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

(1)

Fakultas Ilmu Komputer

476

Perbandingan Jumlah

Membership

Dan Model

Fuzzy

Terhadap Perubahan

Suhu Pada Inkubator Penetas Telur

Dini Ismawati1_{, Dahnial Syauqy}2_{, Barlian Henryranu Prasetio}3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1_{[email protected],}2_{[email protected],}3_{[email protected]}

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 outputfuzzy

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

1. PENDAHULUAN

Suhu yang ideal pada inkubator penetas telur ayam, memiliki peranan penting untuk menentukan kesuksesan ketika panen. Suhu ideal untuk penetasan telur ayam berkisar antara 36o–₄₀o _celcius_{atau dapat diseragamkan pada}

suhu antara 37o–₃₉o _celcius_{. (Hartono & Isman,}

2010).

Sistem otomatis untuk mengidealkan suhu inkubator telur ayam dapat dibuat dengan menggunakan metode fuzzy karena algoritma

Fuzzy adalah metodologi sistem pemecahan

(2)

(membership function) yang merupakan suatu kurva yang menunjukkan pemetaan titik-titik

input data atau disebut dengan derajat

keanggotaan. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi atau model, seperti kurva segitiga (triangle), kurva trapezium (trapezoid), kurva gauss (gaussian), dan sebagainya (Wardhani & Haerani, 2011).

Akan tetapi saat ini pemilihan jumlah

membership dan model fuzzy untuk parameter-parameter yang digunakan dalam proses fuzzy

masih belum didasarkan kepada suatu panduan. Karena tidak adanya panduan, umumnya model fungsi keanggotaan yang dipilih adalah model fungsi keanggotaan yang paling sering digunakan.

Pada penelitian sebelumnya mengenai pengaruh jumlah membership dan model fuzzy

pada output sistem diperoleh rata-rata selisih antara tiga jenis membership sebersar 30,8 dan rata-rata nilai selisih antara tiga model fuzzy

sebesar 0,62 (Huda, 2016). Kemudian diperoleh rata-rata nilai selisih model fuzzy sebesar 2,33 jika menggunakan jumlah membershipinput dan

output yang berbeda (Castro et al., 2012). Berdasarkan dua penelitian yang pernah dilakukan oleh Miftahul Huda dan Jaqueline, belum ada yang melakukan analisa mengenai 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

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 LabVIEW tidak perlu menginstall library atau melakukan inisialisasi dalam pembuatan variabel input atau outputnya sehingga programmer dapat membuat variable input

output, memberikan nilai domain dan membuat

rule dengan sangat mudah. Selain itu pada LabVIEW juga menyediakan front panel

windows untuk menampilkan interface system sehinggaa programmer tidak perlu membuat program interface kembali, dan LabVIEW juga dapat menyimpan data yang memudahkan dalam menganalisa output sistem..

2. PERANCANGAN DAN

IMPLEMENTASI

Pada tahap perancangan terbagi menjadi dua bagian, yaitu perancangan hardware dan perancangan software. Seperti pada Gambar 2.1

Gambar 2.1 Alur Perancangan Sistem

Pada perancangan perangkat keras, yaitu rangkaian electric dan pembangunan prototype

sistem agar dalam tahap implementasi dapat berjalan sesuai dengan harapan. Perancangan dan impementasi prototype inkubator penetas telur seperti pada Gambar 2.2 dan Gambar 2.3.

Gambar 2.2 Perancangan Prototype Inkubator

Gambar 2.3 Implementasi Prototype Inkubator

Pada Gambar 2.2 dan Gambar 2.3 di dalam

prototype inkubator terdapat 1 buah bohlam 25

(3)

belakang, terdapat 2 kipas DC 12 V sebagai pendingin suhu inkubator. Pada bagian belakang 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.

Pada perancangan dan implementasi rangkaian elektrik seperti pada Gambar 2.4 dan Gambar 2.5

Gambar 2.4 Perancangan Rangkaian Elektrik

Gambar 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

dengan pin digital 3 Arduino Mega.

Perancangan software dalam pembuatan sistem ini adalah perancangan user interface dan pengolahan data sensor dengan menggunakan pemrograman NI Labview. Perancangan

software berkaitan dengan cara kerja dan

algoritma sistem yang akan dibuat sesuai dengan kebutuhan yang telah ditentukan. Software desain sangat erat kaitannya dengan proses yang dilakukan oleh hardware. Diagram blok

software desain yang berkaitan dengan sistem

hardware seperti Gambar 2.6.

