Anda di halaman 1dari 27

c  

    
  


?   

Perkembangan teknologi kontrol saat ini mulai bergeser kepada otomatisasi sistem
kontrol yang menuntut pengunaan komputer, sehingga campur tangan manusia dalam
pengontrolan sangat kecil. Bila dibandingkan dengan pengerjaan secara manual, sistem
peralatan yang dikendalikan oleh komputer akan memberikan keuntungan dalam hal
efisiensi, keamanan dan ketelitian. Kemampuan komputer, baik perangkat keras maupun
perangkat lunak, dapat dimanfaatkan untuk berbagai aplikasi pengendalian, seperti
pengendalian suhu, kecepatan motor, penerangan dan lain-lain.
Boiler merupakan salah satu bagian dari Pembangkit Listrik Tenaga Uap (PLTU) yang
sangat vital peranannya. Boiler berfungsi untuk membangkitkan panas yang berguna untuk
memutar turbin sehingga energi listrik dapat dibangkitkan. Dengan demikian suhu dari boiler
harus selalu terjaga tetap stabil agar proses proses pembangkitan energi listrik tidak
mengalami kendala. Komponen-komponen yang menentukan nilai suhu boiler antara lain
adalah bahan bakar, tekanan uap dan suhu kondesor. Ketiga komponen tersebut harus
disupply sesuai porsi yang telah ditentukan, tidak boleh kurang juga tidak boleh berlebih
karena akan mengakibatkan suhu boiler tidak berada pada nilai sewajarnya. Pengaturan
komposisi ketiga komponen akan sangat sulit dilakukan jika tidak menggunakan
pengendalian yang cepat, akurat dan efisien.
Berdasarkan hal-hal yang tersebut di atas maka penulis berinisiatif menggunakan
sistem kendali cerdas berbasis kompter logika fuzzy untuk mengatur supply bahan bakar,
tekanan uap dan suhu kondensor agar suhu boiler selalu berada pada nilai yang sudah
ditentukan.


  

Ô.? aempertahankan suhu boiler agar selalu berada pada rentang suhu yang ditentukan.
2.? aengatur supply bahan bakar, tekanan uap dan suhu kondensor secara otomatis agar
suhu pada boiler selalu stabil.
3.? aengurangi terjadinya human error karena suhu boiler dikendalikan dengan sistem
kendali cerdas yaitu logika fuzzy

 c 

Fuzzy logic pertama kali dikenalkan kepada publik oleh Lotfi Zadeh, seorang profesor
di University of California di Berkeley. Fuzzy logic digunakan untuk menyatakan hukum
operasional dari suatu sistem dengan ungkapan bahasa, bukan dengan persamaan matematis.
Banyak sistem yang terlalu kompleks untuk dimodelkan secara akurat, meskipun dengan
persamaan matematis yang kompleks. Dalam kasus seperti itu, ungkapan bahasa yang
digunakan dalam Fuzzy logic dapat membantu mendefinisikan karakteristik operasional
sistem dengan lebih baik. Ungkapan bahasa untuk karakteristik sistem biasanya dinyatakan
dalam bentuk implikasi logika, misalnya aturan .

Pada teori himpunan klasik yang disebut juga dengan himpunan crisp (himpunan tegas)
hanya dikenal dua kemungkinan dalam fungsi keanggotaannya, yaitu kemungkinan termasuk
keanggotaan himpunan (logika Ô) atau kemungkinan

berada di luar keanggotaannya (logika 0). Namun dalam teori himpunan fuzzy tidak hanya
memiliki dua kemungkinan dalam menentukan sifat keanggotaannya tetapi memiliki derajat
kenaggotaan yang nilainya antara 0 dan Ô. fungsi yang menetapkan nilai ini dinamakan fungsi
keanggotaan yang disertakan dalam himpunan fuzzy.

