Analisis Kestabilan Quadcopter Dengan Metode Fuzzy Logic: Universitas Sumatera Utara

ANALISIS KESTABILAN QUADCOPTER DENGAN
METODE FUZZY LOGIC
TESIS
DODY HIDAYAT
137038040
PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas sumatera Utara

METODE FUZZY LOGIC
TESIS
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah

Magister Teknik Informatika
DODY HIDAYAT
137038040
PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016

i
PENGESAHAN
Judul Tesis : ANALISIS KESTABILAN QUADCOPTER

DENGAN METODE FUZZY LOGIC
Kategori : TESIS
Nama Mahasiswa : DODY HIDAYAT
Nomor Induk Mahasiswa : 137038040
Program Studi : Magister (S2) Teknik Informatika
Fakultas : Fakultas Ilmu Komputer Dan Teknologi Informasi
KomisiPembimbing :
Pembimbing 2 Pembimbing 1
Prof.Dr.Drs.Iryanto, M.Si Prof. Dr. Tulus, Vor.Dipl.Math.,M.Si
Diketahui /Disetujui Oleh

Program Studi Magister (S2) Teknik Informatika
Ketua
Prof. Dr. Muhammad Zarlis

NIP : 195070111986011003

ii
PERNYATAAN

METODE FUZZY LOGIC
TESIS
Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 09 Februari 2016
Dody Hidayat
136038040

iii
PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH UNTUK KEPENTINGAN
AKADEMIS
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan di
bawah ini:
Nama : Dody Hidayat

NIM : 137038040
Program Studi : Magister (S2) Teknik Informatika
Jenis Karya Ilmiah : Tesis
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada

Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty
Free Right) atas Tesis saya yang berjudul:

METODE FUZZY LOGIC
Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-
Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media,
memformat, mengelolah dalam bentuk data-base, merawat dan mempublikasikan
Tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya
sebagai penulis dan sebagai pemegang dan atau sebagai pemilik hak cipta.
Demikian pernyataan ini dibuat dengan sebenarnya.
Dody Hidayat
137038040

iv
Telah diuji pada

Tanggal: 09 Februari 2016
PANITIA PENGUJI TESIS
Ketua : Prof. Dr. Tulus, Vor.Dipl.Math.,M.Si
Anggota : 1. Prof Dr. Drs. Iryanto, M.Si
2. Prof. Dr. Opim Salim Sitompul
3. Prof. Dr. Muhammad Zarlis

v
RIWAYAT HIDUP
DATA PRIBADI
Nama : Dody Hidayat
Tempat danTanggal Lahir : Rantauprapat, 23 Januari 1991
Alamat Rumah : Jln. Karya Wisata Komplek Luxor No.C-7 Medan
Telepon/Fax/HP : -/-/081375349300
E-mail : hidayatdody91@gmail.com
DATA PENDIDIKAN
SD : SD Negeri 112143 Rantauprapat TAMAT : 2003
SMP : SMP Negeri 1 Rantau Selatan, Rantauprapat TAMAT : 2006
SMA : SMA Negeri 1 Rantau Selatan, Rantauprapat TAMAT : 2009
S1 : Teknik Informatika STTH Medan TAMAT : 2013
S2 : Teknik Informatika USU Medan TAMAT : 2016

vi
UCAPAN TERIMA KASIH
Alhamdulillah puji dan syukur penulis ucapkan sangat mendalam kehadirat Allah
SWT, yang telah memberikan rahmat dan karunianya kepada penulis sehingga tulisan
ilmiah dalam bentuk tesis ini dapat di selesaikan tepat pada waktunya.
Penulisan tesis ini pada dasarnya adalah kewajiban akhir dari perkuliahan
untuk memenuhi salah satu syarat memperoleh gelar Sarjana program Studi Strata
Dua (S-2) Teknik Informatika Universitas Sumatera Utara
Adapun judul tesis adalah : “ANALISIS KESTABILAN QUADCOPTER DENGAN

METODE FUZZY LOGIC”.
Dalam menyelesaikan tesis ini, penulis banyak mendapat pelajaran yang besar
baik berupa saran maupun nasehat dari berbagai pihak terutama dari dosen
pembimbing dan dosen pembanding, sehingga pengerjaan tesis ini dapat diselesaikan
dengan baik. Tidak lepas dari dukungan orang tua, yang juga telah banyak
memberikan bantuan sehingga penulis dapat sampai pada tahap penyelesaian tesis ini.
Untuk itu penulis ingin menyampaikan ucapan terima kasih yang sebesar-
besarnya kepada :
1. Kedua Orangtua penulis Ayahanda H.Syahruddin dan Ibunda Hj. Nurasni
Sembiring tercinta yang telah memberikan kasih sayangnya, doa yang tak
pernah putus serta dorongan moril maupun materil kepada penulis sehingga
dapat menyelesaikan tesis ini dengan baik.
2. Bapak Prof. Dr. Muhammad Zarlis, selaku Ketua Program Studi Pasca sarjana
Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi
Universitas Sumatera Utara Medan.
3. Bapak Prof. Dr. Tulus Selaku Dosen Pembimbing I yang telah bersedia
memberikan bimbingan serta pengarahan hingga selesainya penulisan tesis ini.

vii
4. Bapak Prof. Dr. Drs. Iryanto, M.Si Selaku Dosen Pembimbing II yang telah
bersedia memberikan bimbingan serta pengarahan hingga selesainya penuliasn
tesis ini.
5. Bapak dan Ibu Dosen Pembanding/Penguji yang telah memberikan saran
untuk perbaikan dan penyelesaian tesis ini.
6. Bapak dan Ibu Dosen yang telah memberikan materi perkuliahan dan ilmu
pengetahuan selama penulis menyelesaikan Program Studi Pasca sarjana
Teknik Informatika.
7. Segenap sivitas akademika Program Studi Pasca sarjana Teknik Informatika
Sumatera Utara.
8. Teman – teman seperjuangan Angkatan 2013 Kom-C yang telah memberikan
dukungan dalam penyelesaian tesis ini.
9. Kakak penulis dr. Lidya Rahmatika dan sahabat-sahabat penulis yang tidak
dapat penulis sebutkan satu persartu yang telah banyak memberikan dorongan
dan bantuan kepada penulis sehingga dapat menyelesaikan tesis ini.
Penulis menyadari bahwa masih ada kekurangan dalam penulisan tesis ini.
Untuk itu, penulis mengharapkan kritik dan saran dari pembaca demi kesempurnaan
penulisan tesis ini.
Akhir kata penulis berharap semoga karya ilmiah ini dapat bermanfaat bagi
semua pihak, khususnya dalam bidang pendidikan. Penulis menyadari bahwa masih
ada kekurangan dalam penulisan tesis ini, untuk itu, penulis mengharapkan kritik dan
saran dari pembaca demi kesempurnaan tulisan ini.

Penulis
Dody Hidayat
137038040

viii
ABSTRAK
Quadcopter merupakan pesawat tanpa awak yang memiliki empat buah motor
penggerak yang setiap motornya dilengkapi dengan propeller (baling-baling).
Pengendalian kestabilan terbang quadcopter sangat penting dilakukan agar
performansi quadcopter dapat dicapai dengan optimal. Beberapa penelitian untuk
kesetabilan quadcopter yang sudah dilakukan dengan beberapa metode yakni dengan
metode control Proposional, Integral, Derivatif (PID), control fuzzy dengan inferensi
Sugeno dan Mamdani. Permasalah umum yang terjadi pada quadcopter adalah tentang
kestabilan terbang quadcopter tersebut. Kestabilan pada quadcopter dapat terganggu
karena daya angkat yang berbeda pada keempat motor penggeraknya yang disebabkan
oleh berbagai faktor diantaranya adalah tekanan udara yang berbeda yang
menyebabkan terjadinya kemiringan-kemiringan pada sumbu x dan y dan adanya
beban yang dimiliki oleh quadcopter. Untuk menyelesaikan permasalahan tersebut
dibutuhkan kontrol kestabilan dalam menentukan kecepatan motor penggerak
quadcopter tersebut. Penelitian ini bertujuan mendapatkan konfigurasi kontrol
kestabilan yang optimal pada quadcopter setelah diterapkan metode fuzzy logic
inferensi Tsukamoto. Hasil penelitian ini menyatakan metode fuzzy logic inferensi
Tsukamoto dapat memberikan tingkat akurasi yang baik dalam menentukan
kestabilan quadcopter yang dinilai dari input beban, kemiringan sumbu x dan
kemiringan sumbu y sehingga hasil yang dicapai dapat memberikan kontrol
pertambahan kecepatan keempat motor penggerak quadcopter tersebut.
Kata kunci: Quadcopter, Kestabilan, Fuzzy Logic, Tsukamoto

ix
QUADCOPTER STABILITY ANALYSIS

WITH FUZZY LOGIC
ABSTRACT
Quadcopter an unmanned aircraft that has four motor that each bike is equipped with a
propeller (propeller). Stability control quadcopter fly very important to do so
performance can be achieved with optimal quadcopter. Some studies for stability
quadcopter has been done by several methods namely the control method
Proportional, Integral, Derivative (PID) control Sugeno fuzzy inference and
Mamdani. Common problems that occur in quadcopter is about the stability of the
quadcopter fly. The stability of the quadcopter can be disrupted due to the different lift
on the fourth driving motor caused by various factors including the different air
pressure that caused the tilts on the x-axis and y and the burden of which is owned by
quadcopter. To resolve these problems needed stability control in determining the
speed of the motor of the quadcopter. This study aims to obtain an optimal
configuration stability control on quadcopter after application of fuzzy logic inference
method Tsukamoto. Results of this study states fuzzy logic inference Tsukamoto
method can provide a good degree of accuracy in determining the stability quadcopter
assessed from the input load, the slope of the x-axis and y-axis tilt so that the results
achieved can provide gain control of the fourth speed of the drive motor quadcopter.
Keywords: Quadcopter, Stability, Fuzzy Logic, Tsukamoto

x
DAFTAR ISI
PENGESAHAN i
PERNYATAAN ORISANILITAS ii
PERSETUJUAN PUBLIKASI iii
PANITIA PENGUJI iv
RIWAYAT HIDUP v
UCAPAN TERIMAKASIH vi
ABSTRAK viii
ABSTRACT ix
DAFTAR ISI x
DAFTAR TABEL xiii
DAFTAR GAMBAR xiv
BAB I PENDAHULUAN 1
1.1. Latar Belakang 1
1.2. Perumusan Masalah 3
1.3. Batasan Masalah 3
1.4. Tujuan Penelitian 3
1.5. Manfaat Penelitian 3
BAB II TINJAUAN PUSTAKA 4
2.1. Quadcopter 4
2.2. Fuzzy Logic 5
2.2.1. Basis Pengetahuan Fuzzy 6
2.2.2. Fuzzyfikasi 6
2.2.3. Proses Inferensi 6
2.2.4. Defuzzifikasi 7
2.3. Fungsi Keanggotaan 7

xi
2.3.1. Kurva Linier 7

2.3.2. Kurva Segitiga 9
2.3.3. Kurva Trapesium 10
2.4. Himpunan Fuzzy (Fuzzy Set) 11
2.5. Rule IF – THEN 13
2.6. Metode Tsukamoto 14
2.7. Accelerometer 15
2.8. Gyroscope 16
2.9. Mikrokontroller 17
2.10 Motor Brushless DC Motor (BLDCM) 17
2.11. Penelitian Terkait 19
BAB III METODOLOGI PENELITIAN 22
3.1. Pendahuluan 22
3.2. Tahapan Penelitian 22
3.3. Analisa Kebutuhan 26
3.3.1. Skema Letak Motor Penggerak 26
3.3.2. Hubungan Motor Dengan Kemiringan Sumbu X dan Y 27
3.4. Identifikasi Variabel 27
3.5. Perancangan Fungsi Keanggotaan 28
3.5.1. Variabel Beban 28
3.5.2. Variabel Kemiringan Sumbu X 29
3.5.3. Variabel Kemiringan Sumbu Y 31
3.6. Aturan Fuzzy 32
BAB IV HASIL DAN PEMBAHASAN 41
4.1. Pendahuluan 41
4.2. Pengujian Pertama 42
4.3. Pengujian Kedua 49
4.4. Analisa Pengujian 60
4.5. Hasil Percobaan 60
BAB V KESIMPULAN DAN SARAN 67

xii
5.1. Kesimpulan 67
5.2. Saran 67
DAFTAR PUSTAKA 68
LAMPIRAN

xiii
DAFTAR TABEL
Tabel 2.1 Penelitian Terkait 19

Tabel 3.1 Daftar Aturan Fuzzy Pada Motor 1 32
Tabel 4.1 Data Beban Quadcopter 41
Tabel 4.2 Data Sensor Accelerometer dan Gyroscope 42
Tabel 4.3 Hasil Percobaan 61

xiv
DAFTAR GAMBAR
Gambar 2.1 Quadcopter 4

Gambar 2.2 Kurva Linear Naik 7
Gambar 2.3 Kurva Linear Turun 8
Gambar 2.4 Representasi Kurva Segitiga 9
Gambar 2.5 Kurva Trapesium 10
Gambar 2.6 Sensor Accelerometer 16
Gambar 2.7 Motor Brushless 18
Gambar 3.1 Tahapan Penelitian 23
Gambar 3.2 Diagram Alir Penilaian Kecepatan Motor 25
Gambar 3.3 Skema Letak Motor Pada Quadcopter 26
Gambar 3.4 Hubungan Motor Dengan Kemiringan Sumbu X dan Y 27
Gambar 3.5 Desain Fungsi Keanggotaan Segitiga Pada Variabel Beban 28
Gambar 3.6 Desain Fungsi Keanggotaan Segitiga Pada Variabel 30
Kemiringan Sumbu X
Gambar 3.7 Desain Fungsi Keanggotaan Segitiga Pada Variabel 31
Kemiringan Sumbu Y

