Optimasi Pengendalian Suhu dan Kelembapan Ruangan di Kota Yogyakarta Menggunakan Metode Fuzzy
Sunardi1, Anton Yudhana1, Furizal2,*
1Program Studi Teknik Elektro, Universitas Ahmad Dahlan, Yogyakarta, Indonesia
2 Program Magister Informatika, Universitas Ahmad Dahlan, Yogyakarta, Indonesia Email: 1[email protected], 1[email protected], 2,*[email protected]
Email Penulis Korespondensi : [email protected] Submitted 01-11-2022; Accepted 25-11-2022; Published 30-12-2022
Abstrak
Musim kemarau merupakan musim dimana sebagian besar wilayah di Indonesia mengalami peningkatan suhu. Suhu yang tidak stabil ini dapat memberikan efek negatif bagi tubuh manusia sehingga diperlukan alat pengontrol otomatis yang sesuai dengan kebutuhan tubuh. Penelitian ini berfokus pada optimasi pengendalian suhu dan kelembapan ruangan di Kota Yogyakarta menggunakan unit fan duty cycle dengan metode Fuzzy Tsukamoto. Kisaran suhu dan kelembapan yang ideal diperoleh dari pengukuran oleh Badan Meteorologi, Klimatologi, dan Geofisika (BMKG). Tujuan penelitian ini adalah untuk menurunkan suhu panas di dalam ruangan ke kondisi suhu normal. Hasil perhitungan dengan suhu 28,29°C dan kelembapan 79,06% menghasilkan duty cycle sebesar 40,92%.
Berdasarkan 50 data sampel yang diambil setiap kipas angin diputarkan selama lima menit menunjukkan bahwa perubahan rata-rata suhu sebesar -0,01℃ dan kelembapan -0,032%, artinya dapat menurunkan 0,01℃ dan kelembapan 0,032% setiap lima menit. Hasil ini dinilai kurang efisien mengingat perubahannya yang sangat kecil sehingga pada penelitian selanjutnya disarankan untuk menggunakan teknologi seperti AC sebagai alat kontrol.
Kata Kunci: Duty Cycle; Fuzzy Tsukamoto; Kecepatan Kipas Angin; Kontrol Suhu; Sistem Optimasi; Sistem Kontrol Abstract
The dry season is a season where most regions in Indonesia experience an increase in temperature. This unstable temperature can have a negative effect on the human body, so a control device is needed according to the needs of the body automatically. This study focuses on optimizing room temperature and humidity control in Yogyakarta City using a fan duty cycle unit with the Fuzzy Tsukamoto method. The ideal temperature and humidity range is obtained from measurements by the Indonesian Board of Meteorology, Climatology, and Geophysics (BMKG). The purpose of this study is to reduce the hot temperature in the room to normal temperature conditions. The calculation results with a temperature of 28.29°C and humidity of 79.06% resulted in a duty cycle of 40.92%. Based on 50 sample data taken each fan rotated for five minutes showed that the average change in temperature was -0.01°C and humidity - 0.032%, meaning it could lower 0.01°C and humidity 0.032% every five minutes. This result is considered inefficient considering the very small changes, so in subsequent studies it is recommended to use technology such as air conditioning as a control tool.
Keywords: Duty Cycle; Fuzzy Tsukamoto; Fan Speed; Temperature Control; Optimization System; Control System
1. PENDAHULUAN
Indonesia merupakan salah satu negara yang memiliki musim panas setiap tahunnya [1]. Pada musim ini biasanya suhu di dalam ruangan terasa panas sehingga membuat tubuh gerah dan sulit berkonsentrasi [2]. Sulitnya konsentrasi dapat membuat produktivitas menurun sehingga tidak jarang di dalam ruangan selalu memasang pendingin ruangan seperti kipas angin dan Air Conditioner (AC) [3]. Kipas angin masih sering digunakan oleh kalangan menengah ke bawah karena penggunaan listriknya yang dianggap tidak terlalu banyak. Selain itu, modal awal untuk memasang kipas angin tergolong jauh lebih murah jika dibandingkan dengan AC [4].
Pada umumnya kipas angin dilengkapi dengan remote control atau tombol pada tiang kipas untuk mengubah kecepatan kipas secara manual. Cara pengendalian semacam ini tidak efisien karena banyak masalah baru yang muncul saat menggunakannya, mulai dari malas menyalakan, kesulitan mengatur tingkat kecepatan dengan kondisi ruangan, hingga hal-hal lain seperti lupa mematikan ketika selesai digunakan [5].
Salah satu elemen kunci untuk mencapai kenyamanan dalam bekerja adalah suhu dan kelembapan udara sehingga aspek ini perlu diperhatikan untuk menjaga produktivitas [6]. Jika tidak diperhatikan maka tidak hanya dapat menurunkan produktivitas tetapi juga dapat berdampak pada kesehatan tubuh dan lain sebagainya [7]. Selain manfaatnya dalam mengontrol suhu ruangan untuk manusia, pengontrol ruagan dapat digunakan dalam berbagai aspek, seperti mengontrol suhu ternak ayam, ruang komputer server, pengolahan tempe, rumah kaca, dan lain-lain [8]. Sebagai acuan, beberapa sistem kontrol suhu dan kelembapan ruangan telah dibuat pada penelitian sebelumnya dengan fungsi pemanfaatan yang berbeda-beda. Pemanfaatannya ada yang digunakan pada greenhouse [9], ruang server [10], thermal [11], dan lainnya.
Penggunaan konsep ON/OFF pada sistem kontrol dapat mengurangi efisiensi fungsi dari alat yang dibangun sehingga perlu alternatif kontrol untuk mengatasi masalah ini. Sistem kontrol dengan metode yang sudah terbukti seperti Fuzzy Inference System (FIS) perlu diimplementasikan dalam sistem dan dievaluasi untuk meningkatkannya. Hal ini didukung dengan penelitian terdahulu yang menunjukkan penggunaan logika fuzzy pada sistem kontrol dapat memberikan konstribusi yang lebih optimal jika dibandingkan dengan basis ON/OFF [11]. Basis ON/OFF hanya akan memberikan nilai 1 atau 0, sedangkan basis fuzzy akan memberikan nilai 0 sampai dengan 1. Pada penelitian yang lain juga sudah dibangun sistem kontrol kipas angin dengan logika fuzzy. Penggunaan konsep logika fuzzy pada penelitian ini dianggap dapat menjadi solusi hemat energi menggunakan kecerdasan buatan [12].
