Pendahuluan

Teknik elektro sering bekerja dengan besaran yang dapat diukur secara tegas: tegangan dalam volt, arus dalam ampere, frekuensi dalam hertz, daya dalam watt, suhu dalam derajat Celsius, atau kecepatan motor dalam putaran per menit. Ketika sebuah multimeter menunjukkan \(220{,}4\ \text{V}\), angka itu tampak jelas. Namun keputusan rekayasa yang mengikuti angka tersebut tidak selalu setegas itu. Apakah tegangan itu “normal”? Apakah suhu kumparan “tinggi”? Apakah respons motor “terlalu lambat”? Apakah baterai “hampir penuh”? Kata-kata seperti normal, tinggi, lambat, dan hampir tidak memiliki batas tajam yang sama untuk semua konteks.

Di sinilah logika fuzzy menjadi berguna. Logika fuzzy adalah kerangka matematika untuk memodelkan konsep bertingkat, terutama konsep linguistik yang sering digunakan manusia ketika membuat keputusan teknis. Gagasan dasarnya diperkenalkan oleh Lotfi A. Zadeh melalui teori himpunan fuzzy, yaitu himpunan yang keanggotaannya tidak hanya bernilai 0 atau 1, melainkan dapat bernilai di antara 0 dan 1 (Zadeh, 1965). Nilai ini disebut derajat keanggotaan. Jika suhu sebuah motor adalah \(75^\circ\text{C}\), kita dapat mengatakan bahwa suhu itu mempunyai derajat keanggotaan 0,8 terhadap label “panas” dan 0,3 terhadap label “sedang”, bergantung pada fungsi keanggotaan yang dipilih. Angka 0,8 di sini tidak berarti peluang suhu itu panas sebesar 80%; suhu sudah diketahui. Angka itu menyatakan seberapa cocok nilai \(75^\circ\text{C}\) dengan konsep linguistik “panas”.

Perbedaan ini penting sejak awal. Probabilitas biasanya memodelkan ketidakpastian tentang kejadian: misalnya peluang gangguan hubung singkat terjadi dalam suatu periode operasi. Fuzzy memodelkan ketidakjelasan batas makna: misalnya batas antara “arus kecil” dan “arus sedang”. Keduanya sama-sama memakai angka antara 0 dan 1, tetapi maknanya berbeda. Dalam probabilitas, angka sering berkaitan dengan frekuensi, keyakinan, atau ukuran peluang kejadian. Dalam himpunan fuzzy, angka menyatakan derajat kecocokan suatu objek terhadap suatu konsep yang batasnya tidak tajam. Pembedaan antara ketidakpastian probabilistik dan ketidakjelasan fuzzy dibahas secara luas dalam literatur himpunan fuzzy dan teori ketidakpastian (Klir dan Yuan, 1995).

Sebagai contoh sederhana, bayangkan sistem proteksi suhu pada transformator kecil. Pendekatan biner dapat memakai aturan:

Jika suhu \(\geq 80^\circ\text{C}\), aktifkan alarm.
Jika suhu \(< 80^\circ\text{C}\), jangan aktifkan alarm.

Aturan seperti ini mudah diimplementasikan, tetapi memiliki batas tajam. Suhu \(79{,}9^\circ\text{C}\) dianggap sepenuhnya aman terhadap aturan tersebut, sedangkan \(80{,}0^\circ\text{C}\) langsung dianggap perlu alarm. Dalam banyak situasi rekayasa, perubahan sekecil itu tidak mencerminkan perubahan keadaan fisis yang mendadak. Dengan pendekatan fuzzy, kita dapat mendefinisikan label seperti “hangat”, “panas”, dan “sangat panas”, lalu membuat aturan:

Jika suhu panas, maka tingkatkan kecepatan kipas.
Jika suhu sangat panas, maka aktifkan alarm dan kurangi beban.

