Referensi : 

Fitriani, E., & Fithri, N. (2021). Komparasi Simulasi Kontrol Suhu dan Level Air pada Tanaman Hidroponik Menggunakan Sistem Fuzzy Mamdani dan Adaptive Neuro Fuzzy Inference System (ANFIS). Jurnal Ampere, 6(1), Universitas PGRI Palembang. DOI: 10.31851/ampere.

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. Judul

2. Abstrak

3. Pendahuluan

4. Metode Penelitian

5. Hasil dan Pembahasan

6. Kesimpulan

7. Daftar Pustaka

8. Video

9. Download File

 KOMPARASI SIMULASI KONTROL SUHU DAN LEVEL AIR PADA TANAMAN HIDROPONIK MENGGUNAKAN SISTEM FUZZY MAMDANI DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)

1. Judul [Kembali]

    Judul artikel yang akan dibahas yaitu Komparasi Simulasi Kontrol Suhu dan Level Air pada Tanaman Hidroponik menggunakan Sistem Fuzzy Mamdani dan Adaptive Neuro Fuzzy Inference System (ANFIS).

2. Abstrak [Kembali]

    Dalam menanam hidroponik ada beberapa hal yang harus diperhatikan agar pertumbuhan tanaman tidak terganggu, antara lain adalah pengontrolan suhu dan level air. Dengan menggunakan simulasi sistem kontrol fuzzy kita dapat mengatur kerja atap dan pompa air agar sesuai dengan perubahan suhu dan level air. Selain dengan menggunakan sistem kontrol fuzzy kita juga dapat menggunakan ANFIS dalam memprediksi kontrol atap dan pompa air. Dari hasil simulasi diperoleh terdapat selisih untuk atap antara 0.001 sampai 0.02 , sedangkan untuk pompa air terdapat selisih antara 0.006 sampai dengan 0.01. Dengan rata-rata error yang diperoleh pada saat menggunakan ANFIS adalah 0,0079496 untuk kontrol atap dan 0,01296 untuk kontrol pompa air.

3. Pendahuluan [Kembali]

    Hidroponik adalah metode budidaya tanaman tanpa tanah yang memanfaatkan air sebagai media nutrisi, cocok untuk wilayah dengan lahan dan air terbatas, seperti perkotaan. Pengendalian parameter penting seperti suhu dan level air sangat diperlukan agar pertumbuhan tanaman tetap optimal. Logika fuzzy, yang mampu mengolah variabel linguistik seperti "dingin" atau "panas," sering digunakan dalam sistem kendali adaptif, termasuk Fuzzy Logic Controller (FLC), yang bekerja berdasarkan error antara setpoint dan keluaran. Untuk meningkatkan kinerja sistem, digunakan ANFIS (Adaptive Neuro-Fuzzy Inference System), yaitu kombinasi logika fuzzy dan jaringan saraf dengan model Takagi-Sugeno-Kang (TSK). Penelitian ini menggunakan metode fuzzy Mamdani untuk mengendalikan suhu dan level air, yang datanya diolah lebih lanjut menggunakan ANFIS.

4. Medote Penelitian [Kembali]

    A. Konsep Logika Fuzzy 

         Kendali logika fuzzy adalah metode kontrol yang mendeskripsikan sistem fisik dan strategi kontrolnya, pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada 1965. Berdasarkan teori himpunan fuzzy, sistem ini menggunakan derajat keanggotaan sebagai ciri utama. Sistem fuzzy terdiri dari:

1. Fuzzifikasi : Mengubah input crips menjadi bilangan fuzzy menggunakan fungsi keanggotaan.
2. Rule Base : Aturan logika if-then yang mendefinisikan hubungan antara input dan output.
3. Fuzzy Inference System : Mengolah input fuzzy berdasarkan rule base untuk menghasilkan output, menggunakan metode Sugeno.
4. Defuzzifikasi : Mengubah output fuzzy menjadi nilai crips.

    B. Metode Mamdani

         Metode Mamdani sering digunakan karena strukturnya sederhana, berbasis operasi MIN-MAX atau MAX-PRODUCT, dengan empat tahapan utama : 

1. Fuzzifikasi 
2. Pembentukan basis pengetahuan Fuzzy
3. Aplikasi fungsi implikas menggunakan fungsi MIN dan komposisi antar-rule menggunakan fungsi MAX
4. Defuzzifikasi menggunakan metode centroid

    C. Adaptive Neuro-Fuzzy Inference System (ANFIS)

        ANFIS (Adaptive Neuro-Fuzzy Inference System) digunakan untuk menebak model sistem kotak hitam berdasarkan data input-output tanpa memerlukan struktur model tertentu. ANFIS hanya bekerja dengan sistem Sugeno yang memiliki ciri - ciri sebagai berikut : 

1. Hanya mendukung sistem Sugeno order 0 atau 1.
2. Output tunggal diperoleh melalui weighted average defuzzification.
3. Semua fungsi keanggotaan output harus bertipe sama dalam bentuk konstanta atau linier.
4. Jumlah fungsi keanggotaan output sama dengan jumlah rule.
5. Bobot tiap rule bernilai 1.