Pada salah satu penelitian [13], diterapkan logika fuzzy pada ruangan server berbasis web dan memberikan notifikasi melalui Twitter. AC digunakan sebagai media pendingin yang dikontrol menggunakan fuzzy logic dan mampu diimplementasikan kedalam mikrokontroler dengan hasil pengujian simulasi menggunakan matlab diperoleh nilai yang sesuai dengan hasil pada mikrokontroler dangn nilai rata-rata AC Temperature Set output deviasi 0,03500 dan rata-rata AC Mode Set output deviasi 0,01225. Walaupun terdapat perbedaan pada beberapa nilai keluaran, namun fungsi untuk mengontrol AC berhasil dirancang sesuai dengan yang diinginkan.
Pada penelitian yang lain, telah dilakukan penelitian kendali suhu dan kelembapan pada gudang padi. Sistem yang dibangun mampu memonitor keadaan suhu dan kelembapan gudang menggunakan kontrol PID. Sistem mampu menampilkan kinerja PWM baik kipas pendingin maupun kipas blower dalam satuan persen sesuai hasil perhitungan dari PID. Sistem juga mampu menyalakan dan mematikan lampu pada ruangan gudang ketika tombol “On” dan “Off” pada sistem GUI ditekan oleh pengguna [14].
Berdasarkan studi penelitian-penelitian sebelumnya ini, penelitian ini akan mengimplementasikan logika fuzzy dan kipas angin dalam mengendalikan suhu ruangan. Penelitian ini berfokus pada optimasi pengendalian suhu dan kelembapan udara menggunakan kipas angin berdasarkan dua variabel, yaitu kelembapan dan suhu. Range kelembapan dan suhu diperoleh dari hasil analisis kemungkinan suhu di wilayah Kota Yogyakarta sehingga kisarannya tidak terlalu lebar dan umum [15]. Data uji yang dianalisis untuk membuat fungsi keanggotaan fuzzy diperoleh dari data yang bersumber dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) [16].
Sistem kontrol ini dibangun menggunakan mikrokontroler ESP32 yang bertindak sebagai pusat pemrosesan yang bertugas untuk mengendalikan semua perangkat yang terintegrasi secara fisik [17]. Pada dasarnya ESP32 memiliki fungsi yang hampir sama dengan Arduino dan beberapa mikrokontroler lainnya [18][19][20]. Hal ini dibuktikan dengan penggunaan kode Arduino yang juga dapat digunakan pada ESP32 [21][22]. Hanya saja ESP32 dilengkapi dengan modul jaringan nirkabel yang digunakan sebagai pengakses internet [23].
Salah satu pendekatan FIS yaitu Fuzzy Tsukamoto digunakan dalam penelitian ini [24]. Metode ini dipilih karena kemampuannya dalam menyelesaikan masalah ketidakpastian bersama dengan dua metode lainnya, yaitu probabilitas dan kepastian [25]. Selain alasan tersebut, metode fuzzy juga memiliki kemampuan untuk mengkonstruksi nilai fuzzy dari data penilaian dan memanfaatkan pengalaman para ahli tanpa perlu pelatihan [26].
FIS merupakan prosedur lengkap yang menggunakan himpunan masukan dan keluaran berupa bilangan-bilangan tegas [27]. Semua input diubah menjadi nilai fuzzy linguistik pada tahap fuzzifikasi. Setelah itu, aturan IF-THEN berdasarkan nilai-nilai kebahasaan tersebut dikembangkan. Kemudian, dengan menggunakan operasi AND, OR, dan NOT, semua kemungkinan kombinasi aturan fuzzy dan fungsi keanggotaan digunakan untuk menghasilkan keluaran fuzzy. Pada defuzzifikasi, pendekatan apapun digunakan untuk mengubah semua keluaran fuzzy menjadi nilai yang tajam [28]. Keluaran dari perhitungan Fuzzy pada penelitian ini adalah besarnya duty cycle kipas AC yang didistribusikan oleh PWM Dimmer AC.
2. METODOLOGI PENELITIAN
Metode FIS merupakan salah satu jenis logika fuzzy yang terbagi menjadi tiga model, yaitu Tsukamoto, Sugeno, dan Mamdani [29]. Namun dalam penelitian ini tidak menggunakan semua model, melainkan hanya satu model yaitu model Tsukamoto. Secara garis besar model ini memiliki tiga tahapan untuk menghasilkan keluaran, yaitu fuzzifikasi, sistem inferensi, dan defuzzifikasi [30].
2.1 Fuzzifikasi
Tahap fuzzifikasi berfungsi untuk mengubah nilai crisp menjadi nilai fuzzy menggunakan kurva fuzzy [31]. Ada banyak jenis kurva dalam logika fuzzy yang dapat digunakan pada tahap ini [32]. Namun hanya dua jenis kurva yang diterapkan dalam penelitian ini, yaitu model segitiga dan model bahu.
a. Kurva Keanggotaan Segitiga
Kurva segitiga merupakan gabungan dari dua garis lurus yaitu linier atas dan bawah yang dibatasi oleh satu titik nilai keanggotaan 1 seperti pada Gambar 1 dan Persamaan 1 [33].
1
0 a b
µ[x]
c Gambar 1. Kurva segitiga
( ( ) ( ) ( ) )
=
−
−
−
−
=
b x
c x b b c x c
b x a a b a x
c x or a x x
; 1 / /
; 0
(1)
b. Kurva Keanggotaan Bahu
Kurva bahu digunakan untuk mengakhiri variabel dari area fuzzy yang sisi kanan atau kirinya tidak berubah. Jenis kurva ini dibagi menjadi dua model, yaitu kurva bahu kanan dan kurva bahu kiri [34].
