BAB II TINJAUAN PUSTAKA 2.

1 Tinjauan Pustaka Penerapan pengendali PID telah diterapkan pada plant pemanas udara dengan berabasis SCADA. (D. Kurniawan: 2010). Penelitian tersebut, menerapkan pengendali PID dengan menggunakan SCADA (Supervisory Control And Data Acquisition) dan terhubung dengan PLC (Programmable Logic Control) pada LG Master K 120s PLC. Dan didapatkan hasil yaitu, pada suhu set point , dengan parameter Kp

sama dengan 1000, parameter Ki sama dengan 100 dan juga parameter Kd sama dengan 10, dan waktu yang digunakan untuk sampai pada kondisi set point yaitu 140 detik, dengan maksimum overshoot 5%, dan nilai error sebesar 0.22. Dan nilai parameter dari pengendali PID tersebut didapatkan dengan metode ziegler-nichols. Penelitian lain yang juga pernah menerapkan pengendali PID digital pada pemanas air. (R. Andika: 2010). Pada penelitian ini kendali PID dibentuk dengan bantuan program LabVIEW yang terhubung dengan NI USB-6009 yang digunakan untuk mengendalikan tegangan yang disuplai ke heater. Selanjutnya suhu air diukur dengan sensor suhu LM35 sebagai masukan NI USB-6009 dan dikirim ke komputer untuk diolah lebih lanjut. Pada komputer digunakan program LabVIEW untuk mengolah data dan menampilkan nilai SP (Setting Point) dan PV (Present Value).

58

Dan pada penelitian yang lain, pernah diterapkan optimalisasi pengendali PID dengan algoritma genetik untuk memilih parameter pengendali PID pada pengereman motor DC. (S. Utomo: 2010). Penelitian tersebut dapat menemukan kemampuan pengendali PID untuk pengereman motor DC dengan nilai pada parameter pengendali PID yaitu Kp bernilai 8,531539761e-06, Ki bernilai 6,980351e-09, dan Kd sebesar

6,204756189653995e-010, dengan pengereman motor DC pada detik ke 30,8549 detik. Penelitian lainnya yang berjudul The PID Controller Design Using Genetic Algorithm. (S. Bin Mohamed Ibrahim: 2005). Penelitian tersebut, menerapkan algoritma genetik dalam mendapatkan nilai pengendali PID untuk mengendalikan kecepatan turbin. Dan dari penelitian tersebut didapatkan hasil, bahwa pengendali PID yang dirancang dengan menggunakan algoritma genetik, mampu mengendalikan kecepatan turbin dengan karakteristik hasil responnya yaitu saat populasi dari algoritma genetik ini disetting 80 individu, maka didapatkan nilai overshoot 4.86 %, rise time 0.592 % , dan juga settling time sebesar 1.66 detik. 2.2 Optimasi Optimasi adalah salah satu disiplin ilmu dalam matematika yang fokus untuk mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi, peluang, maupun pencarian nilai lainya dalam berbagai kasus. Optimasi sangat berguna di hampir segala bidang dalam rangka

59

melakukan usaha secara efektif dan efisien untuk mencapai target hasil yang ingin dicapai. Diantara contoh-contoh bidang yang sangat terbantu dengan adanya teknik optimasi tersebut, adalah antara lain : arsitektur, data mining, jaringan komputer, signal and image processing,

telekomunikasi, ekonomi, transportasi, dan sebagainya. Ada beberapa faktor yang mempengaruhi dalam masalah optimasi ini, diantaranya yaitu: a. Fungsi objektif, adalah suatu hal yang akan dioptimasi baik itu maksimasi ataupun minimasi. b. Variabel, merupakan bagian-bagian yang mempengaruhi dari suatu masalah yang akan dioptimasi. c. Sebuah batasan untuk suatu masalah. Secara umum, masalah optimasi ini mempunyai fungsi persamaan yang dibatasi dengan suatu nilai tertentu yaitu: Minimasi Dengan pokok batasan ( ) ( ) ( ) Dimana (2.1) (2.2) (2.3) ,

adalah suatu bilangan yang mempunyai dimensi

sedangkan ( ) adalah fungsi objektif yang akan diminimasi. Untuk ( ) adalah suatu persmaan yang disebut inequality constraints, atau suatu pertidaksamaan yang menjadi pembatas bagi solusi untuk maslah minimasi ( ) dan ( ) adalah persamaan yang disebut dengan equality