     D. Arsitektur ANFIS

          Misalkan terdapat 2 input, x dan y, masing-masing memiliki 2 fungsi keanggotaan, serta output f dengan 2 fungsi keanggotaan. maka sistem membutuhkan 2 aturan:

1. Aturan 1: IF $x$ is $A_1$ and $y$ is $B_1$, THEN $f_1=p_{11}x+q_{12}y+r_{10}$.
2. Aturan 2: $$IF x is $A_2$ and $y$ is $B_2$, THEN $f_2=p_{21}x+q_{22}y+r_{20}$.        

Keluaran jaringan ($f$) dihitung sebagai rata-rata terbobot berdasarkan nilai firing strength ($w_1$ dan $w_2$):

$${}_{}$$

di mana ${\bar{w}}_1$ dan ${\bar{w}}_2$ adalah bobot normalisasi

ANFIS dibentuk dengan arsitektur jaringan seperti neural network dengan lima lapisan: lapisan input, lapisan tersembunyi, hingga lapisan output. Setiap lapisan melakukan perhitungan untuk menghasilkan output jaringan akhir.

Gambar 1. Struktur ANFIS

Arsitektur ANFIS terdiri dari lima lapisan:

1. Lapisan 1: Fuzzifikasi

   • Tiap neuron menghasilkan derajat keanggotaan input: $\mu_{A1}(x)$, $\mu_{B1}(y)$, $\mu_{A2}(x)$, $\mu_{B2}(y)$.
   • Fungsi simpul pada lapisan ini adalah: $$O_{1,i} = \mu_{A_i}(x) \text{ untuk } i = 1,2$$ $$O_{1,i} = \mu_{B_i}(y) \text{ untuk } i = 1,2$$
   • Parameter lapisan ini disebut premise parameters.

2. Lapisan 2: Firing Strength

   • Menghitung kekuatan aturan ($w_i$) dengan operasi AND (perkalian): $$O_{2,i} = w_i = \mu_{A_i}(x) \cdot \mu_{B_i}(y) \text{ untuk } i = 1,2$$

3. Lapisan 3: Normalisasi

   • Menghitung normalisasi firing strength ($\bar{w}_i$): $$O_{3,i} = \bar{w}_i = \frac{w_i}{w_1 + w_2}$$

4. Lapisan 4: Perhitungan Output Aturan

   • Setiap neuron menghasilkan keluaran aturan ($\bar{w}_i \cdot f_i$): $$O_{4,i} = \bar{w}_i f_i = \bar{w}_i (p_i x + q_i y + r_i)$$
   • Parameter pada lapisan ini disebut consequent parameters.

5. Lapisan 5: Output Jaringan

   • Menghitung output jaringan dengan menjumlahkan semua masukan: $$O_5=\sum _i{\bar{w}}_i{f}_i$$

          E. Pembentukan Himpunan Fuzzy

               Langkah awal dalam mengontrol suhu dan tinggi air pada sistem hidroponik adalah membentuk himpunan fuzzy. Himpunan ini menggunakan metode Sugeno dengan dua input dan dua output.

Gambar 2. Fuzzifikasi input dan output

     F. Menetukan Variabel Input

         Sistem memiliki dua variabel input: suhu (dalam derajat Celsius) dan level air (dalam cm, dihitung dari dasar bak). Fungsi keanggotaan suhu dibagi menjadi lima himpunan fuzzy: {D, AD, N, AP, P}, sedangkan level air juga memiliki lima himpunan fuzzy: {R, AR, N, AT, T}. Diagram fungsi keanggotaan masing-masing variabel ditunjukkan pada gambar.

Gambar 3. Variabel Suhu dan Variabel Level Air

     F. Menetukan Variabel Output

         Sistem memiliki dua output: atap dan pompa. Fungsi keanggotaan atap dibagi menjadi lima himpunan: {FT, SM, STM, TPM, FM}, dan pompa dibagi menjadi lima himpunan: {S, AS, N, AT, T}. Diagram fungsi keanggotaan masing-masing variabel ditampilkan pada gambar.

Gambar 4. Variabel Atap dan Variabel Pompa Air

  G. Menetukan Rules Fuzzy

       Setelah menentukan variabel input dan output, langkah selanjutnya adalah menentukan rules fuzzy. Adapun rules fuzzy yang dibuat adalah seperti pada tabel.1 dibawah ini : 

  H. Membuat Sistem Kontrol Suhu dan Level Air menggunakan Simulink 

Gambar 5. Simulasi Fuzzy menggunakan Simulink 

5. Hasil dan Pembahasan [Kembali]

  Dengan menggunakan aplikasi dari matlab, kita dapat melihat hasil rule viewer dari masingmasing setpoint yang kita tentukan. Hal ini dapat dilihat pada gambar 6.

Gambar 6. Hasil Rule Viewer

Tabel 2 merangkum hasil output menggunakan metode Mamdani dengan memasukkan beberapa setpoint nilai input suhu dan level air.

