Desain Artificial Neural Network Ensembles pada Sistem Pengendalian Suhu (Studi Kasus : Pengendalian Suhu Water Heater)

Alvin Sahroni 1), Yayan Iscahyadi S. 2)

1) Jurusan Teknik Elektro, Fakultas Teknologi Industri Universitas Islam Indonesia Jln. Kaliurang KM 14.5, email: alvinsahroni@uii.ac.id 2) Jurusan Teknik Elektro, Fakultas Teknologi Industri Universitas Islam Indonesia Jln. Kaliurang KM 14.5, email: jan_myung@yahoo.com

Abstrak - penelitian ini menunjukkan bahwa konvergensi menuju performansi yang baik, tidak harus mutlak dengan mengandalkan arsitektur yang besar dalam Artifial Neural Network(ANN). Begitu juga dalam sistem kontrol, pelatihan yang besar akan dibutuhkan disaat ANN dituntut untuk mendapatkan respon sistem yang baik. Dengan menggunakan ANN Ensembles sebagai sistem kontrol, didapatkan bahwa generalization error dapat diturunkan dengan menggunakan metode ensembles. Dengan respon sistem yang menhasilkan error 0.5C, menjadikan ANN ensembles sebagai metode handal untuk sistem pengendalian suhu. Kata Kunci: ANN, Ensembles, Pengendalian Suhu, generalisasi 1. Pendahuluan

Sistem kontrol suhu pada dahulunya berbasis kontrol ON/OFF dengan menggunakan switching relay. Salah satu sistem yang menggunakan metode tersebut adalah dalam pengontrolan suhu seperti suhu ruangan maupun water heater. Sistem kontrol modern beralih dari sistem yang bersifat ON/.OFF menuju sistem kontrol transisi dan adaptif sesuai dengan kondisi disekitarnya dibandingkan dengan set value oleh operator. Sistem Kontrol Artificial Neural Network (ANN) adalah salah satu kontrol cerdas yang saat ini banyak digemari, dikarenakan prinsip supervised learning yang dapat menyelesaikan permasalahan-permasalahan non linear dengan baik [2]. ANN adalah sebuah metodologi untuk menyelesaikan permasalahan-permasalahan non linear yang sangat sulit dilakukan dengan menggunakan cara-cara konvensional. Dengan menggunakan metode ini, untuk mendapatkan hubungan antara masukan sistem dan keluaran sistem tanpa harus menurunkan persamaan fisis dari sistem tersebut yang kita kenal dengan istilah identifikasi sistem [4]. ANN yang sangat popular di kalangan praktisi maupun peneliti adalah single multi layer feed forward model atau Multi Layer Perceptron (MLP) atau yang lebih dikenal dengan Backpropagation

ANN [8]. Dengan ditemukannya arsitektur ANN multi layer, banyak penelitian dan permasalahan non linear yang dapat diselesaikan dengan memberikan tingkat performansi yang memuaskan. Skema Multi Layer juga dijadikan model dasar dalam pengembangan Sistem Kendali ANN yang berbasis offline learning maupun online learning. Dewasa ini, pelatihan ANN dipengaruhi oleh skema jumlah neuron maupun hidden layers yang digunakan dalam arsitektur ANN. Begitu pula pada perancangan sistem kendali berbasis ANN, juga membutuhkan arsitektur yang terdiri dari beberapa hidden layers dengan harapan adanya peningkatan performansi dari ANN. Berbagai penelitian terdahulu telah dilakukan untuk mendapatkan performansi arsitektur ANN yang optimal yang berorientasi terhadap arsitektur yang dapat mengeneralisasi exogenous input. Sehingga pelatihan-pelatihan akan dilakukan secara trial and error dan keep the best (KTB) sebagai fixasi akhir sistem ANN yang digunakan untuk validasi maupun pada sistem di lapangan. ANN Ensembles adalah metode generalisasi output ANN yang terdiri dari beberapa sistem ANN dengan cara menggabungkan nilai output dari masing-masing ANN dengan menggunakan Linear Combinations dan Non Linear Combinations. Desain ANN Ensemles pada Sistem Kontrol Pengendalian Suhu 2.1 ANN Ensembles Sesuai dengan pembahasan di bagian sebelumnya, bahwa penelitian ini bertujuan untuk meningkatkan kemampuan ANN untuk mengeneralisasi yang dapat meningkatkan tingkat performasi sistem kontrol ANN. Sebagai gambaran umum, ANN Ensembles dapat digambarkan dengan blok diagram berikut 2.

Gambar 1. Blok ANN Ensembles

Data pelatihan didapatkan dengan menggunakan konsep inverse model dengan memberikan random input pada plant dan keluaran data suhu plant.

