Analisa Kontroller Logika Fuzzy pada Suatu Sistem Loop Tertutup Dengan Perbedaan Jumlah Membership

Function dan Rule Base Menggunakan Metode Mamdani dan Sugeno

Gamar Basuki1 , Dr. Ir. Era Purwanto2

Mahasiswa Jurusan Teknik Elektro Industri, Dosen PENS
Politeknik Elektronika Negeri Surabaya
Kampus ITS Sukolilo Surabaya 60111
Telp (+62) 031-59447280 .Fax (+62) 031-5946114
e-mail:gamarbasuki@gmail.com

Abstract

Logika Fuzzy adalah suatu proses pengambilan keputusan berbasis aturan yang bertujuan untuk memecahkan masalah,
dimana sistem tersebut sulit untuk dimodelkan atau terdapat ambiguitas dan ketidakjelasan yang berlimpah. Logika Fuzzy
ditentukan oleh persamaan logika bukan dari persamaan diferensial komplek dan berasal dari pemikiran yang
mengidentifikasi serta mengambil keuntungan dari grayness antara dua ekstrem. Sistem logika fuzzy terdiri dari himpunan
fuzzy dan aturan fuzzy. Subset fuzzy merupakan himpunan bagian yang berbeda dari variabel input dan output. Aturan
fuzzy berhubungan dengan variabel masukan dan variabel output melalui subset. Mengingat seperangkat aturan fuzzy,
sistem dapat mengkompensasi dengan cepat dan efisien. Meskipun dunia Barat pada awalnya tidak menerima logika fuzzy
dan ide fuzzy, hari ini logika fuzzy diterapkan dalam banyak sistem. Dalam riset ini, suatu sistem loop tertutup yang telah
diubah kedalam bentuk transfer funcion dimplementasikan menggunakan logika fuzzy dengan menggunakan metode
mamdani dan metode sugeno. Langkah-langkah bagaimana membuat serta gambaran tentang bagaimana kerja sistem
fuzzy dijelaskan dalam paper ini.

Kata kunci: fungsi keanggotaan, fuzzification, aturan fuzzy, defuzzifikasi, dan sistem fuzzy