60

constraints, ataupun suatu persamaan yang menjadi pembatas masalah minimasi ( ). Secara garis besar metode untuk optimasi dibagai menjadi dua, optimasi klasikal dan optimasi non klasikal. Salah satu metode dalam optimasi klasikal yaitu metode kalkulus, yang didalamnya masih terdapat banyak metode lagi, misal metode newton, metode Fibonacci, dan sebagainya. Dan untuk contoh metode dalam optimasi non klasikal yaitu algoritma genetik (genetic algorithm), algoritma semut (ant algorithm), particle swarm optimization, dan sebagainya. 2.3 Algoritma Genetik Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang

berdasarkan pada teori evolusi Charles Darwin. Algoritma genetika pertama kali ditemukan oleh John Holland, itu dapat dilihat dalam bukunya yang berjudul Adaption in Natural and Artificial Systems sekitar pada tahun 1960 dan kemudian dikembangkan bersama murid dan rekan kerjanya di Universitas Michigan sekitar pada tahun 1960 sampai sekitar tahun 1970. Tujuan Holland mengembangkan Algoritma Genetika saat itu bukan untuk mendesain suatu algoritma yang dapat memecahkan suatu masalah, namun lebih mengarah ke studi mengenai fenomena adaptasi di alam dan mencoba menerapkan mekanisme adaptasi alam tersebut ke dalam sistem komputer. Kelebihan algoritma genetika adalah sebagai berikut:

61

Algoritma genetika tidak terlalu banyak memerlukan persyaratan matematika dalam penyelesaian proses optimasi dan dapat

diaplikasikan pada beberapa jenis fungsi objektif dengan beberapa fungsi pembatas baik berbentuk liner maupun non liner. Operasi evolusi dari algoritma genetika sangat efektif untuk mengobservasi posisi global secara acak. Algoritma genetika mempunyai fleksibilitas untuk diimplementasikan secara efisien pada problematika tertentu. 2.3.1. Karakteristik Algoritma Genetik Algoritma genetika memiliki beberapa karakteristik yang perlu diketahui, sehingga dapat terbedakan dari prosedur pencarian atau optimasi yang lainnya. Adapun karakteristik dari algoritma genetika adalah: Ruang masalah sangat besar, kompleks, dan sulit dipahami. Kurang atau bahkan tidak ada pengetahuan yang memadai untuk mempresentasikan masalah ke dalam ruang pencarian yang lebih sempit. Melakukan pencarian pada sebuah populasi dari sejumlah individuindividu yang merupakan solusi permasalahan. Merupakan informasi fungsi objektif (fitness) sebagai cara untuk mengevaluasi individu yang mempunyai solusi terbaik. Tidak tersedianya analisis matematika yang memadai.

62

Ketika

metode-metode

konvensional

sudah

tidak

mampu

menyelesaikan masalah yang dihadapi. Solusi yang diharapkan tidak harus paling optimal, tetapi cukup bagus dan bisa diterima. Terdapat batasan waktu, misalnya dalam real time systems atau sistem waktu nyata. 2.3.2. Komponen-komponen algoritma genetik Pada dasarnya algoritma genetik memiliki tujuh komponen. Akan tetapi, dalam setiap komponen tersebut memiliki macammacam cara yang bisa digunakan. Dan setiap cara yang diterapkan pada setiap komponen memilki kelebihan dan keunggulan tersendiri untuk masalah yang diselesaikan. Karena tidak setiap cara lebih dalam mengatasi setiap masalah. Tujuh komponen tersebut yaitu skema pengkodean, nilai fitness, seleksi orang tua, pindah silang (crossover), mutasi, elitisme, dan penggantian populasi. a. Skema Pengkodean Secara umum terdapat tiga skema pengkodean dalam algoritma genetik, yaitu: real number encoding. Pada skema pengkodean ini, nilai gen berada dalam interval [0,R], dimana R adalah bilangan real positif.

