OPTIMISASI PARAMETER PENGENDALI PID PADA SISTEM KENDALI...
Transcript of OPTIMISASI PARAMETER PENGENDALI PID PADA SISTEM KENDALI...
OPTIMISASI PARAMETER PENGENDALI PID
PADA SISTEM KENDALI SUHU MELALUI PENDEKATAN MINIMISASI
RMS ERROR DAN RMS EFFORT
TUGAS AKHIR
Disusun dalam Rangka Memenuhi Salah Satu Persyaratan untuk MenyelesaikanProgram Strata-1 Departemen Teknik Elektro Fakultas Teknik
Universitas Hasanuddin Makassar
Oleh :
M. YUSUFD411 12 288
DEPARTEMEN TEKNIK ELEKTRO FAKULTAS TEKNIK
UNIVERSITAS HASANUDDIN
MAKASSAR
2018
ii
ABSTRAK
M. YUSUF, Optimisasi Parameter Pengendali PID Pada Sistem Kendali SuhuMelalui Pendekatan Minimisasi RMS Error dan RMS Effort (dibimbing olehRhiza S. Sadjad dan Ingrid Nurtanio)
Perancangan sistem kendali umumnya menggunakan keadaan transiensebagai dasar mengatur parameter-parameter pengendali. Hal ini kurang efektifapabila sistem mengalami perubahan karakteristik pada saat beroperasi, karena untukmelakukan tuning terhadap parameter pengendali, operator harus mengamati ulangkeadaan transiennya. Selain itu, dalam pengaturan parameter pengendali perludipertimbangkan nilai error yang dikecilkan dan nilai effort yang diberikan padaplant. Hal ini bertujuan mengkompromikan antara keawetan komponen dan kualitaskeluaran sistem. Olehnya itu, diperlukan pengaturan optimal terhadap paramaterpengendali yang digunakan, dengan mengembangkan metode optimisasi parameterpengendali melalui pendekatan minimisasi nilai root mean square error (rms error)dan nilai root mean square effort (rms effort). Metode ini mengacu pada tanggapankeadaan tunak keluaran sistem ketika beroperasi. Berdasarkan hasil simulasimenggunakan program matlab, pengendali PD skema negative feedback bentuk Imerupakan konfigurasi pengendali yang paling baik dalam menerapkan metode inidibandingkan konfigurasi pengendali P, I dan D lainnya. Hasil yang diperoleh yaitu0,10505 untuk nilai objective function, 0,08157 untuk nilai rms error, dan 0,06619untuk nilai rms effort, sedangkan untuk paramater pengendali yaitu 0,6987 untukparameter KP dan 8,3911 untuk parameter KD.
Kata Kunci : Sistem Kendali Suhu, Root Mean Square, Error, Effort, ObjectiveFunction, P, PI, PD, PID.
iii
ABSTRACK
M. YUSUF, Optimization of Parameter of PID Controller on Temperature ControlSystem through RMS Error and RMS Effort Minimization Approach (Supervisedby Rhiza S. Sadjad and Ingrid Nurtanio)
Design of control system generally employs transient state as a means ofcontroller’s parameters adjustment. This is less effective if the system underwentcharacteristic alternation when operating, since to perform tuning on controller’sparameter, operator needs to re-observe transience state of the system. Besides, insetting controller’s parameters, one that should be taken into consideration is theerror value which is decreased and one which is given to plant. This aims atcompromising between preservation of the components and quality of system’soutput. Therefore, optimal adjustment on controller’s parameter is required bydeveloping optimization method of controller’s parameter through minimization ofroot mean square error (rms error) value and root mean square effort (rms effort)value. This method refers to steady state response of system’s output when operating.According to the result of simulation using matlab program, PD controller withnegative feedback scheme type I is the best controller configuration in theemployment of this method compared to controller configuration of other P, I, and D.The result obtained was 0,10505 for objective function value, 0,08157 for rms errorvalue, 0,06619 for rms effort value, as for controller’s parameter that is 0,6987 forKP parameter and 8,3911 for KD parameter.
Keywords: Temperature Control System, Root Mean Square, Error, Effort,Objective Function, P, PI, PD, PID.
iv
KATA PENGANTAR
Segala puji bagi Allah subhanahu wa ta’ala, yang Maha Pengasih dan Maha
Penyayang, yang Maha Memiliki dan Maha Mengetahui. Dia-lah yang telah
memberikan kenikmatan yang besar bagi orang-orang shalih berupa keta’atan dan
ketaqwaan. Shalawat dan salam senantiasa tercurah kepada Rasulullah Muhammad
Shallallahu ‘alaihi wasallam, beserta para keluarganya, sahabat-sahabatnya dan
orang yang mengikutinya dengan baik hingga hari kiamat.
Atas karunia dan petunjuk Allah subhanahu wa ta’ala, penulis dapat
menyelesaikan skripsi ini sebagai upaya memenuhi syarat memperoleh gelar sarjana
Teknik di Departemen Teknik Elektro, Fakultas Teknik Universitas Hasanuddin.
Semoga penyusunan skripsi ini menjadi nilai kebaikan dan berguna untuk
kemashalatan umat manusia dan secara khusus bangsa indonesia.
Peneliti hadiahkan karya ini untuk kedua orang tuaku (Lasaini dan Sitti
Aisyah), sebagai wujud baktiku kepada mereka, serta untuk kakak-kakakku (Abduh,
Rabiah, dan Ismail) dan adikku (Afifah Zahra). Dukungan dan do’a setulus hati telah
mereka berikan agar kami dapat sukses dan berhasil pada setiap urusan yang kami
lakukan. Peneliti berharap karya ini dapat menjadi penyebab kehadiran rasa suka cita
dan kebahagiaana dalam hati mereka. Semoga Allah subhanahu wa ta’ala,
memberkahi umur kedua orang tua, kakak-kakak dan adik peneliti, serta
mengampuni segala kesalahan serta khilaf mereka, yang disadari ataupun yang tidak
mereka sadari.
v
Skripsi ini berjudul “Optimisasi Parameter Pengendali PID Pada Sistem
Kendali Suhu Melalui Pendekatan Minimisasi RMS Error Dan RMS Effort”.
Peneliti menyadari, dalam penyusunan skripsi ini masih terdapat kesulitan, namun
setelah pertolongan Allah ‘azza wajalla, kemudian dukungan dari berbagai pihak
penulis mampu menyelesaikan penyusunan skripsi ini. Olehnya itu, peneliti secara
khusus menyebutkan beberapa pihak, yang secara langsung terlibat membantu
penyusunan skripsi ini. Ucapan terima kasih kami berikan kepada :
1. Orang tua kami, kakak dan adik kami serta kepada om Tamrin dan tante Dewi
serta sanak keluarga yang tidak dapat kami sebutkan satu persatu, yang telah
memberikan dukungan selama penyusunan skripsi ini.
2. Bapak Prof. Dr. Ir. H. Salama Manjang, M.T, selaku Ketua Departemen
Elektro yang telah mengayomi keluarga civitas akademiki Departemen
Elektro terkhusus bagi para mahasiswa.
3. Bapak Dr.Ir.H. Rhiza S. Sadjad, MSEE selaku pembimbing I dan Ibu
Dr.Ir.Ingrid Nurtanio,MT selaku pembimbing II, atas bimbingannya kepada
kami dengan sepenuh hati sehingga dapat menyelesaikan penyusunan skripsi
ini.
4. Bapak Nanang Roni Wibowo, ST,MT dan Istri atas bantuan dan dukungan
sehingga kami dapat menyeselesaikan penyusunan skripsi ini.
5. Seluruh Dosen, Staff Pegawai Departemen Elektro atas segala ilmu, saran,
bantuan dan kemudahan yang diberikan sehingga kami dapat menyelesaikan
penyusunan skripsi ini.
vi
6. Keluarga Besar GKM LD Al Muhandis Fakultas Teknik dan UKM LDK
MPM Unhas sebagai wadah perjuangan dan menemukan kehangatan
ukhuwah islamiyah serta secara khusus Grup Majelis Syuro #Kenangan
(Abdul Rajab Mar’am, Akmal Yahya, Afri Maulana, dan Hasan Basri),
syukron dan jazakumullahu khairan atas kerja sama, dan dukungan selama
ini, semoga antum sehat dan sukses selalu.
7. Kepada rekan-rekan Mahasiswa Teknik Elektro angkatan 2012 yang berjuang
bersama selama masa-masa mahasiswa di Universitas Hasanuddin.
8. Seluruh Pihak yang tidak dapat kami sebutkan, yang telah memberikan
dukungan dan bantuan untuk penyelesaian skripsi ini.
Peneliti menyadari masih banyak kekurangan dalam skripsi ini, olehnya itu
kritik dan saran yang membangun senantiasa kami harapkan dalam rangka perbaikan
skripsi ini. Peneliti berharap skripsi ini dapat menjadi sumbangan pemikiran yang
bermanfaat untuk penulis maupun pembaca.
Makassar, 28 Pebruari 2018
Penyusun
vii
DAFTAR ISI
HalamanHALAMAN JUDUL.....................................................................................................i
LEMBAR PENGESAHAN TUGAS AKHIR..............................................................ii
ABSTRAK...................................................................................................................iii
ABSTRACK..................................................................................................................iv
KATA PENGANTAR...................................................................................................v
DAFTAR ISI..............................................................................................................viii
DAFTAR TABEL.........................................................................................................x
DAFTAR GAMBAR...................................................................................................xi
BAB I PENDAHULUAN.............................................................................................1
1.1. Latar Belakang..................................................................................................1
1.2. Rumusan Masalah.............................................................................................3
1.3. Batasan Masalah...............................................................................................4
1.4. Penegasan Istilah...............................................................................................5
1.5. Tujuan dan Manfaat Penelitian.........................................................................5
1.6. Sistematika Penulisan.......................................................................................5
BAB II LANDASAN TEORI.......................................................................................7
2.1. Sistem Kendali Umpan-balik............................................................................7
2.2. Aksi Kontrol.....................................................................................................8
2.3. Kendali Optimal.............................................................................................16
2.4. Root Mean Square dan Indeks Performansi (Objective Function).................18
viii
BAB III METODE PENELITIAN.............................................................................22
3.1. Alur Penelitian................................................................................................22
3.2. Karakteristik Modul Sistem Kendali Suhu.....................................................23
3.3. Pemodelan Modul Sistem Kendali Suhu........................................................24
3.4. Skema Pengendali...........................................................................................28
3.5. Pengendali dan Aksi Kendali..........................................................................31
3.6. Tahapan dan Prosedur Optimisasi...................................................................32
3.7. Diagram Alir Optimisasi Parameter Sistem Kendali......................................35
BAB IV HASIL DAN PEMBAHASAN....................................................................38
4.1. Data Simulasi.....................................................................................................38
4.2. Perbandingan Objective Function....................................................................50
4.3. Pencarian Lanjutan Parameter Optimal dengan Metode Steepest Descent......57
BAB V PENUTUP......................................................................................................62
4.1. Kesimpulan........................................................................................................62
4.2. Saran..................................................................................................................63
DAFTAR PUSTAKA..................................................................................................64
LAMPIRAN................................................................................................................65
ix
DAFTAR TABEL
Halaman
Tabel 3.1 Data Karakteristik Plant Modul Kendali Suhu.....................................26
Tabel 4.1 Nilai minimum objective function dan Parameter Optimal pada Pengendali P, PI, PD, dan PID serta non-pengendali untuk skema bentuk I................................................................................................................40
Tabel 4.1 Nilai minimum Objective Function dan Parameter Optimal pada Pengendali P, PI, PD, dan PID serta Non-Pengendali untuk Skema bentukII...............................................................................................................41
Tabel 4.2 Urutan Terkecil ke Terbesar Nilai Minimum Objective Function pada Pengendali P, PI, PD dan PID serta Non-Pengendali...............................51
Tabel 4.3 Hasil Pencarian Lanjutan KP dan KD dengan Metode Steepest Descent..................................................................................................................59
Tabel 4.4 Perbandingan Sebelum dan Setelah Pencarian Lanjutan KP dan KD yang lebih Optimal dengan Metode Steepest Descent.............................59
x
DAFTAR GAMBAR
Halaman
Gambar 2.1 Blok diagram sederhana pada sistem umpan balik.............................7
Gambar 3.1 Alur Penelitian...................................................................................23
Gambar 3.2 Blok Diagram Komponen Modul Sistem Kedali Suhu.....................24
Gambar 3.3 Grafik Garis Suhu pada Modul Sistem Kedali Suhu.........................25
Gambar 3.4 Pemodelan Modul Sistem Kedali Suhu.............................................26
Gambar 3.5 Skema Negative Feedback Bentuk I.................................................30
Gambar 3.6 Skema Negative Feedback Bentuk II................................................30
Gambar 3.7 Skema Pengendali P..........................................................................31
Gambar 3.8 Skema Pengendali PI.........................................................................31
Gambar 3.9 Skema Pengendali PD.......................................................................31
Gambar 3.10 Skema Pengendali PID....................................................................32
Gambar 3.11 Diagram Alir Optimisasi Pengendali P............................................35
Gambar 3.12 Diagram Alir Optimisasi Pengendali PI..........................................36
Gambar 3.13 Diagram Alir Optimisasi Pengendali PD.........................................36
Gambar 3.14 Diagram Alir Optimisasi Pengendali PID.......................................37
Gambar 3.15 Diagram Alir Optimisasi Tahap Lanjutan........................................37
Gambar 4.1 SeSkema (a) Negative Feedback Bentuk I Skema, (b) NegativeFeedback Bentuk II..................................................................................39
Gambar 4.2 Kurva KP terhadap Objective Function dengan Skema Bentuk I.....42
Gambar 4.3 Kurva KP terhadap Objective Function dengan Skema Bentuk II....42
xi
Gambar 4.4 Kurva KI terhadap Objective Function dengan Skema Bentuk I......44
Gambar 4.5 Kurva KI terhadap Objective Function dengan Skema Bentuk II.....44
Gambar 4.6 Kurva KD terhadap Objective Function dengan Skema Bentuk I....46
Gambar 4.7 Kurva KD terhadap Objective Function dengan Skema Bentuk II...47
Gambar 4.8 Kurva KA terhadap Objective Function dengan Skema Bentuk I.....49
Gambar 4.9 Kurva KA terhadap Objective Function dengan Skema Bentuk II. . .50
Gambar 4.10 Keluaran Sistem Kendali Suhu tanpa Pengendalian.......................53
Gambar 4.11 Keluaran Sistem untuk Pengendali P pada skema bentuk I.............54
Gambar 4.12 Keluaran Sistem untuk Pengendali PI pada skema bentuk I...........54
Gambar 4.13 Keluaran Sistem untuk Pengendali PD pada skema bentuk I.........55
Gambar 4.14 Keluaran Sistem untuk Pengendali PID pada skema bentuk I........55
Gambar 4.15 Keluaran Sistem untuk Pengendali P pada skema bentuk II...........56
Gambar 4.16 Keluaran Sistem untuk Pengendali PI pada skema bentuk II..........56
Gambar 4.17 Keluaran Sistem untuk Pengendali PD pada skema bentuk II.......57
Gambar 4.18 Keluaran Sistem untuk Pengendali PID pada skema bentuk II.......57
Gambar 4.19 Kurva Langkah Pencarian terhadap Nilai Objective Function........60
Gambar 4.20 Titik Temu KP dan KD untuk Pencarian Objective Function denganMetode Steepest Descent.........................................................................61
xii
BAB I
PENDAHULUAN
1.1. Latar Belakang
Suatu proses berlangsung secara kontinu dengan cara yang relatif tetap
menuju pada hasil akhir atau keadaan tertentu (Ogata. K, 1997:3-4). Hasil akhir
yang diinginkan pada proses diistilahkan sebagai nilai referensi (input),
sedangkan hasil akhir proses disebut dengan nilai aktual (output). Pada beberapa
sistem yang ada, kedua nilai tersebut mengalami deviasai (perbedaan) sehingga
output yang diinginkan tidak tercapai, adapun deviasi antara keduanya disebut
sebagai error (Philips. L. C, Harbor. D. Y, 1996:133).
Ketika mendapatkan masukan, sistem tidak dapat mengikuti masukan
tersebut secara serentak. Hal ini dikarenakan sistem memiliki komponen yang
menyimpan energi. Akibatnya, sistem akan mengalami keadaan transien sebelum
akhirnya mencapai keadaan tunak (steady-state). Keadaan transien belangsung
dengan cepat kemudian beralih ke keadaan tunak. Beberapa sistem ketika berada
pada keadaan tunak, hasil keluarannya tidak tepat mengikuti nilai referens
sehingga tetap terdapat error pada keadaan tunaknya atau error steady-state.
Keberadaan error dapat disebabkan oleh beberapa hal diantaranya karakteristik
komponen proses (sistem), adanya gangguan (distrubances) dan perubahan
terhadap masukan (Ogata. K,1997:270).
1
Nilai error dapat dikurangi dengan menambahkan effort. Adapun effort
berasal dari keluaran pengendali yang ditambahkan sedemikian rupa sehingga
dapat memperbaiki respon keluaran proses. Penambahan pengendali pada suatu
sistem dapat mengkompensasi beberapa penyebab error diantaranya yang berasal
dari karakteristik komponen, gangguan dan perubahan nilai masukan. Dengan
demikian nilai akhir keluaran dapat dipertahankan sesuai nilai referens atau nilai
keluaran dapat dijaga pada kisaran error yang bisa ditoleransi.
Perancangan sistem kendali umumnya menggunakan keadaan transisen
sebagai dasar pengaturan parameter-parameter pengendali. Misalnya, pengendali
PID dengan metode zieger-nichols menggunakan respon transien sistem untuk
menentukan parameter P, I dan D pada pengendali secara eksperimental (Ogata.
K, 1997:169). Namun hal ini hanya dapat dilkukan pada awal perancangan saja,
atau dengan mematikan sistem terlebih dahulu untuk mengamati respon transien
ketika dibutuhkan penyesuaian perameter pengendali terhadap perubahan-
perubahan pada sistem. Sebagaimana diketahui seiring berjalannya waktu seta
pengaruh lingkungan, beberapa komponen sistem fisik akan mengalami
perubahan ataupun penurunan kinerja (Philips. L. C, Harbor. D. Y, 1996:132).
Olehnya itu, pengamatan terhadap keadaan transien untuk pengaturan parameter
kendali belum cukup efektif sehingga diperlukan metode yang pengaturan
parameter mengacu kepada respon keadaan tunak.
Selain itu, dalam pengaturan parameter pengendali perlu
mempertimbangkan nilai error yang dikecilkan dan besarnya nilai effort yang
2
ditambahkan. Perlu untuk menemukan komposisi yang tepat terhadap dua
variabel tersebut. Terutama untuk sistem yang nilai error-nya disebabkan oleh
karakteristik komponennya. Menambahkan effort pada sistem akan memaksa
komponen-komponen sistem bekerja lebih keras sehingga hal ini dapat
mengurangi umur hidup komponen dan dapat menyebabkan kerusakan. Oleh
karena itu, memperoleh perbandingan yang tepat dari kedua variabel tersebut
akan mengantarkan sistem pada keadaan yang lebih optimal.
Mengacu pada latar belakang di atas, maka perlu adanya metode
pengaturan parameter pengendali yang didasarkan pada respon keluaran keadaan
tunak dan mempertimbangkan hubungan optimal antara nilai error dan nilai
effort. Oleh karena itu, pada penelitian ini, diperkenalkan suatu metode
optimisasi parameter pengendali melalui pendekatan minimisasi nilai RMS (root
mean square) error dan RMS effort pada sistem kendali suhu ruangan. Sistem
kendali menggunakan skema kendali negatif feedback.
1.2. Rumusan Masalah
Berdasarkan uraian latar belakang di atas, rumusan masalah pada
penelitian ini sebagai berikut.
a) Bagaimana mengoptimisasi parameter pengendali proporsional, integral dan
derivatif melalui pendekatan minimisasi antara nilai rms error dan nilai rms
effort pada sistem kendali kendali suhu.
3
b) Apa pengaruh metode optimisasi dengan pendekatan minimisasi antara nilai
rms error dan nilai rms effort terhadap pengurangan error-steady state
keluaran sistem.
c) Bagaimana perbandingan keoptimalan antara pengendali P, PI, PD dan PID
berdasarkan metode optimasi dengan pendekatan minimisasi nilai rms error
dan nilai rms effort.
1.3. Batasan Masalah
Adapun batasan masalah dalam tugas akhir ini meliputi hal-hal sebagai
berikut.
a) Jenis pengendali yang digunakan adalah proporsional, proporsional plus
integral, proporsional plus derivatif, dan proporsional plus integral plus
derivatif.
b) Sistem yang dikontrol (plant) berupa modul Sistem Kendali Suhu yang
keluarannya berosilasi.
c) Pengamatan dan pengujian hasil menggunakan simulasi program MATLAB.
d) Data yang digunakan berupa kenaikan dan penurunan suhu 30 ke 40 atau
sebaliknya 40 ke 30.
e) Pemecahan masalah berfokus pada pengembangan metode untuk
mendapatkan kedaaan dan parameter optimal dari sistem kendali melalui
optimisasi antara nilai rms error dan nilai rms effort.
4
1.4. Penegasan Istilah
Beberapa definisi dari istilah yang digunakan dalam penelitian ini sebagai
berikut.
a) Error adalah selisih antara nilai masukan acuan dan nilai keluaran aktual
(Philips. L. C, Harbor. D. Y, 1996 : 133).
b) Effort adalah variabel yang dimanipulasi sebagai masukan sistem.
c) Optimisasi adalah proses mendapatkan suatu yang paling baik atau terbaik.
1.5. Tujuan dan Manfaat Penelitian
Adapun Tujuan Penelitian pada tugas akhir ini yaitu mengembangkan
metode optimisasi pengendali melalui pendekatan nilai rms error dan nilai rms
effort. Adapun manfaat penelitian pada tugas akhir ini sebagai berikut.
a) Menambah khasanah pengetahuan terhadap metode optimisasi sistem kendali.
b) Memecahkan masalah yang terjadi dalam sistem kendali terutama yang
berkaitan minimisasi kesalahan keadaan tunak (error steady state).
