STUDI KOMPARASIKENDALI MOTOR DC DENGAN 
LOGIKA FUZZY METODE MAMDANI DAN SUGENO 

Ibrahim Nawawi1, Bagus Fatkhurrozi2

Jurusan Teknik Elektro Fakultas Teknik Universitas Tidar
Jln. Kapten Suparman no. 39, Magelang 56116

ABSTRACT

DC motors have been widely used in all fields, such as industry, household appliances, to children's
toys. The main reason of the heavy use of a DC motor is the ease of control. These controllers can use
analog or digital control. In this study, the method used is a DC motor control simulation with
Simulink and Matlab fuzzy toolbox. The results of the simulation show that the transient response of
the DC motor control using fuzzy Mamdani and Sugeno, they did not show any overshoot, steady state
computing to achieve faster Sugeno Fuzzy controller with 5.4 seconds, while for fuzzy Mamdani 38.12
seconds, middle (SE) the set of fuzzy output membership of approximately 1.3, error close to zero
fastest achieved by Mamdani, Sugeno while slower, Delta Mamdani fuzzy error is more stable than
fuzzy Sugeno, Value steady state control signal is almost the same at 1.2.

Keywords: DC motor, fuzzy logic, Mamdani, Sugeno, Matlab

                                                            
1
Jurusan Teknik Elektro Fakultas Teknik Universitas Tidar 
 
2
Jurusan Teknik Elektro Fakultas Teknik Universitas Tidar 
 

35 
 
 ABSTRAK
 
Motor DC telah banyak digunakan disegala bidang, seperti di industri, peralatan rumah tangga, hingga
ke mainan anak-anak. Alasan utama dari banyaknya penggunaan motor DC adalah kemudahan
pengendaliannya. Pengendali ini bisa mengunakan kendali analog maupun digital. Pada penelitian ini
metode yang digunakan adalah simulasi pengendalian motor DC dengan Matlab simulink dan toolbox
fuzzy. Hasil dari simulasi memperlihatkan bahwa Respon transien pada kendali motor DC
dengan menggunakan fuzzy Mamdani maupun Sugeno, keduanya tidak menunjukkan adanya
overshoot, komputasi untuk mencapai steady statepengendali Fuzzy Sugeno lebih cepat yaitu5,4
detik, sedangkanuntukfuzzy Mamdani 38,12 detik, nilai tengah (SE) himpunan keanggotaan output
fuzzy kurang lebih 1,3, Error mendekati nol tercepat dicapai oleh Mamdani, sedangkan Sugeno lebih
lambat, Delta error fuzzy Mamdani lebih stabil dibanding fuzzy Sugeno, Nilai steady state sinyal
kontrol hampir sama yaitu 1,2.