1
BAB 1
PENDAHULUAN
1.1. Latar Belakang
Quadcopter merupakan pesawat tanpa awak yang memiliki empat buah motor
penggerak yang setiap motornya dilengkapi dengan propeller (baling-baling).
Quadcopter dapat terbang mandiri dan juga dapat dikontrol jarak jauh. Keunggulan
dari quadcopter adalah dapat terbang dan bermanuver secara bebas serta ukurannya
yang dapat didesain sesuai dengan kebutuhannya. Keunggulan ini membuat
quadcopter memiliki kegunaan yang amat banyak dan strategis. Salah satu kegunaan
dari quadcopter adalah sebagai robot pengintai.
Permasalah umum yang sering terjadi pada quadcopter adalah tentang kontrol
kestabilan terbang quadcopter tersebut. Kestabilan pada quadcopter dapat terganggu
karena daya angkat yang berbeda pada keempat motor penggeraknya yang disebabkan
oleh berbagai faktor diantaranya tekanan udara yang berbeda, beban yang berayun dan
distribusi beban yang tidak sama pada keempat motornya. Untuk mencapai tujuan
terbang yang optimal maka stabilisasi terbang quadcopter perlu dipertahankan.
Pengendalian kesetabilan terbang quadcopter sangat penting dilakukan agar
performansi quadcopter dapat dicapai dengan optimal. Beberapa penelitian untuk
kesetabilan quadcopter sudah dilakukan dengan beberapa metode yakni dengan
metode control Proposional, Integral, Derivatif (PID), control fuzzy dengan inferensi
sugeno dan mamdani.
Penelitian yang dilakukan oleh A. Hendriawan pada tahun 2012. Penelitian
tersebut menganalisa sistem control altitude pada Unmanned Aerial vehicle (UAV)
model quadcopter dengan metode PID. Hasilnya mendapatkan control PID yang
bekerja dengan baik (Hendriawan, et al., 2012).

2
Tnunay melakukan penelitian pada tahun 2013 menganalisa auto tuning

quadcopter menggunakan loop shapping yang hasilnya menunjukkan untuk
pengaturan PID yang optimal dibutuhkan nilai konstanta kp, ki, dan kd yang optimal
juga (Tnunay, et al., 2013).
Penelitian lain juga dilakukan oleh Benavidez pada tahun 2014 tentang
Landing of a Quadcopter on a Mobile Base Using Fuzzy Logic melakukan penelitian
terhadap quadcopter dengan desain dan simulasi fuzzy logic kontroller untuk
melakukan pendaratan, melayang, dan kontrol ketinggian. Penerapan dengan metode
inference Mamdani digunakan untuk mengkonversi masukan sensor menjadi sinyal
kontrol yang digunakan untuk mengontrol Unmanned Aerial vehicle (UAV)
(Benavidez, et al., 2014) . Dari beberapa penelitian yang telah dilakukan diatas tidak
menerapkan kontrol kestabilan pada quadcopter sehingga untuk mengintegrasikan
kontroler terhadap kestabilan perlu dioptimalkan.
Hasil dari beberapa penelitian yang telah dilakukan pada pengontrolan
quadcopter menunjukkan bahwa peluang untuk dilakukannya pengembangan pada
kestabilan quadcopter masih terbuka luas dan penting terutama dengan pemanfaatan
metode fuzzy logic. Dengan menggunakan himpunan fuzzy maka suatu nilai
keanggotaan tidak hanya bernilai 0 (nol) atau 1(satu), yang berarti kita dapat
menginterpretasikan suatu nilai diantara 0 dan 1 di dalam suatu nilai sehingga dapat
bersifat lebih tepat dibandingkan dengan himpunan tegas (Crisp). Suatu nilai dapat
memiliki nilai keanggotaan lebih besar atau lebih kecil. Dengan demikian, suatu
himpunan fuzzy adalah himpunan yang berisi elemen-elemen yang mempunyai
berbagai derajat keanggotaan dalam himpunan. Teori fuzzy menyediakan sebuah
kerangka kerja matematis untuk merepresentasikan dan memperlakukan
ketidakpastian dalam bentuk kekaburan, ketidaktepatan, kebocoran informasi, dan
bagian kebenaran (Tettamanzi & Tomassini, 2001).
Berdasarkan hal tersebut di atas, maka penulis tertarik untuk melakukan
penelitian mengenai “Analisis Kestabilan Quadcopter Dengan Metode Fuzzy
Logic”.

3
1.2 Perumusan Masalah
Dari latar belakang adapun rumusan masalah adalah menerapkan metode fuzzy logic
dalam pengontrolan kestabilan quadcopter.
1.3. Batasan Masalah
Agar pembahasan lebih terarah dan tidak menyimpang dari pokok masalah, maka
penulis memberikan batasan-batasan pembahasan dalam penelitian ini yaitu:
1. Analisa kestabilan quadcopter menggunakan fuzzy inference Tsukamoto

2. Model fungsi keanggotaan yang digunakan adalah model segitiga
3. Stabilisasi quadcopter hanya dilihat dari faktor-faktor eksternal yang diukur oleh
sensor accelerometer dan gyroscope.
4. Penelitian tidak membahas navigasi
1.4 Tujuan Penelitian
Tujuan penelitian yang akan dilakukan adalah mendapatkan konfigurasi kontrol

kestabilan yang optimal pada quadcopter setelah diterapkan metode fuzzy logic.
1.5 Manfaat Penelitian
Manfaat penelitian yang akan dicapai yaitu:
1. Menambah ilmu pengetahuan dan wawasan tentang sistem kontrol dan metode
fuzzy logic .
2. Kontrol kestabilan quadcopter dengan penerapan metode fuzzy logic serta
kombinasi sensor accelerometer dan gyroscope menghasilkan kontribusi
sebagai acuan penelitian untuk pengembangan lebih lanjut .

4
BAB II
TINJAUAN PUSTAKA
2.1 Quadcopter
Quadcopter adalah pengembangan dari helicopter yang hanya memiliki sebuah rotor,
teknologi yang terdapat pada quadcopter menggunakan sinkronisasi antara keempat
rotor yang dikonfigurasikan dalam bentuk frame plus (+) dimana rotor depan dan
belakang berputar searah jarum jam, sedangkan rotor sebelah kanan dan kiri bergerak
berlawanan arah jarum jam. Quadcopterdapat melakukan take off dan landing secara
vertikal. Dua pasang baling-baling (1,4) dan (2,3) berputar dengan arah yang
berlawanan (Kardono, AK, & Fatoni, 2012).
Gambar 2.1 Quadcopter

(Achtelik, et al., 2011)

5
Dengan memvariasikan kecepatan rotor, dapat mengubah gaya angkat dan

menciptakan gerak. Dengan demikian, meningkatkan atau menurunkan kecepatan
keempat baling-baling bersama-sama menghasilkan gerakan vertikal. Mengubah
kecepatan baling-baling 2 (kiri) dan 3 (kanan) akan menghasilkan gerakan rotasi roll
ditambah dengan gerakan translasi terhadap sumbu y sedangkan mengubah kecepatan
baling-baling 1 (depan) dan 4 (belakang) akan menghasilkan gerakan rotasi pitch
ditambah dengan gerakan translasi terhadap sumbu x.
2.2 Fuzzy Logic
Logika fuzzy yang pertama kali diperkenalkan oleh Lotfi A. Zadeh, memiliki derajat
keanggotaan dalam rentang 0 (nol) hingga 1 (satu), Berbeda dengan system kontrol
konvesional yang mendefinisikan sesuatu dengan kategori benar dan salah (1 atau 0)
selain nilai itu akan dibulatkan atau diabaikan, logika fuzzy disini dapat
mendefinisikan nilai dengan beberapa kategori. Seperti misalkan dalam bahasa
keseharian manusia yang menyatakan sesuatu dengan kata “sangat banyak”,
“banyak”, “sangat sedikit”, “sangat panas”, “sangat dingin” dan seterusnya. Maka
nanti output dari logika fuzzy tidak hanya berupa nilai 1 atau 0, melainkan ada
beberapa nilai yang menjadi output yang akan digunakan untuk melakukan proses
pada sistem kontrol (Budiharto & Suhartono, 2014).
Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain
1. Konsep logika fuzzy mudah dimengerti. Karena logika fuzzy menggunakan dasar
teori himpunan, maka konsep matematis yang mendasari penalaran fuzzy tersebut
cukup mudah untuk dimengerti.
2. Logika Fuzzy sangat fleksibel, artinya mampu beradaptasi dengan perubahan-
perubahan, dan ketidakpastian yang menyertai permasalahan.
3. Logika fuzzy memiliki toleransi terhadap data yang tidak tepat. Jika diberikan
sekelompok data yang cukup homogen, dan kemudian ada beberapa data yang
“eksklusif”, maka logika fuzzy memiliki kemampuan untuk menangani data
eksklusif tersebut.
4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.

6
5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman

para pakar secara langsung tanpa harus melalui proses pelatihan. Dalam hal ini,
sering dikenal dengan nama Fuzzy Expert Systems menjadi bagian terpenting.
6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara
konvensional. Hal ini umumnya terjadi pada aplikasi di bidang teknik mesin
maupun teknik elektro.
Secara umum, struktur dasar logika fuzzy terdiri dari Pengetahuan dasar
(Knowledge Base), Proses Fuzzifikasi, Mesin Inferensi, dan proses Defuzzifikasi.
Penjelasan mengenai diagram struktur dasar logika fuzzy adalah sebagai berikut:
2.2.1. Basis Pengetahuan Fuzzy
Semua prosedur-prosedur yang akan digunakan dalam proses Fuzzifikasi, Interferensi,

dan Defuzzifikasi mengacu pada apa yang ada pada basis pengetahuan fuzzy. Maka
dari itu, basis pengetahuan fuzzy sangat berperan penting dalam sistem fuzzy.
2.2.2. Fuzzifikasi
Fuzzifikasi adalah bagian dari sistem Fuzzy yang berfungsi untuk merubah nilai yang
bersifat pasti (Crispt) kedalam variabel linguistik. Proses ini terdiri dari pembentukan
membership function yang sesuai dengan basis pengetahuan fuzzy.
2.2.3. Proses Inferensi

Proses inferensi bertujuan untuk memetakan logika untuk mengambil keputusan. Pada
bagian ini biasanya digambarkan dengan table FAM (Fuzzy Associative Map).
Pengambilan keputusan untuk output fuzzy disini ditentukan sendiri oleh operator
yang membuat logika fuzzy tersebut, dengan mengacu pada basis pengetahuan fuzzy.
Biasa proses ini berupa pernyataan implikasi seperti kata Jika-Maka atau yang biasa
disebut dengan IF-Then Rules.

7
2.2.4. Defuzzifikasi
Proses terakhir dalam sistem fuzzy adalah defuzzifikasi, dimana proses ini bertujuan
untuk merubah kembali nilai linguistik output dari proses inferensi menjadi nilai pasti
(crispt) yang akan digunakan pada proses sistem kontrol selanjutnya.
2.3 Fungsi Keanggotaan
Fungsi keanggotaan fuzzy (membership function) adalah suatu kurva yang

menunjukkan pemetaan titik-titik input data ke dalam derajat keanggotaannya yang
nilainya berkisar antara 0 hingga 1. Salah satu cara yang dapat digunakan untuk
mendapatkan nilai kenaggotaan adalah dengan melalui pendekatan fungsi (Jang, et al.,
1997). Beberapa fungsi keanggotaan fuzzy, yaitu:
2.3.1 Kurva Linear
Kurva Linear adalah pemetaan input ke derajat keanggotannya digambarkan

sebagai suatu garis lurus. Pada representasi linear terdapat 2 kemungkinan, yaitu:
a. Kurva Linier Naik dapat dilihat pada gambar 2.2
1.0 1.0
 
0 a b 0 a b
Domain Domain
Linier Naik Linier Turun
Gambar 2.2 Kurva Linear Naik
Kurva linier naik merupakan himpunan yang dimulai pada nilai domain yang
memiliki derajat keanggotaan nol (0) bergerak ke arah kanan menuju nilai domain
yang memiliki derajat keanggotaan lebih tinggi.

8
Fungsi Keanggotaan:
0; 𝑥≤𝑎
𝑥−𝑎 (2.1)
𝜇 𝑥, 𝑎, 𝑏 = ; 𝑎 ≤𝑥 ≤𝑏
𝑏−𝑎
1; 𝑥≥𝑏
Keterangan:
µ = fungsi keanggotaan himpunan
a = nilai domain yang mempunyai derajat keanggotaan nol
b = nilai domain yang mempunyai derajat keanggotaan satu
x = nilai input yang akan di ubah ke dalam bilangan fuzzy
b. Kurva Linier Turun, dapat dilihat pada gambar 2.3
1.0 1.0
 
0 a b 0 a b
Domain Domain
Linier Naik Linier Turun
Gambar 2.3 Kurva Linear Turun
Kurva linier turun seperti yang ditunjukkan pada gambar 2.3 merupakan
himpunan dimana dimulai dari nilai domain dengan derajat keanggotaan tertinggi
pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat
keanggotaan lebih rendah.