  !  

aisalkan U adalah kumpulan obyek yang secara umum dinyatakan dengan {u}. U
disebut semesta pembicaraan dan u mewakili elemen-elemen dari U. Suatu himpunan fuzzy F
dalam semesta pembicaaraan U dapat direpresentasikan oleh suatu fungsi keanggotaan
(membership function) µF yang mewakili nilai dalam interval [0,Ô untuk tiap u dalam U
dinyatakan sebagai µF = U r [0,Ô

Himpunan fuzzy F dalam U biasanya dinyatakan sebagai himpunan pasangan berurutan


u dan derajat keanggotaan.
F = {(u, µ f (u)) u İ U}

Jika U kontinyu, himpunan fuzzy F dapat ditulis sebagai:

ü (m)
F= Î
m m

Jika U diskrit, himpunan fuzzy F dinyatakan sebagai:

 ü (m )
F=
Ô m

" #   

Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan


pemetaan titik-titik input data ke dalam nilai keanggotaannya yang memiliki interval antara 0
sampi Ô. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah
dengan melalui pendekatan fungsi. Ada beberapa fungsi yang dapat digunakan, yaitu:

3.2.Ô. Representasi Linier

Ada dua keadaan himpunan fuzzy linier. Pertama kenaikan himpunan dimulai pada nilai
domain yang memiliki derajad keanggotaan nol (0) bergerak ke kanan menuju ke nilai
domain yang memiliki derajad keanggotaan lebih tinggi (Gambar 3.Ô). Kedua, merupakan
kebalikan dari yang pertama. Garis lurus dimulai dari nilai tertinggi kemudian bergerak turun
ke nilai yang lebih rendah (Gambar 3.2).

$ %  Representasi Linear Naik $ % " Representasi Linear Turun


3.2.2. Representasi Kurva Segitiga

Kurva segitiga pada dasarnya merupakan gabungan antara dua garis (linear) seperti
terlihat pada Gambar 3.3.

$ %  Kurva Segitiga

3.2.3. Representasi Kurva Trapesium

Kurva trapesium pada dasarnya seperti bentuk segitiga hanya saja ada beberapa titik
yang memiliki nilai keanggotaan Ô (Gambar 3.4).

$ % & Kurva Trapesium

3.2.4. Representasi Kurva-S

Kurva-S atau sigmoid berhubungan dengan kenaikan dan penurunan secara tak linear.
Kurva PERTUaBUHAN dan PENYUSUTAN merupakan kurva-S. Kurva-S untuk
PERTUaBUHAN akan bergerak dari sisi paling kiri (nilai keanggotaan = 0) ke sisi paling
kanan (nilai keanggotaan = Ô) seperti pada Gambar 3.5 Sedangkan Kurva-S PENYUSUTAN
akan bergerak dari sisi paling kanan (nilai keanggotaan = Ô) ke sisi paling kiri (nilai
keanggotaan = 0) seperti terlihat pada Gambar 3.6.
$ % ' Kurva-S PERTUaBUHAN

$ % ( Kurva-S PENYUSUTAN

3.2.5 Representasi Kurva Bentuk Lonceng

Gambar 3.7 menunjukkan kurva bentuk lonceng (bell curve). Kurva bentuk lonceng ini
terbagi atas tiga kelas, yaitu: kurva PI, beta, dan Gauss.

$ % ) Kurva Bentuk Lonceng

*!  !  