Kata kunci:motor DC, logika fuzzy, Mamdani, Sugeno, Matlab

36 
 

I. PENDAHULUAN
M
otor DC telah banyak digunakan
disegala bidang, seperti di industri,
peralatan rumah tangga, hingga ke
mainan anak-anak. Industri minum-
an menggunakannya untuk menggerakkan sabuk
berjalan untuk pengisian botol, ibu rumah tangga
menggunakan blender, tukang menggunakan
mesin bubut, bahkan anak-anak menggunakan-
nya pada mobil-mobilan.
Alasan utama dari banyaknya penggunaan
motor DC adalah kemudahan pengendaliannya.
Pengendali ini bisa mengunakan kendali analog
maupun digital. Pengendali analog yang terkenal
adalah tipe PID (Proporsional, Integral,
Derivatif). Untuk sistem orde satu, pengaturan
konstanta-konstanta PID cukup mudah untuk
dilakukan. Namun, untuk sistem orde dua dan di
atasnya, pengaturan konstanta-konstanta PID
sangat sulit dan memerlukan tenaga ahli atau
berpengalaman dalam melakukannya. Untuk
mengatasi kelemahan tersebut, dikembangkan
sistem kendali digital dengan memanfaatkan
perangkat lunak untuk mengatur watak pengen-
dalinya(Wahyunggoro, 2004).
Penggunaan logika fuzzy telah banyak
diterapkan dalam bidang kendali otomatis dan
industri modern, diantaranya ialah pengendali
pemroses citra, kendali motor, kendali robot,
kendali pesawat, kendali mesin cuci, dan lain
sebagainya. Pemanfaatan logika fuzzy pada
sistem kendali cukup banyak diminati karena
proses kendali ini relatif mudah dan fleksibel
unyuk dirancang dengan tidak melibatkan model
matematis yang rumit dari plan yang akan
dikendalikan.
II. DASAR TEORI
2.1 Tinjauan Pustaka
Pengendali digital yang sering dipakai
adalah kendali logika fuzzy. Logika fuzzy
merupakan perluasan dari logika crisp. Pada
himpunan crisp, nilai keanggotaan ada 2 ke-
mungkinan, yaitu 0 atau 1. Sedangkan pada him-
punan fuzzy nilai keanggotaan terletak pada
rentang 0 sampai 1(Kusumadewi, 2004).
Penggunaan logika fuzzy dalam sistem kendali
motor DC sudah bukan merupakan hal yang
baru, sudah begitu banyak aplikasi-aplikasi sis-
tem kendali yang menggunakan teori logika
fuzzy yang dihasilkan. Supriyono dan Roosyidi
(2008) mengimplementasikan pengendali fuzzy-
PID untuk mengatur kecepatan motor DC dengan
berbasis Personal Computer (PC) dengan me-
manfaatkan fasilitas Real Time Windows Target
pada Matlab 6.5. Penelitian memanfaatkan motor
DC berdaya rendah yang dihubungkan dengan
PC melalui sebuah rangkaian perantara (inter-
face) PPi 8255 pada slot ISA. Algoritma
pengendali fuzzy-PID akan diimplementasikan
dalam PC dengan menggunakan fasilitas Real
Time Windows Target Simulink Matlab 6.5 dan
berperan sebagai “otak” sistem keselu-ruhan.
Tanggapan keluaran kecepatan putar motor DC
dapat dilihat dalam monitor komputer sehingga
dapat dilihat unjuk kerja dari pengendali yang
sudah dibuat. Hasil pengujian menunjukkan
bahwa Simulink Matlab 6.5 dengan Real Time
Windows Target sukses mengimplementasikan
pengendadli fuzzy-PID untuk beban yang
berubah secara lambat.
Pasila dkk (2000) telah melakukan
pengendalian motor DC dengan metode hybrid
PID dan logika fuzzy. Dalam sistem ini kendali
utama adalah kendali PID sedangkan kendali
logika fuzzy bekerja membantu untuk memi-
nimalkan overshot/undershot yang terjadi dan
juga meminimalkan recovery time dari respon
sistem. Sistem kendali logika fuzzy yang dide-
sain mempunyai 2 input yaitu error dan delta
error dan output kecepatan motor. Besar output
dari sistem kendali logika fuzzy hanya 50% dari
kendali PID.
Sutikno dan Waspada (2011), telah mela-
kukan penelitian tentang perbandingan sistem
logika fuzzy model Mamdani dengan mengguna-
kan beberapa metode defuzzifikasi, yaitu metode
COA (center of area), bisektor, MOM (mean of
maximum), LOM (largest of maximum), dan
SOM (smallest of maximum). Lima metode