1.6. Sistematika Penulisan
Agar memudahkan dalam penulisan tugas akhir ini, maka disusun
sistematika sebagai berikut.
a) Bab I Pendahuluan
Bagian ini berisi latar belakang yang mendasari tugas akhir, rumusan
masalah, batasan masalah, tujuan penelitan dan metode penelitian.
5
b) Bab II Tinjauan Pustaka
Bagian ini berisi teori-teori yang mendukung topik dari tugas akhir ini
sekaligus menjadi landasan teoritis memulai tugas akhir ini.
c) Bab III Metodologi Penelitian
Bagian ini berisi tahap–tahap penelitian dan pemodelan sistem, serta prosedur
optimasi.
d) Bab IV Hasil dan Pembahasan
Bagian ini memuat data–data hasil simulasi yang selanjutnya dianalisis
sehingga dapat ditarik sebuah kesimpulan.
e) Bab V Penutup
Bagian ini memuat kesimpulan dan saran-saran terkait tugas akhir ini.
6
BAB II
LANDASAN TEORI
2.1. Sistem Kendali Umpan-balik
Terdapat nilai acuan yang merupakan masukan terhadap sistem dan nilai
aktual yang merupakan keluaran sistem. Keluaran dibandingkan terhadap
masukan yang dinginkan sehingga diperoleh nilai penyimpangan antara kedua
variabel. Simpangan ini dikenal sebagai galat (error). Sistem kendali umpan
balik dapat mempertahankan keluaran tetap konstan pada nilai yang dikehendaki,
atau mengalami perubahan secara perlahan dengan berjalannya waktu serta
menjaga keluaran sistem agar tidak rentang terhadap gangguan. Dengan umpan
balik berupa keluaran, pengendali membangkitkan sinyal kendali untuk
mengurangi nilai error menjadi nol, atau pada nilai yang dapat ditoleransi.
Sistem ini dikenal pula sebagai sistem kendali otomatis dan cara pengendali
membangkitkan sinyal kontrol dikenal sebagai aksi kontrol (Ogata. K, 1996 : 5,
197). Berikut ini merupakan gambar diagram sistem kendali umpan balik yang
umumnya digunakan dengan satu loop.
Gambar 2.1. Blok Diagram Sederhana pada Sistem Kendali Umpan Balik.
7
Pada sistem kendali umpan balik, besaran yang terukur pada keluaran
perlu direpresentasikan dengan besaran ynag sesuai dengan sistem. Keluaran
berupa temperatur, aliran, atau bobot, perlu diubah ke dalam besaran yang sesuai
seperti perpindahan, tekanan, atau tegangan, sehingga dapat digunakan untuk
membandingkan keluaran aktual sistem terhadap masukan yang diinginkan.
Elemen yang digunakan untuk mengukur suatu besaran yaitu sensor dan
diletakkan pada umpan balik sistem tertutup. Nilai acuan harus pula diubah ke
dalam besaran yang sama dengan umpan balik dari keluaran menggunakan
elemen pengukur atau yang serupa dengan elemen sensor. Pada pengoperasian
sistem kendali otomatis, elemen pengukur dan aktuator biasanya dipisah ke
dalam unit-unit atau kadang pula tersusun dalam satu unit (Ogata, K. 1996:198).
Sinyal kendali (effort) merupakan besaran atau sinyal yang dihasil oleh
pengendali dengan nilai yang bervariasi sehingga menyebabkan perubahan pada
variabel terkendali (variable controlled) dan menurunkan nilai galat (error).
Adapun variabel terkendali merupakan besaran yang diukur atau yang
dikendalikan, dan biasanya merupakan keluaran sistem. (Ogata. K, 2010:2).
2.2. Aksi Kontrol
Penyesuaian awal agar sistem mendapatkan performansi baik dapat
dilakukan dengan memberikan penguat (gain). Meskipun demikian, pada
kebanyakan kasus sekedar penguat saja tidak cukup untuk mengarahkan sistem
agar berperilaku sesuai spesifikasi yang diinginkan. Penambahan penguat
8
memang dapat memperbaiki keadaan tunak (steady-state) sistem, namun dapat
pula menghasilkaan perilaku sistem yang kurang stabil atau menyebabkan adanya
efek ketidakstabilan. Hal itu kemudian memerlukan perancangan ulang sistem
kendali dengan menambahkan beberapa komponen atau memodifikasi struktur
sistem kendali sehingga sistem berperilaku sesuai yang diinginkan. Upaya
perancangan ulang atau penambahan alat yang sesuai pada sistem diistilahkan
sebagai kompensasi. Adapun alat yang ditambahkan ke dalam sistem agar
memperoleh performa yang baik, disebut kompensator. Kompesator akan
mengkompensasi performa sistem yang kurang baik (Ogata. K, 2010 : 8).
Kompesator juga diistilahkan sebagai pengendali.
Ketika melakukan perancangan sistem kendali, maka akan ditetapkan
model matematika sistem serta mengatur paramater kompensator. Hal ini
membutuhkan cukup banyak waktu untuk pengecekan performansi berdasarkan
analisis pada setiap parameter kompensator. Perancang biasanya menggunakan
software komputer untuk menangani banyaknya angka yang harus diperiksa.
Umumnya menggunakan program matlab untuk menyelesaikan perancangan
sistem kendali (Ogata. K, 2010 : 8).
Pengendali mendeteksi sinyal kesalahan yang biasanya berada pada
tingkatan yang rendah kemudian menguatkannya menjadi tingkat yang lebih
tinggi. Pada pengendali otomatis terdapat detektor kesalahan, atau biasa disebut
sebagai komparator, sehingga pengendali mendapatkan masukan nilai galat yang
sesuai. Terkadang pengendali yang bersifat penguat digunakan bersama dengan
9
pengendali yang bersifat integrasi, dan differensiasi agar dapat menghasilkan
sinyal kontrol yang lebih baik (Ogata, K. 1996:198).
Pengendali akan menghasilkan sinyal berupa sinyal kendali yang
diteruskan ke aktuator. Nantinya aktuator meneruskan sinyal tersebut sebagai
masukan ke dalam plant sedemikian, agar sesuai dengan sinyal kendali. Aktuator
dapat berupa motor, katup pneumatik, motor hidrolika atau motor listrik (Ogata,
K. 1996:198).
2.2.1. Pengendali Dua Posisi (On-Off)
Pengendali ini hanya memiliki dua posisi pada elemen pembangkitnya
yaitu on atau off dengan bentuk yang sederhana dan biaya tidak begitu mahal.
Pengendali ini banyak digunakan pada kendali industri. Pengendali on-off
membangkitkan sinyal kendali (U) tetap pada salah satu nilai maksimum atau
minimum. Hal ini tergantung keadaan sinyal galat yang bernilai positif atau
negatif, atau dapat pula rentang nilai tertentu. Adapun nilai U1 dan U2 yang
merupakan sinyal kendali pengendali ini, senantiasa bernilai konstan. Pengendali
on-off umumnya merupakan perangkat listrik atau katup yang dioperasikan
menggunakan selonoid. Bentuk hubungan matematika kendali dua posisi dapat
diberikan sebagai berikut (Ogata, K, 1996:199-200).
u(t)=U1 untuk e (t)>0
u(t)=U2 untuk e (t)<0
10
Kendali on-off termasuk kelompok descreete controller yang hanya
memiliki dua posisi atau model yakni nyala atau padam. Penggunaan kendali on-
off pada kendalian menyebabkan output berisolasi disekitar nilai acuan. Nampak
bahwa nilai output tidak tepat menghimpit atau berdiam pada nilai acuan, namum
hanya menjaga nilai output tetap berada dekat dengan nilai acuan tersebut.
Daerah osilasi keluaran di sekitar nilai acuan dikenal sebagai zona mati
(deadzone) (PAContol.com, 2006 : 28). Zona mati dikenal juga dengan jurang
diferensial (differential gap), merupakan daerah dengan pengaktifan sinyal error
yang harus bergerak sebelum terjadi pengalihan dari U1 ke U2 atau sebaliknya.
Terjadinya jurang differensial akibat adanya penghalang yang tidak diinginkan
atau adanya gerakan yang hilang. Hal ini dapat ditemukan dalam beberapa kasus
pada sistem kendali. Selain itu, adanya jurang diferensial atau zona mati
bertujuan mencegah operasi yang tejadi secara berulang pada mekenisme kendali
on-off. Diasumsikan gambar A adalah sistem kendali dengan pengendali dua
posisi. Terlihat gambar tersebut menunjukkan adanya jurang differensial pada
kurva keluaran sistem kendali tersebut. Kurva keluaran mengikuti satu dari dua
kurva eksponential. Satu bagian berkaitan dengan kurva pengisian dan satu
bagian lain berkaitan kurva pengosongan pada komponen kapasitor. Pada
keluaran terlihat adanya osilasi, hal itu merupakan karakteristik tanggapan
khusus dari sistem kendali dua posisi. Dari osilasi yang terlihat pada gambar,
diketahui amplitudo osilasi keluaran dapat direduksi dengan pengurangan jurang
differensial. Dengan mengurangi jurang differensial akan mengurangi waktu
11
hidup komponen dan meningkatkan nilai penghubung on-off per menit.
Penentuan besaran jurang differensial mesti melalui pengamatan berupa
ketepatan yang dibutuhkan dan mempertimbangkan waktu hidup komponennya.
(Ogata. K, 1996:200).
2.2.2. Pengendali Proporsional
Pengendali dengan aksi kontrol proporsional pada dasarnya merupakan
penguatan dengan nilai penguatan yang dapat diatur. Hubungan antara sinyal
kendali u(t) (keluaran pengendali) terhadap sinyal galat e(t)) (masukan
pengendali) pada pengendali dengan aksi kontrol proporsional ditunjukkan
dengan persamaan berikut.
u(t)=K p e(t )
dengan Kp merupakan suku penguatan proporsional.(Ogata. K, 1996:202).
2.2.3. Pengendali Integral
Pengendali dengan aksi kontrol integral biasanya disebut kendali reset.
Nilai sinyal keluaran pengendali (sinyal kendali u(t)) diubah pada suatu laju yang
sebanding tehadap pergerakan nilai sinyal galat e(t). Hubungan keluaran u(t)
terhadap keluaran e(t) pada pengendali integral, digambarkan pada persamaan
berikut.
u(t)=K i∫ e(t)dt atau u(t)= 1T i∫e (t)dt
12
dengan K i=1T i
, dan Ki merupakan yang dapat diubah, Ti adalah waktu integral.
(Ogata. K, 1996 : 202).
2.2.4. Pengendali Proporsional dan Integral
Hubungan sinyal galat e(t) dan sinyal kendali u(t) pada pengendali
proporsional ditambah integral ditunjukkan dengan persamaan berikut.
u(t)=KP(1+1T i∫ e (t)dt)
bentuk fungsi alih sebagai berikut.
U (s)E (s )
=K P(1+1T i s
)
sebagaimana disebutkan pada poin sebelumnya bahwa Ti adalah waktu integral
(integral time), sedangkan KP merupakan penguatan proporsional. Nilai keduanya
merupakan nilai yang dapat ditentukan. Perubahan waktu integral mengatur aksi
kontrol internal, sedangkan KP berakibat pada aksi kendali proportional maupun
integral. Kebalikan dari waktu integral disebut laju reset. Laju reset merupakan
bilangan menunjukkan seberapa kali bagian proporsional diduplikasi per menit.
(Ogata. K, 1996:202).
2.2.5. Pengendali Proporsional dan Derivatif
Bentuk hubungan pengendali proporsional ditambah derivatif terhadap
sinyal galat e(t) dan sinyak kendali u(t) ditunjukkan dengan persamaan berikut.
u(t)=K p+K pT ide(t)dt
13
bentuk fungsi alih sebagai berikut.
U (s)E (s )
=K P(1+T d s )
dengan KP merupakan penguatan proporsional dan Td adalah konstanta yang
disebut waktu turunan (derivative time), keduanya adalah besaran nilai yang
dapat ditentukan. Aksi kendali turunan terkadang disebut laju kendali. Waktu
turunan Td adalah waktu interval dengan laju aksi memberikan pada aksi kontrol
proporsional. Aksi kendali derivatif memiliki karakter antisipasi, akan tetapi aksi
kendali derivatif tidak dapat mengantisipasi aksi lain yang belum pernah
dilakukan. Pada suatu sisi aksi kontrol mempunyai keuntungan mengantisipasi,
namun di sisi lain memiliki kelemahan dengan adanya gangguan sinyal
penguatan yang dapat bercampur pada sinya kendali. Perlu diperhatikan bahwa
dikarenakan aksi kendali derivatif hanya efektif selama periode transien,
sehingga aksi kendali ini jarang digunakan sendiri.(Ogata. K, 1996:203).
2.2.6. Pengendali Proporsional, Integral dan Derivatif
Pengendali proporsional plus integral plus derivatif merupakan kombinasi
dari tiga aksi kendali yaitu proporsional, integral, dan derivatif. Kombinasi ini
memiliki keuntungan dibanding masing-masing pengendali sebelumnya (Ogata.
K, 1996:203). Pengendali ini merupakan jenis pengendali yang penggunaannya
meluas dan dapat ditemukan pada berbagai industri proses manufaktur (Richard
dan Bishop, 2010:480).
14
Hubungan pengendali proporsional, integral dan derivatif terhadap sinyal
galat e(t) dan sinyal kendali u(t) ditunjukkan pada persamaan berikut.
u(t)=K p e(t )+K P
T i∫e (t)dt+KPT d de (t)dt
bentuk fungsi alih sebagai berikut.
U (s)E (s )
=K P(1+1T i s
+Td s)
dengan Kp penguatan proporsional, Ti adalah waktu integral dan Td dan
merupakan waktu derivatif.(Ogata. K, 1996:203–204).
Pengendali proporsional, integral, dan derivatif (disingkat PID) serta
kombinasi dari ketiganya tergolong ke dalam sistem kendali klasik yang
diaplikasikan pada industri. PID memiliki banyak tipe dan metode tuning yang
tersebar dalam banyak literatur dengan berbagai pengembangannya seperti
metode automatic-tuning, bahkan mampu untuk melakukan online automatic
tuning. Selain itu, pada keadaan suatu sistem tidak diketahui model
matematiknya atau analis terhadap sistem tidak dapat dilakukan, maka
pengendali PID sangat bermanfaat untuk digunakan. Hal inilah yang membuat
kendali PID secara umum dapat diaplikasikan pada banyak sistem kendali.
(Ogata, 2010:567). Tidak hanya bentuk dasar kendali PID yang digunakan secara
luas. Saat ini bentuk modifikasi kendali PID seperti kendali I-PD dan kendali
PID multi-degrees-of-freedom juga digunakan pada industri dan sistem kendali
proses. Penggunaanya pada bidang sistem kendali proses telah terbuka
15
memberikan hasil yang memuaskan, meskipun pada banyak kondisi hal tersebut
belum memberikan kendali yang optimal pada sistem tersebut.(Ogata, 2010:567).
2.3. Kendali Optimal
Sistem kendali optimal merupakan salah satu cabang dari kendali modern
yang secara khusus membantu dalam analisis perancangan. Hasil akhir sistem
kendali optimal, tidak hanya agar sistem menjadi stabil, ada pula kendala-kendala
penting yang berkaitan dengan kendali klasik, namun nampaknya kendali
optimal lebih bisa memberikan hasil yang terbaik. Apabila perancangan berada
pada keadaan optimal dan memiliki karakteristik sebagaimana yang ditawarkan
ketika dengan kendali klasik, maka tentu hasil tersebut yang lebih baik.
(Anderson. B.D.O dan Moore. J.B, :2).
Perancangan sistem kendali dibuat dengan memenuhi beberapa
persyaratan sehingga dapat menyelesaikan tugas-tugas tertentu. Persyaratan
biasanya berkaitan dengan ketelitian, kestabilan relatif, dan kecepatan respon,
dan sebagainya. Persyaratan tersebut biasanya disebut sebagai spesifikasi
performansi (objective function).(Ogata. K, 1996:109).
Spesifikasi perfomansi diberikan sejak awal perancangan sistem kendali.
Pengamatan terhadap spesifikasi performansi dapat mencakup pada dua syarat
yaitu respon transien, respon keadaan tunak (steady -state) dan dapat pula dengan
respon frekuensi. Respon transien misalnya overshoot maksimum, dan waktu
settling dan respon keadaan tunak misalnya steady-state error saat mengikuti
16
nilai input. Pada perancangan normal, spesifikasi performansi yang diberikan
dapat berupa nilai numerik khusus. Atau dapat pula menggunakan sebagiannya
nilai numerik khusus dan sebagian lagi berupa syarat yang menunjukkan kualitas.
Hal ini biasanya pada kasus tertentu dalam sistem kendali. Pada perkembangan
belakangan ini, bisa saja spesifikasi tersebut dimodifikasi selama perancangan,
dikarenakan dalam proses perancangan spesifikasi yang diberikan tidak dapat
memberikan hasil yang memuaskan sebab spesifikasi tersebut menunjukkan
adanya hubungan yang bertentangan atau bisa juga karena perancangan sistem
tersebut membutuhkan biaya yang mahal. Menentukan spesifikasi performansi
secara tepat sehingga dapat menghasilkan sistem kendali optimal merupakan
bagian yang penting untuk tujuan yang diinginkan (Ogata. K, 2010:9).
Teori perancangan klasik telah diterapkan secara baik pada sistem linear
invarian-waktu, begitu pula pada sistem single-input, dan single-output. Kriteria
performansi yang biasa digunakan adalah sistem tanggapan waktu (time
response) terhadap signal input berupa sinyal step, atau sinyal ramp dan
tanggapan frekuensi. Pengamatan terhadap karakteristik respon waktu didasarkan
pada waktu-naik (rise-time), waktu-endap (settling time), overshoot maksimum,
akurasi keadaan tunak (steady-state). Sedangkan pada tanggapan frekuensi
didasarkan pada gain dan phase margin, dan bandwidth.(Naidu, D.S, 2002:6-7).
Optimisasi merupakan pengaturan terhadap parameter-paramaeter, untuk
tercapainya kemanfaatan dan keuntungan yang banyak pada desain(Dorf,
1998:48). Ketika dilakukan pengaturan terhadap parameter sistem kendali, sistem
17
tersebut akan dianggap optimum tatkala nilai indeks kriteria menemukan nilai
yang paling ekstrim. Nilai yang dianggap paling ekstrim biasanya nilai dengan
kriteria paling minimum. Dengan kata lain, nilai indeks minimum dianggap
menunjukkan keadaan optimum bagi sistem kendali tersebut.(Kealy. T dan
O’Dwyer. A, 2003:3).
Kendali optimal termasuk bagian pembahasan pada kajian teori kendali
modern. Persoalan Kendali optimal dalam teori kendali modern adalah upaya
untuk menemukan suatu kendali yang menyebabkan sistem dinamik mencapai
target yang diinginkan atau mengikuti suatu nilai yang berubah-ubah, dan pada
saat yang sama indeks performansi mesti menunjukkan nilai minimum atau
maksimum.(Naidu, D.S, 2002:6-7).
2.4. Root Mean Square dan Indeks Performansi (Objective Function)
Penilaian terhadap performa sistem dapat dilakukan dengan mengukur
atau menghitung indeks performa sistem tersebut. Teori kontrol modern
berasumsi bahwa kebutuhan performa sistem rekayasa (engineering) dapat
dirincikan secara kuantitatif. Penentuan indeks performansi dibutuhkan untuk
optimisasi sistem kontrol otomatis, menjalankan sistem kendali adaptif modern
dan keperluan perancangan sistem optimun. Agar dapat digunakan, indeks
performansi haruslah suatu angka yang selalu positif atau nol. Sistem dengan
nilai indeks minimum dinilai sebagai sistem yang paling baik. Beberapa contoh
perhitungan indeks performansi yang dapat digunakan di antaranya integral of
18
the square of the error (ISE), dan integral of the maginutde absolute of the error
(IMAE).(Kealy. T dan O’Dwyer. A, 2003:3).
Indeks performansi (objective function) dapat dimodifikasi sesuai
kebutuhan perancangan. Seorang perancang memilih indeks performansi untuk
mendapat keadaan optimum parameter yang dikehendaki. Dalam Naidu, D.S,
(2002:7-8) pada pembahasan kendali optimum menyebutkan beberapa bentuk
indeks performansi yang ditunjukkan sebagai berikut.
2.4.1. Indeks Performansi untuk Sistem Kendali Optimal-Waktu
Apabila suatu sistem melakukan transfer dari keadaan awal sembarang t0
menuju pada keadaan yang spesifik tf , dan dengan menginginkan waktu yang
paling minimum, maka hal ini bersesuaian dengan indeks performansi sebagai
berikut.
J=∫t0
tf
dt=tf −t 0=t x
2.4.2. Indeks performansi untuk Sistem Kendali Optimal-Bahan Bakar
Jika diasumsikan u(t) sebagai dorongan dari mesin pesawat luar angkasa
dan besar |u(t)| sebanding dengan harga bahan bakar yang dikonsumsi. Oleh
sebab untuk meminimisasi penggunanaan bahan maka hal tersebut dapat
dirumuskan dalam persamaan indeks performansi sebagai berikut.
J=∫t0
tf
|u ( t)| dt
19
atau, dapa pula ditulis sebaga sebagai berikut.
J=∫t0
tf
∑i=1
m
Ri|ui ( t)| dt
dengan Ri faktor bobot untuk nilai u(t).
2.4.3. Indeks Performansi untuk Sistem Kendali Optimal-Energi
Jika diberikan u(t) sebagai nilai arus pada loop ke-i suatu jaringan listrik,
kemudian J =∑i=1m ui
2 (t) r i adalah total energi atau laju penggunaan energi pada
jaringan tersebut. Dengan ri merupakan resitansi pada loop ke-i. Olehnya itu,
untuk meminimalisasi jumlah konsumsi energi digunakan kriteria performansi
sebagai berikut.