2.2 Sistem Inferensi
Aturan fuzzy atau aturan berdasarkan teori himpunan fuzzy, serta aturan fuzzy berupa pernyataan IF-THEN, digunakan pada tahap sistem inferensi untuk mendapatkan inferensi [35]. Zadeh membagi menjadi tiga operator dasar, yaitu AND, OR, dan NOT [36]. Namun pada aturan yang diterapkan pada penelitian ini hanya menggunakan operator AND, yaitu operator yang mengambil nilai keanggotaan terkecil antar elemen pada himpunan yang bersangkutan untuk mendapatkan -nya seperti pada Persamaan 2 [37].
A∩B = min(μA[x], B[x]) (2)
2.3 Defuzzifikasi
Defuzzifikasi adalah proses akhir untuk mengubah keluaran fuzzy menjadi nilai-nilai perusahaan sesuai dengan fungsi keanggotaan yang ditentukan. Persamaan yang diterapkan pada tahap ini adalah Weighted Average seperti Persamaan 3 [38].
=
i i iz
Z
(3)Gambaran yang lebih jelas, tahapan Fuzzy Tsukamoto dari input hingga output seperti pada Gambar 2.
Gambar 2. Tahapan fuzzy Tsukamoto
Blok sistem secara umum dapat dilihat seperti Gambar 3. Jenis blok sistem yang diterapkan adalah blok sistem close loop. Hal ini karena hasil output yang diharapkan (suhu dan kelembapan yang sesuai) juga akan berpengaruh pada aksi kipas angin selanjutnya. Aksi ini akan dilakukan secara terus menerus sampai hasil yang diharapkan terpenuhi.
Gambar 3. Blok kontrol sistem (close loop)
3.
HASIL DAN PEMBAHASAN 3.1 Analisis range fuzzyBMKG adalah lembaga metrologi yang bertugas mengamati, mengolah, menganalisis, menyebarluaskan informasi Meteorologi (cuaca), Klimatologi (iklim), dan Geofisika (Gempa dan Tsunami) di Indonesia. Penelitian ini mengambil sampel data yang bersumber dari instansi ini untuk mengetahui kisaran suhu dan kelembapan udara di Kota Yogyakarta.
Sampel data yang diambil adalah sampel data per hari mulai tanggal 1 Januari 2004 sampai dengan 7 Oktober 2022 [39]
sebanyak 6.130 data. Pengambilan data dilakukan dengan mengambil suhu minimum dan maksimum. Grafik suhu minimum ditunjukkan pada Gambar 4 dan grafik suhu maksimum pada Gambar 5.
Gambar 4. Suhu minimal di Kota Yogyakarta dari 1 Januari 2004 hingga 7 Oktober 2022
Gambar 5. Suhu maksimal di Kota Yogyakarta dari 1 Januari 2004 hingga 7 Oktober 2022
Berdasarkan Gambar 3 dan 4 maka dapat disimpulkan bahwa suhu di Kota Yogyakarta berkisar antara 13-39,9°C.
Sedangkan untuk kelembapan, BMKG tidak memberikan nilai minimum dan maksimum, tetapi hanya nilai rata-rata per hari. Namun jika diambil dari nilai rata-rata tersebut maka kelembapan udara memiliki kisaran 66-98% [39].
Gambar 6 Kelembapan Rata-Rata di Kota Yogyakarta dari 1 Januari 2004 hingga 7 Oktober 2022
Tujuan dari analisis data BMKG adalah untuk mendapatkan kisaran suhu dan kelembapan yang ideal untuk diterapkan pada kurva fuzzy pada penelitian ini. Suhu di Kota Yogyakarta yang akan digunakan dalam penelitian ini adalah antara 13-39,9°C. Sedangkan rentang kelembapan udara berada pada nilai 52-99,9%. Hasil ini juga dibagi menjadi beberapa himpunan fuzzy karena semua yang akan dibahas dalam penelitian ini adalah himpunan di atas kondisi normal.
3.2 Perancangan alat
Alat yang dibangun dalam penelitian ini dikendalikan oleh mikrokontroler ESP32. Mikrokontroler berfungsi sebagai otak yang akan menjadi pusat pengolahan data yang diinput. Mikrokontroler terintegrasi dengan beberapa alat seperti sensor DHT22, sensor PIR, PWM Dimmer AC, LCD dan LED. Sensor DHT22 dan PIR digunakan sebagai alat input, sedangkan LCD, LED, dan PWM DIMMER AC digunakan sebagai alat keluaran [40]. PWM Dimmer AC diintegrasikan kedalam fan untuk memberikan nilai berupa duty cycle. Kemudian untuk menjalankan alat ini diperlukan dua jenis arus listrik, yaitu arus listrik AC yang dialirkan ke Dimmer PWM AC dan arus listrik DC yang dialirkan ke ESP32. Arus listrik ini didistribusikan pada perangkat yang telah terintegrasi dengannya seperti yang ditunjukkan pada Gambar 7.
Gambar 7. Skema desain alat 3.3 Penerapan dan pengujian logika fuzzy pada alat
Metode FIS Tsukamoto memiliki variabel input dan variabel output sebagai objek yang akan dicari nilai fuzzy-nya [41].
Oleh karena itu, dalam penelitian ini variabel yang digunakan adalah suhu dan kelembapan sebagai variabel input dan kecepatan kipas pada duty cycle sebagai variabel output yang telah dirinci pada Tabel 1.