Jika A dan B adalah dua buah himpunan Fuzzy dalam semesta pembicaraan U dengan
fungsi keanggotaan mA (u) dan mB (u), maka pada kedua himpunan Fuzzy tersebut dapat
berlaku operasi:
3.3.Ô. Kesamaan (equality)

Dua buah himpunan Fuzzy A dan B dapat dinyatakan sama jika :

µA (u) = µB (u) ; untuk semua u Œ U

3.3.2. Gabungan (union)

Fungsi keanggotaan dari gabungan dua buah himpunan Fuzzy A dan B, mAUB,
dapat dinyatakan sebagai :

µAUB (u) = max {µA (u), µB (u) ; untuk semua u Œ U

3.3.3. Irisan (intersection)

Fungsi keanggotaan dari irisan dua buah himpunan Fuzzy A dan B, m$ŀB, dapat
dinyatakan sebagai :

µA nB (u) = min {µ A (u), µB (u) ; untuk semua u Œ U

3.3.4. Komplemen (complement)

Fungsi keanggotaan dari komplemen himpunan Fuzzy A, µ A , dapat dinyatakan sebagai :

µÃ (u) = Ô - µA (u) ; untuk semua u Œ U

&c    +

Tujuan utama dalam system pengendali adalah mendapatkan keluaran (output) sebagai
respon dari masukan (input). Dalam kendali dengan cara klasik, melibatkan formula-formula
matematika yang cukup rumit. Hal ini berbeda dengan kendali fuzzy. Pengendali Fuzzy
merupakan suatu sistem kendali yang berdasar pada basis pengetahuan manusia didalam
melakukan kendali terhadap suatu proses. Konsep matematika yang mendasari logika fuzzy
sangat sederhana dan mudah dimengerti. Pendekatan fuzzy melibatkan aturan-aturan yang
dinyatakan dalam kata-kata dan tidak memerlukan presisi yang tinggi serta ada toleransi
untuk data yang kurang tepat. Struktur dasar sebuah pengendali Fuzzy diperlihatkan pada
Gambar 3.8.
$ % , Struktur dasar pengendali Fuzzy

' -

Fuzzifikasi yaitu suatu proses untuk mengubah suatu masukan dari bentuk tegas (crisp)
menjadi fuzzy (variabel linguistik) yang biasanya disajikan dalam bentuk himpunan-
himpunan fuzzy dengan suatu fungsi kenggotaannya masing- masing.

( . /0    1

Basis aturan berisi aturan-aturan fuzzy yang digunakan untuk pengendalian sistem.
Aturan-aturan ini dibuat berdasarkan logika dan intuisi manusia, serta berkaitan erat dengan
jalan pikiran dan pengalaman pribadi yang membuatnya. Jadi tidak salah bila dikatakan
bahwa aturan ini bersifat subjektif, tergantung dari ketajaman yang membuat. Aturan yang
telah ditetapkan digunakan untuk menghubungkan antara variabel-variabel masukan dan
variabel-variabel keluaran. Aturan ini berbentuk JIKA ± aAKA¶ (IF THEN), sebagai
contoh adalah :

Aturan Ô : JIKA x adalah AÔ DAN y adalah BÔ aAKA z adalah CÔ

Aturan 2 : JIKA x adalah A2 DAN y adalah B2 aAKA z adalah C2

.....

.....

.....
Aturan i : JIKA x adalah Ai DAN y adalah Bi aAKA z adalah Ci

dengan :

Ai (i = Ô,2,3,«) adalah himpunan Fuzzy ke i untuk variabel masukan x

Bi (i = Ô,2,3,«) adalah himpunan Fuzzy ke i untuk variabel masukan y

Ci (i = Ô,2,3,«) adalah himpunan Fuzzy ke i untuk variabel keluaran z

)23 . /- + 1

Berdasarkan basis aturan yang telah dibuat, variabel-variabel masukan fuzzy diolah lebih
lanjut untuk mendapatkan suatu penyelesaian. Dengan demikian dapat diambil suatu
keputusan berupa variabel fuzzy keluaran, yaitu himpunan-himpunan keluaran fuzzy dengan
fungsi keanggotaan yang ditetapkan berdasarkan metode yang digunakan.suatu keputusan.
aetode yang digunakan dalam proses pengambilan keputusan ini adalah:

3.7.Ô. aetode aax-ain

Pada metode aax-ain, pengambilan keputusan didasarkan pada aturan operasi menurut
aamdani. Proses pengambilan keputusan aax-ain dapat dilukiskan seperti pada Gambar
3.9.

