Anda di halaman 1dari 16

LAPORAN AKHIR SEMESTER PENGENDALI CERDAS Perancangan Fuzzy Logic Controller pada Suatu Plant I. 1.

1 Pendahuluan Latar Belakang

Fuzzy logic adalah sebuah system yang dibangun dengan definisi, cara kerja, dan deskripsi yang jelas berdasarkan teori fuzzy logic. Secara umum fuzzy logic adalah sebuah metodologi berhitung dengan variable kata-kata sebagai pengganti berhitung dengan bilangan. Kata-kata yang digunakan dalam fuzzy logic memang tidak sepresisi bilangan, namun jauh lebih dekat dengan intuisi manusia, sehingga dapat dengan mudah dirasakan oleh user. Mapping atau pemetaan input dan output dalam suatu system sangat sering kita hadapi dalam membuat suatu program, fuzzy logic sangat cocok dalam menyelesaikan masalah tersebut. Konsep fuzzy logic sangat sederhana sehingga dapat dengan mudah dipahami. Kelebihannya dibandingkan dengan konsep lain bukan pada masalah kompleksitasnya, tetapi pada naturalness pendekatannya dalam menyelesaikan masalah. System ini juga sangat fleksible dan dapat memberikan toleransi terhadap suatu ketidak presisian, konsep ini juga dapat diterapkan pada suatu desain yang sudah ada tanpa menghilangkan teknik desainnya, dan yang paling membuat teknik ini mudah dilaksanakan adalah system ini berdasarkan pada bahasa manusia. Metode tuning output akan mengamati perubahan kesalahan (error) untuk melakukan proses adaptifnya. Karena penggunaan sistem kendali logika fuzzy adaptif yang begitu menguntungkan,disini penulis mencoba untuk membandingkan output sebuah Fuzzy Logic Controller dengan output sebuah PID Controller dari sebuah transfer function. 1.2 Tujuan Tujuan dari laporan akhir semester ini adalah mempelajari sistem kendali logika fuzzy serta membandingkan output responnya mencapai kecepatan putaran sesuai dengan Setting Point (SP) yang diberikan mulai fuzzy tanpa kontrol hingga fuzzy memakai kontrol .

II. 2.1

DASAR TEORI

Logika Fuzzy Logika fuzzy adalah suatu bentuk logika banyak bernilai atau logika probabilistik, berhubungan dengan penalaran yang perkiraan daripada tetap dan tepat. Dibandingkan dengan set biner tradisional (di mana variabel dapat mengambil nilai-nilai benar atau salah) variabel logika fuzzy mungkin memiliki nilai kebenaran yang berkisar dalam derajat antara 0 dan 1. Logika fuzzy telah diperpanjang untuk menangani konsep kebenaran parsial, dimana nilai kebenaran dapat berkisar antara sepenuhnya benar dan benar-benar palsu. Selanjutnya, ketika variabel linguistik digunakan, gelar ini dapat dikelola oleh fungsi tertentu.. Irasionalitas dapat

digambarkan dalam hal apa yang dikenal sebagai fuzzjective tersebut.

Gambar 1. Contoh Fuzzy Logic Kendali logika fuzzy dilakukan dalam tiga tahap,yaitu fuzzifikasi, evaluasi aturan dan defuzzifikasi. Komponen fuzifikasi berfungsi untuk memetakan masukan data tegas ke dalam himpunan fuzzy menjadi nilai fuzzy dari beberapa variable linguistic masukan.

Basis pengeahuan berisi pengetahuan system kendali sebagai pedoman evaluasi keadaan system untuk mendapatkan keluaran kendali sesuai yang diinginkan perancang. Basis pengetahuan terdiri dari basis data dan basis aturan fuzzy. 1. Basis Data Basis data merupakan komponen untuk mendefinisikan himpunan fuzzy dari masukan dan keluaran. 2.