defuzzifikasi ini dibandingkan dengan mengim-
plementasikan pada sistem plant yang sama.
Plant yang dipilih yaitu pada pengaturan kece-
patan motor DC. Dalam penelitian ini akan
37 
dilakukan perbandingan sistem logika fuzzy pada
kendali motor DC dengan metode Mamdani dan
Sugeno
2.2 Landasan Teori
2.2.1 Logika Fuzzy
Logika fuzzy pertama kali diperkenalkan
oleh Prof.Lotfi Zadeh,1965, dalam papernya
yang berjudul “Logika Fuzzy, Information and
Control” sebagai perluasan dari logika tegas
(crisp logic). Dalam paper tersebut dipaparkan
ide dasar Logika fuzzy yang meliputi inclusion,
union, intersection, complement, relation, dan
convexity. Dasar pemikiran dari logika fuzzy
adalah mencontoh dari cara pengambilan keput-
usan manusia. Manusia mengambil keputusan
berdasarkan hal-hal yang bersifat alamiah,
seperti dingin-hangat-panas, cepat-sedang-lambat
dan sebagaianya. Pelopor Logika fuzzy dalam
bidang kontrol, yang merupakan aplikasi pertama
dan utama dari logika fuzzy adalah Prof. Ebrahim
Mamdani dan kawan-kawan dari Queen Marry
CollageLondon. Aplikasinya meliputi proses
pada tangki pencampur, dan mesin uap, semua-
nya pada skala lab. Penerapan kontrol logika
fuzzy secara nyata di industri banyak dipelopori
oleh ahli dari Jepang, misalnya Prof. Sugeno dan
kawan-kawan dari Tokyo Institude of Techno-
logy. Prof. Yamakawa dari Kyusu Institudde of
Technology melakukan penelitian dasar dari
komputerfuzzy, sedangkan Togai dan Watanabe
dari Bell Telephone Labs. berhasil menciptakan
untuk pertama kalinya chip logika fuzzy
(Kuswadi, 2007).
Teori Logika Fuzzy didasari oleh logika
fuzzy yang dikembangkan dari logika Boole.
Logika Boole hanya mengenal tingkat logika 0
dan 1 yang menyatakan salah dan benar, sedang-
kan pada logika Fuzzy didapati juga tingkat-
tingkat logika antara 0 dan 1, yang menyatakan
kesamaran (Fuzziness), antara salah dan benar.
Logika fuzzy membarikan konsep baru
dalam perancangan sistem kontrol, karena logika
fuzzy dapat diterapkan pada obyek (plant) yang
kompleks tanpa harus mengetahui persamaan
matematis sebagaimana yang dibutuhkan dalam
metode kontrol konvensional. Metode-metode
perancangan pengendalian klasik (misalnya
Nyquist, Bode, root locus) pada umumnya dida-
sarkan pada asumsi bahwa proses yang diken-
dalikan adalah linier dan stasioner. Sedangkan
kebanyakan proses yang ada adalah sistem yang
kompleks, non-linier, dan mudah dipengaruhi
faktor-faktor gangguan sekitar.
Proses-proses tersebut pada kenyataannya
bisa dikendalikan secara manual dengan hasil
yang baik. Operator kendali tersebut biasanya
adalah tenaga terampil yang mengandalkan
pengalaman praktis, tanpa dilatarbelakangi teori-
teori pengendalian yang rumit. Hal ini disebab-
kan operator tersebut mengendalikan proses
dengan dasar logika yang juga non-linier dan
kompleks, yang dibangun oleh pengalaman
dalam waktu yang panjang, sehingga pengenda-
lian yang dilakukan sepenuhnya bersifat intuitif.
Untuk merancang sistem pengendalian
otomatis bagi proses-proses tersebut, yang mam-
pu menerjemahkan pengetahuan dan aturan-
aturan fuzzy maka diperlukan teori logika fuzzy,
sebagai salah satu alternatif. Secara umum
pengendali logika fuzzy mempunyai kemampuan
sebagai berikut:
a. Beroperasi tanpa campur tangan manusia se-
cara langsung, tetapi memiliki efeksitas yang
sama dengan pengendali manusia
b. Mampu menangani sistem-sistem yang kom-
pleks, noin-linier, dan tidak stasioner
c. Memenuhi spesifikasi dan kriteria kerja.
2.2.2 Sistem inferensi fuzzy
a. Metode Mamdani
Metode Mamdani sering juga dikenal de-
ngan nama Metode Max-Min. Metode ini diper-
kenalkan oleh Ebrahim Mamdani pada tahun
1975. Untuk mendapatkan output, diperlukan 4
tahapan:
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

