Prosiding Simposium Forum Studi Transportasi antar Perguruan Tinggi ke-23

Institut Teknologi Sumatera (ITERA), Lampung, 23 – 24 Oktober 2020

PERANCANGAN ALAT MONITORING SUHU MESIN DAN

SUHU BEARING KERETA BERBASIS FUZZY
Dandy Puji Setiawan Dhina Setyo Oktaria Budi Agung Wibowo
Mahasiswa Dosen Dosen
Teknologi Elektro Perkeretaapian Teknologi Elektro Perkeretaapian Teknologi Elektro Perkeretaapian
Politeknik Perkeretaapian Indoensia Politeknik Perkeretaapian Indoensia Politeknik Perkeretaapian Indoensia
Madiun Madiun Madiun
Jl. Tirta Raya, Pojok, Nambangan Lor, Jl. Tirta Raya, Pojok, Nambangan Lor, Jl. Tirta Raya, Pojok, Nambangan Lor,
Kec. Manguharjo, Madiun, Jawa Timur Kec. Manguharjo, Madiun, Jawa Timur Kec. Manguharjo, Madiun, Jawa Timur
Dandy.tep1710@taruna.api.ac.id dhina@ppi.ac.id Budi2711@yahoo.com

Abstract
The purpose of this research is to designed the monitoring tool to help the maintainer in monitoring the engine
and bearing temperature from the train in real time. This tool uses an Arduino Mega 2560 microcontroller, K-
type thermocouple, MLX90614 sensor, and fuzzy logic as the control automatically. The research method uses
the Research and Development method. There are three test, testing the bearing temperature sensor at a
specified distance, PWM testing on a DC motor when it gets input from the engine temperature sensor, and
fuzzy logic control testing. The output of fuzzy logic is to control a DC motor. DC motor control system using
fuzzy logic from Tsukamoto method. This system use temperature to be input variable fuzzy and produces output
of speed. The conclusion of this research is the Arduino Mega 2560 microcontroller with K-type thermocouple,
and fuzzy logic can control the rotating speed of a DC motor.

Keywords: fuzzy logic, microcontroller, temperature sensor, PWM, tsukamoto.

Abstrak
Tujuan penelitian ini adalah membuat alat control yang bertujuan untuk membantu petugas perawat sarana
maupun masinis dalam memonitoring suhu mesin maupun suhu bearing pada sarana secara real-time. Alat ini
menggunakan mikrokontroller Arduino Mega 2560, thermocouple tipe-K, sensor MLX90614, dan logika
Fuzzy sebagai otak untuk mengerjakan perintah secara otomatis. Metode penelitian menggunakan metode
Research and Development. Pengujian dibagi menjadi tiga yaitu pengujian sensor suhu bearing pada jarak
yang ditentukan, pengujian PWM pada motor DC ketika mendapat input dari sensor suhu mesin, dan pengujian
control logika fuzzy. Output dari control fuzzy ini berupa perintah kendali yang diberikan kepada motor DC.
Pada system kendali motor DC menggunakan logika fuzzy metode Tsukamoto. System ini dirancang dengan
menggunakan satu variabel input fuzzy yaitu suhu dan menghasilkan output berupa kecepatan. Kesimpulan
dari penelitian ini adalah mikrokontroller Arduino Mega 2560 dengan thermocouple tipe-K, dan logika fuzzy
dapat mengontrol kecepatan putar motor DC.

Kata Kunci: logika fuzzy, mikrokontroller, sensor suhu, PWM, tsukamoto.