1. PENDAHULUAN II. STUDI PUSTAKA

Bagaimana mendefinisikan dunia tempat kita hidup di hari
ini? Bagaimana kita melihat hal-hal di sekitar kita? Sebagian
besar dari kita diajarkan dari usia yang sangat muda untuk
melihat dunia dalam hal hitam dan putih, A-atau-bukan-A,
Boolean 1 atau 0. Banyak ilmu pengetahuan, matematika,
logika, dan bahkan budaya mengasumsikan dunia 1 dan 0 itu,
benar atau salah, panas atau dingin, A-atau-tidak-A. Apakah
ada atau setengah setengah hilang? Apakah setengah gelas
penuh atau setengah kosong? Apakah mobil akan cepat atau
lambat? Masing-masing pertanyaan ini mengenai
hal grayness di dunia biasanya menjelaskan dalam warna
hitam dan putih.
Grayness adalah ketidakjelasan. Einstein bertanya-tanya
tentang grayness tersebut. “Sejauh hukum matematika
mengacu pada realitas, mereka tidak yakin. Dan sejauh mereka
yakin, mereka tidak mengacu pada realitas, “katanya [13].
Mereka menggambarkan dunia sebagai sistem yang rapi dan
teratur tanpa grayness. Matematika dan ilmu pengetahuan
mencoba menyesuaikan setiap proses di dunia untuk persamaan
dan persamaan yang rapi dan terorganisir. Bayangkan dunia
tanpa grayness. Tidak mungkin. Dunia yang kita hidup di
sangat berantakan dan termasuk banyak grayness didalamnya.
Dengan matematika dan ilmu pengetahuan, kita telah
mengamati kecenderungan tertentu dan hubungan yang tetap
berlaku untuk jangka waktu dan didefinisikan mereka sebagai
logika matematika dan hukum ilmiah.
Grayness adalah ide kunci dari logika fuzzy. Logika Fuzzy
adalah nama yang diberikan kepada analisis yang berusaha
untuk menentukan bidang grayness yang begitu tepat dengan
karakteristik dunia yang kita tinggal. Logika fuzzy merupakan
alternatif ke A-atau-bukan-A, Boolean 1 dan 0 definisi logika
dibangun ke dalam masyarakat. Ia berusaha untuk menangani
konsep kebenaran parsial dengan menciptakan nilai-nilai yang
mewakili apa yang ada antara kebenaran dan kepalsuan. Logika
fuzzy dapat digunakan di hampir aplikasi apapun dan berfokus
pada penalaran perkiraan.
1.1 Logika Fuzzy
Logika fuzzy adalah cabang dari sistem kecerdasan buatan
(Artificial Inteligent) yang mengemulasi kemampuan manusia
dalam berfikir ke dalam bentuk algoritma yang kemudian
dijalankan oleh mesin. Algoritma ini digunakan dalam berbagai
aplikasi pemrosesan data yang tidak dapat direpresentasikan
dalam bentuk biner. Logika fuzzy menginterpretasikan statemen
yang samar menjadi sebuah pengertian yang logis (Sri
Kusumadewi, 2002).
Logika fuzzy merupakan salah satu cabang dari ilmu
komputer yang mempelajari tentang nilai kebenaran yang
bernilai banyak. Berbeda dengan nilai kebenaran pada logika
klasik yang bernilai 0 (salah) atau 1 (benar). Logika fuzzy
mempunyai nilai kebenaran real dalam selang [0,1]. Logika
fuzzy pertama kali dikembangkan oleh Lotfi
A. Zadeh seorang ilmuwan Amerika Serikat berkebangsaan
Iran dari Universitas California di Berkeley. Meskipun
demikian, logika fuzzy lebih banyak dikembangkan oleh
praktisi Jepang (Novan Parmongan, 2011).
Ungkapan logika Boolean menggambarkan nilai-nilai
“benar” atau “salah”. Logika fuzzy menggunakan ungkapan
misalnya : “sangat lambat”, ”agak sedang”, “sangat cepat” dan
lain-lain untuk mengungkapkan derajat intensitasnya. Ilustrasi
antara keanggotaan fuzzy dengan Boolean set dapat dilihat pada
gambar 1.
Gambar 2.1 Pendefinisian kecepatan dalam bentuk logika
fuzzy dan logika Boolean
1.2 Kontroller Logika Fuzzy
Kontroler adalah komponen yang berfungsi meminimasi Dengan 𝐴𝑖 adalah himpunan fuzzy ke-i sebagai
sinyal kesalahan. Tipe kontroler yang paling populer dan
anteseden, dan k adalah suatu konstanta (bersifat crisp)
banyak penggunaanya pada saat ini ialah kontroler logika fuzy.
Ada banyak manfaat untuk menggunakan logika fuzzy. Logika sebagai konsekuen.
fuzzy adalah konseptual mudah dipahami dan memiliki
pendekatan alami . Logika fuzzy fleksibel dan dapat dengan 2. Metode Fuzzy Sugeno Orde-Satu
mudah ditambah dan disesuaikan. Hal ini sangat toleran Secara umum bentuk model inferensi fuzzy Sugeno Orde-
terhadap data yang tidak tepat dan terhadap model yang Satu adalah:
nonlinier/ kompleksitas sedikit. Hal ini juga bisa dicampur
dengan teknik kontrol konvensional. Ada tiga komponen utama
dari sistem fuzzy: set fuzzy, aturan fuzzy, dan bilangan fuzzy.

