Kendali Plant Time Varying Menggunakan Fuzzy Adaptif Dengan Metode Secara Tidak Langsung ( Indire
Transcript of Kendali Plant Time Varying Menggunakan Fuzzy Adaptif Dengan Metode Secara Tidak Langsung ( Indire
KENDALI PLANT TIME VARYING
MENGGUNAKAN FUZZY ADAPTIF DENGAN METODE SECARA TIDAK
LANGSUNG ( INDIRECT ADAPTIVE FUZZY CONTROL )
( Studi Kasus Pada Kontrol Level Surge Tank )
TUGAS AKHIR
Diajukan guna melengkapi persyaratan dalam menyelesaikan
Pendidikan Strata Satu Teknik Elektro
Fakultas Teknik Universitas Diponegoro
Oleh :
AKHMAD KHUMAENI
L2F 098 582
JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNIK
UNIVERSITAS DIPONEGORO
SEMARANG
2003
iii
HALAMAN PENGESAHAN
Dengan ini menerangkan bahwa Tugas Akhir ini dengan judul “Kendali Plant Time
Varying Menggunakan Fuzzy Adaptif Dengan Metode Secara Tidak Langsung
(Indirect Adaptive Fuzzy Control) ( Studi Kasus Pada Kontrol Level Surge
Tank ) “ yang disusun oleh :
Nama : Akhmad Khumaeni
NIM : L2F 098 582
Telah disetujui dan disahkan oleh dosen penguji Tugas Akhir pada :
Tanggal : …………………………...
Tempat : Semarang
Oleh :
Pembimbing I Pembimbing II
Sumardi, ST. MT.
NIP 132 125 670
Iwan Setiawan, ST. MT.
NIP 132 283 183
Mengetahui,
Ketua Jurusan Teknik Elektro
Fakultas Teknik Universitas Diponegoro Semarang
Dr. Ir. Hermawan, DEA.
NIP 131 598 857
iv
ABSTRAK
Proses perancangan kendali fuzzy yang berdasarkan pada penggunaan informasi heuristik dari
seorang ahli telah terbukti sukses dalam berbagai penerapan di bidang industri. Ada beberapa
masalah serius yang ditemukan pada penerapan di bidang kontrol, antara lain : Pertama,
perancangan kendali fuzzy yang dibentuk berdasarkan sifat khusus sistemnya akan menyulitkan
sekali dalam menentukan parameter pengontrol, sebagai contoh, penentuan fungsi keanggotaan dan
aturan dasar sistem dalam menemukan unjuk kerja sistem agar sesuai dengan setting point yang
diinginkan, masih dilakukan dengan coba-coba (trial and error). Kedua, kendali fuzzy yang dibentuk
berdasarkan pada sifat-sifat plant saja kurang sesuai dengan kebutuhan pengendalian plant tersebut,
karena apabila terjadi perubahan parameter plant, atau jika ada beberapa gangguan dan pengaruh
dari lingkungan sekitarnya menyebabkan pengontrolan tidak lagi sesuai untuk plant yang digunakan.
Pendekatan kendali fuzzy adaptif dengan metode secara tidak langsung (indirect adaptive
fuzzy control) mampu memberikan pengendalian dalam suatu perubahan dinamik proses sistem dan
karakter sebuah gangguan dan plant tidak tentu (time varying), pendekatan kendali fuzzy adaptif
metode secara tidak langsung menggunakan identifikasi secara on-line untuk mengestimasikan
parameter model plant, cara mengestimasikan parameter plant model mengacu pada mekanisme
adaptif yang dipakai, pengestimasian parameter model plant menggunakan metode Recursive Least
Square (RLS).
Kendali fuzzy adaptif dengan metode secara tidak langsung mampu melakukan pengontrolan
terhadap plant surge tank ( plant time varying ) dengan nilai overshoot sebesar 3,1038 persen, nilai
waktu puncak sebesar 18 detik dan waktu penetapan sebesar 19,9 detik, untuk masukkan sinyal step,
pengontrolan juga dilakukan untuk masukkan sinyal pulsa dan sembarang step dan didapatkan sistem
mampu mengikuti referensi dengan baik.
Kata Kunci: Kontrol Logika Fuzzy, Kontrol Adaptif , Recursive Least Square (RLS)
v
ABSTRACT
The design process for fuzzy controller that is based on the use of heuristict information
from human experts has found success in many industrisal applications. There are certain problem
that are encountered for practical control problem, including the following : First, the design of fuzzy
controllers is performed in an ad hoc manner so it is often difficult to choose at least some of the
controller parameter. For example, it is sometimes difficult to know how to pick the membership
functions and rule base to meet specific desired level of performance. Second, the fuzzy controller
constructed for the nominal plant may later perform inadequately if significant and unpredictable
plant parameter variations occur, or if there is noise or some type of distrurbance or some other
environmental effect, it couse the controller may not be able to maintain adequate performance of the
system.
The approach of the indirect adaptive fuzzy controller could provide controller in the
changes of dynamics of the process system and characteristict of disturbance and plant time varying,
the indirect adaptive fuzzy controller is performed by the on line identification method to estimate the
parameter of a model of the plant, the way to estimate is refer to the adaptive law that is used, in this
case the estimate way that is used is Recursive Least Square ( RLS ).
The indirect adaptive fuzzy controller provide the estimated parameter of the model plant
time varying could give performance of the controller so well. And its result : the maximum overshoot
is 3,1038 persen, peaktime is 18 second and settling time 19,9 second for step input, and for pulse and
arbritrary step input, the controller could maintain the respon output of the plant so well.
Keyword :fuzzy logic control, adaptive control, Recursive Least Square
vi
KATA PENGANTAR
Assalamu’alaikum wr. Wb.
Syukur Alhamdulillah, segala puji bagi Allah SWT rabb semesta alam yang
hanya dengan rahmat dan cinta kasih-Nya serta Sholawat atas Nabi Muhammad SAW
serta para pengikutnya sampai akhir zaman nanti, sehingga penulis dapat
menyelesaikan Tugas Akhir dengan judul KENDALI PLANT TIME VARYING
MENGGUNAKAN FUZZY ADAPTIF DENGAN METODE SECARA TIDAK
LANGSUNG ( INDIRECT ADAPTIVE FUZZY CONTROL ) ( Studi Kasus Pada
Kontrol Level Surge Tank )
Dalam penulisan laporan Tugas Akhir ini, penulis menghadapi berbagai
hambatan, namun dengan bantuan berbagai pihak, penulis dapat menyelesaikan
laporan Tugas Akhir ini. Oleh karena itu dalam kesempatan ini, penulis mengucapkan
terima kasih kepada:
1. Bapak, Ibu (“di sana, I love you”) .
2. keluarga di rumah (a’isyah, khumaeroh, abdillah, khamidah, zakiyah) yang
telah memberikan bimbingan, dorongan semangat, cinta dan do’a selama ini.
3. Keluarga di Bogor ( terima kasih atas semangat yang tak pernah putus ).
4. Bapak Dr.Ir.Hermawan, DEA selaku Ketua Jurusan Teknik Elektro Fakultas
Teknik Universitas Diponegoro Semarang.
5. Achmad Hidayatno, ST. MT. selaku Koordinator Tugas Akhir.
6. Bapak Sumardi, ST. MT. selaku Dosen Pembimbing I.
7. Bapak Iwan Setiawan, ST. MT. selaku selaku Dosen Pembimbing II..
8. Bapak Ir. Bambang Winardi, selaku Dosen Wali.
9. Saudara Slamet Muhammad B, Muhammad Awaludin A, mas Didik’97,
Hendra Nurdian, Suryo K Laksono, Agung A Fakih terima kasih atas bantuan
dan kebersamannya selama ini.
10. Teman-teman seperjuangan, Tri Wahyudi, Puji Raharjo, Gusman Hutomo,
Abdul Mu’in, Nur Baqin, Ikhsanudin.
11. Rekan – rekan seperjuangan angkatan ’98, terima kasih atas kerjasamanya.
12. Temen-temen kost doraemon bulusari 16B dan para mantan kadjat kost.
13. Semua pihak yang telah membantu terselesaikannya laporan tugas akhir ini,
yang tidak dapat kami sebutkan satu per satu.
vii
vii
Sebagai manusia yang tidak luput dari kesalahan, penulis sangat menyadari
bahwa apa yang tertuang dalam laporan ini masih jauh dari sempurna. Oleh karena itu,
kritik dan saran yang membangun dari semua pihak sangat penulis harapkan.
Akhirnya, semoga laporan Tugas Akhir ini dapat memberikan manfaat bagi
mahasiswa jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro Semarang
khususnya dan semua pihak yang berkepentingan.
Wassalamu’alaikum wr. Wb.
Semarang, 20 September 2003
Penulis
viii
DAFTAR ISI
Hal
Halaman Judul ..................................................................................................... i
Halaman Pengesahan ......................................................................................... iii
Abstrak .............................................................................................................. iv
Abstract .............................................................................................................. v
Kata Pengantar ................................................................................................... vi
Daftar Isi ........................................................................................................... vii
Daftar Gambar ................................................................................................... xi
Daftar Tabel......................................................................................................xiii
Daftar Lampiran ............................................................................................... xiv
BAB I PENDAHULUAN ................................................................................ 1
1.1 Latar Belakang ............................................................................. 1
1.2 Tujuan Penulisan ......................................................................... 2
1.3 Pembatasan Masalah .................................................................... 2
1.4 Metode Penulisan Laporan ........................................................... 3
1.5 Sistematika Penulisan .................................................................. 3
BAB II LANDASAN TEORI ........................................................................... 5
2.1 Konsep Dasar Fuzzy ................................................................... 5
2.2 Teori Himpunan Fuzzy ................................................................ 5
2.2.1 Fungsi Keanggotaan ......................................................... 6
2.2.2 Operasi Himpunan Fuzzy ................................................ 8
2.3 Teknik Perancangan Kendali Logika Fuzzy ................................ 9
2.3.1 Konfigurasi Dasar Kendali Logika Fuzzy ........................ 9
2.3.1.1 Fuzzifikasi ...................................................... 10
2.3.1.2 Basis Pengetahuan ........................................... 11
2.3.1.3 Logika Pengambilan Keputusan ....................... 12
2.3.1.4 Strategi Defuzzifikasi ...................................... 16
2.3.2 Pemodelan Kendali Logika Fuzzy ................................. 19
2.3.3 Perancangan Aturan Pengendali Logika Fuzzy .............. 19
2.3.3.1 Metode Heuristik ........................................... 19
ix
2.3.3.2 Metode Deterministik ..................................... 21
2.3.4 Patokan Perancangan Kendali Logika Fuzzy ................. 21
2.4 Kendali Adaptif ...................................................................... 22
2.4.1 Kendali Fuzzy Adaptif .................................................. 23
2.4.2 Konsep Dasar Kendali Fuzzy Adaptif ............................ 23
2.5 Kendali Fuzzy Adaptif Metode Secara Tidak Langsung ............. 25
2.5.1 Identifikasi On Line ....................................................... 26
2.5.2 Recursive Least Squaare ( RLS ) .................................. 27
2.5.3 Pemilihan Parameter Inisial Theta .................................. 31
2.5.4 Perancangan Penempatan Pole ....................................... 32
2.5.5 Adaptif Parallel Distribusi Kompensator ........................ 32
2.6 Metode Euler .............................................................................. 36
2.7 Respon Transien ......................................................................... 38
2.8 Tinjauan Terhadap Plant .......................................................... 39
BAB III PERANCANGAN PERANGKAT LUNAK KENDALI FUZZY
ADAPTIF DENGAN METODE SECARA TIDAK LANGSUNG ..... 42
3.1 Pengendali ( Controller ) ............................................................ 42
3.2 Sistem Identifikasi .................................................................... 46
3.3 Perancang Kendali ( Controller Designer ) ............................... 50
3.3 Pengontrolan Plant .................................................................... 52
BAB IV STUDY KASUS KONTROL LEVEL PADA SURGE TANK ............. 56
4.1 Parameter Fungsi Center Keanggotaan Masukkan Fuzzy ............ 56
4.2 Parameter-parameter Identifikasi ................................................ 57
4.3 Penentuan Batas Nilai Minimal Konstanta Beta .......................... 57
4.4 Pengujian.................................................................................... 58
4.4.1 Percobaan Referensi Sinyal Step .................................. 59
4.4.2 Percobaan Referensi Sinyal Pulsa ................................... 62
4.4.3 Percobaan Referensi Sembarang Step Undak ............... 64
4.4.4 Pengujian Dengan Memberikan Gangguan ..................... 66
x
BAB V PENUTUP ......................................................................................... 68
5.1 Kesimpulan ................................................................................ 68
5.2 Saran ......................................................................................... 68
DAFTAR PUSTAKA ....................................................................................... 70
LAMPIRAN
xi
DAFTAR GAMBAR
Hal
Gambar 2.1 Himpunan fuzzy dan fungsi keanggotaan ................................................6
Gambar 2.2 Fungsi keanggotaan gaussian untuk gauss (x:2,5) ....................................7
Gambar 2.3 Konfigurasi dasar kendali logika fuzzy ...................................................9
Gambar 2.4 Sistem kalang tertutup dengan pengendali logika fuzzy .........................10
Gambar 2.5 Proses fuzzifikasi....................................................................................10
Gambar 2.6 MAX-MIN fuzzy inferensi .....................................................................14
Gambar 2.7 MAX-DOT fuzzy inferensi .....................................................................15
Gambar 2.8 Bentuk umum tabel aturan ......................................................................16
Gambar 2.9 Langkah-langkah defuzzifikasi ..............................................................18
Gambar 2.10 Kendali logika fuzzy pada sistem ikal tertutup .....................................19
Gambar 2.11 Respon sistem dari masukan tangga satuan dan bidang fase .................20
Gambar 2.12 Blok diagram sistem adaptif ................................................................22
Gambar 2.13 Konfigurasi dasar sistem kendali fuzzy adaptif model reference .........25
Gambar 2.14 Indirect adaptive control .....................................................................25
Gambar 2.15 Diagram blok mekanisme estimasi rekursif ........................................37
Gambar 2.16 sistem Kendali Dengan Balikkan Keadaan ..........................................32
Gambar 2.17 Surge tank ..........................................................................................39
Gambar 3.1 Flowchart kendali logika fuzzy ..........................................................44
Gambar 3.2 Flowchart sistem identifikasi dan estimasi ........................................49
Gambar 4.1 Fungsi keanggotaan masukkan fuzzy untuk jumlah rule 5 ( lima ) ..........57
Gambar 4.2 Gaussian input membership function dengan lima membership .............59
Gambar 4.3 Keluaran sinyal referensi dan keluaran level plant surge tank ( untuk
referensi masukan step ) .......................................................................59
Gambar 4.4 Keluaran level model dan keluaran level surge tank ( untuk referensi
masukan sinyal step ) ...........................................................................60
Gambar 4.5 Nilai error antara respon model plant dan plant ( untuk referensi
masukan sinyal step ) ............................................................................61
Gambar 4.6 Konstanta parameter model plant (untuk referensi masukan sinyal step) 62
xii
Gambar 4.7 Keluaran sinyal referensi dan keluaran level plant surge tank ( untuk
masukkan pulsa ) ..................................................................................62
Gambar 4.8 Keluaran level model dan keluaran level surge tank ( untuk referensi
masukan pulsa ) ...................................................................................63
Gambar 4.9 Nilai error antara respon model plant dan plant ( untuk referensi
masukan sinyal pulsa ) ..........................................................................63
Gambar 4.10 Konstanta parameter model plant (untuk referensi masukan sinyal
pulsa).....................................................................................................64
Gambar 4.11 Keluaran sinyal referensi dan keluaran level plant surge tank ( untuk
referensi sembarang step ) .....................................................................64
Gambar 4.12 Keluaran model plant dan keluaran surge tank ( untuk referensi
sembarang step ) .................................................................................65
Gambar 4.13 Error antara model dan keluaran surge tank ( untuk referensi
sembarang step undak ) .........................................................................65
Gambar 4.14 Konstanta parameter model plant (untuk referensi masukan sembarang
step undak) ............................................................................................66
Gambar 4.15 Keluaran sinyal referensi dan keluaran level plant surge tank yang
diberikan gangguan (untuk referensi masukkan sinyal step ) ..................66
Gambar 4.16 Besar kendali yang diumpankan ke plant saat
diberikan gangguan (untuk referensi masukkan sinyal step ) ..................67
Gambar 4.17 Keluaran level model dan keluaran level surge tank saat
diberikan gangguan (untuk referensi masukkan sinyal step ) ..................67
xiii
DAFTAR TABEL
Hal
Tabel 2.1 Proses penyingkatan label...........................................................................11
Table 2.2 Fuzzy control rule untuk tiga terminology himpunan ( N, Z,P ) ................20
Table 4.1 Karakterisrik Respon Transien ...................................................................60
xiv
DAFTAR LAMPIRAN
Hal
Lampiran A ............................................................................................................ 71
A. Petunjuk Penggunaan Program ..................................................................... 72
Lampiran B ............................................................................................................ 78
B.1. Layar cover ............................................................................................... 79
B.2. Layar plant surge tank dan diagram blok pengontrolan.............................. 79
B.3. Layar utama .............................................................................................. 81
B.4. Layar keluaran plant ................................................................................. 98
Lampiran C .......................................................................................................... 113
C.1. Tiga fungsi keanggotaan.......................................................................... 114
C.2. Empat fungsi keanggotaan....................................................................... 117
C.3. Enam fungsi keanggotaan ....................................................................... 120
C.4 Tujuh fungsi keanggotaan ....................................................................... 122
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Proses perancangan kendali fuzzy yang berdasarkan pada penggunaan
informasi heuristik dari seorang ahli telah terbukti sukses dalam berbagai penerapan
di bidang industri [11]
. Ada beberapa masalah serius yang ditemukan pada penerapan
di bidang kontrol, antara lain : Pertama, perancangan kendali fuzzy yang dibentuk
berdasarkan sifat khusus sistemnya akan menyulitkan sekali dalam menentukan
parameter pengontrol, sebagai contoh, penentuan fungsi keanggotaan dan aturan
dasar sistem dalam menemukan unjuk kerja plant agar sesuai dengan setting point
yang diinginkan, masih dilakukan dengan coba-coba (trial and error)[3]
. Kedua,
kendali fuzzy yang dibentuk berdasarkan pada sifat-sifat plant saja kurang sesuai
dengan kebutuhan pengendalian plant tersebut, karena apabila terjadi perubahan
parameter plant, atau jika ada beberapa gangguan dan pengaruh dari lingkungan
sekitarnya menyebabkan pengontrolan tidak lagi sesuai untuk plant yang
digunakan[11]
.