9
Fungsi Keanggotaan:
1; 𝑥≤𝑎
𝑏−𝑥
𝜇 𝑥, 𝑎, 𝑏 = ; 𝑎 ≤𝑥 ≤𝑏
𝑏−𝑎 (2.2)
0; 𝑥≥𝑏
Keterangan:
a = nilai domain yang mempunyai derajat keanggotaan satu
b = nilai domain yang mempunyai derajat keanggotaan nol
x = nilai input yang akan di ubah ke dalam bilangan fuzzy
2.3.2 Kurva Segitiga
Pada gambar 2.4 dapat dilihat representasi dari kurva segitiga.
1.0
0 a b c
Segitiga
Gambar 2.4 Representasi Kurva Segitiga
Kurva segitiga yang ditunjukkan pada gambar 2.4 pada dasarnya terbentuk dari
gabungan antara 2 garis (linear).

10
Fungsi Keanggotaan:
0; 𝑥 ≤ 𝑎 𝑎𝑡𝑎𝑢 𝑥 ≥ 𝑐
𝑥−𝑎
; 𝑎<𝑥≤𝑏
μ [x] = 𝑏 − 𝑎 (2.3)
𝑐−𝑥
; 𝑏<𝑥 <𝑐
𝑐−𝑏
Keterangan:
a = nilai domain terkecil yang mempunyai derajat keanggotaan nol
b = nilai domain yang mempunyai derajat keanggotaan satu
c = nilai domain terbesar yang mempunyai derajat keanggotaan nol
x = Nilai input yang akan di ubah ke dalam bilangan fuzzy
Dimana parameter {a,b,c} (dengan a<b<c) yang menentukan koordinat x dari ketiga
sudut segitiga tersebut.
2.3.3 Kurva Trapesium
Pada gambar 2.5 dapat dilihat kurva trapezium.
1.0
0 a b c d
Trapesium
Gambar 2.5 Kurva Trapesium

11
Kurva trapesium seperti yang ditunjukkan pada gambar 2.5 pada dasarnya kurva
trapesium adalah kurva segitiga, namun ada beberapa titik ditengah yang mempunyai
nilai keanggotaan 1.
Fungsi Keanggotaan:
0; 𝑥 ≤ 𝑎 𝑎𝑡𝑎𝑢 𝑥 ≥ 𝑑
𝑥−𝑎
; 𝑎≤𝑥≤𝑏
𝑏−𝑎
μ [x] = 1; 𝑏 ≤ 𝑥 ≤ 𝑐 (2.4)
𝑑−𝑥
; 𝑐≤𝑥 ≤𝑑
𝑑−𝑐
Keterangan :
a = Nilai domain terkecil yang mempunyai derajat keanggotaan nol
b = Nilai domain terkecil yang mempunyai derajat keanggotaan satu
c = Nilai domain terbesar yang mempunyai derajat keanggotaan satu
d = Nilai domain terbesar yang mempunyai derajat keanggotaan nol
x = Nilai input yang akan di ubah ke dalam bilangan fuzzy
Dimana, parameter {a,b,c,d} (dengan a<b<c<d) yang menentukan koordinat x dari

keempat sudut trapesium tersebut,
2.4 Himpunan Fuzzy (Fuzzy Set)
Himpunan fuzzy (fuzzy set) merupakan sekumpulan obyek x dimana masing-masing

obyek memiliki nilai keanggotaan (membership function) “μ” atau disebut juga
dengan nilai kebenaran. Jika X adalah sekumpulan obyek dan anggotanya dinyatakan
dengan x maka fuzzy set dari A di dalam X adalah himpunan dengan sepasang anggota
atau dapat dinyatakan dengan :

12
𝐴= { μA(𝑥) | 𝑥∶𝑥∈X, 𝐴(𝑥) ∈[0,1] ∈ R }
Contoh : Terdapat suatu himpunan data yang berisikan variabel usia dengan klasifikasi
sebagai berikut :
a. Muda : jika usia sampai dengan 30 tahun

b. Parobaya : jika usia lebih besar dari 30 tahun dan lebih kecil dari 50 tahun
c. Tua : jika usia lebih besar dari atau sama dengan 50 tahun
Maka pada himpunan crisp untuk dapat disimpulkan bahwa :
1. Apabila seseorang berusia 29 tahun maka ia dikatakan Muda (μ Muda[29]=1).
2. Apabila seseorang berusia 32 tahun maka ia dikatakan Tidak Muda (μ Muda
[32]=0).
Jika pada himpunan crisp, nilai keanggotaan hanya ada 2 (dua) kemungkinan, yaitu : 0
(nol) dan 1 (satu), maka pada fuzzy set nilai keanggotaan terletak pada rentang 0 (nol)
sampai 1 (satu).
Dalam pembentukan suatu fuzzy set terdapat beberapa hal yang perlu diketahui,
yaitu :
1. Variabel fuzzy, merupakan variabel yang hendak dibahas dalam suatu sistem
fuzzy.
Contoh : usia, temperatur, dan lain-lain.
2. Himpunan Fuzzy (Fuzzy set), merupakan suatu grup yang memiliki suatu
kondisi atau keadaan tertentu dalam suatu variabel fuzzy.
Contoh: Variabel usia memiliki himpunan MUDA, PAROBAYA, dan TUA.
3. Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan
himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari
kiri ke kanan atau sebaliknya. Nilai semesta pembicaraan dapat berupa
bilangan positif maupun negatif.
Contoh semesta pembicaraan untuk variabel usia : [0 +∞]

13
4. Domain fuzzy set adalah keseluruhan nilai yang diizinkan dan boleh
dioperasikan dalam suatu fuzzy set. Seperti halnya semesta pembicaraan,
domain merupakan himpunan bilangan real yang senantiasa naik (bertambah)
secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif
maupun negatif.
Contoh domain fuzzy set untuk variabel usia :
a. Muda = [0, 30]
b. Parobaya = [30, 50]
c. Tua = [50, ∞].
Fuzzy set memiliki 2 (dua) atribut, yaitu :

1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti : MUDA,
PAROBAYA, TUA
2. Numeris, yaitu suatu nilai (angka) yang menunjukan ukuran dari suatu
variabel, seperti: 40, 25, 35.
2.5 Rule IF – THEN

Rule adalah sebuah struktur knowledge yang menghubungkan beberapa informasi
yang sudah diketahui ke informasi lain sehingga dapat disimpulkan. Sebuah rule
adalah sebuah bentuk knowledge yang procedural.
Sistem pakar berbasis rule adalah sebuah program komputer untuk
memproses masalah dari informasi spesifik yang terdapat dalam memori aktif dengan
sebuah set dari rule dalam knowledge base, dengan menggunakan inference engine
untuk menghasilkan informasi baru.
Struktur rule secara logika menghubungkan satu atau lebih
antiseden(juga disebut premis) yang terletak dalam bagian IF dengan satu atau
lebih konsekuen (juga disebut konklusi) yang terletak dalam bagian THEN.
Secara umum, sebuah rule dapat menpunya premis jamak dihubungkan dengan

14
pernyataan AND (konjungsi) pernyataan OR (disjungsi) atau kombinasi dari

keduanya.
Dalam sistem pakar berbasis rule domain knowledge ditampung dalam
sebuah set dari rules dan dimasukkan dalam basis sistem pengetahuan. Sistem
menggunakan aturan ini dengan informasi selama berada dalam memori aktif
untuk memecahkan masalah. Sistem pakar berbasis rule mempunyai arsitektur
yang dapat dijelaskan sebagai berikut:
1. User interface
Digunakan sebagai media oleh user untuk melihat dan berinteraksi dengan sistem.
2. Developer interface
Media yang digunakan untuk mengembangkan sistem oleh engineer.
3. Fasilitas penjelasan
Sub sistem yang berfungsi untuk menyediakan penjelesan dalam sistem
reasoning.
4. Program eksternal
Program seperti database, spreadsheet, yang bekerja dalam mendukung
keseluruhan sistem.
2.6 Metode Tsukamoto

Pada metode Tsukamoto, implikasi setiap aturan berbentuk implikasi “Sebab-Akibat”
Implikasi “Input-Output” dimana antara anteseden dan konsekuen harus ada
hubungannya. Setiap aturan direpresentasikan menggunakan himpunan-himpunan
fuzzy, dengan fungsi keanggotaan yang monoton. Kemudian untuk menentukan hasil
tegas (Crisp Solution) digunakan rumus penegasan (defuzifikasi) yang disebut
“Metode rata-rata terpusat” atau “Metode defuzifikasi rata-rata terpusat (Center
Average Deffuzzyfier) (Sutojo, et al., 2011)
Secara umum bentuk model fuzzy Tsukamoto adalah:

If (X is A) and (Y is B) then (Z is C)

15
Adapun persamaan untuk menghitung hasil inferensi metode Tsukamoto adalah

sebagai berikut.
α1 ∗ z1 + α2 ∗ z2 + … … + αn ∗ zn
𝑍= (2.5)
α1 + α2 + ⋯ + αn
Dimana:
αn = Derajat Keanggotaan dari Aturan ke- n
zn = Nilai dari Aturan ke- n

Z = Nilai rata-rata terbobot
2.7 Accelerometer
Accelerometer merupakan sensor percepatan, dengan keluaran berupa tegangan per

gravitasi bumi (mV/g). Sensor accelerometer mengukur percepatan akibat gerakan
benda yang melekat padanya. Pada saat diam percepatan suatu benda nol (tegangan
accelerometer nol), ketika digerakkan percepatan positif (tegangan accelerometer
relatif positsif dibandingkan tegangan offsetnya) dan kemudian negatif (tegangan
accelerometer relatif negatif dibandingkan tegangan offset-nya), sehingga pada saat
berhenti percepatannya kembali nol. Pada gerak tersebut, kecepatan suatu benda
bertambah dan kemudian berkurang dan akhirnya menjadi nol saat berhenti (Wahyudi,
et al., 2009).

16
Gambar 2.6 Sensor Accelerometer

(Wahyudi, et al., 2009)
Kalibrasi yang dilakukan menggunakan accelerometer berbeda dengan

kalibrasi yang dilakukan untuk sensor pada umumnya. Sebagian besar sensor yang ada
di pasaran, mempunyai keluaran yang berbanding lurus dengan besaran fisik yang
akan disensor, sedangkan pada accelerometer (digunakan untuk mengukur jarak),
untuk mendapatkan data jarak perlu diintegralkan dua kali. Faktor kalibrasi diperoleh
dengan mengetahui hasil integral sinyal accelerometer dan jarak yang ditempuh. Hasil
kalibrasi dilakukan pada ketiga sumbu x, sumbu y, dan sumbu z, dengan
memperhatikan algoritma tertentu.
Accelerometer berfungsi memberikan informasi kepada pengontrol posisi

kemiringan body quadcopter. Informasi yang diterima, diolah oleh pengontrol untuk
melakukan aksi dengan menggerakkan motor.
2.8 Gyroscope
Sensor gyroscope merupakan sensor yang berfungsi untuk mendeteksi perubahan

sudut atau mempertahan posisi terhadap perubahan gravitasi bumi. Sensor gyroscope
memiliki keluaran berupa perubahan kecepatan sudut dari sumbu x, sumbu y dan
sumbu z. Sensor gyroscope dapat ditemukan pada modul nertial measurement unit

17
(IMU) . Modul tersebut merupakan suatu unit dalam modul elektronik yang bertugas
mengumpulkan data kecepatan angular dan akselerasi linear (Latif, et al., 2014).
Perbedaan antara gyroscope dengan accelerometer adalah gyroscope

digunakan untuk mengukur kecepatan rotasi dari suatu benda sedangkan
accelerometer digunakan untuk mengukur percepatan suatu benda. Tegangan masukan
sensor gyroscope adalah tegangan DC +5 volt sedangkan keluarannya antara 0,25 volt
sampai 3,75 volt Bagian dari gyroscope terdiri dari sebuah piringan (rotor) yang
berputar pada sumbu putar (spin axis). Gyroscope mempunyai kemampuan untuk
berputar pada tiga sumbu putar (3 degree of rotational freedom ). Walaupun
gyroscope mempunyai 3 degree of rotational freedom , namun rotor akan selalu\ tetap
berada pada posisinya, selama dia berputar. Saat ketiga kerangka gimbal berputar,
rotor tidak mengikuti putarannya.
2.9 Mikrokontroller
Mikrokontroler adalah sebuah komputer kecil (“special purpose computers”) di dalam

satu IC yang berisi CPU , memori , timer, saluran komunikasi serial dan parelel, port
input/output, ADC. Mikrokontroler digunakan untuk suatu tugas dan menjalankan
suatu program (Andrianto, 2013).
Pada saat ini penggunaan mikrokontroler dapat kita temui pada bebabagai
peralatan, misalnya Peralatan yang terdapat di rumah, seperti telepon digital,
microwave oven, telivisi, mesin cuci, sistem keamanan rumah, PDA, dll.
Mikrokontroler dapat kita gunakan untuk berbagai aplikasi misalnya untuk
penegndalian, otomatisasi industri, akuisi data, telekomunikasi dan lain-lain.
Keuntungan menggunakan mikrokontroler yaitu harganya murah, dapat diprogram
berulang kali, dan dapat kita program sesuai dengan keinginan kita.
2.10 Motor Brushless DC Motor (BLDCM)
BLDC motor atau dapat disebut juga dengan BLAC motor merupakan motor listrik
synchronous AC 3 fasa. Perbedaan pemberian nama ini terjadi karena BLDCM

18
memiliki BEMF berbentuk trapezoid, sedangkan BLACM memiliki BEMF

berbentuk sinusoidal. Walaupun demikian keduanya memiliki struktur yang sama dan
dapat dikendalikan dengan metode six - step maupun PWM sinusoidal (Azzumar,
2012).
Gambar 2.7 Motor Brushless

(Kardono, AK, & Fatoni, 2012).
Dibandingkan dengan motor DC, BLDCM memiliki biaya perawatan yang

lebih rendah dan kecepatan yang lebih tinggi akibat tidak digunakannya brush .
Dibandingkan dengan motor induksi, BLCM memiliki efisiensi yang lebih tinggi
karena rotor dan torsi awal yang lebih tinggi karena rotor terbuat dari magnet
permanen. Walaupun memiliki kelebihan dibandingkan dengan motor DC dan motor
induksi, pengendalian BLDCM jauh lebih rumit untuk kecepatan dan torsi yang
konstan karena tidak adanya brush yang menunjang proses komutasi dan harga
BLDCM jauh lebih mahal.
Secara umum BLDCM terdiri dari dua bagian, yakni rotor, bagian yang
bergerak, yang terbuat dari permanen magnet dan stator, bagian yang tidak bergerak,
yang terbuat dari kumparan 3 fasa. Walaupun merupakan motor listrik synchronous
AC 3 fasa, motor ini tetap disebut dengan BLDCM karena pada implementasinya
BLDCM mengguna kan sumber DC sebagai sumber energi utama yang kemudian
diubah menjadi tegangan AC dengan menggunakan inverter 3 fasa. Tujuan dari
pemberian tegangan AC 3 fasa pada stator BLDCM adalah menciptakan medan
magnet putar stator untuk menarik magnet rotor.