Aturan ini lebih dekat dengan cara teknisi atau operator berpengalaman menjelaskan tindakan mereka. Keputusan tidak harus melompat tiba-tiba dari “tidak ada tindakan” ke “alarm penuh”; keputusan dapat berubah bertahap sesuai derajat keanggotaan suhu terhadap label-label tersebut.

Mengapa topik ini penting bagi teknik elektro?

Teknik elektro berhadapan dengan sistem yang sering kali nonlinear, berubah terhadap waktu, dipengaruhi gangguan, dan tidak selalu mudah dimodelkan secara lengkap. Motor listrik dapat mengalami perubahan beban. Konverter daya dapat bekerja pada daerah operasi yang berbeda. Panel surya menerima iradiasi yang berubah-ubah. Sistem tenaga menghadapi variasi beban dan batas operasi peralatan. Sensor mempunyai derau, keterbatasan resolusi, dan dinamika respons. Dalam semua kasus ini, insinyur tetap harus membuat keputusan: menaikkan sinyal kendali, menurunkan duty cycle, mengubah referensi, mengaktifkan proteksi, atau memilih mode operasi.

Logika fuzzy tidak menggantikan hukum dasar rangkaian, elektromagnetika, elektronika daya, atau teori kendali. Hukum Ohm, persamaan daya, model motor, analisis kestabilan, dan batas termal komponen tetap berlaku. Logika fuzzy justru menyediakan cara tambahan untuk menyusun aturan keputusan di atas pengetahuan tersebut. Misalnya, dalam pengendali kecepatan motor, kita dapat memakai dua masukan:

• galat, yaitu selisih antara kecepatan referensi dan kecepatan aktual;
• perubahan galat, yaitu perubahan galat dari waktu ke waktu.

Jika galat besar positif, motor terlalu lambat dibandingkan referensi. Jika perubahan galat negatif, galat sedang mengecil. Seorang perancang dapat membuat aturan seperti:

Jika galat besar positif dan perubahan galat kecil, maka naikkan sinyal kendali cukup besar.

Aturan ini tidak menyebutkan model diferensial motor secara eksplisit, tetapi dapat menangkap intuisi kendali umpan balik. Pengendali fuzzy pertama yang terkenal dalam literatur kendali menggunakan aturan linguistik untuk mengendalikan sistem mesin uap dan boiler, menunjukkan bagaimana pengetahuan berbasis aturan dapat diubah menjadi aksi kendali yang dapat dihitung (Mamdani dan Assilian, 1975). Setelah itu, kendali fuzzy berkembang menjadi topik penting dalam sistem kendali, termasuk melalui kajian menyeluruh tentang struktur pengendali, basis aturan, fuzzifikasi, inferensi, dan defuzzifikasi (Lee, 1990a; Lee, 1990b).

Dari kata-kata menuju perhitungan

Kekuatan utama logika fuzzy adalah kemampuannya menghubungkan bahasa manusia dengan perhitungan numerik. Namun hubungan itu tidak terjadi secara otomatis. Setiap istilah harus didefinisikan secara matematis.

Ambil contoh variabel “tegangan baterai” dengan semesta pembicaraan \(X = [10, 14]\ \text{V}\). Semesta pembicaraan adalah rentang nilai yang sedang dibahas. Pada baterai 12 V tertentu, kita dapat mendefinisikan istilah linguistik “rendah”, “normal”, dan “tinggi”. Masing-masing istilah dinyatakan oleh fungsi keanggotaan. Fungsi keanggotaan untuk “normal”, misalnya, dapat memberi nilai tinggi di sekitar \(12{,}6\ \text{V}\), lalu turun ketika tegangan semakin jauh dari nilai tersebut.

