APLIKASI FUZZY LOGIC CONTROLLER UNTUK

PENGEREMAN KERETA API

TUGAS MATA SISTEM FUZZY

oleh
Luckyta Citra Paramita (171810101015)

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS JEMBER
2019
 Kereta api merupakan transportasi darat yang banyak diminati selain karena
harga yang lebih ekonomis, kereta api juga membutuhkan waktu yang cukup
singkat untuk mencapai tempat tujuan. Umumnya, sistem pengereman kereta api
yang masih menggunakan cara manual menimbulkan banyak ketidaknyamanan
bagi para penumpangnya, terutama saat terjadi hentakan kuat dan bunyi yang
nyaring yang mengganggu. Hal ini dikarenakan tidak adanya sistem control pada
kereta yang mengatur mengenai kecepatan kereta, jarak pengereman dan kekuatan
pengereman kereta. Gangguan saat pengereman kereta salah satunya dapat diatasi
dengan menggunakan sistem kontrol logika fuzzy (fuzzy logic controller). Dalam
system pengereman kereta api ini, digunakan metode logika fuzzy Mamdani,
dengan metode defuzzifikasi centroid. Adapun software yang dapat digunakan
untuk membuat aplikasi fuzzy, yaitu Micosoft Visual Studio 2005. Sedangkan
untuk membuat simulasi pengereman berbasis multimedia menggunakan
Macromedia Flash MX 2004. Aplikasi logika fuzzy untuk pengereman kereta api
menghasilkan output berupa bilangan crisp, dengan input berupa jarak
pengereman kereta api dengan stasiun dan kecepatan kereta sebelum dilaukannya
pengereman. Bilangan crisp disini digunakan sebagai acuan dalam melakukan
pengereman kereta api.
Logika fuzzy banyak digunakan dan diterapkan di bermacam-macam bidang
sebagai aspek penting yang dapat mempengaruhi dalam pengambilan keputusan.
Konsep dari logika fuzzy ditemukan oleh Professor Lotfi Astor Zedah pada 1962.
Pada dasanya logika fuzzy digunakan untuk system control pemecah masalah
yang dapat diteapkan pada perangkat keras. Kebenaran parsial pada fuzzy sangat
berguna bagi sistem untuk menyerupai kecerdasan manusia. Sifat sensitive dan
informative membuat logika fuzzy mampu mendeteksi kesalahan. Teori himpunan
fuzzy memungkinkan derajat keanggotaan suatu objek dari himpunan dan
biasanya disajikan dalam bentuk interval 0 dan 1. Ada dua langkah dalam
pengembangan aplikasi pengereman kereta api, yaitu perancangan system dan
implementasi system. Proses perancangan system idbagi menjadi tiga yaitu
fuzzifikasi, reasoning, dan defuzzifikasi.. Berikut adalah diagram box dari control
logika fuzzy (fuzzy logic controller ) :
 Input crisp

Langkah 1 Input fungsi

Fuzzifikasi
keanggotaan

Fuzzy input

Langkah 2 Reasoning Basis aturan

(evaluasi atuan)

Fuzzy output

Langkah 3 Output fungsi

Defuzzifikasi keanggotaan

Output Crisp

Gambar 1 Diagram blok fuzzy controller

1. Fuzzifikasi
Fuzzifikasi merupakan langkah awal dalan perancangan logika fuzzy. Proses
fuzzifikasi adalah proses perubahan nilai crisp ke dalam fungsi keanggotaan. Nilai
crisp pada proises ini akan dirubah menjadi menjadi peubah fuzzy (variabel
linguistic). Pada fuzzifikasi ditentukan fungsi keanggotaan dari dua vaiabel input
dan satu variabel output. Variable input yang digunakan yaitu kecepatan dan jarak
kereta dari stasiun, dan kekuatan pengereman digunakan sebagai output. Output

Derajat
Keanggotaan (
μ[ x ]¿
dari setiap fungsi keanggotaan adalah nilai fuzzy, dari bilangan crisp. Variabel
input kecepatan pada proses ini terbagi enjadi 5 fungsi keanggotaan, yaitu lambat
sekali, lambat, sedang, cepat, dan cepta sekali. Sedangkan, pada variable input
jarak terbagi menjadi 5 fungsi keanggotaan, yaitu pada (at), sangat dekat, dekat,
medium jauh, dan jauh. Untuk variable output kuat pengereman, terdapat 5 fungsi
keanggotaan, yaitu tidak ada, sangat sedikit, sedikit, medium, dan penuh (full).
Berikut adalah contoh grafik fungsi keanggotaan variable input kecepatan.

Domain (Km/Jam)
Gambar 2 fungsi keanggotaan variable input kecepatan.
Sesuai penjelasan sebelumnya bahwa pada variable input kecepatan terbagi
menjadi 5 fungsi keanggotaan yang memiliki rentang berbeda-beda. Pada gambar
tersebut terlihat bahwa range atau erentang yang digunakan yaitu 0 sampai dengan
70. Fungsi keanggotaan sangat lambat memiliki rentang kecepatan -2, 0, 2 dan
menggunakan fungsi segitiga, sama seperti fungsi keangotaan lambat, sedang, dan
fungsi keanggotaan cepat. Pada table, fungsi keanggotaan sangat cepat dimulai
dari 6.5, 25.5, sampai dengan 46,5 dan membentuk trapezium, sehingga fungsi
keanggotaan tersebut menggunkan fungsi segitiga.
Untuk membership function variable imput jarak dan variable output
kekuatan pengereman dapat menggunakan grafik seperti diatas, sesuai dengan
jumlah fungsi keanggotaannya. Pada fungsi keanggotaan variable input jarak,
sumbu horizontal menggunakan satuan meter. Fungsi keanggotaan variable output
kekuatan pengereman, sumbu horizontal menggunakan satuan persen (%). Berikut
Adalah tampilan grafik dari kedua fungsi keanggotaan variable tersebut :
 Derajat
Keanggotaan (
μ[ x ]¿

Domain (meter)
Gambar 3 fungsi keanggotaan variable input jarak.

