Pendahuluan

Teknik elektro sering dimulai dari besaran yang tegas: tegangan 220 V, arus 2 A, frekuensi 50 Hz, resistansi 10 Ω, atau kecepatan motor 1500 rpm. Besaran seperti ini dapat diukur, dihitung, dan dimasukkan ke dalam persamaan. Dalam banyak mata kuliah dasar, kita belajar bahwa sistem listrik dapat dianalisis dengan hukum Ohm, hukum Kirchhoff, model rangkaian, fungsi alih, persamaan diferensial, diagram blok, dan metode kendali klasik.

Namun, ketika sistem benar-benar dirancang dan dioperasikan, insinyur tidak hanya berhadapan dengan angka yang bersih. Ada beban yang berubah, sensor yang berisik, parameter motor yang bergeser karena suhu, baterai yang menua, sinar matahari yang naik-turun pada panel surya, dan batas operasi komponen yang tidak selalu nyaman dinyatakan sebagai satu angka tajam. Di ruang kendali, teknisi mungkin berkata:

“Tegangan agak rendah.”
“Motor terlalu panas.”
“Responsnya masih lambat.”
“Arus awalnya besar, tetapi masih dapat diterima.”
“Jika galat kecil dan perubahan galat mengecil, kurangi aksi kendali.”

Kalimat-kalimat seperti itu tidak sepenuhnya kabur. Seorang insinyur berpengalaman dapat memakainya untuk mengambil keputusan yang masuk akal. Masalahnya, komputer dan mikrokontroler membutuhkan aturan yang dapat dihitung. Di sinilah logika fuzzy menjadi berguna.

Logika fuzzy adalah kerangka matematika untuk menyatakan dan menghitung konsep yang bertingkat, misalnya “rendah”, “sedang”, “tinggi”, “cepat”, “lambat”, “stabil”, atau “hampir nol”. Gagasan dasarnya diperkenalkan secara formal oleh Lotfi A. Zadeh melalui teori himpunan fuzzy, yaitu himpunan yang keanggotaannya tidak hanya bernilai 0 atau 1, tetapi dapat bernilai di antara 0 dan 1 (Zadeh, 1965). Nilai ini disebut derajat keanggotaan. Misalnya, suhu motor 60 °C mungkin memiliki derajat keanggotaan 0,2 pada himpunan “dingin”, 0,8 pada himpunan “normal”, dan 0,3 pada himpunan “panas”, bergantung pada definisi fungsi keanggotaannya.

Perhatikan bahwa angka 0,8 pada “normal” bukan berarti probabilitas suhu itu normal adalah 80%. Suhunya sudah diketahui, misalnya 60 °C. Yang dinilai adalah seberapa kuat suhu tersebut cocok dengan konsep linguistik “normal”. Jadi, logika fuzzy terutama membantu memodelkan ketidaktegasan makna atau vagueness, bukan sekadar ketidakpastian acak. Probabilitas menjawab pertanyaan seperti “seberapa mungkin peristiwa ini terjadi?”, sedangkan derajat keanggotaan fuzzy menjawab pertanyaan seperti “seberapa cocok nilai ini dengan istilah ini?” Pembedaan ini penting sejak awal agar logika fuzzy tidak dipahami sebagai pengganti semua teori probabilitas, melainkan sebagai alat berbeda untuk jenis persoalan yang berbeda.

Dalam buku ini, kita akan memakai istilah himpunan klasik untuk himpunan biasa yang keanggotaannya tegas. Misalnya, jika batas “tegangan aman” didefinisikan sebagai 210 V sampai 240 V, maka tegangan 220 V termasuk himpunan itu, sedangkan 209,9 V tidak termasuk. Fungsi keanggotaannya hanya menghasilkan 1 atau 0. Sebaliknya, dalam himpunan fuzzy, perubahan dari “aman” ke “tidak aman” dapat dibuat bertahap. Tegangan 210 V mungkin dianggap aman dengan derajat 0,9, tegangan 205 V dengan derajat 0,5, dan tegangan 200 V dengan derajat 0,1. Model seperti ini tidak selalu lebih benar daripada batas tegas, tetapi sering lebih sesuai dengan cara insinyur menilai kondisi operasional yang memiliki daerah transisi.

Agar gagasan ini terasa konkret, bayangkan sistem pendingin untuk kabinet elektronika daya. Kita ingin mengatur kecepatan kipas berdasarkan suhu. Pendekatan biner sederhana dapat berupa:

Jika suhu lebih dari 50 °C, nyalakan kipas penuh.
Jika suhu tidak lebih dari 50 °C, matikan kipas.