19
2.11 Penelitian Terkait
Adapaun penelitian yang terkait dalam pembahasan penelitian ini dapat dilihat pada
Tabel 2.1
Tabel 2.1 Penelitian Terkait
Penulis Judul penelitian Hasil penelitian

(Hendriawan, Sistem Kontrol Dari hasil pengujian yang telah dilakukan
et al., 2012) Altitude Pada UAV menunjukkan bahwa sistem kontrol PID
Model Quadcopter telah bekerja dengan baik, dengan
Dengan Metode PID parameter Kp = 0.4500, Kd=0.025 dan
Ki=0.001. Quadcopter dapat menjaga
stabilitas altitude yang diharapkan.
(Kardono, AK, Perancangan dan Hasil penelitian didapatkan nilai parameter
& Fatoni, Implementasi Sistem kontrol Linier Quadratic Regulator (LQR)
2012). Pengaturan Optimal dari hasil tuning diperoleh parameter R=1
LQ Runtuk Menjaga dan Q=Q4 yang pada simulasi dapat
Kestabilan Hover terbang hover pada ketinggian 2 m, dan
pada Quadcopter dapat mengatasi gangguan dengan rise
time selama 0,1332detik. Respon hasil
implementasi pada quadcopter tidak sebaik
dengan hasil simulasi, terbang hover
dengan set point ketinggian 100 cm masih
berisolasi antara 50 cm sampai 200 cm
(Latif, et al., Perancangan Sistem Berdasarkan hasil pengujian, rentang nilai
2014) Autonomous ADC sensor gyroscope dengan kemiringan
Quadcopter sudut 0 hingga 180 adalah 67 sampai 101.

20
Tabel 2.1 Penelitian Terkait (lanjutan)

(Benavidez, et Landing of a Penelitan yang dilakukan menyajikan
al., 2014) Quadcopter on a desain dan simulasi fuzzy logic controller
Mobile Base Using untuk melakukan pendaratan, melayang,
Fuzzy Logic dan kontrol ketinggian. Pengolahan citra
dengan jenis inferensi Mamdani digunakan
untuk mengkonversi masukan sensor
menjadi sinyal kontrol yang digunakan
untuk mengontrol UAV. Dalam
penelitiannya dirancang pengendali fuzzy
mengendalikan ketinggian dan melayang
ditempatkan di atas target. penelitian
menunjukkan simulasi kontroler dilakukan
menggunakan kombinasi terbuka alat
sumber Fuzzy Lite, ROS Gazebo dengan
TUMArDrone Simulator. Hasil simulasi
menunjukkan kinerja yang dapat diterima
dari kontrol ketinggian dan kontroler juga
mendarat. Pekerjaan di masa depan pada
pengembangan sistem ini adalah untuk
mengintegrasikan kontroler bersama-sama
melalui mesin fuzzy.
(Achtelik, et Visual Tracking and Hasil penelitian menunjukkan gerakan
al., 2009) Control of Quadcopter quadcopter adalah stabil dikontrol
Using a Stereo berdasarkan umpan balik visual dan
Camera System and pengukuran sensor inersia.
Inertial Sensors

21
Tabel 2.1 Penelitian Terkait (lanjutan)

(Desa, 2013) Adaptive Hybrid Penelitian yang dilakukan menyajikan
Control Algorithm hybrid adaptif Logika Fuzzy baru
Design for Attitude berdasarkan PID (FPID) Algoritma hibrida
Stabilization of adaptif ini disimulasikan pada MATLAB
Quadrotor dan dibandingkan dengan konvensi PID
(UAV) kontroler. Hasil simulasi membuktikan
bahwa diusulkan adaptif Fuzzy Logic
hybrid berbasis PID (FPID) kontroler
memberikan hasil yang lebih baik dalam
jangka waktu respon dan menetap waktu
dalam aplikasi UAV quardrotor sebagai
dibandingkan dengan konvensi PID
kontroler.
(Sharma & Controlling of Quad- Penelitian yang dilakukan menghasilkan
Barve, 2012)
rotor UAV Using PID pengendalian quad-rotor dengan
Controller and Fuzzy membandingkan dua metode. Hasilnya
Logic Controller akhir yang diperoleh menunjukkan
quadrotor mendapat posisi yang lebih baik
dan cepat stabil. ketika kontroler fuzzy
digunakan dan stabilitas adalah faktor
utama untuk menjalankan sistem apapun.

22
BAB III
METODOLOGI PENELITIAN
3.1 Pendahuluan
Pembahasan dalam tesis ini bertujuan untuk mendapatkan kontrol kestabilan yang
optimal pada quadcopter melalui pendekatan metode fuzzy logic. Proses pengolahan
setiap variabel dilakukan dengan fuzzy inference sistem model Tsukamoto. untuk
mengendalikan kecepatan keempat motor penggerak dari quadcopter. Data masukan
tentang orientasi quadcopter didapat nilai sumbu x, dan sumbu y yang berisi informasi
tentang kemiringan relatif dari quadcopter. Data ini akan mewakili nilai dari posisi
kemiringan relatif quadcopter.
3.2 Tahapan Penelitian

Tahap-tahap dalam penelitian yang akan dilaksanakan dapat diilihat pada Gambar 3.1

23
Latar belakang dan Perumusan

Masalah
Penentuan Tujuan Studi Literatur
Pengumpulan Data
Analisa Kebutuhan
Implementasi
Fuzzy Tsukamoto
Fuzzyfikasi
Proses Infrensi
Defuzzyfikasi
Analisa Penilaian Fuzzy

Tsukamoto
Kesimpulnan dan Saran
Gambar 3.1 Tahapan Penelitian
Pada gambar 3.1 diatas tahap awal dari penelitian ini adalah menentukan latar
belakang serta tujuan dari penelitian. Studi literatur dilakukan untuk memperdalam
pemahaman tentang cara kerja metode Tsukamoto serta tahapan-tahapan apa saja yang
harus dilakukan dalam menganalisis kestabilan quadcopter sehingga metode
Tsukamoto dapat diterapkan dalam penelitian ini. Studi literatur dikumpulkan melalui
berbagai sumber kepustakaan, baik berupa buku, jurnal, prosiding, tesis dan lain-lain
sebagai bahan pendukung. Selain itu penulis juga berkonsultasi dengan dosen
pembimbing agar penulisan tesis lebih terarah.

24
Tahap kedua adalah analisa kebutuhan, pada tahap ini, akan ditentukan
kebutuhan apa saja yang diperlukan dalam menyusun perhitungan sistematis pada
metode fuzzy inferensi Tsukamoto, terutama menyusun himpunan fuzzy dan
membership function menggunakan piecewise linear function triangular dalam
fuzzyfikasi, mengetahui atribut linguistik dan numeris yang digunakan dalam fungsi
keanggotaan fuzzy , serta aturan- aturan yang digunakan untuk mesin inferensi.
Himpunan fuzzy dan fungsi keanggotaan untuk fuzzyfikasi dalam kontrol kestabilan
quadcopter.
Pada tahap ketiga adalah pengumpulan data Tahap ini berupa observasi untuk
mengumpulkan data yang dibutuhkan untuk kepentingan penelitian. Data yang
diperoleh adalah data inputan dari beban quadcopter dan data dari sensor
accelerometer dan gyroscope yang berisis tentang kemiringan-kemiringan pada sumbu
x dan y. Tahap keempat adalah implementasi metode Tsukamoto melalui tahap
fuzzyfikasi, proses inferensi dan defuzzifikasi. Tahap kelima adalah analisa hasil
penilaian kestabilan quadcopter dengan menggunkan metode Tsukamoto. Selanjutnya
pada tahapa terakhir adalah memberikan kesimpulan dan saran.
Flowchart sistem kestabilan quadcopter dengan menggunakan metode fuzzy

Tsukamoto ini dapat dilihat pada Gambar 3.2.

25
Mulai
Input Nilai
Himpunan Fuzzy
Fuzzyfikasi
Proses Inferensi
Defuzzyfikasi
Persentasi
Kenaikan
Kecepatan Motor
Selesai
Gambar 3.2 Diagram Alir Penilaian Kecepatan Motor
Pada gambar 3.2 diatas aliran data penentuan persentasi kenaikan kecepatan empat
buah motor penggerak menggunakan metode fuzzy Tsukamoto dapat dimulai dari
input himpunan fuzzy yang mencakup beban, kemiringan sumbu x dan kemiringan
sumbu y, Lakukan proses fuzzifikasi untuk menentukan derajat keanggotaan setiap
nilai fuzzy. Setelah itu lakukan proses inferensi sesuai dengan aturan fuzzy yang
digunakan sehingga dapat diperoleh nilai sesuai aturan fuzzy,. selanjutnya lakukan
proses defuzzifikasi sehingga dapat diperoleh nilai kecepatan tiap-tiap motor.
Terakhir dilakukan diagnosa untuk menentukan persentasi kenaikan kecepatan motor.

26
3.3. Analisa Kebutuhan

3.3.1 Skema Letak Motor Penggerak
Skema letak motor penggerak pada masing-masing desain lengan quadcopter yang
terdiri dari 4 buah motor penggerak yakni motor 1, motor 2, motor 3 dan motor 4.
Adapun skema letak motor dapat dilihat pada Gambar 3.3.
Motor Motor
2 1
Motor Motor
3 4
Gambar 3.3 Skema Letak Motor Pada Quadcopter
Pada gambar 3.3 diatas dapat dilihat skema letak motor pada quadcopter dimana
setiap lengan quadcopter terdiri atas empat buah motor penggerak dan pada keempat
buah motornya terpasang baling-baling (propeller). Dibagian tengah (pusat) dari
desain quadcopter terletak mikrokontroller yang fungsinya sebagai sistem kontrol
pada quadcopter tersebut

27
3.3.2 Hubungan Motor Dengan Kemiringan Sumbu X dan Y

Hubungan motor penggerak pada quadcopter dengan kemiringan sumbu x dan sumbu
y dapat dilihat pada gambar 3.4. Dimana pada saat sumbu x atau sumbu y mengalami
perubahan sudut kemiringan maka motor mengalami kenaikan kecepatan.
CW
M2
X
CCW M3 M1 CW
M4
CCW
Gambar 3.4 Hubungan Motor Dengan Kemiringan Sumbu X dan Y
3.4 Identifikasi Variabel
Dalam identfikasi fungsi keanggotaan fuzzy inferensi sistem, penulis membutuhkan

data input yang terdiri dari tiga variabel dan satu variabel output.
Variabel input terdiri dari :
1. Variabel Beban
2. Variabel Kemiringan Sumbu X

28
3. Variabel Kemiringan Sumbu Y
Pada variabel beban data tersebut akan digunakan sebagai parameter fungsi
keanggotaan fuzzy yang terdiri dari 3 daerah liguistik yaitu Ringan (R), Sedang (S)
dan Berat (B). Sedangkan pada variabel kemiringan sumbu x dan sumbu y, data yang
digunakan sebagai parameter keanggotaan fuzzy tediri dari 3 daerah linguistik yaitu
Clock Wise (CW), Normal (N) dan Counter Clock Wise (CCW).
Variabel output terdiri dari persentasi kenaikan kecepatan empat buah motor
penggerak dimana data tersebut digunakan sebagai fungsi keanggotaan fuzzy yang
terdiri dari 4 daerah linguistik yaitu Tetap (T), Lambat (L), Sedang (S) dan Cepat (C).
3.5. Perancangan Fungsi Keanggotaan
3.5.1. Variabel Beban
Desain fungsi keanggotaan fuzzy Segitiga untuk variabel Beban terdiri dari 3 daerah
linguistik yaitu R (0, 100, 200 ), S (100, 200, 300) dan B (200, 300, 400).
RINGAN SEDANG BERAT

1
Derajat Keanggotaan
0 100 200 300 400

NILAI BEBAN
Gambar 3.5 Desain Fungsi Keanggotaan Segitiga Pada Variabel Beban

29
Dari gambar 3.5 maka derajat keanggotaan variabel beban dapat dihitung dengan
rumus sebagai berikut:
Himpunan variabel BebanRingan;
1, 𝑥 ≤ 100
200−𝑥
µBebanringan [𝑥] = 200−100
, 100 ≤ 𝑥 ≤ 200
0, 𝑥 ≥ 200
Himpunan variabel BebanSedang;
1, 𝑥 = 200
𝑥−100
, 100 ≤ 𝑥 ≤ 200
200−100
µBebanSedang [𝑥] = 300−𝑥
, 100 ≤ 𝑥 ≤ 300
300−200
0, 𝑥 ≤ 100 , 𝑥 ≥ 300
Himpunan variabel BebanBerat;
1, 𝑥 ≥ 300
𝑥−200
µBebanBerat[x] = 300−200
, 200 ≤ 𝑥 ≤ 300
0, 𝑥 ≤ 200
3.5.2. Variabel Kemiringan Sumbu X
Desain fungsi keanggotaan fuzzy Segitiga untuk variabel kemiringan sumbu x terdiri
dari 3 daerah linguistik yaitu CW (-20, -10, 0 ), Normal (-10, 0, 10 ) dan CCW (0, 10,
20 ).