1025
 Prosiding Simposium Forum Studi Transportasi antar Perguruan Tinggi ke-23
Institut Teknologi Sumatera (ITERA), Lampung, 23 – 24 Oktober 2020

PENDAHULUAN
Panas pada mesin dan bearing sampai saat ini menjadi salah satu perhatian utama ketika
sedang mengendarai kendaraan roda empat. Temperatur mesin dan bearing yang berlebihan
bisa menyebabkan kerusakan pada mesin dan keretakan pada bearing. Pada penelitian dari
Arief Setiawan dkk. yang berjudul “Rancang Bangun Alat Pendeteksi Kerusakan Bearing
Pada Kendaran Roda Empat Menggunakan Metodeknn (K-Nearest Neighbor)” menyatakan
bahwa kondisi bearing harus dalam keadaan aman dan sering di cek. Sedangkan pada
penelitian dari Yoddy A. Nugraha yang berjudul, ”Studi Kasus Analisa Kegagalan Bearing
Roda Kereta Api” menyatakan bahwa roller bearing pada kereta api sangat penting sekali
peranannya pada roda kereta api agar kereta dapat berjalan seperti yang diinginkan. Oleh
karena itu, perawatan berkala dan pengecekan perlu dilakukan untuk memastikan kondisi
mesin dan bearing. Selain itu, indikator panas pada mesin harus lebih sering diperhatikan,
karena perkembangan teknologi saat ini, pengembangan alat untuk membantu petugas
perawat sarana akan sangat berguna. Salah satunya adalah pengembangan alat yang
memungkinkan masinis maupun petugas perawat sarana untuk memonitoring suhu mesin
dan suhu bearing lokomotif dengan mudah. Dengan adanya monitoring Lokomotif
menggunakan sensor suhu pada mesin dan bearing, petugas perawat sarana dapat melihat
data yang didapatkan dari alat monitoring dengan menggunakan on-board yang telah
terhubung dengan alat di sarana. Sensor suhu contactless juga memungkinkan terjadinya
kerusakan alat sensor berkurang karena tidak bersentuhan langsung dengan mesin maupun
bearing. Selain itu, alat ini juga dapat mengontrol suhu mesin maupun sarana ketika mesin
dalam keadaan overheat maupun dingin.

METODE PENELITIAN
Desain alat
1. Wiring diagram alat monitoring suhu bearing
Pada wiring diagram alat monitoring suhu bearing, sensor MLX90614 menggunakan pin
I2C serial data dan serial clock pada Arduino mega 2560 untuk transfer data. Pin I2C
pada Arduino Mega 2560 berada pada D17 dan D18. Masing-masing berturut-turut
adalah SDA dan SCL. Pada gambar 1 merupakan bentuk wiring diagram alat monitoring
suhu bearing.

Gambar 1. wiring diagram sensor

bearing

1026
 Prosiding Simposium Forum Studi Transportasi antar Perguruan Tinggi ke-23
Institut Teknologi Sumatera (ITERA), Lampung, 23 – 24 Oktober 2020

2. Wiring diagram alat monitoring suhu mesin

Sistem monitoring mesin digunakan untuk memonitoring suhu mesin. Sensor ini mampu
bertahan hingga suhu ±1027˚C. Selain memonitoring suhu mesin, sistem ini memiliki
kontrol berupa PWM. Kecepatan putar PWM akan bergantung pada input suhu yang
diperoleh dari hasil monitoring. Pada gambar 2 merupakan bentuk wiring diagram
alatmonitoring suhu mesin.

Gambar 2. wiring diagram sensor

mesin
Penerapan fuzzy logic pada kontrol alat monitoring suhu mesin
Logika fuzzy pada alat ini digunakan sebagai kontrol Pulse With Modulation (PWM) agar
kecepatan kipas dapat menyesuaikan kondisi suhu mesin pada saat itu. Berdasarkan
penelitian dari Baharuddin yang berjudul “Sistem Kendadli Kecepatan Motor DC Berbasis
PWM (Pulse With Modulation)” menyatakan bahwa efisiensi daya dapat ditingkatkan karena
tidak ada pembuangan daya ke transistor jika menggunakan PWM. Maka dari itu, PWM di
kombinasikan dengan logika fuzzy dapat dijalankan dengan syarat harus memiliki input dan
output masing-masing minimal satu atau lebih. Logika fuzzy menggunakan pendekatan yang
lebih detail, sehingga kecepatan PWM juga akan berubah-ubah mengikuti grafik fuzzy. Input
pada logika fuzzy menggunakan input dari suhu mesin. Untuk menentukan input, pertama-
tama adalah menentukan suhu maksimal objek masih bekerja dengan normal.