Basis Aturan Fuzzy Basis Aturan fuzzy merupakan kumpulan pernyataan aturanIFTHEN yang didasarkan kepada pengetahuan pakar. Metode yang digunakan dalam penentuan basis aturan fuzzy adalah menggunakan metode trial and error. Logika pengambilan keputusan disusun dengan cara menuliskan aturan yang menghubungkan antara masukan dan keluaran sistem fuzzy. Aturan ini diekspresikan dalam kalimat: jika<masukan>maka<keluaran>. III. PERANCANGAN

1. Plant Awal yang akan dikontrol-Tanpa kontrol

Berikut adalah suatu sistem yang memiliki transfer function dari sistem sebenarnya seperti blok diagram diatas. Grafik respon dari sistem ini adalah sebagai berikut :

Dan sistem ini memiliki parameter response sebagai berikut : Maksimum Overshoot Time Rise Settling time = 1.33-0.8 = 2.33 = 1.9 = 9.98

Sistem ini sangat tidak stabil karena berosilasi dengan waktu yang cukup lama, meiliki overshoot yang sangat tinggi yaitu 0.101 dan itu hampir setengah dari set point yang diinginkan. Selain itu Sistem ini memiliki time rise 1.8 atau 18% dari waktu steady state dan mempunyai settling time yang sangat lama hingga 8.2 s. Dengan sistem yang tidak stabil ini maka diuji responnya dengan menggunakan Fuzzy controller. Penggunaan fuzzy logic yang merupakan kontroller yang samar-samar bernilai variatif antara 0-1 karena sangat adaptif, yang response output berubah berdasarkan inputnya membuat kontroller ini sangat dinamic bekerja menurut logika manusia. Logic Plant dengan Fuzzy kontroller

s+7 2s2 +4s+5 Step1 Fuzzy Logic Controller with Ruleviewer Transfer Fcn3

s+10 s2 +5s+12 Transfer Fcn2 Scope1

1 z Unit Delay

IV.

PENGUJIAN DAN ANALISA

Plant dengan Fuzzy Logic kontroller Penggunaan PID kontrolller mempunyai kelemahan yaitu mempunyai set point yang tetap dan ketika diketahui parameter kontroller kp, ki, dan kd kemudian parameter itu digunakan sebagai referensi awal tuning untuk mendapatkan response sistem yang cepat dengan overshot mendekati 0 dengan time rise yang cepat, namun ketika set point berubah maka harus melakukan tuning dari awal. Dengan demikian PID kontroller sangat tidak adaptif yang sifatnya adalah cocok untuk plant yang statis. Sehingga Penggunaan fuzzy logic yang merupakan kontroller yang samar-samar bernilai variatif antara 0-1 karena sangat adaptif, yang response output berubah berdasarkan inputnya membuat kontroller ini sangat dinamic bekerja menurut logika manusia. A. Fuzzy Logic Controller 3 Steps Pengujian Fuzzy logic kontroller dengan 3 step membership function dengan membership Negatif (N)-Zero (Z)-Positif(P). Pengujian pertama Dengan kombinasi membership function berdasarkan matrix rule base sebagai berikut : e\e N Z P N N N Z Z Z Z Z P Z P P

1.

Diatas adalah display grafik membership function dari rule base yang terdapat pada fuzzy logic kontroller pada plant dan jika disajikan dalam bentuk surface X-Y-Z Dengan : X=d.error Y=Error Z=Output

Gain 1 5 10 15 20 25 2. Pengujian Kedua

Maximum Overshoot 0.088 0.0509 0.0508 0.05085 0.05083 0.05086

Time rest 1.58 1.57 1.573 1.575 1.558 1.5735

Settling time 8.42 8.43 8.427 8.425 8.442 8.4265

Dengan kombinasi membership function berdasarkan matrix rule base sebagai berikut : e\e N Z P N N N N Z N N Z P N Z P

Dengan error =0.5 dan d.error =0.741 sama dengan pada pengujian pertama namun denga rule base yang berbeda kombinasinya didapat viewer membersip function berikut :