J =∫t0
tf
∑i=1
m
u i2 (t) ri dt
Bentuk umum (matriks-quadratik) dapat dituliskan sebagai berikut.
J=∫t0
tf
u ' (t) Ru( t) dt
Dimana R adalah faktor bobot berupa matirks definitif positif dan (‘)
menunjukkan bentuk transpos dari matriks u. Hal yang sama dapat pula
diterapkan untuk meminimalisasi nilai integral error sistem-tracking sebagai
berikut.
J =∫t0
tf
e ' (t)Q e (t) dt
atau, dapat dituliskan sebagai berikut (bentuk skalar).
20
J=∫t0
tf
∑i=1
m
e i2 (t) qi dt
dimana e(t) = yd(t) – ya(t), adalah yd(t) adalah nilai yang diinginkan, ya(t) adalah
nilai aktual, dan e(t) adalah nilai error sedangkan q adalah nilai bobot.
2.4.4. Indeks Performansi untuk Sistem Kendali Terminal (Target Akhir)
Persoalan target akhir pada sistem merupakan hal yang menarik untuk
untuk diperhatikan. Minimisasi error antara target yang diinginkan yd(tf) dan
target aktual ya(tf) pada pergerakan akhir atau waktu final (tf). Error terakhir
adalah yerror(tf) = yd(tf) – ya(tf). Perlakuan pada nilai positif dan negatif error,
serta faktor bobot, disusun dalam fungsi biaya berikut.
J = y ' error (tf )Fyerror ( tf )
Disini F adalah matriks semi-definitif positif. Fungsi ini disebut juga
terminal cost function.
2.4.5. Indeks Performansi untuk Bentuk Umum Sistem Kendali optimal
Persamaan yang telah disebutkan di atas dapat saling dikombinasikan.
Bentuk indeks perfomansi dapat dituliskan dalam bentuk sebagai berikut.
J = y ' error (tf )Fyerror ( tf )+∫t0
tf
[e ' (t)Q e (t)+u ' ( t )Ru (t )] dt ... 2.7
dimana R adalah matrix definitif positif, Q dan F adalah semidefinitif positif.
Bentuk indeks performansi ini disebut pula bentuk quadratik.
21
BAB III
METODE PENELITIAN
3.1. Alur Penelitian
Alur penelitian merupakan tahapan-tahapan yang dilalui dalam penelitian,
dimulai dari identifikasi masalah hingga pada sebuah kesimpulan. Dengan
mengikuti alur, kesimpulan suatu penelitian dapat disebut ilmiah.
Gambar 3.1 Alur Penelitian
22
Studi Literatur, Diskusi,dan Konsultasi
Identifikasi Masalah
Pemodelan SistemKendali Suhu
Simulasi
Analisis Hasil
Kesimpulan
3.2. Karakteristik Modul Sistem Kendali Suhu
Penelitian ini merupakan perancangan metode optimisasi sistem kendali
pada sebuah plant melalui pendekatan rms error dan rms effort. Kendalian
(plant) dari sistem ini merupakan modul sistem kendali suhu yang terdapat pada
Laboratorium Sistem Kendali dan Istrumentasi Departemen Elektro Fakultas
Teknik Universitas Hasanuddin. Modul sistem kendali suhu beroperasi dengan
cara nyala/padam. Secara fisik modul kendali suhu terdiri atas beberapa
komponen yaitu pendingin, pemanas, saklar, sensor, dan komparator tegangan.
Keterkaitan setiap komponen penyusun modul digambarkan dengan blok
diagram pada gambar 3.2. Dengan aksi kendali on-off, pemanas dan pendingin
aktif secara bergantian sehingga suhu dapat dipertahankan pada rentang batas
tertentu. Operasi aktif bergantian antara pendingin dan pemanas menimbulkan
osilasi pada suhu aktual modul. Osilasi suhu modul berada pada sekitaran nilai
referens yang ditentukan.
Gambar 3.2 Blok Diagram Kompenen Modul Sistem Kendali Suhu
23
Menangkap secara grafis keluaran modul sistem kendali suhu
menggunakan arduino yang ada pada modul. Arduino sebagai antarmuka untuk
menampilkan hasil pembacaan sensor pada program matlab. Data yang terbaca
oleh sensor berupa data analog. Data tersebut selanjutnya diolah dengan
perangkat arduino, dan mengirimkannya ke komputer dalam bentuk data digital.
Data tersebut adalah plot terhadap waktu, menggunakan program matlab.
Pada gambar 3.3, terlihat grafis suhu ditampilkan menggunakan program
matlab. Gambar 3.3 merupakan keluaran modul sistem kendali suhu yang
diperoleh secara real-time ketika modul dalam keadaan beroperasi.
0 200 400 600 800 1000 1200 1400 1600 180026
28
30
32
34
36
38
40
42
Gambar 3.3 Grafik Garis Suhu pada Modul Sistem Kendali Suhu
3.3. Pemodelan Modul Sistem Kendali Suhu
Elemen pemanas (heater) pada modul menggunakan alat pengering
rambut (hairdryer) untuk menaikkan suhu udara yang berada dalam modul.
24
Sedangkan elemen pendingin menggunakan kipas untuk menukar udara dalam
modul dengan udara luar sehingga suhunya dapat diturunkan. Elemen-elemen ini
beroperasi secara bergantian agar mampu mempertahan suhu modul pada nilai
yang dinginkan. Sebagaimana telah dijelaskan, modul sistem kendali suhu
beroperasi dengan cara nyala/padam atau on-off. Meskipun dapat
mempertahankan suhu di sekitar nilai yang diinginkan, namun osilasi pada
keluaran tak dapat terhindarkan (lihat gambar 3.3). Olehnya itu, sistem ini
membutuhkan suatu tambahan yang dapat mengoptimisasi performansinya tanpa
perlu melakukan perubahan fisik.
Gambar 3.4 Pemodelan Modul Sistem Kendali Suhu
Secara sederhana, elemen pemanas dan elemen pendingin diatur oleh
saklar untuk nyala bergantian. Pada modul ini, perangkat arduino berperan
sebagai saklar yang mengatur nyala/padam komponen pemanas dan pendingin
serta sebagai komparator yang membandingkan antara suhu aktual (suhu yang
terukur oleh sensor) terhadap suhu referens. Pada penerapan berbeda dan
25
kebanyakan aplikasi lapangan, fungsi saklar menggunakan relay, sedangkan
komparator berupa rangkaian op-amp pembanding. Untuk penerapan pada
simulasi matlab, modul sistem kendali suhu dapat dimodelkan sebagaimana pada
gambar 3.4. Blok-blok yang ada pada model mewakili karakteristik fisik pada
modul yang sebenarnya.
Menjalankan simulasi model plant modul sistem kendali suhu, perlu
mengetahui nilai parameter yang ada pada plant. Model plant modul sistem
kendali suhu memerlukan nilai parameter berupa nilai referens (set point),
kondisi awal (initial condition), dan waktu per satuan suhu (oC/s). Untuk
mendapatkan data sesuai dengan kondisi, maka dilakukan pengukuran pada plant
modul kendali suhu. Sedangkan sensor dan pengkodisian sinyal ditentukan nilai
konversi sebesar 0.05 V/oC. Hasil pengukuran dan perhitungan parameter modul
kendali suhu, ditunjukkan pada tabel 3.1 yang telah dilalui pada penjelasan
sebelumnya
Tabel 3.1 Data Karakteristik Plant Modul Sistem Kendali Suhu
SP (oC)IC
(oC)Rentang Suhu
(oC)Waktu 1(detik)
Waktu 2(detik)
Waktu 3(detik)
WaktuRata-rata
35 +/- 5 2630 ke 40 110,27 90,91 86,00 95,73
40 ke 30 125,10 135,97 120,94 127,34
Pemodelan modul sistem kendali suhu mengacu pada waktu kenaikan dan
penurunan suhu. Pengambilan data dilakukan dengan pengukuran pada plant
26
ketika beroperasi. Pengambilan data dilakukan dengan mengukur waktu kenaikan
suhu dari suatu level suhu tertentu ke level lainnya. Begitu pula pengukuran
penurunan suhu dilakukan dari level suhu tertentu ke level suhu yang di
bawahnya. Rentang suhu untuk pengukuran sama pada kenaikan maupun
penurunan suhu sebagaimana pada tabel 3.1.
Data pada tabel 3.1 menunjukkan parameter yang diperoleh dari hasil
pengukuran karakteristik modul kendali suhu diantaranya set point (SP), initial
condition (IC), rentang suhu, waktu untuk mencapai suhu tertentu, dan waktu
rata-rata. Adapun set point (titik acuan) merupakan nilai level suhu yang ingin
dicapai, Initial condition (kondisi awal) merupakan suhu awal pada saat modul
pertama kali dijalankan. Rentang suhu adalah batasan suhu tertentu yang waktu
kenaikannya diukur, sedangkan parameter waktu (1, 2 dan 3) adalah waktu yang
dibutuhkan untuk kenaikan atau penurunan suhu pada rentang suhu tersebut.
Selain itu, data pada tabel 3.1 menunjukkan adanya perbedaan waktu kenaikan
dari suhu 30 ke suhu 40 pada 3 kali pengukuran. Begitu pula waktu penurunan
dari 40 ke 30 terdapat perbedaan pada 3 kali pengukuran. Olehnya itu, diperlukan
nilai rata-rata dari ketiga data waktu tersebut untuk digunakan pada pemodelan
simulasi modul kendali suhu.
Data yang perlu ada untuk pemodelan sistem berupa nilai kondisi awal
(IC), waktu kenaikan suhu per detik (TUP), waktu penurunan suhu per detik (TDN),
nilai histerisis relay, sensor, pengkondisian sinyal dan nilai referens (SP).
Berdasarkan data pada tabel 3.1, kondisi awal modul adalah 26 oC dengan nilai
27
referens 35 oC. Adapun nilai sensor dan pengkondisian sinyal sebagaimana telah
disebutkan sebelumnya yakni 0.05 V/oC, dan nilai histerisis relay sebesar 5 + 35
oC, sedangkan untuk waktu kenaikan dan penurunan suhu diperoleh sebagai
berikut.
TUP / DN = Rentang Suhuwaktu rata − rata
....(3.1)
TUP = 40 − 3095,73
= 0.1045 oC /detik ...(3.2)
T DN = 30 − 40127,34
= −0.0785 oC/detik ...(3.3)
Setelah mendapatkan nilai setiap parameter, maka tahapan berikutnya
adalah menjalankan simulasi sesuai dengan nilai tersebut. Pada tahapan
selanjutnya, model dari modul sistem kendali suhu akan diberikan pengendali dan
disimulasikan untuk mengamati tanggapan sistem ketika ditambahkan pengendali.
3.4. Skema Pengendali
Perancangan pengendali bertujuan memperbaiki keluaran plant agar
sesuai nilai referens. Untuk mencapai hal itu, sistem menggunakan pengendali
dengan skema negative feedback yang telah dimodifikasi. Skema negative
feedback memanfaatkan selisih antara nilai referens dan nilai aktual (keluaran
plant) sebagai acuan membangkitkan sinyal kendali. Dengan kata lain,
menggunakan error sebagai acuan membangkit effort.
28
Penelitian ini menggunakan skema negative feedback dengan
menempatkan pengendali dengan memodifikasi input pada plant sehingga akan
terlihat berbeda dengan sistem kendali biasanya. Skema negative feedback
umumnya hanya menggunakan keluaran pengendali sebagai masukan terhadap
plant. Penelitian ini memasukkan nilai referens sebagai tambahan masukan
untuk plant. Olehnya itu, meskipun keluaran pengendali (effort bernilai 0), plant
tetap beroperasi dengan masukan berupa nilai referens. Istilah lain untuk
menyebutkan masukan plant yaitu manipulated variable (variabel termanipulasi),
sedangkan keluaran plant disebut controlled variable (variabel terkontrol).
Skema negative feedback pada penelitian ini menggunakan dua bentuk
hasil modifikasi. Perbedaan keduanya ada pada bentuk hubungan antara nilai
referens dan keluaran pengendali sebagai masukan plant. Untuk merincikan hal
tersebut, akan dijelaskan pada point berikut.
a) Skema negative feedback bentuk I, yakni masukan plant atau manipulated
variabel merupakan penjumlahan nilai referens dan keluaran pengendali.
b) Skema negative feedback bentuk II, yakni masukan plant atau manipulated
variabel merupakan hasil pengurangan oleh keluaran pengendali terhadap
nilai referens.
Gambaran masing-masing bentuk I dan bentuk I dapat diamati pada
gambar 3.5 dan 3.6. Pada setiap bentuk skema tersebut, akan menggunakan
empat jenis pengendali P, PI, PD dan PID. Sehingga akan terlihat pengaruhnya
terhadap nilai objective function pada dua bentuk skema dengan 4 pengendali
29
berbeda. Terkait pengendali P, PI, PD dan PID akan lebih lanjut dijelaskan pada
pembahasan berikutnya.
Gambar. 3.5 Skema Negative Feedback Bentuk I
Gambar. 3.6 Skema Negative Feedback Bentuk II
30
3.5. Pengendali dan Aksi Kendali
Pengendali yang digunakan pada pengendali ini adalah kombinasi antara
aksi kendali proporsional, integral, dan derivatif. Kombinasi-kombinasi itu
meliputi proporsional (P), proporsional ditambah integral (PI), proporsional
ditambah derivatif (PD) dan proportional ditambah integral ditambah derivatif
(PID). Diagram blok masing-masing kombinasi aksi kendali yang digunakan
pada penelitian ini ditunjukkan pada gambar 3.7, 3.8, 3.9 dan 3.10 berikut.
Gambar. 3.7 Skema Pengendali P
Gambar. 3.8 Skema Pengendali PI
Gambar. 3.9 Skema Pengendali PD
31
Gambar. 3.10 Skema Pengendali PID
Penggambaran skema pengendali menggunakan program Simulink
Matlab. Pada masing-masing gambar terlihat beberapa koefisien diantaranya KP,
KI, KD dan KA. KP adalah koefisien parameter untuk aksi kendali proporsional,
KI adalah koefisien parameter untuk aksi kendali integral, dan KD adalah
parameter koefisien untuk aksi kendali derivatif. Sedangkan KA (Koefisien
Adjustment) merupakan faktor pengali khusus pada skema pengendali PID.
3.6. Tahapan dan Prosedur Optimisasi
Perancangan optimisasi pada sistem kendali suhu ruangan menggunakan
pendekatan fungsi rms (root mean square) untuk menghitung nilai efektif error
dan effort dalam suatu rentang waktu tertentu. Nilai efektif keduanya dievaluasi
menggunakan persamaan objective function. Nilai rms error dan rms effort dapat
dicari dengan menggunakan persamaan 3.4 sebagai berikut.
rms=√ 1(Q−P)∫P
Q
f (t )dt ...(3.4)
32
Keterangan : y = f(t) , dengan Batas t0 = P hingga tn = Q
Adapun objective function yang digunakan menilai keadaan optimal
parameter sistem kendali, ditunjukkan pada persamaan 3.5 berikut.
J=√( rms (e (t)))2+(rms (u (t)))2 ...(3.5)
Keterangan :e(t) : sinyal erroru(t) : sinyal kendali
Pemodelan dan optimisasi modul sistem kendali suhu menggunakan
program dan simulisasi MATLAB. Secara umum prosedur optimisasi dilakukan
dengan mengatur nilai KP, KI, dan KD pada masing-masing bentuk kombinasi aksi
kendali. Nilai masing-masing koefisien diubah sedemikian rupa sehingga dapat
diperoleh nilai objective function paling minimum. Adapun tahapan-tahapan proses
optimisasi sebagai berikut.
a. Menetapkan persamaan objective function, kondisi awal, nilai referens dan
waktu operasi yang akan dijalankan dengan simulasi.
b. Menentukan batasan parameter KP sebagai kumpulan nilai KP yang akan
digunakan pada proses simulasi.
33
c. Menjalankan simulasi untuk setiap nilai KP kemudian menghitung nilai
objetive function setiap nilai KP tersebut, lalu memilih nilai objective function
paling minimum sebagai parameter optimal.
d. Mengulang langkah poin (b) dan (c) pada pengendali PI. Nilai KP yang
digunakan merupakan parameter optimal yang telah diperoleh pada simulasi
pengendali P, sedangkan parameter yang diubah-ubah adalah nilai KI.
e. Mengulang langkah poin (b) dan (c) pada pengendali PD. Nilai KP yang
digunakan merupakan parameter optimal yang telah diperoleh pada simulasi
pengendali P, sedangkan parameter yang diubah-ubah adalah nilai KD.
f. Mengulang poin (b) dan (c) untuk pengendali PID dengan nilai KP, KI dan KD
merupakan parameter optimal yang diperoleh pada simulasi poin pengendali P,
PI, dan PD. Sedangkan parameter yang diubah-ubah yaitu konstanta tambahan
sebagai faktor pengali terhadap nilai KP, KI dan KD.
g. Menentukan konfigurasi kendali yang paling optimal dengan meninjau nilai
objective function yang paling minimum dari empat kombinasi pengendali.
h. Setelah mendapatkan konfigurasi minimum pada kombinasi pengendali,
selanjutnya memastikan kembali nilai KP, KI atau KD yang didapatkan
sebagai nilai objective function paling minimum pada pengendali tersebut
dengan menggunakan metode steepest descent.
34
3.7. Diagram Alir Optimisasi Parameter Sistem Kendali
Pemodelan dan optimisasi modul sistem kendali suhu memiliki prosedur
dan tahapan optimisasi. Prosedur dan tahapan optimisasi pengendali merupakan
langkah-langkah untuk mendapatkan keadaan optimal setiap pengendali dan
skema masing-masing dengan mengacu pada pendekatan minimisasi rms error dan
rms effort. Prosedur dan tahapan tersebut tersajikan dalam bentuk diagram alir
sebagai berikut.
Gambar 3.11 Diagram Alir Optimisasi Pengendali P
35
Gambar 3.12 Diagram Alir Optimisasi Pengendali PI
Gambar 3.13 Diagram Alir Optimisasi Pengendali PD
36
Gambar 3.14 Diagram Alir Optimisasi Pengendali PID
Gambar 3.15 Diagram Alir Optimisasi Tahap Lanjutan
37
BAB IV
HASIL DAN PEMBAHASAN
Optimisasi parameter pengendali pada sistem kendali suhu ruangan dilakukan
dengan pendekatan rms error dan rms effort. Dengan menggunakan program dan
simulasi MATLAB, berikut ini adalah hasil simulasi dari optimisasi parameter
pengendali P, PI, PD dan PID pada sistem kendali suhu ruangan.
4.1. Data Simulasi
Nilai objective function setiap pengendali diperoleh dengan menjalankan
program simulasi matlab. Sistem yang disimulasikan berupa model dari modul
sistem kendali suhu. Beberapa variabel model bernilai konstan dan adapula yang
diubah-ubah. Variabel konstan mencakup set point (SP), kondisi awal (IC), dan
waktu operasi simulasi (T), sedangkan variabel dengan nilai berubah adalah
koefisien parameter pengendali untuk masing-masing aksi kendali. Dengan
menetapkan variabel konstan dan variabel berubah, hasil simulasi dapat
menunjukkan pengaruh perubahan koefisien parameter pengendali terhadap
perbandingan nilai objective function. Selain itu, proses simulasi ini merupakan
suatu metode pencarian koefisien parameter pengendali optimial dengan
menggunakan pendekatan rms error dan rms effort.
Data hasil simulasi tabel 4.1, menunjukkan nilai minimum objective
function dan paramater optimal pengendali P, PI, PD dan PID serta non-
38
pengendali. Hasil simulasi didapat dari dua bentuk skema pengendali negativie
feedback yang digunakan. Perbedaan kedua skema terletak pada bentuk
hubungan nilai referens dan keluaran pengendali (effort) yang menjadi masukan
plant. Bentuk I, input plant merupakan hasil penjumlah nilai referens dan
keluaran pengendali, sedangkan bentuk II, input adalah hasil pengurangan
keluaran pengendali pada nilai referens.
(a)
(b)
Gambar 4.1 Skema (a) Negative Feedback Bentuk I Skema, (b) NegativeFeedback Bentuk II
Hasil simulasi bentuk I tersaji dalam data tabel 4.1 sedangkan hasil
simulasi bentuk II tersaji dalam tabel 4.2. Dengan nilai variabel konstan simulasi
39
yaitu, set point 35 oC, kondisi awal 26 oC, dan waktu operasi simulasi 3600
menit.
Hasil simulasi sistem kendali suhu menampilkan data berupa nilai
objective function minimum, nilai koefisien parameter, nilai rms error dan nilai
rms effort. Nilai objective function paling minimum merupakan acuan
keoptimalan parameter pengendali. Dengan kata lain bahwa nilai KP (koefisien
proporsional), KI (koefisien integral) dan KD (koefisien derivatif) dengan nilai
objective function terkecil merupakan nilai yang paling optimal.
Tabel 4.1 Nilai Minimum Objective Function dan Parameter Optimal padaPengendali P, PI, PD dan PID serta Non-Pengendali untuk skemabentuk I
Parameter
Pengendali
Non-Pengen-dali
P PI PD PID
Koef. P - 0,7 0,7 0,7 0,7
Koef. I - - 0 - 0
Koef. D - - - 8,5 8,5
Koef. A - - - - 1.0
ObjectiveFunction 0,1479 0,1135 0,1135 0,1051 0,1051
RMS Error 0,1479 0,0930 0,0930 0,0814 0,0814
RMSEffort
0 0,0651 0,0651 0,0665 0,0665
40
Tabel 4.2 Nilai Minimum Objective Function dan Parameter Optimal padaPengendali P, PI, PD dan PID serta Non-Pengendali untuk skemabentuk II
Parameter
Pengendali
Non-Pengen-dali
P PI PD PID
Koef. P - 0 0 0 0
Koef. I - - 3×10-5 - 3×10-5
Koef. D - - - 0 0
Koef. A - - - - 1
ObjectiveFunction 0,1479 0.1479 0.1479 0.1479 0.1479
RMS Error 0.1479 0.1479 0.1479 0.1479 0.1479
RMSEffort
0 0 0.0004 0 0.0004
a) Pengendali P
Simulasi pengendali proporsional (P) menunjukkan hasil berupa nilai
objective function 0,1135 dan nilai KP optimal 0,7 untuk skema negative
feedback bentuk I dengan pencarian KP menggunakan nilai dari 0 sampai 2,5
kenaikan 0,1. Sedangkan pada skema negative feedback bentuk II, nilai objective
function 0,1479 dan nilai KP optimal 0, dengan pencarian KP menggunakan nilai
dari 0 sampai 2,5 kenaikan 0,1. Hubungan antara nilai KP dan objective function
beserta tiitik minimumnya pada Skema Bentuk I ditunjukkan melalui kurva titik
pada gambar 4.2, sedangkan bentuk II pada gambar 4.3.
