Upload
evelyn-christina-sinjaya
View
266
Download
19
Embed Size (px)
Citation preview
UJIAN AKHIR SEMESTER LOGIKA FUZZY
MENENTUKAN TINGKAT KEBERSIHAN PADA PAKAIAN
DENGAN METODE MAMDANI
Farida Yunita, S. T.
Evelyn Christina S
09.11.042
SEKOLAH TINGGI MANAJEMEN ILMU KOMPUTER
BINA PATRIA
MAGELANG
JURUSAN TEKNIK INFORMATIKA
2012
BAB I
PENDAHULUAN
Logika fuzzy adalah metodologi sistem kontrol pemecahan masalah, yang cocok
untuk mengimplementasikan pada sistem, mulai dari sistem yang sederhana sampai kepada
sistem yang rumit. Logika fuzzy sendiri dikatakan logika baru yang lama sebab ilmu logika
fuzzy modern dan metodis baru ditemukan beberapa tahun yang lalu. Padahal konsep logika
fuzzy itu sendiri sudah ada sejak lama. Secara umum logika fuzzy adalah suatu cara yang
tepat untuk memetakan suatu ruang input ke dalam ruang output. Sedangkan aplikasi logika
fuzzy sudah mulai dirasakan dalam beberapa bidang, salah satu aplikasi terpentingnya adalah
untuk membantu manusia dalam melakukan pengambilan keputusan. Aplikasi logika fuzzy
untuk pendukung keputusan ini semakin diperlukan tatkala semakin banyak kondisi yang
menuntut adanya keputusan yang tidak hanya bisa dijawab dengan ”ya” atau ”tidak”, ”benar”
atau ”salah” tetapi juga separoh ”ya”, separoh ”tidak” atau separoh ”benar” separoh ”salah”.
Dalam logika fuzzy tidak terlepas dari derajat keanggotaan. Derajat keanggotaan
adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai
keanggotaannya yang memiliki interval antara 0 dan 1.
Perkembangan teknologi mulai bergeser pada otomatisasi sistem kontrol
mengakibatkan campur tangan manusia yang sangat kecil. Manusia mampu dan biasa berfikir
dalam mengolah variabel-variabel yang tidak dapat diolah dengan komputer, seperti agak
panas, agak dingin, dingin dan lain-lain. Komputer dapat membantu kita dalam melaksanakan
perhitungan-perhitungan numerik dan mengolah berbagai macam data dengan cepat, tetapi
tidak bisa menilai parameter di atas. Teknologi kontrol fuzzy adalah suatu sistem yang dapat
membantu mengatasi permasalahan tersebut. Implementasi logika fuzzy merupakan lompatan
inovasi dalam sistem kontrol. Kontrol dengan menggunakan sistem fuzzy lebih presisi jika
dibandingkan dengan sistem kontrol digital yang hanya mengontrol suatu peralatan on atau
off saja. Oleh karena itu perlu diupayakan pemanfaatan teknologi tepat guna untuk
mendapatkan hasil yang lebih sempurna. Teknologi dengan kontrol logika fuzzy merupakan
suatu alat yang digunakan untuk mengendalikan suatu proses tertentu melalui suatu penarikan
kesimpulan yang berdasar pada logika fuzzy yang mampu mengontrol suatu alat sehingga
dapat beroperasi sesuai dengan kondisi yang diinginkan.
Sudah banyak peralatan sekarang yang mengadopsi kontrol logika fuzzy, di antaranya
yang dikenal adalah mesin cuci. Berbagai jenis mesin cuci beredar di pasaran, diharapkan
dapat mempermudah pekerjaan manusia dalam hal mencuci. Namun masih banyak mesin
cuci yang pengoperasiannya masih melibatkan peran pengguna sehingga tidak efisien dalam
penggunaan waktu dan tenaga, sebagai contoh pada proses pencucian, pengguna harus
mengatur banyaknya pakaian yang akan dicuci dengan banyaknya air melalui kran air
kemudian memasukkan sabun sesuai dengan perkiraan pengguna hingga nantinya akan
menghasilkan suatu tingkat kebersihan pada pakaian tersebut.