38 
 
  
 

T
Tidak seperti penalaran monoton,
m apaa- (b) m
metode Additiive (Sum)
bila sistem terdiri-dari bebeerapa aturann, P
Pada metode ini, solusi himpunan fuzzy f
makaa inferensi dipperoleh dari kumpulan
k dann diperooleh dengan cara melakuukan boundedd-sum
korelaasi antar atuuran. Ada 3 metode yangg terhaddap semua output daeraah fuzzy. Secara S
digunnakan dalam melakukan
m in
nferensi sistemm umum m dituliskan:
fuzzyy, yaitu: max,, additive dann probabilistikk µ
µsf[xi] ← minn(1,µsf[xi]+ µkf[xi])
µ
OR (p probor). d
dengan:
(a) metoode Max (Maxximum) µsf[xi] = nilaai keanggotaaan solusi fuzzy f
P
Pada metode ini, solusi him mpunan fuzzyy sampai aturan ke-ii;
diperroleh dengan cara mengam mbil nilai makk- µkf[xi] = nilai keanggotaan n koasekuen fuzzyf
simuum aturan, keemudian mennggunakannya aturann ke-i;
untuk k memodifik kasi daerah fuzzy, dann (c) metode
m Probaabilistik OR (pprobor)
menggaplikasikann nya ke ou utput dengann Pada mettode ini, solussi himpunan fuzzy f
mengggunakan opeerator OR (unnion). Jika see- d
diperoleh denngan cara melakukan
m prooduct
mua proposisi telaah dievaluasi, maka outpuut t
terhadap sem
mua output daeerah fuzzy. Secara
S
akan berisi suattu himpunann fuzzy yangg u
umum dituliskkan:
mereefleksikan konstribusi
k dari
d tiap-tiapp µsf[xi] ← (µsf[[xi]+ µkf[xi]) - (µsf[xi] * µkf
k [xi])
propoosisi. Secara umum
u dapat dituliskan: dengan:
µsf[xi] ← maxx(µsf[xi], µkf[xxi]) µsf[xi] = nilai keanggootaan solusi fuzzy
f
d
dengan: s
sampai aturann ke-i;
µsf[xi] = nilaii keanggotaann solusi fuzzyy µkf[xi] = nilai keangggotaan konseekuen
samppai aturan ke-i; f
fuzzy aturan ke-i;
k
µkf[xi] = nilaai keanggotaaan konsekuenn
fuzzyy aturan ke-i; (d) ppenegasan (deefuzzy)
Prosees inferensii dengan menggunakann Input darri proses deffuzzifikasi adalah
a
metoode Max dalam melakukkan komposissi suatu
s himpunnan fuzzy yaang diperolehh dari
aturaan seperti terliihat pada Gammbar 2.1. komposisi
k atuuran-aturan fuzzy, sedanngkan
Apab bila digunakaan fungsi im mplikasi MIN N, output
o yang dihasilkan merupakan suatu
makaa metode kom mposisi ini sering
s disebuut bilangan
b padda domain himpunan fuzzy f
denggan nama MA AX-MIN ataau MIN-MAX X tersebut. Sehhingga jika diberikan suatu
atau MAMDANI. himpunan
h fuzzzy dalam ran nge tertentu, maka
harus
h dapat diiambil suatu nilai crsip terrtentu
sebagai
s outpuut seperti terlihat pada Gaambar
2.2.
2

mbar 2.1. Kom

Gam mposisi aturan Fuzzy:
Gambar 2.2Proses
2 defu
uzzifikasi.
Metode MAX X.