41
0 0.5 1 1.5 2 2.50.11
0.115
0.12
0.125
0.13
0.135
0.14
0.145
0.15
0.155
KP
Obj
ectiv
e F
unct
ion
min.OF
Objective Function
Gambar. 4.2 Kurva KP terhadap Objective Function dengan Skema Bentuk I
0 0.5 1 1.5 2 2.50
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
KP
Obj
ectiv
e F
unct
ion
min.OF
Objective Function
Gambar. 4.3 Kurva KP terhadap Objective Function dengan Skema Bentuk II
Pada gambar 4.2, bentuk kurva memperlihatkan dengan jelas adanya titik
minimum objective function. Dengan demikian, pengendali P dengan skema
bentuk I, memiliki daerah keoptimalan pada nilai rms error dan rms effort.
42
Sedangkan gambar 4.3 bentuk kurva memperlihatkan, pengendali P skema
bentuk II tidak memiliki titik minimum, kurva cenderung naik sejak KP bernilai
0 dan semakin besar seiring bertambahnya nilai KP. Nilai KP optimal bernilai 0
menunjukkan bahwa nilai KP tersebut tidak dianggap (dapat diabaikan) sehingga
nilai rms error, rms effort, dan objective function-nya sama untuk sistem tanpa
pengendali.
b) Pengendali Proporsional plus Integral (PI)
Simulasi pengendali proporsional integral (PI), menggunakan KP optimal
pengendali P sebagai nilai KP-nya. Nilai ini bersifat konstan (tetap) sedangkan
variabel yang diubah adalah KI dengan kumpulan nilai yang telah ditentukan.
Hasil simulasi pengendali PI memperlihatkan data untuk skema bentuk I berupa
nilai objective function minimum 0,1135 dan KI optimal 0 dengan pencarian nilai
KI menggunakan nilai 0 sampai 0,2 kenaikan 0,01. Sedangkan pada data skema
bentuk II, diperoleh nilai objective function minimum 0,1479 dan KP optimal
3×10-5, pencarian nilai KI menggunakan nilai 0 sampai 5×10-5 dengan kenaikan
3×10-6. Hubungan antara nilai KI dan objective function beserta titik
minimumnya pada Skema Bentuk I ditunjukkan melalui kurva titik pada gambar
4.4, sedangkan bentuk II pada gambar 4.5.
43
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.20
0.2
0.4
0.6
0.8
1
1.2
1.4
KI
Obj
ectiv
e F
unct
ion
min.OF
Objective Function
Gambar. 4.4 Kurva KI terhadap Objective Function dengan Skema Bentuk I
0 1 2 3 4 5 6
x 10-5
0.1479
0.1479
0.1479
0.1479
0.1479
0.1479
0.1479
0.1479
0.1479
KI
Obj
ectiv
e F
unct
ion
min.OF
Objective Function
Gambar. 4.5 Kurva KI terhadap Objective Function dengan Skema Bentuk II
Pada gambar 4.4, bentuk kurva memperlihatkan tidak adanya titik
minimum objective function. Kurva cenderung naik sejak KI bernilai 0 dan
semakin besar seiring bertambahnya nilai KI. Maka dari itu pengendali PI dengan
44
skema bentuk I, tidak memiliki titik optimal untuk optimisasi menggunakan
pendekatan metode ini. Karena hasil yang diperoleh berupa nilai KI optimal 0
maka unsur integral pada pengendali PI dapat diabaikan. Olehnya itu nilai
objective function pengendali PI skema bentuk I, sama saja dengan pengendali P
skema bentuk I.
Gambar 4.4 bentuk kurva pengendali PI skema bentuk II, memperlihatkan
adanya titik minimum pada kurva tersebut. Hasil yang diperoleh yaitu KI optimal
3×10-5. Nilai KI sangat kecil, sehingga walaupun pengendali PI skema bentuk II
memiliki titik minimum, nilai objective function yang ada hanya berselisih
sedikit dengan objective function tanpa pengendali dan hanya memberikan
sedikit perubahan.
Pada simulasi pengendali P skema bentuk II, nilai KP adalah 0, dan
pengendali skema bentuk II menggunakan nilai tersebut sebagai KP. Pada
dasarnya nilai KP 0 menyebabkan unsur P tidak dianggap (dapat diabaikan).
Dengan kata lain, sejak awal pengendali PI hanya difungsikan mengatur unsur
integral sebab KP bernilai 0. Olehnya itu, simulasi ini sama dengan hasil simulasi
pengendali I. Dengan menggunakan skema bentuk II, pengendali integral
memiliki titik minimum untuk metode optimisasi ini.
c) Pengendali Proporsional plus Derivatif (PD)
Pengendali proporsional plus derivatif (PD) menggunakan nilai KP
optimal pengendali proporsional sebagai nilai KP yang bersifat konstan dan
45
variabel yang diubah adalah KD. Simulasi pada pengendali PD skema bentuk I
menunjukkan hasil nilai objective function minimum 0,1051 dan KD optimal 8,5
dengan pencarian nilai KD menggunakan nilai dari 0 sampai 15 kenaikan 0,5.
Sedangkan pengendali PD skema bentuk II memperoleh nilai objective function
0,1479 dan KD optimal 0. Hubungan antara nilai KD dan objective function
beserta tiitik minimumnya pada Skema Bentuk I ditunjukkan melalui kurva titik
pada gambar 4.6, sedangkan bentuk II pada gambar 4.7.
0 5 10 150.105
0.106
0.107
0.108
0.109
0.11
0.111
0.112
0.113
0.114
KD
Obj
ectiv
e F
unct
ion
min.OF
Objective Function
Gambar. 4.6 Kurva KD terhadap Objective Function dengan Skema Bentuk I
46
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10.1475
0.148
0.1485
0.149
0.1495
0.15
0.1505
0.151
0.1515
KD
Obj
ectiv
e F
unct
ion
min.OF
Objective Function
Gambar. 4.7 Kurva KD terhadap Objective Function dengan Skema Bentuk II
Pada gambar 4.6, bentuk kurva memperlihatkan adanya titik minimum
objective function, hal ini menunjukkan pengendali PD dengan skema bentuk I
memiliki daerah keoptimalan. Sedangkan gambar 4.6 bentuk kurva
memperlihatkan, kurva cenderung naik sejak KD bernilai 0 dan semakin besar
seiring bertambahnya nilai KD, hal ini menunjukkan pengendali PD skema
bentuk II tidak memiliki titik minimum.
Pada skema bentuk II, KD optimal bernilai 0 dan KP yang digunakan
juga bernilai 0. Hal tersebut menunjukkan keberadaan parameter KP maupun
KD dapat diabaikan. Olehnya itu nilai rms error, rms effort, dan objective
function-nya sama untuk sistem tanpa pengendali dengan kata lain unsur derivatif
pada skema bentuk II tidak memiliki daerah optimal.
47
d) Pengendali Proporsional plus Integral plus Derivatif (PID)
Optimisasi pengendali PID memerlukan tiga parameter KP, KI dan KD
untuk menjalankan simulasi. Ketiga parameter tersebut merupakan parameter
optimal setiap pengendali P, PI, dan PD pada masing-masing skema. Nilai KP,
KI, dan KD yang digunakan bersifat konstan dan terdapat tambahan variabel
yang akan menjadi faktor peubah untuk setiap paramater tersebut. Variabel yang
ditambahkan adakah koefisien adjustment (KA) yang nilainya dikalikan dengan
ketiga parameter KP, KI dan KD. Perkalian tersebut bertujuan menemukan nilai
KP, KI, dan KD yang lebih optimal untuk pengendali PID.
Simulasi pengendali dengan skema bentuk I, di antara P, PI dan PD hanya
nilai pengendali P dan PD yang parameter optimalnya di titik minimum objective
function tidak sama dengan 0. Dengan kata lain, hanya pengendali P dan PD saja
pada skema bentuk I yang memiliki parameter optimal. Pengendali PI memiliki
parameter KI optimal yang bernilai 0, sehingga parameter KI pada pengendali PI
dapat diabaikan. Karena hal tersebut, maka di antara KP, KI dan KD, hanya KP
dan KD saja yang memiliki kontribusi untuk pengendali PID. Sedangkan nilai KI
tidak memiliki pengaruh. Olehnya itu, hasil pengendali PID skema bentuk I,
sama saja dengan hasil pengendali PD skema bentuk I.
Hasil simulasi pengendali pada skema bentuk II, menunjukkan hanya
nilai KI yang dapat memberi kontribusi untuk pengendali PID. Adapun parameter
lainnya bernilai 0. Dengan mengabaikan nilai KP dan KD, maka syarat untuk
parameter pengendali PID tidak lagi terpenuhi. Dengan demikian, simulasi
48
pengendali skema bentuk II hanya akan memiliki kondisi optimal pada
pengendali I saja dan apabila PID tetap dijalankan maka hasilnya akan sama
dengan pengendali I.
Penjelasan yang telah diperoleh di atas dapat lebih dipahami dengan
melihat hasil simulasi pengendali PID sebagai berikut. Simulasi pengendali PID
skema bentuk I, menggunakan pencarian nilai KA dari 0 sampai 1,5, kenaikan
0,1. Hasil simulasi tersebut, KA bernilai 1 dengan objective function minimun
0,1051. Sedangkan pada pengendali PID skema bentuk II, KA bernilai 1 dan
objective 0,1479 dengan menggunakan pencarian nilai KA dari 0 sampai 2,
kenaikan 0,1. Hubungan antara nilai KA dan objective function beserta tiitik
minimumnya pada Skema Bentuk I ditunjukkan melalui kurva titik pada gambar
4.8, sedangkan skema bentuk II pada gambar 4.9.
.
0.5 0.6 0.7 0.8 0.9 1 1.1 1.2 1.3 1.4 1.50.105
0.106
0.107
0.108
0.109
0.11
0.111
0.112
0.113
KA
Obj
ectiv
e F
unct
ion
min.OF
Objective Function
Gambar. 4.8 Kurva KA terhadap Objective Function dengan Skema Bentuk I
49
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 20.1479
0.1479
0.1479
0.1479
0.1479
0.1479
0.1479
0.1479
0.1479
0.1479
KA
Obj
ectiv
e F
unct
ion
min.OF
Objective Function
Gambar. 4.9 Kurva KA terhadap Objective Function dengan Skema Bentuk II
4.2. Perbandingan Objective Function
Sebagaimana telah disebutkan pada bagian awal, bahwa sistem kendali
suhu ruangan memiliki error yang bersifat tetap pada keadaan tunaknya.
Perbaikan keadaan tunak sistem dilakukan dengan menambahkan komponen
pengendali sehingga dapat mereduksi besarnya nilai error. Jika meninjau nilai
objective function sebagai standar acuan keoptimalan maka pengendali dengan
nilai objective function yang paling kecil akan dianggap memiliki konfigurasi
paling optimal.
Perbedaan jenis pengendali yang digunakan dapat menunjukkan hasil
yang berbeda pula terhadap perbaikan keadaan tunaknya. Termasuk perbedaan
dari segi keoptimalan hubungan antara error dan effort-nya. Setiap aksi kendali
berbeda tergantung karakteristik masing-masing. Terdapat empat konfigurasi
50
pengendali yang digunakan, dan merupakan kombinasi umum yang telah dikenal
dalam sistem kendali proporsional (P), proporsional plus integral (PI),
proporsional plus derivatif (PD) dan proporsional plus integral plus derivatif
(PID). Penentuan keoptimalan pengendali dilakukan berdasarkan nilai objective
function masing-masing. Nilai objective function paling minimum menunjukkan
keoptimalan yang lebih baik di antara pengendali yang lain.
Tabel 4.3 Urutan Terkecil ke Terbesar Nilai Minimum Objective Functionpada Pengendali P, PI, PD dan PID serta Non-Pengendali
Pengendali OF RMSer RMSef
PD (I)0.105116772003844 0.0813976225709799 0.0665128769209423
PID (I)0.105116772003844 0.0813976225709799 0.0665128769209423
PI (I)0.113518653786477 0.0929981047562312 0.0650986733293619
P (I)0.113518653786477 0.0929981047562312 0.0650986733293619
PI (II) 0.147916340889751 0.147915767329115 0.000411919472734806
PID (II) 0.147916340889751 0.147915767329115 0.000411919472734806
PD (II) 0.147917538727970 0.147917538727970 0
Non-Pengendali
0.147917538727970 0.147917538727970 0
P (II) 0.147917538727973 0.147917538727973 0
51
Tabel 4.3 memperlihatkan urutan pengendali berdasarkan nilai objective
function dari yang terkecil ke yang terbesar. Pada tabel ini menggabungkan dua
jenis skema yang digunakan. Seluruh hasil akan dibandingkan nilai objective
function-nya. Pengendali PD memiliki objective function yang paling minimum
di antara jenis pengendali lainnya. Hal ini menunjukkan pengendali PD memiliki
keoptimalan yang lebih baik jika dibandingkan dengan pengendali lain
berdasarkan acuan minimisasi objective function rms error dan rms error.
Menambahkan pengendali ke dalam sistem, berarti menambahkan effort
terhadap sistem tersebut. Penambahan effort memberikan pengaruh terhadap
keluaran sistem. Meningkatkan effort dapat mengurangi error pada keluaran
keadaan tunak sistem. Besarnya kadar effort yang diberikan tergantung pada jenis
aksi kendali dan nilai koefisien parameternya. Dengan metode optimisasi ini,
kadar effort akan diatur sedemikian rupa sehingga dapat menghasilkan hubungan
antara effort, error, dan koefisien parameter yang optimal. Pengaruh masing-
masing pengendali dapat teramati dengan adanya penurunan error.
Modul Sistem kendali suhu memiliki keluaran yang berosilasi secara
periodik, sebagaimana dijelaskan pada bab 3 tentang karakteristik plant. Gambar
4.5 memperlihatkan keluaran pemodelan dari modul sistem kendali suhu yang
disimulasikan menggunakan program simulink matlab. Keluaran tersebut, ketika
sistem belum ditambahkan pengendali. Amplitudo osilasi masih sebesar +/- 50 C
terhadap set point.
52
Gambar 4.10 Keluaran Sistem Kendali Suhu tanpa pengendalian
Pengendali P, PI, PD dan PID memberikan pengaruh terhadap nilai
amplitudo osilasi dan jumlah frekeunsi siklus osilasi. Terdapat hubungan antara
kedua parameter tersebut. Apabila kecepatan alami sistem dalam menanggapi
masukan tidak berubah terhadap waktu (konstan), maka amplitudo dan frekuensi
keluaran, memiliki hubungan berbanding terbalik. Nilai amplitudo yang tereduksi
akan menaikkan frekuensi keluaran. Meningkatnya amplitudo berkaitan dengan
peningkatan nilai error pada keluaran sistem, sedangkan penurunan frekuensi
keluaran berkaitan dengan kenaikan pemberian nilai effort. Sehingga dengan
konsep keoptimalan, kompromi keduanya dapat dipertemukan. Dengan mencari
objective function minimum antara nilai error dan nilai effort, akan diperoleh
kondisi optimal yang mampu mengkompromikan antara error dan effort maupun
amplitudo dan frekeunsi keluaran.
53
Gambar 4.11, 4.12, 4.13 dan 4.14 memperlihatkan perbandingan antara
keluaran sistem sebelum penambahan pengendali dan setelah penambahan
pengendali P, PI, PD dan PID pada skema bentuk I dan gambar 4.15, 4.16, 4.17
dan 4.18 untuk skema bentuk II. Gambar-gambar tersebut memperlihatkan
adanya penurunan amplitudo dan kenaikan frekuensi.
50 100 150 200 250 300 350 400 45026
28
30
32
34
36
38
40
waktu (s)
tem
pera
ture
Tanpa Pengendali
Setelah Penambahan P
Set Point
Gambar 4.11 Keluaran Sistem untuk Pengendali P pada skema bentuk I
50 100 150 200 250 300 350 400 450 50026
28
30
32
34
36
38
40
waktu (s)
tem
pera
ture
Keluaran tanpa pengendali
Keluaran dengan pengendali PI
Set Point
Gambar 4.12 Keluaran Sistem untuk Pengendali PI pada skema bentuk I
54
50 100 150 200 250 300 350 400 450 50026
28
30
32
34
36
38
40
waktu (s)
tem
pera
ture
Keluaran tanpa pengendali
Keluaran dengan Pengendali PD
Set Point
Gambar. 4.13 Keluaran Sistem untuk Pengendali PD pada skema bentuk I
50 100 150 200 250 300 350 400 45026
28
30
32
34
36
38
40
waktu (s)
tem
pera
ture
Keluaran tanpa pengendali
Keluaran dengan pengendali PID
Set Point
Gambar 4.14 Keluaran Sistem untuk Pengendali PID pada skema bentuk I
55
50 100 150 200 250 300 350 400 450
28
30
32
34
36
38
40
waktu (s)
tem
pera
ture
Tanpa Pengendali
Setelah Penambahan P
Set Point
Gambar 4.15 Keluaran Sistem untuk Pengendali P pada skema bentuk II
50 100 150 200 250 300 350 400 45026
28
30
32
34
36
38
40
waktu (s)
tem
pera
ture
Keluaran tanpa pengendali
Keluaran dengan pengendali PI
Set Point
Gambar 4.16 Keluaran Sistem untuk Pengendali PI pada skema bentuk II
56
50 100 150 200 250 300 350 400 450 50026
28
30
32
34
36
38
40
waktu (s)
tem
pera
ture
Keluaran tanpa pengendali
Keluaran dengan Pengendali PD
Set Point
Gambar 4.17 Keluaran Sistem untuk Pengendali PD pada skema bentuk II
50 100 150 200 250 300 350 400 450
28
30
32
34
36
38
40
waktu (s)
tem
pera
ture
Keluaran tanpa pengendali
Keluaran dengan pengendali PID
Set Point
Gambar 4.18 Keluaran Sistem untuk Pengendali PID pada skema bentuk II
4.3. Pencarian Lanjutan Parameter Optimal dengan Metode Steepest Descent
Nilai objective function paling minimum di antara nilai objective function
lainnya yaitu pengendali PD dengan KP optimal 0,7 dan KD optimal 8,5. Nilai
57
kenaikan yang digunakan sebesar 0,1 untuk KP dan 0,5 untuk KD. Prosedur
pencarian KP dan KD dilakukan secara terpisah sehingga memungkinkan masih
terdapat parameter optimal yang belum terindeks. Olehnya itu, perlu dilakukan
pencarian tahap lanjutan untuk menemukan kemungkinan nilai KP dan KD
dengan nilai objective function lebih minimum dibandingkan hasil yang telah
didapatkan. Selain itu, pencarian tahap lanjutan ini akan memperkuat KP dan KD
yang diperoleh pada simulasi awal sebagai nilai optimal parameter tersebut atau
sebaliknya terdapat titik lain dengan nilai objective function yang lebih
minimum.
Pencarian tahap lanjutan ini menggunakan metode steepest descent.
Metode ini mengasumsikan KP dan KD adalah suatu titik pada sebuah bidang
dengan titik awal nilai KP dan KD optimal pada simulasi pertama pengendali PD.
Metode ini akan mencari kombinasi nilai KP dan KD diantara kemungkinan nilai
KP dan KD yang ada, dengan menyeleksi nilai objective function setiap titik
tersebut. Apabila ditemukan nilai objective function lebih minimum dibanding
nilai objective function awal, maka metode ini akan memilih nilai tersebut
menjadi nilai awal yang baru dan memulai pencarian yang baru disekitar titik
awal yang baru tersebut. Sedangkan apabila tidak ditemukan adanya nilai
objective function yang lebih kecil lagi, maka metode ini akan menetapkan nilai
objective function awal sebagai objective function paling minimum. Metode
steepest descent diimplementasikan melalui simulasi dan perhitungan
58
menggunakan Simulasi dan program MATLAB. Adapun hasil akhir yang
diperoleh menggunakan metode ini diperlihatkan pada tabel 4.3 berikut.
Tabel 4.3 Hasil Pencarian Lanjutan KP dan KD dengan Metode SteepestDescent
ParameterKe
KP KD Objective Function
1 0.7 8.5 0.105116772003844
2 0.7 8.4 0.105063441088656
3 0.7 8.39 0.105054789551610
4 0.7 8.391 0.105053438681529
5 0.6993 8.3913 0.105052171627170
6 0.6987 8.3911 0.105050388224733
Tabel 4.4 Perbandingan Sebelum dan Setelah Pencarian Lanjutan KP dan KDyang Lebih Optimal dengan Metode Steepest Descent
Parameter Sebelum Pencarian Setelah Pencarian
Koef. P 0.7 0.6987
Koef. D 8.5 8.3911
Objective Function 0.10512 0.10505
RMS Error 0.08140 0.08157
MS Effort 0.06651 0.06619
Pencarian tahap lanjutan membutuhkan 5 langkah hingga menemukan
nilai objective function yang lebih minimum. Jumlah 5 langkah tersebut bukan
proses yang bersifat tetap. Jumlah langkah tersebut akan dapat berubah pada
setiap kasus. Sebagaimana data yang ada pada tabel 4.4, terdapat 6 pasang KP
59
dan KD dengan nilai objective function masing-masing. Parameter optimal untuk
pengendali PD setelah pencarian tersebut ada pada parameter ke 6, dengan KP
bernilai 0,6987 dan KD bernilai 8,3911. Hubungan antara langkah-langkah
pencarian titik KP dan KD terhadap nilai objective function ditunjukkan melalui
kurva titik pada gambar 4.10, sedangkan titik temu antara KP dan KD
diperlihatkan pada gambar 4.11.
