JITEL (Jurnal Ilmiah Telekomunikasi.
Elektronika, dan Listrik Tenag.
Vol.
No.
September 2025, pp.
DOI: https://doi.
org/10.
35313/jitel.
p-ISSN: 2774-7972 e-ISSN: 2775-6696 Pengendalian salinitas dan oksigen terlarut pada tambak udang menggunakan metode fuzzy logic Habib Tri Buana1.
Febi Ariefka Septian Putra2*.
Dwi Septiyanto3
1,2,3
Jurusan Teknik Elektro.
Politeknik Negeri Bandung Jl.
Gegerkalong Hilir.
Ciwaruga.
Kec.
Parongpong.
Kab.
Bandung Barat.
Jawa Barat.
Indonesia toi20@polban.
id, 2*febi.
ariefka@polban.
id, 3dwi.
septiyanto@polban.
ABSTRAK
Menjaga kualitas air merupakan salah satu tantangan utama dalam budidaya tambak khususnya budidaya tambak udang.
Kualitas air merupakan cerminan kondisi air tambak dalam beberapa parameter seperti oksigen terlarut dan kadar garam .
Kedua parameter tersebut dikatakan oleh beberapa peneliti menjadi parameter terpenting dalam keberlangsungan hidup udang.
Namun, kedua parameter tersebut saling bertolak belakang sehingga rentan terjadi perubahan tingkat kadar pada kedua parameter yang membuat kualitas air tambak sering mengalami kegagalan panen.
Maka dari itu, penelitian ini akan dirancang sistem kendali yang dapat beradaptasi dan menjaga kedua parameter tersebut.
Sistem kendali ini dikembangkan berdasarkan sistem terdahulu dilakukan sebuah renovasi dengan karakteristik sistem yang non-linear dengan teknik pendekatan kendali Fuzzy Inference System (FIS) dimana tujuan parameter yang dikendalikan berjalan dengan stabil sesuai setpoint salinitas pada nilai 20 ppt dan oksigen terlarut 5,375 ppm dengan rata-rata error dibawah 10 persen, overshoot dibawah 10 persen, oscillation dibawah 5 persen, rise time dibawah 60s, dan settling time dibawah 60s.
Sistem inferensi fuzzy diimplementasikan pada Raspberry Pi-4 yang sudah terintegrasi dengan 2 buah sensor dan 3 buah aktuator yang terpasang di tambak udang.
Tambak udang akan berupa sistem sebuah aquarium berskala kecil dengan dua buah tabung silinder yang akan menjadi sumber utama air tawar dan air berkadar garam.
Hasil dari renovasi ini menghasilkan sistem kendali pengaturan kecepatan motor dc untuk menjaga parameter salinitas dan oksigen terlarut dengan nilai rata-rata error 0,95 persen, max overshoot 5,56 persen, max undershoot 5,29 persen, oscillation 0 persen, rata-rata rise time 14,4s, response time 83,37s, dan settling time 77,5s.
Kata kunci: oksigen terlarut, logika fuzzy.
Raspberry, kadar garam
ABSTRACT
Maintaining water quality is a significant challenge in pond cultivation, particularly in shrimp farming.
Water quality is reflected through several parameters, with dissolved oxygen (DO) and salinity being the most critical for shrimp survival.
These parameters are contradictory and highly sensitive to fluctuations, often leading to crop failure.
To address this, an adaptive control system was designed to maintain both simultaneously.
The system was developed as an improvement of a previous model, incorporating non-linear characteristics and applying a Fuzzy Inference System (FIS) control approach.
Target values were 20 ppt salinity and 5.
375 ppm DO, with performance criteria of average error less than 10 percent, overshoot less than 10 percent, oscillation less than 5 percent, rise time less than 60 seconds, and settling time less than 60 seconds.
The FIS was implemented on a Raspberry Pi-4, integrated with two sensors and three actuators in a shrimp pond.
The pond was modeled as a small-scale aquarium equipped with freshwater and saltwater sources controlled by DC motors.
Experimental results showed that the system effectively regulated motor speed to control salinity and DO.
It achieved an average error of 0.
95 percent, a maximum overshoot of 5.