$ % 4 aetode max-min


3.7.2. aetode aax-Product (aax-Dot)

Proses pengambilan keputusan dengan metode aax-Dot dapat dilukiskan pada Gambar
3.Ô0.

$ % 5 aetode aax-Dot

,6 - -

Defuzzifikasi dapat didefinisikan sebagai proses pengubahan besaran fuzzy yang


disajikan dalam bentuk himpunan-himpunan fuzzy keluaran dengan fungsi keanggotaannya
untuk mendapatkan kembali bentuk tegasnya (crisp). Hal ini diperlukan sebab dalam aplikasi
nyata yang dibutuhkan adalah nilai tegas (crisp). Ada beberapa metode defuzzifikasi yang
bisa dipakai pada komposisi aturan aAaDANI (Kusumadewi 2004:44), antara lain:

3.8.Ô. aetode Centroid

aetode centroid ini juga dikenal sebagai metode COA (Center of Area) atau metode
Center of Gravity. Pada metode ini nilai tegas keluarannya diperoleh berdasarkan titik berat
dari kurva hasil proses pengambilan keputusan (inference).

$ %  aetode Centroid


3.8.2. aetode Bisektor

Pada metode ini nilai tegas keluarannya diperoleh dengan cara mengambil nilai pada
domain fuzzy yang memiliki nilai keanggotaan setengah dari jumlah total nilaikeanggotaan
pada daerah fuzzy.

$ % ". aetode Bisektor

3.8.3. aetode aOa (aean of aaximum)

Pada metode ini nilai tegas keluarannya diperoleh berdasarkan rata-rata semua aksi
kontrol fuzzy yang mempunyai fungsi keanggotaan maksimum.

$ %  aetode aOa (aean of aaximum)

3.8.4. aetode LOa (Largest of aaximum)

Pada metode ini, nilai tegas keluarannya diperoleh berdasarkan tingkat keanggotaan
terbesar (µc(z) maksimum).

$ % &aetode LOa (Largest of aaximum)


3.8.5. aetode SOa (Smallest of aaximum)

Pada metode ini, nilai tegas keluarannya diperoleh berdasarkan tingkat keanggotaan
terkecil (µc(z) minimum).

$ % ' aetode SOa (Smallest of aaximum)


7c +

&c + 

Pada paper pengaturan suhu boiler dengan logika fuzzy ini, sistem kontrol pengendali
suhu boilernya yaitu pengendali fuzzy dibangun dengan menggunakan software aATLAB
2009. Secara umum perancangan sistem digambarkan melalui diagram blok pada gambar
dibawah ini.

+ e Fuzzy Logic
X PLANT Y
_ Controller

$ % & Diagram blok

Keterangan :

O? ù = Suhu referensi
O? E = Error ( Suhu referensi ± Suhu aktual )
O? Y = Suhu aktual

ù merupakan suhu referensi yang menjadi input dari sistem ini. Jika hasil suhu yang
diinginkan telah sama dengan suhu referensi maka set point nol. Artinya kontroler tidak lagi
memberikan sinyal aktuasi pada plant karena target akhir perintah telah diperoleh. aakin
kecil ‘  terhitung maka semakin kecil pula sinyal pengemudian kontroler terhadap plant
sampai akhirnya mencapai kondisi tenang (‘‘).

m kontrol berfungsi sebagai pengendali yang bersifat konvergen jika dalam rentang
waktu pengontrolan nilai ‘   menuju nol, dan keadaan dikatakan stabil jika setelah
konvergen kontroler mampu menjaga ‘  selalu nol.