Tabel 1. Fungsi Keanggotaan Jenis Nama Variabel Semesta
pembicaraan
Himpunan
Fuzzy Domain Fungsi
Keanggotaan Parameter
Input
Suhu (℃) [19, 35]
Cukup Hangat <=29 Bahu kiri [0, 27, 29]
Hangat 27-31 Segitiga [27, 29, 31]
Cukup Panas 29-33 Segitiga [29, 31, 33]
Panas 31-35 Segitiga [31, 33, 35]
Sangat Panas >=33 Bahu kanan [33, 35, 50]
Kelembapan (%) [52, 99.9]
Kering <=57 Bahu kiri [0, 52, 57]
Normal 55-65 Segitiga [55, 60, 65]
Cukup Basah 63-75 Segitiga [63, 69, 75]
Basah 73-85 Segitiga [73, 79, 85]
Sangat Basah >=83 Bahu kanan [83, 95, 100]
Output Kecepatan kipas angin
(Duty cycle) [0, 100]
Lambat <=40 Bahu kiri [0, 20, 40]
Sedang 35-50 Segitiga [35, 43, 50]
Cepat >=45 Bahu kanan [45, 60, 100]
Tabel 1 menjelaskan detail domain pada setiap himpunan yang telah terbentuk dari variabel fuzzy yang digunakan.
Domain suhu dan kelembapan ideal untuk tubuh setiap negara akan berbeda-beda [42]. Banyak faktor yang akan mempengaruhi perbedaan ini, salah satunya adalah kondisi geografis suatu negara. Tidak hanya antar negara yang berbeda, bahkan negara yang sama dengan wilayah yang berbeda juga akan mengalami variasi [43]. Pada tahun 2011,
Keterangan:
1. Kipas Angin 2. LCD
3. PWM AC Dimmer 4. Mikrokonroller
ESP32 5. Sensor DHT22 6. Sensor PIR
7.
Sumber Arus Listrik8.
LEDBadan Standardisasi Nasional (BSN) Indonesia berusaha untuk memecahkan masalah variasi ini dengan memberikan standar suhu yang nyaman 25,5°C Ta, kisaran ±1,5°C Ta, dan kelembapan relatif 60% ± 5% [44]. Berdasarkan uraian tersebut maka pada penelitian ini hanya diterapkan suhu di atas standar suhu normal pada kurva fuzzy sehingga dihasilkan kisaran suhu 27-39,9. Kurva suhu ditunjukkan pada Gambar 8.
Gambar 8. Kurva fungsi keanggotaan variabel suhu
Kurva keanggotaan pada Gambar 6 terbentuk dengan rentang suhu yang lebih tinggi dari suhu normal karena dalam penelitian ini hanya berfokus pada penurunan suhu yang tinggi. Suhu yang lebih rendah diperlukan alat yang dapat menghangatkan ruangan pada kondisi normal [45]. Selain kurva fungsi keanggotaan variabel suhu, terdapat juga kurva fungsi keanggotaan variabel kelembapan seperti Gambar 9.
Gambar 9. Kurva fungsi keanggotaan variabel kelembapan
Selain kurva fungsi keanggotaan variabel suhu dan kelembapan yang diperoleh dari pengukuran langsung dan data dari lembaga meteorologi, kurva keanggotaan variabel kecepatan kipas juga diperoleh dari proses analisis eksperimental pada ukuran duty cycle kipas yang memiliki kisaran antara 0% sampai 100%. Berdasarkan analisis yang telah dilakukan, nilai duty cycle kurang dari 20% dianggap kipas dalam keadaan OFF karena pada rentang tersebut kipas tidak berputar.
Saat duty cycle 20 ke atas maka kipas dianggap menyala. Oleh karena itu terbentuk tiga himpunan fuzzy, yaitu lambat, sedang, dan cepat [46]. Bentuk kurva seperti pada Gambar 10.
Gambar 10. Kurva fungsi keanggotaan variabel kecepatan kipas
Berdasarkan jumlah himpunan fuzzy pada kurva yang telah dibuat dan setiap variabel input memiliki lima himpunan maka terbentuk 25 aturan seperti Tabel 2 [47].
Tabel 2. Aturan fuzzy Aturan ke-
I F
Suhu
A N D
Kelembapan
T H E N
Kecepatan Kipas Angin
[R1] Cukup Hangat Kering Lambat
[R2] Cukup Hangat Normal Lambat
[R3] Cukup Hangat Cukup basah Lambat
[R4] Cukup Hangat Basah Lambat
[R5] Cukup Hangat Sangat Basah Lambat
[R6] Hangat Kering Lambat
[R7] Hangat Normal Lambat
[R8] Hangat Cukup basah Lambat
[R9] Hangat Basah Sedang
[R10] Hangat Sangat Basah Sedang
[R11] Cukup Panas Kering Sedang
[R12] Cukup Panas Normal Sedang
[R13] Cukup Panas Cukup basah Sedang
[R14] Cukup Panas Basah Cepat
[R15] Cukup Panas Sangat Basah Cepat
[R16] Panas Kering Sedang
[R17] Panas Normal Sedang
[R18] Panas Cukup basah Cepat
[R19] Panas Basah Cepat
[R20] Panas Sangat Basah Cepat
[R21] Sangat Panas Kering Sedang
[R22] Sangat Panas Normal Cepat
[R23] Sangat Panas Cukup basah Cepat
[R24] Sangat Panas Basah Cepat
[R25] Sangat Panas Sangat Basah Cepat
Berdasarkan tahapan-tahapan FIS Tsukamoto, berikut adalah deskripsi perhitungan dengan input suhu dan kelembapan secara berurutan 28,29 °C dan 79,06%. Nilai ini diambil berdasarkan rata-rata pengukuran sensor DHT22 yang telah dilakukan.
a. Fuzzifikasi
Pada kurva yang telah dibangun, nilai suhu 28,29°C terletak pada himpunan Cukup hangat dan Hangat, sedangkan untuk kelembapan 79,06% terletak pada himpunan Basah [48]. Berikut adalah nilai derajat keanggotaan yang diperoleh pada Persamaan 1.