56 percent, a maximum undershoot of 5.
29 percent, no oscillation, an average rise time of 14.
4 seconds, a response time of 83.
37 seconds, and a settling time of 77.
5 seconds.
These findings demonstrate that the renovated control system successfully stabilized water quality parameters, thereby enhancing shrimp survival in controlled pond environments.
Keywords: dissolved oxygen, fuzzy logic.
Raspberry, salinity PENDAHULUAN Kualitas air kolam tambak udang sangat mempengaruhi pertumbuhan udang yang dibudidayakan, maka dari itu kualitas air pada tambak udang penting untuk diamati dan dijaga khususnya dalam proses tumbuh kembang udang tersebut agar mendukung pertumbuhan optimal .
, .
Kualitas air pada proses Naskah diterima tanggal 8 Januari 2025, disetujui tanggal 9 September 2025 *E-mail korespondensi Habib Tri Buana: Pengendalian salinitas dan oksigen terlarut A Vol.
5 No.
3 September 2025 budidaya udang bersifat dinamis serta akan berfluktuasi sepanjang waktu .
Kualitas air kolam tambak udang memiliki peran utama dalam pertumbuhan biota yang dibudidayakan, di mana kualitas air sangat penting untuk mempertahankan daya dukung yang ada pada air kolam tersebut sehingga mengurangi kemungkinan adanya kegagalan panen .
, .
Banyak petani udang masih melakukan monitoring secara berkala dan harus mengontrol kondisi kualitas air tambak secara manual.
Untuk mengatasi hal tersebut, diperlukan sebuah controlling atau pengendalian untuk menjaga semua parameter kualitas air tambak secara otomatis dan terukur.
Parameter-parameter kualitas air memiliki pengaruh dalam metabolisme tubuh udang, proses pencernaan, keaktifan mencari pakan, dan tumbuh kembang udang .
, yaitu suhu, oksigen terlarut .
issolved oxygen (DO)), pH (Potential of Hydroge.
dan salinitas air .
, .
Salinitas air mempengaruhi Tingkat Kerja Osmotik (TKO), tekanan osmotik pada fase premolt dan intermolt adalah salinitas yang baik dalam pertumbuhan dan perkembangan udang .
Apabila media salinitas memiliki nilai rentang yang rendah, maka pertumbuhan udang semakin rendah .
Suhu dan oksigen terlarut adalah faktor utama yang memiliki pengaruh terhadap nafsu makan, metabolisme, serta tumbuh kembang udang.
Di mana suhu air sangat mempengaruhi proses kimia maupun biologi dalam air .
Kandungan oksigen terlarut dalam air yang mengalami penurunan akan menyebabkan penurunan tingkat keberlangsungan hidup dan produksi udang, selain itu memiliki pengaruh pada kenaikan konversi pakan (Feed Conversion Ratio/FCR).
Sementara itu, fluktuasi pH air yang besar (>0,.
akan berpengaruh terhadap nafsu makan udang.
Nilai pH yang tinggi (>.
berdampak pada peningkatan kandungan amonia dalam air, sehingga akan mempengaruhi metabolisme dan pertumbuhan udang .
Beberapa penelitian mengenai kualitas air tambak untuk budidaya udang telah banyak dilakukan baik berupa hanya pengamatan jarak jauh, jarak dekat, maupun pengendalian otomatis dengan tujuan yang sama yaitu menjaga semua parameter kualitas air tambak.
Tidak hanya itu, pengendalian otomatis memiliki peran penting dalam hal akurasi dan meminimalisir campur tangan manusia agar sesuai dengan set point yang telah ditentukan dengan respon yang cepat dan minimum error.
Fuady dkk.
melakukan penelitian mengenai nilai parameter kualitas air budidaya intensif, di mana kadar oksigen terlarut memiliki rentang antara 3,9 Ae 7,8 mg/L, nilai pH memiliki rentang antara 6,47 Ae 7,65, nilai parameter suhu memiliki rentang pada 24 Ae 29 AC, parameter kecerahan memiliki nilai rentang antara 20 Ae 39 cm, parameter salinitas memiliki nilai rentang pada 15 Ae 19 ppt, nilai kandungan nitrit pada rentang 0,010 Ae 0,052 mg/L, dan nilai kandungan amonia pada rentang 0,006 Ae 0,017 mg/L .