Keluaran m kontrol akan diintegralkan untuk mendapatkan nilai masukan input untuk
kemudian diolah di plant. Hasil output yang dihasilkan merupakan kondisi suhu yang
diinginkan.
Penampil yang terdapat pada sistem pengaturan suhu boiler dengan logika fuzzy ini
adalah berupa  
‘  
‘ akan menunjukkan grafik nilai bahan bakar, tekanan uap, suhu
kondensor, ‘
  serta perbandingan suhu aktual dan referensi.

&"c  
8* #  
  /c1 

Di dalam plant sistem pengaturan suhu boiler ini terdapat tiga buah masukan yaitu
jumlah bahan bakar, tekanan uap, dan suhu kondensor. Sedangkan keluaran dari plant sistem
pengaturan suhu boiler ini adalah suhu boiler. Perancangan plant dihambarkan pada gambar
4.2.

› F1 F3
D1 F4
F5
T F2 D1 Y

S
$ % &" Plant suhu boiler

Keterangan :

O? R = Bahan bakar O? F4 = Fungsi 4


O? T = Tekanan Uap O? F5 = Fungsi 5
O? S = Suhu kondensor O? DÔ = Dot Ô
O? FÔ = Fungsi Ô O? D2 = Dot 2
O? F2 = Fungsi 2 O? Y = Suhu boiler aktual
O? F3 = Fungsi 3

Nilai dari masukan diatas didasarkan pada informasi yang diperoleh di PLTU Suralaya.
Informasi tersebut kemudian diolah untuk mendapatkan nilai fungsi dalam plant. Hasil
pengolahan dapat dilihat pada persamaan berikut :

Jumlah bahan bakar = Ô75 ton/jam = Ô75.Ô03 kg/3600s = 48,6 kg/s

Nilai kalor batu bara = 5000 Kcal/kg°K = 5.Ô06 cal/kgKalor yang diperlukan pada dapat
dicari dengan persamaan :

(οܳ ) = mB . Hf = 48,6 . (5.Ô0 6 ) = 243.Ô0 6 cal/s°K


Diketahui suhu boiler = 8Ô3°K dan suhu kondensor = 3Ô3°K. Pada penelitian ini, nilai
dari massa air kita anggap konstan, hal ini diperoleh berdasarkan persamaan berikut :

Usaha yang dilakukan pada boiler = Kalor yang diperlukan

a . C; οܶ = mB . Hf

Sehingga :

a . C; οܶ = mB . Hf
243.Ô06 cal/s°K = m.Ô00 cal/Kg . (8Ô3 ± 3Ô3)°K
m = 243.Ô06 cal/s°K
Ô00 cal/Kg. (8Ô3 ± 3Ô3)°K
m = 48,6.Ô02 kg/s

Besar usaha yang terjadi pada turbin dapat dicari dengan persamaan berikut :
οܹ = οܳ 0,63 . (Ô - TÔ/T2) °K
= (243.Ô06) . 0,63 . (Ô - 3Ô3/8Ô3)°K
= 94,Ô5.Ô0 6 cal/s

Berdasarkan data PLTU Suralaya nilai p = Ô76.Ô06 N/m2, diketahui persamaan :


οܹ ൌ ;; ;;οܸ
οܹ
οܸ ൌ ; ;
‫݌‬
Sehingga :
οܹ = 94,Ô5.Ô0 6 / Ô76.Ô04
= 53,49 m2/s
Nilai perubahan volume pada percobaan ini kita anggap konstan. Berdasarkan persamaan
diatas dan masukan yang diketahui, maka nilai suhu boiler (T2) didalam plant dirumuskan
dengan :

ܶͳ
ܶʹ ൌ
ͷ͵ǡͶͻ
ͳെ
ǡ͸͵; ; ;ͷ ͳ͸

Fungsi Ô, input dari bahan bakar = 0,63 . mB . 5.Ô0 6


Fungsi 2, input dari tekanan uap = 53,49. Ô0 4 . p

ͳ
 ;͵ǡ ͳȀ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; ൌ
ǡ͸͵; ; ͷ ͳ͸

ͳ
 ;͵ǡ ͳȀ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; ൌ
ǡ͸͵; ; ͷ ͳ͸
;
ͷ͵ǡͶͻ ;ͳͶ ; ;
;ͳǡ;;;;;;;;;;;;;;͵; ;;ʹ;;;;;;;;;;;;;;;;;;;;;;;;;;; ൌ
ǡ͸͵; ; ͷ ͳ͸