Setelah di uji coba menggunakan simulasi fuzzy dengan menggunakan metode Mamdani, kemudian data diolah kembali menggunakan sistem Adaptivel Neuro Fuzzy Inference System (ANFIS). Dengan hasil strukturnya nya seperti pada gambar 8

Gambar 8. Struktur ANFIS Kontrol Hidroponik 

Berdasarkan data pada tabel.2 didapatkan hasil untuk training data output atap seperti gambar 9 . Dari hasil training dengan nilai epochs 30 rata-rata error yang didapat adalah 0,0079496.

Gambar 9. Hasil Training Output Atap 

Sedangkan untuk taining data output pompa air ditampilkan pada gambar 10. Dari hasil training dengan nilai epochs 30 rata-rata eror yang didapat adalah 0,01296

Gambar 10. Hasil Output Pompa Air

Hasil fuzzifikasi menggunakan ANFIS dapat dilihat pada tabel 3.

Berdasarkan hasil yang diperoleh antara fuzzifikasi dengan metode Mamdani dan metode ANFIS, untuk atap terdapat selisih antara 0.001 sampai 0.02, sedangkan untuk pompa air terdapat selisih antara 0.006 sampai dengan 0.01

6. Kesimpulan [Kembali]

    Dari hasil simulasi yang telah dilakukan, antara sistem fuzzy menggunakan metode Mamdani dan sistem yang menggunakan ANFIS terdapat selisih antara 0.006 hingga 0.01. Sehingga untuk pengontrolan suhu dan level air pada sistem hidroponik , ANFIS dapat memberikan hasil yang lebih akurat, walaupun nilai selisih yang diperoleh tidaklah terlalu signifikan.

7. Daftar Pustaka [Kembali]

[1] A. Hasibuan and W. V. Siregar, “Prakiraan Kebutuhan Energi Listrik Kota Subulussalam Sampai Tahun 2020 Menggunakan Metode Analisis Regresi,” R E L E (Rekayasa Elektronika dan Energi) Jurnal Teknik Elektro, vol. 1, pp. 0–4, 2019.

[2] P. Agung, D. Hartono, and A. A. Awirya, “Pengaruh Urbanisasi Terhadap Konsumsi Energi dan Emisi CO2: Analisis Provinsi di Indonesia,” Jurnal Ekonomi Kuantitatif Terapan, pp. 9–18, 2018.

[3] R. Finata, “Prakiraan Konsumsi Energi Listrik di Sumatera Utara Pada Tahun 2025 Menggunakan Metode Regresi Dalam Aplikasi Simple E,” Tugas Akhir, Universitas Muhammadiyah Sumatera Utara (UMSU), 2015.

[4] I. Haimi, “Peramalan Beban Listrik Jangka Pendek dengan Menggunakan Metode ANFIS,” Tugas Akhir, Universitas Islam Negeri Sultan Syarif Kasim (UINSUSKA), 2010.

[5] A. Azadeh, M. Saberi, V. Nadimi, M. Iman, and A. Behrooznia, “An Integrated Intelligent Neuro-Fuzzy Algorithm for Long-Term Electricity Consumption: Cases of Selected EU Countries,” Acta Polytechnica Hungarica, vol. 7, no. 4, pp. 71–90, 2010.

[6] L. K. Widyapratiwi, I. P. A. Mertasana, and I. G. D. Arjana, “Peramalan Beban Listrik Jangka Pendek di Bali Menggunakan Pendekatan Adaptive Neuro Fuzzy Inference System,” Jurnal Teknologi Elektro, vol. 11, no. 1, 2012.

[7] Y. T. Nugraha, M. F. Zambak, and A. Hasibuan, “Perkiraan Konsumsi Energi Listrik di Aceh Pada Tahun 2028 Menggunakan Metode Adaptive Neuro Fuzzy Inference System,” CESS (Journal of Computer Engineering, System, and Science), vol. 5, no. 1, pp. 104–108, 2020.

[8] Y. T. Nugraha, “Analisis Perkiraan Konsumsi Energi Listrik di Sumatera Utara Pada Tahun 2032 Menggunakan Metode Adaptive Neuro Fuzzy Inference System,” Tesis, Universitas Muhammadiyah Sumatera Utara (UMSU), 2019.

[9] E. G. Dennis, T. Utomo, and L. Ardheta, “Studi Perbandingan Peramalan Kebutuhan Energi Listrik Indonesia Menggunakan ANN dan ANFIS,” Seminar Nasional Teknik Elektro (FORTEI), pp. 111–115, 2018.

[10] I. Sampurna, “Analisis dan Peramalan Konsumsi Energi Listrik dengan Metode Adaptive Neuro Fuzzy Inference System (ANFIS) di Area Kabupaten Banyumas,” Skripsi, Universitas Jenderal Soedirman (UNSOED), 2020.

8. Video [Kembali]

• Video Teori ANFIS

• Video Percobaan

9. Download File [Kembali]

• Download HTML (click here)
• Download Jurnal (click here)
• Download Video (click here)