Penelitian serupa dilakukan oleh .
, di mana rentang oksigen terlarut pada 4,83 Ae 6,51 mg/L, parameter pH pada rentang 8,1 Ae 8,5, parameter suhu pada rentang 28 - 31 AC, parameter salinitas pada rentang 20 Ae 21 ppt, kandungan nitrit pada 0,3 Ae 0,4 mg/L, kandungan nitrat pada rentang 1,25 Ae 1,35 mg/L, serta kandungan amonia pada rentang 0,01 Ae 0,03 mg/L.
Supriatna dkk.
telah melakukan penelitian terkait hubungan tingkat keasaman .
H) dengan parameter kualitas air pada tambak udang vannamei di daerah Jawa Timur.
Penelitian berupa penentuan nilai parameter yang optimal untuk tumbuh kembang udang khususnya udang vannamei dengan metode penelitian analitik dan kajian fenomena intensif.
Hasil penelitian didapatkan nilai parameter untuk tumbuh kembang udang yang optimal yaitu oksigen terlarut sebesar 4 Ae 7 mg/L atau 4 Ae 7 part per million .
dan salinitas sebesar 15 Ae 25 g/L atau 15 Ae 25 part per thousand .
Sementara itu.
Pudin .
telah melakukan penelitian berupa rancangan sebuah alat yang dapat melakukan proses monitoring ketiga parameter yaitu oksigen terlarut, pH, dan salinitas secara real time dari jarak jauh melalui ponsel pintar dan mengendalikannya agar tetap pada kondisi yang diperlukan .
Peneliti menggunakan platform IoT dan Fuzzy Logic dalam pengendalian dan pemantauan secara jarak jauh dimana alat tersebut dapat memantau ketiga parameter tersebut, kendali ON Ae OFF didapatkan hasil berupa alat dapat mempertahankan kondisi parameter tersebut tetapi Fuzzy Logic tidak dapat mengatur sistem kendali ON Ae OFF.
Peneliti tidak mencantumkan data hasil respon seperti error, overshoot, dan settling time yang dinilai penting dalam parameter hal ini dikarenakan peneliti hanya menggunakan kendali ON-OFF.
Sementara itu, sistem Water Quality Control and Monitoring (WQCM) merupakan metode implementasi penelitian yang dilakukan oleh Natan dkk.
Natan dkk.
pemantauan dan pengontrolan kualitas air budidaya udang di dalam ruangan dengan parameter yang dijaga yaitu oksigen terlarut, pH, salinitas, dan suhu.
Peneliti menggunakan mini-PC dan sebuah mikrokontroler yang sudah terintegrasi di dalam tambak.
Hasil penelitian berupa oksigen terlarut JITEL (Jurnal Ilmiah Telekomunikasi.
Elektronika, dan Listrik Tenag.
Vol.
5 No.
3 September 2025 Habib Tri Buana: Pengendalian salinitas dan oksigen terlarut A dengan set point 6 ppm ditambah gangguan masih terdapat error sebesar 6%, overshoot 2% dan terdapat osilasi .
Parameter seperti suhu, salinitas, dan pH tidak dilakukan pengendalian, hanya berupa monitoring yang dikirimkan dengan teknologi IoT ke ponsel pintar.
Hal serupa telah dilakukan juga dimana hanya berupa rancangan untuk pemantauan pada sebuah akuarium ikan dengan beberapa parameter yaitu suhu, pH, ketinggian air, pakan ikan, dan salinitas berbasis IoT dan dikirimkan melalui SMS sebagai early warning system dan monitoring .
Fuzzy Logic berbasis mikrokontroler Arduino Uno berhasil dilakukan oleh Wardhany dkk.
dalam menjaga kualitas dengan parameter pH, temperatur, dan salinitas dengan sistem tambak udang berskala kecil di dalam akuarium.
Berdasarkan penelitian tersebut, masih terdapat error steady state pH sebesar 10,5%, error suhu sebesar 0,05% dan salinitas sebesar 14,9% .
