Logic & Algorithms:
Fuzzy Inference & Dynamic Control
Implementasi logika kendali cerdas yang memisahkan penentuan target fisiologis (Set Point) dengan eksekusi koreksi adaptif (Fuzzy Mamdani).
3.1 Mekanisme Set Point Dinamis
Visualisasi fungsi Tsp(u) berdasarkan umur ayam.
Konsep Non-Statis
Grafik di samping menggambarkan fungsi Piecewise (tangga) yang digunakan sistem. Tidak seperti kurva halus, perubahan suhu terjadi secara bertahap pada titik kritis (Hari ke-4, 8, 15, 22) sesuai fase pertumbuhan ayam broiler.
Tsp(u) = f(Age)Step-Function Logic3.2 Fuzzy Logic Mamdani
Inferensi berbasis aturan linguistik untuk toleransi ketidakpastian.
Input 1: Error Suhu
Membership Functions:
- NB (Negatif Besar) Sangat Dingin
- NK (Negatif Kecil) Dingin
- Z (Nol) Ideal
- PK (Positif Kecil) Panas
- PB (Positif Besar) Sangat Panas
Input 2: Error Kelembapan
Membership Functions:
- NB (Negatif Besar) Sangat Kering
- NK (Negatif Kecil) Kering
- Z (Nol) Ideal
- PK (Positif Kecil) Lembap
- PB (Positif Besar) Sangat Lembap
Output: Koreksi (K)
Membership Functions:
- SR (Sangat Rendah) 0-20
- R (Rendah) 21-40
- N (Normal) 41-60
- T (Tinggi) 61-80
- ST (Sangat Tinggi) 81-100
3.3 Pemetaan Aktuator
Visualisasi hubungan Fuzzy Output terhadap respon Hardware.
Grafik di bawah ini menunjukkan bagaimana nilai Output Fuzzy (K) (Sumbu X) diterjemahkan menjadi persentase daya untuk Heater dan Kipas (Sumbu Y). Perhatikan adanya zona Deadband (sekitar nilai K 40-60) di mana sistem berada dalam kondisi stabil dan kedua aktuator dimatikan untuk hemat energi.