Gambar 2.6 Diagram Blok Software Desain Berhubungan dengan Hardware

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 2.7 Diagram Blok Desain Sistem Fuzzy

Gambar 2.8 Alur Perancangan Software

(4)

memiliki tujuan agar sensor DHT11 dapat membaca kondisi suhu dan kelembaban melalui

mikrokontroller Arduino Mega dan data sensor diolah oleh program PC Monitoring yang kemudian akan menghasilkan data atau nilai suhu dan kelembaban udara pada inkubator di dalam tampilan monitoring dengan tujuan agar sistem dapat mengolah data untuk menentukan kualtas suhu inkubator, Kemudian sistem dapat mengidealkan suhu inkubator tanpa menggunakan metode fuzzy dan meggunakan metode fuzzy. Sistem dapat melakukan log data monitoring sesuai waktu yang dipilih oleh user yatu 3, 5, atau 10 detik sekali. Serta sistem dapat melakukan penyimpanan data monitoring sesuai dengan nama yang diberikan user. Sehingga dapat mengetahui perbedaan perubahan suhu

dan outputfuzzy jika menggunakan metode yang

berbeda-beda.

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.

Tabel 2.1 Scalling and Mapping Driver Kipas

X Y

0 0

50 255

Pada Tabel 2.1 merupakan tabel Scalling

and Mapping Driver Kipas. Dimana X

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

pwm yaitu antara 0 – 255.

Scalling and Mapping juga digunakan

untuk mengatur output PWM untuk driver

lampu, seperti pada Tabel 2.2

Tabel 2.2. Scalling and Mapping Driver Lampu

X Y

0 255 39 0

Pada Tabel 2.2 merupakan tabel Scalling

and Mapping Driver Lampu. Dimana X

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 lampu adalah 255 dan ketika suhu 39 derajat celcius maka

output pwm adalah 255. Untuk nilai suhu

diantara 0 sampai dengan 50 maka sistem secara otomatis akan melakukan scalling and mapping

nilai output pwm yaitu antara 255 - 0.

2) Perancangan Program Fuzzy

Pada perancangan fuzzy terdapat beberapa tahap yaitu fuzzifikasi, inferensi, dan defuzzifikasi. Pada tahap fuzzifikasi adalah menentukan nilai keanggotaan variabel input suhu dan kelembaban, kemudian variabel output.

a. 3 Membership

Gambar 2.8 Variabel Input Suhu Model Gaussian

dan Trapezoid 3 Membership

Gambar 2.9 Variabel Input Suhu Model Triangle 3

Membership

Gambar 2.10 Variabel Input Kelembaban Model

Gaussian dan Trapezoid 3 Membership

(5)

Gambar 2.12 Variabel Output Model Gaussian dan

Trapezoid 3 Membership

Gambar 2.13 Variabel Output Model Triangle

Model Triangle 3 Membership

b. 5 Membership

Gambar 2.14 Variabel Input Suhu Model Trapezoid

dan Gaussian 5 Membership

Gambar 2.15 Variabel Input Suhu Model Triangle

Trapezoid dan Gaussian 5 Membership

Trapezoid dan Gaussian 5 Membershi

Gambar 2.18 Variabel Output Model Trapezoid dan

Gaussian 5 Membership

Gambar 2.19 Variabel Output Model Triangle dan

Gaussian 5 Membership

c. 7 Membership

Gambar 2.20 Variabel Input Suhu Model Gaussian

dan Trapezoid 7 Membership

Gambar 2.21 Variabel Input Suhu Model Triangle 7

Membership

Gaussian dan Trapezoid 7 Membership

(6)

Gambar 2.24 Variabel Output Model Gaussian dan

Trapezoid 7 Membership

Gambar 2.25 Variabel Output Model Triangle 7

Membership

Pada tahap rule based dan inferensi fuzzy

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 Membership

b) 5 Membership

c) 7 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 2.26 Metode Defuzzyfikasi

Pada sistem ini terdapat interface monitoring seperti pada Gambar 2.27.

Gambar 2.27 Interface Program Utama

Gambar 2.28 Interface Monitoring Suhu

(7)

3. HASIl PENGUJIAN DAN ANALISIS

Pengujian pada penelitian ini dibagi menjadi beberapa bagian yaitu:

1. Pengujian output fuzzy berdasarkan jumlah memberhip

2. Pengujian output fuzzy berdasarkan model

fuzzy

3. Pengujian waktu perubahan suhu untuk mencapai suhu ideal

3.1. Pengujian Output Fuzzy Berdasarkan Jumlah Membership

Pada pengujian pertama, yaitu pengujian

output fuzzy bersarkan jumlah membership

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

Tabel 3.1 Hasil OutputFuzzy 3 Membership

Dari hasil Tabel 3.1 diperoleh rata-rata ouput fuzzy 19,63 – 172,63 dengan tiga buah model fuzzy menggunakan 3 membership

function dan dengan nilai sensor yang berbeda.

Tabel 3.4 Selisih output pada masing-masing

membership

Keterangan :

C : Data Suhu (Celcius)

RH : Data Kelembaban (RelativeHumidity) n0 : Rata-rata ouput 3 memberhip function

n1 : Rata-rata output 5 membershipfunction

n2 : Rata-rata output 7 membershipfunction

selisih : Selisih n-maksimum dengan n-minimum

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

output dari masing-masing membership yaitu

12,906 dengan tiga jenis membership.

Berdasarkan pengujian output fuzzy

berdasarkan jumlah membership, pada 3

membership dengan 3 model fuzzy, diperoleh rata-rata output fuzzy yaitu antara 19,63 – 173, 63. Pada 5 membership diperoleh rata-rata antara 28,17 – 132,61 dan pada 7 membership diperoleh rata-rata antara 30,3 – 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. 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

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 outputfuzzy 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

(8)

Tabel 3.5 Selisih Output Tiga Model Fuzzy 3

Membership

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

output dari masing-masing model pada fuzzy

yaitu Gaussian, Trapezoid dan Triangle pada 3

membershipfunction yaitu sebesar 1,65.

Keterangan :

C : Data Suhu (Celcius)

RH : Data Kelembaban (RelativeHumidity) selisih : Selisih maksimum dengan n-minimum

Membership

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 selisihsebesar 0,49 sehingga diperoleh rata-rata nilai selisih dari tiga jenis model fuzzy berdasarkan 3 jenis

membership adalah 0,8.

Hal ini membuktikan bahwa model fuzzy

berpengaruh sangat kecil pada rules dari

membership yang digunakan, sehingga output

fuzzy pwm memiliki selisih yang sangat tipis bahkan nol. Selain itu pengujian output fuzzy

membuktikan bahwa jika jumlah membership

semakin besar, pada penelititan ini tepatnya 7

membership, akan memiliki nilai selisih ouput

fuzzy semakin kecil.

3.3. Pengujian Waktu Perubahan Suhu Untuk Mencapai Suhu Ideal

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.

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.

Tabel 3.8 Waktu Stabil Dengan Tiga Jenis

Membership Pada Kondisi Panas

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

membership dan dengan tiga model yaitu

(9)

Tabel 3.9 Waktu Stabil Dengan Tiga Jenis

Membership Pada Kondisi Dingin

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

membership dan dengan tiga model yaitu

Gaussian, Trapezoid dan Triangle diperoleh rata-rata waktu untuk mencapai kondisi ideal dari suhu awal 35 derajat celcius adalah 36,67

– 41,67 detik.

Tabel 3.10 Rata-Rata Waktu Stabil Dengan Tiga Jenis Membership

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.

Pada sistem yang meggunakan metode

fuzzy, ketika pengujian dilakukan pada kondisi panas dan dingin, pada 3 membership

membutuhkan waktu 47,3 detik, pada 5

membership membutuhkan waktu 46,4 detik dan

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

membership, waktu yang diperlukan untuk

mencapai suhu ideal semakin cepat.

4. KESIMPULAN

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

1. 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 – 173, 63. Pada 5 membership

diperoleh rata-rata antara 28,17 – 132,61 dan pada 7 membership diperoleh rata-rata antara 30,3 – 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

outputfuzzy.

2. Model fuzzy memiliki pengaruh terhadap

outputfuzzy, akan tetapi sangat kecil bahkan mendekati 0. Dari ketiga model fuzzy dari 3 jenis membership, pada 3 membership

diperoleh niai selisihsebesar 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 fuzzy.

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

membership mencapai suhu ideal dengan

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

membership, jumlah waktu yang diperlukan

untuk mencapai suhu ideal semakin cepat.

5. SARAN

1. Pada penelitian ini didapatkan selisih pada

membership sebesar 12,9 dan pada model

(10)

fuzzy sebesar 13,7. Untuk penelitian selanjutnya, diharapkan dapat meminimalkan nilai selisih dengan lebih memperhitungkan lagi dalam penentuan nilai domain yaitu dapat mengurangi atau menambah nilai domain dan lebih memperhatikan dalam penentuan rule base pada fuzzy.

2. Pada waktu perubahan suhu untuk mencapai 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 GraphicalProgramming.

J.Gayathri Monicka, D. G. (2011). Performance Evaluation of Membership Functions on

Fuzzy Logic Controlled AC Voltage

Controller for Speed Control of Inducion Motor Drive.