Penelitian yang dilakukan oleh Junda .
hanya berfokus pada perbandingan beberapa tambak dengan beberapa parameter yang dijaga, hasil dari pengamatan tersebut didapatkan hasil terbaik pada tambak ke enam dengan parameter DO berkisar 3,5 Ae 5,1 mg/L, pH berkisar 7,5 Ae 8,6, salinitas berkisar 15 Ae 22 ppt, dan temperatur berkisar 29 Ae 33 EE .
Tangguda dkk .
mendapatkan hasil yang terbaik dengan membandingkan tiga air tambak sebagai penentuan parameter terbaik untuk keberlangsungan hidup udang dimana suhu optimal berkisar 28 Ae 32 EE, pH berkisar 6,8 Ae 9,0.
DO berkisar 4 Ae 7 mg/L .
Penelitian yang dilakukan oleh Umam dan Budiarto .
berhasil merancang sistem dengan basis IoT menggunakan SBC Raspberry PI untuk mengontrol dan memantau kualitas air tambak di Madura dengan metode Fuzzy Logic, sistem berupa sebuah akuarium kecil dengan integrasi sensor pH, sensor suhu, sensor ultrasonic .
, dan sensor tingkat oksigen terlarut (DO).
Kesimpulan dari perancangan alat tersebut berhasil dilakukan dan alat dapat bekerja dengan baik dengan kendali ON Ae OFF .
Namun, peneliti tidak menjabarkan hasil respon dan error dari kendali tersebut.
Sedangkan, penelitian yang dilakukan oleh Faruq yaitu sebuah alat rancangan yang dapat terkoneksikan dengan internet (IoT) untuk memantau kualitas air tambak udang dari jarak jauh, peneliti hanya berfokus dalam pengambilan data yang akan dikirimkan dari sensor pH, sensor salinitas, sensor suhu, sensor ultrasonik .
ke mikrokontroler Arduino Uno sebagai input sensor.
Arduino membaca dan mengirimkan hasil data dari sensor kepada SBC Raspberry PI 3 untuk database sehingga data tersebut bisa berguna di kemudian hari dengan sistem cloud .
PID Ae Gain Scheduling dan IoT menjadi metode utama yang dilakukan oleh peneliti Pratama dalam menjaga kualitas air dengan parameter oksigen terlarut (DO), dan suhu berbasis mikrokontroler arduino R3, implementasi dilakukan pada sebuah rancangan alat berskala kecil dengan dua silinder tabung sebagai supply asam dan basa untuk menetralkan air yang dijaga.
Didapatkan hasil berupa error 0%, overshoot 5% dan settling time 3520 second .
Sedangkan, penelitian yang sama dilakukan oleh Barus hanya berfokus pada pengendalian pH dengan plant yang sama yang dilakukan oleh peneliti diatas, didapatkan hasil berupa error 0%, overshoot 12,29% dan settling time memerlukan selama 95 second .
Berdasarkan tinjauan pustaka, terdapat berbagai macam penelitian yang sudah dilakukan berupa regulasi, penentuan parameter yang ideal, dan implementasi baik monitoring maupun controlling untuk menjaga parameter dalam tambak udang.
Maka dari itu, penelitian ini akan berfokus pada sistem kendali untuk mengoptimalkan proses pengendalian dengan ruang lingkup parameter hanya pada kadar oksigen terlarut dan salinitas berbasis Raspberry Pi 4 menggunakan metode Fuzzy Logic dengan tujuan menekan error <10%, overshoot <10%, oscillation <5%, settling time <180 seconds, response time <120 seconds, dan rise time <60 seconds.
METODE PENELITIAN
Pada bagian metode penelitian, akan dijelaskan terkait bagaimana rancangan diagram blok dari sistem secara keseluruhan dan diagram blok dari perancangan hardware serta proses perancangan kendali fuzzy logic menggunakan aplikasi MATLAB.
1 Diagram Blok Proses Hardware Diagram blok proses merepresentasikan prinsip kerja alat keseluruhan yang digunakan, dan diperlihatkan dalam diagram blok proses hardware pada Gambar 1.