ͷ͵ǡͶͻ ;ͳ Ͷ ; ;
 ;Ͷǡ ͳ െ ;ͳ;;;;;;;;;;;;;;;;;;;;; ൌ ͳ െ ;
ǡ͸͵; ; ͷ ͳ͸

ͳ
 ;ͷǡ ͳȀͶ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; ൌ
ͷ͵ǡͶͻ ;ͳͶ ; ;
ͳെ
ǡ͸͵; ; ;ͷ ͳ ͸

ܶଵ
;ʹǡ  ; ; ͷ;;;;;;;;;;;;;;;;;;;;; ൌ
ͷ͵ǡͶͻ ͳͶ ;
ǡ͸͵; ; ;ͷ ͳ͸

Dari plant yang telah dibuat, selanjutnya dilakukan pengambilan data untuk memberi
batasan nilai input dan output. Hasil dari besarnya nilai nput dan output akan digunakan pada
kontrol m. Hasil yang diperoleh adalah sebagai berikut :

Tabel 4.Ô. Hasil uji data plant


BB P TÔ T2
48,6 Ô76 3Ô3 8Ô3
54,6 Ô99,4 344,3 906,4
63,6 222,7 384,6 Ô0Ô2
67 244,6 422,5 ÔÔÔ2
72,9 266,2 459,7 Ô209
Tabel 4.2. Selisih nilai input dan output
BB P TÔ T2
0 0 0 0
6 23,4 3Ô,3 93,5
Ô2,4 46,7 7Ô,6 Ô99,Ô
Ô8,4 68,6 Ô09,5 299,Ô
24,3 90,2 Ô46,7 397,Ô

Keterangan :

O? BB = Bahan bakar
O? P = Tekanan Uap
O? TÔ = Suhu kondensor
O? T2 = Suhu Boiler

&c +Fuzzy Logic9   /91

Fungsi keangotaan diperoleh dengan cara menggunakan sara   dan ‘  .


Keanggotaan himpunan m pada rancangan ini dinyatakan dalam definisi fungsional, yaitu
dengan cara analisis untuk menentukan derajat keanggotaan untuk setiap elemen pada
semesta pembicaraan.

4.3.Ô. Keanggotaan input

m kontrol memiliki satu input dan tiga output. Input dari m kontrol ini adalah
³‘   set point´ (selisih suhu aktual dan suhu referensi) sedangkan outputnya adalah
³selisih bahan bakar, selisih tekanan uap, dan selisih suhu kondensor´.

Fungsi keanggotaan yang digunakan untuk input adalah tujuh buah himpunan
keanggotaan dengan lima bentuk segitiga dan dua buah bentuk trapesium. Fungsi
keanggotaannya adalah NB, Na, NS, Zero, PS, Pa, PB memiliki ‘ ‘  antara 0 - Ô,
dan ‘ m

  antara (397,Ô) ± (397,Ô). Seperti terlihat pada gambar 4.3.


$ % & Fungsi keanggotaan ‘  (set point)

Keterangan :

 NB = Himpunan keanggotaan ‘ ‘ 

Na = Himpunan keanggotaan ‘ ‘‘ m

NS = Himpunan keanggotaan ‘ ‘

Zero = Himpunan keanggotaan ‘ 

PS = Himpunan keanggotaan
  ‘

Pa = Himpunan keanggotaan
  ‘‘ m

PB = Himpunan keanggotaan
  ‘  

4.3.2. Keanggotaan output

Fungsi keanggotaan yang digunakan untuk ketiga output pada himpunan m ini adalah
tujuh buah himpunan keanggotaan dengan lima bentuk segitiga dan dua bentuk trapesium.
Untuk output selisih jumlah bahan bakar fungsi keanggotaannya adalah NB, Na, NS, Zero,
PS, Pa, PB memiliki ‘ ‘  antara 0 - Ô, dan ‘ m

  antara (-24,3) ± (24,3).