Dengan parameter response dari output berikut 1. Maximum overshoot = 0.862 2. Time Rise = 1.96 3. Settling time = 7.8 Pada sistem dengan kombinasi matrix rule base diatas response sistem menjadi kurang stabil dan terjadi osilasi walaupun kecil yang menyebabkan settling time menjadi lama karena mencapai keadaan steady juga memerlukan waktu hingga osilasi tersebut teredam; Selain itu penggunaan rule base ini pada sistem mengakibatkan overshoot semakin besar daripada rule base pada pengujian pertama yaitu 0.172 atau 17.2 % namun keuntungan dari rule base ini daripada rule pengujian pertama adalah response dari sistem ini mendekati daripada set point yaitu 0.69 dengan set point 1. 3. Pengujian ketiga Dengan kombinasi membership function berdasarkan matrix rule base sebagai berikut : e\e N Z P N P P P Z P P P P P P P

Dengan error =0.5 dan d.error =0.741 sama dengan pada pengujian pertama dan pengujian kedua namun denga rule base yang berbeda kombinasinya didapat viewer proses kerja dari fuzzy kontroller berdasarkan membersip function berikut :

Dan didapat hasil output yang berbeda dari pengujian kombinasi pertama maupun kombinasi matrix rule base pengujian kedua yaitu Ketika d.error mendekati positif rendah dan error adalah zero maka output adalah Positif tinggi yang lebih cenderung merespon untuk memberikan nilai output positif.

Dengan kombinasi matrix dari rule base tersebut didapat parameter response sistem sebagai berikut 1. Maximum overshoot 2. Time Rise 3. Settling time = 1.0476 = 2.68 = 5.4

B. Fuzzy Logic Controller 5 Steps Kombinasi Rendah Pengujian Fuzzy logic kontroller dengan 5 step membership function yang mempunyai membership function Negatif(N)-Negatif Rendah(NR)-Zero(Z)-Positif Rendah(PR)Positif(P).Pengujian dengan 5 step ini akan dilakukan 5 pengujian dengan kombinasi rule base yang berbeda-beda untuk mengetahui karakteristik dan cara kerja dari Fuzzy Logic Kontroller ini sendiri. 1. Pengujian Pertama

Pada pengujian ini kombinasi rule base yang digunakan adalah menurut matrix Inferensi Rule Fuzzy berikut

Pada rule viewer terlihat proses fuzzy berdasarkan rule base yang terprogram pada fuzzy kontroller. Dengan nilai input fuzzy yang sama seperti pengujian-pengujian sebelumnya yaitu error=0.5 (Zero) dan d.error=0.744 (Positif rendah) didapat nilai output adalah 0 atau Zero. Karakteristik dari sistem fuzzy ini dapat terlihat distribusinya seperti dibawah ini : Surface disini adalah merupakan plot dari matrix rule diatas yang berasal dari sumbu X-Y-Z mewakili dari membership function. Plant yang menggunakan fuzzy logic controller dengan rule diatas memiliki respon seperti di bawah ini.

Dengan kombinasi matrix dari rule base tersebut didapat parameter response sistem sebagai berikut 1. 2. Maximum overshoot Time Rise = 0.55 = 5.2

3. 2.

Settling time

= 7.5

Pengujian Kedua Pada pengujian ini kombinasi rule base yang digunakan adalah menurut matrix Inferensi Rule Fuzzy berikut e\error N NR Z PR P N P P P P P NR P P P P P Z P P P P P PR N Z P P P P NR Z PR Z PR

Rule Viewer

Terlihat bahwa terrain distribusi dari rule base yang diplot ke plotting surface memperlihatkan keadaan high (positif) pada membership function tipe low (N, NR dan Z)

Dengan kombinasi matrix dari rule base tersebut didapat parameter response sistem sebagai berikut

1. 2. 3.