Derajat
Keanggotaan (
μ[ x ]¿

Domain (%)
Gambar 4 fungsi keanggotaan variable output kekuatan pengereman.

2. Reasoning
Proses reasoning (pencocokan nilai fuzzy) dilakukan dari poses pencocokan
hasil fuzzifikasi dengan rule kwonledge base (berisi aturan logika) dan
menampilkan operasi fuzzy untuk dilakukannya inferensi. Basis aturan berupa
relasi jika-maka atau if-then. Contoh, jika p adalah X maka q adalah Y, X dan Y
disini merupakan rentang vaiabel dari linguistic values. Jika p adalah X adalah
pernyataan antecedent (premis) dan q adalah Y adalah konsekuen. Output pada
proses ini yaitu fuzzy output, dan teknik yang digunakan yaitu metode max-min
yang pengambilan keputasannya berdasarkan pada aturan operasi Mamdani.
Metode ini ditemukan oleh Ebrahim Mamdani tahun 1975. Keptusan yang
diambil berdasarkan aturan ke i dapat dinyatakan dengan α i ⋀ μci ( z ), sehingga
keanggotaan dari C adalah titik yang diberikan oleh :
μci ( z )=( α 1 ⋀ μc ( z ) ) ⋁ ( α 2 ⋀ μc 2 ( z ) ) ⋁ … ⋁ ( α i ⋀ μci ( z ) )
 Berikut adalah rule kwoledge base yang berisi aturan-aturan logika dan juga
terdapat poses pengambilan keputusan max-min pada gambar 5.
- Jika kecepatannya lambat sekali dan jarak adalah at (pada), maka kuat
pengeremannya yaitu penuh (full).
- Jika kecepatannya lambat dan jarak sangat dekat, maka kuat pengeremannya
yaitu penuh (full).
- Jika kecepatannya sangat lambat dan jarak at (pada), maka kuat
pengeremannya adalah penuh.
- Jika kecepatnnya sangat lambat dan jarak sangat dekat, maka kuat
pengeremannya medium (sedang).
- Jika kecepatannya sangat lambat dan jarak dekat, maka kuat pengeremannya
yaitu sedikit.
- Jika kekuatannya lambat dan jarak at, maka kuat pengeremannya adalah full.
- Jika kecepatannya sedang dan jarak jauh, maka kuat pengeremannya tidak
ada.
- Jika kecepatnnya cepat dan jarak jauh, maka kuat pengeremannya tidak ada.
- Jika kecepatannya pelan dan jarak dekat, maka kuat pengeremannya tidak
ada.
- Jika kecepatan sedang dan jarak medium jauh, maka kuat pengeremannya
adalah tidak ada.
- Jika kecepatannya cepat dan jarak medium jauh, maka kuat pengeremannya
adalah tidak ada.
 Gambar 5 Metode max-min.
3. Defuzzifikasi
Fuzzy output yang telah didapatkan tadi akan dirubah menjadi bilangan crisp
(bentuk tegasnya) dengan metode centroid pada saat defuzzifikasi untuk
menentukan kekuatan pengereman. Metode centroid ini juga dikenal sebagai
metode Center of Area (COA) atau Center of Grafity. Output yang dihasilkan
pada proses ini yaitu suatu bilangan domain himpunan fuzzy. Output crisp
diperoleh berdasarkan titik berat dari kurva hasil proses pengambilan keputusan.
Selanjutnya, setelah proses defuzzifikasi selesai dilakukan simulasi hasil yang
didapat dalam tampilan flash. Beikut adalah tampilan dari metode centroid
(gambar 4) dan contoh hasil simulasi dari pengereman kereta (gambar 5).

Gambar 4 metode centroid

Gambar 5 hasil simulasi pengereman kereta.
 Adapun persamaan yang digunakan pada metode ini, dapat dilihat pada
gamba persamaan dibawah ini. Dengan keterangan, μ(z ) adalah agregasi output

dari fungsi keanggotaan, dan z sebagai nilai output fuzzy.

❑

∫ zμ ( z ) dz n

z= z
atau
∑ z j μ (z j)
❑
z= j=1
∫ μ ( z ) dz μ( z j)
z

Nilai rata-rata masing-masing kuat pengereman dapat diepresentasikan

kedalam sebuah grafik juga. Grafik pengereman kereta api secara manual akan
lebih terjal dibandingkan dengan pengereman yang dilakukan dengan logika
fuzzy. Pada saat pengereman manual, akan diberikan pada roda kereta api yang
dilakukan secara maksimal, sehingga hanya membutuhkan waktu yang singkat.
Sedangkan, saat menggunkan logika fuzzy, pengereman akan dilakukan secara
bertahap terhadap kecepatan kereta api pada saat itu. Sehingga proses pengereman
menggunakan logika fuzzy memerlukan waktu yang lebih lama. Kelebihan
penggunaan logika fuzzy pada saat pengereman prototip roda kereta api dilakukan
lebih pelan atau soft dibandingkan saat menggunakan metode manual yang
mengahsilkan hentakan dan bunyi khas yang nyaring.