Pada mesin cuci ini penulis mengaplikasikannya dengan menggunakan metode
Mamdani, karena strukturnya yang sederhana yaitu dengan menggunakan operasi MIN-MAX
atau MAX-PRODUCT. Untuk mendapatkannya, diperlukan beberapa tahapan yaitu
fuzzyfikasi, pembentukan rule, aplikasi fungsi implikasi menggunakan fungsi MIN dan
komposisi antar-rule menggunakan fungsi MAX sehingga nantinya akan menghasilkan
himpunan fuzzy baru, dan yang terakhir deffuzyfikasi. Hasil akhir dari tahapan-tahapan
tersebut adalah nilai tingkat kebersihan dari pakaian yang akan dicuci.
Maka berdasarkan uraian tersebut, penulis menuliskan laporan dengan judul
“Menentukan Tingkat Kebersihan pada Pakaian dengan Menggunakan Metode Mamdani”.
BAB II
PEMBAHASAN
2.2. Dasar-Dasar Logika Fuzzy
Teori himpunan fuzzy dikembangkan oleh Prof. Lutfi Zadeh pada tahun 1945. Teori
himpunan fuzzy ini timbul karena semakin canggihnya teknologi maka semakin banyak
pula kondisi yang menuntut adanya keputusan yang tidak hanya bisa dijawab dengan
“ya” atau “tidak”, “benar” atau “salah” tetapi juga ada setengah “ya” setengah “tidak”
atau setengah “benar” dan setengah “salah”.
Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu:
a. Variabel fuzzy, yaitu variabel yang akan dibahas dalam suatu sistem fuzzy.
b. Himpunan fuzzy, yaitu suatu kelompok yang mewakili suatu keadaan tertentu
dalam suatu variabel fuzzy.
c. Semesta pembicaraan, yaitu seluruh nilai yang diizinkan untuk dioperasikan
dalam suatu variabel fuzzy.
d. Domain fuzzy, yaitu seluruh nilai yang diizinkan dalam semesta pembicaraan dan
boleh dioperasikan dalam suatu himpunan fuzzy.
Pada kasus ini, penulis ingin menuliskan hal-hal yang digunakannya dalam memahami
sistem fuzzy ini.
Variabel input : Pencucian
a. Variabel fuzzy : Jumlah pakaian
Himpunan fuzzy : Sedikit, Sedang, Banyak
Semesta pembicaraan : Pakaian [0-9] kg
Domain fuzzy : Sedikit [0-3] kg
Sedang [3-6] kg
Banyak [6-9] kg
b. Variabel fuzzy : Jumlah air
Himpunan fuzzy : Rendah, Sedang, Tinggi
Semesta pembicaraan : [0-55] liter
Domain fuzzy : Rendah [0-18] liter
Sedang [18-36] liter
Tinggi [36-55] liter
c. Variabel fuzzy : Takaran sabun/deterjen
Himpunan fuzzy : Sedikit, Sedang, Banyak
Semesta pembicaraan : Takaran sabun [0-300] gr
Domain fuzzy : Sedikit [0-100] gr
Sedang [100-200] gr
Banyak [200-300] gr
Variabel Output : Tingkat Kebersihan
Variabel fuzzy : Kebersihan
Himpunan fuzzy : Kurang bersih, Bersih
Semesta pembicaraan : Kebersihan [0-10]
Domain fuzzy : Kurang bersih [0-10]
Bersih [0-10]
2.2. Fungsi Keanggotaan
Fungsi keanggotaan adalah grafik yang mewakili besar dari derajat keanggotaan masing-
masing variabel input yang berada dalam interval antara 0 dan 1. Derajat keanggotaan
sebuah variabel x dilambangkan dengan simbol µ(x). Rule-rule menggunakan nilai
keanggotaan sebagai faktor bobot untuk menentukan pengaruhnya pada saat melakukan
inferensi untuk menarik kesimpulan.
a. Grafik Keanggotaan Kurva Linear
Pada grafik keanggotaan linear, sebuah variabel input dipetakan ke derajat
keanggotaan dengan digambarkan sebagai suatu garis lurus. Ada 2 grafik
keanggotaan linear. Pertama, grafik keanggotaan kurva linear naik, kenaikan
himpunan fuzzy dimulai pada nilai domain yang memiliki derajat keanggotaan
[0] bergerak ke kanan menuju nilai domain yang memiliki derajat keanggotaan
tinggi.