1 2 3 4 5 60.105
0.1051
0.1051
0.1051
0.1051
0.1051
0.1051
0.1051
0.1051
Titik Ke-N
Opj
ectiv
e F
unct
ion
Objective Function
Gambar 4.19 Kurva Langkah Pencarian terhadap Nilai Objective Function
60
0.6987 0.699 0.6993 0.6996 0.6999 0.7002
8.4
8.425
8.45
8.475
8.5
KP
KD
1
2
3456
Objective Function
Gambar. 4.20 Titik Temu KP dan KD untuk Pencarian Objective Function denganMetode Steepest Descent
Gambar 4.18 dan 4.19 memperlihatkan tahapan-tahapan pencarian
menggunakan metode steepest descent untuk menemukan parameter yang lebih
optimal, atau menemukan nilai objective function lain yang paling minimum.
Pada kasus model dari modul sistem kendali suhu, steepest descent berakhir
setelah melewati 5 tahapan, dan diperoleh 5 titik dari hasil tersebut sebagaimana
ditunjukkan pada tabel 4.3 hasil pencarian. Langkah 1 adalah titik hasil pencarian
pertama sebelum menggunakan metode ini, sedangkan 5 langkah setelahnya
merupakan hasil pencarian dengan metode steepest descent dan langkah 6 adalah
langkah terakhir dari pencarian tersebut. Hasil dari langkah terakhir
memperlihatkan parameter optimal yang paling mungkin untuk dicapai dengan
metode steepest descent. Hasil yang diperoleh pada langkah 6 menjadi hasil akhir
dari proses optimisasi parameter pengendali pada penelitian ini.
61
BAB V
PENUTUP
Optimisasi Pengendali PID dengan pendekatan rms error dan rms effort
merupakan upaya penelitian untuk membantu pengembangan disiplin ilmu teknik
elektro dan lebih khusus pada bidang teknik kendali. Dari penelitian ini diharapkan
bisa berkontribusi pada pemecahan masalah bidang sistem kendali optimal dan
bidang kajian perbaikan respon sistem. Ikhtisari penelitian ini terangkum dalam
kesimpulan, serta masukan dan usulan perbaikan tersaji dalam saran pada bab ini.
4.1. Kesimpulan
Setelah melakukan optimisasi melalui pendekatan objective function,
serta mengacu pada analisa hasil simulasi, maka dapat disimpulkan beberapa hal
sebagai berikut.
a) Dari 8 konfigurasi skema pengendali, terdapat 3 bentuk yang memiliki
parameter optimal (tidak sama dengan 0) yaitu parameter KP 0.7 untuk
pengendali P skema bentuk I, KP 0,7 dan KD 8,5 untuk pengendali PD
skema bentuk I, dan KI 3×10-5 untuk pengendali I skema bentuk II.
b) Pendekatan nilai minimum objective function antara nilai rms error dan nilai
rms effort dapat memperbaiki keluaran sistem kendali dengan pengurangan
nilai error steady-state, hal ini terlihat pada penurunan nilai rms error setelah
62
ditambahkan pengendali yaitu 0,092998 untuk Pengendali P skema bentuk I,
dan 0,081398 untuk pengendali PD skema bentuk I.
c) Konfigurasi paling baik menerapkan metode optimisasi dengan pendekatan
minimisasi rms error dan rms effort adalah pengendali PD skema bentuk I
dengan parameter setelah pencarian tahap lanjutan yaitu 0,6987 untuk nilai
KP, 8,3911 untuk nilai KD dan 0,10505 untuk nilai objective function.
4.2. Saran
Saran dan masukan untuk penelitian dan pengembangan selanjutnya,
sebagai berikut.
a) Penelitian perlu dikembangkan agar prosedur optimisasi ini dapat diterapkan
pada sistem yang sedanga beroperasi sehingga perbaikan parameter dapat
dilakukan secara real-time.
b) Pendekatan minimisasi rms error dan rms effort dapat diterapkan untuk
model pengendali selain PID, sebagai perbandingan untuk menilai hasil yang
lebih baik.
63
DAFTAR PUSTAKA
Anonim.___ _.“The Study of Root Mean Square (RMS)”, The Royal Academy ofEngineering.
Dorf,.R.C., Bishop.,R.H. 2010. Modern Control Systems 12th ed. Upper SaddleRiver: Prentice Hall
Fikri. A, “Penerapan Data Mining untuk Mengetahui Tingkat Kekuatan Beton yangDihasilkan dengan Metode Estimasi Menggunakan Linear Regression”,Program Studi Informatika, Fakultas Ilmu Komputer, Universitas DianNuswantoro.
O’Dawyer. A., Kealy. T., “Analytical ISE Calculation And Optimum Control SystemDesign”. Conference Paperrs, School of Elctrical and Electronic Engineering,Dublin Institute of Technology, 2003.
Ogata, K. 1997. Teknik Kontrol Automatik. Jarkarta: Erlangga.
Ogata, K. 2010. Modern Control Engineering. New Jersey: Pearson Education.
Philips C.L, Harbor R.D. 1998. Sistem Kontrol: Dasar-dasar. Jakarta: Prenhallindo.
64
LAMPIRAN A
Konstruksi Modul Sistem Kendali Suhu
Keterangan :(1) Pengukur Suhu ( LM35 )(2) Thermometer(3) Akrilik Mika Tebal 3mm(4) Pembuang Panas ( Fan ) 12Vdc untuk aliran udara masuk(5) Pemanas (Heater) 220Vac/850WattSaklar untuk aktifkan konektor(6) Pengukur suhu(7) Konektor Pengukur Suhu(8) Saklar untuk aktifkan aktuator Pemanas(9) Konektor Pemanas(10) Saklar untuk aktifkan aktuator Pembuang Panas(11) Konektor Pembuang Panas(12) Saklar on-off(13) Boks tripleks tebal 9mm(14) Pembuang Panas (Fan) 12Vdc untuk aliran udara keluar
Sumber : Wibowo. NR, “Pengendali Digital Universal Berbasis FPGA”, DepartemenElektro, Fakultas Teknik, Universitas Hasanuddin, 2014.
LAMPIRAN B-1 :
Sintaks Program Matlab untuk Menjalankan Simulasi plant Non-Pengendali
%start line
clear
clc
close all
T = 2700;
SP = 35;
IC = 26;
upper = 0.25; %5 volt ke atas dari SP
lower = -0.25; %5 volt ke bawah dari SP
wn = 0.104464099; % 30-40 C
wt = -0.078531976; % 30 - 40 C
w1 = 1;
w2 = 1;
sim('model_00_0',[0 T]);
figure(1), plot(waktu,yout,'-b',waktu,masukan,'-r'),grid on
xlabel ('waktu (s)'), ylabel ('temperature')
legend('Keluaran tanpa optimasi','Set Point','Location', 'SouthOutside')
datacursormode on
saveas(1,'fig_tanpa kendali.fig')
figure(2), plot(waktu,error,'-r',waktu,effort,'-b',waktu,rms_error,'-
y',waktu,rms_effort,'-g',...
waktu,ip,'-k'), grid on
title('Error, Effort, RMSer&ef, Indeks Performa untuk Parameter Optimal')
xlabel ('waktu (s)'), ylabel ('Error, Effort, RMSer&ef, IP')
legend('Error', 'Effort','RMSerror','RMSefffort','Indeks Performa','Location',
'Best')
datacursormode on
saveas(2,'fig_reror_effort_ip_tanpa_kendali.fig')
save('data_tanpa_kendali')
%last line
LAMPIRAN B-2 :
Sintaks Matlab Porgram untuk Menjalankan Simulasi plant Pengendali P
%start line
clear p_I p_IC p_KP p_M p_N p_SP p_ip_end p_rms_effort_end p_rms_error_end...
p_final_data p_h p_masukan p_optimal_masukan p_optimal_yout...
p_effort p_error p_ip p_rms_effort p_rms_error p_rms_yout p_yout...
p_result_ip p_sortresult_ip p_tout p_var_K p_w2 p_w3 p_waktu;
clc
close all
p_var_K = 0 : 0.001 : 1.5;
p_h = 0;
T = 2700;
p_SP = 35;
p_IC = 26;
upper = 0.25; %5 volt ke atas dari SP
lower = -0.25; %5 volt ke bawah dari SP
p_wn = 0.104464099; % 30-40 C
p_wt = -0.078531976; % 30 - 40 C
p_w1 = 1;
p_w2 = 1;
p_M = length(p_var_K);
for p_I = 1:p_M;
p_KP = p_var_K(p_I);
sim('model_01_p',[0 T]);
p_N = length(p_ip);
p_rms_error_end(p_I) = p_rms_error(p_N);
p_rms_effort_end(p_I) = p_rms_effort(p_N);
p_ip_end(p_I) = p_ip(p_N);
p_h = p_h+1;
p_result_ip(p_h,:) = [p_var_K(p_I) p_ip_end(p_I) p_rms_error_end(p_I)
p_rms_effort_end(p_I)];
display (['data ke ',num2str(p_I),', Nilai KP = ', num2str(p_KP)])
end
clc
p_sortresult_ip = sortrows(p_result_ip,2)
figure(1), plot(p_var_K,p_ip_end,'g-')
grid on, xlabel ('KP'), ylabel ('Indeks Performa')
text(p_sortresult_ip(1,1),p_sortresult_ip(1,2),...
'{\leftarrow}{\color{red}}{\bfmin.IP}','HorizontalAlignment','left',...
'FontSize',11)
legend('Indeks Performa','Location', 'Best')
datacursormode on
saveas(1,'fig_p_01_sp35_optimal_ip.fig')
figure(2),
plot(p_var_K,p_ip_end,'g.',p_var_K,p_rms_error_end,'--.r',p_var_K,p_rms_
effort_end,'--.b')
grid on, xlabel ('KP'), ylabel ('RMSer & RMSef')
legend('Indeks Performa','RMS Error','RMS Effor','Location', 'SouthOutside')
saveas(2,'fig_p_02_sp35_ip_rmserror_rmseffort.fig')
p_KP = 0;
sim('model_01_p',[0 T]);
p_yout_0 = p_yout;
p_waktu_0 = p_waktu;
p_KP = p_sortresult_ip(1,1);
sim('model_01_p',[0 T]);
p_optimal_waktu = p_waktu;
p_optimal_yout = p_yout;
figure(3), plot(p_waktu_0,p_yout_0,'-b',p_optimal_waktu,p_optimal_yout,'-
g',p_waktu,p_masukan,'-r'),grid on
xlabel ('waktu (s)'), ylabel ('temperature')
legend('Tanpa Pengendali','Setelah Penambahan P','Set Point','Location',
'SouthOutside')
datacursormode on
saveas(3,'fig_p_03_sp35_suhu_aktual.fig')
figure(4), plot(p_waktu,p_error,'-r',p_waktu,p_effort,'-b',p_waktu,p_rms_error,'-
y',p_waktu,p_rms_effort,'-g',...
p_waktu,p_ip,'-k'), grid on
title('Error, Effort, RMSer&ef, Indeks Performa untuk Parameter Optimal')
xlabel ('waktu (s)'), ylabel ('Error, Effort, RMSer&ef, IP')
legend('Error', 'Effort','RMSerror','RMSefffort','Indeks Performa','Location',
'Best')
datacursormode on
saveas(4,'fig_p_04_sp35_ip_rmserror_rmseffort_run.fig')
display(p_sortresult_ip(1,:));
p_final_data(:,1) = [p_IC; p_SP; T; transpose(p_sortresult_ip(1,1:4))];
display(p_final_data);
save('p_data_optimalisasi_sp35_11102017_tahap_2','p_*')
%last line
LAMPIRAN B-3 :
Sintaks Program Matlab untuk Menjalankan Simulasi plant Pengendali PI
%start line PI
clc,
clear pi_*;
close all
%figure(10),clf(10,'reset')
pi_p_opt = p_sortresult_ip(1,1);
pi_KP = pi_p_opt;
pi_var_I = 0 : 0.001 : 0.1;
pi_h = 0;
T = 2700;
pi_SP = 35;
pi_IC = 26;
pi_upper = 0.25; %5 volt ke atas dari SP
pi_lower = -0.25; %5 volt ke bawah dari SP
pi_wn = 0.104464099;
pi_wt = -0.078531976;
pi_w1 = 1;
pi_w2 = 1;
pi_M = length(pi_var_I);
for pi_I = 1:pi_M;
pi_KI = pi_var_I(pi_I);
sim('model_02_pi',[0 T]);
if ((max(pi_effort) <= 5.0) & (min(pi_effort) >= -5.0))
pi_h = pi_h+1;
pi_N = length(pi_ip);
pi_rms_error_end(pi_h) = pi_rms_error(pi_N);
pi_rms_effort_end(pi_h) = pi_rms_effort(pi_N);
pi_ip_end(pi_h) = pi_ip(pi_N);
pi_result_ip(pi_h,:) = [pi_p_opt pi_var_I(pi_I) pi_ip_end(pi_h)
pi_rms_error_end(pi_h) pi_rms_effort_end(pi_h)];
end
display (['data ke ',num2str(pi_I),', Nilai KP = ', num2str(pi_p_opt),',
Nilai KI = ', num2str(pi_KI)])
end
clc
pi_sortresult_ip = sortrows(pi_result_ip,3);
display(pi_sortresult_ip)
figure(1), plot(pi_result_ip(:,2),pi_result_ip(:,3),'g.')
grid on, xlabel ('KI'), ylabel('Indeks Performa')
text(pi_sortresult_ip(1,2),pi_sortresult_ip(1,3),...
'{\leftarrow}{\color{red}}{\bfmin.IP}','HorizontalAlignment','left',...
'FontSize',11)
legend('Indeks Performa','Location', 'SouthOutside')
datacursormode on
saveas(1,'fig_pi_01_sp35_optimal_ip.fig')
figure(2),
plot(pi_result_ip(:,2),pi_result_ip(:,3),'g.',pi_result_ip(:,2),pi_resul
t_ip(:,4),'--.r',pi_result_ip(:,2),pi_result_ip(:,5),'--.b')
grid on, xlabel ('KI'), ylabel ('RMSer & RMSef')
legend('Indeks Performa','RMS Error','RMS Effor','Location', 'Best')
saveas(2,'fig_pi_02_sp35_ip_rmserror_rmseffort.fig')
pi_KP = pi_sortresult_ip(1,1);
pi_KI = 0;0;
sim('model_02_pi',[0 T]);
pi_yout_0 = pi_yout;
pi_waktu_0 = pi_waktu;
pi_KP = pi_sortresult_ip(1,1);
pi_KI = pi_sortresult_ip(1,2);
sim('model_02_pi',[0 T]);
pi_optimal_waktu = pi_waktu;
pi_optimal_yout = pi_yout;
figure(3), plot(pi_waktu_0,pi_yout_0,'-b',pi_optimal_waktu,pi_optimal_yout,'-
g',pi_waktu,pi_masukan,'-r'),grid on
xlabel ('waktu (s)'), ylabel ('temperature')
legend('Sebelum Penambahan I','Setelah Penambahan I','Set Point','Location',
'SouthOutside')
datacursormode on
saveas(3,'fig_pi_03_sp35_suhu_aktual.fig')
figure(4), plot(pi_waktu,pi_error,'-r',pi_waktu,pi_effort,'-
b',pi_waktu,pi_rms_error,'-y',pi_waktu,pi_rms_effort,'-g',...
pi_waktu,pi_ip,'-k'), grid on
title('Error, Effort, RMSer&ef, Indeks Performa untuk Parameter Optimal')
xlabel ('waktu (s)'), ylabel ('Error, Effort, RMSer&ef, IP')
legend('Error', 'Effort','RMSerror','RMSefffort','Indeks Performa','Location',
'Best')
datacursormode on
saveas(4,'fig_pi_04_sp35_ip_rmserror_rmseffort_run.fig')
display(pi_sortresult_ip(1,:));
pi_final_data(:,1) = [pi_IC; pi_SP; T; transpose(pi_sortresult_ip(1,1:5))];
display(num2str(pi_final_data));
save('pi_data_optimalisasi_sp35_11102017_tahap2','pi_*')
%last line
LAMPIRAN B-4 :
Sintaks Program Matlab untuk Menjalankan Simulasi plant Pengendali PD
%start line PD
clc,
clear pd_*;
close all
pd_p_opt = p_sortresult_ip(1,1);
pd_KP = pd_p_opt;
pd_var_I =0 : 0.001 : 14;
pd_h = 0;
T = 2700;
pd_SP = 35;
pd_IC = 26;
pd_upper = 0.25; %5 volt ke atas dari SP
pd_lower = -0.25; %5 volt ke bawah dari SP
pd_wn = 0.104464099;
pd_wt = -0.078531976;
pd_w1 = 1;
pd_w2 = 1;
pd_M = length(pd_var_I);
for pd_I = 1:pd_M;
pd_KD = pd_var_I(pd_I);
sim('model_03_pd',[0 T]);
if ((max(pd_effort) <= 5.0) & (min(pd_effort) >= -5.0))
pd_h = pd_h+1;
pd_N = length(pd_ip);
pd_rms_error_end(pd_h) = pd_rms_error(pd_N);
pd_rms_effort_end(pd_h) = pd_rms_effort(pd_N);
pd_ip_end(pd_h) = pd_ip(pd_N);
pd_result_ip(pd_h,:) = [pd_p_opt pd_var_I(pd_I) pd_ip_end(pd_h)
pd_rms_error_end(pd_h) pd_rms_effort_end(pd_h)];
end
display (['data ke ',num2str(pd_I),', Nilai KP = ', num2str(pd_p_opt),',
Nilai KD = ', num2str(pd_KD)])
end
clc
pd_sortresult_ip = sortrows(pd_result_ip,3);
display(pd_sortresult_ip)
figure(1), plot(pd_result_ip(:,2),pd_result_ip(:,3),'g-')
grid on, xlabel ('KD'), ylabel('Indeks Performa')
text(pd_sortresult_ip(1,2),pd_sortresult_ip(1,3),...
'{\leftarrow}{\color{red}}{\bfmin.IP}','HorizontalAlignment','left',...
'FontSize',11)
legend('Indeks Performa','Location', 'Best')
datacursormode on
saveas(1,'fig_pd_01_sp35_optimal_ip.fig')
figure(2),
plot(pd_result_ip(:,2),pd_result_ip(:,3),'g.',pd_result_ip(:,2),pd_resul
t_ip(:,4),'--.r',pd_result_ip(:,2),pd_result_ip(:,5),'--.b')
grid on, xlabel ('KD'), ylabel ('RMSer & RMSef')
legend('Indeks Performa','RMS Error','RMS Effor','Location', 'Best')
saveas(2,'fig_pd_02_sp35_ip_rmserror_rmseffort.fig')
%print result
pd_KP = pd_sortresult_ip(1,1);
pd_KD = 0
sim('model_03_pd',[0 T]);
pd_yout_0 = pd_yout;
pd_waktu_0 = pd_waktu;
pd_KP = pd_sortresult_ip(1,1);
pd_KD = pd_sortresult_ip(1,2);
sim('model_03_pd',[0 T]);
pd_optimal_waktu = pd_waktu;
pd_optimal_yout = pd_yout;
figure(3), plot(pd_waktu_0,pd_yout_0,'-b',pd_optimal_waktu,pd_optimal_yout,'-
g',pd_waktu,pd_masukan,'-r'),grid on
xlabel ('waktu (s)'), ylabel ('temperature')
legend('Sebelum Penambahan P','Setelah penambahan D','Set Point','Location',
'SouthOutside')
datacursormode on
saveas(3,'fig_pd_03_sp35_suhu_aktual.fig')
figure(4), plot(pd_waktu,pd_error,'-r',pd_waktu,pd_effort,'-
b',pd_waktu,pd_rms_error,'-y',pd_waktu,pd_rms_effort,'-g',...
pd_waktu,pd_ip,'-k'), grid on
title('Error, Effort, RMSer&ef, Indeks Performa untuk Parameter Optimal')
xlabel ('waktu (s)'), ylabel ('Error, Effort, RMSer&ef, IP')
legend('Error', 'Effort','RMSerror','RMSefffort','Indeks Performa','Location',
'Best')
datacursormode on
saveas(4,'fig_pd_04_sp35_ip_rmserror_rmseffort_run.fig')
display(pd_sortresult_ip(1,:));
pd_final_data(:,1) = [pd_IC; pd_SP; T; transpose(pd_sortresult_ip(1,1:5))];
display(num2str(pd_final_data));
save('pd_data_optimalisasi_sp35_11102017_tahap2','pd_*')
%last line
LAMPIRAN B-5 :
Sintaks Program Matlab untuk Menjalankan Simulasi plant Pengendali PID
%%start line PI
clc,
clear pid_*;
close all
pid_p_opt = p_sortresult_ip(1,1);
pid_i_opt = pi_sortresult_ip(1,2);
pid_d_opt = pd_sortresult_ip(1,2);
pid_KP = pid_p_opt;
pid_KI = pid_i_opt;
pid_KD = pid_d_opt;
pid_var_A = 0.5 : 1e-6 : 1;
pid_h = 0;
T = 2700;
pid_SP = 35;
pid_IC = 26.0;
pid_upper = 0.25; %5 volt ke atas dari SP
pid_lower = -0.25; %5 volt ke bawah dari SP
pid_wn = 0.104464099;
pid_wt = -0.078531976;
pid_w1 = 1;
pid_w2 = 1;
pid_M = length(pid_var_A);
for pid_I = 1:pid_M;
pid_KA = pid_var_A(pid_I);
sim('model_04_pid',[0 T]);
pid_N = length(pid_ip);
pid_rms_error_end(pid_I) = pid_rms_error(pid_N);
pid_rms_effort_end(pid_I) = pid_rms_effort(pid_N);
pid_ip_end(pid_I) = pid_ip(pid_N);
pid_h = pid_h+1;
pid_result_ip(pid_h,:) = [pid_p_opt pid_i_opt pid_d_opt pid_var_A(pid_I)
pid_ip_end(pid_I),...
pid_rms_error_end(pid_I) pid_rms_effort_end(pid_I)];
display (['data ke ',num2str(pid_I),', Nilai KA = ', num2str(pid_KA)])
end
clc
pid_sortresult_ip = sortrows(pid_result_ip,5)
figure(1), plot(pid_var_A,pid_ip_end,'g-')
grid on, xlabel ('KA'), ylabel ('Indeks Performa')
text(pid_sortresult_ip(1,4),pid_sortresult_ip(1,5),...