63

discrete decimal encoding. Setiap gen bisa bernilai salah satu bilangan bulat dalam interval [0,9].

binary encoding. Sedangkan pada skema pengkodean ini, nilai setiap gen hanya bernilai 0 atau 1. Dengan memberikan inisialisasi batasan suatu interval tertentu, semisal batas bawah dengan dan batas atas atas dengan

, dan juga memberi simbol untuk kromosom dengan x, beserta gen dengan g, pengkodean dapat dirumuskan dengan perhitungan sebagai berikut: untuk pengkodean real decimal number encoding yaitu : ( ) (2.4)

untuk pengkodean discrete decimal encoding yaitu: ( )( ) (2.5)

sedangkan untuk pengkodean binary encoding adalah: ( )( ) (2.6)

b. Nilai Fitness Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran perfomansinya. Di dalam evolusi alam, individu yang bernilai fitness tinggi yang akan bertahan hidup. Sedangkan individu yang bernilai fitness rendah akan mati. Pada masalah

64

optimasi, jika solusi yang dicari adalah memaksimalkan sebuah fungsi h, maka nilai fitness dari fungsi tersebut adalah: f=h, (2.7)

dimana f adalah nilai fitness. Akan tetapi, apabila masalah yang akan diselesaikan adalah meminimalkan, maka fitness f =1/h. Yang artinya semakin kecil nilai h, maka nilai f akan menjadi semakin besar. Akan tetapi, akan menjadi masalah ketika h=0, yang menjadikan nilai f sama dengan tak hingga. Maka dari itu, untuk mengatasi masalah ini, h perlu ditambah dengan sebuah bilangan yang sangat kecil, dan bervariasi sesuai dengan masalah yang akan diselesaikan. Semisal bilangan tersebut dilambangkan dengan a, maka nilai fitnessnya menjadi:
( )

(2.8)

c. Seleksi Orang Tua Salah satu komponen dasar algoritma genetik adalah seleksi orang tua. Pemilihan dua buah kromosom sebagai orang tua, yang nantinya akan dipindahsilangkan, biasanya dilakukan secara proporsional sesuai dengan nilai fitnessnya. Semakin tinggi nilai fitnessnya, semakin tinggi pula kesempatan untuk menjadi kromosom orang tua. Suatu metode seleksi yang umum digunakan adalah roulette-wheel (roda roulette). Walaupun sebenarnya masih terdapat beberapa contoh metode yang lain, misal Boltzman

65

selection, tournament selection, rank selection, steady state selection ataupun yang lainnya. Akan tetapi untuk tugas akhir kali ini, akan menggunakan metode roulette-wheel, karena metode ini cukup banyak yang menggunakan. Sesuai dengan namanya, metode ini menirukan permainan roulette-wheel dimana masingmasing kromosom menempati potongan lingkaran pada roda roulette secara proporsional sesuai dengan nilai fitnessnya. Kromosom dengan nilai fitness yang lebih besar, menempati potongan lingkaran yang lebih besar pula, dibandingkan dengan kromosom bernilai fitness rendah.

Gambar 2.1 Skema metode roulette-wheel selection.

d. Pindah Silang Salah satu komponen paling penting dalam algoritma genetik adalah crossover atau pindah silang. Sebuah koromosom yang mengarah pada solusi yang bagus bisa diperoleh dari

66

memindah-silangkan dua buah kromosom. Pidah silang bisa juga berakibat buruk, jika ukuran populasinya sangat kecil. Dalam suatu populasi yang sangat kecil, suatu kromosom dengan gen-gen yang mengarah ke solusi akan sangat cepat menyebar ke kromosomkromosom lainnya. Untuk mengatasi masalah ini digunakan suatu aturan bahwa pindah silang hanya bisa dilakukan dengan suatu probabilitas tertentu, misal Pc. Artinya, pindah silang bisa dlakukan hanya jiaka suatu bilangan random [0,1] yang dibangkitkan kurang dari Pc yang ditentukan. Pada umumnya, Pc disetting mendekati 1, misalnya 0,8. e. Mutasi Proses mutasi ini dilakukan setelah proses pindah silang (crossover) dengan cara memilih kromosom yang akan dimutasi secara acak, dan kemudian menentukan titik mutasi pada kromosom tersebut secara acak pula. Banyaknya kromosom yang akan mengalami mutasi dihitung berdasarkan probabilitas mutasi yang telah ditentukan terlebih dahulu . Apabila probabilitas mutasi adalah 100% maka semua kromosom yang ada pada populasi tersebut akan mengalami mutasi. Sebaliknya, jika probabilitas mutasi yang digunakan adalah 0% maka tidak ada kromosom yang mengalami mutasi pada populasi tersebut.

67

f. Elitisme Karena seleksi dilakukan secara random, maka tidak ada jaminan bahwa suatu individu bernilai fitness tertinggi akan selalu terpilih. Kalaupun individu bernilai tertinggi terpilih, mungkin saja individu tersebutakan rusak ataupun nilai fitnessnya menurun karena proses pindah silang. Untuk menjaga agar individu bernilai fitness tertinggi tersebut tidak hilang selama evaluasi, maka perlu dibuat satu beberapa kopinya. Prosedur ini dikenal sebagai elitisme. g. Penggantian Populasi Dalam algoritma genetik dikenal skema penggantian populasi yang disebut general replacement, yang berarti semua individu (misal N individu dalam satu populasi) dari suatu generasi digantikan sekaligus oleh N individu baru hasil pindah silang dan mutasi. Skema penggantian ini tidak realistis dari sudut pandang biologi. Di dunia nyata, individu-individu dari generasi berbada bisa berada dalam waktu yang bersamaan. Fakta lainnya adalah individu-individu muncul dan hilang secara konstan, tidak pada generasi tertentu. Secara umum skema penggantian populasi dapat dirumuskan berdasarkan suatu ukuran yang disebut generational gap G. Ukuran ini menunjukkan persentase populasi yang digantikan dalam setiap generasi. Pada skema generational replacement, G = 1.

68

Skema penggantian yang paling ekstrem adalah hanya mengganti satu individu dalam setiap generasi, yaitu G=1/N, dimana N adalah jumlah individu dalam populasi. Skema penggantian ini disebut sebagai steady-state reproduction. Pada skema tersebut, G biasanya sama dengan 1/N atau 2/N. Dalam setiap generasi. Sejumlah NG individu harus dihapus untuk menjaga ukuran poplasi tetap N. Terdapat beberapa prosedur penghapusan individu, yaitu penghapusan individu yang bernilai fitness paling rendah atau penghapusan individu yang paling tua. Penghapusan bisa berlaku hanya pada individu orang tua saja atau bisa juga berlaku pada semua individu dalam populasi. 2.4 Pengendali PID Pengendali PID merupakan pengendali yang banyak digunakan untuk sistem kalang tertutup, yaitu dengan mengumpan balikan nilai output sistem dan membandingkan dengan set point. Alasan utama mengapa umpan balik sangat penting dalam sistem adalah untuk mencapai set point yang telah ditetapkan dan sistem tersebut memiliki kondisi yang stabil. Pada pengendali PID terdapat tiga parameter. Parameter-parameter tersebut ialah proportional (P), integra (I), dan Derivative (D).

69

Gambar 2.2 Skematik parameter PID. Pengendali PID tersebut memiliki fungsi alih sebagai berikut: ( ) ( ) (2.9)

2.4.1

Pengendali Proporsional (P) Pada parameter-parameter yang terdapat pada pengendali PID,

setiap parameter tersebut akan mempunyai pengaruh tersendiri terhadap sistem. Untuk parameter proportional (P) mempunyai pengaruh terhadap sistem yaitu: Apabila nilai dari Kp semakin besar, maka respon dari sistem tersebut akan memiliki nilai rise time dan steady-state error yang semakin kecil. Akan tetapi, dampak negatif dari semakin besarnya nilai Kp yaitu, respon dari sistem tersebut mempunyai nilai overshoot yang semakin tinggi pula.

70

Sedangkan pengaruh Kp ini, terhadap settling time pada sistem kurang begitu berpengaruh.

2.4.2

Pengendali Integral (I) Pada parameter pengendali Integral (I) mempunyai pengaruh terhadap sistem, yaitu: Semakin besar nilai Ki, maka sistem tersebut akan

mempunyai nilai rise time yang semakin kecil pula. Bahkan, akan menghilangkan nilai steady-state error dari plant. Akan tetapi, ketika semakin besar nilai Ki ini, akan

semakin meningkatkan nilai overshoot dan settling time dari respon sistem tersebut. 2.4.3 Pengendali Derivative (D) Untuk parameter pengendali Derivative (D), akan

mempunyai pengaruh terhadap sebuah plant yaitu: Ketika semakin besar nilai Kd, maka respon sistem tersebut

akan mempunyai nilai overshoot dan settling time yang semakin kecil. Sedangkan pengaruhnya nilai Kd terhadap respon sistem

terhadap rise time dan steady-state error, kurang begitu berpengaruh.

71

Tabel 2.1 Pengaruh parameter Ki, Kp, Kd terhadap sistem.

Parameter Rise time Overshoot Settling-time Pengaruhnya kecil meningkat menurun Steady-state error Menurun Menghilangkan Pengaruhnya kecil

Kp Ki Kd

Menurun Menurun Pengaruhnya kecil

Meningkat Meningkat Menurun

2.5

Penentuan Parameter Pengendali PID Menggunakan Metode Ziegler-Nichols Dalam menentukan nilai dari parameter proportional (P), Integral (I), dan Derivative (D), terdapat banyak metode yang digunakan. Diantaranya metode yang cukup banyak digunakan yaitu Ziegeler-nichols. Dan metode tersebut mempunyai 2 tipe metode. 2.5.1 Metode Ziegeler-Nichols I Metode Ziegeler-nichols I ini seringkali disebut dengan metode ziegler-nichols kalang terbuka. Langkah-langkah untuk menentukan nilai parameter proportional (P), integral (I), dan Derivative (D) pada metode ini, adalah dengan melihat output respon sistem ketika plant diberi input unit step, dan dilakukan dengan kondisi plant dalam keadaan kalang terbuka.

72

Gambar 2.3 Aturan tuning untuk pengendali PID metode ziegler-nichols I.

Setelah mendapatkan nilai L dan T, maka langkah selanjutnya yaitu menentukan nilai Kp, Ki, dan Kd dengan cara memasukannya ke dalam rumus sebagai berikut: Tabel 2.2 Rumus dari metode ziegler-nichols I.
Tipe dari Pengendali P Kp Ti Td

T L
0.9 1.2

PI PID

L 0. 3
2L

0.5L

73

2.5.2

Metode Ziegeler-Nichols II Metode Ziegeler-nichols II, kadangkali disebut dengan metode ziegler-nichols kalang tertutup. Langkah-langkah untuk menentukan nilai parameter-parameternya dilakukan dengan cara kalang tertutup pada plant tersebut. Dengan memberi input dengan unit step dan hanya memberikan nilai Kp mulai dari 0 hingga nilai kritis Kcr, maka akan diperoleh nilai output yang berosilasi. Nilai dari Kcr ini akan divariasikan sampai output respon sistem mempunyai nilai amplitudo yang sama ketika berosilasi.

Gambar 2. 4 Aturan tuning PID metode ziegler-nichols II.

Kemudian langkah berikutnya yaitu menentukan nilai parameter Kp, Ki, dan Kd sesuai dengan tabel berikut:

74

Tabel 2.3 Rumus ziegler-nichols II.

Tipe dari Pengendali P PI PID Kp 0.5 Kcr 0.45Kcr 0.6Kcr Ti Td 0.125Pcr

1 Pcr 1.2
0.5Pcr

2.6

NI USB-6009 NI USB-6009 merupakan alat yang digunakan untuk mengakuisisi data. Sistem Akuisisi Data dapat didefinisikan sebagai suatu sistem yang berfungsi untuk mengambil, mengumpulkan dan menyiapkan data, hingga memprosesnya untuk menghasilkan data yang dikehendaki. Jenis serta metode yang dipilih pada umumnya bertujuan untuk menyederhanakan setiap langkah yang dilaksanakan pada keseluruhan proses. Sebelum ditemukannya instrumentasi digital dan komputer, proses pengolahan data dilakukan secara manual hampir seluruhnya oleh manusia. Maka pada saat itu besaran fisik diubah menjadi kebesaran yang langsung dapat diamati oleh panca indera manusia. Selanjutnya dengan adanya teknologi dibidang elektrikal, kebesaran fisik yang diukur sebagai data tersebut dikonversikan kedalam sinyal listrik dan ditampilkan dalam bentuk simpangan jarum, pendaran cahaya, dan sebagainya. Sejak ditemukannya teknologi digital dan komputer, sistem akuisisi data mengalami perkembangan dan perubahan yang sangat signifikan baik pada cara pengambilan data, mengumpulkan data, menyimpannya hingga

75

mengolahnya menjadi data yang siap untuk diproses lebih lanjut. Maka dari itu, dibutuhkan alat untuk menghubungkan data analog tersebut dengan komputer, salah satu diantaranya yaitu NI USB-6009 ini. Pada penggunaan alat ini, NI USB-6009 akan terhubung dengan PC (personal computer) ataupun laptop melalui port usb.

Gambar 2.5 NI USB-6009 Data Acquisition.

2.6.1

Konstruksi NI USB-6009 NI USB-6009 menyediakan koneksi 8 analog input (AI) channel , 2 analog output (AO) channel, 12 digital input/output (DIO) channel, dan 32 bit counter dengan USB berkecepatan penuh. Blok diagram di bawah memperlihatkan komponen-komponen fungsional yang terdapat pada NI USB-6009. NI USB-6009 memiliki 2 terminal sekrup yang

76

dapat dipisahkan, satu untuk terminal analog signal dan yang satu lagi untuk terminal digital signal. 2.6.2 Input Analog NI USB-6009 dapat menghubungkan sinyal input analog ke komputer melalui I/O connector. Berikut ini fungsi dari masing-masing pin pada terminal analog. Tabel 2.4 Fungsi setiap pin terminal analog

K a n a l

77

AI dapat dikonfigurasi dalam dua mode, yaitu: 1. Mode Sinyal Tegangan Differential Ujung sinyal positif dihubungkan ke terminal AI+ dan ujung sinyal negatif ke terminal AI.

Gambar 2.6 Skema mode differential. Mode input differential dapat mengukur sinyal 20 V pada range 20 V. Bagaimanapun juga, tegangan input pada tiap pin sebesar 10 V yang dihubungkan ke GND. Contoh, jika AI1 = +10V dan AI5 = -10 V, maka tegangan yang terukur pada device sebesar 20 V. 2. Mode Reference Single-ended (RSE) Untuk menggunakan fungsi ini, maka ujung sinyal tegangan positif dihubungkan ke salah satu terminal AI dan ujung yang lain dihubungkan ke GND.

Gambar 2.8 Skema mode RSE.

78

2.6.3

Output Analog NI USB-6009 memiliki dua kanal Analog Output (AO) yang terpisah. Kedua AO tersebut dapat

membangkitkan output 0 5 V. Untuk menghubungkan beban ke NI USB-6009, ujung positif beban dihubungkan ke terminal AO dan ground beban dihubungkan ke terminal GND.

Gambar 2.9 Connecting load AO.

2.7

Pemodelan Sistem Pemodelan sistem adalah proses membentuk atau membangun sebuah model dari suatu sistem nyata ke dalam bentuk suatu fungsi matematis tertentu yang dibangun dari hubungan antar variabel penyusun plant atau model. Pembentukan persamaan matematis tersebut disusun dari perbandingan output dengan input.

79

Gambar 2.10 Proses pemodelan sistem dengan membandingkan input dan output tertentu. Dalam pembandingan nilai input dan output tertentu maka berlaku persamaan tertentu pula. Apabila dalam proses pemodelan sistem tersebut dibandingkannya antara input berupa unit step kemudian plant atau model tersebut mempunyai output grafik s, maka akan berlaku persamaan matematis fungsi alih sebagai berikut: ( )

(2.10)

Bentuk grafik s, adalah sebagai berikut:

Gambar 2.11 Bentuk grafik s dari step respon suatu sistem.