Kedua, grafik keanggotaan kurva linear turun, yaitu himpunan fuzzy dimulai dari
nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian
bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih
rendah.
b. Grafik Keanggotaan Kurva Segitiga
Grafik keanggotaan kurva segitiga pada dasarnya merupakan gabungan antara 2
garis (linear) serta ditandai oleh adanya tiga parameter {a, b, c} yang akan
menentukan koordinat x dari tiga sudut.
c. Grafik Keanggotaan Kurva Trapesium
Grafik keanggotaan kurva trapesium pada dasarnya seperti bentuk segitiga, hanya
saja ada beberapa titik yang memiliki keanggotaan 1.
d. Grafik Keanggotaan Kurva Bentuk Bahu
Grafik keanggotaan kurva “bahu” digunakan untuk mengakhiri variable suatu
daerah fuzzy yang nilai derajat keanggotaannya adalah konstan (biasanya 1).
Dari grafik-grafik keanggotaan di atas, penulis menggunakan 2 macam grafik dalam
kasus ini, yaitu grafik keanggotaan linear dan grafik keanggotaan segitiga dikarenakan
domain fuzzy pada variable input ada tiga jenis sedangkan domain fuzzy pada variable
outputnya yang mana adalah tingkat kebesihan hanya tersiri dari 2 variabel.
2.3. Metode Mamdani
Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Metode ini
diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk memperoleh output,
diperlukan 4 tahapan yaitu :
1. Pembentukan himpunan fuzzy
Pada Metode Mamdani, baik variabel input maupun variabel output dibagi
menjadi satu atau lebih himpunan fuzzy.
2. Aplikasi fungsi implikasi (aturan)
Pada Metode Mamdani, fungsi implikasi yang digunakan adalah Min.
3. Komposisi aturan
Tidak seperti penalaran monoton, apabila sistem terdiri-dari beberapa aturan,
maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode
yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu: max, additive
dan probabilistik OR (probor).
a. Metode Max
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil
nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi
daerah fuzzy, dan mengaplikasikannya ke output dengan menggunakan
operator OR (union). Jika semua proposisi telah dievaluasi, maka output
akan berisi suatu himpunan fuzzy yang merefleksikan konstribusi dari
tiap-tiap proposisi. Secara umum dapat dituliskan:
µsf[xi] <-- max(µsf[xi], µkf [xi])
dengan:
µsf [xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
µkf [xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i;
b. Metode Additive (Sum)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
bounded-sum terhadap semua output daerah fuzzy. Secara umum
dituliskan:
µsf[xi] <-- min(1, µsf[xi]+ µkf [xi])
dengan:
µsf [xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
µkf [xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i;
c. Metode Probabilistik OR (probor)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
product terhadap semua output daerah fuzzy. Secara umum dituliskan:
µsf[xi] <-- ( µsf [xi]+ µkf [xi]) - (µsf[xi] * µkf[xi]}
dengan:
µsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
µkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-I;
4. Penegasan (deffuzyfikasi)
Input dari proses defuzzifikasi
adalah suatu himpunan fuzzy
yang diperoleh dari komposisi
aturan-aturan fuzzy, sedangkan
output yang dihasilkan
merupakan suatu bilangan pada
domain himpunan fuzzy tersebut.
Sehingga jika diberikan suatu
himpunan fuzzy dalam range
tertentu, maka harus dapat diambil suatu nilai crsip tertentu sebagai output seperti
terlihat pada gambar di samping.
Ada beberapa metode defuzzifikasi pada komposisi aturan MAMDANI, antara
lain:
a. Metode Centroid (Composite Moment)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat
(z*) daerah fuzzy. Secara umum dirumuskan:
b. Metode Bisektor
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai pada
domain fuzzy yang memiliki nilai keanggotaan separo dari jumlah total
nilai keanggotaan pada daerah fuzzy. Secara umum dituliskan:
c. Metode Mean of Maximum (MOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata-
rata domain yang memiliki nilai keanggotaan maksimum.
d. Metode Largest of Maximum (LOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai
terbesar dari domain yang memiliki nilai keanggotaan maksimum.
e. Metode Smallest of Maximum (SOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai
terkecil dari domain yang memiliki nilai keanggotaan maksimum.