Gambar 3. Inverse Model

Gambar 4. Hubungan antara suhu dan tegangan kontrol Keluaran output masing-masing ANN akan diproses lebih lanjut dengan menggunakan proses generalisasi. Proses generalisasi menggunakan persamaan rata-rata dari masing-masing keluaran output ANN yaitu :

n
Gambar 2. Prosedur Pelatihan ANN Ensembles Prosedur yang harus dilakukan antara lain sebagai berikut: - Menyiapkan data pelatihan - Menentukan jumlah ANN yang akan digunakan - Bangkitkan bobot acak untuk masingmasing ANN - Tentukan parameter pelatihan ANN - Pelatihan ANN untuk mendapatkan nilai bobot yang optimal - Proses validasi dab fixasi arsitektur dan bobot optimal - Implementasikan kedalam sistem pengendalian suhu water heater

f
n fn

(1)

Keterangan: : Rata-rata / generalisasi output ANN ensembles fn : Keluaran masing-masing ANN nfn : Jumlah ANN 2.2 Pengendalian Suhu Water Heater Dalam penelitian ini, akan menggunakan plant water heater (pemanas air). Berikut adalah gambar dari system plant pada penelitian ini:

V0 Vi R1 ) R2
(2)

A (1
Gambar 5. Blok diagram sistem kendali water heater Tabung/tangki air menggunakan sebuah gelas ukur tahan panas sampai 200 C dengan kapasitas maksimal 900 mL. Sebagai pemanas digunakan sebuah elemen heater yang biasa digunakan pada pemanas air. Plant juga dilengkapi dengan stirrer/pengaduk yang akan berputar dengan tujuan agar penyebaran dapat lebih cepat merata. Untuk mendeteksi suhu air dilakukan dengan menggunakan tipe sensor suhu LM35 yang dibungkus dengan bahan anti air untuk menghindari terjadinya short circuit. Sensor suhu LM35 memiliki keluaran cukup kecil yaitu tiap kenaikan 1 C akan menghasilkan kenaikan tegangan output sebesar 10 mV. Tegangan output sensor suhu LM35 masih dalam orde mV, sehingga perlu dikuatkan dengan menggunakan amplifier (OpAmp) agar dapat dibaca oleh NI USB-6009 sebagai perangkat akusisi data dan dikirim ke PC sebagai data masukan. Selanjutnya data tersebut akan diproses dengan bantuan program MATLAB dengan memanfaatkan toolbox data acquisition. Sebagai pengendalian tegangan ke pemanas digunakan driver AC. Rangkaian Pengendali ANN Ensembles, terdiri dari beberapa arsitektur ANN yang kemudian menyatukan masing-masing outputnya untuk digeneralisir. Berikut adalah gambar skema blok pengendalian suhu pada water heater.

100k ) 22k A 5 .5 x A (1

Gambar 7. Rangkain Penguat LM35 b. Penguat Tegangan Kontrol dan Rangkaian Driver AC Dikarenakan keluaran dari NIDAQ 6009 maksimal sebesar 5V, maka dibutuhkan penguatan sebesar 2x sehingga dapat menyesuaikan dengan tegangan kontrol sudut picu maksimum yaitu 10 V. Untuk Pengontrol sudut fasa sendiri menggunakan IC TCA 785 yang terintegrasi dengan Zero Crossing Detection untuk mendeteksi gelombang sinus tegangan AC 220V saat melewati titik tegangan 0. Batas titik 0 digunakan sebagai acuan untuk pemicuan tegangan triac.

Gambar 6. Blok skema pengedalian suhu pada plant water heater

2.3 Perancangan Sistem Penelitian ini membutuhkan beberapa perangkat pendukung yaitu antara lain: a. Rangkaian penguat sensor LM35 Rangkaian sensor ini bertujuan untuk menguatkan sinyal keluaran sensor LM35 yang demikian kecil. Yaitu 10mV per 1 derajat kenaikan suhu. Sehingga dilakukan penguatan sebanyak 5.5x sesuai dengan persamaan dibawah ini

Gambar 8. Rangkaian pengontrol sudut fasa

Hasil dan Pembahasan Arsitektur ANN menggunakan tipe arsitektur feedforward Neural Network berbasis algoritma pelatihan backpropagation untuk masing-masing arsitektur jaringan. Arsitektur yang digunakan yaitu: - Algoritma pelatihan backpropagation - 1 hidden layer - 3 neuron pada hidden layer - MSE target =0.01 dalam waktu 5000 iterasi. Berikut adalah contoh penerapan aristektur terbaik dengan menggunakan ANN Ensembles.

3.

Gambar 11. Respon Sistem mengggunakan ANN Ensembles Penelitian terdahulu menunjukkan dengan menggunakan ANN arsitektur tunggal yang memiliki karakteristik pemebalajaran yang sama, menghasilkan nilai respon yang tidak terlalu baik.