Sebuah sistem dengan kerja otomatis dalam mencari/menala (tuning) parameter
kendali fuzzy sangat diperlukan, dan diinginkan pula kendali fuzzy yang mampu
menyesuaikan (adapt) terhadap kondisi lingkungan sekitarnya pada keadaan kondisi
plant yang berubah, dalam hal ini dibutuhkan sebuah kendali fuzzy adaptif yang
mampu memberikan pengontrolan terhadap kondisi perubahan dinamik proses sistem
dan karakter sebuah gangguan serta plant tidak tentu (time varying)[1]
.
Dalam Tugas Akhir ini diperkenalkan sebuah pengendalian dengan
pendekatan kendali fuzzy adaptif dengan metode secara tidak langsung
(indirect adaptive fuzzy control), kendali fuzzy adaptif dengan metode secara tidak
langsung mampu memberikan pengendalian dalam suatu perubahan dinamik proses
sistem dan karakter sebuah gangguan serta plant tidak tentu (time varying),
pendekatan kendali fuzzy adaptif metode secara tidak langsung menggunakan
identifikasi secara on-line untuk mengestimasikan parameter plant model[11]
, dalam
hal ini parameter plant model adalah sebagai parameter fungsi center keanggotaan
keluaran fuzzy, parameter plant model tersebut digunakan oleh perancang kendali
2
(controller designer) untuk menspesifikasikan parameter pengendali plant yang
digunakan, sehingga kendali yang diumpankan ke plant sesuai pada saat keadaan
parameter plant berubah, pengestimasian parameter model plant menggunakan
metode Recursive Least Square (RLS)[11]
.
Kendali fuzzy adaptif dengan metode secara tidak langsung menyediakan
pengestimasi parameter model plant yang berubah-ubah mampu memberikan kinerja
sistem kendali yang memuaskan.
1.2 Tujuan Penulisan
Tujuan penyusunan tugas akhir ini adalah membuat simulasi penerapan
metode kendali logika fuzzy adaptif dengan menggunakan metode secara tidak
langsung sebagai penalaan optimal fungsi center keangggotaan keluaran fuzzy untuk
mendapatkan untuk kerja plant kontrol level pada surge tank.
1.3 Pembatasan Masalah
Dalam tugas akhir ini diberikan pembatasan-pembatasan sebagai berikut :
a) Sistem yang digunakan merupakan plant time varying orde satu yaitu surge
tank.
b) Sistem kendali logika fuzzy menggunakan fungsi–fungsi keanggotaan
simetris dengan derajat keanggotaan gaussian dengan lima fungsi
keanggotaan.
c) Sinyal masukan (referensi) yang diberikan hanya sinyal step dan square wave
(segi empat) dan sembarang step undak.
d) Persamaan plant yang digunakan mengabaikan adanya bentuk efek gesekan
(The effect of friction) fluida yang terjadi pada surge tank.
e) Metode adaptasi parameter yang digunakan adalah dengan menggunakan
metode RLS.
f) Model identifikasi yang dipakai adalah menggunakan model Takagi Sugeno
sebagai identifikasi model sistem.
g) Hasil Penalaan tidak untuk diperbandingkan dengan kinerja kendalinya atau
metode penalaan lain, akan tetapi hanya untuk membuktikan bahwa dengan
sebuah kendali fuzzy adaptif metode secara tidak langsung mampu memenuhi
kriteria yang diharapkan.
3
1.4 Metodologi Penulisan Laporan
Mekanisme penulisan laporan yang digunakan dalam Tugas Akhir ini adalah
sebagai berikut :
1. Studi literatur
Dilakukan dengan cara membaca, membahas, dan menelaah buku-
buku serta literatur-literatur yang terkait dengan Tugas Akhir ini.
2. Perancangan program
Rumus dan parameter yang telah diketahui disimulasikan
menggunakan bantuan program MATLAB, kemudian menganalisa
hasil simulasi tersebut.
3. Pengujian Program
Dilakukan dengan menguji simulasi hasil program dan dicocokkan
apakah sesuai dengan teori atau tidak.
4. Penyusunan laporan Tugas Akhir
1.5 Sistematika Penulisan
Sistematika penulisan tugas akhir ini adalah sebagai berikut:
BAB I PENDAHULUAN
Berisi latar belakang masalah, tujuan, pembatasan masalah, dan sistematika
penulisan Tugas Akhir.
BAB II LANDASAN TEORI
Berisi uraian tentang kendali logika fuzzy, adaptive parallel distribution
compensator, kendali fuzzy adaptif, recursive least square (RLS) sebagai
identifikasi sistem dan aplikasinya pada kendali logika fuzzy.
BAB III PERANCANGAN PERANGKAT LUNAK INDIRECT ADAPTIVE
FUZZY CONTROL
Berisi uraian perancangan kendali logika fuzzy adaptif dan identifikasi
sistem untuk menentukan parameter optimal yang akan digunakan untuk
menentukan parameter pengontrol beserta diagram alirnya.
4
BAB IV STUDY KASUS
Berisi hasil pengujian algoritma proses optimasi yang dilakukan serta
pembahasan
BAB V PENUTUP
Berisi kesimpulan dan saran.
5
BAB II
LANDASAN TEORI
2.1 Konsep Dasar Fuzzy
Teori himpunan fuzzy pertama kali diperkenalkan oleh Lotfi A Zadeh pada
tahun 1965 [15]
. Teori himpunan fuzzy adalah merupakan perluasan dari teori logika
Boolean yang menyatakan tingkat angka 1 atau 0 atau pernyataan benar atau salah,
sedang pada teori logika fuzzy terdapat tingkat nilai antara 1 dan 0 sebagai tingkat
pernyataan kebenaran atau kesalahan.
Kendali logika fuzzy menggambarkan proses berfikir seorang operator ketika
sedang mengontrol suatu sistem, berbeda dengan cara pengontrolan konvensional,
sistem yang dikontrol dimodelkan secara analitis oleh sejumlah persamaan
diferensial, memberikan penyelesaian pada penentuan aksi kontrol yang harus
diberikan pada sistem. Kedua cara pengontrolan tadi terjadi perubahan dari
pemodelan sistem yang dikontrol menjadi pemodelan cara berfikir operator [12]
.
2.2 Teori Himpunan Fuzzy
Himpunan fuzzy adalah suatu himpunan dari prinsip-prinsip matematik
untuk memodelkan informasi yang didasarkan pada tingkat keanggotaan
(membership grade)[15]
.
Misalkan U adalah kumpulan obyek yang secara umum dinyatakan dengan
{u}, yang dapat bernilai diskret atau kontinyu. U disebut semesta pembicaraan
(universe of discourse), dan u mewakili elemen-elemen U.
Suatu himpunan fuzzy F dalam semesta pembicaraan U dapat digambarkan
oleh suatu fungsi keanggotaan (membership function) µF yang mewakili nilai dalam
interval [0,1] untuk tiap u dalam U dinyatakan dalam persamaan 2.1.
µF = U � [ 0, 1 ] (2.1)
Yang digambarkan dalam bentuk Gambar 2.1 seperti berikut :
6
1.0
µF
Himpunan Fuzzy F
0
Semesta pembicaraan
U
Dera
jat
ke
ng
gota
an
Gambar.2.1 Himpunan fuzzy dan fungsi keanggotaan.
Suatu himpunan fuzzy dalam semesta U direpresentasikan sebagai pasangan
elemen u dengan tingkat fungsi keanggotaan dinyatakan pada persamaan 2.2.
{ }UuuuF F ∈= /))(,( µ (2.2)
Semua elemen u dalam U akan memberikan besar derajat kenggotaan
0)( >uFµ disebut penyokong (support) dari himpunan fuzzy yang
bersangkutan[14][11]
. Untuk nilai µF (u) = 0.5 maka nilai u disebut sebagai titik silang,
dan µF (u)= 1 disebut fuzzy tunggal (singleton).
Suatu himpunan fuzzy F adalah suatu fuzzy tunggal yang menyokong u,
maka dapat ditulis sebagai persamaan 2.3.
F = µF (u ) / u (2.3)
µF (u ) adalah menyatakan tingkat kenggotaan u dalam himpunan fuzzy F.
sehingga untuk semesta pembicaraan U kontinyu dan diskret dapat dinyatakan pada
persamaan 2.4 dan 2.5.
F = ∫ µF (u ) / u untuk U kontinyu (2.4)
F = ∑=
n
i 1
[ µF (u ) / u ] untuk U diskret (2.5)
2.2.1 Fungsi Keanggotaan
Fungsi keanggotaan menyatakan derajat keanggotaan dari masing-masing
anggota dalam semesta pembicaraan dan fungsi keanggotaan ini dapat didefinisikan
dengan memakai dua cara yaitu dengan numerik dan dengan fungsional[15]
. Definisi
numerik menyatakan fungsi keanggotaan himpunan fuzzy dalam sebuah vektor
7
dimana dimensinya tergantung pada tingkat diskretisasi. Definisi fungsional
mendefinisikan fungsi keanggotaan himpunan fuzzy dalam pernyataan analitik
dimana tingkat keanggotaan masing-masing elemen dihitung di dalam semesta
pembicaraan. Adapun fungsi keanggotaan yang sering dipakai dalam praktek antara
lain :
a. Fungsi trapesium yang didefinisikan sebagai persamaan 2.6.
Fungsi keanggotaan trapesium tergantung pada empat parameter yang
dinyatakan secara matematis sebagai berikut :
≤
≤≤−
−≤≤
≤≤−
−≤
=
xd
dxccd
xd
cxb
bxaab
ax
ax
dcbaxtrapezoid
0
1
,0
),,,;( (2.6)
b. Fungsi Gaussian didefinisikan sebagai persamaan 2.7.
gauss (x ; σ, c ) = 2
2
2
)(
σ
cx
e
−−
(2.7)
dengan σ adalah derajat exponensial fungsi gaussian, c adalah titik tengah
fungsi Gaussian .
0 2 4 6 8 10-0.2
0
0.2
0.4
0.6
0.8
1
1.2
Elemen X
De
raja
t K
ea
nggota
an
Gambar 2.2 Fungsi keanggotaan gaussian untuk gauss (x;2,5)
c. Fungsi –T (Segitiga) yang didefinisikan sebagai persamaan 2.8.
≤
≤≤−
−
≤≤−
−≤
=
xc
cxbbc
xc
bxaab
ax
ax
cbaxtriangle
0
0
),,,( (2.8)
8
2.2.2 Operasi Himpunan Fuzzy
Dua himpunan fuzzy A dan B dalam suatu himpunan semesta U dengan
fungsi keanggotaan masing-masing µA dan µB. Memiliki operasi-operasi himpunan
antara lain sebagai berikut :
1. Komplemen dari A (A’ )
Komplemen dari himpunan fuzzy A dengan derajat keanggotaan µA (u) di
definisikan sebagai himpunan fuzzy yang terletak pada semesta yang sama
dengan derajat keanggotaan.
µA (u ) = 1 - µA (u ) (2.9)
2. Irisan dari A dan B (A ∩ B)
Irisan dari dua himpunan fuzzy A dan B adalah himpunan fuzzy dengan
derajat keanggotaan elemennya diberikan persamaan 2.10.
µA∩B (u ) = Min (µA (u ), µB (u ) ) (2.10)
3. Gabungan dari A dan B (A U B)
Gabungan dari dua himpunan fuzzy A dan B adalah himpunan fuzzy dengan
derajat kenggotaan elemennya diberikan persamaan 2.11.
µAUB (u ) = Max (µA (u ), µB (u ) ) (2.11)
4. Kesamaan
Dua himpunan fuzzy A dan B dikatakan sama jika keduanya berada pada
semesta yang sama dan tiap elemennya memiliki derajat keanggotaan yang
sama.
µA (u ) = µB (u ) (2.12)
Relasi fuzzy adalah suatu relasi yang nilai kebenarannya diantara 0 dan 1,
Relasi fuzzy dari himpunan semesta A1,…, An didefinisikan sebagai persamaan 2.13.
R = ∫ ×× ),...(/),...( 11...1 nnRAA uuuunµ (2.13)
µ menyatakan tingkat kebenaran relasi R.
Jika R dan S adalah relasi fuzzy dalam U×V dan V×W, komposisi R dan S
adalah suatu relasi fuzzy yang dinotasikan dengan R o S dan definisikan :
9
R o S = ∫ × ),(/)*(sup ),(),( wuvuRvuRvu µµ (2.14)
2.3 Teknik Perancangan Kendali Logika Fuzzy
Kendali fuzzy merupakan metodologi formal untuk merepresentasikan,
memanipulasi dan mengimplementasikan pengetahuan heuristik manusia tentang
bagaimana mengontrol suatu sistem.
2.3.1 Konfigurasi Dasar Kendali Logika Fuzzy (KLF)
Kendali fuzzy mempunyai empat komponen sebagaimana ditunjukkan
Gambar 2.3[11][15]
yaitu :
1. Fuzifikasi adalah proses modifikasi masukan tegas sehingga dapat
dinterpretasikan dan dibandingkan dengan aturan – aturan dalam basis aturan.
2. Basis aturan atau “rule base” berisi pengetahuan dalam bentuk himpunan aturan,
mengenai cara terbaik untuk mengontrol sistem.
3. Mekanisme pengambilan keputusan atau “inference mechanism” yaitu evaluasi
terhadap aturan kontrol yang akan diterapkan bersesuaian dengan kondisi yang
sedang berlangsung kemudian memutuskan input yang harus diumpankan ke
plant sebagai suatu aksi kontrol.
4. Defuzifikasi adalah proses pengubahan keputusan yang diambil dalam inference
mechanism kedalam input plant berupa aksi pengontrolan.
Basis
Sistem
Fuzzifikasi DefuzzifikasiLogika
pengambilan
Gambar 2.3 Konfigurasi dasar kendali logika fuzzy.
10
PengendaliLogika Fuzzy
Proses
Ref Error U+
-
Gambar 2.4 Sistem kalang tertutup dengan pengendali logika fuzzy.
Secara mendasar kendali logika fuzzy dapat dipandang sebagai artificial
decision maker yang dioperasikan pada sistem kalang tertutup secara real time.