BAB III
PERHITUNGAN DENGAN METODE MAMDANI
Kasus:
Anda mempunyai mesin cuci, yang dimana untuk menghitung tingkat kebersihan suatu
pakaian itu didasarkan oleh 3 hal, yaitu jumlah pakaian, jumlah air, dan jumlah deterjen yang
akan digunakan untuk mencuci. Jumlah pakaian yang ditampung oleh mesin cuci tersebut
adalah 0-9kg. Jumlah air yang ditampung oleh mesin cuci tersebut adalah 0-55liter. Dan
jumlah deterjen yang digunakan oleh mesin cuci tersebut adalah 0-300gram. Untuk tingkat
kebersihan dari suatu pakaian dimulai dari 0 sampai 10, dimana 0 menyatakan BERSIH
sedangkan 10 menyatakan paling kotor. Maka, hitunglah tingkat kebersihan suatu pakaian
dengan ketentuan jumlah pakaian 2kg, jumlah air 20liter, dan jumlah deterjen 180gram!
3.1. Pembentukkan Fungsi Keanggotaan
Pada variabel jumlah pakaian, data yang dimiliki adalah 3kg, 6kg dan 9kg, yang dapat
dibagi menjadi 3 himpunan fuzzy yaitu SEDIKIT, SEDANG, dan BANYAK. Himpunan
fuzzy SEDIKIT akan memiliki domain [0 3], dengan derajat keanggotaan minimal
tertinggi (=1) terletak pada nilai 1,5. Himpunan fuzzy SEDIKIT ini direpresentasikan
dengan fungsi keanggotaan segitiga. Fungsi keanggotaan untuk himpunan minimal
terlihat pada gambar di atas dan dapat dinyatakan dalam persamaan berikut:
SEDIKIT SEDANG BANYAK
Jumlah Pakaian (kg)
μSEDIKIT [ a]={0
a−03
;
3−a3
;
Himpunan fuzzy SEDANG memiliki domain [3 6] dengan derajat keanggotaan
SEDANG tertinggi (=1) terletak pada nilai 4,5. Himpunan fuzzy SEDANG ini juga
direpresentasikan dengan fungsi keanggotaan segitiga. Fungsi keanggotaan untuk
himpunan SEDANG terlihat pada gambar di atas dan dapat dinyatakan dalam persamaan
di bawah ini:
μSEDANG [a]={0
a−33
;
6−a3
;
Himpunan fuzzy BANYAK memiliki domain [6 9] dengan derajat keanggotaan
BANYAK tertinggi (=1) terletak pada 7,5. Himpunan fuzzy BANYAK ini juga
direpresentasikan dengan fungsi keanggotaan segitiga. Fungsi keanggotaan untuk
himpunan BANYAK terlihat pada gambar di atas dan dapat dinyatakan dalam persamaan
di bawah ini:
μBANYAK[ a]={0
a−63
;
9−a3
;
Pada variabel jumlah air, data yang dimiliki adalah 18liter, 36liter dan 55liter, yang dapat
dibagi menjadi 3 himpunan fuzzy yaitu RENDAH, SEDANG, dan TINGGI. Himpunan
RENDAH SEDANG TINGGI
Jumlah Air (liter)
fuzzy RENDAH akan memiliki domain [0 18], dengan derajat keanggotaan minimal
tertinggi (=1) terletak pada nilai 9. Himpunan fuzzy RENDAH ini direpresentasikan
dengan fungsi keanggotaan segitiga. Fungsi keanggotaan untuk himpunan minimal
terlihat pada gambar di atas dan dapat dinyatakan dalam persamaan berikut:
μRENDAH [ a]={0
a−018
;
18−a18
;
Himpunan fuzzy SEDANG memiliki domain [18 36] dengan derajat keanggotaan
SEDANG tertinggi (=1) terletak pada nilai 27. Himpunan fuzzy SEDANG ini juga
direpresentasikan dengan fungsi keanggotaan segitiga. Fungsi keanggotaan untuk
himpunan SEDANG terlihat pada gambar di atas dan dapat dinyatakan dalam persamaan
di bawah ini:
μSEDANG [a]={0
a−1818
;
36−a18
;
Himpunan fuzzy TINGGI memiliki domain [36 55] dengan derajat keanggotaan TINGGI
tertinggi (=1) terletak pada nilai 45,5. Himpunan fuzzy TINGGI ini juga
direpresentasikan dengan fungsi keanggotaan segitiga. Fungsi keanggotaan untuk
himpunan TINGGI terlihat pada gambar di atas dan dapat dinyatakan dalam persamaan
di bawah ini:
μT INGGI [ a]={0
a−3619
;
55−a19
;
SEDIKIT SEDANG BANYAK
Pada variabel jumlah sabun/deterjen, data yang dimiliki adalah 100gr, 200gr dan 300gr,
yang dapat dibagi menjadi 3 himpunan fuzzy yaitu SEDIKIT, SEDANG, dan BANYAK.