A. Perbedaan Mamdani dan Sugeno

Secara umum terdapat beberapa definisi logika fuzzy,
diantaranya :
1. Logika fuzzy adalah logika yang digunakan untuk
menjelaskan keambiguan, logika himpunan yang
menyelesaikan keambiguan. (Vrusias, 2008).
2. Logika fuzzy menyediakan suatu cara untuk
merubah pernyataan linguistik menjadi suatu
numerik. (Synaptic, 2006)
Logika fuzzy memiliki derajat keanggotaan dalam
rentang 0 hingga 1. Berbeda dengan logika digital yang hanya
memiliki dua nilai 1 atau 0. Logika fuzzy digunakan untuk
menerjemahkan suatu besaran yang diekspresikan
menggunakan bahasa (linguistic), misalkan besaran kecepatan
laju kendaraan yang diekspresikan dengan pelan, agak cepat,
cepat, dan sangat cepat. Dan logika fuzzy menunjukan sejauh
mana suatu nilai itu benar dan sejauh mana suatu nilai itu salah.
Logika fuzzy adalah suatu cara yang tepat untuk memetakan
suatu ruang input kedalam suatu ruang output [3]. Fuzzy
dinyatakan dalam derajat dari suatu keanggotaan dan derajat
dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan
sebagian benar dan sebagian salah pada waktu yang sama.
(Kusumadewi & Purnomo, 2010).
Fuzzy Inference System Tsukamoto
1. Saat proses evaluasi aturan dalam mesin inferensi,
metode fuzzy Tsukamoto menggunakan fungsi implikasi
MIN untuk mendapatkan nilai α-predikat tiap-tiap rule
(α1, α2, α3,.... αn). Masing-masing nilai α- predikat
digunakan untuk menghitung hasil inferensi secara tegas
(crisp) masingmasing rule (z1, z2, z3,.... zn)
2. Proses defuzzyfikasi pada metode Tsukamoto
menggunakan metode rata-rata (Average) dengan rumus
berikut:
Dengan 𝐴𝑖 adalah himpunan fuzzy ke-i sebagai
anteseden, dan 𝑃 𝑖 adalah suatu konstanta (tegas) ke-I dan
q juga merupakan konstanta dalam konsekuen. Apabila
komposisi aturan menggunakan metode Sugeno, maka
deffuzifikasi dilakukan dengan cara mencari nilai rata-
ratanya. (Kusumadewi & Purnomo, 2010).
Fuzzy Inference System Mamdani
1. Saat melakukan evaluasi aturan dalam mesin
inferensi, metode Mamdani menggunakan fungsi
MIN dan komposisiantar-rule menggunakan
fungsi MAX untuk menghasilkan himpunan fuzzy
baru.
2. Proses defuzzyfikasi pada metode Mamdani
menggunakan metode Centroid dengan rumus
berikut:
2.4 Tabel Membership Function LogikaFuzzy
Aspek yang sangat penting dalam desain kontroler logika
fuzzy ialah penentuan membership function dan fuzzy rules dari
logika fuzzy supaya sistem close loop memenuhi kriteria
performansi yang diinginkan.Seiring dengan berkembangnya
penelitian tentang identifikasi suatu system “black box”, maka
memperoleh transfer function atau karakteristik dari sistem
tersebut bukanlah hal yang teramat sulit. Hal ini menyebabkan
metode tuning kontroler yang membutuhkan model plant
sebenarnya juga dapat dilakukan dengan relative mudah,
misalnya dengan metode Direct Sinthesys. Dalam menentukan
membership function dan aturan fuzzy pada paper ini
digunakan 5 membership function dan 7 membership function
untuk membandingkan hasil dari sebuah sistem yang di kontrol
dengan logika fuzzy dengan membership function yang telah
ditentukan. Berikut merupakan tabel dari keanggotaan fuzzy :

Fuzzy inference System Sugeno

Ada 2 model pada metode TSK, yaitu:
1. Metode Fuzzy Sugeno Orde-Nol
Secara umum bentuk model inferensi fuzzy Sugeno Orde-Nol
adalah:
 Gambar 2.2 : input variabel error 5 mf Gambar 2.5 : input variabel error 7 mf

Gambar 2.3 : input variabel delta error 5 mf Gambar 2.6 : input variabel delta error 7 mf

Gambar 2.7 : output variabel 7 mf

Gambar 2.4 : output variabel 5 mf
Tabel 2. Fuzzy rules untuk 7 membership function
Tabel 1. Fuzzy rules untuk 5 membership function
E/DE NL NS Z PS PL E/DE NL NM NS Z PS PM PL
NL NL NL NS NS Z N
NL NL NL NM NS NS Z
M
NS NL NL NS Z Z
NM NL NM NM NS NS Z PS
Z NS NS Z PS PS
NS NL NM NS NS Z PS PM
PS Z PS PS PL PL N
Z NS NS Z PS PS PM
PL Z Z PS PL PL M
N
PS NS Z PS PS PM PL
M
PM NS Z PS PS PM PM PL
PL Z PS PS PM PM PL PL
METODE 1. Metode Mamdani
Dalam melaksanakan penelitian untuk penulisan jurnal ini,
pertama kali dilakukan pembuatan model SIMULINK dengan
menggunakan kontroller logika fuzzypada suatu sistem loop
tertutup. Dimana, desain daripada model SIMULINK dibuat
dengan menggunakan sebuah transfer function yang dikontrol
oleh logika fuzzy.

