Pengendalian Data PPR Menggunakan ANN dengan

Pemrograman MatLabDIAMOND RAVI

ANN

Artificial Neural Network merupakan model komputasi suatu sistem yang bekerja dengan didasari oleh neuron-neuron pada tubuh manusia yang mampu untuk mempelajari dan juga memiliki pattern recognition.

Ditemukan agar suatu sistem bisa menyelesaikan permasalahan dan melakukan proses pembelajaran dengan cara kerja menyerupai cara kerja neuron manusia. Pada artificial neural network, terdapat 3 bagian yaitu:

ANN

Model Sistem

1. State Space

2. Model Input- Output

))(()(

)](),([)1(

kxhky

kukxfkx

)](,....,)1(),(),1(,....,)1(),([)1( mtututuntytytyfty

Model Sistem

3. Fungsi Sigmoid Bipolar

=1

1 +

4. Turunan Fungsi Sigmoid Bipolar

=2

[1 + ][1 ]

= 2

[1 + ][1 ]

Normalisasi Data

DIC

Sistem

u(t)

u(t)

u(t-1)

u(t-2)

u(t-3)

y(t-1)

y(t-2)

y(t-3)

z

z

zNN

backprop y^(t)S

+-

z

z

z

y(t)Pada percobaan ini didapatkan program

melakukan percobaan sampai error per data

1x10-4. Dapat dikatakan data training dan data

testing adalah setengah awal dan akhir dari

seluruh data.

Identifikasi

Sistem

u(t)

z

z

z

u^(t)

z

z

z

y(t+1)

y(t+1)

y(t)

y(t-1)

y(t-2)

NN invers

u(t-1)

u(t-2)

u(t-3)

S

+

-

Pada percobaan ini didapatkan program

melakukan percobaan sampai epoch maksimal per

data 1x10-4. Digunakan data input keluaran dan

masukan dari plant yang terdelay yaitu u(k-1),

u(k-2), u(k-3) dan y(k+1), y(k), y(k-1), y(k-2)

Fine Tuning 1

PLANT

NNZ-1

Z-1

Z-1

Z-1

Z-1

Z-1

Z-1

x(k)y(k)

K-1

K-2K-3

K-2K-3K-4

= 1 1

1

K-5

u(k-1)

Pada fine tuning, bobot dari invers

diperbaiki. Dimana pada proses Fine Tuning

ini digunakan bobot yang telah didaptkan

dari proses inverse

Menggunakan input dari plant yang y(k)

ditambah input yang berasal dari

keluarannya sendiri yaitu (k-1).

Error diperoleh dengan membandingkan

hasil output Fine Tuning 1 (k-1) dengan

data x(k-1) dari plant.

Fine Tuning 2

Pada fine tuning, bobot dari invers diperbaiki.

Kedua blok invers yang digunakan sama dengan

bobot yang sama dan diupdate bersamaan. Keluaran

dari blok invers yang pertama menjadi input bagi

blok identifikasi. Keluaran dari identifikasi

menjadi input ke blok invers kedua untuk

menghasilkan yang dibandingkan dengan nilai

keluaran blok invers pertama. Hasil selisih kedua x

digunakan untuk mengupdate bobot invers.

Formula Sistem

=1

1+(1)2+ 0.25 1 0.3 ( 2)

Identifikasi

-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

0 20 40 60 80 100 120

Plant

inp out plant (ppr) out plant

Identifikasi

Errror per data 1x10-4 dan pembelajaran berakhir pada epoch 201. Hasil dari proses feed forward (ANN Artificial Neural Network) dengan target y(k) (PPR Process Pressure Rig) dalam grafik adalahseperti di atas (tampilan data 125 data awal).

DIC

-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

0 20 40 60 80 100 120

Chart Title

PPR ANN

DIC

Percobaan invers, didapat error 2.117x10-4 dengan epoch 13788.

Error tersebut dapat dibuktikan dengan plotting grafik output Direct Invers Controller (DIC) yaitu (k) dengan target x(k) pada PPR menggunakan proses feed forward seperti di atas (tampilan data 125 awal).

Fine Tuning 1

-1.5

-1

-0.5

0

0.5

1

1.5

0 20 40 60 80 100 120

Fine Tuning

PPR ANN

Fine Tuning 1

Percobaan invers, didapat error 2.4121x10-4 dengan epoch 22492.

Error tersebut dapat dibuktikan dengan plotting grafik output Tine Tuning 1 yaitu (k-1) dengan target x(k-1) pada PPR menggunakanproses feed forward seprti di atas (tampilan data 125 awal).

Fine Tuning 2

Fine Tuning 2

Percobaan invers, didapat error 1.7781x10-4 dengan epoch 22719.

Error tersebut dapat dibuktikan dengan plotting grafik output Tine Tuning 2 yaitu (k-1) dengan target x(k-1) pada PPR menggunakanproses feed forward sebagai berikut (tampilan data 125 awal).

Kesimpulan

Dari hasil percobaan diperoleh hasil error yang cukup kecil sehingga diperoleh keluaran ANN yang bagus. Proses Open-Loop Control memerlukan waktu eksekusi yang sangat lama. Hal ini disebabkan oleh:

Prosesor komputer yang digunakan kecil sedangkan data yang diolahsangat banyak.

Metode untuk mengubah nilai bobot yang digunakan adalah Backpropagation of Error. Metode ini sangat baik untuk mencapai nilai error yang sangat kecil, namun memiliki waktu eksekusi yang sangat lama.

Error learing paling baik didapat pada proses backpropagation terdapatpada fine tuning 2.