Untuk merancang kendali fuzzy, engineer kontrol harus mengumpulkan informasi
tentang bagaimana artificial decision maker harus bertindak didalam sistem kalang
tertutup tersebut.
2.3.1.1 Fuzzifikasi
Fuzzifikasi bertujuan untuk mentransformasikan masukan nyata yang bersifat
bukan fuzzy (nyata/crisp) ke himpunan fuzzy. Pada dasarnya fuzzifikasi memiliki
fungsi sebagai berikut :
1. Mengukur nilai variabel masukan.
2. Melakukan pemetaan berskala yang mengubah jangkauan dari nilai variabel
masukan ke dalam semesta pembicaraan yang bersangkutan.
3. Merumuskan fungsi fuzzifikasi yang merubah data masukkan ke dalam nilai
linguistik yang sesuai dan digunakan sebagai label dari himpunan fuzzy.
Untuk memperjelas, proses fuzifikasi ditunjukkan pada Gambar 2.5.
15 30 45 60 75
Dingin Sejuk Normal PanasHangat
!
0.5
0.25
0.75
Gambar 2.5 Proses fuzifikasi.
11
Dari Gambar 2.5. proses fuzifikasi menunjukkan masukan tegas 340 melalui
proses fuzifikasi diubah menjadi input fuzzy yaitu 0,78 sejuk dan 0,25 normal.
Sesuai dengan labelnya mudah saja untuk dikenali, bahwa variabelnya adalah suhu,
sering kali untuk memperpendek pelabelan, label – label fisis sering diubah ke angka
integer melaui proses sebagaimana Tabel 2.1 dengan tujuan untuk memudahkan
dalam implementasi program.
Tabel 2.1 Proses penyingkatan label .
Label mula Semi numerik Numerik
Dingin Negatif Besar “NB” -2
Sejuk Negatif Medium “NM” -1
Normal Zero “Z” 0
Hangat Positif Medium “PM” 1
Panas Positif Besar “PB” 2
2.3.1.2 Basis Pengetahuan
Basis pengetahuan terdiri dari basis data dan basis kaidah atur. Basis data
mendefinisikan himpunan fuzzy atas ruang-ruang masukan dan keluaran. Basis
kaidah atur berisi kaidah-kaidah kontrol, basis pengetahuan merupakan bagian dari
konfigurasi kendali logika fuzzy yang memuat pengetahuan dari persoalan yang akan
diselesaikan dengan kendali logika fuzzy. Pengetahuan yang dimuat terdiri dari basis
data dan basis kaidah atur fuzzy. Informasi yang ada ini akan digunakan sebagai
dasar dalam komponen konfigurasi yang lain :
a. Basis Data
Basis data berfungsi untuk mendefinisikan himpunan fuzzy dari masukan dan
keluaran agar dapat dipakai oleh fuzzy. Perancangan basis data mempertimbangkan
aspek berikut :
1. Diskretisasi semesta pembicaraan.
2. Pembagian ruang masukan dan keluaran.
3. Kelengkapan.
4. Pemilihan keanggotaan.
12
b. Basis Kaidah Atur
Sistem fuzzy diungkapkan dengan pernyataan linguistik yang berdasar pada
pengetahuan pakar (expert knowledge). Pengetahuan pakar biasanya dinyatakan
dalam bentuk aturan “ Jika …. Maka…”, yang secara mudah dapat digunakan oleh
pernyataan fuzzy dalam logika fuzzy. Kumpulan pernyataan tersebut disebut kaidah
atur fuzzy.
Pada prinsipnya, kaidah atur fuzzy diturunkan dari analisis perilaku sistem
yang ditinjau. Kemudian didefinisikan keadaan sistem yang diinginkan dengan
masukan dan keluaran yang ada. Kaidah atur merupakan pemetaan atau transformsi
dari masukan menjadi keluaran pada sistem yang diinginkan. Basis kaidah atur inilah
yang akan diimplementasikan pada logika pengambilan keputusan. Sebagai contoh :
Aturan 1 : Jika kecepatan sangat rendah dan jarak masih jauh maka
tambahkan kecepatan (gas)
Aturan 2 : Jika kecepatan sangat tinggi dan jarak sudah dekat maka kurangi
kecepatan (gas)
Contoh diatas menggambarkan bahwa, kecepatan adalah masukan pertama
dan jarak adalah masukan kedua sedang gas adalah keluarannya. Terlihat bahwa
masukan kecepatan dan jarak dapat dihubungkan dengan kata “ dan “ atau dengan
kata “ atau “.
2.3.1.3 Logika Pengambilan Keputusan
Logika pengambilan keputusan adalah cara pengambilan keputusan dengan
menggunakan implikasi fuzzy dan mekanisme penarikan kesimpulan. Jika basis data
dan basis kaidah atur sistem yang ditinjau sudah diketahui, maka basis pengetahuan
ini akan digunakan untuk menyusun logika pengambilan keputusan dengan cara
menuliskan aturan yang menghubungkan antara masukan dengan keluaran model
fuzzy. Aturan ini diekspresikan dengan kalimat : ‘jika (masukkan) maka (keluaran),
dimana masukan dan keluaran berupa konsep linguistik.
Beberapa formula dari pengambilan keputusan (inference engine) yang sering
dipakai dalam sistem fuzzy dan kendali fuzzy adalah sebagai berikut :
1. Product Inference Engine[14]
: Dalam product inference engine digunakan
pengambilan keputusan yang berdasarkan pada :
13
(i) Aturan individual (individual-rule based inference ) dengan kombinasi bentuk
union ( persamaan 2.15 dan persamaan 2.16).
)(...)()(1
yyy lM
llBBB
µµµ••
++= (2.15)
atau dalam bentuk irisan ( intersection ) diberikan sebagai berikut :
)(*...*)()(1
yyy lM
ll BBBµµµ = (2.16)
dimana tanda •
+ dan * memberikan istilah yang disebut s-norm operator dan
t-norm operator. Persamaan 2.15 dan persamaan 2.16 memberikan gabungan
dari M fuzzy set { }l
M
lBB ,...,1 yang merupakan bentuk hasil keluaran dari
pengambilan keputusan fuzzy.
(ii) Implikasi perkalian mamdani (Mamdani’s product )[14 hal 67]
, implikasi
Mamdani diberikan sebagai berikut : aturan fuzzy, Jika A maka B, bila
diartikan sebagai relasi fuzzy MMQ atau MPQ dalam semesta VU × dengan
sebuah fungsi keanggotaan, maka dapat dituliskan sebagai berikut :
[ ])(),(min),( yxyx BAQMMµµµ = atau )()(),( yxyx BAQMP
µµµ = (2.17)
(iii) Perkalian aljabar (algebraic product ) untuk semua operator t-norm dan Max
untuk semua operator s-norm, sehingga bisa didapatkan bentuk product
inference engine sebagai berikut :
= ∏
=∈=
))()()(()(11
sup yxxy lli
llB
n
i
iAA
UX
M
lB Max µµµµ (2.18)
2. Minimum Inference Engine[14]
: Dalam Minimum Inference Engine digunakan
pengambilan keputusan yang berdasarkan pada :
(i) Aturan individual (individual-rule based inference) dengan kombinasi bentuk
union ( persamaan 2.15 dan persamaan 2.16)
(ii) Implikasi minimum Mamdani ( Mamdani’s minimum)[14 hal 67]
( persamaan
2.17)
(iii) Min untuk semua operator t-norm dan Max untuk semua operator s-norm,
sehingga bias didapatkan bentuk minimum inference engine sebagai berikut :
=
∈=))(),(),...,(),(min(sup)( 1
1 1
yxxxMaxy lln
lll BnAAAUX
M
lBµµµµµ (2.19)
14
Sebagai contoh, misalnya suatu sistem mempunyai dua aturan, dengan sistem fuzzy
model SISO ( single input single output ).
Aturan 1 : jika X adalah A1 maka z adalah C1.
Aturan 2 : jika X adalah A2 maka z adalah C2.
Jika pengaruh (firestrength) dari aturan ke-i dinyatakan dengan α, maka untuk
masukan xo , pengaruh dari kedua aturan diatas dinyatakan dengan persamaan 2.20
dan persamaan 2.21.
)(11 oA xµα = (2.20 )
)(22 oA xµα = (2.21 )
Persamaan (2.20) dan (2.21) selanjutnya digunakan didalam pengambilan keputusan,
baik metode Product Inference Engine maupun Minimum Inference Engine.
(i) Metode Minimum Inference Engine
Pada metode Minimum Inference Engine, pengambilan keputusan didasarkan
pada aturan operasi menurut Mamdani. Keputusan yang diambil berdasarkan
aturan ke i dapat dinyatakan dengan )( wCii µα ∧ , sehingga keanggotaan C
adalah titik yang diberikan persamaan 2.22.
))(())(()( 2211 www CCC µαµαµ ∧∨∧= (2.22)
Proses pengambilan keputusan Minimum Inference Engine dapat dilukiskan
seperti pada Gambar 2.6
A1
A2
C1
C2
w
w
w
uc1
uc2
u
u
xo
uA2
uA1
uc
Gambar 2.6 Minimum Inference Engine model SISO
15
(ii) Metode Product Inference Engine
Pada metode Product Inference Engine pengambilan keputusan didasarkan
pada aturan operasi perkalian Larsen. Keputusan yang diambil berdasarkan
aturan ke i dapat dinyatakan dengan )( wCii µα • sehingga keanggotaan C
adalah titik-titik yang diberikan persamaan 2.23.
))(())(()( 2211 www CCC µαµαµ •∨•= (2.23)
Proses pengambilan keputusan dengan metode Product Inference Engine dapat
dilukiskan pada Gambar 2.7
A1
A2
C1
C2
w
w
w
uc1
uc2
u
u
xo
uA2
uA1
uc
Gambar 2.7 Product Inference Engine model SISO
Selanjutnya pada proses pengambilan keputusan pada sistem kendali logika
fuzzy setidaknya melalui tahap langkah sebagai berikut :
1. Semua premis dari semua rule dibandingkan dengan masukan kontrol untuk
menentukan rule yang akan diterapkan berkenaan dengan situasi yang sedang
berlangsung. Proses pencocokan ini sekaligus meyakinkan bahwa semua rule
diterapkan, dan untuk memberikan pembenaran terhadap rule terpilih untuk
diterapkan pada situasi yang sedang berlangsung.
2. Suatu rule dikatakan “on” pada waktu t jika fungsi keanggotaan dari premis
)dt
)t(de),t(e(premiseµ >0, kemudian mekanisme pengambilan keputusan akan
merekomendasikan semua rule untuk ditangani secara bersamaan untuk
menghasilkan suatu solusi atau aksi kontrol.
16
a. Evaluasi Aturan (rule)
Setelah tabel aturan disusun menggunakan metode heuristik maka tabel
tersebut dapat digunakan untuk proses pengambilan keputusan. Untuk sistem fuzzy
dua masukan satu keluaran bentuk representasi tabel aturannya diperlihatkan pada
Gambar 2.8.
U(t) Antecendent 2 e’(t)
Consequent
Gambar 2.8 Bentuk umum tabel aturan.
Penulisan dari terminologi linguistiknya mengikuti bentuk :
If antecedent1….. AND antecedent2 …..THEN consequent.... (2.24)
Jika menggunakan dua fungsi keanggotaan masukan segitiga dan masing–
masing saling overlaping maka pada suatu waktu t terdapat satu, dua atau empat
aturan yang berlaku. Dari aturan – aturan yang “on” tersebut dapat diukur strenght
value-nya. Ada dua metode untuk mengukur strenght value yaitu metode Minimum
dan Product.
2.3.1.4 Strategi Defuzifikasi
Defuzzifikasi adalah proses pengubahan himpunan fuzzy ke sinyal yang
bersifat bukan fuzzy. Pada dasarnya defuzzifikasi adalah suatu pemetaan dari ruang
aksi kendali fuzzy yang ditentukan meliputi himpunan semesta keluarga (output
universe of discourse) ke ruang aksi kontrol crisp (non fuzzy). Strategi defuzzifikasi
ditunjukkan untuk menghasilkan suatu aksi kendali non fuzzy yang paling tepat
dalam merepresentasikan kemungkinan distribusi aksi kendali fuzzy yang telah
dihitung. Hal ini diperlukan sebab dalam banyak aplikasi nyata yang dibutuhkan
adalah aksi kendali non fuzzy. Ada beberapa strategi yang umum dipakai diantaranya
Anta
cendent 1 e
(t)
17
Center of gravity ( COG ) dan Center average. Secara simbolis, defuzzifikasi dapat
dinyatakan :
Zo = Defuzzifier (z) (2.25)
Zo adalah bilangan non fuzzy (crisp) yang merupakan bilangan nyata yang
dihasilkan oleh proses defuzzifikasi, z adalah bilangan fuzzy, dan defuzzifier
menyatakan operasi defuzzifikasi .
(i). Prosedur Maksimum[12]
Metode ini merupakan prosedur yang paling sederhana dalam melakukan
seleksi harga keluaran atau aksi kontrol, Wo yang memaksimumkan fungsi
keanggotaan.
)(wWo w
WwMaxµ
∈
= (2.26)
Jika terdapat lebih dari satu nilai keanggotaan maksimum dalam W, Wo tidak
ditentukan secara unik oleh prosedur diatas, tetapi melalui prosedur pendekatan
Rataan Maksimum. ( Mean of Maximum = MOM ), yaitu :
∑=
=J
j
j
OJ
wW
1
(2.27)
)(wWo w
WwMaxµ
∈
= ; J = jumlah / frekuensi fungsi keanggotaan mencapai harga
penyokong maksimum. Algoritma MOM ini mengabaikan bentuk fungsi
keanggotaan keluaran tetapi dapat menyederhanakan proses defuzzifikasi.
Keluaran wo yang telah terdefuzzifikasi hanya tergantung titik-titik irisan dari
masukan, dan tidak kepada bentuk fungsi keanggotaan.
(i) Center of gravity ( COG )[11]
Keluaran crisp yqcrisp
dipilih dengan menggunakan titik tengah area dan area pada
tiap fuzzy set, diberikan persamaan 2.28
∑ ∫
∑ ∫
=
=
=R
i
y
qqB
R
i
y
qqB
q
i
crisp
q
q
iq
q
iq
dyy
dyyb
y
1
1
)(
)(
^
^
µ
µ
(2.28)
18
R adalah jumlah aturan, q
ib adalah titik tengah area pada fungsi keanggotaan p
qB
yang di umpamakan dengan fuzzy set ^
i
qB untuk aturan ke-i dan
∫q
iqy
qqB
dyy )(^µ (2.29)
adalah area dibawah )(^ qB
yiq
µ , perlu di batasi juga bahwa sistem fuzzy harus
didefinisikan jika nilai
0)(1
^ ≠∑ ∫=
R
i
y
qqB
q
iq
dyyµ (2.30)
Gambar 2.9 Langkah-langkah defuzzifikasi
(ii) Center average [11]
Keluaran yqcrisp
dipilih dengan menggunakan titik tengah pada fungsi
keanggotaan keluaran dan nilai maksimal pada tiap keputusan yang
diberikan, dengan penerapan fuzzy set diberikan persamaan 2.31.
∑
∑
=
=
=R
i qB
R
i qB
q
i
crisp
q
y
yb
y
iq
iq
1
1
)}(sup{
)}(sup{
^
^
µ
µ
(2.31)
dimana sup menyatakan nilai maksimal, sup{µ(x)} dapat diartikan sebagai nilai
tertinggi dari µ(x) , perlu di batasi juga bahwa sistem fuzzy harus didefinisikan
jika nilai
0)}(sup{1
^ ≠∑ =
R
i qB
yiq
µ (2.32)
19
2.3.2 Pemodelan Kendali Logika Fuzzy
Keuntungan utama dari pendekatan fuzzy adalah tidak dibutuhkannnya
“model”. Secara mendasar pada kendali fuzzy lebih difokuskan pada penggunaan
rule untuk menggambarkan bagaimana cara mengontrol sebuah plant dari pada
analisis persamaan differensial biasa. Pendeknya perbedaan dari kendali fuzzy dan
konvensional adalah, ordinary differensial equation (ODE)[3]
adalah bahasa kontrol
konvesional sedangkan rule adalah bahasa dari kendali fuzzy.
2.3.3 Perancangan Aturan Pengendali Logika Fuzzy
Perancangan aturan dari pengendali logika fuzzy dapat dilakukan dua, yaitu
dengan metode heuristik (heuristic method) atau metode deterministik (deterministic
method)[15]
.