Himpunan fuzzy SEDIKIT akan memiliki domain [0 100], dengan derajat keanggotaan
minimal tertinggi (=1) terletak pada nilai 50. Himpunan fuzzy SEDIKIT ini
direpresentasikan dengan fungsi keanggotaan segitiga. Fungsi keanggotaan untuk
himpunan minimal terlihat pada gambar di atas dan dapat dinyatakan dalam persamaan
berikut:
μSEDIKIT [ a]={0
a−0100
;
100−a100
;
Himpunan fuzzy SEDANG memiliki domain [100 200] dengan derajat keanggotaan
SEDANG tertinggi (=1) terletak pada nilai 150. Himpunan fuzzy SEDANG ini juga
direpresentasikan dengan fungsi keanggotaan segitiga. Fungsi keanggotaan untuk
himpunan SEDANG terlihat pada gambar di atas dan dapat dinyatakan dalam persamaan
di bawah ini:
μSEDANG [a]={0
a−100100
;
200−a100
;
Himpunan fuzzy BANYAK memiliki domain [200 300] dengan derajat keanggotaan
BANYAK tertinggi (=1) terletak pada 250. Himpunan fuzzy BANYAK ini juga
direpresentasikan dengan fungsi keanggotaan segitiga. Fungsi keanggotaan untuk
himpunan BANYAK terlihat pada gambar di atas dan dapat dinyatakan dalam persamaan
di bawah ini:
μBANYAK[ a]={0
a−200100
;
300−a100
;
Jumlah Sabun/Deterjen (gram)
BERSIH KOTOR
Pada variabel kebersihan, data yang dimiliki adalah 0 dan 10 yang dapat dibagi menjadi
2 himpunan fuzzy yaitu KURANG BERSIH dan BERSIH. Himpunan fuzzy ini
direpresentasikan dengan fungsi keanggotaan linear. Fungsi keanggotaan untuk
himpunan minimal terlihat pada gambar di atas dan dapat dinyatakan dalam persamaan
berikut:
μKURANG BERSIH [a]={ 110−a
100
;
μBERSIH [a]={ 0a−0101
;
3.2. Menentukan Derajat Keanggotaan
Sebelum dilakukan inferensi perlu dicari lebih dahulu derajat keanggotaan tiap variabel
dalam setiap himpunan:
1. Variabel Pakaian
μSEDIKIT [2]=
3−23
=0.33
μSEDANG[2 ]=
6−23
=1.33
μBANYAK[2]=
9−23
=2.33
2. Variabel Air
μRENDAH[30]=
18−3018
=0
Tingkat Kebersihan
μSEDANG[30]=
36−3018
=0.33
μTINGGI [30]=
55−3019
=1.32
3. Variabel Deterjen
μSEDIKIT [180 ]=
100−180100
=0
μSEDANG[180 ]=
200−180100
=0.2
μTINGGI [180 ]=
300−180100
=1.2
3.3. Pembentukan Rule
Dari kasus di atas, penulis menentukan beberapa aturan (rule), yaitu:
1. IF jumlah pakaian SEDIKIT and jumlah air RENDAH and jumlah deterjen
SEDIKIT then tingkat kebersihan BERSIH.