30
CW NORMAL CCW
1
Derajat Keanggotaan
0 -20 -10 0 10 20
NILAI KEMIRINGAN SUMBU X
Gambar 3.6 Desain Fungsi Keanggotaan Segitiga

Pada Variabel Kemiringan Sumbu X
Dari gambar 3.6 diatas maka derajat keanggotaan variabel kemiringann sumbu x dapat
dihitung dengan rumus sebagai berikut:
Himpunan variabel Sumbu XCW;
1, 𝑥 ≤ −10
0−𝑥
µSumbu XCW [𝑥] = 0+10 , −10 ≤ 𝑥 ≤ 0
0, 𝑥 ≥ 0
Himpunan variabel Sumbu XNormal;
1, 𝑥 = 0
𝑥+10
, −10 ≤ 𝑥 ≤ 0
0+10
µSumbu XNormal [𝑥] = 10−𝑥
, 0 ≤ 𝑥 ≤ 10
10−0
0, 𝑥 ≤ −10 , 𝑥 ≥ 10

31
Himpunan variabel Sumbu XCCW;
1, 𝑥 ≥ 10
𝑥−0
µSumbu XCCW [𝑥] = 10−0 , 0 ≤ 𝑥 ≤ 10
0, 𝑥 ≤ 0
3.5.3. Variabel Kemiringan Sumbu Y
Desain fungsi keanggotaan fuzzy Segitiga untuk variabel kemiringan sumbu y terdiri
dari 3 daerah linguistik yaitu CW (-20, -10, 0 ), Normal (-10, 0, 10 ) dan CCW (0, 10,
20 ).
CW NORMAL CCW
1
Derajat Keanggotaan
0 -20 -10 0 10 20
NILAI KEMIRINGAN SUMBU Y
Gambar 3.7 Desain Fungsi Keanggotaan Segitiga

Pada Variabel Kemiringan Sumbu Y
Dari gambar 3.7 diatas maka derajat keanggotaan variabel kemiringann sumbu y dapat
dihitung dengan rumus sebagai berikut:

32
Himpunan variabel Sumbu YCW;
1, 𝑥 ≤ −10
0−𝑥
µSumbu YCW [𝑥] = 0+10
, −10 ≤ 𝑥 ≤ 0
0, 𝑥 ≥ 0
Himpunan variabel Sumbu YNormal;
1, 𝑥 = 0
𝑥+10
, −10 ≤ 𝑥 ≤ 0
0+10
µSumbu YNormal [𝑥] = 10−𝑥
, 0 ≤ 𝑥 ≤ 10
10−0
0, 𝑥 ≤ −10 , 𝑥 ≥ 10
Himpunan variabel Sumbu YCCW
1, 𝑥 ≥ 10
𝑥−0
µSumbu YCCW [𝑥] = 10−0 , 0 ≤ 𝑥 ≤ 10
0, 𝑥 ≤ 0
3.6 Aturan Fuzzy
Atururan fuzzy yang didefenisikan untuk fuzzy inferensi sistem Tsukamoto ada
sebanyak 27 aturan sebagaimana ditampilkan pada Tabel 3.1, 3.2, 3.3 dan 3.4.
Tabel 3.1 Daftar Aturan Fuzzy Pada Motor 1
MOTOR
RULE BEBAN SUMBU Y SUMBU X
1
1 IF RINGAN AND CW AND CW THEN LAMBAT
2 IF RINGAN AND CW AND NORMAL THEN TETAP
3 IF RINGAN AND CW AND CCW THEN TETAP

33
Tabel 3.1 Daftar Aturan Fuzzy Pada Motor 1 (lanjutan)
MOTOR
1
4 IF RINGAN AND NORMAL AND CW THEN LAMBAT
5 IF RINGAN AND NORMAL AND NORMAL THEN TETAP
6 IF RINGAN AND NORMAL AND CCW THEN TETAP
7 IF RINGAN AND CCW AND CW THEN LAMBAT
8 IF RINGAN AND CCW AND NORMAL THEN TETAP
9 IF RINGAN AND CCW AND CCW THEN TETAP
10 IF SEDANG AND CW AND CW THEN SEDANG
11 IF SEDANG AND CW AND NORMAL THEN LAMBAT
12 IF SEDANG AND CW AND CCW THEN LAMBAT
13 IF SEDANG AND NORMAL AND CW THEN SEDANG
14 IF SEDANG AND NORMAL AND NORMAL THEN LAMBAT
15 IF SEDANG AND NORMAL AND CCW THEN LAMBAT
16 IF SEDANG AND CCW AND CW THEN SEDANG
17 IF SEDANG AND CCW AND NORMAL THEN LAMBAT
18 IF SEDANG AND CCW AND CCW THEN LAMBAT
19 IF BERAT AND CW AND CW THEN CEPAT
20 IF BERAT AND CW AND NORMAL THEN SEDANG

34
MOTOR
1
21 IF BERAT AND CW AND CCW THEN SEDANG
22 IF BERAT AND NORMAL AND CW THEN CEPAT
23 IF BERAT AND NORMAL AND NORMAL THEN SEDANG
24 IF BERAT AND NORMAL AND CCW THEN SEDANG
25 IF BERAT AND CCW AND CW THEN CEPAT
26 IF BERAT AND CCW AND NORMAL THEN SEDANG
27 IF BERAT AND CCW AND CCW THEN SEDANG
MOTOR
2
1 IF RINGAN AND CW AND CW THEN LAMBAT
2 IF RINGAN AND CW AND NORMAL THEN LAMBAT
3 IF RINGAN AND CW AND CCW THEN LAMBAT
4 IF RINGAN AND NORMAL AND CW THEN TETAP

35
MOTOR
2
7 IF RINGAN AND CCW AND CW THEN TETAP
9 IF RINGAN AND CCW AND CCW THEN TETAP
10 IF SEDANG AND CW AND CW THEN SEDANG
11 IF SEDANG AND CW AND NORMAL THEN SEDANG
12 IF SEDANG AND CW AND CCW THEN SEDANG
13 IF SEDANG AND NORMAL AND CW THEN LAMBAT
16 IF SEDANG AND CCW AND CW THEN LAMBAT
18 IF SEDANG AND CCW AND CCW THEN LAMBAT
19 IF BERAT AND CW AND CW THEN CEPAT
20 IF BERAT AND CW AND NORMAL THEN CEPAT
21 IF BERAT AND CW AND CCW THEN CEPAT
22 IF BERAT AND NORMAL AND CW THEN SEDANG

36
MOTOR
2
25 IF BERAT AND CCW AND CW THEN SEDANG
27 IF BERAT AND CCW AND CCW THEN SEDANG
MOTOR
3
1 IF RINGAN AND CW AND CW THEN TETAP
3 IF RINGAN AND CW AND CCW THEN LAMBAT
6 IF RINGAN AND NORMAL AND CCW THEN LAMBAT
7 IF RINGAN AND CCW AND CW THEN TETAP
9 IF RINGAN AND CCW AND CCW THEN LAMBAT
10 IF SEDANG AND CW AND CW THEN LAMBAT

37
MOTOR
3
12 IF SEDANG AND CW AND CCW THEN SEDANG
15 IF SEDANG AND NORMAL AND CCW THEN SEDANG
16 IF SEDANG AND CCW AND CW THEN LAMBAT
18 IF SEDANG AND CCW AND CCW THEN SEDANG
19 IF BERAT AND CW AND CW THEN SEDANG
21 IF BERAT AND CW AND CCW THEN CEPAT
24 IF BERAT AND NORMAL AND CCW THEN CEPAT
25 IF BERAT AND CCW AND CW THEN SEDANG
27 IF BERAT AND CCW AND CCW THEN CEPAT

38
MOTOR
4
1 IF RINGAN AND CW AND CW THEN TETAP
3 IF RINGAN AND CW AND CCW THEN TETAP
7 IF RINGAN AND CCW AND CW THEN LAMBAT
8 IF RINGAN AND CCW AND NORMAL THEN LAMBAT
9 IF RINGAN AND CCW AND CCW THEN LAMBAT
10 IF SEDANG AND CW AND CW THEN LAMBAT
12 IF SEDANG AND CW AND CCW THEN LAMBAT
16 IF SEDANG AND CCW AND CW THEN SEDANG
17 IF SEDANG AND CCW AND NORMAL THEN SEDANG
18 IF SEDANG AND CCW AND CCW THEN SEDANG

39
MOTOR
4
19 IF BERAT AND CW AND CW THEN SEDANG
21 IF BERAT AND CW AND CCW THEN SEDANG
25 IF BERAT AND CCW AND CW THEN CEPAT
26 IF BERAT AND CCW AND NORMAL THEN CEPAT
27 IF BERAT AND CCW AND CCW THEN CEPAT
Keterangan:
Sumbu X:
1. CW : Bernilai negative (-)

2. Normal : Bernilai 0
3. CCW : Bernilai positif (+)
Sumbu Y:
1. CW : Bernilai negative (-)

2. Normal : Bernilai 0
3. CCW : Bernilai (+)

40
Peningkatan kecepatan Motor :
1. Tetap : 0%
2. Lambat : 20%
3. Sedang : 30%
4. Cepat : 40%

41
BAB IV
HASIL DAN PEMBAHASAN
4.1 Pendahuluan
Pada penelitian ini akan ditampilkan hasil penelitian kontrol kestabilan quadcopter
untuk menentukan kecepatan motor penggerak quadcopter yang meggunakan metode
fuzzy logic model Tsukamoto. Pada pengujian kontrol kestabilan dengan logika fuzzy
ini digunakan variabel masukan dan variabel keluaran yang digunakan untuk
membangun logika fuzzy. Dimana variabel masukan terdiri atas, beban, kemiringan
sumbu x, dan kemiringan sumbu y. Data kemiringan sumbu x dan y diperoleh dari
data sensor accelerometer dan gyroscope. Berikut adalah sebagian data Beban, sensor
accelerometer dan gyroscope yang digunakan dapat dilihat pada Tabel 4.1 dan Tabel
4.2.
Tabel 4.1 Data Beban Quadcopter
Data Beban Quadcopter (gram)
0 7 14 21 28 35 42
1 8 15 22 29 36 43
2 9 16 23 30 37 44
3 10 17 24 31 38 45
4 11 18 25 32 39 46
5 12 19 26 33 40 47
6 13 20 27 34 41 48

42
Tabel 4.2 Data Sensor Accelerometer Dan Gyroscope
Kemiringan Sumbu X Kemiringan Sumbu Y
-20 -12 -5 2 10 18 -20 -12 -5 2 10 18
-19 -11 -4 3 11 19 -19 -11 -4 3 11 19
-18 -10 -4 4 12 20 -18 -10 -4 4 12 20
-17 -9 -3 5 13 -17 -9 -3 5 13
-16 -9 -2 6 14 -16 -9 -2 6 14
-15 -8 -1 7 15 -15 -8 -1 7 15
-14 -7 0 8 16 -14 -7 0 8 16
-13 -6 1 9 17 -13 -6 1 9 17
4.2 Pengujian Pertama
Pada pengujian pertama nilai-nilai beban diambil dalam range 0 – 400, nilai pada
kemiringan sumbu x diambil dalam range -180 – 180 dan nilai kemiringan sumbu y
diambil dalam range -90 – 90. Untuk data yang lebih lengkap dapat dilihat pada
lampiran 1,2 dan 3. Contoh pengujian dapat dilihat sebagai berikut:
Beban : 30
X : -2
Y : 12
Sebelum dilakukan inferensi perlu dicari dahulu derajat keanggotaan nilai tiap
variabel dalam setiap himpunan fuzzy pada pengujian pertama sebagai berikut:

43
Variabel Beban
µRINGAN(30) = 1
µSEDANG(30) = 0
µBERAT(30) = 0
Variabel Sumbu X
µCW(-2) = (0 - (-2)) / (0 - (-10))

= 0,2
µNORMAL(-2) = (-2 - (-10)) / (0 - (-10))
= 0,8
µCCW(-2) = 0
Variabel Sumbu Y
µCW(12) = 0
µNORMAL(12) = 0
µCCW(12) = 1
Setelah mendapatkan nilai keanggotaan pada pengujian pertama yang dilakukan pada
proses fuzzyfikasi maka langkah selanjutnya adalah proses perhitungan yang
dilakukan dengan menggunakan rule yang telah ditentukan. Prosesnya adalah sebagai
berikut.
Rule Pada Motor 1
[R1] IF Beban = RINGAN AND Y = CCW AND X = CW THEN