Secara matematis, suatu himpunan fuzzy \(A\) pada semesta \(X\) dinyatakan oleh fungsi:

\[ \mu_A : X \rightarrow [0,1]. \]

Simbol \(\mu_A(x)\) dibaca “derajat keanggotaan \(x\) pada himpunan fuzzy \(A\)”. Jika \(A\) adalah label “tegangan normal”, maka \(\mu_A(12{,}6)=1\) dapat berarti \(12{,}6\ \text{V}\) sepenuhnya cocok dengan label “normal” menurut rancangan kita. Jika \(\mu_A(11{,}8)=0{,}4\), maka \(11{,}8\ \text{V}\) masih memiliki sebagian kecocokan dengan “normal”, tetapi tidak kuat.

Perhatikan bahwa angka-angka tersebut bukan fakta alam yang berdiri sendiri. Fungsi keanggotaan adalah bagian dari model. Model yang baik harus disesuaikan dengan data, spesifikasi komponen, tujuan kendali, pengalaman pakar, atau standar operasi. Untuk baterai, batas “rendah” akan berbeda antara baterai timbal-asam, baterai lithium-ion, dan sistem penyimpanan energi dengan manajemen baterai khusus. Karena itu, logika fuzzy menuntut tanggung jawab rekayasa: istilah linguistik harus diterjemahkan menjadi bentuk matematis yang masuk akal secara fisis.

Zadeh kemudian memperluas gagasan ini melalui konsep variabel linguistik, yaitu variabel yang nilainya dapat berupa kata atau frasa seperti “rendah”, “sedang”, “tinggi”, “sangat tinggi”, atau “agak rendah” (Zadeh, 1975). Dalam teknik elektro, variabel linguistik dapat berupa suhu pendingin, arus beban, slip motor induksi, tegangan DC-link, frekuensi sistem, state of charge baterai, atau galat kendali. Buku ini akan menunjukkan bagaimana istilah-istilah tersebut dibuat terukur tanpa menghilangkan makna rekayasanya.

Apa yang akan dipelajari dalam buku ini?

Buku ini disusun dari dasar menuju perancangan sistem. Kita mulai dari himpunan klasik dan logika biner karena logika fuzzy tidak dapat dipahami dengan baik jika pembaca belum memahami batasan pendekatan tegas. Dalam himpunan klasik, suatu elemen hanya mempunyai dua kemungkinan: menjadi anggota atau bukan anggota. Dalam logika biner, suatu proposisi bernilai benar atau salah. Struktur ini sangat kuat dan tetap penting dalam rangkaian digital, pemrograman, proteksi berbasis ambang, dan analisis formal. Akan tetapi, banyak istilah operasional dalam teknik elektro tidak memiliki batas yang benar-benar tajam. Dari titik itulah himpunan fuzzy diperkenalkan.

Setelah dasar matematika dibangun, buku ini membahas fungsi keanggotaan. Fungsi segitiga dan trapesium sering dipakai karena sederhana dan mudah dihitung. Fungsi Gaussian dan bell-shaped berguna ketika transisi halus diinginkan. Fungsi sigmoid sering muncul ketika suatu konsep meningkat atau menurun secara bertahap. Fungsi singleton berguna dalam beberapa sistem inferensi, terutama ketika keluaran aturan direpresentasikan oleh nilai tertentu. Setiap bentuk memiliki konsekuensi terhadap sensitivitas sistem, beban komputasi, dan kemudahan interpretasi.

Kemudian kita masuk ke operasi himpunan fuzzy. Dalam himpunan klasik, irisan sering dibaca sebagai “dan”, gabungan sebagai “atau”, dan komplemen sebagai “bukan”. Dalam logika fuzzy, operasi tersebut tidak tunggal. Irisan dapat dimodelkan dengan operator minimum atau perkalian. Gabungan dapat dimodelkan dengan maksimum, jumlah probabilistik, atau operator lain. Pilihan operator memengaruhi hasil inferensi. Karena itu, buku ini tidak hanya memberi rumus, tetapi juga menanyakan makna rekayasa dari rumus tersebut.