2. IF jumlah pakaian SEDANG and jumlah air SEDANG and jumlah deterjen
SEDANG then tingkat kebersihan BERSIH.
3. IF jumlah pakaian BANYAK and jumlah air SEDANG and jumlah deterjen
TINGGI then tingkat kebersihan KURANG BERSIH.
4. IF jumlah pakaian SEDIKIT and jumlah air SEDANG and jumlah deterjen
SEDANG then tingkat kebersihan KURANG BERSIH.
3.4. Mesin Inferensi
Kita terapkan fungsi MIN untuk setiap aturan pada aplikasi fungsi implikasinya:
1. IF jumlah pakaian SEDIKIT and jumlah air RENDAH and jumlah deterjen
SEDIKIT then tingkat kebersihan BERSIH.
α – predikat1 = µSEDIKIT ∩ µRENDAH ∩ µSEDIKIT
= min (µSEDIKIT[2]; µRENDAH[30]; µSEDIKIT[180])
= min (0.33; 0; 0)
= 0
2. IF jumlah pakaian SEDANG and jumlah air SEDANG and jumlah deterjen
SEDANG then tingkat kebersihan BERSIH.
α – predikat2 = µSEDANG∩ µSEDANG ∩ µSEDANG
= min (µSEDANG[2]; µSEDANG[30]; µSEDANG[180])
= min (1.33; 0.33; 0.2)
= 0.2
3. IF jumlah pakaian BANYAK and jumlah air SEDANG and jumlah deterjen
TINGGI then tingkat kebersihan KURANG BERSIH.
α – predikat3 = µBANYAK∩ µSEDANG ∩ µTINGGI
= min (µBANYAK[2]; µSEDANG[30]; µTINGGI[180])
= min (2.33; 0.33; 1.2)
= 0.33
4. IF jumlah pakaian SEDIKIT and jumlah air SEDANG and jumlah deterjen
SEDANG then tingkat kebersihan KURANG BERSIH.
α – predikat4 = µSEDIKIT∩ µSEDANG∩ µSEDANG
= min (µSEDIKIT[2]; µSEDANG[30]; µSEDANG[180])
= min (0.33; 0.33; 0.2)
= 0.2
Komposisi antar rule
Dari hasil fungsi implikasi tiap aturan, digunakan metode MAX untuk melakukan
komposisi antar semua aturan.
Pada gambar di atas, daerah hasil kita bagi menjadi 3 bagian, yaitu A1, A2, dan A3.
Sekarang kita cari nilai a1 dan a2.
a 1−010
=0.2 a1 = 2
a 2−010
=0.33 a2 = 3.3
Dengan demikian, fungsi keanggotaan untuk himpunan fuzzy baru adalah:
μ[ z]={ 0.2 ;z−010
0.33 ;
;
3.4. Deffuzyfikasi
z ≤ 2
2 ≤ z ≤ 3.3
z ≥ 3.3
Metode penegasan yang akan kita gunakan adalah metode centroid. Untuk itu, pertama-
tama kita hitung dulu momen untuk setiap daerah.
M 1=∫0
2
(0.2 ) zdz=0.1 z │ = 0.004
M 2=∫2
3.3 (z−0)10
zdz=∫2
3.3
0.1 z = 0.033z │ = 0.921921
M 3=∫3.3
10
( 0.33 ) z dz=0.165 z │ = 14.70315
Kemudian kita hitung luas setiap daerah:
A1 = 2*0.2 = 0.4
A2 = (0.2 + 0.33)*(3.3 – 2)/2 = 0.3445
A3 = (10 – 3.3)*0.33 = 2.211
Titik pusat dapat diperoleh dari:
z=0.004+0.921921+14.703150.4+0.3445+2.211
=5.2881309
Jadi tingkat kebersihan suatu pakaian yaitu 5.2881309 yang mempunyai arti KURANG
BERSIH pakaian tersebut.