2.3.3.1 Metode Heuristik
Metode heuristik ini merupakan metode pendekatan pembuatan aturan yang
didasarkan pada pengetahuan kualitatif dan analisa seorang ahli mengenai perilaku
sistem yang dikendalikan. Sebagai contoh diketahui pengendali logika fuzzy dengan
spesifikasi pada Gambar 2.10.
Pengendali logika
fuzzyPlant
dt
de
R(s) E(s)U(s)
C(s)+
-
Gambar 2.10 Kendali logika fuzzy pada sistem ikal tertutup
E(s) adalah kesalahan dan de/dt adalah perubahan kesalahan dan U(s) adalah
sinyal keluaran atau sinyal kontrol, masukan dan keluarannya masing-masing
mempunyai himpunan bagian fuzzy dengan variabel linguistik [N, Z, P] yang artinya
negatif, nol, dan positif.
Selanjutnya untuk aplikasi pada perancangan rule, untuk mengurangi rise
time (tr) dan overshoot (pos: persen overshoot) dapat digunakan pedoman sesuai
20
dengan Gambar 2.11 dan Tabel 2.2 untuk tiga terminologi himpunan yang
digunakan pada KLF.
Gambar 2.11 Respon sistem dari masukan tangga satuan dan bidang phasa.
Jika keluaran proses yang diinginkan adalah Yd dan tanggapan sistem
terlihat eperti pada Gambar 2.10 maka dapat dibuat aturan pengendali logika fuzzy
sebagai berikut :
Aturan 1, berfungsi untuk memperkecil waktu naik (rise time).
Jika E adalah P dan CE adalah N maka U adalah P.
Aturan 2, berfungsi untuk mengurangi lonjakan (overshoot)
Jika E adalah N dan CE adalah N maka U adalah N.
Selanjutnya aturan lain dapat dibuat Tabel 2.2.
Table 2.2 Fuzzy control rule untuk tiga terminologi himpunan (N, Z, P).
No E CE CI Refferensi Fungsi
1 P Z P Titik a, e, i Mengurangi rise time
2 Z N N Titik b, f, i Mengurangi overshoot
3 N Z N Titik c, g, k Mengurangi overshoot
4 Z P P Titik d, h, l Mengurangi oscilasi
5 Z Z Z Set point Bracking system
6 P N P Range A,E Mengurangi rise time
7 N N N Range B,F,J Mengurangi overshoot
8 N P N Range C,G Mengurangi overshoot
9 P P P Range D,H Mengurangi oscilasi
10 P N Z Range I Bracking system
11 N P Z Range K Bracking system
21
2.3.3.2 Metode Deterministik
Metode deterministik ini merupakan metode pendekatan pembuatan aturan
yang didasarkan pada identifikasi sistem yang mendapatkan model fuzzy.
Identifikasi sistem tersebut dapat dilakukan dengan cara mengatur masukan-masukan
dan mengamati data-data keluarannya. Sebagai contoh misalnya dinamis proses
diberikan oleh :
1. Jika un adalah positif dan yn-1 adalah positif maka yn adalah positif besar.
2. Jika un adalah negatif dan yn-1 adalah positif maka yn adalah positif kecil
3. Jika un adalah positif dan yn-1 adalah negatif maka yn adalah negatif kecil
4. Jika un adalah negatif dan yn-1 adalah negatif maka yn adalah negatif besar.
Maka untuk masukan referensi r=0 dapat dibuat aturan pengendalian fuzzy
berdasarkan pada model di atas, yaitu :
1. Jika yn-1 adalah positif dan yn adalah positif besar maka un adalah negatif
besar
2. Jika yn-1 adalah positif dan yn adalah negatif maka un adalah positif
3. Jika yn-1 adalah negatif dan yn adalah positif maka un adalah negatif
4. Jika yn-1 adalah negatif dan yn adalah negatif besar maka un adalah positif
besar
2.3.4 Patokan Perancangan Kendali Logika Fuzzy
Kontruksi dari fungsi keanggotaan dan basis aturan adalah kunci utama
didalam suksesnya perancangan KLF. Meskipun pilihan dari jumlah, range dan
bentuk dari fungsi keanggotaan untuk variabel pada akhirnya didasarkan pada
pilihan perancang dan taksiran dari hasil unjuk kerja sistem, beberapa hal berikut
perlu dicatat sebagai patokan perancangan[3]
:
1. Distribusikan secara simetris himpunan fuzzy pada semesta pembicaraan yang
telah ditetapkan.
2. Gunakan bilangan yang ganjil dari tiap himpunan fuzzy untuk tiap variabel. Hal
ini untuk meyakinkan bahwa beberapa himpunan fuzzy akan berada ditengah
umumnya yang digunakan adalah lima atau tujuh himpunan fuzzy untuk tiap
variabel sistem, akan tetapi jumlah fungsi keanggotaan pada akhirnya
didasarkan pada pilihan perancang.
22
3. Himpunan fuzzy yang berdekatan dapat saling melengkapi untuk meyakinkan
bahwa tidak ada nilai tegas yang gagal berhubungan dengan sembarang
himpunan, dan untuk membantu meyakinkan bahwa lebih dari satu rule yang
terlibat dalam penentuan output.
2.4 Kendali Adaptif
Kata adaptif mempunyai arti adanya perubahan kelakuan untuk
menyesuaikan dengan keadaan disekitarnya[1]
, begitu juga dengan sebuah kendali
adaptif, kendali adaptif adalah sebuah pengontrol yang dapat memodifikasi
kelakuannya dalam merespon terhadap suatu perubahan dinamik proses sistem dan
karakter sebuah gangguan plant tidak tentu.
Kendali adaptif juga berarti sebuah pengontrol sistem dengan parameter
kontrol yang dapat diatur secara otomasis. Pengendali menjadi tidak linier karena
adanya mekanisme perbaikan parameter .
Sistem kendali adaptif mempunyai dua kalang[1]
, satu kalang adalah kalang
tertutup biasa dengan sebuah proses kontrol, kalang lain adalah kalang memperbaiki
parameter plant. Diagram blok sistem adaptif dapat diperlihatkan pada Gambar 2.12.
Parameter
adjustment
Controller Plant
conroller
parameter
Control
signal
OutputSetpoint
Gambar 2.12 Blok diagram sistem adaptif.
Alasan kuat dalam memperkenalkan kendali fuzzy adaptif adalah untuk
mendapatkan pengontrol yang dapat menyesuaikan (adaptif) terhadap suatu
perubahan dalam proses dinamik dan karakteristik sebuah gangguan.
Kendali adaptif dibentuk dengan sebuah pengestimasi parameter (parameter
estimator) plant secara on line dalam menyediakan hasil estimasi dari parameter
23
yang tidak diketahui (unknown parameter) secara cepat, cara mengestimasikan
parameter mengacu dengan aturan adapif (adaptive law) yang dipakai.
2.4.1 Kendali Fuzzy Adaptif
Pada penerapan adaptif untuk kendali logika fuzzy, pada umumnya
digunakan pada sistem yang mempunyai parameter-paremeter dan struktur yang
belum diketahui secara pasti dan sangat bervariasi. Walaupun demikian , penggunaan
kendali logika fuzzy ini mampu secara optimal bila sistem yang dikontrol tidak
mengalami perubahan yang berarti. Hal ini berkaitan dengan penentuan parameter-
parameter kontrol pada fungsi keanggotaannya yang harus ditentukan sebelum
menghasilkan suatu keluaran yang optimal.
Fungsi utama pada kendali adaptif secara umum adalah memelihara
konsistensi kinerja sistem dengan adanya perubahan-perubahan yang tak pasti.
Konsistensi kinerja ini dibutuhkan untuk mendukung pencapaian hasil yang optimal
dan membutuhkan tingkat keandalan yang tinggi[14]
.
Pengembangan kendali logika fuzzy menjadi kendali logika fuzzy adaptif
memiliki dua kelebihan [14]
: pertama adalah kendali dapat bekerja pada sistem
dengan tingkat ketidakpastian dan variasi parameter dan struktur yang tinggi; dan
kedua yaitu mampu memberikan tanggapan yang baik terhadap perubahan sistem
pada saat proses pengontrolan. Kelemahan dari kendali fuzzy adaptif ini adalah hasil
pengontrolan sistemnya lebih sulit untuk dianalisa karena sifatnya yang non linier
dan time varying.
2.4.2 Konsep Dasar Kendali Fuzzy Adaptif
Kendali fuzzy adaptif adalah sebuah pengontrol fuzzy yang secara otomatis
mampu menala (tuning) pengontrolnya sendiri, sehingga ia mampu mengadaptasikan
terhadap kondisi plant yang berbeda, pendekatan pada mekanisme adaptasi dilakukan
dengan mengadaptasikan parameter pengontrol untuk menentukan besar sinyal
kontrol yang sesuai, dalam menjaga unjuk kerja sistem jika ada perubahan pada
parameter plant.
Konfigurasi dasar dari sistem kendali fuzzy adaptif menuntut untuk
menyesuaikan dengan sebuah referensi acuan (the desired performance), kadang
referensi acuan dapat dikarakteristikan oleh sebuah model referensi yang ditunjukan
24
pada Gambar 2.13, pengontrol akan membuat sistem kalang tertutup berperilaku
seperti model referensi meski kondisi plant berubah. Model referensi digunakan
untuk menspesifikasikan respon ideal yang harus dijadikan rujukan (the desired
performance) oleh kendali fuzzy[2][14]
. Plant diasumsikan memiliki komponen-
komponen yang tidak diketahui. Kendali fuzzy disusun dari sistem fuzzy dengan
parameter-parameter θ yang dapat diubah. Aturan adaptif (adaptive law) berfungsi
sebagai pengatur dan pengubah parameter-parameter θ sehingga keluaran y(t) sesuai
dengan keluaran model acuan ym(t).
Ada dua kategori knowledge ( pengetahuan ) pada sistem kendali fuzzy[14]
:
1. Plant knowledge (pengetahuan plant): aturan-aturan jika–maka fuzzy yang
menggambarkan sifat dari plant yang tidak diketahui, sebagai contoh, sifat dari
mobil dapat digambarkan dengan aturan fuzzy jika-maka : “ jika pedal gas
ditekan lebih keras, maka kecepatan mobil akan bertambah “ kata-kata “ lebih “
dan “ bertambah “ dikarakterisasi dengan himpunan fuzzy.
2. Control knowledge (pengetahuan kontrol): aturan-aturan kendali fuzzy yang
menentukan kendali aksi pada situasi tertentu, sebagai contoh “ jika kecepatan
mobil rendah, maka tekanlah pedal gas lebih kuat “; kata-kata “rendah” dan “
lebih “ dikarakterisasi dengan himunan fuzzy.
Berdasarkan pengetahuan (knowledge) dan struktur kendali fuzzy yang digunakan,
kendali fuzzy adaptif diklasifikasikan menjadi tiga kategori :
1. Indirect adaptive fuzzy conrol : kendali fuzzynya terdiri dari sejumlah sistem
fuzzy yang tersusun dari pengetahuan plant (plant knowledge).
2. Direct adaptive fuzzy controler : pengendali fuzzynya adalah sistem fuzzy
tunggal yang tersusun dari pengetahuan kontrol (control knowledge).
3. Combined Indirect / Direct fuzzy controller: pengendali fuzzy merupakan
kombinasi antara kedua kategori diatas.
25
Reference Model
Fuzzy kontrollerdengan parameter
perbaikan
Plant
Aturan adaptif
refu
e
my
y
Gambar 2.13 Konfigurasi dasar sistem kendali fuzzy adaptif model reference.
2.5 Kendali Fuzzy Adaptif Metode Secara Tidak Langsung (Indirect Adaptive
Fuzzy Control)
Kendali fuzzy adaptif metode secara tidak langsung menggunakan sebuah
model plant dan metode identifikasi sistem secara on line untuk mengestimasikan
parameter plant model, kemudian hasil peremeter terestimasinya digunakan oleh
perancang kendali (designer controller) untuk menspesifikasikan parameter pada
pengontrolnya, jika kondisi plant berubah maka pengidentifikasi akan
mengestimasikan parameter model plant dan perancang kendali (controller designer)
akan terus menala (tuning) parameter pengontrolnya.
Kendali fuzzy adaptif metode secara tidak langsung (Indirect adaptive fuzzy
control) mempunyai bentuk blok diagram pada Gambar 2.14[11]
.
Controllerdesigner
systemIdentification
PlantController
Plantparameter
u(t) y(t)
Controller
parameter
r(t)
Gambar 2.14 Indirect adaptive control.
26
Sifat yang melekat pada perancang kendali (controller designer) menganggap
bahwa, plant model merepresentasikan sebagai plant secara sempurna, sehingga
parameter plant yang digunakan oleh perancang kendali mampu secara sempurna
menyediakan parameter pengontrolnya dan hasil aturan kendali/kontrol itu sering
disebut “certainty equivalence controller“ ketika aturan pengontrol
menspesifikasikan bahwa estimasi plant model sama menunjukkan seperti pada
kondisi plant yang sesungguhnya[11 hal 374]
.
Pengidentifikasian secara on line dilakukan dengan menggunakan metode
RLS, RLS digunakan untuk menala parameter plant model ( dalam hal ini adalah
fungsi center kenggotaan keluaran fuzzy )
2.5.1 Identifikasi On Line
Identifikasi sistem sendiri didefinisikan sebagai usaha merekonstruksi model
parameter plant lewat usaha eksperimental (mengukur nilai parameter yang ada )
dengan menggunakan data yang berasal dari masukan dan keluaran[4]
. Dan
selanjutnya diakhiri dengan proses estimasi yang akan memberikan parameter
optimal yang lebih menjelaskan tentang sistem yang akan dikenali. Dengan kata lain
proses pengidentifikasian suatu sistem merupakan gabungan dari dua usaha, yaitu,
usaha pembentukan model matematik serta pengestimasian nilai parameter yang
optimal lewat langkah – langkah eksperimental. Sedangkan model matematik yang
berisi parameter dapat disebut dengan pendeskripsian parameter dari plant.
Pada identifikasi on line, eksperimetal atau langkah pengukuran dilakukan
secara periode perubahan waktu (real time), identifikasi on line dilakukan dengan
menghitung data (parameter yang disetimasikan) secara rekursif, untuk menjaga
setiap perhitungan dari fungsi kriteria yang dipakai (dalam hal ini adalah fungsi
kriteria yang dipakai adalah meminimalkan fungsi error). Data ( parameter yang
diestimasikan ) didapat dari perhitunghan estimasi sebelumnya dan hasil perhitungan
estimasi akan menjadi data baru ( data/parameter hasil estimasi ).
Seperti yang terlihat pada Gambar 2.15 maka beda antara keluaran plant
nyata dan model disebut dengan error. Jika sebuah set parameter plant dipilih untuk
meminimalkan error dan parameter ini telah optimal dalam mencapai tujuannya,
maka parameter ini dapat dianggap sebagai parameter plant hasil estimasi terbaik.
27
P(z)
MekanismeAdaptif
Y(z)
Y(t)
e(t)
u(z)
-
Gambar 2.15 Diagram blok mekanisme estimasi rekursif.
Pada bentuk desain kendali fuzzy adaptif metode secaran tidak langsung
terdapat blok identifikasi sistem yang didalamnya terjadi proses estimasi keluaran
plant dan keluaran model, dan mekanisme estimasi yang dilakukan menggunakan
RLS (Recursive Least Square)[13]
.
2.5.2 Recursive Least Square ( RLS )
Terbukti bahwa pendekataan dengan teorema Batch least square sangat sukses
untuk berbagai aplikasi, pendekataan dengan mengumpulkan data (batch) dan data
yang terkumpul tersebut kemudian diproses. Untuk perhitungan sejumlah M yang
kecil maka data dapat diulang-ulang lagi untuk dilakukan sejumlah perhitungan
untuk mendapatkan data yang lebih banyak, tapi perhitungan akan menjadi
penghalang karena terdapat perhitungan dalam menginvers matrik ϕϕ T [13]
.