Bagian tengah buku membahas relasi fuzzy dan aturan IF–THEN. Aturan seperti:

Jika arus tinggi dan suhu panas, maka risiko besar.

akan diubah menjadi prosedur komputasi. Kita akan mempelajari bagaimana premis dievaluasi, bagaimana konsekuen diaktifkan, dan bagaimana beberapa aturan digabungkan. Sistem inferensi Mamdani akan dibahas lebih dahulu karena bentuknya intuitif dan dekat dengan penalaran linguistik. Sistem Sugeno dan Tsukamoto kemudian diperkenalkan untuk memperlihatkan pilihan model lain, terutama ketika komputasi real-time, optimisasi parameter, atau integrasi dengan algoritma pembelajaran menjadi pertimbangan. Model fuzzy Takagi–Sugeno, misalnya, dikenal luas untuk identifikasi dan pemodelan sistem dengan konsekuen berbentuk fungsi masukan, sehingga sering berguna dalam konteks pemodelan dan kendali (Takagi dan Sugeno, 1985).

Bagian akhir buku bergerak ke perancangan pengendali fuzzy, analisis kinerja, implementasi komputasional, dan studi kasus. Dalam perancangan pengendali, kita akan membahas skala normalisasi, pemilihan masukan-keluaran, penyusunan basis aturan, dan tuning. Dalam analisis kinerja, kita akan memeriksa respons transien, overshoot, waktu tunak, galat keadaan tunak, sensitivitas, dan ketangguhan. Ini penting karena sistem fuzzy yang terlihat baik pada satu simulasi belum tentu aman atau memadai pada seluruh daerah operasi. Simulasi membantu, tetapi tidak menggantikan penalaran rekayasa, pengujian, dan pemeriksaan batas.

Contoh orientasi: pengendali kipas pendingin

Untuk memberi gambaran awal, pertimbangkan sistem pendingin sederhana pada panel elektronika daya. Sensor mengukur suhu heatsink. Aktuator berupa kipas DC dengan sinyal kendali PWM. Tujuannya adalah menjaga suhu agar tidak terlalu tinggi tanpa membuat kipas selalu berputar maksimum.

Pendekatan biner dapat dibuat seperti ini:

Jika suhu di atas \(60^\circ\text{C}\), kipas menyala penuh.
Jika suhu di bawah \(60^\circ\text{C}\), kipas mati.

Pendekatan ini sederhana, tetapi dapat menyebabkan kipas sering hidup-mati di sekitar ambang. Dalam praktik, biasanya ditambahkan histeresis, misalnya kipas menyala pada \(60^\circ\text{C}\) dan mati pada \(55^\circ\text{C}\). Itu sudah lebih baik. Namun kita juga dapat merancang pendekatan fuzzy:

Jika suhu dingin, maka PWM kipas rendah.
Jika suhu hangat, maka PWM kipas sedang.
Jika suhu panas, maka PWM kipas tinggi.
Jika suhu sangat panas, maka PWM kipas maksimum.

Pada rancangan seperti ini, suhu \(58^\circ\text{C}\) mungkin termasuk “hangat” dengan derajat 0,4 dan “panas” dengan derajat 0,6. Maka keluaran kendali dapat menjadi gabungan dari rekomendasi “sedang” dan “tinggi”. Setelah defuzzifikasi, sistem menghasilkan satu nilai PWM tegas, misalnya 72%. Nilai inilah yang dikirim ke perangkat fisik berupa pengendali kipas.

Contoh ini memperlihatkan alur umum sistem fuzzy:

1. nilai sensor masuk sebagai angka tegas;
2. angka tersebut diubah menjadi derajat keanggotaan melalui fuzzifikasi;
3. aturan IF–THEN dievaluasi;
4. keluaran fuzzy dari beberapa aturan digabungkan;
5. keluaran fuzzy diubah kembali menjadi angka tegas melalui defuzzifikasi.