Seperti terlihat pada gambar 4.4.
$ % && Fungsi keanggotaan selisih bahan bakar

Keterangan :

 NB = Himpunan keanggotaan ‘ ‘ 

Na = Himpunan keanggotaan ‘ ‘‘ m

NS = Himpunan keanggotaan ‘ ‘

Zero = Himpunan keanggotaan ‘ 

PS = Himpunan keanggotaan
  ‘

Pa = Himpunan keanggotaan
  ‘‘ m

PB = Himpunan keanggotaan
  ‘  

Untuk output selisih tekanan uap memiliki fungsi keanggotaan dan ‘ ‘  yang
sama dengan selisih bahan bakar sedangkan ‘  m

  antara (-90,2) ± (90,2)


seperti terlihat pada gambar 4.5.

$ % &' Fungsi keanggotaan selisih tekanan uap


Keterangan :

 NB = Himpunan keanggotaan ‘ ‘ 

Na = Himpunan keanggotaan ‘ ‘‘ m

NS = Himpunan keanggotaan ‘ ‘

Zero = Himpunan keanggotaan ‘ 

PS = Himpunan keanggotaan
  ‘

Pa = Himpunan keanggotaan
  ‘‘ m

PB = Himpunan keanggotaan
  ‘  

Untuk output selisih suhu kondensor memiliki fungsi keanggotaan dan ‘  ‘ 
yang sama dengan selisih bahan bakar sedangkan ‘  m

  antara (-Ô46,7) ±


(Ô46,7) seperti terlihat pada gambar 5.6.

$ % &( Fungsi keanggotaan selisih suhu kondensor


Keterangan :

 NB = Himpunan keanggotaan ‘ ‘ 

Na = Himpunan keanggotaan ‘ ‘‘ m

NS = Himpunan keanggotaan ‘ ‘

Zero = Himpunan keanggotaan ‘ 

PS = Himpunan keanggotaan
  ‘

Pa = Himpunan keanggotaan
  ‘‘ m

PB = Himpunan keanggotaan
  ‘  
4.3.3. Inferensi

Aturan ± aturan logika m yang akan dipergunakan sangat tergantung pada sistem yang
dikendalikan. Tidak ada rumusan pasti dalam menenentukan aturan ± aturan m dan fungsi
keanggotaan masukan dan keluaran.

Secara umum sebuah aturan m diekspresikan dalam bentuk ‘ merupakan dasar
dari sebuah relasi m atau dikenal juga dengan implifikasi m. Pada sistem kontrol ini
juga berbasis aturan ‘ yang dapat menunjukkan aturan dan hubungan antara input ‘ 
(set point) dan output selisih jumlah bahan bakar, selisih jumlah tekanan uap, selisih jumlah
suhu kondensor. Pada perancangan ini metode yang digunakan adalah metode aamdani
(aax-ain). Untuk menulis aturan perlu diperhatikan hal-hal berikut :

a.? Kelompokkan semua aturan yang memiliki solusi pada variabel yang sama
b.? Urutkan aturan sehingga mudah dibaca.