Beberapa kesulitan dalam implemantasi terhadap estimator batch
(non rekursif ) antara lain :
1. Diperlukan Jumlah Informasi yang besar, hingga informasi ke-t.
2. Terdapat operasi matrik serta vektor dengan ukuran yang besar.
3. Terdapat kemungkinan ill condition pada saat melakukan invers matrik.
Kondisi-kondisi diatas mempunyai dampak pula dalam implementasi aplikasi
real time yaitu tidak efisien untuk direalisasikan dalam bentuk algoritma komputer
)(^
tY
)(^
zP
28
real time, mengingat keperluan memori yang membesar, disamping waktu komputasi
yang terdapat sangat memanjang.
Gambar 2.15 diatas selanjutnya dapat diperoleh sejumlah metode serta
algoritma estimasi parameter, maupun strategi adaptasi (koreksi) parameter. Tiga
kelas algoritma estimasi rekursif antara lain :
1. Algoritma estimasi rekursif gradient.
2. Algoritma estimasi rekursif least square.
3. Algoritma estimasi rekursif extended least square.
Banyak hal akan ditemui jika kondisi konvergen telah diperoleh, algoritma
gradient dapat sangat sensitif terhadap noise. Ini disebabkan oleh karena gain
adaptasi yang konstan. Algoritma rekursif least square (RLS) dapat diberikan oleh
theorema sebagai berikut :
Algoritma rekursif least square memberikan harga minimum terhadap fungsi
kriteria persamaan 2.33[13]
.
∑=
=t
j
ttJ1
2))(()( ε (2.33)
dimana )1()()()(^
−−= tttyt T ϕθε dan
^Tθ = [ 1
^
a ^
2a . . . ^
nAa ^
1b ^
2b . . . ^
nBb ] adalah vektor parameter estimasi sistem.
)1( −kTϕ = [ -y(k-1) –y(k-2) … -y(k-nA) u(t-1) u(t-2) . . . u(t-nB) ] adalah vektor
informasi sistem, dan parameter estimasi diberikan persamaan 2.34.
)1()()1()()1(^^
+++=+ tttFtt oεϕθθ (2.34)
dan penguatan (gain) adaptasi diperoleh secara rekursif dari persamaan 2.35.
)()()()1(11
tttFtFTϕϕ+=+ −− (2.35)
bukti, persamaan 2.35 telah didapatkan dari nilai estimator least square non
rekursif[17 hal 61]
sebagai berikut :
∑∑=
−
=
−
−−=
t
j
t
j
T jyjjjt1
1
1
^
)()1()1()1()( ϕϕϕθ (2.36)
29
dimisalkan,
∑=
− −−=t
j
T jjtF1
1 )1()1()( ϕϕ (2.37)
Maka dari persamaan 2.36 diperoleh :
)1()1()()1(^
11
1
++=− −+
=
∑ ttFjyjt
j
θϕ
∑=
±−+−=t
j
Tttttytjyj
1
^
)()())()1()()1( θϕϕϕϕ (2.38)
atau
( )
−+++=++ −− )()()1()()()()()()1()1(
^^1
^1 tttytttttFttF TT θϕϕθϕϕθ (2.39)
kemudian perkalikan kedua sisi dengan F(t+1) maka diperoleh algoritma persamaan
2.34. Sedangkan algoritma gain adaptasi persaman 2.35 dapat diperoleh langsung
dari persamaaan 2.37 yaitu :
∑+
=
− −−=+1
1
1 )1()1()1(t
j
T jjtF ϕϕ (2.40)
)()()(1 tttF Tϕϕ+= −
Suatu persoalan yang dihadapi dengan algoritma rekursif least square
persamaan 2.34 adalah invers matrik gain adaptasi, yang banyak membutuhkan
waktu algoritma. Suatu algoritma rekursif untuk gain adaptasi (persamaan 2.35)
dapat diperoleh dengan menggunakan lemma invers matrik terhadap persamaan 2.35
(landau, 1990).
Invers Matrik Lemma[1]
Invers matrik lemma memberikan A, C, dan BDAC 11 −− + adalah matrik
segiempat nonsingular , dan A+BCD adalah mempunyai matrik invers sehingga :
1111111)()(
−−−−−−− +−=+ DABDACBAABCDA (2.41)
untuk membuktikan persamaan diatas maka dapat dibuktikan dengan memakai
petunjuk perkalian sebagai berikut :
=+−+ −−−−−− ))()(( 111111 DABDACBAABCDA
1111111111 )()( −−−−−−−−−− +−+−+= DABDACBBCDADABDACBBCDAI
30
1111111 ))(( −−−−−−− ++−+= DABDACBDACBCBCDAI
I= (2.42)
dengan menerapkan invers matrik lemma ke persamaan 2.35 maka diperoleh :
)()()(
)()()()()()1(
ttFtI
tFtttFtFtF
T
T
ϕϕ
ϕϕ
+−=+ (2.43)
dan
IF .γ= (2.44)
dengan γ adalah positif atau dinyatakan dengan :
)()(
1
ttT ϕϕγ < (2.45)
bukti, dengan menggunakan persamaan estimasi 2.45.
)1()()()1(^^
++=+ ttFtt oεϕθθ (2.46)
dengan mengkurangkan persamaan 2.46 dengan parameter sebenarnya dari sistem θ,
akan diperoleh perubahan kesalahan estimasi :
)1()())(())1((^^
++−=−+ ttFttoεϕθθθθ (2.47)
sementara kesalahan prediksi dapat dituliskan persamaan 2.48.
))()(()1(^
tttTo θθϕε −=+ (2.48)
sehingga persamaan 2.46 menjadi persamaan 2.49.
)())()(()1(^^
tttFIt T θϕϕθ +=+ (2.49)
dari persamaan 2.49 diketahui bahwa algoritma persamaan 2.34 adalah stabil jika
eigenvalue dari ))()(( ttFITϕϕ+ ada didalam unit lingkaran, atau jika :
IF .γ= ……..>> )()(
1
ttT ϕϕγ < (2.50)
31
penurunan RLS diatas dipakai untuk penerapan RLS untuk model parameter konstan,
sedang permasalahan adaptif sangat rawan sekali untuk situasi parameter time
varying. Masalah pertama, parameter dianggap berubah secara tiba-tiba tapi jarang
terjadi, masalah kedua, parameter dianggap berubah secara terus menerus tapi
pergerakannya lambat, cara ini bisa diatasi dengan mengunakan perluasan metode
RLS, yaitu dengan melakukan pe-reset-an ( resetting ), matrik F secara periode
direset ke bentuk persamaan 2.40, dengan γ adalah bilangan yang besar, sehingga
persamaan RLS untuk gain adaptasinya akan menjadi persamaan 2.51[1 hal 53]
.
)())()()(.
)()()((
1)1( tF
ttFtI
tttFItF
T
T
ϕϕλ
ϕϕ
λ +−=+ (2.51)
dengan λ disebut sebagai fotgetting factor dengan besar nilai antara 0 < λ ≤ 1
2.5.3 Pemilihan Parameter Inisial Theta )0(θ
Pembentukan sistem fuzzy untuk RLS dibentuk dengan aturan JIKA-MAKA
sebagai berikut[14]
:
Jika x1 adalah 1
1
lA dan … dan xn adalah nj
nA maka y adalah nllB
...1 (2.52)
Dimana l1 = 1,2…N, i=1,2,…n dan nllB
...1 adalah fuzzy set dengan titik tengah di
nlly
...1− dan nll
y...1−
adalah nilai yang berubah secara bebas ( sesuai dengan kriteria
RLS ).
Pemilihan parameter theta awal didasarkan pada, jika ada aturan linguistik
dari keahlian manusia (pengetahuan sadar) yang jika pada bagian IF sesuai dengan
bagian IF pada persamaan 2.52, kemudian pilihlah nll
y
..._ 1
sebagai titik tengah pada
bagian THEN fuzzy set untuk aturan linguistik, atau pemilihan theta awal dipilih
secara bebas pada ruang peta keluaran fuzzy (sebagai contoh pemilihan theta awal,
dipilih sama dengan nol, atau dipilih seragam terdistribusi diruang peta keluaran
fuzzy), namun pemilihan theta awal tetap didasarkan atas pemilihan si perancang.
32
2.5.4 Perancangan Penempatan Pole
Konsep penempatan pole adalah mencari aturan umpan balik pada pole loop
tertutup agar sesuai pada letak pole yang diinginkan[2][3][10]
. Sebagai contoh sistem
dinamik diberikan persamaan 2.53 dan diberikan ilustrasi gambar pada Gambar 2.16.
)()()(
tButAxdt
xd+= (2.53)
)()()(
tButAxdt
xd+=
K
L
-
+r(t) x(t)u(t)
Gambar. 2.16 Sistem kendali dengan balikan keadaan.
diberikan sistem model persamaan 2.53 sebagai acuan sistem dinamik persamaan
2.52.
)()()(
trBtxAdt
xdmmm
m += (2.54)
Sistem kalang tertutup dibentuk dengan membalikkan variabel keadaan
dengan suatu matrik fungsi alih K dan matrik L, maka dari Gambar 2.16 diberikan
persamaan 2.55.
)()()( tLrtKxtu +−= (2.55)
dengan mensubstitusikan persamaan 2.55 ke persamaan 2.53 maka didapat
persamaan 2.56.
))()(()()(
tLrtKxBtAxdt
xd+−+= (2.56)
maka dari persamaan 2.56 didapat pula persamaan 2.57.
))()()()(
tLrBtxBKAdt
xd+−= (2.57)
33
perancangan penempatan pole memberikan penyelesaian pada persamaan 2.57 agar
nilai (A-BK) dan nilai BL berada pada letak-letak yang memberikan sistem dinamik
persamaan 2.57 sesuai dengan keinginan perancang, dalam hal ini sistem dinamik
diinginkan menyesuaikan (meniru) sebagaimana persamaan 2.57, sehingga nilai
nilai
B
AAKmakaABKA m
m
−==−
dan B
BLmakaBBL m
m ==
Jadi, tujuan perancangan penempatan pole adalah mencari matrik balikan K
dan matrik L sehingga nilai dari (A-BK) sama dengan Am dan BL sama dengan Bm,
dengan nilai Am dan Bm adalah nilai yang diinginkan.
2.5.5 Adaptif Parallel Distribusi Kompensator
Sistem fuzzy Takagi Sugeno menawarkan alternatif lain sistem fuzzy. Sistem
fuzzy Takagi Sugeno dibentuk dari aturan persamaan 2.58[11]
.
Jika ~
1u adalah ~
1
jA dan ~
2u adalah ~
2
kA … dan ~
nu adalah ~
l
nA
maka (.)ii gb = (2.58)
dimana “ . ‘ adalah memberikan sebuah fungsi g dan bi adalah bukan fungsi tengah
keanggotaan keluaran, konsekuensi dari bentuk persamaan 2.58 membedakan bentuk
aturan dengan aturan fuzzy pada umumnya, disini sebagai ganti istilah fungsi
keanggotaan untuk konsekuensi aturan dipakai fungsi bi=gi(.), (sehingga ini
dinamakan fungsi sistem fuzzy), pemilihan fungsi sistem fuzzy tergantung pada
penerapan sistem/plant yang dipakai, sebagai contoh fungsi bi dapat diberikan
sebagai fungsi berikut :
2
,
2
11,0. (.)...)((.) niiiii auaagb +++== (2.59)
atau
)]sin(...)sin([exp(.) ,11, nniiii uauagb ++== (2.60)
dan defuzifikasi diberikan oleh persamaan 2.61.
34
∑∑
=
==R
i i
R
i iiby
1
1
µ
µ (2.61)
Dalam Tugas Akhir ini, menganggap bahwa model plant Takagi Sugeno
belum diketahui, maka sebagai ganti, digunakan metode identifikasi on line untuk
memperbaiki parameter dari model plant Takagi Sugeno ( model pengidentifikasi )
sebagai penyesuai (match ) terhadap bentuk kelakuan plant, dengan menggunakan
prinsip “certainty equivalence principle“ maka parameter identifikasi model Takagi
Sugeno untuk metode desain pengendali dapat diterapkan (dipekerjakan) pada bentuk
standar parallel distribution compensator[11 hal 189]
, dengan cara ini identifikasi akan
menjadi lebih akurat, dan pengontrol parameter pada bentuk parallel distribusi
kompensator akan dapat diperbaiki, maka bentuk aturan untuk identifikasi modelnya
adalah sebagai persamaan 2.62[11 hal 377]
.
Jika y(k) adalah ~
1
jA dan ….dan y(k-n+1) adalah ~
l
nA Maka
)1(....)()1(...)()1( .1..1.
^
+−++++−++=+ mkukunkykyky miiniiiββαα (2.62)
Bentuk persamaan diatas mempunyai bentuk konsekuensi persamaan diskret,
u(k) dan y(k) adalah masukan dan keluaran plant; ~
1
jA adalah harga linguistik ;
piji ,, βα , i = 1,2,…,R, adalah jumlah aturan, j=1,2,…,n dan p=1,2,..,m adalah
parameter konsekuensi pada aturan fuzzy diatas, dan )1(^
+kyi
adalah keluaran
model pada aturan ke-i, iµ menyatakan premis pada aturan ke-i, dengan defuzifikasi
center-average maka didapatkan identifikasi model keluaran :
∑
∑
=
=
+
=+R
i
i
R
i
iiky
ky
1
1
^
^)1(
)1(
µ
µ
(2.63)
dan
35
∑=
=R
i
i
ii
1
µ
µξ (2.64)
dan dapat dituliskan menjadi sebagai berikut :
+−
+−
+−
=
R
R
mku
mku
mku
ky
ky
ky
ξ
ξ
ξ
ξ
ξ
ξ
ξ
)1(
.
.
)1(
)1(
.
.
.
)(
.
.
.
)(
)(
2
1
2
1
=
mR
m
R
,
,1
1,
1,2
1,1
.
.
.
.
.
.
.
.
.
β
β
α
α
α
θ
Sehingga dapat dituliskan sebagai berikut :
ξθ Tky =+ )1(
^
(2.65)
pada desain kali ini metode on-line-nya menggunakan metode Recursive Least
Squares (RLS ) sebagai penalaan parameter piji ,. dan βα yang lebih baik .
Kendalinya menggunakan aturan Takagi-Sugeno persamaan 2.66[11 hal 378]
.
Jika y(k) adalah ~
1
jA dan ….dan )1( +− nky adalah ~
l
nA Maka ui(k) =Li (2.66)
Dimana Li(.) adalah sebuah fungsi linier yang dapat tergantung keluaran plant dan
masukkan referensi, dan ui(k) adalah keluaran pengontrol pada aturan ke-i, pada
beberapa penerapan pengontrol dipakai persamaan 2.67.
ui(k)= Li(r(k),y(k))=ki,0r(k)- ki,1y(k) (2.67)
36
dengan ki,0 dan ki,1 adalah besar penguatan (gain) atau sebagai penyederhanaan
kontrol proporsional, pengontrol ini mengacu pada bentuk parallel distribusi
kompensator, yaitu, saat aturan ke-i pada pengontrol, juga mengontrol aturan ke-i
pada plant yang digunakan.
Dan keluaran pengontrol diberikan persamaan 2.68, dengan menggunakan center
average.
∑
∑
=
==R
i
i
R
i
ii
ky
kyku
ku
1
1
))((
))(()(
)(
µ
µ (2.68)
2.6 Metode Euler
Persamaan plant yang dipakai mengandung persamaan diferensial. Oleh karena
itu untuk menyelesaikan persamaan tersebut dengan komputer, maka harus
menggunakan metode numerik. Ada berbagai metode numerik yang dapat kita
digunakan untuk menyelesaikan persamaan diferensial, seperti metode Euler dan
metode Runge-Kutta[9]
.
Metode Euler dapat diberikan sebagai persamaan 2.65.
ytrdt
dy)(= (2.65)
dimana r(t) adalah suatu fungsi yang diketahui, dan definisi turunan diberikan
sebagai persamaan 2.70.
t
tytty
dt
dy
t ∆
−∆+=
→∆
)()(lim
0 (2.70)
Jika kenaikan waktu t∆ dipilih sangat kecil, maka persamaan turunan (persamaan
2.70) dapat digantikan menjadi persamaan 2.71.
t
tytty
dt
dy
∆
−∆+≈
)()( (2.71)
dengan mengangap sisi kanan persamaan 2.71 cenderung tetap selama interval waktu
),( ttt ∆+ dan persamaan 2.71 dapat digantikan dengan persamaan 2.71.