( ( ) )
( ( ) )
0,996 94 , 5 79 85
06 , 79 06 85
. 79
64 , 2 0 29 , 1 27 29
27 29 , 29 28
. 28
2 0,36 71 , 0 27 29
29 , 28 29 29
. 28
=
− =
= −
=
− =
= −
=
− =
= −
Basah Kelembapan SuhuHangat
angat SuhuCukupH
b. Sistem Inferensi
Dalam aturan fuzzy yang terbentuk, yang berkaitan dengan suhu cukup hangat, suhu hangat, dan kelembapan basah hanya aturan 4 dan 9 [49].
[R4] IF Suhu Cukup hangat AND Kelembapan Basah THEN Kecepatan kipas Lambat
( )
( )
36 , 0
99 , 0 , 36 , 0 min
06 , 79 ,
29 , 28 min
4
=
=
=
=
−
Basah Kelembapan angat
SuhuCukupH
Basah Kelembapan angat
SuhuCukupH pred
8 , 32 -32,8
40 7,2
2 , 7 40
20
* 36 , 0 40
36 , 20 0 40
36 , 20 0 40
40
4
=
=
−
−
=
−
=
−
=
−
− =
− =
= −
x x x
x x x
Z
x[R9] IF Suhu Hangat AND Kelembapan Basah THEN Kecepatan kipas Sedang
( )
( )
64 , 0
99 , 0 , 64 , 0 min
06 , 79 ,
29 , 28 min
9
=
=
=
=
−
Basah Kelembapan SuhuHangat
Basah Kelembapan SuhuHangat
pred
Himpunan medium pada kurva fungsi keanggotaan kecepatan kipas memiliki dua sisi, yaitu sisi kanan dan sisi kiri sehingga kedua sisi ini harus dihitung. Hasil perhitungan diproses dengan operator OR untuk memilih nilai maksimum antara kedua sisi [50].
40,12 35 12 , 5
12 , 5 35
8
* 64 , 0 35
64 , 8 0
35 64 , 35 0 43
35
91
= +
=
=
−
=
−
− =
− =
= −
x x x x x
Z
x48 , 45
64 , 43 0 50
50
92
=
− =
= − x
Z
xPilih nilai maksimum:
( )
( )
48 , 45
48 , 45 , 16 , 40 max
, max 91 92
92 91 9
=
=
=
=
Z Z
Z Z Z
c. Defuzzifikasi
Langkah terakhir pada metode ini adalah defuzzifikasi. Perhitungan berikut menggunakan persamaan 3 [51].
( ) ( )
( ) ( )
40,92 1
29,11) (11,81
64 , 0 36 , 0
48 , 45
* 64 , 0 8 , 32
* 36 , 0
Pr Pr
* Pr
* Pr
9 4
9 9 4
4
=
= +
+
= +
+
= +
ed ed
Z ed Z
Z ed
Berdasarkan hasil perhitungan di atas, suhu 28,29°C dan kelembapan 79,06% menghasilkan duty cycle 40,92%.
Hasil ini masuk kedalam himpunan kecepatan sedang sesuai dengan fungsi keanggotaan kecepatan kipas yang telah terbentuk. Hasil pengujian secara keseluruhan juga menunjukkan kecepatan rata-rata berada pada himpunan “Sedang”.
Berdasarkan 50 data sampel dengan besaran suhu dan kelembapan yang berbeda diambil setelah kipas angin diputarkan selama lima menit menunjukkan bahwa perubahan rata-rata suhu sebesar -0,01℃ dan kelembapan -0,032%, artinya dapat menurunkan 0,01℃ dan kelembapan 0,032% setiap lima menit. Hasil ini dinilai kurang efisien mengingat perubahannya yang sangat kecil. Sampel datanya tercantum pada Tabel 3.
Tabel 3. Data sampel pengujian No
Input Output Fuzzy Output setelah aksi kipas (5
menit setelahnya) Selisih Suhu (°C) Kelembapan (%) Kecepatan Kipas
(Duty cycle %) Suhu (°C) Kelembapan (%) Suhu Kelembapan
1 27,5 96,2 31 27,5 96,9 0 0,7
2 27,5 96,9 31 27,4 96,3 -0,1 -0,6
3 27,4 96,3 29 27,4 96,3 0 0
4 27,5 96,4 31 27,5 96,3 0 -0,1
5 27,5 96,3 31 27,5 96,3 0 0
6 27,6 96,3 33 27,3 96,3 -0,3 0
7 27,3 96,3 29 27,2 96,3 -0,1 0
8 27,2 96,3 25 27,3 96,8 0,1 0,5
9 27,3 96,8 27 27,4 96,6 0,1 -0,2
10 27,4 96,6 29 27,3 96,3 -0,1 -0,3
11 27,2 96,4 25 27,2 96,4 0 0
12 27,2 96,2 25 27,2 96,1 0 -0,1
13 27,2 96,1 25 27,2 96,1 0 0
14 27,1 95,9 22 27,1 95,9 0 0
15 27,1 95,8 22 27,1 95,7 0 -0,1
. . . . . .
37 27,3 94,3 27 27,3 94,3 0 0
38 27,4 94,2 27 27,4 94,2 0 0
39 27,4 94 27 27,4 94 0 0
40 27,3 93,9 27 27,3 93,9 0 0
41 27,3 94,1 27 27,3 94,1 0 0
42 27,2 94 27 27,2 94 0 0
43 27,3 94 27 27,3 93,7 0 -0,3
44 27,3 93,7 27 27,3 93,7 0 0
45 27,3 93,8 27 27,3 93,8 0 0
46 27,3 93,6 27 27,3 93,6 0 0
47 27,2 94,4 27 27,2 94,4 0 0
48 27,4 93,9 27 27,4 93,9 0 0
49 27,3 93,4 27 27,3 93,4 0 0
50 27,4 93,4 27 27,4 93,4 0 0
Rata-rata -0,01 -0,032
Data pada Tabel 3 diambil secara acak melalui pengukuran langsung menggunakan sensor DHT22 dengan mempertimbangkan nilai suhu dan kelembapan yang berbeda. Alat yang dibangun dengan metode fuzzy ini telah diterapkan pada ruangan dengan dimensi kecil. Pemilihan dimensi ruangan kecil ini mengingat hanya satu kipas yang digunakan. Jika ruangan yang digunakan terlalu besar maka akan mengurangi pengaruh alat terhadap suhu ruangan yang dikontrol. Namun analisis yang telah dilakukan menunjukkan bahwa putaran kipas angin tidak banyak berpengaruh terhadap kondisi suhu disekitarnya sehingga disarankan pada penelitian selanjutnya menggunakan AC sebagai alat kontrol untuk menyajikan hasil yang optimal. Dokumentasi implementasi alat di ruangan pada Gambar 11.