Aturan ini mudah, tetapi dapat menyebabkan kipas sering menyala dan mati di sekitar 50 °C. Dalam sistem nyata, perilaku seperti ini dapat mengganggu, memperpendek umur perangkat fisik, atau menghasilkan respons yang kasar. Pendekatan fuzzy dapat memakai aturan seperti:

Jika suhu rendah, kecepatan kipas kecil.
Jika suhu sedang, kecepatan kipas sedang.
Jika suhu tinggi, kecepatan kipas besar.

Kata “rendah”, “sedang”, dan “tinggi” kemudian diberi fungsi keanggotaan. Misalnya, 45 °C dapat sedikit termasuk “sedang”, 55 °C sangat termasuk “sedang” dan mulai termasuk “tinggi”, sedangkan 70 °C sangat termasuk “tinggi”. Hasil akhirnya bukan sekadar nyala atau mati, melainkan sinyal kendali yang dapat berubah lebih halus.

Contoh lain muncul pada pengendali motor. Dalam kendali umpan balik, galat adalah selisih antara nilai acuan dan nilai keluaran aktual. Jika motor diinginkan berputar pada 1500 rpm tetapi sensor membaca 1450 rpm, galat kecepatannya adalah 50 rpm. Pengendali fuzzy dapat memakai dua masukan: galat dan perubahan galat. Aturan kendalinya dapat berbunyi:

Jika galat besar positif dan perubahan galat positif, naikkan tegangan kendali secara besar.
Jika galat kecil dan perubahan galat mendekati nol, pertahankan kendali.
Jika galat negatif besar, turunkan kendali.

Aturan seperti ini menyerupai cara teknisi menjelaskan tindakan kendali secara verbal. Keunggulan logika fuzzy bukan karena ia menghapus kebutuhan analisis teknik, melainkan karena ia menyediakan jembatan antara pengetahuan linguistik dan perhitungan numerik. Pendekatan pengendali fuzzy seperti ini telah digunakan dalam literatur kendali sejak karya awal Mamdani dan Assilian tentang sintesis linguistik pengendali fuzzy (Mamdani & Assilian, 1975).

Buku ini ditulis untuk mahasiswa teknik elektro yang ingin memahami logika fuzzy dari dasar sampai penerapannya. Kita tidak akan langsung melompat ke perangkat lunak. Sebelum memakai MATLAB, Python, atau mikrokontroler, kita perlu memahami apa yang sebenarnya dihitung. Sebuah sistem fuzzy bukan kotak ajaib. Ia memiliki bagian-bagian yang jelas: variabel masukan, fungsi keanggotaan, basis aturan, mekanisme inferensi, agregasi keluaran, dan defuzzifikasi.

Istilah fuzzifikasi berarti mengubah nilai numerik tegas menjadi derajat keanggotaan pada beberapa himpunan fuzzy. Misalnya, suhu 58 °C diubah menjadi derajat keanggotaan terhadap “rendah”, “sedang”, dan “tinggi”. Istilah inferensi fuzzy berarti proses mengevaluasi aturan IF–THEN fuzzy untuk menghasilkan kesimpulan fuzzy. Setelah itu, defuzzifikasi mengubah keluaran fuzzy menjadi satu nilai tegas, misalnya duty cycle PWM sebesar 62% atau tegangan kendali sebesar 3,1 V. Dalam sistem kendali dan sistem tertanam, keluaran tegas ini diperlukan karena aktuator, konverter, dan perangkat fisik biasanya menerima sinyal numerik tertentu.

Logika fuzzy juga berkaitan erat dengan variabel linguistik, yaitu variabel yang nilainya berupa istilah bahasa, bukan hanya angka. Zadeh mengembangkan konsep variabel linguistik untuk memformalkan penggunaan kata-kata seperti “tinggi”, “sangat tinggi”, atau “kurang lebih nol” dalam sistem penalaran yang dapat dihitung (Zadeh, 1975). Dalam teknik elektro, contoh variabel linguistik adalah “tegangan baterai”, dengan term “rendah”, “normal”, dan “tinggi”; atau “galat frekuensi”, dengan term “negatif besar”, “negatif kecil”, “nol”, “positif kecil”, dan “positif besar”.