37
)()()()(
tytrt
tytty=
∆
−∆+ (2.72)
atau
ttytrtytty ∆+=∆+ )()()()( (2.73)
Semakin kecil nilai t∆ akan menjadi lebih akurat untuk angka taksiran persamaan
2.73. Teknik ini dipakai untuk menggantikan persamaan diferensial dengan
persamaan diferensial metode Euler, kenaikan t∆ disebut step size. Persamaan 2.73
lebih mudahnya dapat dituliskan menjadi persamaan 2.74.
ttytrkyty kkk ∆+=+ )()()()( 1 (2.74)
dimana ttt kk ∆+=+1 , metode Euler untuk persamaan umum orde satu pada
persaman 2.75.
),( ytfy =•
(2.75)
adalah persamaan 2.76.
)](,[)()( 1 kkk tytftkyty ∆+=+ (2.76)
dengan menerapkan metode Euler sebagai model persamaan 2.77.
)(tcurydt
dy+= (2.77)
dengan mensubtitusikan persamaan 2.71 ke persamaan 2.77 maka didapat persamaan
2.78.
ttcuttrytytty ∆+∆+=∆+ )()()()( (2.78)
untuk persamaan diskret dapat diubah menjadi persamaan 2.79.
ttcuttrykyty kkk ∆+∆+=+ )()()()( 1 (2.79)
atau seperti persamaan 2.80.
)()()1()1( ktuckytrky ∆+∆+=+ (2.80)
38
sehingga pengubahan bentuk diskretnya menjadi persamaan fungsi alih persamaan
2.81[8]
.
trz
tc
zU
zY
∆−−
∆=
1)(
)( (2.81)
2.7 Respon Transien
Seringkali, Karakteristik performansi sistem kontrol dinyatakan dalam bentuk
respon transien terhadap masukan tangga satuan karena mudah dibangkitkan dan
cukup radikal. (jika respon terhadap masukkan tangga diketahui, maka secara
matematis dapat dihitung respon terhadap setiap masukkan )[6][7]
.
Respon transien sistem kontrol praktis sering menunjukkan osilasi teredam
sebelum mencapai keadaan tunak. Dalam menentukan karakteristik respon transien
sistem kontrol terhadap masukkan tangga satuan, biasanya dicari parameter berikut :
1. Waktu tunda (td) : Waktu tunda adalah waktu yang diperlukan respon
untuk mencapai setengah harga akhir yang pertama kali.
2. Waktu naik ( tr) : Waktu naik adalah waktu yang diperlukan respon untuk
naik dari 10 % sampai 90 %, 5 % sampai 95 % atau 0 % sampai 100 %
dari harga akhir.
3. Waktu puncak (tp) : Waktu puncak adalah waktu yang diperlukan respon
untuk mencapai puncak lewatan yang pertama kali.
4. Lewatan maksimum (pos): Lewatan maksimum adalah harga puncak
maksimum dari kurva respon yang diukur dari besar referensi yang
diberikan ( pada kasus ini 6 meter ).
2.8 Tinjauan Terhadap Plant Sistem
Sistem dasar plant yang digunakan adalah sistem tinggi muka carian
surge tank, sistem dapat digambarkan sebagai Gambar 2.17[9]
.
39
Gambar.2.17 Surge tank
Berdasarkan Gambar 2.17 diatas dapat dilakukan penurunan rumus sebagai
berikut :
∫=h
dhhAV0
)( (2.82)
dengan V = Volume tank.
A(h) = Luas permukaan tank yang berubah-ubah terhadap ketinggian h
h = Tinggi muka cairan.
Persamaan 2.82 dapat diubah menjadi persamaan 2.83.
dt
dhthA
dt
dV))((= (2.83)
perubahan massa dalam tank akan sama dengan jumlah massa yang keluar dan massa
yang masuk dari tank, sehingga :
momi qqm −=•
(2.84)
dengan •
m adalah perubahan massa dalam tank, miq massa yang masuk kedalam tank,
moq massa yang keluar dari tank, sedang massa dalam tank diberikan persamaan
2.85.
Vm ρ= (2.85)
Level (h)
A(h(t))
qout
qin
40
sehingga ••
= Vm ρ , dengan vimi qq ρ= ,
vomo qq ρ= , dengan viq ,
voq adalah volume
masukkan tank dan volume keluaran tank, dengan ρ adalah massa jenis fluida,
dengan mensubstitusikan hubungan persamaan 2.85 ke persamaan 2.84 maka didapat
persamaan 2.86.
vovi qqV ρρρ −=•
(2.86)
Pada kasus ini tank dianggap sebagai sistem orifice flow yaitu tank
mempunyai lubang keluaran, sehingga terjadi aliran keluar, dengan aliran keluaran
untuk orifice flow didefinisikan oleh persamaan 2.87.
ρpACq odmo 2= (2.87)
Berdasarkan prinsip Torricelli, Sebuah massa fluida m dengan ketinggian h
diatas orifice area, maka energi potensial massa tersebut adalah mghEp = dan
massa yang jatuh kearah orifice area mempunyai energi kinetik 2/)( 2mvEk = , jika
semua energi potensial diubah ke energi kinetik maka 2/)( 2mvmgh = dan kecepatan
fluida akan sebesar ghv 2= , sedang tekanan yang jatuh ke orifice area adalah
ghp ρ= , jadi ρ/pgh = , jadi massa fluida yang mengalir di orifice area tidak
melebihi dari persamaan 2.88.
ρρρρ pApAvA ooo 2/2 == (2.88)
pada kondisi sebenarnya laju aliran fluida akan menjadi kurang dari pada persamaan
2.88, karena adanya efek gesekan (the effect of friction) atau didefinisikan sebagai
koefisien Cd, sehingga besar dari Cd tidak lebih besar dari satu. Untuk persamaan
orifice flow dapat dtuliskan persamaan 2.89.
2
mooqRp = (2.89)
dimana Ro disebut orifice resistance dan Ao adalah Orifice area output, dan Cd
adalah angka koefisien pelepasan (discharge coefficient).
41
222
1
od
oAC
Rρ
= (2.90)
dari persamaan 2.89 dan 2.90 didapatkan persamaan 2.91 berikut :
ρpACqq odmovo 2== (2.91)
p adalah daya tekan aliran keluar dengan p adalah pada persamaan 2.92.
ghp ρ= (2.92)
dengan mensubstitusikan persamaan 2.83, persamaan 2.87 dan persamaan 2.92 ke
persamaan 2.86 dan Cd=1 maka didapatkan persamaan 2.93.
ghAqdt
dhhA ovi 2)( ρρρ −= (2.93)
dengan menghilangkan faktor ρ maka didapatkan persamaan 2.94 untuk surge tank.
ghAqdt
dhhA ovi 2)( −= (2.94)
dengan qvi adalah aliran masukan (inflow rate) plant maka dapat digantikan sebagai
u(t) sehingga persamaan 2.94 menjadi persamaan 2.95.
)()(
1
)(
2tu
hAhA
ghA
dt
dh o +−
= (2.95)
Persamaan plant yang terbentuk disini (persamaan 2.95) adalah persamaan
plant bentuk time varying karena dengan melihat bentuk parameter-parameter plant
yang berubah-ubah terhadap waktu.
42
BAB III
PERANCANGAN PERANGKAT LUNAK
KENDALI FUZZY ADAPTIF DENGAN METODE SECARA TIDAK
LANGSUNG ( INDIRECT ADAPTIVE FUZZY CONTROL )
Pendekatan dengan memakai kendali fuzzy adaptif metode secara tidak
langsung memiliki blok perancangan seperti diperlihatkan pada Gambar 2.14, terlihat
bahwa pada metode ini memakai sebuah model plant dan metode identifikasi sistem
untuk mengestimasikan parameter model plant dan ada sebuah perancang kendali,
jika parameter plant berubah maka pengidentifikasi akan menyediakan parameter
terestimasi yang kemudian digunakan oleh perancang kendali untuk terus menerus
menala (tuning) pengontrolnya.
Penerapan RLS disini adalah sebagai pengestimasi secara on line parameter
plant model yang digunakan. Dalam hal ini RLS digunakan untuk menala (tuning)
parameter fungsi tengah (center) keanggotaan keluaran fuzzy, yaitu pada kasus ini
adalah yang diperbaiki parameter 1,1, dan ii βα sebagai parameter yang diestimasikan
dan untuk dipakai sebagai parameter plant model dan juga digunakan oleh perancang
kendali, perancang kendali akan menala besar kendali yang akan diumpankan ke
plant untuk mendapatkan respon plant yang sesuai dengan unjuk kerja yang
diinginkan.
3.1 Pengendali ( Controller)
Mengacu pada penjelasan sebelumnya dalam bab dua, bahwa logika fuzzy
terdiri dari empat bagan komponen yang penting yaitu : fuzzifikasi, aturan dasar,
inference mechanisme, dan defuzzifikasi. Disini kendali fuzzy yang dipakai adalah
dengan aturan Takagi Sugeno karena melihat bentuk fungsi plant yang dipakai dan
fungsi persamaan plantnya adalah nonlinier dan juga persamaan plantnya merupakan
persamaan plant orde satu sehingga dapat disederhanakan sistem plantnya memiliki
sistem SISO (single input single output). Pada kasus ini kendali logika fuzzy yang
dipakai adalah SISO (single input single output).
43
Pada proses fuzzifikasi, pilihan dari range interval, jumlah rule dan bentuk
dari fungsi keanggotaan didasarkan pada pilihan perancang dan taksiran dari hasil
unjuk kerja sistem berdasarkan sifat karateristik plant. Evaluasi aturan dasar
dilakukan dengan cara penyapuan masukan menggunakan subroutin tersendiri.
Defuzifikasi dilakukan menggunakan metode Center of Average (COA), adaptasi
dilakukan dengan menala fungsi center kenggotaan keluaran fuzzy dengan
mengunakan perhitungan metode recursive least square. Pada Tugas Akhir ini
simulasi ditulis dalam bahasa pemrograman Matlab dari the Mathwork, Inc.
Perancangan pengendali didasarkan pada subbab 2.5.4 yang memiliki
diagram blok seperti pada Gambar 2.16, dengan persamaan pengendali diberikan
aturan persamaan 2.68 dengan defuzzifikasi menggunakan center average.
Pada persamaan 2.67, nilai ki,0 adalah sama dengan nilai L, nilai ki,1 adalah
sama dengan nilai K pada persamaan 2.57, nilai-nilai ki,0 dan ki,1 adalah nilai
penguatan yang akan ditala (tuning) .
Penjelasan dari kendali logika fuzzy dapat diperjelas lagi dengan
pembentukan flowchart sebagai berikut :
Mulai
1. Inisialisasi Parameter plant2. Inisialisasi parameter fungsi masukkan fuzzy
Penentuan aturan
Inisialisasi parameter simulasi t=0,tstop, periode sampling, counter
di tala dan dispesifikasikanoleh perancang kendali
Fuzzifikasi
Penentuan masukan referensi
penentuan parameter fungsi keluaran fuzzy
)()()( 1,0, kykkrkku iii −=
Inisialisasi paremeter 1,0, , ii kk
3 1 2
Gambar 3.1.a. Sambungan Pertama Flowchart kendali logika fuzzy.
44
Evaluasi aturan dasar
scaning masukan parameter plant
Counter=counter+1
Counter=4
defuzzifikasi
t=tstop+1
T<= tstop
Aksi kontrol ke plant
Sistem Identifikasi
Plot Grafik
Selesai
Ya
Tidak
Tidak
Ya
u(t)u(t)
y(t)
y(t)
13 2
Gambar 3.1. b Sambungan Kedua Flowchart kendali logika fuzzy.
Pada perancangan fuzzy Tugas Akhir ini menggunakan fungsi keanggotaan
gaussian sebagai fungsi keanggotaan masukkan fuzzy, dengan penulisan persamaan
untuk fungsi keanggotan masukkan gaussian sebagai persamaan 3.1.
−−=
2
)(
2
1exp))((
σµ
j
ickhkh (3.1)
))(( khµ menyatakan nilai derajat kebenaran dari masukan fuzzy (crisp) yang
telah dipetakkan ke dalam fungsi keanggotaan gaussian yang sesuai; j
ic adalah
menyatakan titik tengah dari masing-masing jumlah fungsi keanggotaan gaussian
45
yang digunakan; σ adalah menyatakan besar skala fungsi eksponensial pada fungsi
gaussian yang dipakai.
Perancanangan perangkat lunak kendali logika fuzzy dapat dinyatakan
sebagai sebuah fungsi berikut :
% Fuzifikasi:
hk(index)=x(1);
% Fungsi untuk memanggil fuzzy (fuzzifikasi )
mfhk(1,:)=fuzzy(mhk,hk,index,numhk);
mhk(1,:) menyatakan besar derajat kebenaran dari masing-masing fungsi
keanggotaan gaussian yang digunakan; hk menyatakan sebagai masukkan fuzzy;
numhk menyatakan jumlah fungsi keanggotaan gaussian yang dipakai; mhk
menyatakan titik dari masing masing jumlah fungsi keanggotaan gaussian yang
dipakai.
Penulisan isi fungsi fuzzy dituliskan sebagai berikut :
% Aturan titik-titik saturasi fuzzy :
if hk(index)< mhk(1)
mfhk=[1 0 0 0 0];
elseif hk(index)> mhk(numhk)
mfhk=[0 0 0 0 1];
else
%loop ini untuk memperoleh bagian-bagian yang on dari semua
mfhk:
for p=1:numhk
mfhk(p)=exp(-0.5*((hk(index)-mhk(p))/0.5)^2);
% menggunakan fungsi keanggotaan gausian
end
end
untuk defuzzifikasi dilakukan dengan memanggil fungsi kendali sebagaimana sintak
dibawah ini :
% syntak penulisan fungsi kendali yang akan diumpankan ke
plant
46
[num1,alf,bet,gainki,gainko,den1,kendali]=kendali(theta,mfhk,
ref_r,hk,index,uk);
% isi penulisan dari fungsi kendali
den1=0;
for k=1:5
% nilai estimasi alfa dan beta
theta;
alfa=theta(1:5);
beta=theta(6:10);
% membentuk nilai ko dan ki dari estimasi alfa dan beta
% Modul Perancang kendali
ki=(alfa-0.1)./beta;
ko=(1-alfa+beta.*((alfa-0.1)./beta))./beta;
kontrol=(ko*ref_r(index)-ki*hk(index));
num1=mfhk*kontrol; %( aturan fuzzy yang dipakai )
alf=mfhk*alfa;
bet=mfhk*beta;
gainki=mfhk*ki;
gainko=mfhk*ko;
prem1=([mfhk(k)]);
den1=den1+prem1;
end
% Menggunakkan center average
kendali=num1/den1;
% ( aturan tambahan besar kontrol yang diumpankan ke plant )
if kendali>=uk, kendali=uk; end
if kendali>=-uk & kendali<=uk, kendali=kendali; end
if kendali<=-uk kendali=-uk; end
kontrolcrisp(index)=kendali; % kendali yang diumpankan
ke plant
3.2 Sistem Identifikasi
Blok identifikasi disini digunakan untuk mengestimasikan parameter plant
time varying yang cenderung memiliki parameter yang berubah-ubah, blok
47
identifikasi sistem mengidentifikasikan keluaran dari respon plant model dan
keluaran dari respon plant terus-menerus secara on line untuk memperoleh nilai error
(Gambar 2.15), dengan memakai fungsi kriteria error ini maka dapat dicari nilai
estimasi parameter 1,1, dan ii βα terestimasi dengan menggunakan metode RLS.
Metode recursive least square (RLS) adalah metode pengestimasian harga
estimasi dari harga estimasi sebelumnya (persamaan 2.34 dan persamaan 2.51).
Disini nilai yang diestimasikan adalah parameter model plant yaitu 1,1, dan ii βα ,
gabungan nilai 1,1, dan ii βα membentuk matrik theta θ(t), dengan pengertian RLS
diatas, maka RLS dapat dipakai untuk pengidentifikasian secara on line.
Pada kasus ini RLS dipakai untuk menala (tuning) dari parameter plant
model yaitu parameter center (tengah) fungsi keanggotaan keluaran fuzzy yang
adalah juga nilai matrik theta θ(t).
Dengan menggunakan pengidentifikasi aturan persamaan 2.62 untuk bentuk
plant surge tank pada persamaan 2.95 didapatkan persamaan pengidentifikasi yang
diberikan pada persamaan 3.2.
Jika h(k) adalah ~
1
jA maka )()()1( 1,1,
^
kukhkh iii βα +=+ (3.2)
~
1
jA adalah fungsi keanggotaan masukkan fuzzy (disini dipakai fungsi Gaussian),
1 (satu) adalah menunjukkan jumlah masukkan fuzzy (crisp), j=1,2...5 menunjukkan
jumlah fungsi keanggotaan masukkan fuzzy yang dipakai, i=1,2,…,5 menunjukkan
jumlah aturan (rule) yang dipakai dalam pemodelan fuzzy ini, dengan menggunakan
menggunakan center average defuzzifikasi maka keluaran identifikasi modelnya
digunakan persamaan 2.65.
Perancangan perangkat lunak sistem identifikasi yang dibuat mempunyai
listing program yang kurang lebih sebagai berikut :
% penulisan fungsi identifikasi surge tank
[num,den,phi]=identifikasi(theta,mfhk,kontrolcrisp,hk,index);
hko(index)=num/den; (keluaran identifikasi model)
phit=phi/den; (faktor informasi sistem yang akan diestimasi
ulang oleh RLS)
48
% penulisan isi fungsi identifikasi surge tank
den=0;
for k=1:5
prem=([mfhk(k)]);
phi=[(hk(index)*[mfhk])'; (kontrolcrisp(index)*[mfhk])'];
theta;
% menggunakan center average
num=theta'*phi;
den=den+prem;
end
dan untuk penulisan program metode Recursive Least Square yang dipakai adalah
sebagai berikut :
% penulisan fungsi RLS
[thetaesti,pkalfa]=RLS(pk,phit,lamda,theta,x,hko,index,ga);
% syntak penulisan isi fungsi RLS
pkalfa =(1/lamda)*(pk-
(pk*phit*phit'*pk)/(lamda*1+phit'*pk*phit));
thetaesti=theta + pkalfa*phit*(x-hko(index));
% aturan tambahan untuk nilai estimasi jika nilai komponen
beta ada yang bernilai < 0 )
if thetaesti(6)<ga, thetaesti(6)=ga; end
if thetaesti(7)<ga, thetaesti(7)=ga; end
if thetaesti(8)<ga, thetaesti(8)=ga; end
if thetaesti(9)<ga, thetaesti(9)=ga; end
if thetaesti(10)<ga, thetaesti(10)=ga; end
% penyimpanan nilai theta dan pk untuk estimasi berikutnya
thetaesti=thetaesti(1:10);
pk=pkalfa;
theta=thetaesti;
Ga adalah batas nilai minimal beta yang digunakan, penentuan nilai beta agar lebih
besar dari pada nol dipengaruhi dari bentuk persamaan plant surge tank.
Diagram alir penalaan data estimasi dapat diberikan pada Gambar 3.2
berikut :
49
Mulai
1. Inisial paremeter gain P(k)
2. Inisial parameter plant awal h(k)
Identifikasi model
h(k+1)=ai,j*h(k)+ ßi,p*u(k)
menggunakan center average defuzzifikasi
1 Inisial keluaran kontrol logika fuzzy u(k)
1 Inisial keluaran respon plant ( h(k) )
mekanisme adaptif perhitungan error
Estimasi RLS ( didapatkan estimasi nilai ai,j dan ßi,p )
nilai estimasi ( ai,j dan ßi,p )
dari keluaran kontrol logika fuzzy
1 .Inisial paremeter ai,j dan ßi,p
respon dari keluaran plant
Module perancang kendali
t=tstop+1
jßi,j < ga
ßi,j = ga
ya
tidak
))(()1(^
khkh T ξθ=+
ai,j dan ßi,p
T<= tstop
selesai
Ya
Tidak
))(()( khkhT ξθ−
Gambar 3.2 Flowchart sistem identifikasi dan estimasi.
50
3.3 Perancang Kendali ( Controller Designer )
Fungsi perancang kendali adalah merupakan komponen penting dalam sistem
identifikasi, modul perancang kendali bekerja sama dengan sistem identifikasi untuk
terus-menerus menspesifikasikan parameter-parameter kontrol yang akan dipakai
oleh pengontrol, kemudian pengontrol akan menyesuaikan besar kontrol yang akan
diumpankan ke plant agar dihasilkan hasil respon keluaran plant yang sesuai dengan
keinginan.
Adapun aturan untuk perancang kendali yang dipakai dalam bentuk
persamaan 2.67 dan persamaan 2.68, dengan menggunakan pendekatan certainty
equivalence untuk parallel distributed compensator[11 hal 189]
, seolah-oleh tiap aturan
pada pengontrol (persamaan 2.68) hanya mengontrol satu aturan pada plant dan
mengganggap identifikasi yang dilakukan sangat akurat maka hasil )()(^
khkh = dan
sehingga )()(^
khkh ii = , dimana )(kh i menyatakan komponen plant model pada
aturan ke-i dan identifikasi mampu memberikan estimasi tiap perubahan dinamik
dari sistem, sehingga )()( khkh i= maka :
[ ])()()()1()1( 1.0.1.1.
^
khkkrkkhkhkh iiiiiiii −+=+=+ βα (3.3)
1.0. ii kdank untuk tiap aturan ke-i , i=1,2,…R dan untuk menentukan pole
close loop sama dengan 0.1 dan steady state antara h(k) dan r(k) adalah zero (nol ),
maka dapat ditentukan dengan mentransformasi z persamaan 3.3 maka didapatkan
persamaan 3.4.
1.1.1.
0.1.
)(
)(
iii
iii
kz
k
zR
zH
αβ
β
−+= (3.4)
dengan memilih pole close loop sama dengan 0.1 maka didapatkan dengan
persamaan 3.5.
1.01.1.1. −=− iiik αβ (3.5)
dan nilai 1.ik untuk perancang kendalinya adalah :
51
1.
1.
1.
1.0
i
i
ikβ
α −= (3.6)
i = 1,2,…R adalah pada setiap waktu menggunakan nilai 1.1. ii danβα
terestimasi dari sistem identifikasi , dan perlu diingat nilai 1.iβ > 0, sehingga perlu
ditambahkan aturan untuk nilai 1.iβ pada setiap waktu didalam metode RLS yang
mengatakan bahwa bila nilai 1.iβ kurang dari lebih besar 0 maka nilai 1.iβ akan
bernilai 1.iβ > 0.
Selanjutnya untuk menentukan agar steady state bernilai nol (zero) , maka
dapat ditentukan nilai )()()1( krkhkh ii ==+ untuk nilai k yang besar dan untuk
nilai i=1,2,…R sehingga dari persamaan 3.3 maka didapatkan persaman 3.7.
1.1.0.1.1.1 iiiii kk ββα −+= (3.7)
dan nilai 0.ik untuk perancang kendalinya adalah :
1.
1.1.1.
0.
1
i
iii
i
kk
β
βα +−= (3.8)
Nilai hasil dari harga estimasi dipakai oleh perancang kendali untuk
memperbaiki parameter kontrol, pengontrol akan memberikan umpan ke plant sesuai
dengan besar nilai estimasi (persamaan 2.67). Penulisan program untuk kontrol yang
dipakai diberikan sebagai berikut :
% syntak penulisan fungsi kendali yang akan diumpankan ke
plant
[num1,alf,bet,gainki,gainko,den1,kendali]=kendali(theta,mfhk,
ref_r,hk,index,uk);
% isi penulisan dari fungsi kendali
den1=0;
for k=1:5
% nilai estimasi alfa dan beta
theta;
alfa=theta(1:5);
52
beta=theta(6:10);
% membentuk nilai ko dan ki dari estimasi alfa dan beta
% Modul Perancang kendali
ki=(alfa-0.1)./beta;
ko=(1-alfa+beta.*((alfa-0.1)./beta))./beta;
kontrol=(ko*ref_r(index)-ki*hk(index));
num1=mfhk*kontrol; %( aturan fuzzy yang dipakai )
alf=mfhk*alfa;
bet=mfhk*beta;
gainki=mfhk*ki;
gainko=mfhk*ko;
prem1=([mfhk(k)]);
den1=den1+prem1;
end
% Menggunakkan center average
kendali=num1/den1;
if kendali>=uk, kendali=uk; end
if kendali>=-uk & kendali<=uk, kendali=kendali; end
if kendali<=-uk kendali=-uk; end
kontrolcrisp(index)=kendali; % diumpankan ke plant
al(index)=alf/den1;
be(index)=bet/den1;
gaki(index)=gainki/den1;
gako(index)=gainko/den1;
uk adalah batas nilai kendali yang diumpankan ke plant, pada perancangan program
ini ditentukan untuk nilai uk sebesar ±50 m3/sec
3.4 Pengontrolan Plant
Plant yang dipakai disini adalah plant bentuk time varying, keluaran plant
sendiri kemudian akan diidentifikasi dengan mengunakan sebuah model identifikasi
yang mengkarakteritikan kerja plant tersebut.
53
Karena bentuk keluaran fuzzy adalah dalam bentuk diskret maka penerapan
persamaan plant memakai persamaan waktu diskret dengan waktu sampling yang
telah ditentukan dalam pembuatan program. Dan untuk penerapan persamaan waktu
diskret digunakan aproksimasi persamaan dengan menggunakan metode Euler.
Metode Euler merupakan salah satu algoritma sederhana untuk menyelesaikan
perhitungan pada persamaan-persamaan diferensial, meskipun memberikan hasil
yang kurang akurat, tapi ia adalah dasar untuk memahami penyelesaian metode
untuk tingkat lanjut ( seperti metode Runge Kutta ).
Persamaan plant yang dipakai mengandung persamaan diferensial. Oleh
karena itu untuk menyelesaiakan persamaan tersebut dengan komputer, maka harus
menggunakan metode numerik. Ada berbagai metode numerik yang dapat kita
digunakan untuk menyelesaikan persamaan diferensial, seperti metode Euler dan
metode Runge-Kutta.
Karena bentuk fungsi plant yang dipakai adalah bentuk orde satu plant time
varying maka dapat dituliskan metode Euler diatas untuk plant yang dipakai sebagai
persamaan 2.95. maka untuk penyajian persamaan dalam ruang waktu diberikan
persamaan 3.9.
hx =1
•
=.
2 hx (3.9)
selanjutnya diperoleh persamaan 3.10.
)()(
1
)(
2
11
1
1 tuxAxA
gxAx o +
−=
• (3.10)
dengan menggunakna metode Euler untuk persamaan 3.10 maka dituliskan
persamaan waktu diskret plant surge tank sebagai berikut :
+
−+=
•
)()(
1
)(
6,19
11
1
11 kuxAxA
xATxx o (3.11)
Pengontrolan Level Surge tank
Pada pengontrolan level surge tank diharapkan agar tinggi level surge tank
selalu menyesuaikan dengan setting poin yang diberikan (referensi), nilai referensi
54
yang diberikan bervariasi antara 1-10 meter (satuan tinggi level surge tank), namun
pada perancangan simulasi.
Pada perancangan nilai kontrol u(k) dapat bernilai positif atau negatif
( masukan air dapat bersifat mengalirkan air ke tank atau menyedot air yang ada
dalam tank ), untuk besar kontrol yang diumpankan ke plant mempunyai nilai batas
yaitu bernilai :
−<−
<=<=−
>
=
50)(50
50)(50)(
50)(50
)(
kujika
kujikaku
kujika
ku (3.12)
Perancangan sistem disini, dipilih level surge tank agar tidak bernilai negatif,
maka dilakukan pembatasan nilai minimal level surge tank dipilih nilai 0.001.
sehingga untuk mensimulasikan persamaan 3.11 kembali dituliskan menjadi
persamaan 3.13.
+
−+=
•
uxAxA
xATxx o
)(
1
)(
6,19,001.0max
11
1
11 (3.13)
dan dengan menggunakan waktu diskret, persamaan 3.13 menjadi persamaan 3.14.
++
+
−+=+
bkax
ku
bkax
kxTkxkx
)(
)(
)(
)(6,19)(,001.0max)1(
2
1
2
1
1
11 (3.14)
dengan A(h) = ah2+b, T adalah step size, Ao=1 dan untuk penulisan metode Euler
untuk plant orde satu time varying dalam program yang dibuat adalah sebagai berikut
:
% penulisan fungsi surge tank
x=surge_tank(x,kontrolcrisp,index,a,b,step);
% penulisan isi persamaan surge tank
F=[-(19.6*x(1))^0.5)/(a*x(1)^2+b)+kontrolcrisp(index)/(a*x(1)^2+b)];
k1=step*F;
xh=x+k1;
x=max(0.001,xh);
55
(hasil keluaran plant dibatasi agar tidak mempunyai nilai negatif
dan mempunyai nilai minimal 0.001 )
Kontrolcrisp menyatakan besar kontrol yang diumpankan ke plant surge tank;
a dan b adalah menyatakan parameter plant surge tank, dalam penulisan program
nilai keluaran plant dibatasi mempunyai nilai minimal 0.001, angka ini dijadikan
nilai batas minimal keluaran plant karena untuk mencegah dari hasil keluaran plant
untuk tidak bernilai negatif, nilai negatif pada keluaran plant akan menyebabkan nilai
keluaran plant selanjutnya bernilai bilangan kompleks, proses persamaan waktu
diskret menyebabkan nilai keluaran plant kemudian akan dipakai untuk masukan
plant selanjutnya (rekursif), proses terjadi secara rekursif terus menerus sampai
waktu yang ditentukan. Pembatasan nilai minimal ini juga berpengaruh pada
penentuan fungsi kenggotaan masukan fuzzy yang digunakan, dan penentuan batas
minimal nilai beta (salah satu parameter yang ditala pada proses identifikasi).
56
BAB IV
STUDY KASUS
KONTROL LEVEL PADA SURGE TANK
Pengujian simulasi bertujuan untuk menemukan hasil tracking keluaran level
surge tank sesuai dengan sinyal referensi yang diberikan, penentuan parameter-
parameter masukan ditentukan berdasarkan pada bentuk karakteristik plant yang
digunakan, dan penentuan nilai parameter-parameter masukan sangat menentukan
hasil tracking keluaran level surge tank.
4.1 Parameter Fungsi Center Keanggotaan Masukkan Fuzzy
Pemilihan parameter fungsi keanggotaan masukkan fuzzy didasarkan pada
bentuk karakteristik plant yang digunakan, yaitu plant surge tank, bentuk
karakteristik plant surge tank memiliki bentuk persamaan diffrensial non linier
dengan bentuk persamaan 2.95.
Pensimulasian bentuk persamaan 2.95, maka ditentukan keluaran level surge
tank agar tidak bernilai negatif, meskipun pada kenyatan fisiknya itu mungkin
terjadi, penentuan ini didasarkan pada bentuk persamaan 2.95 yaitu apabila terjadi
nilai keluaran level (h) surge tank bernilai negatif maka dimungkinkan akan terjadi
keluaran level surge tank bernilai bilangan kompleks ( nilai dari gh2 dari
persamaan 2.95 ), sehingga untuk menghindari terjadinya keluaran level surge tank
bernilai bilangan kompleks maka perlu adanya batasan minimal nilai level surge tank
yaitu, pada desain program Tugas Akhir ini penentuan nilai minimal ditentukan
bernilai 0.001.
Penentuan adanya batas nilai minimal memberikan pengaruh pada penentuan
fungsi keanggotaan masukkan fuzzy, dan pada Tugas Akhir ini ditentukan fungsi
keanggotaan masukan fuzzy memiliki titik-titik tengah seperti pada Gambar 4.1
berikut ini :
57
Gambar 4.1 Fungsi keanggotaan masukkan fuzzy untuk jumlah aturan 5 ( Lima ).
Gambar 4.1 adalah contoh fungsi keanggotaan masukkan fuzzy dengan
jumlah rule lima, batas-batas nilai memiliki interval titik tengah antara 0 sampai 10,
penentuan nilai 0 sampai 10 masih memungkinkan nilai keluaran level surge tank
dengan nilai keluaran minimal level surge tank 0.001 dan masukkan nilai referensi
acuan 6 ( enam ) masih dapat dipetakan pada daerah interval 0 sampai 10.
4.2 Parameter-parameter Identifikasi
1. Parameter theta awal .
Penentuan nilai theta awal ( inisial parameter theta ) didasarkan pada
pemilihan aturan persamaan 2.52, parameter theta awal disini adalah
fungsi center keanggotaan keluaran fuzzy.
2. Penentuan lamda atau nilai forgetting factor.
Penentuan ini didasarkan pada bentuk standard RLS atau nonweight RLS
dengan nilai lamda sama dengan satu (1), sedang nilai lamda sendiri
bernilai 10 ≤< lamda .
3. Penentuan gain adaptasi F(0), gain adaptasi ditentukan bernilai F=2000*I
nilai 2000 dipilih bernilai posisif dan besar sekali, dengan I adalah matrik
identitas n x n dengan n adalah jumlah element theta awal.
4. Penentuan vektor informasi , nilai vektor informasi didapatkan dari hasil
perhitungan fuzzifikasi ( lihat persamaan 2.65 ).
4.3 Penentuan Batas Nilai Minimal Konstanta Beta
Berdasarkan aturan kontrol yang dibentuk pada persamaan 2.68 dan
persamaan 2.67 maka nilai penguatan ki,0 yang diberikan harus pula benilai positif,
karena untuk nilai penguatan ki,0 benilai negatif maka seolah-oleh memberikan nilai
58
referensi negatif, sedang nilai keluaran level surge tank telah ditentukan untuk tidak
bernilai negatif.
Penentuan nilai minimal beta didasarkan pada bentuk persamaan 3.3, bentuk
persamaan 3.3 mensyaratkan bahwa, agar sistem (persamaan 3.3) dapat dikendalikan
maka nilai beta tidak boleh bernilai nol, dan tanpa mengurangi karakteristik umum
dari sistem, maka diasumsikan 01, >iβ , yaitu nilai beta memiliki nilai minimal,
sehingga pada perancangan program aturan ini perlu ditambahkan pada penulisan
program, yang menyatakan bahwa jika nilai beta bernilai dibawah batas nilai
minimal maka nilai beta bernilai batas nilai minimal itu.
4.4 Pengujian
Pada pengujian program simulasi, ada beberapa masukan yang dapat diubah,
seperti keadaan tinggi level awal, besar gain adaptasi, dan batas nilai minimal beta,
tapi dalam pengujian harus ditetapkan hanya satu variabel masukkan yang dapat
diubah-ubah, ini dilakukan untuk menyederhanakan dan memudahkan pencapaian
nilai keluaran level surge tank sesuai keinginan.
Pengujian dilakukan dengan menggunakan jumlah fungsi keanggotaan
gaussian sejumlah lima, untuk lebih jelasnya data-data masukkan dapat dituliskan
sebagai berikut :
Titik center Mf Gaussian = [0 2.5 5 7.5 10].
Theta awal = [0 2 4 6 8 10 12 14 16 18].
Gain adaptasi = 2000*I, I adalah matrik identitas 10 ×10.
Nilai minimal beta = 0.00018954
Forgetting factor = 1 ( non weighted RLS ).
Waktu sampling = 0.1 detik.
Penempatan pole terdekat =0.1 ( di koordinat z ).
Keadaan tinggi awal = 1 meter.
Parameter plant : a =1, b=2.
59
Gambar 4.2 Gausian input membership function dengan lima membership .
Nilai beta minimal dijadikan sebagai variabel yang ditala, penalaan nilai beta
minimal dilakukan secara trial and error untuk mendapatkan respon keluaran plant
yang baik (optimal), hasil optimal tracking nilai keluaran level surge tank terhadap
nilai referensi diperlihatkan pada beberapa pengujian berikut ini :
4.4.1 Pengujian Dengan Referensi Sinyal Step
Gambar 4.3 Keluaran sinyal referensi dan keluaran level plant surge tank
( untuk referensi masukkan sinyal step )
Pemberian referensi sinyal step terhadap plant surge tank memberikan respon
keluaran seperti terlihat pada Gambar 4.3. Traking respon surge tank berhasil
mengikuti sinyal referensi yang diberikan meski pada awal perubahan step terjadi
osilasi yang cukup besar.
60
Dari respon pada Gambar 4.3 dihasilkan karakteristik respon transien sebagai
berikut pada Tabel 4.1.
Tabel 4.1 karakteristik respon transien
No Parameter
1 Waktu puncak 18 detik
2 Lewatan Maksimum 3.1038 persen
3 Waktu penetapan 19,9 detik
Dengan menganggap sifat yang melekat pada model plant adalah
pengidentifikasi akurat, maka kondisi respon plant dipengaruhi juga oleh respon
keluaran model plant, dari perbandingan respon model plant dan respon plant akan
didapat error. Kondisi perbandingan respon keluaran model plant dan plant
digambarkan sebagai Gambar 4.4
Gambar 4.4 Keluaran level model dan keluaran level surge tank
( untuk masukkan referensi sinyal step ).
Pada kondisi awal perubahan sinyal step, memberi pula perubahan terhadap
respon dari masing-masing keluaran model plant dan keluaran plant, kondisi
membangkitkan pengidentifikasi untuk meng-update parameter-parameter baru yang
diperlukan untuk mendukung keluaran respon model plant dan besar kontrol yang
akan diberikan ke plant agar respon plant meniru setting point yang diberikan.
Kondisi awal perubahan step, terlihat bahwa keluaran model plant terjadi
sempurna berosilasi, keadaan ini disebabkan karena pengidentifikasi belum secara
61
sempurna mampu meng-update parameter-parameter model plant, parameter-
parameter ini juga digunakan oleh perancang kendali untuk menentukan besar
kontrol yang akan diumpankan ke plant, kondisi ini mempengaruhi respon plant (
lihat Gambar 4.3 ), terlihat pada awal respon plant terjadi osilasi yang cukup besar.
Kriteria pengidentifikasi adalah meminimalkan nilai error, error disini adalah
nilai beda antara respon model plant dan respon plant, sehingga besar nilai error juga
mempengaruhi pengidentifikasi dalam meng-update parameter-parameter baru yang
dibutuhkan model plant dan perancang kendali. Terlihat pada awal praktis nilai error
yang terjadi cukup besar, sehingga parameter-parameter yang di-update adalah
parameter-parameter yang jelek ( bukan parameter optimal ).
Gambar error dapat diperlihatkan pada Gambar 4.5.
Gambar 4.5 Nilai error antara respon model plant dan plant
( untuk masukkan referensi sinyal step ).
Dengan menggunakan center average defuzzifikasi tehadap parameter plant
model maka parameter-parameter yang dibangkitkan oleh pengidentifikasi dan di
butuhkan oleh model plant dapat digambarkan sebagai Gambar 4.6.
62
Gambar 4.6 Konstanta parameter model plant.
( untuk masukkan referensi sinyal step ).
4.4.2 Pengujian Dengan Referensi Sinyal Pulsa
Pada pembahasan sebelumnya, sistem dicobakan untuk sinyal masukan
referensi berupa sinyal step, sekarang untuk membuktikan bahwa sistem ini benar-
benar mampu dan baik, maka dicobakan untuk sistem dengan masukan referensi
berupa sinyal pulsa. Respon keluaran plant untuk sinyal masukkan pulsa dihasilkan
pada Gambar 4.7.
Gambar 4.7 Keluaran sinyal referensi dan keluaran level plant surge tank
(untuk masukkan referensi sinyal pulsa ).
Dari Gambar 4.7 terlihat bahwa keluaran surge tank berhasil menyesuaikan
terhadap setting poin yang diberikan, meski pada awal periode pulsa keluaran surge
63
tank terjadi lonjakan, ini dikarenakan kondisi plant belum teridentifikasi sempurna.
Kondisi plant teridentifikasi dengan baik jika keadaan keluaran plant model berhasil
pula menirukan sinyal referensi yang diberikan. Keluaran model plant diberikan pada
Gambar 4.8.
Gambar 4.8 Keluaran level model dan keluaran level surge tank
( untuk masukkan referensi sinyal pulsa ).
Gambar error dapat diperlihatkan pada Gambar 4.9.
Gambar 4.9 Nilai error antara respon model plant dan plant
( untuk referensi masukkan sinyal pulsa ).
Dari Gambar 4.9 nilai error cenderung melonjak pada saat terjadi perubahan referensi
dari nilai nol ke nilai enam dan sebaliknya, untuk nilai referensi tetap ( tanpa
perubahan ) nilai error kecil.
64
Sedang untuk parameter parameter plant model dapat diberikan sebagai
Gambar 4.10.
Gambar 4.10 Konstanta parameter model plant.
( untuk referensi masukkan sinyal pulsa ).
4.4.3 Pengujian Dengan Referensi Sembarang Step Undak
Untuk pengujian ini sistem diberikan sinyal sinyal sembarang step undak
menurut kehendak pemakai, kondisi ini dicobakan terhadap sistem untuk
membuktikan bahwa sistem ini mampu untuk mengontrol pada keadaan kondisi
apapun ( adaptasi ). Pemberian sinyal referensi sembarang step undak dilakukan
secara sembarang terhadap sistem pada saat proses sistem dinamik sedang
berlangsung.
Gambar 4.11 Keluaran sinyal referensi dan keluaran level plant surge tank
(untuk masukkan sembarang step ).
65
Gambar 4.11 adalah pemberian sinyal sembarang step undak terhadap sistem, terlihat
bahwa ternyata respon plant surge tank mampu mengikuti jejek referensi yang
diberikan, pada kondisi ini sistem boleh disebut dalam keadaan teridentifikasi atau
dapat terkontrol.
Kondisi keluaran model plant dan keluaran surge tank diperlihatkan pada
Gambar 4.12, kondisi ini mampu teridentifikasi dengan diperlihatkan bahwa kedua
sinyal mampu beriringan secara bersamaan pada keadaan kondisi referensi yang
berbeda.
Gambar 4.12 Keluaran level model dan keluaran level surge tank
( untuk referensi masukkan sembarang step ).
Gambar 4.13 Error antara model plant dan keluaran level surge tank
( untuk referensi masukkan sembarang step undak ).
66
Nilai parameter-parameter model plant diberikan Gambar 4.14
Gambar 4.14 Konstanta parameter model plant.
( untuk referensi masukkan sembarang step undak ).
4.4.4 Pengujian Dengan Memberikan Gangguan
Pada pengujian ini plant surge tank diberikan gangguan berupa aliran
masukan ( penambahan fluida ) fluida sebesar 30 m3/det pada selang waktu detik ke
30 sampai detik ke 35 dan keluaran ( pengurangan fluida ) fluida sebasar -30 m3/det
pada selang waktu detik ke 70 sampai 75 dan didapatkan respon keluaran plant surge
tank seperti Gambar 4.15.
Gambar 4.15 Keluaran sinyal referensi dan keluaran level plant surge tank
yang diberikan gangguan (untuk referensi masukkan sinyal step )
67
Terlihat pada Gambar 4.15 respon respon terjadi lonjakan yang cukup besar pada
saat gangguan diberikan, tapi setelah gangguan usai respon kembali ke keadaan
terkendali (respon dapat menirukan referensi dengan baik ), gangguan dapat teredam
meskipun respon plant surge tank terjadi lonjakan yang cukup besar, ini ditunjukkan
pada Gambar 4.18, terlihat pengendali mampu menyesuaikan besar kendali yang
diumpankan ke plant, pada saat detik ke 30 sampai ke 35 pengendali mengurangi
besar kendai yang diberikan ke plant surge tank, dan pada selang waktu 70 sampai
75 pengendali menambahkan besar kendali yang diberikan ke plant surge tank.
Gambar 4.16 Besar kendali yang diumpankan ke plant saat
diberikan gangguan (untuk referensi masukkan sinyal step )
Gambar respon plant model surge tank dan respon plant surge tank diberikan
pada gambar 4.17.
Gambar 4.17 Keluaran level model dan keluaran level surge tank saat
diberikan gangguan (untuk referensi masukkan sinyal step )
68
BAB V
PENUTUP
5.1 Kesimpulan
Setelah melakukan serangkaian ujicoba serta pengujian terhadap perangkat
lunak fuzzy adaptif dengan metode secara tidak langsung dalam pengontrolan plant
time varying didapatkan kesimpulan sebagai berikut. :
1. Pengkarakteristikan plant yang dipakai perlu dilakukan untuk membatasi
aturan (kontrol) yang akan diterapkan pada plant tersebut, seperti menetapkan
nilai awal parameter plant model dan besar penguatan yang akan diberikan.
2. Pengujian sistem dengan sinyal masukkan berupa sinyal step didapatkan
karakteristik respon transien, antara lain : waktu puncak sebesar 18 detik,
lewatan maksimum sebesar 3,10 persen, waktu penetapan sebesar 19,9 detik.
3. Pengujian sistem dengan masukkan sinyal pulsa, didapatkan respon untuk
periode pulsa pertama, respon belum teridentifikasi sempurna, sedang untuk
periode pulsa kedua dan selanjutnya didapatkan respon mampu mengikuti
referensi dengan baik.
4. Berdasarkan pengujian sistem dengan sinyal referensi sembarang, respon
sistem mampu mengikuti referensi dengan baik.
5. Berdasarkan pengujian, hasil tracking keluaran level surge tank dipengaruhi
oleh keluaran plant model identifikasi.
5.2 Saran
Kesimpulan lain yang dapat dijadikan saran dalam usaha mengembangkan
perangkat lunak pengidentifikasi sistem ini sehingga menjadi lebih aplikatif, antara
lain :
1. Peningkatan nilai akurasi penalaan parameter kontrol logika fuzzy dapat
dilakukan dengan menggunakan fungsi keanggotaan secara langsung dengan
memvariabelkan titik pada jangkah – jangkah dari fungsi keanggotaan
sehingga akan diperoleh fungsi – fungsi keanggotaan yang tidak simetris.
69
Cara ini cocok untuk kontrol logika fuzzy yang mempunyai tidak terlalu
banyak jumlah fungsi keanggotaan. Jika cara ini diaplikasikan pada kontrol
logika fuzzy yang menggunakan banyak fungsi keanggotaan maka dengan
sendirinya terdapat banyak variabel yang harus ditala sehingga waktu
komputasi yang diperlukan menjadi sangat lama.
2. Pengubahan sinyal masukkan pada saat sistem beroperasi harus diperhatikan
bahwa plan sistem benar-benar dalam keadaan teridentifikasi dengan baik,
karena kondisi ini akan menghasilkan respon sistem dengan baik.
70
DAFTAR PUSTAKA
[1] Astrom, Karl Johan, Adaptive Control, Lund Institute of Technology, Addison
Wesley Publishing Company inc 1995.
[2] Ioannou, Petros A, Electrical Engineering-system, University of Southern
California, Jing Sun, Control sistem, Ford Scientific Research Laboratory,
Robust Adaptive ControI , Prentice-Hall International inc, 1996
[3] Joko Purwanto, Penalaan Parameter Kontrol Logika Fuzzy Menggunakan
Algoritma Genetik, Laporan Tugas Akhir, 2003.
[4] Jody Rostandy, Pengidentifikasian Parameter Fungsi Alih Sistem Pada Plant
Simulasi Orde Tiga Dan Orde Empat Dengan Metode Algoritma Genetik,
Laporan Tugas Akhir, 2003
[5] Kuo, Benjamin C, Teknik Kontrol Automatik, PT Prenhallindo, Jakarta,1995.
[6] Ogata, Katsuhiko, Teknik Kontrol Automatik (Sistem Pengaturan) Jilid 1,
Penerbit Erlangga. Jakarta, 1995.
[7] Ogata, Katsuhiko, Teknik Kontrol Automatik (Sistem Pengaturan) Jilid 2,
Penerbit Erlangga. Jakarta, 1995.
[8] Ogata, Katsuhiko, Discrete-time Control system, University of Minnesota,
Prentice Hall, New Jersey, 1997.
[9] Palm III, William J., Modeling, Analysis, and Control of Dynamic System ,
University of Rhode Island, Jhon Willey & Sons, Inc.
[10] Paraskevopoulus, P. N., Digital Control System, Prentice-Hall Europe, 1996
[11] Passino, M. Kevin and Steven Yurkovic, Fuzzy Control, Departement of
Electrical Enggineering The Ohio State University, Addison Wesley Longman,
Inc, 1998.
[12] Sumardi, ST. MT, Dasar-dasar kontrol logika fuzzy, Materi pelatihan kontrol
logika fuzzy, Jurusan Teknik Elektro, Undip, 2001.
[13] Tjokronegoro, Hariyono A., Identifikasi Parameter Sistem, Jurusan Teknik
Fisika , Institut Teknologi Bandung, 1996.
[14] Wang, Li-Xing, A Course in Fuzzy System And Control, Prentice-Hall Intl. Inc.
1997.
[15] Yan, Jun. Ryan, Michael and James Power, Using Fuzzy Logic, Prentice Hall,
New Jersey, 1994.
71