JITEL (Jurnal Ilmiah Telekomunikasi.
Elektronika, dan Listrik Tenag.
Habib Tri Buana: Pengendalian salinitas dan oksigen terlarut A Vol.
5 No.
3 September 2025 Gambar 1.
Diagram blok prinsip kerja alat keseluruhan Pada Gambar 1.
Set Variable (SV) sebagai input ditentukan dari controller yaitu Raspberry Pi 4.
SV akan dibandingkan dengan nilai input berupa hasil pembacaan dari masing-masing sensor yaitu sensor kadar garam dan sensor tingkat oksigen terlarut sebagai nilai dari Present Value (PV).
Hasil dari perbandingan tersebut akan memperoleh nilai error, nilai error ini akan direspon oleh controller Single Board Computer (SBC) Raspberry Pi 4 yang akan mengeluarkan output berupa nilai hasil dari perhitungan algoritma Fuzzy Logic yang ditanamkan.
Nilai output berupa Manipulated Value (MV) yang akan masuk dan diproses oleh driver motor L298N, motor driver ini akan memproses nilai keluaran dari Raspberry Pi 4 dengan mengkonversikan nilai berupa kecepatan untuk ketiga DC motor dengan sistem switching yang terjadi pada driver L298N H-Bridge.
Output akhir akan terbaca kembali oleh sensor sebagai nilai input pembanding pada controller.
Gambar 2.
Diagram blok perancangan hardware Berdasarkan diagram blok alat pada Gambar 2, sensor Dissolved Oxygen (DO) dan sensor Total Dissolved Solids (TDS) akan membaca masing-masing berupa kadar oksigen terlarut dan kadar garam terlarut pada air tambak, nilai yang dikeluarkan sensor yaitu tegangan masing Ae masing sebesar 0 Ae 2,3 VDC dan 0 Ae 3VDC berupa sinyal analog.
Raspberry Pi 4 tidak dapat menerima sinyal berbentuk analog maka dari itu dibutuhkan converter berupa Analog to Digital Converter (ADC) ADS1115 untuk menjadikan sinyal berupa digital.
Raspberry Pi 4 berperan sebagai controller utama yang saling terhubung dengan laptop sebagai interface controller.
Controller akan memproses sinyal atau nilai yang masuk dari sensor dan menerjemahkan dari sistem yang tertanam berupa Fuzzy Logic, output sinyal berupa tegangan akan masuk dan diproses oleh driver motor L298N sebagai konversi nilai untuk mengendalikan kecepatan motor DC Aerator dan Submersible dengan proses switching yang terjadi pada driver.
2 Perancangan Kendali Fuzzy Logic dengan Software MATLAB Perancangan kendali Fuzzy Logic dengan menggunakan aplikasi MATLAB, penulis menggunakan toolbox fuzzy logic designer dengan arsitektur pada Gambar 3.
JITEL (Jurnal Ilmiah Telekomunikasi.
Elektronika, dan Listrik Tenag.
Vol.
5 No.
3 September 2025 Habib Tri Buana: Pengendalian salinitas dan oksigen terlarut A Gambar 3.
Rancangan kendali fuzzy logic Pada Gambar 3, terlihat arsitektur FIS (Fuzzy Inference Syste.
yang telah dirancang, terdapat 2 input dan 3 output dengan menggunakan Fuzzy Logic pendekatan Mamdani, metode AND yang digunakan pada komposisi aturan adalah MIN sedangkan OR menggunakan MAX, implikasi menggunakan MIN sedangkan agregasi menggunakan MAX.
Pada proses defuzzifikasi menggunakan pendekatan centroid.
Fungsi keanggotaan untuk 2 input kendali fuzzy logic ditunjukan pada Gambar 4.
Gambar 4.
Fungsi keanggotaan input kendali fuzzy logic Fungsi keanggotaan output PWM A, memiliki tiga set himpunan fuzzy, yaitu slow, medium, dan high, untuk fungsi keanggotaan output PWM B, yaitu slow, medium, high, dan untuk fungsi keanggotaan output PWM C, yaitu low, mid, high, yang tertera pada Gambar 5.
Gambar 5.
Fungsi keanggotaan output kendali logika fuzzy Setelah set himpunan fuzzy logic ditentukan, selanjutnya dibuat rule base .
turan-aturan fuzz.
yang akan digunakan dalam proses input menjadi output yang dikehendaki.
Berikut merupakan rule base fuzzy logic yang tertera pada Tabel 1.
JITEL (Jurnal Ilmiah Telekomunikasi.
Elektronika, dan Listrik Tenag.
Habib Tri Buana: Pengendalian salinitas dan oksigen terlarut A Vol.
5 No.
3 September 2025 Tabel 1.
Rule base kendali fuzzy logic Salinitas Oksigen Terlarut (Dissolved Oxyge.
Rendah Sedang A) High.
B) Mati.
C) High A) High.
B) Mati.
C) Mid A) Medium.
B) Mati.
A) Medium.
B) Mati.
C) Mid High A) Slow.
B) Mati.
C) High A) Slow.
B) Mati.
C) Mid A) Mati.
B) Mati.
C) High A) Mati.
B) Mati.
C) Mid A) Mati.
B) Medium.
A) Mati.
B) Medium.
C) Mid High A) Mati.
B) High.
C) High A) Mati.
B) High.
C) Mid Tinggi A) High.
B) Mati.
C) Low A) Medium.
B) Mati.
Low A) Slow.
B) Mati.
C) Low A) Mati.
B) Mati.
C) Low A) Mati.
B) Medium.
Low A) Mati.
B) High.
C) Low Dengan keterangan:
= Output PWM Motor A = Output PWM Motor B
= Output PWM Motor C Udara
HASIL DAN PEMBAHASAN
Pada hasil dan pembahasan, akan memaparkan hasil pengujian yang telah dilakukan, di mana pengujian dilakukan bertujuan untuk melihat performa sistem yang sudah dirancang dan dibuat.
Pada tahap pengujian sistem pengendali fuzzy logic akan dibagi dua yaitu uji tanpa gangguan dan uji gangguan berupa penambahan kadar garam dan supply oksigen melebihi set-point untuk melihat apakah pengendali mampu menstabilkan sistem.
1 Pengujian Pengendali Fuzzy Logic Salinitas dan Oksigen Terlarut Tanpa Gangguan Pengujian pengendali fuzzy logic dari kondisi transient dan program dimulai, set-point salinitas sebesar 20 PPT dan set-point oksigen terlarut sebesar 5,375 PPM yang ditunjukan pada Gambar 6.
Gambar 6.
Grafik pengujian fuzzy salinitas dan DO tanpa gangguan Berdasarkan pada grafik pengujian fuzzy logic salinitas tanpa gangguan di Gambar 6, respon terlihat dengan sistem untuk mencapai rise time yaitu 19 detik, response time 61 detik, overshoot terjadi pada detik 69 dengan max overshoot sebesar 2%, mencapai settling time pada 77 detik.
Pengendalian fuzzy logic salinitas tanpa gangguan sistem mampu menjaga nilai set-point sebesar 20 PPT.
Namun, terjadi penurunan nilai salinitas menjauhi set-point pada detik 123 yang menjadi average error steady state sebesar 0,969%.
Berdasarkan pada grafik pengujian fuzzy DO/Udara Terlarut tanpa gangguan di Gambar 6, respon terlihat dengan sistem untuk mencapai rise time membutuhkan 15,5 detik, undershoot terjadi pada detik 37,5 dengan max undershoot sebesar 3,7%, mencapai response time dan settling time pada detik 44,5.
Pengendalian fuzzy logic oksigen terlarut tanpa gangguan sistem mampu mendekati nilai set-point sebesar 5,3 PPM sedangkan set-point diatur pada nilai 5,375 PPM yang artinya masih terdapat error 1,39%.
Namun, terjadi penurunan nilai oksigen terlarut menjauhi set-point pada detik 70 yang menjadi average error steady-state sebesar 0,995%.
JITEL (Jurnal Ilmiah Telekomunikasi.
Elektronika, dan Listrik Tenag.
Vol.