Gambar 9. Arsistektur jaringan untuk masingmasing ANN Sesuai dengan uraian diatas, bahwa penelitian ini menggunakan MATLAB sebagai bahasa komputasinya. Dengan menggunakan script ANN dan simulink MATLAB, maka penelitian ini dapat terlaksana dengan baik didukung juga oleh driver NIDAQ 6009 pada software MATLAB yang digunakan. Dibawah ini adalah gambar perancangan dan hasil dari pengujian system menggunakan ANN Ensembles

Gambar 12. Respon sistem dengan menggunakan ANN tunggal Dengan menggunakan ANN tunggal performansi sistem menunjukkan dengan set point yang sama yaitu 70C dengan rise time 291.12 detik dan error 0.6 detik. Sedangkan dengan menggunakan fuzzy logic kontroller dengan karakteristik yang sama didapatkan respon sistem yang tidak jauh berbeda dengan menggunakan ANN tunggal.
80

70

60

SP=50*C Error1-50*C

Suhu (*C)

50

Error2-50*C Error3-50*C Error4-50*C

40

SP=70*C Error1-70*C

30

Error2-70*C Error3-70*C

Gambar 10. Hasil Pengujian ANN Ensembles. Pengujian system dilakukan dengan memberikan set point pada water heater dan kemudian menganalisa error serta rise time pada respon system tersebut. Dengan menggunakan ANN Ensembles didapatkan nilai error yang kecil yaitu 0.5C dengan riset time mencapai 60.5 detik dengan suhu awal yaitu 27C.

20

Error4-70*C

10

50

100

150

200

250

300

350

400

450

500

Waktu (detik)

Gambar 13. Respon sistem dengan menggunakan Fuzzy Logic Kontroller

Dari hasil penelitian tersebut didapatkan bahwa implementasi metode ANN Ensembles, memberikan perubahan yang cukup signifikan pada performa sistem pengendalian suhu pada water heater. Generalisasi yang diberikan dengan menggunakan metode Ensembles memilki tingkat performansi yang cukup baik dibandingkan dengan menggunakan ANN tunggal. Sehingga dari penelitian ini menunjukkan, sistem kendali dengan menggunakan ANN tidak mutlak menggunakan arsistektur yang besar ditandai dengan jumlah neuron dan layer dalam jumlah yang besar. Beban komputasi yang demikian besar, mengakibatkan ANN terjebak pada optimum local sehingga kemampuan mengeneralisasi rendah. ANN Ensembles menjadi solusi dari permasalahan tersebut, dengan menggunakan arsitektur yang cukup ramping yaitu dengan neuron dan hiddel layer kecil, namun memberikan performansi yang menjanjikan. Hal itu terbukti dengan melihat performansi error dan rise time pada respon sistem pengendalian suhu water heater. Untuk pengembangan selanjutnya, generalisasi ANN dapat lebih ditingkatkan dengan menggunakan ANN Ensembles yang diharapkan kedepannnya ada penelitian lebih lanjut untuk menjadi pembuktian nyata adanya peningkatan yang cukup baik dengan implementasi ANN Ensembles dalam bidang sistem kontrol cerdas.

Daftar Referensi [1] Gopala Rao,et al. Soft Computing Neural Network Ensembles. Journal of Theoritical and Applied Information Technology.2005-2007 [2] Hansen, Lars Kai, et al. Neural Network Ensembles. IEEE Transactions on Pattern Analysis and Machine Intelligence Vol 12. .No. 10 [3] Isnanto. Aplikasi Logika fuzzy pada pengendalian suhu water heater berbasis LabView. Skripsi. Skripsi. Jurusan Teknik Elektro, Fakultas Teknologi Industri Universitas Islam Indonesia. 2011 [4] Maqsood, Imran et al. An Ensemble of Neural Network for Weather Forecasting. Neural Computing and Application (2004) 13:112-122 [5] Navone, et al. A Learning Algorithm for Neural Network Ensembles. Inteligencia Artificial, Revista Iberoamericana de Inteligencia Artificial. No. 12 (2001), pp 7074. [6] Pratama, Hanung. Pengendali suhu water heater dengan jaringan syaraf backpropagation. Skripsi. Jurusan Teknik Elektro, Fakultas Teknologi Industri Universitas Islam Indonesia. 2011 [7] Umair, Muhammad, et al. Automation Irrigation System using ANN based Kontroller. International Journal of Electrical and Computer Sciences Vol 12 No.02 [8] Zhang, et al. Time Series Forecasting with Neural Network Ensembles: an Application for Exchange Rate Prediction. Journal of Operational Research Society(2001).S2. p652664)

4.

Kesimpulan Dari tulisan ini maka dapat disimpulan beberapa hal yaitu: - ANN Ensembles memberikan peningkatan yang cukup baik untuk performansi dalam sistem kendali cerdas berbasis ANN - Kemampuan generalisasi adalah factor penting untuk merancang sebuah sistem kontrol berbasis ANN - ANN ensembles meningkatkan kemampuan generalisasi pada ANN dengan tingkat efisiensi 90% - Perfromansi error dan rise time pada sistem pengendalian suhu water heater yaitu 0.5 dan 60.5 detik yang dimana jika dibandingkan dengan sistem kendali cerdas yang lain, memiliki peningkatan performansi yang cukup baik. Untuk penelitian lebih lanjut, maka diharapkan ada suatu modifikasi maupun bentuk plant lain sebagai wasilah pembuktian bahwa ANN ensembles dapat menjadi alternatif sistem kendali cerrdas berbasis ANN.