39
Ada beberapa metode defuzzifikasi pada kom- buatan model motor DC dengan matlab simulink.
posisi aturan MAMDANI, antara lain: Setelah progam selesai kemudian dilakukan
a) Centroid Of Area (COA) pengujian, jika sudah didapatkan hasil yang baik

z
COA =
∫ Z µA( z ) zdz (error optimal) maka akan dilanjutkan ke tahap
selanjutnya, yaitu penarikan kesimpulan. Digram
∫ Z µA( z )dz alir metodologi penelitian ditunjukkan pada
.........................................(2.1) Gambar 3.1.
b) Bisector Of Area (BOA)
Z
BOA β
∫α µA( z ) dz = ∫ Z
BOA
µA( z ) dz
................................(2.2)
c) Mean Of Maximum (MOM)

z
MOM =
∫ Z' zdz

∫ Z' dz
.............................................(2.3)
b. Metode Sugeno
Penalaran dengan metode Sugeno hampir sama
dengan penalaran Mamdani, hanya saja output
(konsekuen) sistem tidak berupa himpunan
fuzzy, melainkan berupa konstanta atau persa-
maan linear. Metode ini diperkenalkan oleh
Takagi-Sugeno Kang pada tahun 1985.
1. Model Fuzzy Sugeno Orde-Nol
Secara umum bentuk model fuzzy Sugeno
Orde-Nol adalah:IF (x1 is A1) • (x2 is A2) •
(x3 is A3) • ...... • (xN is AN) THEN z=k
dengan Ai adalah himpunan fuzzy ke-i
sebagai anteseden, dan k adalah suatu
konstanta (tegas) sebagai konsekuen.
2. Model Fuzzy Sugeno Orde-Satu
Secara umum bentuk model fuzzy Sugeno
Orde-Satu adalah:
IF (x1 is A1) • ...... • (xN is AN) THEN z =
p1*x1 + … + pN*xN + q
dengan Ai adalah himpunan fuzzy ke-i
sebagai anteseden, dan pi 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,
2002)
III. METODE PENELITIAN
Sebelum melakukan penelitian, terlebih dahulu
mempelajari penelitian (riset) yang yang terkait
dengan topik. Tahap selanjutnya adalah pem-
Gambar 3.1 Diagram alir metode
penelitian
3.1. Pemodelan Motor DC dengan Matlab
Simulink
Model motor DC yang digunakan pada
penelitian ini diperoleh dari
http://www.mathworks.com/matlabcentral.
Model motor DC pada penelitian ini merupa-
kan model motor DC linear yang cukup
sederhana dengan beban yang fleksibel. Model
linier ini cukup baik untuk banyak sistem kendali
motor DC. Parameter motor DC diambil dari
katalog produk motor MAXON. Dalam katalog
ini tidak ada nilai tertentu untuk redaman me-
kanik. Ekspresi umum digunakan untuk kons-
tanta waktu mekanik, Tm = bm / Jm, dengan bm
adalah redaman mekanik dan Jm adalah inersia
rotor. Peneliti menggunakan simulasi untuk
memperkirakan redaman mekanik yang mem-
berikan tanggapan untuk waktu naik mekanis
dantan pabeban-saat ini.Gambar3.2 menunjukkan
model motor DC sedangkan Gambar 3.3 meru-
pakan model motor DC denganbeban yang
fleksibel

40 
 
  
 

Gambar 3.4. Sistem pengendalian motor DC

Mamdani

Perencanaan FIS Editor untuk fuzzy mamdani

ditunjukkan pada Gambar 3.5.
Gambar 3.2 model motor DC denganMatlab
Simulink

Gambar 3.5 FIS Editor Mamdani

Gambar 3.3 Model Motor DC dengan beban

fleksibel

3.3Perencanaan pengendalian motor DC

dengan mamdani dan sugeno
Perencanaan pengendalian motor DC
dengan logika fuzzy mamdani dilakukan dengan
menggunakan matlab simulink seperti ditunjuk-
kan pada gambar 3.4.