'{\leftarrow}{\color{red}}{\bfmin.IP}','HorizontalAlignment','left',...
'FontSize',11)
legend('Indeks Performa','Location', 'Best')
datacursormode on
saveas(1,'fig_pid_01_sp35_optimal_ip.fig')
figure(2),
plot(pid_var_A,pid_ip_end,'g.',pid_var_A,pid_rms_error_end,'--.r',pid_va
r_A,pid_rms_effort_end,'--.b')
grid on, xlabel ('KI'), ylabel ('RMSer & RMSef')
legend('Indeks Performa','RMS Error','RMS Effor','Location', 'SouthOutside')
saveas(2,'fig_pid_02_sp35_ip_rmserror_rmseffort.fig')
pid_KP = 0;
pid_KI = 0;
pid_KD = 0;
pid_KA = 0;
sim('model_04_pid',[0 T]);
pid_yout_0 = pid_yout;
pid_waktu_0 = pid_waktu;
pid_KP = pid_sortresult_ip(1,1);
pid_KI = pid_sortresult_ip(1,2);
pid_KD = pid_sortresult_ip(1,3);
pid_KA = 1;%pid_sortresult_ip(1,4);
sim('model_04_pid',[0 T]);
pid_tout = tout;
pid_optimal_yout = pid_yout;
pid_optimal_masukan = pid_masukan;
pid_optimal_waktu = pid_waktu;
figure(3), plot(pid_waktu_0,pid_yout_0,'-b',pid_optimal_waktu,pid_optimal_yout,'-
g',pid_waktu,pid_masukan,'-r'),grid on
xlabel ('waktu (s)'), ylabel ('temperature')
legend('keluaran tanpa optimasi','Keluaran dioptimasi','Set Point','Location',
'SouthOutside')
datacursormode on
saveas(3,'fig_pid_03_sp35_suhu_aktual.fig')
figure(4), plot(pid_waktu,pid_error,'-r',pid_waktu,pid_effort,'-
b',pid_waktu,pid_rms_error,'-y',pid_waktu,pid_rms_effort,'-g',...
pid_waktu,pid_ip,'-k'), grid on
title('Error, Effort, RMSer&ef, Indeks Performa untuk Parameter Optimal')
xlabel ('waktu (s)'), ylabel ('Error, Effort, RMSer&ef, IP')
legend('Error', 'Effort','RMSerror','RMSefffort','Indeks Performa','Location',
'SouthOutside')
datacursormode on
saveas(4,'fig_pid_04_sp35_ip_rmserror_rmseffort_run.fig')
display(pid_sortresult_ip(1,:));
pid_final_data(:,1) = [pid_IC; pid_SP; T; transpose(pid_sortresult_ip(1,1:7))];
display(pid_final_data);
save('pid_data_optimalisasi_sp35_11102017_tahap2','pid_*')
%last line
LAMPIRAN B-6 :
Sintaks Program Matlab untuk Menjalankan Simulasi Plant pada Tahap Lanjutan
%start line PD
clc,
clear pdn_*;
clear kot_*;
clear count;
clear record_all_pdn sort_record_all_pdn mat_i mat_j
clear all
load('p_data_optimalisasi_p.mat')
load('pd_data_optimalisasi_pd.mat')
true_false = 0;
mat_i = 0;
mat_j = 0;
close all
pdn_M = 1000;
pdn_p_opt = pd_sortresult_ip(1,1);
pdn_p0 = pdn_p_opt;
pdn_d_opt = pd_sortresult_ip(1,2);
pdn_d0 = pdn_d_opt;
count = 0;
T = 3600;
pdn_SP = 35;
pdn_IC = 26;
pdn_upper = 0.25; %5 volt ke atas dari SP
pdn_lower = -0.25; %5 volt ke bawah dari SP
pdn_wn = 0.104464099;
pdn_wt = -0.078531976;
pdn_w1 = 1;
pdn_w2 = 1;
%Menginisialisasi titik awal
pdn_KP = pdn_p0;
pdn_KD = pdn_d0;
pdn_KP_awal = pdn_p0;
pdn_KD_awal = pdn_d0;
clear kot_*
sim('model_05_pdn',[0 T]);
pdn_ip0_awal = pdn_ip(length(pdn_ip));
pdn_rms_error_awal = pdn_rms_error(length(pdn_ip));
pdn_rms_effort_awal = pdn_rms_effort(length(pdn_ip));
pdn_ip0 = pdn_ip(length(pdn_ip));
pdn_rms_error0 = pdn_rms_error(length(pdn_ip));
pdn_rms_effort0 = pdn_rms_effort(length(pdn_ip));
%initial value
record_all_pdn(1,:) = [pdn_p0 pdn_d0 pdn_ip(length(pdn_ip))...
pdn_rms_error(length(pdn_ip)) pdn_rms_effort(length(pdn_ip))];
matriks_kp(1,1) = pdn_p0;
matriks_kd(1,1) = pdn_d0;
matriks_ip(1,1) = pdn_ip(length(pdn_ip));
resultan_titik(1,:) = [1 pdn_p0 pdn_d0 sqrt(pdn_p0^2 + pdn_d0^2) pdn_ip0];
n_resultan = 0;
R_value = 1;
accurasi = 0.1;
while true_false ~= 1
%set lingkaran
kot_x0 = pdn_p0;
kot_y0 = pdn_d0;
kot_step = 0 : accurasi : 2*(R_value)-accurasi;
clear pdn_I pdn_h pdn_N
pdn_h = 0;
mat_j = mat_j +1;
%initial value
pdn_result_ip(1,:) = [pdn_p0 pdn_d0 pdn_ip(length(pdn_ip))...
pdn_rms_error(length(pdn_ip)) pdn_rms_effort(length(pdn_ip))];
%Generate Coordinate
kot_ind_N = 0;
for kot_M = 1 : length(kot_step)
kot_xf(kot_M) = (kot_x0-R_value)+kot_step(kot_M);
for kot_N = 1 : length(kot_step)
kot_ind_N = kot_ind_N + 1;
kot_yf(kot_N) = (kot_y0-R_value)+kot_step(kot_N);
kot_titik(kot_ind_N,:) = [kot_xf(kot_M) kot_yf(kot_N)];
end
end
plot(kot_titik(:,1),kot_titik(:,2),'.'), grid on, hold all
%simulink
for pdn_I = 1 : length(kot_titik(:,1));
pdn_KP = kot_titik(pdn_I,1);
pdn_KD = kot_titik(pdn_I,2);
if (pdn_KP > 0 && pdn_KD > 0 )
sim('model_05_pdn',[0 T]);
if ((max(pdn_effort) <= 5.0) && (min(pdn_effort) >= -5.0))
count = count + 1;
pdn_h = pdn_h+1;
pdn_N = length(pdn_ip);
pdn_rms_error_end(pdn_h) = pdn_rms_error(pdn_N);
pdn_rms_effort_end(pdn_h) = pdn_rms_effort(pdn_N);
pdn_ip_end(pdn_h) = pdn_ip(pdn_N);
pdn_result_ip(pdn_h+1,:) = [pdn_KP pdn_KD pdn_ip_end(pdn_h)
pdn_rms_error_end(pdn_h) pdn_rms_effort_end(pdn_h)];
record_all_pdn(count+1,:) = [pdn_KP pdn_KD pdn_ip_end(pdn_h)
pdn_rms_error_end(pdn_h) pdn_rms_effort_end(pdn_h)];
mat_i = mat_i + 1;
matriks_kp(mat_i+1,mat_j+1) = pdn_KP;
matriks_kd(mat_i+1,mat_j+1) = pdn_KD;
matriks_ip(mat_i+1,mat_j+1) = pdn_ip_end(pdn_h);
end
display(['Iterasi ke = ', num2str(count)])
display (['data ke ',num2str(pdn_I),', Nilai KP = ',
num2str(pdn_KP),...
', Nilai KD = ', num2str(pdn_KD), ' Nilai IP = ',...
num2str(pdn_ip_end(pdn_h)),' Nilai R ke = ', num2str(R_value),...
' Step = ', num2str(accurasi) ])
end
end
pdn_sortresult_ip = sortrows(pdn_result_ip,3);
pdn_ip_k = pdn_sortresult_ip(1,3);
%upadate Kondisi
if (pdn_ip_k < pdn_ip0)
n_resultan = n_resultan + 1;
pdn_ip0 = pdn_ip_k;
pdn_p0 = pdn_sortresult_ip(1,1);
pdn_d0 = pdn_sortresult_ip(1,2);
pdn_rms_error0 = pdn_sortresult_ip(1,4);
pdn_rms_effort0 = pdn_sortresult_ip(1,5);
resultan_titik(n_resultan+1,:) = [n_resultan+1 pdn_p0 pdn_d0 sqrt(pdn_p0^2
+ pdn_d0^2) pdn_ip0];
true_false = 0;
R_value = 1;
accurasi = 0.1;
clear kot_*
clear pdn_sortresult_ip pdn_result_ip
else
if(accurasi > 0.02)
R_value = 0.1;
accurasi = 0.01;
true_false = 0;
else
if(accurasi > 0.002)
R_value = 0.01;
accurasi = 0.001;
true_false = 0;
else
if(accurasi > 0.0002)
R_value = 0.001;
accurasi = 0.0001;
true_false = 0;
else
if(accurasi > 0.00002)
R_value = 0.0001;
accurasi = 0.00001;
true_false = 0;
else
true_false = 1;
end
end
end
end
end
end
sort_record_all_pdn = sortrows(record_all_pdn,3);
display (['Awal Pencarian, Nilai KP Minimum = ',num2str(pdn_KP_awal),' Nilai KD
Minimum = ',...
num2str(pdn_KD_awal), ' Nilai IP Minimum = ',num2str(pdn_ip0_awal)])
display (['Setelah Pencarian, Nilai KP Minimum = ',num2str(pdn_p0),' Nilai KD
Minimum = ',...
num2str(pdn_d0), ' Nilai IP Minimum = ',num2str(pdn_ip0)])
final_data_all_pdn(:,:) = [pdn_KP_awal pdn_p0;pdn_KD_awal pdn_d0;...
pdn_ip0_awal pdn_ip0;pdn_rms_error_awal pdn_rms_error0;...
pdn_rms_effort_awal pdn_rms_effort0];
%PLOT HASIL
figure(2),plot3(record_all_pdn(:,1),record_all_pdn(:,2),record_all_pdn(:,3),'-g'),
grid on
grid on, xlabel ('KP'), ylabel('KD'), zlabel('Indeks Performa')
text(sort_record_all_pdn(1,1),sort_record_all_pdn(1,2),sort_record_all_p
dn(1,3),...
'{\leftarrow}{\bfmin.IP}','HorizontalAlignment','left',...
'FontSize',11)
legend('Indeks Performa','Location', 'Best')
datacursormode on
saveas(2,'fig_pdn_ip_titik_minimum_pertama_kotak.fig')
%figure(3),meshc(matriks_kp,matriks_kd,matriks_ip)
%saveas(3,'fig_pdn_ip_meshc_minimum_pertama_kotak.fig')
%saveas(3,'fig_pdn_ip_meshc_minimum_pertama_kotak.png')
%figure(4),surf(matriks_kp,matriks_kd,matriks_ip)
%saveas(4,'fig_pdn_ip_surf_minimum_pertama_kotak.fig')
%saveas(4,'fig_pdn_ip_surf_minimum_pertama_kotak.png')
figure(6), plot(resultan_titik(:,1),resultan_titik(:,5),'--ro','LineWidth',2,...
'MarkerFaceColor','g','MarkerEdgeColor','k','MarkerSize',10), grid on
set(gca,'XTick',0:1:10)
legend('Objective Function'), xlabel ('Titik Ke-N'), ylabel('Opjective Function'),
figure(7), plot(resultan_titik(:,3),resultan_titik(:,2),'-ro','LineWidth',1,...
'MarkerFaceColor','g','MarkerEdgeColor','k','MarkerSize',7),set(gca,'XTi
ck',6:0.01:8.6),...
grid on,...
text(resultan_titik(1,3),resultan_titik(1,2),...
'{\leftarrow}{\bf1}','HorizontalAlignment','left',...
'FontSize',11),text(resultan_titik(2,3),resultan_titik(2,2),...
'{\leftarrow}{\bf2}','HorizontalAlignment','left',...
'FontSize',11)
save('pencarian_dari_minimum_pertama_kotak')
%last line
Abstrak
Perancangan sistem kendali umumnya menggunakankeadaan transien sebagai dasar mengatur parameter-parameter pengendali. Hal ini kurang efektif apabilasistem mengalami perubahan karakteristik pada saatberoperasi, karena untuk melakukan tuning terhadapparameter pengendali, operator harus mengamati ulangkeadaan transiennya. Selain itu, dalam pengaturanparameter pengendali perlu dipertimbangkan nilai erroryang dikecilkan dan nilai effort yang diberikan padaplant. Hal ini bertujuan mengkompromikan antarakeawetan komponen dan kualitas keluaran sistem.Olehnya itu, diperlukan pengaturan optimal terhadapparamater pengendali yang digunakan, denganmengembangkan metode optimisasi parameterpengendali melalui pendekatan minimisasi nilai rootmean square error (rms error) dan nilai root meansquare effort (rms effort). Metode ini mengacu padatanggapan keadaan tunak keluaran sistem ketikaberoperasi. Berdasarkan hasil simulasi menggunakanprogram matlab, pengendali PD skema negativefeedback bentuk I merupakan konfigurasi pengendaliyang paling baik dalam menerapkan metode inidibandingkan konfigurasi pengendali P, I dan D lainnya.Hasil yang diperoleh yaitu 0,10505 untuk nilai objectivefunction, 0,08157 untuk nilai rms error, dan 0,06619untuk nilai rms effort, sedangkan untuk paramaterpengendali yaitu 0,6987 untuk parameter KP dan 8,3911untuk parameter KD.
Kata Kunci : Sistem Kendali Suhu, Root Mean Square,Error, Effort, Objective Function, P, PI, PD, PID.
1. PENDAHULUAN
Suatu proses berlangsung secara kontinu dengan carayang relatif tetap menuju pada hasil akhir atau keadaantertentu[1]. Hasil akhir yang dinginkan pada prosesdiistilahkan sebagai nilai referensi (input), sedangkanhasil akhir proses disebut dengan nilai aktual (output).Pada beberapa sistem yang ada, kedua nilai tersebutmengalami deviasai (perbedaan) sehingga output yangdiinginkan tidak tercapai, adapun deviasi antara keduanyadisebut sebagai error[2].
Ketika mendapatkan masukan, sistem tidak dapatmengikuti masukan tersebut secara serentak. Hal inidikarenakan sistem memiliki komponen yang menyimpanenergi. Akibatnya, sistem akan mengalami keadaantransien sebelum akhirnya mencapai keadaan tunak(steady-state). Keadaan transien belangsung dengan cepatkemudian beralih ke keadaan tunak. Beberapa sistemketika berada pada keadaan tunak, hasil keluarannya tidak
tepat mengikuti nilai referens sehingga tetap terdapaterror pada keadaan tunaknya atau error steady-state.Keberadaan error dapat disebabkan oleh beberapa haldiantaranya karakteristik komponen proses (sistem),adanya gangguan (distrubances) dan perubahan terhadapmasukan[1].
Nilai error dapat dikurangi dengan menambahkaneffort. Adapun effort berasal dari keluaran pengendaliyang ditambahkan sedemikian rupa sehingga dapatmemperbaiki respon keluaran proses. Penambahanpengendali pada suatu sistem dapat mengkompensasibeberapa penyebab error diantaranya yang berasal darikarakteristik komponen, gangguan dan perubahan nilaimasukan. Dengan demikian nilai akhir keluaran dapatdipertahankan sesuai nilai referens atau nilai keluarandapat dijaga pada kisaran error yang bisa ditoleransi.
Perancangan sistem kendali umumnya menggunakankeadaan transisen sebagai dasar pengaturan parameter-parameter pengendali. Misalnya, pengendali PID denganmetode zieger-nichols menggunakan respon transiensistem untuk menentukan parameter P, I dan D padapengendali secara eksperimental[1]. Namun hal ini hanyadapat dilkukan pada awal perancangan saja, atau denganmematikan sistem terlebih dahulu untuk mengamatirespon transien ketika dibutuhkan penyesuaian perameterpengendali terhadap perubahan-perubahan pada sistem.Sebagaimana diketahui seiring berjalannya waktu setapengaruh lingkungan, beberapa komponen sistem fisikakan mengalami perubahan ataupun penurunankinerja[2]. Olehnya itu, pengamatan terhadap keadaantransien untuk pengaturan parameter kendali belumcukup efektif sehingga diperlukan metode yangpengaturan parameter mengacu kepada respon keadaantunak.
Selain itu, dalam pengaturan parameter pengendaliperlu mempertimbangkan nilai error yang dikecilkan danbesarnya nilai effort yang ditambahkan. Perlu untukmenemukan komposisi yang tepat terhadap dua variabeltersebut. Terutama untuk sistem yang nilai error-nyadisebabkan oleh karakteristik komponennya.Menambahkan effort pada sistem akan memaksakomponen-komponen sistem bekerja lebih keras sehinggahal ini dapat mengurangi umur hidup komponen dandapat menyebabkan kerusakan. Oleh karena itu,memperoleh perbandingan yang tepat dari kedua variabeltersebut akan mengantarkan sistem pada keadaan yanglebih optimal.
Mengacu pada latar belakang di atas, maka perluadanya metode pengaturan parameter pengendali yangdidasarkan pada respon keluaran keadaan tunak dan
OPTIMISASI PARAMETER PENGENDALI PIDPADA SISTEM KENDALI SUHU MELALUI PENDEKATAN
MINIMISASI RMS ERROR DAN RMS EFFORT
M. Yusuf, Rhiza. S. Sadjad, Ingrid Nurtanio Departemen Teknik Elektro, Fakultas Teknik, Universitas Hasanuddin
LAMPIRAN C : JURNAL
mempetimbangkan hubungan optimal antara nilai errordan nilai effort. Oleh karena itu, pada penelitian ini,diperkenal suatu metode optimisasi parameter pengendalimelalui pendekatan minimisasi nilai RMS (root meansquare) error dan RMS effort pada sistem kendali suhuruangan. Sistem kendali menggunakan skema kendalinegatif feedback.
Berdasarkan uraian latar di atas, poin-poin masalahpada penelitian ini diantaranya, metode optimisasiparameter pengendali proporsional, integral dan derivatifmelalui pendekatan minimisasi antara nilai rms error dannilai rms effort pada sistem kendali pengatur suhu.Pengaruh metode optimisasi dengan pendekatanminimisasi antara nilai rms error dan nilai rms effortterhadap pengurangan error-steady state keluaran sistem.Perbandingan keoptimalan antara pengendali P, PI, PDdan PID berdasarkan metode optimasi dengan pendekatanminimisasi nilai rms error dan nilai rms effort.
2. PENGENDALI PID
Pengendali Proporional, integral, dan derivatif(proportional, integral, dan derivatie, disingkat PID) sertakombinasi dari ketiganya tergolong ke dalam sistemkendali klasik yang diaplikasikan pada industri. PIDmemiliki banyak tipe dan metode tuning yang tersebardalam banyak literatur dengan berbagaipengembangannya seperti metode automatic-tuning,bahkan mampu untuk melakukan online automatictuning. Selain itu, pada keadaan suatu sistem tidakdiketahui model matematiknya atau analis terhadap sistemtidak dapat dilakukan, maka pengendali PID sangatbermanfaat untuk digunakan. Hal inilah yang membuatkendali PID secara umum dapat diaplikasikan padabanyak sistem kendali[3].
2.1 Pengendali Proporsional
Pengendali dengan aksi kontrol proporsional padadasarnya merupakan suatu penguat dengan nilaipenguatan yang dapat diatur. Hubungan antara sinyalkendali u(t) (keluaran pengendali) terhadap sinyal galate(t)) (masukan pengendali) pada pengendali proporsionalditunjukkan dengan persamaan berikut.
u( t)=K pe (t) ... (1)
dengan Kp merupakan suku penguatan proporsioanal[1].
2.2 Pengendali Proposional plus Integral
Pengendali dengan aksi kontrol integral biasanyadisebut kendali reset. Nilai sinyal keluaran pengendali(sinyal kendali u(t)) diubah pada suatu laju yangsebanding tehadap pergerakan nilai sinyal galat e(t).Hubungan keluaran u(t) terhadap keluaran e(t) padapengendali integral, digambarkan pada persamaan berikut.
U (s)E(s)
=KP(1+1Ti s
) ... (2)
dengan K i=1T i , dan Ki merupakan variabel yang
dapat diubah, Ti adalah waktu integral[1].
Hubungan sinyal galat e(t) dan sinyal kendali u(t) padapengendali proposional ditambah integral ditunjukkandengan persamaan berikut.
u( t)=KP(1+1T i∫e(t )dt ) ... (3)
bentuk fungsi alih sebagai berikut.
U ( s)E(s)
=KP(1+1Ti s
) ... (4)
Sebagaimana disebutkan pada poin sebelumnya bahwaTi adalah waktu integral (integral time), sedangkan KP
merupakan penguatan proporsional. Nilai keduanya dapatditentukan. Perubahan waktu integral mengatur aksikontrol internal, sedangkan KP berakibat pada aksi kendaliproporsional maupun integral. Kebalikan dari waktuintegral disebut laju reset. Laju reset merupakan bilanganyang menunjukkan seberapa kali bagian proposaldiduplikasi per menit[1].