Gambar 4.2 : Input 5 mf, SP= -0.5 dan output N

Gambar 3.1 : Model tranfer function tanpa kontrol logika

fuzzy

Gambar 3.2 : Model tranfer function dengan kontrol

logika fuzzy

Gambar 4.3 : Input 5 mf, SP= -1 dan output N

III. DATA PERCOBAAN DAN PERHITUNGAN
Pada software MATLAB ini, dengan fitur SIMULINK
sudah disediakan grafik perhitungan secara teoritis. Berupa
grafik berwarna kuning adalah grafik dari hasil penyimulasiaan
(hasil praktikum). Data percobaan yang diambil berdasarkan 4
Performance Indikator dari respone keluaran sistem. Sesuai
dengan tabel dibawah ini.

Gambar 4.4 : Input 5 mf, SP= 0.5 dan output P

Gambar 4.1 : Output tanpa kontrol logika fuzzy

Gambar 4.5 : Input 5 mf, SP= 1 dan output P

 2. Metode Sugeno

Gambar 4.6 : Input 7 mf, SP= -0.5 dan output N

Gambar 4.10 : Input 5 mf, SP= -0.5 dan output N

Gambar 4.11 : Input 5 mf, SP= -1 dan output N

Gambar 4.7 : Input 7 mf, SP= -1 dan output N

Gambar 4.12 : Input 5 mf, SP= 0.5 dan output P

Gambar 4.8 : Input 7 mf, SP= 0.5 dan output P

Gambar 4.9 : Input 7 mf, SP= 1 dan output P Gambar 4.13 : Input 5 mf, SP= 1 dan output P
 IV. ANALISA
Pada percobaan mengenai pengaruh jumlah membership
function terhadap output fuzzy ini, digunakan 2 membership
function yang berbeda, yaitu 5 dan 7 untuk di bandingkan
hasilnya. Setiap jumlah membership dilakukan simulasi
dengan rule base semua input dan outputnya adalah
NL,NS,Z,PS,PL untuk 5 membership function dan
NL,NM,NS,Z,PS,PM,PL untuk 7 membership function.
Hasil output tanpa kontrol logika fuzzy di dapat data sebagai
berikut :
Ouput Waktu ts(s) Overshoot Rms
Amplitude
Output P 3.1 s 9.34 % 84 mV
Gambar 4.14 : Input 7 mf, SP= -0.5 dan output N Rata-rata 3.1 s 9.34 % 84 mV

Pada membership function yang berjumlah 5, didapat data

sebagai berikut :
Output negatif
Ouput Waktu ts(s) Rms Metode
Amplitude
Output N; 2.6 s -44 mV
SP=-0.5
Metode
Output N; 2.5 s -50 mV
SP=-1 Mamdani
Rata-rata 2.55 s -47 mV
Output N; 2.2 s -45 mV
Gambar 4.15 : Input 7 mf, SP= -1 dan output N SP=-0.5
Metode
Output N; 2.2 s -50mV
SP=-1 Sugeno
Rata-rata 2.2 s -47.5 mV
Output Positif
Ouput Waktu ts(s) Rms Metode
Amplitude
Output P; 2.6 s 44 mV
SP=0.5
Metode
Output P; 2.5 s 50 mV
SP=1 Mamdani
Rata-rata 2.55 s 47 mV
Output N; 2.2 s 45 mV
SP=-0.5
Output N; 2.1 s 50 mV Metode
SP=-1 Sugeno
Gambar 4.16 : Input 7 mf, SP= 0.5 dan output P
Rata-rata 2.15 s 47.5 mV