41 
 
 Gambar 3.6 Sistem pengendalian motor DC Sugeno

Perencanaan FIS editor untuk logika fuzzy

sugeno ditunjukkan pada Gambar 3.7.

Gambar 4.1. Tanggapan transien kendali motor

Gambar 3.7 Fuzzy Inference Systemeditorsugeno DC Mamdani

IV. HASIL DAN PEMBAHASAN 4.2 Hasil Simulasi Pengendali Motor DC

Sugeno
4.1 Hasil Simulasi Pengendali Motor DC
Mamdani
Setelah semua proses dilakukan selanjut-
nya dilakukan running program dan diperoleh
hasil tanggapan transien dari sinyal Error, sinyal
Delta Error, sinyal kontrol dan sinyal keluaran
seperti ditunjukkan pada Gambar 4.1.

Gambar 4.2. Tanggapan transien kendali motor

DC Sugeno.
 

42 
 

V. PENUTUP
Percobaan kendali motor DC dengan fuzzy
logicSugeno dan Mamdani dapat diambil bebe-
rapa kesimpulan sebagai berikut: kendalimotor
DC dengan fuzzy Mamdani maupun Sugeno,
keduanya tanpa adanya overshoot; Komputasi
untuk mencapai steady state paling cepat dengan
menggunakan kontroler fuzzy Sugeno yaitu 5,4
detik, dan untukfuzzy Mamdani 38,12 detik.
Untuk mencapai steady state, nilai tengah (SE)
himpunan keanggotaan outputfuzzysebesar 1,3;
Error mendekati nol tercepat dicapai oleh
Mamdani, sedangkan Sugeno lebih lambat. Delta
error fuzzy Mamdani lebih stabil dibanding
fuzzy Sugeno, Nilai steady state sinyal kontrol
hampir sama yaitu 1,2. Memperhatikan hal-hal
tersebut maka peneliti memberikan kesimpulan
bahwa kontrol dengan fuzzy Sugeno lebih
optimal.
DAFTAR PUSTAKA
Hanief, 2013, Motor DC, http://blogs.itb.ac.id,
Diakses tanggal 2 Oktober 2013.
Kusumadewi, S., 2004, Aplikasi Logika Duzzy
untuk Pendukung Keputusan, Graha Ilmu,
Yogyakarta.
Kusumadewi, S., 2002, Analisis dan Desain
Sistem Fuzzy Menggunakan Toolbox
Matlab, Graha Ilmu, Yogyakarta.
Kuswadi, S., 2007, Kendali Cerdas, Teori dan
Aplikasi Praktisnya, Andi, Yogyakarta.
Pasila, F., Thiang, dan Finaldi, O., 2000, Sistem
Kendali Hybrid Pid-Logika Fuzzy pada
Pengaturan Kecepatan Motor DC,
Proceedings, Komputer dan Sistem Intelijen
(Kommit 2000).
Supriyono, H., dan Roosyidi, R., 2008,
Implementasi Pengendalian Kecepatan
Motor DC dengan Pengendali Fuzzy-PID
menggunakan Realtime Windows Target
Matlab 6.5, Jurnal Penelitian Sains &
Teknologi, Vol. 9, No. 2.
Sutikno, dan Waspada, I., 2011, Perbandingan
Metode Defuzzifikasi Sistem Kendali
Logika Fuzzy Model Mamdani pada Motor
DC, Jurnal Masyarakat Informatika,
Volume 2, Nomor 3, ISSN 2086 – 4930
Wahyunggoro, O., 2004, Pengendalian Motor Dc
Menggunakan Algoritma Fuzi Berbasis
Komputer, SIGMA, Vol. 7, No.1, Januari
2004.
Wijaya, M., 2001, Dasar-dasar Mesin
Listrik, Djambatan, Jakarta.
43 
   

44