Lecturer : M. Miftakul Amin, M. Eng. Logika Fuzzy Jurusan Teknik Komputer Politeknik Negeri Sriwijaya Palembang Pokok Bahasan Sistem fuzzy Logika fuzzy Aplikasi
Lebih terperinci5/12/2014. Plant PLANT
Matakuliah : Teknik Kendali Tahun : 2014 Versi : Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : menjelaskan gambaran umum dan aplikasi sistem pengaturan di industri menunjukkan kegunaan dasar-dasar
Lebih terperinciBAB II: TINJAUAN PUSTAKA
BAB II: TINJAUAN PUSTAKA Bab ini akan memberikan penjelasan awal mengenai konsep logika fuzzy beserta pengenalan sistem inferensi fuzzy secara umum. 2.1 LOGIKA FUZZY Konsep mengenai logika fuzzy diawali
Lebih terperinciFuzzy Logic. Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic.
Fuzzy Systems Fuzzy Logic Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic. Masalah: Pemberian beasiswa Misalkan
Lebih terperinciPenggunaan Mamdani Fuzzy Expert System untuk Mengevaluasi Kinerja Dosen
Penggunaan Mamdani Fuzzy Expert System untuk Mengevaluasi Kinerja Dosen Dwi Rolliawati Fakultas Ilmu Komputer, Sistem Komputer, Universitas Narotama dwi.roliawati@narotama.ac.id Abstrak Dosen sebagai pendidik
Lebih terperinciSISTEM PENGATURAN BERJARINGAN : DESAIN DAN IMPLEMENTASI SLIDING MODE CONTROL PADA PRESSURE PROCESS RIG
SISTEM PENGATURAN BERJARINGAN : DESAIN DAN IMPLEMENTASI SLIDING MODE CONTROL PADA PRESSURE PROCESS RIG 8-7 Chandra Choirulyanto 050006 Jurusan Teknik Elektro ITS, Surabaya 60, e-mail : Chandrachoirulyanto@gmailcom
Lebih terperinciPERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan)
PERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan) Komang Wahyudi Suardika 1, G.K. Gandhiadi 2, Luh Putu Ida Harini 3 1 Program
Lebih terperinciAplikasi Prediksi Harga Bekas Sepeda Motor Yamaha. Menggunakan Fuzzy Logic
Aplikasi Prediksi Harga Bekas Sepeda Motor Yamaha Menggunakan Fuzzy Logic 1. Pendahuluan Jual beli motor merupakan suatu kegiatan transaksi yang mungkin sering kita temukan di kehidupan sehari-hari. Untuk
Lebih terperinciBAB II TEORI PENUNJANG
BAB II TEORI PENUNJANG 2.1 LOGIKA FUZZY Titik awal dari konsep modern mengenai ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh, dimana Zadeh memperkenalkan teori yang memiliki obyek-obyek dari
Lebih terperinciSTUDY TENTANG APLIKASI FUZZY LOGIC MAMDANI DALAM PENENTUAN PRESTASI BELAJAR SISWA (STUDY KASUS: SMP PEMBANGUNAN NASIONAL PAGAR MERBAU)
STUDY TENTANG APLIKASI FUZZY LOGIC MAMDANI DALAM PENENTUAN PRESTASI BELAJAR SISWA (STUDY KASUS: SMP PEMBANGUNAN NASIONAL PAGAR MERBAU) Desi Vinsensia Program Studi Teknik Informatika STMIK Pelita Nusantara
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN HANDPHONE BERDASARKAN KEBUTUHAN KONSUMEN MENGGUNAKAN LOGIKA FUZZY. Abstraksi
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN HANDPHONE BERDASARKAN KEBUTUHAN KONSUMEN MENGGUNAKAN LOGIKA FUZZY Denny Cristiono T.S., Yugowati P.,Sri Yulianto J.P. Fakultas Teknologi Informasi Universitas Kristen
Lebih terperinciLogika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy.
LOGIKA FUZZY UTHIE Intro Pendahuluan Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy. Lotfi Asker Zadeh adalah seorang ilmuwan
Lebih terperinciLOGIKA FUZZY FUNGSI KEANGGOTAAN
LOGIKA FUZZY FUNGSI KEANGGOTAAN FUNGSI KEANGGOTAAN (Membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai/derajat keanggotaannya yang memiliki interval
Lebih terperinci