Maximum overshoot = 0.2435 Time Rise = 1.91 Settling time =8

3. Pengujian Ketiga Pada pengujian ini kombinasi rule base yang digunakan adalah menurut matrix Inferensi Rule Fuzzy berikut. Pada pengujian ketiga ini menggunakan kebalikan dari pengujian kedua Dengan rule base seperti berikut : e\error N NR Z PR P Rule Viewer N N Z PR Z PR NR NR Z P P P Z P P P P P PR P P P P P P P P P P P

Surface ini merupakan kebalikan dari kombinasi membersip function sebelumnya

Respon Sistem

Dengan kombinasi matrix dari rule base tersebut didapat parameter response sistem sebagai berikut 1. Maximum overshoot = 0.847 2. Time Rise = 1.73 3. Settling time = 9.8 Pada sistem ini terlihat bahwa respon mengalamai osilasi yang cukup besar yang dikarenakan logic atau rule base yang digunakan sangat tidak tabil dan memiliki overshoot yang sangat tinggi Dari ketiga pengujian didapat hasil seperti ini

MOV TR ST Steady

1.16 2.58 5 1.0565

0.8711 2.1 0.6 0.7

0.111 2.5 6 1.045

C.

Fuzzy Logic Controller 7 Steps

Pengujian Fuzzy logic kontroller dengan 7 step membership function dengan membership Negatif Tinggi(NT)-Negatif (N)-Negatif Rendah(NR)-Zero (Z)-Positif Rendah (PR)-Positif(P)Positif Tinggi (PT) 1. Pengujian pertama Dengan kombinasi membership function berdasarkan matrix rule base sebagai berikut :

e\error NT N NR Z PR P PT Rule Viewer

NT NT N NR Z PR P PT

N N N NR Z PR P PT

NR NR NR NR Z PR P PT

Z Z Z Z Z PR P PT

PR PR PR PR PR PR P PT

P P P P P P P PT

PT PT PT PT PT PT PT PT

Respon Sistem

Pada sistem ini terlihat bahwa respon sangat stabil dan dengan kombinasi matrix dari rule base tersebut didapat parameter response sistem sebagai berikut

1. 2. 3.

Maximum overshoot = 0.733 Time Rise = 1.71 Settling time = 8.3

Steady= 0.5353

2.

Pengujian Kedua Dengan kombinasi membership function berdasarkan matrix rule base sebagai berikut : e\error NT N NR Z PR P PT NT PT PT PT PT PT PT PT N PT PT NR PT NR PT PT NR PT PT N PT N PT PT Z PT PT Z PT Z PT PT PR PT PT PR PT PR PT PT P PT PT P PT P PT PT PT PT PT PT PT PT PT PT

Rule Viewer

Sistem Respon

Pada sistem ini terlihat bahwa respon sangat stabil dan dengan kombinasi matrix dari rule base tersebut didapat parameter response sistem sebagai berikut 1. 2. 3. 3. Maximum overshoot = 1.1793 Time Rise = 2.42 Settling time = 5.4 Steady= 1.1032

Pengujian Ketiga Dengan kombinasi membership function berdasarkan matrix rule base sebagai berikut : e\error NT N NR Z PR P PT NT PT PT PT PT PT PT PT N PT PT NR NR NR PT PT NR PT PT N N N PT PT Z PT PT Z Z Z PT PT PR PT PT PR PR PR PT PT P PT PT P P P PT PT PT PT PT P P P PT PT

Rule Viewer

Respon Sistem

Pada sistem ini terlihat bahwa respon sangat stabil dan dengan kombinasi matrix dari rule base tersebut didapat parameter response sistem sebagai berikut 1. Maximum overshoot = 1.1793 Steady= 1.104 2. Time Rise = 2.4 3. Settling time = 5.3

Kesimpulan Ada beberapa cara untuk mengasosiasikan nomor fuzzy ke deskripsi dalam kata-kata. Asosiasi ini terjadi dalam bentuk-bentuk tertentu. Bentuk ini disebut sebagai fungsi keanggotaan. Ada empat bentuk yang terutama digunakan. Hal ini termasuk segitiga, trapesium, Gaussian, dan Singleton. Adaptasi pada algoritma fuzzy berupa penalaan membership function dimaksudkan untuk menempatkan fungsi keanggotaan pada tempat yangtepat khususnya fungsi keanggotaan Zero/nol dengan beban komputasi yang cukup rendah Jumlah step pada penggunaan fuzzy logic berpengaruh pada kekompleksan dari respon, dan dengan kombinasi membership function yang berbeda mempengaruhi parameter respon dari sistem yaitu Maksimum Overshoot, Time Rise dan Settling time.