5 No.
3 September 2025 Habib Tri Buana: Pengendalian salinitas dan oksigen terlarut A 2 Pengujian Pengendali Fuzzy Logic Salinitas dengan Gangguan Pengujian pengendali fuzzy logic pada saat kondisi transient dan program dimulai, set-point diatur sebesar 20 PPT yang tertera pada Gambar 7.
Gambar 7.
Grafik pengujian fuzzy salinitas dengan gangguan Berdasarkan pada grafik pengujian fuzzy logic salinitas dengan gangguan pada Gambar 7, gangguan diberikan dengan menambahkan garam sebanyak 10 ppt yang terkandung pada 1 liter atau 1000 ml larutan air garam ke dalam aquarium tambak udang, respon terlihat sistem dapat mencapai setpoint dengan rise time membutuhkan 14 detik, undershoot terjadi pada detik 37,5 dengan max undershoot sebesar 5,53%, sistem mencapai settling time pada detik 100.
Pengendalian fuzzy logic salinitas dengan gangguan sistem mampu menjaga set-point yang diatur pada nilai 20 PPT setelah diberi gangguan hingga mencapai settling time kembali pada detik 413, response time selama 213 detik, dan average error steady-state sebesar 0,3%.
3 Pengujian Pengendali Fuzzy Logic Oksigen Terlarut dengan Gangguan Pengujian pengendali fuzzy logic pada saat kondisi transient dan program dimulai, set-point sebesar 5,375 PPM yang tertera pada Gambar 8.
Gambar 8.
Pengujian fuzzy oksigen terlarut dengan gangguan Berdasarkan Gambar 8 dalam grafik pengujian fuzzy logic oksigen terlarut dengan gangguan, gangguan diberikan dengan memberikan supply udara tambahan dan sirkulasi di dalam aquarium tambak udang, respon terlihat sistem dapat mencapai set-point dengan rise time membutuhkan 9,16 detik, undershoot awal terjadi pada detik 9,08 dengan max undershoot awal sebesar 9,13%, sistem mencapai settling time pada detik 15,75.
Pengendalian fuzzy logic oksigen terlarut dengan gangguan, sistem mampu mendekati nilai set-point yang diatur pada nilai 5,375 PPM namun sistem mengalami dua kali overshoot dan satu kali undershoot setelah diberi gangguan hingga mencapai settling time JITEL (Jurnal Ilmiah Telekomunikasi.
Elektronika, dan Listrik Tenag.
Habib Tri Buana: Pengendalian salinitas dan oksigen terlarut A Vol.
5 No.
3 September 2025 kembali pada detik 36,75.
Sistem membutuhkan 15 detik total untuk memperbaiki keadaan dengan rincian max overshoot sebesar 8,52%, max undershoot sebesar 2,8%, response time 15 detik, dan average error steady-state sebesar 1,55%.
KESIMPULAN
Berdasarkan penelitian yang telah dilakukan dan hasil data pengujian yang telah didapatkan pada pengendalian salinitas dan oksigen terlarut dengan metode fuzzy logic pendekatan mamdani dapat disimpulkan bahwa sistem secara keseluruhan yang menerapkan pengendali fuzzy logic menghasilkan nilai rata-rata response time 83,37 detik, nilai error steady-state 0,95%, max overshoot 5,56%, max undershoot 5,29% dan tidak terdapat adanya indikasi osilasi , rise time 14,4 detik dan settling time 77,5 Untuk penelitian selanjutnya yang akan membahas topik serupa, berikut ini beberapa saran yang dapat penulis sampaikan agar penelitian yang akan dilakukan dapat lebih baik, yaitu menambahkan parameter seperti suhu dan kekeruhan, di mana parameter tersebut sebagai kompensasi oksigen terlarut agar pembacaan oksigen terlarut semakin akurat, serta melakukan pengendalian menggunakan metode machine learning seperti ANFIS.
UCAPAN TERIMA KASIH
Terima kasih kepada seluruh pihak yang telah berkontribusi dalam penelitian ini, khususnya kepada Politeknik Negeri Bandung yang sangat membantu dalam menyelesaikan penelitian ini.
REFERENSI