Penentuan keanggotaan fuzzy

Untuk dapat menentukan data keanggotaan, yang dilakukan terlebih dahulu harus
mengetahui parameter yang akan digunakan untuk input fuzzy tersebut. Dari metode fuzzy
yang akan digunakan, input menggunakan suhu mesin sebagai parameter. Maka dari itu,
suhu digunakan sebagai variabel input. Data sheet suhu mesin yang di monitoring adalah
sebagai berikut.

Tabel 1. spesifikasi teknis standar maksimal suhu mesin pendingin

Jenis mesin Diesel
Standar suhu maksimal sistem pendingin 60˚C

Dari suhu maksimal sistem pendingin, maka akan mendapatkan batas atas suhu yang
kemudian digunakan sebagai variabel input.

1027
 Prosiding Simposium Forum Studi Transportasi antar Perguruan Tinggi ke-23
Institut Teknologi Sumatera (ITERA), Lampung, 23 – 24 Oktober 2020

Penentuan keanggotaan masing-masing berdasarkan batas atas suhu, yaitu 60˚C yang
kemudian digunakan sebagai himpunan panas atau overheat. Untuk keanggotaan hangat dan
dingin dapat ditentukan sesuai kebutuhan. Kemudian akan diberikan rentang suhu dari
berapa celcius hingga berapa celcius sesuai kebutuhan. Penentuan keanggotaan dan domain
suhu seperti tabel dibawah ini.

Tabel 2. penentuan keanggotaan dan domain suhu

Keanggotaan Domain suhu
Dingin ≤ 30˚C
Hangat 30 - 60˚C
Panas ≥ 60˚C

Karena pada keanggotaan hangat, titik puncak belum bisa ditentukan, maka penentuan titik
puncak keanggotaan hangat agar bernilai 1 (benar) yaitu:

(30 + 60)
𝐻𝐴𝑁𝐺𝐴𝑇 =
2
𝐻𝐴𝑁𝐺𝐴𝑇 = 45˚C

Setelah didapatkan rentang dan puncak masing-masing agar bernilai 1 (benar), hasil dari
rentang dan puncak keanggotaan agar bernilai 1 (benar) dibuat menjadi sebuah diagram
fuzzy seperti di bawah ini.

Gambar 3. diagram member fuzzy

Dari diagram di atas, masing-masing domain bernilai 1 (benar) ketika:

1. Dingin, ketika suhu bernilai 30˚C atau kurang.
2. Hangat, ketika suhu bernilai 45˚C.
3. Panas, 1028etika suhu bernilai 60˚C atau lebih.

Selanjutnya adalah penentuan parameter output dari fuzzy. Output dari logika fuzzy ini
berupa kecepatan putaran kipas yang kemudian digunakan sebagai variabel output.
Berdasarkan jurnal dari Baharuddin, dkk yang berjudul Sistem Kendali Kecepatan Motor
DC Berbasis PWM, kecepatan putar maksimal hanya 255. Maka dari itu, batas atas sudah
didapatkan, yaitu 255 yang kemudian dijadikan sebagai himpunan cepat. Untuk penentuan
himpunan sedang dan lambat, dapat disesuaikan dengan kebutuhan. Pembuatan domain
untuk masing-masing himpunan adalah sebagai berikut:

1028
 Prosiding Simposium Forum Studi Transportasi antar Perguruan Tinggi ke-23
Institut Teknologi Sumatera (ITERA), Lampung, 23 – 24 Oktober 2020

Tabel. 3. Penentuan keanggotaan dan domain kecepatan

Keanggotaan Domain kecepatan

Lambat ≤ 120
Sedang 121 - 176
Cepat ≥ 177 sampai 255

Tabel di atas hanya digunakan sebagai pengelompokkan domain dan himpunan. Untuk
penentuan nilai pada setiap himpunan bernilai 1 (benar) yaitu:
1. Lambat, 1029etika suhu berada pada domain dari himpunan dingin.
2. Sedang, 1029etika suhu berada pada domain dari himpunan hangat.
3. Cepat, 1029etika suhu berada pada domain dari himpunan panas.

HASIL DAN PEMBAHASAN

Perhitungan logika fuzzy
Berdasarkan buku karya Thomas Sri Widodo dengan judul “Sistem Neuro Fuzzy Untuk
Pengolahan Informasi, Permodelan, dan Kendali” berisi tentang perhitungan logika fuzzy
memiliki tiga tahap, tahap tersebut sebagai berikut:

1. Fuzzifikasi
Dari himpunan dan domain yang sudah ditentukan, selanjutnya adalah tahap fuzzifikasi
dari input yang masih dalam himpunan crisp. Input yang terdapat pada sumbu X berada
dalam perpotongan himpunan dingin dan hangat. maka dari itu, ada dua kemungkinan
apakah input tersebut termasuk ke dalam himpunan dingin atau hangat. Untuk itu, harus
didapatkan hanya salah satu himpunan dalam satu input saja yang dapat di asumsikan ke
dalam nilai 1 (benar). Untuk menentukannya menggunakan rumus sebagai berikut:

𝑏−𝑖𝑛𝑝𝑢𝑡 𝑠𝑢ℎ𝑢
µhimpunan1 = =𝑝 (2)
𝑏−𝑎

Serta rumus

𝑖𝑛𝑝𝑢𝑡 𝑠𝑢ℎ𝑢−𝑎
µhimpunan2 = =𝑞 (3)
𝑏−𝑎

Dimana,
µhimpunan1 = derajat keanggotaan
b = suhu tertinggi pada derajat keanggotaan
a = suhu terendah pada derajat keanggotaan

Untuk ketentuan diagram adalah sebagai berikut:

1029
 Prosiding Simposium Forum Studi Transportasi antar Perguruan Tinggi ke-23
Institut Teknologi Sumatera (ITERA), Lampung, 23 – 24 Oktober 2020

Gambar 5. Pembagian ruang himpunan

1 , 𝑥 ≤ 30
45 − x
µ𝑑𝑖𝑛𝑔𝑖𝑛 = 𝑓(𝑥) = {45−30 , 30 ≤ 𝑥 ≤ 45 (4)
0 ; 𝑥 ≥ 45
0 , 𝑥 ≤ 30 𝑎𝑡𝑎𝑢 ≥ 60
x − 30
, 30 ≤ 𝑥 ≤ 45
45−30
µℎ𝑎𝑛𝑔𝑎𝑡 = 𝑓(𝑥) = 60−x (5)
, 45 ≤ 𝑥 ≤ 60
60−45
{ 1 , 𝑥 = 45
1 , 𝑥 ≤ 45
45 − x
µ𝑝𝑎𝑛𝑎𝑠 = 𝑓(𝑥) = {60−45 , 45 ≤ 𝑥60 (6)
1 , 𝑥 ≥ 60

Hasil dari perhitungan ini kemudian di aplikasikan ke dalam mekanisme penalaran agar
didapatkan anteseden dan konsekuen sesuai basis aturan.

2. Mekanisme penalaran/inferensi
Pembuatan basis aturan
Basis aturan ditentukan dengan prosedur inferensi GMP. Input yang digunakan hanya
satu, tetapi meggunakan tiga aturan dengan satu anteseden.

[Rule 1] IF suhu x is DINGIN THEN kecepatan y is PELAN

[Rule 2] IF suhu x is HANGAT THEN kecepatan y is SEDANG
[Rule 3] IF suhu x is PANAS THEN kecepatan y is CEPAT

Pada aturan tersebut, anteseden berupa kondisi suatu himpunan (missal dingin, hangat,
dan panas). Sedangkan konsekuen pada aturan tersebut adalah kesimpulan suatu
himpunan (missal pelan, sedang, dan cepat).
Pembuatan basis data
Dari fuzzifikasi yang sudah didapatkan, selanjutnya di proses ke dalam inferensi basis
data. Untuk menentukan hasil fuzzifikasi yang bernilai 1 (benar), maka menggunakan
aturan berikut:

1030
 Prosiding Simposium Forum Studi Transportasi antar Perguruan Tinggi ke-23
Institut Teknologi Sumatera (ITERA), Lampung, 23 – 24 Oktober 2020

𝜇ℎ𝑖𝑚𝑝𝑢𝑛𝑎𝑛1∪ℎ𝑖𝑚𝑝𝑢𝑛𝑎𝑛2 [𝜒] = max(𝜇ℎ𝑖𝑚𝑝𝑢𝑛𝑎𝑛1 [𝑥], 𝜇ℎ𝑖𝑚𝑝𝑢𝑛𝑎𝑛2 [𝑥]) (7)

Untuk perpotongan himpunan1 dan himpunan2, lalu

𝜇ℎ𝑖𝑚𝑝𝑢𝑛𝑎𝑛2∪ℎ𝑖𝑚𝑝𝑢𝑛𝑎𝑛3 [𝜒] = max(𝜇ℎ𝑖𝑚𝑝𝑢𝑛𝑎𝑛2 [𝑥], 𝜇ℎ𝑖𝑚𝑝𝑢𝑛𝑎𝑛3 [𝑥]) (8)

Untuk perpotongan himpunan2 dan himpunan3

Dari rumus di atas, digunakan untuk menentukan himpunan mana yang memiliki nilai
terbesar. Hasil tersebut dapat digunakan untuk menentukan aturan mana dari basis aturan
yang termasuk kategori himpunan tertentu.

Setelah didapatkan nilai terbesar, kemudian mencari derajat keanggotaan (𝑧𝑖 ) dengan rumus
seperti berikut:

𝑏−𝑧𝑖
= 𝜇ℎ𝑖𝑚𝑝𝑢𝑛𝑎𝑛𝑋 (9)
𝑎

3. Defuzzifikasi
Defuzzifikasi digunakan untuk mendapatkan nilai tegas dari inferensi fuzzy yang masih
dalam bentuk desimal (pendekatan nilai 1). Metode defuzzifikasi yang digunakan adalah
metode average. Nilai input yang menentukan adalah sensor itu sendiri. Maka dari itu,
dalam pembahasan, tidak dicantumkan nilai pasti hasil pendeteksian sehingga pada rumus
defuzzifikasi hanya digunakan variabel-variabel saja. Rumus metode average adalah
sebagai berikut.

(𝛼_𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 × 𝑍1 )+(𝛼_𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡2 × 𝑍2 )+(𝛼_𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡3 × 𝑍3 )

𝑍= (10)
𝛼_𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 + 𝛼_𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡2 +𝛼_𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡3

Konsep ini yang digunakan untuk membuat loop tertutup kendali PWM dengan fuzzy
logic.

Program
Berdasarkan referensi dari David Setiawan yang berjudul “Sistem Kontrol Motor DC
Menggunakan PWM Arduino Berbasis Android System” kecepatan PWM dapat diatur
melalui Arduino dengan menggunakan aplikasi tertentu. Hasil dari perhitungan logika fuzzy
serta rumus di implementasikan ke dalam program Arduino sebagai kendali otomatis
kecepatan PWM menggunakan aplikasi Arduino IDE. Program Arduino IDE terdapat pada
tabel 4 di bawah ini.

Tabel 4. Program logika fuzzy

#include <Arduino.h>
#include <Fuzzy.h>
#include <max6675.h>

int const ktcSO = 8;

int const ktcCS = 9;
int const ktcCLK = 10;

1031
 Prosiding Simposium Forum Studi Transportasi antar Perguruan Tinggi ke-23
Institut Teknologi Sumatera (ITERA), Lampung, 23 – 24 Oktober 2020

MAX6675 ktc(ktcCLK, ktcCS, ktcSO); //variabel suhu

int const pwmMotor = 11; //variabel kecepatan
Fuzzy *const fuzzy = new Fuzzy();

void setup() {
pinMode(pwmMotor,OUTPUT);
digitalWrite(pwmMotor,LOW);

Serial.begin(9600);
FuzzyInput *const temperature = new FuzzyInput(1);
FuzzySet *const temp_dingin = new FuzzySet(30, 40, 45, 50);
temperature->addFuzzySet(temp_dingin);
FuzzySet *const temp_normal = new FuzzySet(45, 50, 55, 60);
temperature->addFuzzySet(temp_normal);
FuzzySet *const temp_panas = new FuzzySet(55, 60, 70, 150);
temperature->addFuzzySet(temp_panas);
fuzzy->addFuzzyInput(temperature);

FuzzyOutput *const speed = new FuzzyOutput(1);

FuzzySet *const speed_pelan = new FuzzySet(20, 42, 42, 84);
speed->addFuzzySet(speed_pelan);
FuzzySet *const speed_normal = new FuzzySet(42, 64, 64, 127);
speed->addFuzzySet(speed_normal);
FuzzySet *const speed_cepat = new FuzzySet(64, 127, 127, 254);
speed->addFuzzySet(speed_cepat);
fuzzy->addFuzzyOutput(speed);

FuzzyRuleAntecedent *const ifTempDingin = new

FuzzyRuleAntecedent();
ifTempDingin->joinSingle(temp_dingin);
FuzzyRuleConsequent *const thenSpeedPelan = new
FuzzyRuleConsequent();
thenSpeedPelan->addOutput(speed_pelan);
FuzzyRule *const fuzzyRule01 = new FuzzyRule
(1,ifTempDingin,thenSpeedPelan);
fuzzy->addFuzzyRule(fuzzyRule01);
FuzzyRuleAntecedent *const ifTempNormal= new
FuzzyRuleAntecedent();
ifTempNormal->joinSingle(temp_normal);
FuzzyRuleConsequent *const thenSpeedNormal = new
FuzzyRuleConsequent();
thenSpeedNormal->addOutput(speed_normal);
FuzzyRule *const fuzzyRule02 = new
FuzzyRule(2,ifTempNormal,thenSpeedNormal);
fuzzy->addFuzzyRule(fuzzyRule02);

FuzzyRuleAntecedent *const ifTempPanas= new FuzzyRuleAntecedent();

ifTempPanas->joinSingle(temp_panas);
FuzzyRuleConsequent *const thenSpeedCepat = new
FuzzyRuleConsequent();

1032
 Prosiding Simposium Forum Studi Transportasi antar Perguruan Tinggi ke-23
Institut Teknologi Sumatera (ITERA), Lampung, 23 – 24 Oktober 2020

thenSpeedCepat->addOutput(speed_cepat);
FuzzyRule *const fuzzyRule03 = new
FuzzyRule(3,ifTempPanas,thenSpeedCepat);
fuzzy->addFuzzyRule(fuzzyRule03);
}
void loop() {
int const input = thermocouple.readCelsius();
fuzzy->setInput(1, input);
fuzzy->fuzzify();
float const output = fuzzy->defuzzify(1);
analogWrite(pwmMotor, output);
}

Analisa
Pada pengujian fuzzy, dilakukan beberapa percobaan dengan mengatur suhu input untuk
mengetahui output dari fuzzy tersebut. Diberikan 3 percobaan dengan himpunan suhu yang
berbeda. Hasil percobaan digunakan untuk mengetahui tingkat kevalidan antara input suhu
dengan output kecepatan menggunakan program. Hasil percobaan seperti pada tabel 5. di
bawah ini.

Tabel 5. Data pengujian fuzzy

No Suhu (˚C) Kecepatan dalam himpunan Error (YA/TIDAK)
1 ≤ 30 Pelan TIDAK
2 30 − 45 Sedang TIDAK
3 ≥ 60 Cepat TIDAK
Sumber: analisis data penulis

Dari hasil pengujian ini didapatkan hasil jika program logika fuzzy berjalan tanpa
kendala/error.

KESIMPULAN
Pengujian yang dilakukan hanya untuk menguji bekerja atau tidaknya logika pada saat suhu
tertentu di deteksi oleh thermocouple. Dari pengujian tersebut didapatkan hasil jika logika
fuzzy tidak mengalami error pada saat dijalankan. Kecepatan kipas juga menyesuaikan
dengan suhu yang terdeteksi berdasarkan aturan-aturan logika fuzy yang digunakan sebagai
logika.

1033
 Prosiding Simposium Forum Studi Transportasi antar Perguruan Tinggi ke-23
Institut Teknologi Sumatera (ITERA), Lampung, 23 – 24 Oktober 2020

DAFTAR PUSTAKA
Arif Setiawan, A. M. (2018). 'Rancang Bangun Alat Pendeteksi Kerusakan Bearing pada
Kendaraan Roda Empat Menggunakan Metode KKN (K-Nearest Neighbor)'.
POSITRON.
Baharuddin, Rhiza, & Tola. (2012). 'Sistem Kendali Kecepatan Motor DC Berbasis PWM
(Pulse With Modulation)'. Sekolah Tinggi Manajemen Informatika Dan Komputer.
Cooney, D.E. 1952. 'Methods of Establishing the Reliability and Validity of Test'. University
of Alberta. Edmonton, Alberta, Kanada.
Faisal Wahab, A. S. (2017). 'Desain dan Purwarupa Fuzzy Logic Control untuk
Pengendalian Suhu Ruangan'. Jurnal Teknologi Rekayasa.
Nadhif, Muhammad dan Suryono. 2015. 'Aplikasi Fuzzy Logic untuk pengendali Motor DC
Berbasis Mikrokontroller ATMega8535 dengan Sensor Photodioda'. Jurnal Teknik
Elektro Vol. 7 No. 2. Semarang: Universitas Negeri Semarang.
Nugraha A., Yoddy. 'Studi Kasus Analisa Kegagalan Bearing Roda Kereta Api'. Bandung:
Politeknik TEDC Bandung.
Setiawan, D. (2017). 'Sistem Kontrol Motor DC Menggunakan PWM Arduino Berbasis
Android System'. Jurnal Sains, Teknologi dan Industri.
Sri Widodo, Thomas. (2005). Sistem Neuro Fuzzy untuk Pengolahan Informasi,
Permodelan, Dan Kendali. Graha Ilmu.
Suprijadi, I. (2012). 'Simulasi Kontrol Temperatur Berbasis Fuzzy Logic untuk Tabung
Sampel Minyak Bumi pada Metode Direct Suburface Sampling'. J.Auto.Ctrl.Inst.
Syahrin, A. (2017). 'Prototype Sistem Monitoring Temperatur Menggunakan Arduino Uno
R3 dengan Komunikasi Wireless'. Jakarta: Universitas Mercu Buana.
Vempali, M. D. (2016). 'Design and Development of Digital Proximity Type IR
Thermometer Based on Arduino Uno R3'. International Journal of Innovate Research
in Science, Engineering and Technology.

1034