Alur ini akan dipelajari bertahap. Pada tahap awal, pembaca tidak perlu menghafal semua metode. Yang lebih penting adalah memahami bahwa logika fuzzy bukan sekadar “aturan pakai kata-kata”, melainkan prosedur matematis yang mengubah konsep bertingkat menjadi keputusan numerik.

Sikap belajar yang diperlukan

Ada dua kesalahan umum ketika pertama kali mempelajari logika fuzzy. Kesalahan pertama adalah menganggap fuzzy sebagai metode yang tidak matematis karena memakai kata-kata seperti “rendah” dan “tinggi”. Ini keliru. Di balik kata-kata tersebut ada fungsi, operator, aturan, dan prosedur inferensi yang harus didefinisikan dengan tepat.

Kesalahan kedua adalah menganggap fuzzy sebagai solusi ajaib untuk semua sistem yang sulit dimodelkan. Ini juga keliru. Pengendali fuzzy tetap dapat dirancang buruk. Fungsi keanggotaan dapat dipilih sembarangan. Basis aturan dapat saling bertentangan. Defuzzifikasi dapat menghasilkan aksi yang terlalu agresif atau terlalu lambat. Implementasi pada mikrokontroler dapat gagal memenuhi batas waktu real-time. Karena itu, buku ini akan menekankan hubungan antara intuisi linguistik, model matematis, dan konsekuensi rekayasa.

Pembaca diharapkan memiliki pengetahuan dasar tentang rangkaian listrik, sinyal dan sistem, serta konsep kendali umpan balik. Pengetahuan kalkulus dasar dan aljabar akan membantu, terutama saat membaca fungsi dan grafik. Namun buku ini akan memperkenalkan notasi fuzzy dari awal. Jika suatu simbol baru muncul, maknanya akan dijelaskan sebelum digunakan secara intensif.

Tujuan akhir buku ini bukan hanya membuat pembaca dapat menyebutkan definisi himpunan fuzzy, tetapi juga mampu merancang dan mengevaluasi sistem fuzzy sederhana untuk aplikasi teknik elektro. Setelah menyelesaikan buku ini, pembaca diharapkan dapat membaca fungsi keanggotaan, menyusun aturan fuzzy, menghitung inferensi dasar, memilih metode defuzzifikasi, memahami perbedaan Mamdani, Sugeno, dan Tsukamoto, serta menilai apakah suatu rancangan fuzzy masuk akal secara fisis dan komputasional.

Logika fuzzy paling bermanfaat ketika digunakan dengan disiplin rekayasa: istilah harus jelas, asumsi harus dinyatakan, parameter harus dapat dipertanggungjawabkan, dan hasil harus diuji terhadap kebutuhan sistem. Dengan sikap itu, fuzzy logic menjadi alat yang kuat untuk menjembatani pengetahuan manusia, data pengukuran, dan keputusan kendali dalam teknik elektro.

References

Klir, G. J., & Yuan, B. (1995). Fuzzy Sets and Fuzzy Logic: Theory and Applications. Prentice Hall.

Lee, C. C. (1990a). Fuzzy logic in control systems: Fuzzy logic controller—Part I. IEEE Transactions on Systems, Man, and Cybernetics, 20(2), 404–418.

Lee, C. C. (1990b). Fuzzy logic in control systems: Fuzzy logic controller—Part II. IEEE Transactions on Systems, Man, and Cybernetics, 20(2), 419–435.

Mamdani, E. H., & Assilian, S. (1975). An experiment in linguistic synthesis with a fuzzy logic controller. International Journal of Man-Machine Studies, 7(1), 1–13.

Takagi, T., & Sugeno, M. (1985). Fuzzy identification of systems and its applications to modeling and control. IEEE Transactions on Systems, Man, and Cybernetics, 15(1), 116–132.

Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353.

Zadeh, L. A. (1975). The concept of a linguistic variable and its application to approximate reasoning—I. Information Sciences, 8(3), 199–249.