Gambar 11. Implementasi di dalam ruangan
4. KESIMPULAN
Sistem kontrol suhu dan kelembapan ruangan dengan menerapkan metode fuzzy sangat membantu dalam memberikan nilai kecepatan kipas angin yang ideal dengan kondisi suhu pada ruangan. Perhitungan dengan suhu 28,29°C dan kelembapan 79,06% menghasilkan duty cycle 40,92%. Nilai ini masuk dalam himpunan kecepatan “Sedang”. Eksperimen juga menunjukkan kecepatan kipas rata-rata pada himpunan “Sedang”. Pengujian yang dilakukan telah menunjukkan efisiensi yang baik jika beraktivitas dalam ruangan terutama jika dalam durasi waktu yang lama sebab tubuh akan mengalami gangguan rasa kurang enak jika terlalu lama terkena hembusan angin dari kipas. Terlebih lagi jika kipasan anginnya yang terlalu kencang sehingga logika fuzzy akan berperan dalam memberikan kecepatan yang ideal. Namun berdasarkan analisis yang telah dilakukan, putaran kipas angin dalam ruangan tidak banyak berpengaruh terhadap kondisi suhu disekitarnya. Oleh karena itu, penelitian ini menyarankan agar pada penelitian selanjutnya menggunakan teknologi seperti AC sebagai pendingin ruangan agar efek yang diberikan pada ruangan lebih optimal. Alternatif lainnya, dapat juga menggunakan Exhaust Fan. Penggunaan Exhaust Fan akan mengganti udara dari luar ke dalam sehingga suhu akan menjadi lebih bisa dikontrol. Selain itu, untuk memudahkan dalam mengontrol kondisi ruangan dari jarak jauh maka penelitian selanjutnya dapat dikembangkan dengan konsep kontrol melalui jaringan dengan teknologi Internet of Things (IoT).
REFERENCES
[1] A. Efendi, A. Nugraha, and R. Baharta, “Manufacturing of electrical dryer machine for food and fruit products,” IOP Conf. Ser.
Mater. Sci. Eng., vol. 692, no. 1, 2019, doi: 10.1088/1757-899X/692/1/012006.
[2] H. Feriadi and N. H. Wong, “Thermal comfort for naturally ventilated houses in Indonesia,” Energy Build., vol. 36, no. 7, pp.
614–626, 2004, doi: 10.1016/j.enbuild.2004.01.011.
[3] J. H. Huh and M. J. Brandemuehl, “Optimization of air-conditioning system operating strategies for hot and humid climates,”
Energy Build., vol. 40, no. 7, pp. 1202–1213, 2008, doi: 10.1016/j.enbuild.2007.10.018.
[4] O. Jay et al., “Reducing the health effects of hot weather and heat extremes: from personal cooling strategies to green cities,”
Lancet, vol. 398, no. 10301, pp. 709–724, 2021, doi: 10.1016/S0140-6736(21)01209-5.
[5] B. Morabito et al., “Multi-stage Event-triggered Model Predictive Control for Automated Trajectory Drilling,” IFAC- PapersOnLine, vol. 53, pp. 9478–9483, 2020, doi: 10.1016/j.ifacol.2020.12.2421.
[6] H. Zahid, O. Elmansoury, and R. Yaagoubi, “Dynamic Predicted Mean Vote: An IoT-BIM integrated approach for indoor thermal comfort optimization,” Autom. Constr., vol. 129, no. June, p. 103805, 2021, doi: 10.1016/j.autcon.2021.103805.
[7] P. Wolkoff, K. Azuma, and P. Carrer, “Health, work performance, and risk of infection in office-like environments: The role of indoor temperature, air humidity, and ventilation,” Int. J. Hyg. Environ. Health, vol. 233, no. September 2020, p. 113709, 2021, doi: 10.1016/j.ijheh.2021.113709.
[8] F. N. Sabri, M. Mukhidin, Y. S. Disastra, and B. Hasan, “Manufacture and working procedure of Temperature Control Unit (TCU),” IOP Conf. Ser. Mater. Sci. Eng., vol. 1098, no. 4, p. 042060, 2021, doi: 10.1088/1757-899x/1098/4/042060.
[9] A. F. Subahi, “An Intelligent IoT-Based System Design for Controlling and Monitoring Greenhouse Temperature,” IEEE Access., vol. 8, 2020, doi: 10.1109/ACCESS.2020.3007955.
[10] M. O. Onibonoje, “An IoT-Based Approach to Real-Time Conditioning and Control in a Server Room,” 2019 Int. Artif. Intell.
Data Process. Symp., pp. 1–6.
[11] R. Rakhmawati, Irianto, F. D. Murdianto, A. Luthfi, and A. Y. Rahman, “Thermal optimization on incubator using fuzzy inference system based IoT,” Proceeding - 2019 Int. Conf. Artif. Intell. Inf. Technol. ICAIIT 2019, pp. 464–468, 2019, doi:
10.1109/ICAIIT.2019.8834530.
[12] E. Science, “Optimization of electrical energy in the fan using fuzzy logic controllers,”. International Conference on Environmental, Energy and Earth Science., 2022, doi: 10.1088/1755-1315/1041/1/012025.
[13] F. H. Purwanto and E. Utami, “Design of Server Room Temperature and Humidity Control System using Fuzzy Logic Based on Microcontroller,”. 2018 International Conference on Information and Communications Technology (ICOIACT)., pp. 390–395, 2018.