2.3 Pengendali Proporsional plus Derivatif
Bentuk hubungan pengendali proposal ditambahderivatif terhadap sinyal galat e(t) dan sinyal kendali u(t)ditunjukkan dengan persamaan berikut.
u( t)=K p+K pT dde( t)dt
... (5)
bentuk fungsi alih sebagai berikut.
U (s)E(s)
=KP(1+T d s) ... (6)
dengan KP merupakan penguatan proporsional dan Td
adalah konstanta yang disebut waktu derivatif (derivativetime), nilai keduanya dapat ditentukan.
Aksi kendali dervatif terkadang disebut laju kendali.Waktu derivatif Td adalah waktu interval dengan laju aksimemberikan pada aksi kontrol proporsional. Aksi kendalidervatif mempunyai karakter antisipasi, tetapi untuk aksiyang belum dilakukan, aksi kontrol dervatif tidak dapatmengantisipasi hal itu. Pada suatu sisi aksi kontrolmempunyai keuntungan mengantisipasi, namun di sisilain memiliki kelemahan dengan adanya gangguan sinyalpenguatan yang dapat bercampur pada sinya kendali.Perlu diperhatikan bahwa dikarenakan aksi kendaliderivatif hanya efektif selama periode transien, sehinggaaksi kendali ini jarang digunakan sendiri[1].
2.4 Pengendali Proporsioan plus Integral plus Derivatif
Pengendali proporsional plus integral plus derivatifmerupakan kombinasi dari tiga aksi kendali yaituproporsional, integral, dan dervatif. Kombinasi inimemiliki keuntungan dibanding masing-masingpengendali sebelumnya[1]. Pengendali ini merupakanjenis pengendali yang penggunaannya meluas dan dapatditemukan pada berbagai industri proses manufaktur[5].
Hubungan pengendai proporsional, integral danturunan terhadap sinyal galat e(t) dan sinyal kendali u(t)ditunjukkan pada persamaan berikut.
u( t)=K pe (t)+K P
T i∫ e( t )dt+KPT d
de (t)dt
...(7)
bentuk fungsi alih sebagai berikut.
U (s)E(s)
=KP(1+1Ti s
+T d s) ...(8)
dengan Kp penguatan proporsional, Ti adalah waktuintegral dan Td dan merupakan waktu turunan[1].
3. PEMODELAN PLANT
3.1 Karakteristik Modul Sistem Kendali Suhu
Penelitian ini merupakan perancangan metodeoptimisasi sistem kendali pada sebuah plant melaluipendekatan rms error dan rms effort. Kendalian (plant)dari sistem ini merupakan modul sistem kendali suhuyang terdapat pada Laboratorium Sistem Kendali danIstrumentasi. Modul sistem kendali suhu beroperasidengan cara nyala/padam. Secara fisik modul kendalisuhu terdiri atas beberapa komponen yaitu pendingin,pemanas, saklar, sensor, dan komparator tegangan.Keterkaitan setiap komponen penyusun moduldigambarkan dengan blok diagram pada gambar 3.2.Dengan aksi kendali on-off, pemanas dan pendingin aktifsecara bergantian sehingga suhu dapat dipertahankan padarentang batas tertentu. Operasi aktif bergantian antarapendingin dan pemanas menimbulkan osilasi pada suhuaktual modul. Osilasi suhu modul berada pada sekitarannilai referens yang ditentukan.
Gambar 3.2 Blok Diagram Kompenen Modul Sistem KendaliSuhu
Menangkap secara grafis keluaran modul sistemkendali suhu menggunakan arduino yang ada pada modul.Arduino sebagai antarmuka untuk menampilkan hasilpembacaan sensor pada program matlab. Data yangterbaca oleh sensor berupa data analog. Data tersebutselanjutnya diolah dengan perangkat arduino, danmengirimkannya ke komputer dalam bentuk data digital.Data tersebut adalah plot terhadap waktu, menggunakanprogram matlab.
Pada gambar 3.3, terlihat grafis suhu ditampilkanmenggunakan program matlab. Gambar 3.3 merupakankeluaran modul sistem kendali suhu yang diperoleh secarareal-time ketika modul dalam keadaan beroperasi.
0 200 400 600 800 1000 1200 1400 1600 180026
28
30
32
34
36
38
40
42
Gambar 3.3 Grafik Garis Suhu pada Modul Sistem Kendali Suhu
3.2 Pemodelan Modul Sistem Kendali Suhu
Elemen pemanas (heater) pada modul menggunakanalat pengering rambut (hairdryer) untuk menaikkan suhuudara yang berada dalam modul. Sedangkan elemenpendingin menggunakan kipas untuk menukar udaradalam modul dengan udara luar sehingga suhunya dapatditurunkan. Elemen-elemen ini beroperasi secarabergantian agar mampu mempertahan suhu modul padanilai yang dinginkan. Sebagaimana telah dijelaskan,modul sistem kendali suhu beroperasi dengan caranyala/padam atau on-off. Meskipun dapatmempertahankan suhu di sekitar nilai yang diinginkan,namun osilasi pada keluaran tak dapat terhindarkan (lihatgambar 3.3). Olehnya itu, sistem ini membutuhkan suatutambahan yang dapat mengoptimisasi performansinyatanpa perlu melakukan perubahan fisik.
Gambar 3.4 Pemodelan Modul Sistem Kendali Suhu
Secara sederhana, elemen pemanas dan elemenpendingin diatur oleh saklar untuk nyala bergantian. Padamodul ini, perangkat arduino berperan sebagai saklar yangmengatur nyala/padam komponen pemanas dan pendinginserta sebagai komparator yang membandingkan antarasuhu aktual (suhu yang terukur oleh sensor) terhadap suhureferens. Pada penerapan berbeda dan kebanyakanaplikasi lapangan, fungsi saklar menggunakan relay,sedangkan komparator berupa rangkaian op-amppembanding. Untuk penerapan pada simulasi matlab,modul sistem kendali suhu dapat dimodelkansebagaimana pada gambar 3.4. Blok-blok yang ada padamodel mewakili karakteristik fisik pada modul yangsebenarnya.
Menjalankan simulasi model plant modul sistemkendali suhu, perlu mengetahui nilai parameter yang adapada plant. Model plant modul sistem kendali suhumemerlukan nilai parameter berupa nilai referens (setpoint), kondisi awal (initial condition), dan waktupersatuan suhu (oC/s). Untuk mendapatkan data sesuaidengan kondisi, maka dilakukan pengukuran pada plantmodul kendali suhu. Sedangkan sensor dan pengkodisiansinyal ditentukan nilai konversi sebesar 0.05 V/oC. Hasilpengukuran dan perhitungan parameter modul kendalisuhu, ditunjukkan pada tabel 3.1 yang telah dilalui padapenjelasan sebelumnya
Tabel 3.1 Data Karakteristik Plant Modul SistemKendali Suhu
SP(oC)
IC(oC)
RentangSuhu(oC)
Waktu 1(detik)
Waktu 2(detik)
Waktu 3(detik)
WaktuRata-rata
35 +/-5
2630 ke 40 110,27 90,91 86,00 95,73
40 ke 30 125,10 135,97 120,94 127,34
4. OPTIMISASI SISTEM KENDALI
4.1 Optimisasi
Optimisasi merupakan pengaturan terhadap parameter-paramaeter, untuk tercapainya kemanfaatan dankeuntungan yang banyak pada desain[6]. Ketikamendesain sistem kendali maka hal penting diperhatikanadalah performa yang ditampilkan oleh sistem. Suatusistem dapat disebut optimal tatkala nilai parameternyadiatur sedemikian rupa sehingga pemilihan objectivefunction-nya maksimum atau minimum bergantungkeadaannya. Adapun yang dimaksud objective functionyaitu bilangan yang memperlihatkan tingkat kinerjasistem sehingga nilai optimal parameter secara langsungbergantung pada nilai objektif yang dipilih[1].
4.2 Objective Function
Teori kontrol modern berasumsi bahwa kebutuhanperforma suatu sistem rekayasa dapat dirincikan secarakuantitatif. Pengukuran objective function juga diperlukanuntuk menjalankan sistem kendali adaptif modern maupunpada optimisasi sistem kendali otomatis serta keperluanperancangan sistem optimal. Objective function harusmerupakan suatu angka yang selalu bernilai positif ataunol[4].
Mendapatkan keadaan optimal perlu menggunakanobjective function yang selektif. Objective function harusmampu membedakan secara jelas antara parameter yangdiset optimal dengan yang non-optimal. Objective functionharus berada dalam bentuk sebagai fungsi parametersistem dan mampu menilai maksimum atau minimum sertadapat dihitung secara analisis maupun komputasi[1].
4.3 Fungi Root Mean Square
Perancangan optimisasi pada sistem kendali suhuruangan menggunakan objective function denganpendekatan fungsi rms (root mean square) untukmenghitung nilai efektif error dan effort dalam suaturentang waktu tertentu. Nilai root mean square suatubesaran merupakan nilai tengah kuadrat besaran tersebutpada rentang tertentu lalu diakarkuadratkan[6]. Jikadiberikan suatu fungsi y = f(t) dengan batas t0 = P hinggatn = Q, maka Nilai rms nya dapat dicari denganmenggunakan persamaan (11) berikut.:
rms=√ 1(Q−P)∫P
Q
f ( t)dt ...(12)
Root mean square biasa digunakan sebagai ukuranperbandingan antara nilai yang dihasilkan oleh model atauestimator dan nilai yang didapatkan dari sistemsebenarnya[7].
Adapun objective function yang digunakan menilaikeadaan optimal parameter sistem kendali, ditunjukkanpada persamaan (12) berikut.
J1= √( rms (e (t )))2+( rms (u (t )))2 ...(13)
e(t) : sinyal erroru(t) : sinyal kendali
4.4 Skema Optimisasi Sistem Kendali Suhu
Pemodelan modul sistem kendali suhu mengacu padawaktu kenaikan dan penurunan suhu. Pengambilan datadilakukan dengan pengukuran pada plant ketikaberoperasi. Pengambilan data dilakukan dengan mengukurwaktu kenaikan suhu dari suatu level suhu tertentu kelevel lainnya. Begitu pula pengukuran penurunan suhudilakukan dari level suhu tertentu ke level suhu yang dibawahnya. Rentang suhu untuk Skema negative feedbackpada penelitian ini menggunakan dua bentuk hasilmodifikasi. Perbedaan keduanya ada pada bentukhubungan antara nilai referens dan keluaran pengendalisebagai masukan plant. Untuk merincikan hal tersebut,akan dijelaskan pada point berikut.
a. Skema negative feeback bentuk I, yakni masukan plant atau manipulated variabel merupakan penjumlahan nilai referens dan keluaran pengendali.
b. Skema negative feeback bentuk II, yakni masukan plant atau manipulated variabel merupakan hasil pengurangan oleh keluaran pengendali terhadap nilai referens. Gambaran masing-masing bentuk I dan bentuk I dapat
diamati pada gambar 3.5 dan 3.6. Pada setiap bentukskema tersebut, akan menggunakan empat jenispengendali P, PI, PD dan PID. Sehingga akan terlihatpengaruh terhadap nilai objective function pada duabentuk skema dengan 4 pengendali berbeda. Terkaitpengendali P, PI, PD dan PID akan lebih lanjut dijelaskanpada pembahasan berikutnya.
Gambar. 3.5 Skema Negative Feedback Bentuk I
Gambar. 3.6 Skema Negative Feedback Bentuk II
4.5 Prosedur Optimisasi
Pemodelan dan optimisasi modul sistem kendali suhumenggunakan program dan simulisasi MATLAB. Secaraumum prosedur optimisasi dilakukan dengan mengaturnilai KP, KI, dan KD pada masing-masing bentukkombinasi aksi kendali. Nilai masing-masing koefisiendiubah sedemikian rupa sehingga dapat diperoleh nilaiobjective function paling minimum. Adapun tahapan-tahapan proses optimisasi sebagai berikut.
a. Menetapkan persamaan objective function, kondisiawal, nilai referens dan waktu operasi yang akandijalankan dengan simulasi.
b. Menentukan batasan parameter KP sebagai kumpulannilai KP yang akan digunakan pada proses simulasi.
c. Menjalankan simulasi untuk setiap nilai KP kemudianmenghitung nilai objetive function setiap nilai KPtersebut, lalu memilih nilai objective function palingminimum sebagai parameter optimal.
d. Mengulang langkah poin (b) dan (c) pada pengendaliPI. Nilai KP yang digunakan merupakan parameteroptimal yang telah diperoleh pada simulasi pengendaliP, sedangkan parameter yang diubah-ubah adalah nilaiKI.
e. Mengulang langkah poin (b) dan (c) pada pengendaliPD. Nilai KP yang digunakan merupakan parameteroptimal yang telah diperoleh pada simulasi pengendaliP, sedangkan parameter yang diubah-ubah adalah nilaiKD.
f. Mengulang poin (b) dan (c) untuk pengendali PIDdengan nilai KP, KI dan KD merupakan parameteroptimal yang diperoleh pada simulasi poin pengendaliP, PI, dan PD. Sedangkan parameter yang diubah-ubahyaitu konstanta tambahan sebagai faktor pengaliterhadap nilai KP, KI dan KD.
g. Menentukan konfigurasi kendali yang paling optimaldengan meninjau nilai objective function yang palingminimum dari empat kombinasi pengendali.
h. Setelah mendapatkan konfigurasi minimum padakombinasi pengendali, selanjutnya memastikankembali nilai KP, KI atau KD yang didapatkansebagai nilai objective function paling minimum padapengendali tersebut dengan menggunakan metodesteepest descent.
5. HASIL SIMULASI DAN PEMBAHASAN
Optimisasi parameter pengendali pada sistem kendalisuhu ruangan dilakukan dengan pendekatan rms error danrms effort. Dengan menggunakan program dan simulasiMATLAB, berikut ini adalah hasil simulasi darioptimisasi parameter pengendali P, PI, PD dan PID padasistem kendali suhu ruangan.
5.1 Data Simulasi
Nilai objective function setiap pengendali diperolehdengan menjalankan program simulasi matlab. Sistemyang disimulasikan berupa model dari modul sistemkendali suhu. Beberapa variabel model bernilai konstandan adapula yang diubah-ubah. Variabel konstanmencakup set point (SP), kondisi awal (IC), dan waktuoperasi simulasi (T), sedangkan variabel dengan nilaiberubah adalah koefisien parameter pengendali untukmasing-masing aksi kendali. Dengan menetapkan variabelkonstan dan variabel berubah, hasil simulasi dapatmenunjukkan pengaruh perubahan koefisien parameterpengendali terhadap perbandingan nilai objective function.Selain itu, proses simulasi ini merupakan suatu metodepencarian koefisien parameter pengendali optimial denganmenggunakan pendekatan rms error dan rms effort.
Data hasil simulasi tabel 4.1, menunjukkan nilaiminimum objective function dan paramater optimalpengendali P, PI, PD dan PID serta non-pengendali. Hasil
simulasi didapat dari dua bentuk skema pengendalinegativie feedback yang digunakan. Perbedaan keduaskema terletak pada bentuk hubungan nilai referens dankeluaran pengendali (effort) yang menjadi masukan plant.Bentuk I, input plant merupakan hasil penjumlah nilaireferens dan keluaran pengendali, sedangkan bentuk II,input adalah hasil pengurangan keluaran pengendali padanilai referens.
Hasil simulasi bentuk I tersaji dalam data tabel 4.1sedangkan hasil simulasi bentuk II tersaji dalam tabel 4.2.Dengan nilai variabel konstan simulasi yaitu, set point 35oC, kondisi awal 26 oC, dan waktu operasi simulasi 3600menit.
Hasil simulasi sistem kendali suhu menampilkan databerupa nilai objective function minimum, nilai koefisienparameter, nilai rms error dan nilai rms effort. Nilaiobjective function paling minimum merupakan acuankeoptimalan parameter pengendali. Dengan kata lainbahwa nilai KP (koefisien proporsional), KI (koefisienintegral) dan KD (koefisien derivatif) dengan nilaiobjective function terkecil merupakan nilai yang palingoptimal.
Tabel 4.1 Nilai Minimum Objective Function danParameter Optimal pada Pengendali P, PI, PD danPID serta Non-Pengendali untuk skema bentuk I
Parameter
Pengendali
Non-Pengen-dali
P PI PD PID
Koef. P - 0,7 0,7 0,7 0,7
Koef. I - - 0 - 0
Koef. D - - - 8,5 8,5
Koef. A - - - - 1.0
ObjectiveFunction
0,1479 0,1135 0,1135 0,1051 0,1051
RMS Error 0,1479 0,0930 0,0930 0,0814 0,0814
RMS Effort 0 0,0651 0,0651 0,0665 0,0665
Tabel 4.2 Nilai Minimum Objective Function danParameter Optimal pada Pengendali P, PI, PD danPID serta Non-Pengendali untuk skema bentuk II
Parameter
Pengendali
Non-Pengen-dali
P PI PD PID
Koef. P - 0 0 0 0
Koef. I - - 3×10-5 - 3×10-5
Koef. D - - - 0 0
Koef. A - - - - 1
ObjectiveFunction
0,1479 0.1479 0.1479 0.1479 0.1479
RMS Error 0.1479 0.1479 0.1479 0.1479 0.1479
RMS Effort 0 0 0.0004 0 0.0004
a. Pengendali P
Simulasi pengendali proporsional (P) menunjukkanhasil berupa nilai objective function 0,1135 dan nilai KPoptimal 0,7 untuk skema negative feedback bentuk Idengan pencarian KP menggunakan nilai dari 0 sampai2,5 kenaikan 0,1. Sedangkan pada skema negativefeedback bentuk II, nilai objective function 0,1479 dannilai KP optimal 0, dengan pencarian KP menggunakannilai dari 0 sampai 2,5 kenaikan 0,1. Hubungan antaranilai KP dan objective function beserta tiitik minimumnyapada Skema Bentuk I ditunjukkan melalui kurva titik padagambar 4.2, sedangkan bentuk II pada gambar 4.3.
0 0.5 1 1.5 2 2.50.11
0.115
0.12
0.125
0.13
0.135
0.14
0.145
0.15
0.155
KP
Obj
ectiv
e F
unct
ion
min.OF
Objective Function
Gambar. 4.2 Kurva KP terhadap Objective Function denganSkema Bentuk I
0 0.5 1 1.5 2 2.50
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
KP
Obj
ectiv
e F
unct
ion
min.OF
Objective Function
Gambar. 4.3 Kurva KP terhadap Objective Function denganSkema Bentuk II
Pada gambar 4.2, bentuk kurva memperlihatkandengan jelas adanya titik minimum objective function.Dengan demikian, pengendali P dengan skema bentuk I,memiliki daerah keoptimalan pada nilai rms error dan rmseffort. Sedangkan gambar 4.3 bentuk kurvamemperlihatkan, pengendali P skema bentuk II tidakmemiliki titik minimum, kurva cenderung naik sejak KPbernilai 0 dan semakin besar seiring bertambahnya nilaiKP. Nilai KP optimal bernilai 0 menunjukkan bahwa nilaiKP tersebut tidak dianggap (dapat diabaikan) sehingganilai rms error, rms effort, dan objective function-nyasama untuk sistem tanpa pengendali.
b. Pengendali Proporsional plus Integral (PI)
Simulasi pengendali proporsional integral (PI),menggunakan KP optimal pengendali P sebagai nilai KP-nya. Nilai ini bersifat konstan (tetap) sedangkan variabel
yang diubah adalah KI dengan kumpulan nilai yang telahditentukan. Hasil simulasi pengendali PI memperlihatkandata untuk skema bentuk I berupa nilai objective functionminimum 0,1135 dan KI optimal 0 dengan pencarian nilaiKI menggunakan nilai 0 sampai 0,2 kenaikan 0,01.Sedangkan pada data skema bentuk II, diperoleh nilaiobjective function minimum 0,1479 dan KP optimal 3×10-
5, pencarian nilai KI menggunakan nilai 0 sampai 5×10 -5
dengan kenaikan 3×10-6. Hubungan antara nilai KI danobjective function beserta titik minimumnya pada SkemaBentuk I ditunjukkan melalui kurva titik pada gambar 4.4,sedangkan bentuk II pada gambar 4.5.
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.20
0.2
0.4
0.6
0.8
1
1.2
1.4
KI
Obj
ectiv
e F
unct
ion
min.OF
Objective Function
Gambar. 4.4 Kurva KI terhadap Objective Function denganSkema Bentuk I
0 1 2 3 4 5 6
x 10-5
0.1479
0.1479
0.1479
0.1479
0.1479
0.1479
0.1479
0.1479
0.1479
KI
Obj
ectiv
e F
unct
ion
min.OF
Objective Function
Gambar. 4.5 Kurva KI terhadap Objective Function denganSkema Bentuk II
Pada gambar 4.4, bentuk kurva memperlihatkan tidakadanya titik minimum objective function. Kurvacenderung naik sejak KI bernilai 0 dan semakin besarseiring bertambahnya nilai KI. Maka dari itu pengendaliPI dengan skema bentuk I, tidak memiliki titik optimaluntuk optimisasi menggunakan pendekatan metode ini.Karena hasil yang diperoleh berupa nilai KI optimal 0maka unsur integral pada pengendali PI dapat diabaikan.Olehnya itu nilai objective function pengendali PI skemabentuk I, sama saja dengan pengendali P skema bentuk I.
Gambar 4.4 bentuk kurva pengendali PI skema bentukII, memperlihatkan adanya titik minimum pada kurvatersebut. Hasil yang diperoleh yaitu KI optimal 3×10-5.Nilai KI sangat kecil, sehingga walaupun pengendali PIskema bentuk II memiliki titik minimum, nilai objectivefunction yang ada hanya berselisih sedikit dengan
objective function tanpa pengendali dan hanyamemberikan sedikit perubahan.