Meskipun logika fuzzy sering tampak intuitif, perancangannya tetap membutuhkan disiplin rekayasa. Fungsi keanggotaan yang buruk dapat menghasilkan keputusan buruk. Basis aturan yang saling bertentangan dapat membuat respons sistem tidak konsisten. Metode defuzzifikasi yang berbeda dapat memberi sinyal kendali yang berbeda. Selain itu, sistem fuzzy tidak otomatis stabil hanya karena aturan-aturannya terdengar masuk akal. Dalam pengendalian motor, elektronika daya, atau sistem energi, respons transien, overshoot, galat keadaan tunak, batas arus, batas suhu, dan keselamatan komponen tetap harus dianalisis.

Karena itu, buku ini mengambil jalur bertahap. Bab 1 menjelaskan mengapa logika fuzzy diperlukan dalam teknik elektro dan bagaimana ia berbeda dari probabilitas. Bab 2 mengulang dasar himpunan klasik dan logika biner, karena logika fuzzy lebih mudah dipahami jika kita tahu terlebih dahulu apa yang diperluasnya. Bab 3 sampai Bab 6 membangun dasar matematika himpunan fuzzy, fungsi keanggotaan, operasi fuzzy, dan relasi fuzzy. Bab 7 sampai Bab 10 membahas aturan linguistik serta sistem inferensi Mamdani, Sugeno, dan Tsukamoto. Model Sugeno, misalnya, banyak dibahas dalam konteks identifikasi sistem dan kendali karena keluarannya dapat berbentuk fungsi dari masukan, sehingga cocok untuk beberapa kebutuhan komputasi dan optimisasi (Takagi & Sugeno, 1985).

Setelah fondasi itu kuat, Bab 11 dan Bab 12 masuk ke perancangan pengendali fuzzy serta evaluasi kinerjanya. Bagian ini penting karena mahasiswa teknik elektro biasanya tidak hanya ingin membuat sistem yang “berjalan”, tetapi juga ingin tahu apakah responsnya cukup cepat, cukup stabil secara rekayasa, dan cukup aman untuk kondisi operasi yang dihadapi. Bab 13 membahas implementasi komputasional, termasuk representasi fungsi keanggotaan, evaluasi aturan, resolusi diskret, dan isu real-time. Bab 14 dan Bab 15 membawa pembahasan ke studi kasus motor listrik, elektronika daya, panel surya, baterai, inverter, dan sistem energi. Bab 16 memberi pengantar ke optimisasi, neuro-fuzzy, dan arah lanjut seperti ANFIS, sambil tetap menekankan pentingnya interpretabilitas.

Sikap belajar yang dianjurkan dalam buku ini sederhana: jangan menghafal bentuk fungsi keanggotaan tanpa memahami maknanya. Ketika melihat fungsi segitiga, tanyakan apa arti titik kirinya, titik puncaknya, dan titik kanannya. Ketika melihat aturan fuzzy, tanyakan pengalaman teknik apa yang sedang dinyatakan oleh aturan itu. Ketika melihat hasil defuzzifikasi, tanyakan apakah nilai keluarannya masuk akal bagi aktuator dan batas operasi sistem.

Sebagai contoh, jika sebuah aturan berbunyi:

Jika arus motor sangat tinggi, maka kurangi duty cycle secara besar.

Kita perlu bertanya: arus “sangat tinggi” itu dimulai dari berapa ampere? Apakah nilai tersebut masih di bawah batas termal motor dan sakelar daya? Apakah pengurangan duty cycle terlalu agresif sehingga menyebabkan torsi turun mendadak? Apakah sensor arus cukup cepat? Apakah ada proteksi perangkat keras jika pengendali fuzzy gagal? Pertanyaan-pertanyaan ini menunjukkan bahwa logika fuzzy bukan pengganti pengetahuan teknik elektro. Ia adalah alat untuk menata, menghitung, dan menerapkan sebagian pengetahuan itu.

Pada akhir pendahuluan ini, ada tiga gagasan yang sebaiknya dipegang. Pertama, logika fuzzy memberi cara matematis untuk bekerja dengan konsep bertingkat. Kedua, derajat keanggotaan fuzzy berbeda dari probabilitas; ia menyatakan kecocokan terhadap konsep, bukan peluang kejadian. Ketiga, dalam teknik elektro, logika fuzzy paling bermanfaat ketika dipadukan dengan pemahaman sistem fisis, batas perangkat fisik, dan tujuan rekayasa yang jelas.

Dengan bekal itu, kita siap masuk ke Bab 1: mengapa logika fuzzy diperlukan dalam teknik elektro.

References

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, SMC-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.