[14] E. Susanto and W. S. Pambudi, “Rancang Bangun Prototipe Sistem Monitoring Suhu dan Kelembaban Gudang Berbasis Scada,”.
Jurnal Riset Komputer., vol. 8, no. 6, pp. 231–236, 2021, doi: 10.30865/jurikom.v8i6.3628.
[15] A. C. Nicolla et al., “Comparison of Damselfly (Odanata: Zygoptera) diversity in wet dune slack habitat with canopied and non- canopied areas of Gumuk Pasir Parangkusumo, Yogyakarta, Indonesia,” IOP Conf. Ser. Earth Environ. Sci., vol. 736, no. 1, 2021, doi: 10.1088/1755-1315/736/1/012046.
[16] P. Wellyantama and S. Soekirno, “Temperature, pressure, relative humidity and rainfall sensors early error detection system for automatic weather station (AWS) with artificial neural network (ANN) backpropagation,” J. Phys. Conf. Ser., vol. 1816, no. 1, 2021, doi: 10.1088/1742-6596/1816/1/012056.
[17] M. Alvan Prastoyo Utomo, A. Aziz, Winarno, and B. Harjito, “Server Room Temperature & Humidity Monitoring Based on Internet of Thing (IoT),” J. Phys. Conf. Ser., vol. 1306, no. 1, pp. 0–8, 2019, doi: 10.1088/1742-6596/1306/1/012030.
[18] A. Yudhana et al., “Multi sensor application-based for measuring the quality of human urine on first-void urine,” Sens. Bio- Sensing Res., vol. 34, no. September, p. 100461, 2021, doi: 10.1016/j.sbsr.2021.100461.
[19] N. H. Wijaya, A. Yudhana, Robiyansah, and D. Sukwono, “X-Ray machine control with wireless based on mA parameters,” IOP Conf. Ser. Mater. Sci. Eng., vol. 1088, no. 1, p. 012080, 2021, doi: 10.1088/1757-899x/1088/1/012080.
[20] A. Yudhana, D. Sulistyo, and I. Mufandi, “GIS-based and Naïve Bayes for nitrogen soil mapping in Lendah, Indonesia,” Sens.
Bio-Sensing Res., vol. 33, no. June, p. 100435, 2021, doi: 10.1016/j.sbsr.2021.100435.
[21] A. Yudhana, Sunardi, and Priyatno, “Development of Door Safety Fingerprint Verification using Neural Network,” J. Phys.
Conf. Ser., vol. 1373, no. 1, 2019, doi: 10.1088/1742-6596/1373/1/012053.
[22] A. Yudhana, J. Rahmawan, and C. U. P. Negara, “Flex sensors and MPU6050 sensors responses on smart glove for sign language translation,” IOP Conf. Ser. Mater. Sci. Eng., vol. 403, no. 1, 2018, doi: 10.1088/1757-899X/403/1/012032.
[23] O. Barybin, E. Zaitseva, and V. Brazhnyi, “Testing the security ESP32 internet of things devices,” 2019 IEEE Int. Sci. Conf.
Probl. Infocommunications Sci. Technol. PIC S T 2019 - Proc., pp. 143–146, 2019, doi: 10.1109/PICST47496.2019.9061269.
[24] U. Sakız, G. U. Kaya, and O. Yaralı, “Prediction of drilling rate index from rock strength and cerchar abrasivity index properties using fuzzy inference system,” Arab. J. Geosci., vol. 14, no. 5, 2021, doi: 10.1007/s12517-021-06647-w.
[25] M. M. Gómez, D. Tagle-Zamora, J. L. M. Martínez, A. R. C. Ortega, J. de J. M. Rodríguez, and X. Delgado-Galván, “Water Supply Management Index: Leon, Guanajuato, Mexico,” Water (Switzerland), vol. 14, no. 6, pp. 1–17, 2022, doi:
10.3390/w14060919.
[26] D. Kucuk Matci and U. Avdan, “Optimization-based automated unsupervised classification method: A novel approach,” Expert Syst. Appl., vol. 160, 2020, doi: 10.1016/j.eswa.2020.113735.
[27] M. Omair et al., “The Selection of the Sustainable Suppliers by the Development of a Decision Support Framework Based on Analytical Hierarchical Process and Fuzzy Inference System,” Int. J. Fuzzy Syst., vol. 23, no. 7, pp. 1986–2003, 2021, doi:
10.1007/s40815-021-01073-2.
[28] A. Guzman-urbina, K. Ouchi, H. Ohno, and Y. Fukushima, “FIEMA , a system of fuzzy inference and emission analytics for sustainability-oriented chemical process design,” Appl. Soft Comput., vol. 126, p. 109295, 2022, doi:
10.1016/j.asoc.2022.109295.
[29] S. Napitupulu, E. B. Nababan, and P. Sihombing, “Comparative Analysis of Fuzzy Inference Tsukamoto Mamdani and Sugeno in the Horticulture Export Selling Price,” Mecn. 2020 - Int. Conf. Mech. Electron. Comput. Ind. Technol., pp. 183–187, 2020,
doi: 10.1109/MECnIT48290.2020.9166587.
[30] E. Sonalitha, B. Nurdewanto, S. Ratih, N. R. Sari, A. B. Setiawan, and P. Tutuko, “Comparative Analysis of Tsukamoto and Mamdani Fuzzy Inference System on Market Matching to Determine the Number of Exports for MSMEs,” 2018 Electr. Power, Electron. Commun. Control. Informatics Semin. EECCIS 2018, pp. 440–445, 2018, doi: 10.1109/EECCIS.2018.8692989.
[31] A. Lipare, D. R. Edla, and S. R. Parne, “Fuzzy rule-based system for energy efficiency in wireless sensor networks,” J.
Supercomput., vol. 77, no. 9, pp. 9947–9970, 2021, doi: 10.1007/s11227-021-03668-w.
[32] C. Dumitrescu, P. Ciotirnae, and C. Vizitiu, “Fuzzy logic for intelligent control system using soft computing applications,”
Sensors, vol. 21, no. 8, pp. 1–33, 2021, doi: 10.3390/s21082617.