Pada simulasi pengendali P skema bentuk II, nilai KPadalah 0, dan pengendali skema bentuk II menggunakannilai tersebut sebagai KP. Pada dasarnya nilai KP 0menyebabkan unsur P tidak dianggap (dapat diabaikan).Dengan kata lain, sejak awal pengendali PI hanyadifungsikan mengatur unsur integral sebab KP bernilai 0.Olehnya itu, simulasi ini sama dengan hasil simulasipengendali I. Dengan menggunakan skema bentuk II,pengendali integral memiliki titik minimum untuk metodeoptimisasi ini.
c. Pengendali Proporsional plus Derivatif (PD)
Pengendali proporsional plus derivatif (PD)menggunakan nilai KP optimal pengendali proporsionalsebagai nilai KP yang bersifat konstan dan variabel yangdiubah adalah KD. Simulasi pada pengendali PD skemabentuk I menunjukkan hasil nilai objective functionminimum 0,1051 dan KD optimal 8,5 dengan pencariannilai KD menggunakan nilai dari 0 sampai 15 kenaikan0,5. Sedangkan pengendali PD skema bentuk IImemperoleh nilai objective function 0,1479 dan KDoptimal 0. Hubungan antara nilai KD dan objectivefunction beserta tiitik minimumnya pada Skema Bentuk Iditunjukkan melalui kurva titik pada gambar 4.6,sedangkan bentuk II pada gambar 4.7.
0 5 10 150.105
0.106
0.107
0.108
0.109
0.11
0.111
0.112
0.113
0.114
KD
Obj
ectiv
e F
unct
ion
min.OF
Objective Function
Gambar. 4.6 Kurva KD terhadap Objective Function denganSkema Bentuk I
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10.1475
0.148
0.1485
0.149
0.1495
0.15
0.1505
0.151
0.1515
KD
Obj
ectiv
e F
unct
ion
min.OF
Objective Function
Gambar. 4.7 Kurva KD terhadap Objective Function denganSkema Bentuk II
Pada gambar 4.6, bentuk kurva memperlihatkanadanya titik minimum objective function, hal ini
menunjukkan pengendali PD dengan skema bentuk Imemiliki daerah keoptimalan. Sedangkan gambar 4.6bentuk kurva memperlihatkan, kurva cenderung naiksejak KD bernilai 0 dan semakin besar seiringbertambahnya nilai KD, hal ini menunjukkan pengendaliPD skema bentuk II tidak memiliki titik minimum.
Pada skema bentuk II, KD optimal bernilai 0 dan KPyang digunakan juga bernilai 0. Hal tersebutmenunjukkan keberadaan parameter KP maupun KDdapat diabaikan. Olehnya itu nilai rms error, rms effort,dan objective function-nya sama untuk sistem tanpapengendali dengan kata lain unsur derivatif pada skemabentuk II tidak memiliki daerah optimal.
d. Pengendali Proporsional plus Integral plus Derivatif (PID)
Optimisasi pengendali PID memerlukan tigaparameter KP, KI dan KD untuk menjalankan simulasi.Ketiga parameter tersebut merupakan parameter optimalsetiap pengendali P, PI, dan PD pada masing-masingskema. Nilai KP, KI, dan KD yang digunakan bersifatkonstan dan terdapat tambahan variabel yang akanmenjadi faktor peubah untuk setiap paramater tersebut.Variabel yang ditambahkan adakah koefisien adjustment(KA) yang nilainya dikalikan dengan ketiga parameterKP, KI dan KD. Perkalian tersebut bertujuan menemukannilai KP, KI, dan KD yang lebih optimal untuk pengendaliPID.
Simulasi pengendali dengan skema bentuk I, di antaraP, PI dan PD hanya nilai pengendali P dan PD yangparameter optimalnya di titik minimum objective functiontidak sama dengan 0. Dengan kata lain, hanya pengendaliP dan PD saja pada skema bentuk I yang memilikiparameter optimal. Pengendali PI memiliki parameter KIoptimal yang bernilai 0, sehingga parameter KI padapengendali PI dapat diabaikan. Karena hal tersebut, makadi antara KP, KI dan KD, hanya KP dan KD saja yangmemiliki kontribusi untuk pengendali PID. Sedangkannilai KI tidak memiliki pengaruh. Olehnya itu, hasilpengendali PID skema bentuk I, sama saja dengan hasilpengendali PD skema bentuk I.
Hasil simulasi pengendali pada skema bentuk II,menunjukkan hanya nilai KI yang dapat memberikontribusi untuk pengendali PID. Adapun parameretlainnya bernilai 0. Dengan mengabaikan nilai KP dan KD,maka syarat untuk parameter pengendali PID tidak lagiterpenuhi. Dengan demikian, simulasi pengendali skemabentuk II hanya akan memiliki kondisi optimal padapengendali I saja dan apabila PID tetap dijalankan makahasilnya akan sama dengan pengendali I.
Penjelasan yang telah diperoleh di atas dapat lebihdipahami dengan melihat hasil simulasi pengendali PIDsebagai berikut. Simulasi pengendali PID skema bentuk I,menggunakan pencarian nilai KA dari 0 sampai 1,5,kenaikan 0,1. Hasil simulasi tersebut, KA bernilai 1dengan objective function minimun 0,1051. Sedangkanpada pengendali PID skema bentuk II, KA bernilai 1 danobjective 0,1479 dengan menggunakan pencarian nilai KAdari 0 sampai 2, kenaikan 0,1. Hubungan antara nilai KAdan objective function beserta tiitik minimumnya pada
Skema Bentuk I ditunjukkan melalui kurva titik padagambar 4.8, sedangkan skema bentuk II pada gambar 4.9.
0.5 0.6 0.7 0.8 0.9 1 1.1 1.2 1.3 1.4 1.5
0.105
0.106
0.107
0.108
0.109
0.11
0.111
0.112
0.113
KA
Obj
ectiv
e F
unct
ion
min.OF
Objective Function
Gambar. 4.8 Kurva KA terhadap Objective Functiondengan Skema Bentuk I
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 20.1479
0.1479
0.1479
0.1479
0.1479
0.1479
0.1479
0.1479
0.1479
0.1479
KA
Obj
ectiv
e F
unct
ion
min.OF
Objective Function
Gambar. 4.9 Kurva KA terhadap Objective Function denganSkema Bentuk II
5.2 Perbandingan Objective Function
Sebagaimana telah disebutkan pada bagian awal,bahwa sistem kendali suhu ruangan memiliki error yangbersifat tetap pada keadaan tunaknya. Perbaikan keadaantunak sistem dilakukan dengan menambahkan komponenpengendali sehingga dapat mereduksi besarnya nilai error.Jika meninjau nilai objective function sebagai standaracuan keoptimalan maka pengendali dengan nilaiobjective function yang paling kecil akan dianggapmemiliki konfigurasi paling optimal.
Perbedaan jenis pengendali yang digunakan dapatmenunjukkan hasil yang berbeda pula terhadap perbaikankeadaan tunaknya. Termasuk perbedaan dari segikeoptimalan hubungan antara error dan effort-nya. Setiapaksi kendali berbeda tergantung karakteristik masing-masing. Terdapat empat konfigurasi pengendali yangdigunakan, dan merupakan kombinasi umum yang telahdikenal dalam sistem kendali proporsional (P),proporsional plus integral (PI), proporsional plus dervatif(PD) dan proporsional plus integral plus dervatif (PID).Penentuan keoptimalan pengendali dilakukan berdasarkannilai objective function masing-masing. Nilai objectivefunction paling minimum menunjukkan keoptimalanyang lebih baik di antara pengendali yang lain.
T
Tabel 4.3 Urutan Terkecil ke Terbesar Nilai MinimumObjective Function pada Pengendali P, PI, PD danPID serta Non-Pengendali
Pengendali OF RMSer RMSef
PD (I) 0.105116772003844
0.0813976225709799
0.0665128769209423
PID (I) 0.105116772003844
0.0813976225709799
0.0665128769209423
PI (I) 0.113518653786477
0.0929981047562312
0.0650986733293619
P (I) 0.113518653786477
0.0929981047562312
0.0650986733293619
PI (II)0.147916340
8897510.14791576732
91150.00041191947
2734806
PID (II)0.147916340
8897510.14791576732
91150.00041191947
2734806
PD (II)0.147917538
7279700.14791753872
79700
Non-Pengendali
0.147917538727970
0.147917538727970
0
P (II)0.147917538
7279730.14791753872
79730
Tabel 4.3 memperlihatkan urutan pengendaliberdasarkan nilai objective function dari yang terkecil keyang terbesar. Pada tabel ini menggabungkan dua jenisskema yang digunakan. Seluruh hasil akan dibandingkannilai objective function-nya. Pengendali PD memilikiobjective function yang paling minimum di antara jenispengendali lainnya. Hal ini menunjukkan pengendali PDmemiliki keoptimalan yang lebih baik jika dibandingkandengan pengendali lain berdasarkan acuan minimisasiobjective function rms error dan rms error.
Menambahkan pengendali ke dalam sistem, berartimenambahkan effort terhadap sistem tersebut.Penambahan effort memberikan pengaruh terhadapkeluaran sistem. Meningkatkan effort dapat mengurangierror pada keluaran keadaan tunak sistem. Besarnya kadareffort yang diberikan tergantung pada jenis aksi kendalidan nilai koefisien parameternya. Dengan metodeoptimisasi ini, kadar effort akan diatur sedemikian rupasehingga dapat menghasilkan hubungan antara effort,error, dan koefisien parameter yang optimal. Pengaruhmasing-masing pengendali dapat teramati dengan adanyapenurunan error.
Modul Sistem kendali suhu memiliki keluaran yangberosilasi secara periodik, sebagaimana dijelaskan padabab 3 tentang karakteristik plant. Gambar 4.5memperlihatkan keluaran pemodelan dari modul sistemkendali suhu yang disimulasikan menggunakan programsimulink matlab. Keluaran tersebut, ketika sistem belumditambahkan pengendali. Amplitudo osilasi masih sebesar+/- 50 C terhadap terhadap set point.
Gambar 4.10 Keluaran Sistem Kendali Suhu tanpa pengendalian
Pengendali P, PI, PD dan PID memberikan pengaruhterhadap nilai amplitudo osilasi dan jumlah frekeunsisiklus osilasi. Terdapat hubungan antara kedua parametertersebut. Apabila kecepatan alami sistem dalammenanggapi masukan tidak berubah terhadap waktu(konstan), maka amplitudo dan frekuensi keluaran,memiliki hubungan berbanding terbalik. Nilai amplitudoyang tereduksi akan menaikkan frekuensi keluaran.Meningkatnya amplitudo berkaitan dengan peningkatannilai error pada keluaran sistem, sedangkan penurunanfrekuensi keluaran berkaitan dengan kenaikan pemberiannilai effort. Sehingga dengan konsep keoptimalan,kompromi keduanya dapat dipertemukan. Denganmencari objective function minimum antara nilai errordan nilai effort, akan diperoleh kondisi optimal yangmampu mengkompromikan antara error dan effortmaupun amplitudo dan frekeunsi keluaran.
Gambar 4.11, 4.12, 4.13 dan 4.14 memperlihatkanperbandingan antara keluaran sistem sebelumpenambahan pengendali dan setelah penambahanpengendali P, PI, PD dan PID pada skema bentuk I dangambar 4.15, 4.16, 4.17 dan 4.18 untuk skema bentuk II.Gambar-gambar tersebut memperlihatkan adanyapenurunan amplitudo dan kenaikan frekuensi.
50 100 150 200 250 300 350 400 45026
28
30
32
34
36
38
40
waktu (s)
tem
pera
ture
Tanpa Pengendali
Setelah Penambahan P
Set Point
Gambar 4.11 Keluaran Sistem untuk Pengendali Ppada skema bentuk I
50 100 150 200 250 300 350 400 450 50026
28
30
32
34
36
38
40
waktu (s)
tem
pera
ture
Keluaran tanpa pengendali
Keluaran dengan pengendali PI
Set Point
Gambar 4.12 Keluaran Sistem untuk Pengendali PI pada skemabentuk I
50 100 150 200 250 300 350 400 450 50026
28
30
32
34
36
38
40
waktu (s)
tem
pera
ture
Keluaran tanpa pengendali
Keluaran dengan Pengendali PD
Set Point
Gambar. 4.13 Keluaran Sistem untuk Pengendali PD pada skemabentuk I
50 100 150 200 250 300 350 400 45026
28
30
32
34
36
38
40
waktu (s)
tem
pera
ture
Keluaran tanpa pengendali
Keluaran dengan pengendali PID
Set Point
Gambar 4.14 Keluaran Sistem unttuk Pengendali PID padaskema bentuk I
50 100 150 200 250 300 350 400 450
28
30
32
34
36
38
40
waktu (s)
tem
pera
ture
Tanpa Pengendali
Setelah Penambahan P
Set Point
Gambar 4.15 Keluaran Sistem unttuk Pengendali P pada skemabentuk II
50 100 150 200 250 300 350 400 45026
28
30
32
34
36
38
40
waktu (s)
tem
pera
ture
Keluaran tanpa pengendali
Keluaran dengan pengendali PI
Set Point
Gambar 4.16 Keluaran Sistem unttuk Pengendali PI pada skemabentuk II
50 100 150 200 250 300 350 400 450 50026
28
30
32
34
36
38
40
waktu (s)
tem
pera
ture
Keluaran tanpa pengendali
Keluaran dengan Pengendali PD
Set Point
Gambar 4.17 Keluaran Sistem unttuk Pengendali PD padaskema bentuk II
50 100 150 200 250 300 350 400 450
28
30
32
34
36
38
40
waktu (s)
tem
pera
ture
Keluaran tanpa pengendali
Keluaran dengan pengendali PID
Set Point
Gambar 4.18 Keluaran Sistem unttuk Pengendali PID padaskema bentuk II
5.3 Pencarian Lanjutan Parameter Optimal denganMetode Steepest Descent
Nilai objective function paling minimum di antara nilaiobjective function lainnya yaitu pengendali PD denganKP optimal 0,7 dan KD optimal 8,5. Nilai kenaikan yangdigunakan sebesar 0,1 untuk KP dan 0,5 untuk KD.Prosedur pencarian KP dan KD dilakukan secara terpisahsehingga memungkinkan masih terdapat parameteroptimal yang belum terindeks. Olehnya itu, perludilakukan pencarian tahap lanjutan untuk menemukankemungkinan nilai KP dan KD dengan nilai objectivefunction lebih minimum dibandingkan hasil yang telahdidapatkan. Selain itu, pencarian tahap lanjutan ini akanmemperkuat KP dan KD yang diperoleh pada simulasiawal sebagai nilai optimal parameter tersebut atau
sebaliknya terdapat titik lain dengan nilai objectivefunction yang lebih minimum.
Pencarian tahap lanjutan ini menggunakan metodesteepest descent. Metode ini mengasumsikan KP dan KDadalah suatu titik pada sebuah bidang dengan titik awalnilai KP dan KD optimal pada simulasi pertamapengendali PD. Metodi ini akan mencari kombinasi nilaiKP dan KD diantara kemungkinan nilai KP dan KD yangada, dengan menyeleksi nilai objective function setiap titiktersebut. Apabila ditemukan nilai objective function lebihminimum dibanding nilai objective function awal, makametode ini akan memilih nilai tersebut menjadi nilai awalyang baru dan memulai pencarian yang baru disekitar titikawal yang baru tersebut. Sedangkan apabila tidakditemukan adanya nilai objective function yang lebih kecillagi, maka metode ini akan menetapkan nilai objectivefunction awal sebagai objective function paling minimum.Metode steepest descent diimplementasikan melaluisimulasi dan perhitungan menggunakan Simulasi danprogram MATLAB. Adapun hasil akhir yang diperolehmenggunakan metode ini diperlihatkan pada tabel 4.3berikut.
Tabel 4.3 Hasil Pencarian Lanjutan KP dan KD denganMetode Steepest Descent
ParameterKe
KP KD Objective Function
1 0.7 8.5 0.105116772003844
2 0.7 8.4 0.105063441088656
3 0.7 8.39 0.105054789551610
4 0.7 8.391 0.105053438681529
5 0.6993 8.3913 0.105052171627170
6 0.6987 8.3911 0.105050388224733
Tabel 4.4 Perbandingan Sebelum dan Setelah PencarianLanjutan KP dan KD yang Lebih Optimal denganMetode Steepest Descent
Parameter SebelumPencarian
SetelahPencarian
Koef. P 0.7 0.6987
Koef. D 8.5 8.3911
Objective Function 0.10512 0.10505
RMS Error 0.08140 0.08157
MS Effort 0.06651 0.06619
Pencarian tahap lanjutan membutuhkan 5 step hinggamenemukan nilai objective function yang lebih minimum.Jumlah 5 langkah tersebut bukan proses yang bersifattetap. Jumlah langkah tersebut akan dapat berubah padasetiap kasus. Sebagaimana data yang ada pada tabel 4.4,terdapat 6 pasang KP dan KD dengan nilai objectivefunction masing-masing. Parameter optimal untukpengendali PD setelah pencarian tersebut ada padaparameter ke 6, dengan KP bernilai 0,6987 dan KDbernilai 8,3911. Hubungan antara langkah-langkahpencarian titik KP dan KD terhadap nilai objective
function ditunjukkan melalui kurva titik pada gambar4.10, sedangkan titik temu antara KP dan KDdiperlihatkan pada gambar 4.11.
1 2 3 4 5 60.105
0.1051
0.1051
0.1051
0.1051
0.1051
0.1051
0.1051
0.1051
Titik Ke-N
Opj
ectiv
e Fun
ctio
n
Objective Function
Gambar 4.19 Kurva Langkah Pencarian terhadap NilaiObjective Function
0.6987 0.699 0.6993 0.6996 0.6999 0.7002
8.4
8.425
8.45
8.475
8.5
KP
KD
1
2
3456
Objective Function
Gambar. 4.20 Titik Temu KP dan KD untuk Pencarian ObjectiveFunction dengan Metode Steepest Descent
Gambar 4.18 dan 4.19 memperlihatkan tahapan-tahapan pencarian menggunakan metode steepest descentuntuk menemukan parameter yang lebih optimal, ataumenemukan nilai objective function lain yang palingminimum. Pada kasus Model dari modul Sistem KendaliSuhu, steepest descent berakhir setelah melewati 5tahapan langkah-langkah, dan diperoleh 5 titik dari hasiltersebut sebagaimana ditunjukkan pada tabel 4.3 hasilpencarian. Langkah 1 adalah titik hasil pencarian pertamasebelum menggunakan sedangkan 5 langkah setelahnyamerupakan hasil pencarian dengan metode steepestdescent dan langkah 6 adalah langkah terakhir daripencarian tersebut. Hasil dari langkah terakhirmemperlihatkan parameter optimal yang paling mungkinuntuk dicapai dengan metode steepest descent. Hasil yangdiperoleh pada langkah 6 menjadi hasil akhir dari prosesoptimisasi parameter pengendali pada penelitian ini.
6. Penutup
Optimisasi Pengendali PID dengan pendekatan rmserror dan rms effort merupakan upaya penelitian untukmembantu pengembangan dalam disiplin ilmu teknikelektro dan lebih khusus pada bidang teknik kendali. Daripenelitian ini diharapkan bisa berkontribusi padapemecahan masalah bidang sistem kendali optimal danbidang kajian perbaikan respon sistem. Ikhtisari penelitian
ini terangkum dalam kesimpulan serta masukan danusulan perbaikan tersaji dalam saran pada bab ini.
6.1 Kesimpulan
Setelah melakukan optimisasi melalui pendekatanobjective function, serta mengacu pada analisa hasilsimulasi, maka dapat disimpulkan beberapa hal sebagaiberikut.
a. Dari 8 konfigurasi skema pengendali, terdapat 3bentuk yang memiliki parameter optimal (tidak samadengan 0) yaitu parameter KP 0.7 untuk pengendali Pskema bentuk I, KP 0,7 dan KD 8,5 untuk pengendaliPD skema bentuk I, dan KI 3×10-5 untuk pengendali Iskema bentuk II.
b. Pendekatan nilai minimum objective function antaranilai rms error dan nilai rms effort dapat memperbaikikeluaran sistem kendali dengan pengurangan nilaierror steady-state, hal ini terlihat pada penurunan nilairms error setelah ditambahkan pengendali yaitu0,092998 untuk Pengendali P skema bentuk I, dan0,081398 untuk pengendali PD skema bentuk I.
c. Konfigurasi paling baik menerapkan metodeoptimisasi dengan pendekatan minimisasi rms errordan rms effort adalah pengendali PD skema bentuk Idengan parameter setelah pencarian tahap lanjutanyaitu 0,6987 untuk nilai KP, 8.3911 untuk nilai KDdan 0.10505 untuk nilai objective function.
6.2 Saran
Saran dan masukan untuk penelitian danpengembangan selanjutnya, sebagai berikut.a. Penelitian perlu dikembangkan agar prosedur
optimisasi ini dapat diterapkan pada sistem yangsedanga beroperasi sehingga perbaikan parameterdapat dilakukan secara real-time.
b. Pendekatan minimisasi rms error dan rms effort dapatditerapkan untuk model pengendali selain PID,sebagai perbandingan untuk menilai hasil yang lebihbaik.
DAFTAR PUSTAKA
[1] Ogata, K. 1997. Teknik Kontrol Automatik. Jarkarta:Erlangga.
[2] Philips C.L, Harbor R.D. 1998. Sistem Kontrol:Dasar-dasar. Jakarta: Prenhallindo.
[3] Ogata, K. 2010. Moder Control Engineering. NewJersey: Pearson Education.
[4] O’Dawyer. A., Kealy. T., “Analytical ISECalculation And Optimum Control SystemDesign”. Conference Paperrs, School of Elctricaland Electronic Engineering, Dublin Institute ofTechnology, 2003.
[5] Dorf,.R.C., Bishop.,R.H. 2010. Modern ControlSystems 12th ed. Upper Saddle River: Prentice Hall
[6] Anonim.____.“The Study of Root Mean Square(RMS)”, The Royal Academy of Engineering.
[7] Fikri. A, “Penerapan Data Mining untuk MengetahuiTingkat Kekuatan Beton yang Dihasilkan denganMetode Estimasi Menggunakan Linear Regression”,Program Studi Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro.