BAB II
TINJAUAN PUSTAKA
2.1. Landasan Teori
2.1.1 Motor DC
Motor DC adalah suatu mesin yang berfungsi untuk mengubah tenaga
listrik arus searah menjadi tenaga mekanik. Motor bekerja berdasarkan prinsip
induksi elektromagnetik. Dasar konstruksi motor DC ditunjukan pada Gambar
2.1.
Gambar 2.1 Dasar Konstruksi Motor DC
Jika diberikan sumber tegangan Vm maka arus ia akan mengalir pada
kawat dengan arah seperti yang ditunjukkan pada Gambar 2.1 karena kawat
penghantar berada di dalam medan magnet maka akan timbul gaya pada kawat.
Pada kawat sisi atas akan timbul gaya ke kanan, dan kawat sisi bawah timbul gaya
ke kiri. Hasilnya akan dihasilkan perputaran searah jarum jam pada lilitan jangkar
atau armature. Jika polaritas dibalik maka timbul perputaran melawan arah jarum
jam.
Secara garis besar prinsip kerja dari motor DC adalah arus listrik searah
yang dilewatkan pada suatu kawat penghantar (kumparan) yang berada dalam
medan magnet, maka akan dihasilkan gaya pada kawat penghantar tersebut,
6
karena arah gaya pada setiap sisi kawat penghantar berlawanan arah maka
kumparan akan berputar pada porosnya.
Gambar 2.2 Medan Magnet yang Membawa Arus Mengelilingi Konduktor
Pengaturan kecepatan memegang peranan penting dalam motor arus
searah, karena motor arus searah mempunyai karakteristik torsi-kecepatan yang
menguntungkan dibandingkan dengan motor lainnya. Besarnya kecepatan putaran
pada motor arus searah dapat dihitung menggunakan persamaan 2-1.
=
(21)
Keterangan:
n adalah kecepatan motor DC (Rpm).
adalah tegangan yang diberikan pada motor DC (Volt).
(1 + )
100% (22)
Keterangan:
0
+
()
(27)
Jika direpresentasikan dalam transformasi Laplace, bentuk kendali ini
menjadi:
()
= +
+. =
.
2
+.+
(28)
2.1.5.2 Karakteristik Kendali PID
Kendali PID terdiri dari tiga jenis cara pengaturan yang saling
dikombinasikan yaitu kendali proporsional, kendali integral dan kendali derivatif.
Masing-masing memiliki parameter tertentu yang harus diatur untuk dapat bekerja
dengan baik yang disebut sebagai konstanta. Konstanta proporsional adalah Kp,
konstanta integral dinyatakan sebagai Ki dan konstanta derivative dinyakan
dengan Ki.
Tabel 2.1 Karakteristik Kendali PID
Waktu Naik Overshoot
Waktu
Penetapan
Kesetabilan
Pembesaran Kp Berkurang Bertambah
Sedikit
bertambah
Menurun
Pembesaran Ki
Sedikit
berkurang
Bertambah Bertambah Menurun
Pembesaran Kd
Sedikit
berkurang
Berkurang Berkurang Meningkat
14
Kendali proporsional akan memberikan efek mempercepat respon, tetapi
tidak menghapus kesalahan keadaan tunak. Kendali integral akan memberikan
efek menghapus kesalahan keadaan tunak, tetapi berakibat memburuknya respon
transient. Kendali derivatif akan memberikan efek meningkatnya stabilitas sistem,
serta mengurangi overshoot.
Parameter unjuk kerja pada (Gambar 2.7) seperti waktu naik, waktu
puncak, persen lonjakan dan waktu penetap dapat dijelaskan sebagai berikut:
1. T
r
(waktu naik) adalah waktu yang diperlukan respon untuk naik dari 10%-
0%.
2. T
p
(waktu puncak) adalah waktu yang diperlukan respon untuk mencapai
lonjakan maksimum (M
p
).
3. Persen lonjakan adalah M
p
(lonjakan maksimum) yang dialami oleh respon.
4. T
s
(waktu penetap) adalah waktu yang diperlukan respon untuk mencapai
dan menetap disekitar 95%-98% dari set point.
Gambar 2.7 Kurva Respon Proses
2.1.5.3 Kendali PID Direct Syntesis
Aspek yang sangat penting dalam desain kendali PID ialah penentuan
parameter kendali PID supaya sistem close loop memenuhi kriteria performansi
yang diinginkan. Hal ini disebut juga dengan tuning pengendali, seiring dengan
berkembangnya penelitian tentang identifikasi suatu sistem black box, maka
memperoleh transfer function atau karakteristik dari sistem tersebut bukan hal
yang teramat sulit. Hal ini menyebabkan metode tuning kendali yang
membutuhkan model plant sebenarnya juga dapat dilakukan dengan relatif
mudah, misalnya dengan metode direct synthesis [8].
15
Direct synthesis merupakan salah satu metode tuning kendali PID yang
menggabungkan kendali PID secara seri dengan lead/lag compesator sehingga
dapat memberikan performasi penolakan yang signifikan terhadap gangguan.
Metode ini terlebih dulu menentukan perilaku keluaran yang diinginkan
(reference) dengan membuat bentuk trayektorinya, dan model prosesnya (plant)
hingga didapatkan bentuk persamaan kendali PID yang sebenarnya[8][17]. Jika
diketahui diagram blok dari suatu sistem ialah sebagai berikut.
Gambar 2.8 Blok Diagram Sistem Kendali Berumpan Balik
maka closed-loop transfer function ialah sebagai berikut:
=
1 +
() (29)
dan pendekatan yang diinginkan untuk mendapatkan setpoint baru dimodelkan
dengan trayektori yang diinginkan berikut:
= =
1 +
(210)
sehingga persamaan kendalinya menjadi:
=
1
1
(211)
Sesuai dengan transfer function plant motor DC yang telah didapatkan
dan berbentuk FOPDT (First Order Plus Dead Time), yaitu:
() =
.
+ 1
(212)
dan dipilih reference trajectory:
() =
+1
(213)
Memasukkan hasil persamaan (2-12) dan persamaan (2-13) pada
persamaan (2-11) maka didapat persamaan kendali:
16
=
+1
+1
(214)
Didapatkan kendali dalam bentuk persamaan, namun untuk
merealisasikannya sangat sulit karena besaran tidak bisa diimplementasikan dalam
komponen analog. Adanya implementasi kendali PID pada mikroprosesor dan
komputer digital membuat besaran tersebut bisa diimplementasikan, melalui
model dasar kendali ini didapatkan beberapa macam nilai tuning PID yang
berbeda-beda.
Menggunakan pendekatan pada orde 1:
1 +
(215)
Pada persamaan (2-14), kendali yang didapatkan menjadi:
+)
1
1 +
1 +
1 +
(216)
dengan * adalah filter yang mempunyai persamaan sebagai berikut:
2( +
)
(217)
Persamaan (2-16) mempunyai struktur sesuai dengan struktur kendali PID
komersial. Maka parameter kendali PID komersial dapat dicari sebagai berikut:
+)
;
= ;
2
;
(218)
Persamaan (2.18) dapat disusun kembali menjadi:
=
+
2
(
+ )
1 +
1
+
2
+
2
+
2
1
+1
(219)
Maka parameter tuning dari kendali PID ideal ialah:
=
+
2
(
+)
;
= +
2
;
2
;
(220)
17
Keterangan:
K
c
adalah nilai kendali proporsial.
A
[x] = 1 berarti x menjadi anggota penuh dari himpunan A.
Himpunan fuzzy memiliki 2 atribut, yaitu:
a. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti Negative Small,
Zero, Positive Big.
b. Numeris, yaitu suatu nilai (angka) yang menunjukan ukuran dari suatu
variabel seperti: 40, 25, 50, dan sebagainya.
Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu:
a. Variabel fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem
fuzzy. Contoh: error, delta error.
b. Himpunan fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau
keadaan tertentu dalam suatu variabel fuzzy.
18
NB NM NS ZO PS PM PB
-1 -0,9 -0,6 -0,3 0 0,3 0,6 0,9 1
1
0
[x]
Error
Gambar 2.9 Himpunan Fuzzy Variabel Error
Contoh:
Variabel error, terbagi menjadi 7 himpunan fuzzy, yaitu Negative Big (NB),
Negative Medium (NM), Negative Small (NS), Zero (ZO), Positive Small (PS),
Positive Medium (PM), Positive Big (PB).
2.1.6.2 Fungsi Keanggotaan
Fungsi keanggotaan (membership function) atau sering juga disebut
dengan derajat keanggotaan adalah suatu kurva yang menunjukan pemetaan titik-
titik input data ke dalam nilai keanggotaannya yang memiliki interval antara nol
sampai satu.
Salah satu cara yang dapat digunakan untuk mendapatkan nilai
keanggotaan adalah dengan melalui pendekatan fungsi, beberapa fungsi yang bisa
digunakan:
a. Representasi Linear
Pada representasi linear, pemetaan input ke derajat keanggotaannya
digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi
pilihan yang baik untuk mendekati suatu konsep yang kurang jelas.
Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan
dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke
kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi.
19
a b
1
0
derajat
keanggotaan
[x]
domain
Gambar 2.10 Representasi Linear Naik
Fungsi keanggotaan:
=
0;
;
1;
Kedua, merupakan kebalikan yang pertama. Garis lurus dimulai dari nilai
domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak
menurun kenilai domain yang memiliki derajat keanggotaan lebih rendah.
a b
1
0
derajat
keanggotaan
[x]
domain
Gambar 2.11 Representasi Linear Turun
Fungsi keanggotaan:
=
;
0;
b. Representasi Kurva Segitiga
Kurva Segitiga pada dasarnya merupakan gabugan antara 2 garis (linear)
seperti terlihat pada (Gambar 2.12).
20
a b c
1
0
derajat
keanggotaan
[x]
domain
Gambar 2.12 Kurva Segitiga
Fungsi keanggotaan:
=
0;
;
;
c. Representasi Kurva Trapesium
Kurva Trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada
beberapa titik yang memiliki nilai keanggotaan 1 seperti terlihat pada Gambar
2.13 berikut.
a b c d
1
0
derajat
keanggotaan
[x]
domain
Gambar 2.13 Kurva Trapesium
Fungsi keanggotaan:
=
0;
;
1;
;
21
d. Representasi Kurva Bentuk Bahu
Daerah yang terletak ditengah-tengah suatu variabel yang direpresentasikan
dalam bentuk segitiga pada sisi kanan dan kirinya akan naik dan turun. Himpunan
fuzzy bahu, bukan segitiga, digunakan untuk mengakhiri variabel suatu daerah
fuzzy. Bahu kiri bergerak dari benar ke salah demikian juga bahu kanan bergerak
dari salah ke benar. Gambar 2.14 menunjukkan variabel error dengan daerah
bahunya.
NB NM NS ZO PS PM PB
-1 -0,9 -0,6 -0,3 0 0,3 0,6 0,9 1
1
0
[x]
Error
Bahu Kiri Bahu Kanan
Gambar 2.14 Daerah Bahu Variabel Error
2.1.6.3 Operator Dasar Zadeh untuk Operasi Himpunan Fuzzy
Ada beberapa operasi yang didefinisikan secara khusus untuk
mengkombinasi dan memodifikasi himpunan fuzzy.
(nilai keanggotaan)
sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama fire strength
atau -predikat. Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu:
2.1.6.3.1 Operator AND
Operator ini berhubungan dengan operasi interaksi pada himpunan. -
predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil
nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang
bersangkutan.
= min
(221)
2.1.6.3.2 Operator OR
Operator ini berhubungan dengan operasi union pada himpunan, -
predikat sebagai hasil operasi dengan operator OR diperoleh dengan mengambil
22
nilai keanggotaan terbesar antar elemen pada himpunan-himpunan yang
bersangkutan.
= maks
(222)
2.1.6.3.3 Operator NOT
Operator ini berhubungan dengan operasi komplemen pada himpunan. -
predikat sebagai hasil operasi dengan operator NOT diperoleh dengan
mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari
satu.
= 1
(223)
2.1.6.4 Fungsi Implikasi
Tiap-tiap aturan (proposisi) pada baris pengetahuan fuzzy akan
berhubungan dengan suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan
dalam fungsi implikasi adalah:
IF x is A THEN y is B
x dan y adalah scalar, dan A dan B adalah himpunan fuzzy. Proposisi yang
mengikuti IF disebut sebagai anteseden, sedangkan proposisi yang mengikuti
THEN disebut sebagai konsekuen. Proposisi ini dapat diperluas dengan
menggunakan operator fuzzy, seperti.
IF (x
1
is A
1
) o (x
2
is A
2
) o (x
3
is A
3
) o o (x
n
is A
n
) THEN y is B
o adalah operator (misal: OR atau AND).
Secara umum, ada 2 fungsi implikasi yang dapat digunakan, yaitu:
a. Min (minimum). Fungsi ini akan memotong output himpunan fuzzy. (Gambar
2.15) menunjukkan salah satu contoh penggunaan fungsi min.
b. Dot (product). Fungsi ini akan mengambil skala output himpunan fuzzy.
Gambar 2.16 menunjukkan salah satu contoh penggunaan fungsi dot.
23
Gambar 2.15 Fungsi Implikasi MIN
Gambar 2.16 Fungsi Implikasi DOT
2.1.6.5 Fuzzy Inference System (Metode Mamdani)
Metode Mamdani sering dikenal dengan metode MAKS-MIN. Metode ini
diperkenalkan oleh Ebrahim Mamdani pada tahun 1975 dan diperlukan 4 tahapan
untuk mendapatkan output, antara lain:
1. Pembentukan himpunan fuzzy
Pada Metode Mamdani, baik variabel input maupun variabel output dibagi
menjadi satu atau lebih himpunan fuzzy.
2. Aplikasi fungsi implikasi
Pada Metode Mamdani, fungsi implikasi yang digunakan adalah Min.
3. Komposisi aturan
Tidak seperti penalaran monoton, apabila sistem terdiri dari beberapa aturan,
maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode
yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu maks, additive dan
probalistik OR (probor).
a. Metode Maks (Maximum)
24
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil
nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah
fuzzy dan mengaplikasikan ke daerah output dengan menggunakan operator OR
(union). Jika semua proposisi telah dievaluasi, maka output akan berisi suatu
himpunan fuzzy yang merefleksikan kontribusi dari tiap-tiap proposisi. Secara
umum dapat dituliskan:
= maks
(224)
Keterangan:
= min1,
(225)
Keterangan:
(226)
Keterangan:
(227)
b. Metode Bisektor
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai pada
domain fuzzy yang memiliki nilai keanggotaan setengah dari jumlah total nilai
keanggotaan pada daerah fuzzy. Secara umum dituliskan:
'p,K'i,K'd).
27
Persamaan matematis untuk masing-masing pengendali adalah:
1 +
(229)
2 +
(230)
3 +
(231)
Diperoleh persamaan matematis baru untuk PID berbasis logika fuzzy
seperti ditunjukkan pada persamaan (2-32) di bawah ini yang selanjutnya akan
digunakan merancang sistem kendali PID berbasis logika fuzzy.
=
1
+
2
+
3
+
(232)
Keterangan:
K
p
adalah nilai konstanta proporsional.
K
i
adalah nilai konstanta integral.
K
d
adalah nilai konstanta derivative.
2.2 Kajian Pustaka
Pada penelitian sebelumnya dilakukan oleh Ardana pada tahun 2008
tentang simulasi sistem kendali PID untuk motor induksi menggunakan perangkat
lunak Matlab/Simulink. Penelitian dilakukan dengan menerapkan pengaturan
kecepatan motor induksi menggunakan kendali PID dengan metode field oriented
control yang digunakan untuk memperbaiki sinyal kendali arus torsi di dalam
sistem kendali PID yang disimulasikan pada perangkat lunak Matlab.
Pada tahun 2005 Gozali melakukan penelitian tentang desain kendali PID
dengan metode tuning direct synthesis untuk pengaturan kecepatan motor DC.
Penelitian dilakukan dengan mengimplementasikan kendali PID pada modul
ASCII yang terdapat pada PLC C200H OMRON untuk mengatur kecepatan
motor. Pada penelitian tersebut menggunakan metode tuning direct synthesis pada
kendali PID. Hasil pengujian menunjukkan implementasi metode tuning direct
28
sinthesys pada kendali PID memberikan kriteria performansi plant yang cukup
baik.
Pada tahun 2004 Wicaksono melakukan penelitian tentang analisa
performansi dan robustness beberapa metode tuning kendali PID pada motor DC.
Penelitian dilakukan dengan menentukan parameter-parameter kendali dengan
membandingkan metode ziegler-nichols, cohen-coon, dan direct synthesis. Hasil
penelitian yang dilakukan dengan metode direct synthesis memberikan
kemampuan yang jauh lebih baik dibanding dengan metode tuning lain.
Pada tahun 2004 Bachri melakukan penelitian tentang hybrid PID logika
fuzzy pada pengaturan kecepatan motor DC. Penelitian dilakukan dengan
menggabungkan kendali PID dengan logika fuzzy untuk mengendalikan kecepatan
motor DC. Hasil pengujian menghasilkan respon dan recovery time yang lebih
baik dan tahan terhadap ganguan.