[33] T. Sutikno, A. C. Subrata, and A. Elkhateb, “Evaluation of Fuzzy Membership Function Effects for Maximum Power Point Tracking Technique of Photovoltaic System,” IEEE Access, vol. 9, pp. 109157–109165, 2021, doi:
10.1109/ACCESS.2021.3102050.
[34] S. N. Putri and D. R. S. Saputro, “Construction fuzzy logic with curve shoulder in inference system mamdani,” J. Phys. Conf.
Ser., vol. 1776, no. 1, 2021, doi: 10.1088/1742-6596/1776/1/012060.
[35] M. Marbun, W. Ramdhan, D. Priyanto, M. Zarlis, and Z. Nasution, “Philosophy of Fuzzy Logic as Fundamental of Decision Making Based on Rule,” J. Phys. Conf. Ser., vol. 1230, no. 1, 2019, doi: 10.1088/1742-6596/1230/1/012021.
[36] P. G. Singerman, S. M. Orourke, R. M. Narayanan, and M. Rangaswamy, “Language-Based Cost Functions: Another Step Toward a Truly Cognitive Radar,” IEEE Trans. Aerosp. Electron. Syst., vol. 57, no. 6, pp. 3827–3843, 2021, doi:
10.1109/TAES.2021.3082714.
[37] A. P. C. de Sena, I. S. de Freitas, A. C. L. Filho, and C. A. N. Sobrinho, “Fuzzy diagnostics for gearbox failures based on induction motor current and wavelet entropy,” J. Brazilian Soc. Mech. Sci. Eng., vol. 43, no. 5, pp. 1–15, 2021, doi: 10.1007/s40430-021- 02964-z.
[38] O. M. Olabanji and K. Mpofu, “Hybridized fuzzy analytic hierarchy process and fuzzy weighted average for identifying optimal design concept,” Heliyon, vol. 6, no. 1, p. e03182, 2020, doi: 10.1016/j.heliyon.2020.e03182.
[39] BMKG, “Data Online Pusat Database BMKG,” www.bmkg.go.id, 2021. https://dataonline.bmkg.go.id/akses_data (accessed Aug.
14, 2022).
[40] A. Gehlot et al., “Internet of things and long-range-based smart lampposts for illuminating smart cities,” Sustain., vol. 13, no.
11, 2021, doi: 10.3390/su13116398.
[41] E. F. Yogachi, V. M. Nasution, and G. Prakarsa, “Design and Development of Fuzzy Logic Application Mamdani Method in Predicting The Number of Covid-19 Positive Cases in West Java,” IOP Conf. Ser. Mater. Sci. Eng., vol. 1115, no. 1, p. 012031, 2021, doi: 10.1088/1757-899x/1115/1/012031.
[42] L. G. Ioannou et al., “The impacts of sun exposure on worker physiology and cognition: Multi-country evidence and interventions,” Int. J. Environ. Res. Public Health, vol. 18, no. 14, 2021, doi: 10.3390/ijerph18147698.
[43] A. H. M. Eldesoky, J. Gil, and M. B. Pont, “The suitability of the urban local climate zone classification scheme for surface temperature studies in distinct macroclimate regions,” Urban Clim., vol. 37, no. March, p. 100823, 2021, doi:
10.1016/j.uclim.2021.100823.
[44] T. H. Karyono, “Predicting comfort temperature in Indonesia, an initial step to reduce cooling energy consumption,” Buildings, vol. 5, no. 3, pp. 802–813, 2015, doi: 10.3390/buildings5030802.
[45] W. Su, B. Yang, B. Zhou, F. Wang, and A. Li, “A novel convection and radiation combined terminal device: Its impact on occupant thermal comfort and cognitive performance in winter indoor environments,” Energy Build., vol. 246, p. 111123, 2021, doi: 10.1016/j.enbuild.2021.111123.
[46] B. Arifin, B. Y. Suprapto, S. A. D. Prasetyowati, and Z. Nawawi, “Steering Control in Electric Power Steering Autonomous Vehicle Using Type-2 Fuzzy Logic Control and PI Control,” World Electr. Veh. J., vol. 13, no. 3, 2022, doi:
10.3390/wevj13030053.
[47] Ž. Šitum and D. Ćorić, “Position Control of a Pneumatic Drive Using a Fuzzy Controller with An Analytic Activation Function,”
Sensors, vol. 22, no. 3, 2022, doi: 10.3390/s22031004.
[48] I. Wahyuni, W. F. Mahmudy, and A. Iriany, “Rainfall prediction in Tengger region Indonesia using Tsukamoto fuzzy inference system,” Proc. - 2016 1st Int. Conf. Inf. Technol. Inf. Syst. Electr. Eng. ICITISEE 2016, pp. 130–135, 2016, doi:
10.1109/ICITISEE.2016.7803061.
[49] T. Hastono, A. J. Santoso, and Pranowo, “Honey yield prediction using tsukamoto fuzzy inference system,” Int. Conf. Electr.
Eng. Comput. Sci. Informatics, vol. 2017-Decem, no. September, pp. 19–21, 2017, doi: 10.1109/EECSI.2017.8239150.
[50] D. A. N. Wulandari, T. Prihatin, A. Prasetyo, and N. Merlina, “A Comparison Tsukamoto and Mamdani Methods in Fuzzy Inference System for Determining Nutritional Toddlers,” 2018 6th Int. Conf. Cyber IT Serv. Manag. CITSM 2018, no. Citsm, pp.
1–7, 2019, doi: 10.1109/CITSM.2018.8674248.
[51] A. Rusmardiana, T. Y. Akhirina, D. Yulistyanti, and U. Pauziah, “A Web-Based High School Major Decision Support System in Banten Using Tsukamoto’s Fuzzy Method,” Proceeding - 2018 Int. Semin. Intell. Technol. Its Appl. ISITIA 2018, pp. 233–
238, 2018, doi: 10.1109/ISITIA.2018.8711337.