Pada membership function yang berjumlah 7, didapat data

sebagai berikut :
Output negatif
Ouput Waktu ts(s) Rms Metode
Amplitude
Output N; 2.6 s -30 mV
SP=-0.5
Metode
Output N; 2.2 s -58 mV
SP=-1 Mamdani
Rata-rata 2.4 s -44 mV
Output N; 2.2 s -27 mV
SP=-0.5
Output N; 2.3 s -23 mV Metode
Gambar 4.17 : Input 7 mf, SP= 1 dan output P Sugeno
SP=-1
Rata-rata -2.25 s -25 mV
Output positif
Ouput Waktu ts(s) Rms Metode DAFTAR PUSTAKA
Amplitude 1. Dr. Ir. Era Purwanto, dkk , M. Eng. , “Buku Petunjuk
Output P; 2.6 s 30 mV Praktikum PENGATURAN OTOMATIS VL043110”,
SP=0.5 Politeknik Elektronika Negeri Surabaya (PENS) ,
Metode
Output P; 2.2 s 58 mV Indonesia , Hal. 12.
Mamdani
SP=1 2. Handbook of “Introduction to Fuzzy Logic using
Rata-rata 2.4 s 44 mV Matlab”, 2007 by Sivanandum, S.N, Sumathi S, Deepa ,
Output P; 2.2 s 38 mV S.N
SP=0.5 3. Suratno, “Pengaruh Perbedaan Tipe Fungsi Keanggo
Metode taanPada Pengendali Logika Fuzzy Terhadap Tanggapan
Output P; 1.8 s 88 mV
Sugeno Waktu Sistem Orde Dua Secara Umum” ,2002.
SP=1
4. Kusumadewi, S., 2004, Aplikasi Logika Duzzy untuk
Rata-rata 2s 63 mV Pendukung Keputusan, Graha Ilmu, Yogyakarta.
5. Kusumadewi, S., 2002, Analisis dan Desain Sistem
Pengambilan data yang diperoleh di atas bertujuan
Fuzzy Menggunakan Toolbox Matlab, Graha Ilmu,
untuk mengetahui waktu yang dibutuhkan untuk mencapai
Yogyakarta.
set point yang telah ditetapkan, dimana setelah dirata-rata
6. Kuswadi, S., 2007, Kendali Cerdas, Teori dan Aplikasi
setiap perubahan membership function ini selisihnya 0,15
Praktisnya, Andi, Yogyakarta.
detik untuk metode madani dan 0,1 detik untuk metode
7. Wahyunggoro, O., 2004, Pengendalian Motor Dc
sugeno. Pada metode sugeno dengan menggunakan jumlah
Menggunakan Algoritma Fuzi Berbasis Komputer,
membership function sebanyak 7 mf dengan SP=1 didapat
SIGMA, Vol. 7, No.1, Januari 2004.
hasil yang tercepat waktu yang dibutuhkan untuk mencapai
steady state, yaitu kurang lebih 1.8 detik dan amplitude
tertinggi dibandingkan dengan metode mamdani dengan
jumlah MF dan SP yang sama yaitu sebesar 88 mV. Pada
jumlah membership function maka akan berpengaruh pada
waktu yang dibutuhkan. Semakin banyak membership
function, maka semakin cepat pula waktu yang dibutuhkan
untuk mencapai set point.
Selain data di atas, juga membandingkan terhadap hasil
tegangan function tersebut:
Berdasarkan data tersebut, dapat diketahui bahwa semakin
banyak jumlah membership maka nilai output semakin
besar, sedangkan apabila tanpa adanya kontrol logika fuzzy
pada sistem ini, hasil output tegangannya hanya 88.4 mV

V. PENUTUP
a. KESIMPULAN
Berdasar hasil simulasi yang telah dilakukan menggunakan
SIMULINK MATLAB pada suatu sitem close loop dengan
menggunakan kontrol logika fuzzy dan dengan menggunakan
jumlah membership function yang berbeda (5 mf dan 7 mf)
dapat dibuat sebuah kesimpulan bahwa kontrol logika fuzzy
merupakan sebuah metodelogi kontrol yang dapat memisahkan
dan mendefinisikan derajat kebenaran sebuah hasil keluaran
suatu sistem secara luas dan presisi. Jumlah membership
function berpengaruh pada waktu dan hasil output dari suatu
sistem untuk mencapai set point yang telah ditetapkan.
Semakin banyak membership function yang digunakan,
maka waktu yang dibutuhkan untuk set point semakin cepat
dan hasil tegangannya semakin bagus. Pada metode sugeno
diperoleh hasil yang terbaik dari segi waktu steady state
sistem, yaitu 1.8 detik dengan amplitude tertinggi daripada
metode madani sebesar 88 mV.

b. SARAN – SARAN
1. Dalam Membuat suatu sistem close loop maupun open
loopdo dibutuhkan respon tanpakontrol terlebih dahulu
untuk membuat sebuah kontrol yang cocok pada sistem
tersebut. Dengan menggunakan kontrol logika fuzzy
diharapka didapat respone output yang optimal.