Motor = LAMBAT
α-predikat = min(µRINGAN(30); µCCW(12);µCW(-2)
= min(1;1; 0,2)
= 0,2

44
[R2] IF Beban = RINGAN AND Y = CCW AND X = Normal THEN

Motor = TETAP
α-predikat = min(µRINGAN(30); µCCW(12);µNORMAL(-2)
= min(1;1; 0,8)
= 0,8
[Z1] = Zmax - α-predikat (Zmax - Zmin)

= 40 - 0,2 (40 - 20)
= 40 - 4
= 36

= 40 - 0,8 (40 - 0)
= 40 - 32
= 8
Proses Defuzzyfikasi Pada Motor 1
Setelah proses perhitungan deangan menggunakan rule yang ada maka tahap
selanjutnya adalah proses defuzzyfikasi. Adapun proses defuzzyfikasi dengan
inferensi model Tsukamoto pada pengujian pertama terhadap motor 1 adalah sebagai
berikut:
Z Total = (α-predikat1 * Z1) + (α-predikat1* Z2)

(α-predikat1 + α-predikat2)
= (0,2 * 36) + (0,8 * 8)
(0,2 + 0, 8)
= 7,2 + 6,4
1
= 13,6

45
Dari perhitungan pengujian pertama proses defuzzyfikasi pada motor 1 diatas dapat
dilihat bahwa kenaikan kecepatan motor 1 quadcopter yang memiliki beban 30 gram
dengan kemiringan sumbu x = -2 derajat dan kemiringan sumbu y = 12 derajat adalah
13,6 % dari kecepatan sebelumnya.
Rule Pada Motor 2
[R1] IF Beban =RINGAN AND Y = CCW AND X = CW THEN

Motor = TETAP
= min(1;1; 0,2)
= 0,2
[R2] IF Beban = RINGAN AND Y =CCW AND X = Normal THEN

Motor = TETAP
= min(1;1; 0,8)
= 0,8

= 40 - 0,2 (40 - 0)
= 40 - 8
= 32

= 40 - 0,8 (40 - 0)
= 40 - 32
= 8

46
berikut:
= (0,2 * 32) + (0,8 * 8)
(0,2 + 0, 8)
= 12,8
1
= 12,8
Rule Pada Motor 3
[R1] IF Beban= RINGAN AND Y = CCW AND X = CW THEN

Motor = TETAP
= min(1;1; 0,2)
= 0,2
[R2] IF Beban = RINGAN AND Y = CCW AND X = Normal THEN

Motor = TETAP

47

= min(1;1; 0,8)
= 0,8

= 40 - 0,2 (40 - 0)
= 40 - 8
= 32

= 40 - 0,8 (40 - 0)
= 40 - 32
= 8
berikut:

= (0,2 * 32) + (0,8 * 8)

(0,2 + 0, 8)
= 12,8
1
= 12,8

48
Rule Pada Motor 4
[R1] IF Beban = RINGAN AND Y = CCW AND X = CW THEN

Motor = LAMBAT
= min(1;1; 0,2)
= 0,2
[R2] IF Beban = RINGAN AND Y= CCW AND X = Normal THEN

Motor = LAMBAT
= min(1;1; 0,8)
= 0,8

= 40 - 0,2 (40 - 20)
= 40 - 4
= 36

= 40 - 0,8 (40 - 20)
= 40 - 16
= 24

49
berikut:

= (0,2 * 36) + (0,8 * 24)

(0,2 + 0, 8)
= 26,4
1
= 26,4
4.3 Pengujian Kedua
Pada pengujian kedua nilai-nilai beban diambil dalam range 0 – 400, nilai pada
kemiringan sumbu x diambil dalam range -180 – 180 dan nilai kemiringan sumbu y
diambil dalam range -90 – 90. Contoh pengujian dapat dilihat sebagai berikut:
Beban : 50
X : 5
Y : -7

50
Sebelum dilakukan inferensi perlu dicari dahulu derajat keanggotaan nilai tiap
variabel dalam setiap himpunan fuzzy pada pengujian kedua sebagai berikut:
Variabel Beban
µRINGAN(50) = 1
µSEDANG(50) = 0
µBERAT(50) = 0
Variabel Sumbu X
µCW(5) = 0
10−5
µNORMAL(5) =
10−0
5
= 10
= 0,5
10−5
µCCW(5) =
10−0
5
= 10
= 0,5
Variabel Sumbu Y
−7 −(−10)
µNORMAL(-7) =
0−(−10)
3
= 10
= 0,3

51
0−(−7)
µCW(-7) =
0−(−10)
7
= 10
= 0,7
µCCW(-7) = 0
Setelah mendapatkan nilai keanggotaan pada pengujian kedua yang dilakukan pada
proses fuzzyfikasi maka langkah selanjutnya adalah proses perhitungan yang
dilakukan dengan menggunakan rule yang telah ditentukan. Prosesnya adalah sebagai
berikut.
Rule Pada Motor 1
[R1] IF Beban = RINGAN AND Y = CW AND X = NORMAL THEN Motor =

TETAP
α-predikat = min(µRINGAN(50) ; µCW(-7) ; µNormal(5)
= min(1; 0,7 ; 0,5)
= 0,5
[R2] IF Beban = RINGAN AND Y = CW AND X = CCW THEN Motor =

TETAP
= min(1; 0,7 ; 0,5)
= 0,5
[R3] IF Beban = RINGAN AND Y = NORMAL AND X = NORMAL THEN

Motor = TETAP
= min(1; 0,3 ; 0,5)
= 0,3

52
[R4] IF Beban = RINGAN AND Y = NORMAL AND X = CCW THEN

Motor = TETAP
= min(1; 0,3 ; 0,5)
= 0,3

= 40 - 0,5 (40 - 0)
= 40 - 20
= 20

= 40 - 0,5 (40 - 0)
= 40 - 20
= 20

= 40 - 0,3 (40 - 0)
= 40 - 12
= 28

= 40 - 0,3 (40 - 0)
= 40 - 12
= 28

53
inferensi model Tsukamoto pada pengujian kedua terhadap motor 1 adalah sebagai
berikut:
Z Total= (α-pred1 * Z1) + (α-pred2* Z2) + (α-pred3 * Z3) + (α-pred* Z4)

(α-predikat1 + α-predikat2 + α-predikat3 + α-predikat4)
= (0,5 * 20) + (0,5 * 20) + (0,3 * 28) + (0,3 * 28)

(0,5 + 0,5 + 0,5 + 0,5)
= 36,8
1,6
= 23
Dari perhitungan pengujian kedua proses defuzzyfikasi pada motor 1 diatas dapat
dengan kemiringan sumbu x = 5 derajat dan kemiringan sumbu y = -7 derajat adalah
23 % dari kecepatan sebelumnya.
Rule Pada Motor 2
[R1] IF Beban = RINGAN AND Y = CW AND X = NORMAL THEN

Motor = LAMBAT
= min(1; 0,7 ; 0,5)
= 0,5

LAMBAT

54

= min(1; 0,7 ; 0,5)
= 0,5

Motor = TETAP
= min(1; 0,3 ; 0,5)
= 0,3

Motor = TETAP
= min(1; 0,3 ; 0,5)
= 0,3

= 40 - 0,5 (40 - 20)
= 40 - 10
= 30

= 40 - 0,5 (40 - 20)
= 40 - 10
= 30

= 40 - 0,3 (40 - 0)
= 40 - 12
= 28

55

= 40 - 0,3 (40 - 0)
= 40 - 12
= 28
berikut:
Z Total = (α-pred1 * Z1) + (α-pred2* Z2) + (α-pred3 * Z3) + (α-pred* Z4)

= (0,5 * 30) + (0,5 * 30) + (0,3 * 28) + (0,3 * 28)

(0,5 + 0,5 + 0,5 + 0,5)
= 46,8
1,6
= 29,25
Rule Pada Motor 3

TETAP

56

= min(1; 0,7 ; 0,5)
= 0,5

LAMBAT
= min(1; 0,7 ; 0,5)
= 0,5

Motor = TETAP
= min(1; 0,3 ; 0,5)
= 0,3

Motor = LAMBAT
= min(1; 0,3 ; 0,5)
= 0,3

= 40 - 0,5 (40 - 0)
= 40 - 20
= 20

57

= 40 - 0,5 (40 - 20)
= 40 - 10
= 30

= 40 - 0,3 (40 - 0)
= 40 - 12
= 28

= 40 - 0,3 (40 - 20)
= 40 - 6
= 34
berikut:
Z Total= (α-pred1 * Z1) + (α-pred2* Z2) + (α-pred3 * Z3) + (α-pred* Z4)

= (0,5 * 20) + (0,5 * 30) + (0,3 * 28) + (0,3 * 34)

(0,5 + 0,5 + 0,5 + 0,5)
= 43,6
1,6
= 27,25

58
Rule Pada Motor 4

TETAP
= min(1; 0,7 ; 0,5)
= 0,5

TETAP
= min(1; 0,7 ; 0,5)
= 0,5

Motor = TETAP
= min(1; 0,3 ; 0,5)
= 0,3

Motor = TETAP
= min(1; 0,3 ; 0,5)
= 0,3

59

= 40 - 0,5 (40 - 0)
= 40 - 20
= 20

= 40 - 0,5 (40 - 0)
= 40 - 20
= 20

= 40 - 0,3 (40 - 0)
= 40 - 12
= 28

= 40 - 0,3 (40 - 0)
= 40 - 12
= 28
berikut:
Z Total = (α-pred1 * Z1) + (α-pred2* Z2) + (α-pred3 * Z3) + (α-pred* Z4)


60
= (0,5 * 20) + (0,5 * 20) + (0,3 * 28) + (0,3 * 28)

(0,5 + 0,5 + 0,5 + 0,5)
= 36,8
1,6
= 23
23 % dari kecepatan sebelumnya.
4.4 Analisa Pengujian
Dari hasil pengujian pada penelitian kontrol kestabilan quadcopter ini maka hasil yang
dilakukan dengan dua kali pengujian adalah sebagai berikut.
Pada pengujian pertama hasil yang didapat dengan metode fuzzy Tsukamoto
kecepatan motor pada keempat motor penggerak adalah untuk beban quadcopter 30
gram, sumbu kemiringan pada x = -2 dan sumbu kemiringan y = 12 maka hasil
pertambahan kecepatan motor 1 = 13,6 % dari kecepatan sebelumnya, motor 2 =
12,8 % dari kecepatan sebelumnya, motor 3 = 12,8 % dari kecepatan sebelumnya dan
motor 4 = 26,4 % dari kecepatan sebelumnya. Sedangkan pada pengujian kedua
untuk beban quadcopter 50 gram, sumbu kemiringan pada x = 5 dan sumbu
kemiringan y = -7 maka hasil pertambahan kecepatan motor 1 = 23 % dari kecepatan
sebelumnya , motor 2 = 29,25 % dari kecepatan sebelumnya, motor 3 = 27,25% dari
kecepatan sebelumnya dan motor 4 = 23 % dari kecepatan sebelumnya.
4.5 Hasil Percobaan
Hasil percobaan yang telah diuiji akan ditampilkan pada tabel 4.3 dimana pada
percobaan yang dilakukan ada sebanyak 20 kali percobaan.

61
Tabel 4.3 Hasil Percobaan
Variabel Input Kecepatan Motor (%)

Percobaaa
n ke- Beban Y X Motor Motor Motor Motor
(gram) (derajat) (derajat) 1 2 3 4
1 25 8 8 18.29 18.29 28.00 28.00
2 30 -5 10 20.00 25.00 30.00 20.00
3 40 5 -9 31.00 26.83 22.66 27.00
4 60 -7 3 21.00 28.25 23.25 21.00
5 75 5 7 23.00 23.00 29.25 27.25
6 80 5 11 20.00 20.00 30.00 25.00
7 87 8 -6 28.57 23.42 22.85 30.28
8 100 2 -4 25.71 25.14 22.85 24.00
9 27 -10 4 19.20 29.60 22.40 19.20
10 250 6 2 34.34 34.34 34.96 36.57
11 258 2 4 34.58 34.58 36.11 35.19
12 25 -5 4 21.77 26.33 25.33 21.77
13 43 -4 12 19.20 22.40 29.60 19.20
14 35 10 -5 25.00 20.00 20.00 30.00
15 220 6 2 33.81 33.81 34.54 36.00
16 300 -9 3 35.00 39.83 35.83 35.00

62
Tabel 4.3 Hasil Percobaan (Lanjutan)
Variabel Input Kecepatan Motor (%)

Percobaaa
n ke- Beban Y X Motor Motor Motor Motor
(gram) (derajat) (derajat) 1 2 3 4
17 330 -15 2 33.20 40.00 33.60 33.20
18 200 4 -13 34.80 29.60 29.60 31.20
19 95 3 10 16.80 16.80 28.40 18.60
20 150 9 -2 30.50 29.77 29.66 34.50
Pada tabel 4.3 hasil dari setiap percobaan menunjukkan hasil pertambahan kecepatan
yang diperoleh oleh tiap motor penggerak dari quadcopter dimana setiap variabel
input pada masing-masing percobaan berbeda nilai inputnya. Adapun Keterangan dari
setiap percobaan pada tabel 4.3 adalah sebagai berikut:
1. Pada percobaan pertama hasil yang didapat adalah untuk beban quadcopter 25
gram, sumbu kemiringan pada x = 8 derajat dan sumbu kemiringan y = 8 derajat
maka hasil pertambahan kecepatan motor 1 = 18,29 % dari kecepatan
sebelumnya, motor 2 = 18,29 % dari kecepatan sebelumnya, motor 3 = 28,00 %
dari kecepatan sebelumnya dan motor 4 = 28,00 % dari kecepatan sebelumnya.
2. Pada percobaan kedua hasil yang didapat adalah untuk beban quadcopter 30
gram, sumbu kemiringan pada x = 10 derajat dan sumbu kemiringan y = -5
derajat maka hasil pertambahan kecepatan motor 1 = 13,6 % dari kecepatan
sebelumnya, motor 2 = 12,8 % dari kecepatan sebelumnya, motor 3 = 12,8 % dari
kecepatan sebelumnya dan motor 4 = 26,4 % dari kecepatan sebelumnya.

63
3. Pada percobaan ketiga hasil yang didapat adalah untuk beban quadcopter 40
gram, sumbu kemiringan pada x = -9 derajat dan sumbu kemiringan y = 5 derajat
4. Pada percobaan keempat hasil yang didapat adalah untuk beban quadcopter 60
gram, sumbu kemiringan pada x = 3 derajat dan sumbu kemiringan y = -7 derajat
5. Pada percobaan kelima hasil yang didapat adalah untuk beban quadcopter 75
6. Pada percobaan keenam hasil yang didapat adalah untuk beban quadcopter 80
7. Pada percobaan ketujuh hasil yang didapat adalah untuk beban quadcopter 87

64
8. Pada percobaan kedelapan hasil yang didapat adalah untuk beban quadcopter 100
9. Pada percobaan kesembilan hasil yang didapat adalah untuk beban quadcopter 27
10. Pada percobaan kesepuluh hasil yang didapat adalah untuk beban quadcopter 250
11. Pada percobaan kesebelas hasil yang didapat adalah untuk beban quadcopter 258
12. Pada percobaan keduabelas hasil yang didapat adalah untuk beban quadcopter 25
gram, sumbu kemiringan pada x = 4 derajat dan sumbu kemiringan y = -5 derajat

65
13. Pada percobaan ketigabelas hasil yang didapat adalah untuk beban quadcopter 43
14. Pada percobaan keempatbelas hasil yang didapat adalah untuk beban quadcopter
35 gram, sumbu kemiringan pada x = -5 derajat dan sumbu kemiringan y = 10
15. Pada percobaan kelimabelas hasil yang didapat adalah untuk beban quadcopter
220 gram, sumbu kemiringan pada x = 2 derajat dan sumbu kemiringan y = 6
16. Pada percobaan keenambelas hasil yang didapat adalah untuk beban quadcopter
300 gram, sumbu kemiringan pada x = 3 derajat dan sumbu kemiringan y = -9
17. Pada percobaan ketujuhbelas hasil yang didapat adalah untuk beban quadcopter
330 gram, sumbu kemiringan pada x = 2 dan sumbu kemiringan y = -15 maka
hasil pertambahan kecepatan motor 1 = 33,20 % dari kecepatan sebelumnya,
motor 2 = 40,00 % dari kecepatan sebelumnya, motor 3 = 33,60 % dari kecepatan
sebelumnya dan motor 4 = 33,20 % dari kecepatan sebelumnya.

66
18. Pada percobaan kedelapanbelas hasil yang didapat adalah untuk beban quadcopter
200 gram, sumbu kemiringan pada x = -13 derajat dan sumbu kemiringan y = 4
sebelumnya, motor 2 =29,60 % dari kecepatan sebelumnya, motor 3 = 29,60 %
kecepatan dari sebelumnya dan motor 4 = 31,20 % dari kecepatan sebelumnya.
19. Pada percobaan kesembilanbelas hasil yang didapat adalah untuk beban
quadcopter 95 gram, sumbu kemiringan pada x = 10 derajat dan sumbu
kemiringan y = 3 derajat maka hasil pertambahan kecepatan motor 1 = 16,80 %
dari kecepatan sebelumnya, motor 2 = 16,80 % dari kecepatan sebelumnya, motor
3 = 28,40 % dari kecepatan sebelumnya dan motor 4 = 18,60 % dari kecepatan
sebelumnya.
20. Pada percobaan keduapuluh hasil yang didapat adalah untuk beban quadcopter
150 gram, sumbu kemiringan pada x = -2 dan sumbu kemiringan y = 9 maka hasil
pertambahan kecepatan motor 1 = 30,50 % dari kecepatan sebelumnya, motor 2 =
29,77 % dari kecepatan sebelumnya, motor 3 = 29,66 % dari kecepatan
sebelumnya dan motor 4 = 34,50 % dari kecepatan sebelumnya.

67
BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Kesimpulan yang dapat diambil dari hasil penelitan ini adalah kecepatan motor
penggerak yang didapat dengan fuzzy logic model Tsukamoto adalah memiliki tingkat
akurasi yang baik dalam menentukan kestabilan quadcopter dengan kontrol kecepatan
keempat motor penggerak. Nilai yang dihasilkan oleh fuzzy Tsukamoto tersebut lebih
mendekati hasil lebih yang baik dalam kontrol kestabilan quadcopter. Kestabilan
quadcopter cenderung mempertahankan posisi tertentu dalam suatu penerbangan
dimana quadcopter terbang stabil bila posisi quadcopter pada saat terbang mendapat
gangguan maka quadcopter akan mempertahankan posisi keseimbangannya.
Oleh karena itu, metode fuzzy Tsukamoto dapat menjadi alternatif dalam
menentukan tingkat kestabilan quadcopter. Metode ini dapat digunakan sebagai acuan
untuk kontrol kestabilan quadcopter yang dapat dilihat dari pertambahan kecepatan
keempat motor penggeraknya.
5.2. Saran
Adapun saran yang diberikan pada penelitian ini adalah sebagai berikut:
1. Penelitian ini dapat dikembangkan lebih lanjut dengan menambahkan sistem

navigasi dalam kontrol terbang quadcopter.
2. Penambahan nilai-nilai input yang lebih bervariasi sehingga didapat hasil
kestabilan yang lebih baik.
3. Penambahan motor penggerak sehingga dapat mengangkat beban yang lebih
berat.

68
DAFTAR PUSTAKA
Achtelik, M., Bierling, T., Wang, J., Hocht, L., & Holzapfel, F. (2011). Adaptive
Control of a Quadcopter in the Presence of large/complete Parameter
Uncertainties. American Institute of Aeronautics and Astronautics (AIAA)
(2011-1485).
Achtelik, M., Zhang, T., Kiinhnlenz, K., & Buss, M. (2009). Visual Tracking and
Control of a Quadcopter Using a Stereo Camera System and Inertial Sensors.
(978-1-4244-2693-5).
Andrianto, H. (2013). Pemrograman Mikrokontroler ATMega 16 Menggunakan

bahasa C (Code Vision AVR). Bandung: Informatika.
Azzumar, M. (2012). Pemodelan dan Simulasi Brushless DC Motor Kecil Untuk

Aplikasi Aktuator Sirp Roket. Skripsi .
Benavidez, P. J., Lambert, J., Jaimes, A., & Jamshidi, M. (2014). Landing of a
Quadcopter on a Mobile Base Using Fuzzy Logic.
Budiharto, W., & Suhartono, D. (2014). Artificial Intelligence. Yogyakart: ANDI.
Desa, H. (2013). Adptive Hybrid Control Algorithm Design for Attitude. Vol 66, No.
2 (ISSN 1661-464X).
Hendriawan, A., Utomo, G. P., & Octavianto, H. (2012). Sistem Kontrol Altitude
Pada UAV Model Quadcopter Dengan Metode PID. (ISBN: 978-602-9494-28-
0).
Jang, J.-S. R., Sun, C. T., & Mizutani, E. (1997). Neuro-Fuzzy And Soft Computing
(Vols. ISBN 0-13-261066-3). Prentice-Hall.
Kardono, AK, R. E., & Fatoni, A. (2012). Perancangan dan Implementasi Sistem
Pengaturan Optimal LQR Untuk Menjaga Kestabilan Hover pada Quadcopter.
Jurnal teknik ITS , Vol. 1, No. 1 (ISSN:2301-9271), ISSN:2301-9271.
Latif, M., & Budiarto, H. (2014). Perancangan Sistem Autonomous Quadcopter.

(ISSN 2407 - 1846).
Sharma, A., & Barve, A. (2012). Controlling of Quad-rotor UAV Using PID
Controller and Fuzzy Logic Controller. (ISSN No. (Online) : 2277-2626).

69
Sutojo, T., Mulyanto, E., Su, & Suhartono, V. (2011). Kecerdasan Buatan.
Yogyakarta: ANDI.
Tettamanzi, A., & Tomassini, M. (2001). Soft Computing. Germany: Springer.
Tnunay, H., Abdurrohman, M. Q., & Nugroho, Y. (2013). Auto-Tuning Quadcopter

Using Loop Shaping. IEEE , 978-1-4799-1078-6.
Wahyudi, Susanto, A., Hadi, P. S., & Widada, W. (2009). Penentuan Faktor Kalibrasi
Accelerometer MMA7260Q Pada Ketiga Sumbu. Jurnal Teknik Elektro , Jilid
11, Nomor 1 (hlm. 16-22), Jilid 11, Nomor 1, hlm. 16-22.

70
Lampiran-1
Tabel 4.1 Data Beban Quadcopter
0 43 86 129 171 213 256 298 341 383

1 44 87 130 172 214 257 299 342 384
2 45 88 131 173 215 258 300 343 385
3 46 89 132 174 216 259 301 344 386
4 47 90 133 175 217 260 302 345 387
5 48 91 134 176 218 261 303 346 388
6 49 92 135 177 219 262 304 347 389
7 50 93 136 178 220 263 305 348 390
8 51 94 137 179 221 264 306 349 391
9 52 95 138 180 222 265 307 350 392
10 53 96 139 181 223 266 308 351 393
11 54 97 140 182 224 267 309 352 394
12 55 98 141 183 225 268 310 353 395
13 56 99 142 184 226 269 311 354 396
14 57 100 143 185 227 270 312 355 397
15 58 101 144 186 228 271 313 356 398
16 59 102 145 187 229 272 314 357 399
17 60 103 146 188 230 273 315 358 400
18 61 104 147 189 231 274 316 359
19 62 105 148 190 232 275 317 360
20 63 106 149 191 233 276 318 361
21 64 107 150 192 234 277 319 362
22 65 108 151 193 235 278 320 363
23 66 109 152 194 236 279 321 364
24 67 110 153 195 237 280 322 365
25 68 111 154 196 238 281 323 366
26 69 112 155 197 239 282 324 367
27 70 113 156 198 240 283 325 368
28 71 114 157 199 241 284 326 369
29 72 115 158 200 242 285 327 370
30 73 116 159 201 243 286 328 371
31 74 117 160 202 244 287 329 372
32 75 118 161 203 245 288 330 373
33 76 119 162 204 246 289 331 374

71
34 77 120 163 205 247 290 332 375

35 78 121 164 206 248 291 333 376
36 79 122 165 207 249 292 334 377
37 80 123 166 208 250 293 335 378
38 81 124 167 209 251 294 336 379
39 82 125 168 210 252 295 337 380
40 83 126 169 211 253 296 338 381
41 84 127 170 212 254 297 339 382
42 85 128 171 213 255 298 340 383

72
Lampiran-2
Tabel 4.2 Data Sensor Accelerometer dan Gyroscope Pada Kemiringan

Sumbu X (Derajat)
-180 -140 -100 -60 -20 20 60 100 140 180
-179 -139 -99 -59 -19 21 61 101 141
-178 -138 -98 -58 -18 22 62 102 142
-177 -137 -97 -57 -17 23 63 103 143
-176 -136 -96 -56 -16 24 64 104 144
-175 -135 -95 -55 -15 25 65 105 145
-174 -134 -94 -54 -14 26 66 106 146
-173 -133 -93 -53 -13 27 67 107 147
-172 -132 -92 -52 -12 28 68 108 148
-171 -131 -91 -51 -11 29 69 109 149
-170 -130 -90 -50 -10 30 70 110 150
-169 -129 -89 -49 -9 31 71 111 151
-168 -128 -88 -48 -8 32 72 112 152
-167 -127 -87 -47 -7 33 73 113 153
-166 -126 -86 -46 -6 34 74 114 154
-165 -125 -85 -45 -5 35 75 115 155
-164 -124 -84 -44 -4 36 76 116 156
-163 -123 -83 -43 -3 37 77 117 157
-162 -122 -82 -42 -2 38 78 118 158
-161 -121 -81 -41 -1 39 79 119 159
-160 -120 -80 -40 0 40 80 120 160
-159 -119 -79 -39 1 41 81 121 161
-158 -118 -78 -38 2 42 82 122 162
-157 -117 -77 -37 3 43 83 123 163
-156 -116 -76 -36 4 44 84 124 164
-155 -115 -75 -35 5 45 85 125 165
-154 -114 -74 -34 6 46 86 126 166
-153 -113 -73 -33 7 47 87 127 167
-152 -112 -72 -32 8 48 88 128 168
-151 -111 -71 -31 9 49 89 129 169
-150 -110 -70 -30 10 50 90 130 170
-149 -109 -69 -29 11 51 91 131 171
-148 -108 -68 -28 12 52 92 132 172
-147 -107 -67 -27 13 53 93 133 173

73
-146 -106 -66 -26 14 54 94 134 174

-145 -105 -65 -25 15 55 95 135 175
-144 -104 -64 -24 16 56 96 136 176
-143 -103 -63 -23 17 57 97 137 177
-142 -102 -62 -22 18 58 98 138 178
-141 -101 -61 -21 19 59 99 139 179

74
Lampiran-3
Tabel 4.2 Data Sensor Accelerometer dan Gyroscope Pada Kemiringan Sumbu Y
(Derajat)
-90 -50 -10 30 70

-89 -49 -9 31 71
-88 -48 -8 32 72
-87 -47 -7 33 73
-86 -46 -6 34 74
-85 -45 -5 35 75
-84 -44 -4 36 76
-83 -43 -3 37 77
-82 -42 -2 38 78
-81 -41 -1 39 79
-80 -40 0 40 80
-79 -39 1 41 81
-78 -38 2 42 82
-77 -37 3 43 83
-76 -36 4 44 84
-75 -35 5 45 85
-74 -34 6 46 86
-73 -33 7 47 87
-72 -32 8 48 88
-71 -31 9 49 89
-70 -30 10 50 90
-69 -29 11 51
-68 -28 12 52
-67 -27 13 53
-66 -26 14 54
-65 -25 15 55
-64 -24 16 56
-63 -23 17 57
-62 -22 18 58
-61 -21 19 59
-60 -20 20 60
-59 -19 21 61
-58 -18 22 62
-57 -17 23 63

75
-56 -16 24 64
-55 -15 25 65
-54 -14 26 66
-53 -13 27 67
-52 -12 28 68
-51 -11 29 69

76
LAMPIRAN-4
LISTING PROGRAM
Public Class frmQuadCopter

Private Fuzzy_Berat As New Collection
Private Fuzzy_X As New Collection
Private Fuzzy_Y As New Collection
Private StatusMotor As New Collection
Private Var_Berat(3, 3) As Integer

Private Var_X(3, 3) As Integer
Private Var_Y(3, 3) As Integer
Dim Motor(4, 27) As String
Dim Predikat(27) As Double
Dim Z(4, 27) As Double
Dim Z_Total(4), P_Total(4) As Double
Dim Motor_Alpha(5) As Double
Dim Log As String
Public Sub Inisialisasi()

' Rule Kecepatan Motor 1
Motor(0, 0) = "LAMBAT"
Motor(0, 1) = "TETAP"
Motor(0, 9) = "SEDANG"
Motor(0, 18) = "CEPAT"


77





78



79

' Variabel Motor

txtMotor_Tetap.Text = 0
txtMotor_Lambat.Text = 20
txtMotor_Sedang.Text = 30
txtMotor_Cepat.Text = 40
' Variabel Beban

txtB_R1.Text = "0"
txtB_R2.Text = "100"
txtB_R3.Text = "200"
txtB_S1.Text = "100"
txtB_B1.Text = "200"
' Variabel X
txtX_R1.Text = "-20"
txtX_R2.Text = "-10"
txtX_R3.Text = "-0"
txtX_S1.Text = "-10"
txtX_S2.Text = "0"
txtX_S3.Text = "10"
txtX_T1.Text = "0"
txtX_T2.Text = "10"
txtX_T3.Text = "20"

80
' Variabel Y
txtY_R1.Text = "-20"
txtY_R2.Text = "-10"
txtY_R3.Text = "0"
txtY_S1.Text = "-10"
txtY_S2.Text = "0"
txtY_S3.Text = "10"
txtY_T1.Text = "0"
txtY_T2.Text = "10"
txtY_T3.Text = "20"
End Sub
Public Sub InitTextBox()

Fuzzy_Berat.Add(txtF_B1)
Fuzzy_X.Add(txtF_X1)
Fuzzy_Y.Add(txtF_Y1)
StatusMotor.Add(txtMotor_Tetap)
StatusMotor.Add(txtMotor_Lambat)
StatusMotor.Add(txtMotor_Sedang)
StatusMotor.Add(txtMotor_Cepat)
End Sub
Public Sub Fuzzy_Tsukamoto()

Dim Beban As Integer = Convert.ToInt16(txtBeban.Text)
Dim Kemiringan_X As Integer = Convert.ToInt16(txtX.Text)
Dim Kemiringan_Y As Double = Convert.ToDouble(txtY.Text)
Dim Last As Integer
Dim Hasil As Double = 0
Dim Pos As Integer
'Variabel Umur
Var_Berat(0, 0) = txtB_R1.Text
Var_Berat(1, 0) = txtB_S1.Text

81
Var_Berat(2, 0) = txtB_B1.Text
'Variabel Kemiringan X
Var_X(0, 0) = txtX_R1.Text
Var_X(1, 0) = txtX_S1.Text
Var_X(2, 0) = txtX_T1.Text
'Variabel Kemiringan Y
Var_Y(0, 0) = txtY_R1.Text
Var_Y(1, 0) = txtY_S1.Text
Var_Y(2, 0) = txtY_T1.Text
Last = Fuzzy_Berat.Count - 1
For i = 0 To Last
Fuzzy_Berat(i + 1).Text = ""
If Beban < Var_Berat(i, 1) And i = 0 Then
Fuzzy_Berat(1).Text = "1"
ElseIf Beban > Var_Berat(i, 1) And i = Last Then
Fuzzy_Berat(Last + 1).Text = "1"
ElseIf Beban >= Var_Berat(i, 0) And Beban <= Var_Berat(i, 1) Then
Fuzzy_Berat(i + 1).Text = (Beban - Var_Berat(i, 0)) / (Var_Berat(i, 1) -
Var_Berat(i, 0))
ElseIf Beban >= Var_Berat(i, 1) And Beban <= Var_Berat(i, 2) Then

82
Fuzzy_Berat(i + 1).Text = (Var_Berat(i, 2) - Beban) / (Var_Berat(i, 2) -

Var_Berat(i, 1))
Else
Fuzzy_Berat(i + 1).Text = "0"
End If
Next
Last = Fuzzy_X.Count - 1
For i = 0 To Last
Fuzzy_X(i + 1).Text = ""
If Kemiringan_X < Var_X(i, 1) And i = 0 Then
Fuzzy_X(1).Text = "1"
ElseIf Kemiringan_X > Var_X(i, 1) And i = Last Then
Fuzzy_X(Last + 1).Text = "1"
ElseIf Kemiringan_X >= Var_X(i, 0) And Kemiringan_X <= Var_X(i, 1)
Then
Fuzzy_X(i + 1).Text = (Kemiringan_X - Var_X(i, 0)) / (Var_X(i, 1) -
Var_X(i, 0))
ElseIf Kemiringan_X >= Var_X(i, 1) And Kemiringan_X <= Var_X(i, 2)
Then
Fuzzy_X(i + 1).Text = (Var_X(i, 2) - Kemiringan_X) / (Var_X(i, 2) -
Var_X(i, 1))
Else
Fuzzy_X(i + 1).Text = "0"
End If
Next
Last = Fuzzy_Y.Count - 1
For i = 0 To Last
Fuzzy_Y(i + 1).Text = ""
If Kemiringan_Y < Var_Y(i, 1) And i = 0 Then
Fuzzy_Y(1).Text = "1"
ElseIf Kemiringan_Y > Var_Y(i, 1) And i = Last Then
Fuzzy_Y(Last + 1).Text = "1"
ElseIf Kemiringan_Y >= Var_Y(i, 0) And Kemiringan_Y <= Var_Y(i, 1)
Then
Fuzzy_Y(i + 1).Text = (Kemiringan_Y - Var_Y(i, 0)) / (Var_Y(i, 1) -
Var_Y(i, 0))
ElseIf Kemiringan_Y >= Var_Y(i, 1) And Kemiringan_Y <= Var_Y(i, 2)
Then
Fuzzy_Y(i + 1).Text = (Var_Y(i, 2) - Kemiringan_Y) / (Var_Y(i, 2) -
Var_Y(i, 1))
Else
Fuzzy_Y(i + 1).Text = "0"
End If

83
Next
' Pembentukan Rule

Log = ""
For i = 0 To 4
Motor_Alpha(i) = 0
Next
Dim Idx As Integer = 0
For i = 0 To 3
Z_Total(i) = 0
P_Total(i) = 0
Next
For k = 1 To Fuzzy_Berat.Count
For j = 1 To Fuzzy_Y.Count
For i = 1 To Fuzzy_X.Count
If Fuzzy_Berat(k).Text > 0 And Fuzzy_Y(j).Text > 0 And
Fuzzy_X(i).Text > 0 Then
Pos = ((k - 1) * 3 * 3) + ((j - 1) * 3) + i

Dim W As Double = 1
If W > Fuzzy_Berat(k).Text Then
W = Fuzzy_Berat(k).Text
End If
If W > Fuzzy_Y(j).Text Then
W = Fuzzy_Y(j).Text
End If
If W > Fuzzy_X(i).Text Then
W = Fuzzy_X(i).Text
End If
Log += "if BEBAN " & k & " : " & Fuzzy_Berat(k).Text & " and Y "
& j & " : " & Fuzzy_Y(j).Text & " and X " & i & " : " & Fuzzy_X(i).Text & " then "
&
"Motor 1 = " & Motor(0, Pos - 1) &
" Motor 2 = " & Motor(1, Pos - 1) &
" Motor 3 = " & Motor(2, Pos - 1) &
" Motor 4 = " & Motor(3, Pos - 1) & vbCrLf
Log += "min (" & Fuzzy_Berat(k).Text & ", " & Fuzzy_Y(j).Text & ",
" & Fuzzy_X(i).Text & ") = " & W & vbCrLf & vbCrLf

84
' Menentukan yang terbesar

If Motor(0, Pos - 1) = "TETAP" And Motor_Alpha(0) < W Then
Motor_Alpha(0) = W
ElseIf Motor(0, Pos - 1) = "LAMBAT" And Motor_Alpha(1) < W
Then
Motor_Alpha(1) = W
ElseIf Motor(0, Pos - 1) = "SEDANG" And Motor_Alpha(2) < W Then
Motor_Alpha(2) = W
ElseIf Motor(0, Pos - 1) = "CEPAT" And Motor_Alpha(3) < W Then
Motor_Alpha(3) = W
End If
' Tsukamoto
Predikat(Idx) = 1
If Predikat(Idx) > Fuzzy_Berat(k).Text Then
Predikat(Idx) = Fuzzy_Berat(k).Text
End If
If Predikat(Idx) > Fuzzy_Y(j).Text Then
Predikat(Idx) = Fuzzy_Y(j).Text
End If
If Predikat(Idx) > Fuzzy_X(i).Text Then
Predikat(Idx) = Fuzzy_X(i).Text
End If
Dim Min As Integer
For h = 0 To 3
If Motor(h, Pos - 1) = "TETAP" Then
Min = txtMotor_Tetap.Text
ElseIf Motor(h, Pos - 1) = "LAMBAT" Then
Min = txtMotor_Lambat.Text
ElseIf Motor(h, Pos - 1) = "SEDANG" Then
Min = txtMotor_Sedang.Text
ElseIf Motor(h, Pos - 1) = "CEPAT" Then
Min = txtMotor_Cepat.Text
End If
Z(h, Idx) = Convert.ToDouble(txtMotor_Cepat.Text) -

(Predikat(Idx) * (txtMotor_Cepat.Text - Min))
Log += "Motor " & h + 1 & " : Predikat Ke (" & Idx & ") = " &
Predikat(Idx) & ", Z Ke (" & Idx & ") = " & Z(h, Idx) & vbCrLf
Z_Total(h) += Predikat(Idx) * Z(h, Idx)
P_Total(h) += Predikat(Idx)
Next

85
Log += vbCrLf
Idx += 1
End If
Next
Next
Next
' Menghitung Defuzzyfikasi Tsukamoto
txtRPM_1.Text = Format(Z_Total(0) / P_Total(0), "#,###.000") & "%"

txt_M1.Text = Math.Ceiling(txtKecBaling.Text + (Z_Total(0) / P_Total(0)) *

txtKecBaling.Text / 100) & " rpm"
txtLog.Text = Log
End Sub
Private Sub frmQuadCopter_Load(ByVal sender As System.Object, ByVal e As

System.EventArgs) Handles MyBase.Load
Inisialisasi()
InitTextBox()
End Sub
Private Sub btnProses_Click(ByVal sender As System.Object, ByVal e As

System.EventArgs) Handles btnProses.Click
Fuzzy_Tsukamoto()
End Sub
End Class

86
LAMPIRAN-5
DAFTAR PUBLIKASI ILMIAH PENULIS
No Judul Penulis Jenis Publikasi Waktu Publikasi Tempat

1 Monitoring Dody SNITI(Seminar 2014 Kabupaten
Jumlah Hidayat Nasional Samosir,
Kapasitas Inovasi dan Sumatera
Orang Dalam Teknologi Utara
Ruangan Informasi)
Berbasis
Mikrokontroler
AT89S52
2 Perancangan Dody KETIK 2014 Hotel

Sistem Hidayat (Konfrensi Karibia,
Proteksi Teknologi Medan
Kebakaran Informasi)
Otomatis Pada
Spbu Berbasis
Mikrokontroler
AT89S51

Analisis Kestabilan Quadcopter Dengan Metode Fuzzy Logic: Universitas Sumatera Utara

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Kestabilan Quadcopter Dengan Metode Fuzzy Logic: Universitas Sumatera Utara

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS KESTABILAN QUADCOPTER DENGAN

METODE FUZZY LOGIC

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA

Universitas sumatera Utara

METODE FUZZY LOGIC

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA

Universitas sumatera Utara

Judul Tesis : ANALISIS KESTABILAN QUADCOPTER

Prof.Dr.Drs.Iryanto, M.Si Prof. Dr. Tulus, Vor.Dipl.Math.,M.Si

Diketahui /Disetujui Oleh

Prof. Dr. Muhammad Zarlis

Universitas sumatera Utara