Sebuah basis informasi m terdiri dari sekelompok aturan-aturan, aturan-aturan


tersebut merealisasikan antar himpunan-himpunan m dari variabel-variabel m yang
dimiliki oleh simulasi pengendali suhu ini. Realisasi antar himpunan-himpunan m dari
variabel-variabel madalah sebagai berikut :

Ô.? IF error ‘  then selisih bahan bakar ‘  AND selisih tekanan uap ‘  AND
selisih suhu kondensor ‘ 
2.? IF error £ then selisih bahan bakar £ AND selisih tekanan uap £  AND selisih
suhu kondensor £
3.? IF error £then selisih bahan bakar £AND selisih tekanan uap £AND selisih
suhu kondensor £
4.? IF error £  then selisih bahan bakar £ AND selisih tekanan uap £  AND selisih
suhu kondensor £
5.? IF error c  then selisih bahan bakar c  AND selisih tekanan uap c  AND selisih
suhu kondensor c
6.? IF error cthen selisih bahan bakar c AND selisih tekanan uap cAND selisih
suhu kondensor c
7.? IF error c  then selisih bahan bakar c AND selisih tekanan uap c  AND selisih
suhu kondensor c
4.3.4. Defuzzifikasi

aetode yang digunakan pada proses ini adalah metode ‘   (komposisi ‘
Dengan nilai defuzzisifikasi (z) tersebut dicari nilai keanggotaannya pada masing-masing
himpunan keluaran m. Dan dari masing-masing nilai keanggotaan himpunan keluaran
fuzzy, diambil nilai yang paling besar dan himpunan keluaran m tersebutlah yang menjadi
keputusan pengendali suhu boiler.

Output mkontrol berupa selisih bahan bakar, selisih tekanan uap, dan selisih suhu
kondensor berfungsi untuk mengurangi osilasi akibat error yang dihasilkan antara suhu
inferensi dan suhu aktual.


Ë 
 

c       i t
 tl  i   i
      l i tl i t 
i  it   
  t   i  t  li i t
    i li  t t   
i
    i i t
 t    ilii   ijl     j  t   t  
    it  tt      ii i  tl   li   i  t 
 
 li   i
    l
 i t
 tl  t   il  

lt     l
l t it  t tii 
 li  ii:



+ e F  y  c  


_   e



   i 
 l

 ii 
 li t 
 i     i
l i i i t
 t   
ilii a t  t  aB


   i 
 l tl i    a

tl  i   i t
   a ii 
i 

   li 
  tl  it  t   l
 l   i Ctll  
ti  
 il
    it  t     it tl   l
 
‘  il  t i i 
tersebut ke ½ 
 ‘. Hal ini berfungsi memanggil pengendali yang kita buat ketika
simulasi pada SIaULINK dilakukan.

$ % ' memasukkan pengendali fuzzy yag telah dibuat ke dalam SIaULINK

Untuk plant dari sistem suhu boiler dari sistem ini dibangun pada subsystem yang
tersedia pada SIaULINK. Plant sistem yang dibangun dapat dilihat pada perancangan
sistem.

$ % ' Plant suhu boiler yang dibangun pada SIaULINK

Pada simuasi dengan SIaULINK ini, input dibangun dengan masukan berupa sinyal
step. Sinyal step ini kemudian di teruskan ke m    ‘  dan diproses untuk
menentukan keputusan apa yang haus dilakukan sistem ini, tentunya sesuai dengan aturan-
aturan m yang telah kita tentukan sebelumnya. Setelah didapat suatu keputusan maka
keluaran dari m    ‘  ini dilanjutka ke m‘ yag telah dibangun
berdasarkan plant suhu boiler yang telah dibuat. Sebelumnya, keluaran m kontrol akan
diintegralkan untuk mendapatkan nilai masukan input untuk kemudian diolah di plant.
Setelah keputusan dari m control tadi diproses pada plant,maka akan dihasilkan sebuah
output yang dapat dilihat pada  
‘. Hasil output yang dihasilkan merupakan kondisi suhu
yang diinginkan. Hasil ouput juga di ‘‘  kembali ke sistem guna mengetahui selisih
‘  yang didapat.

Pada keanggotaan himpunan m yang telah dibangun seperti yang dapat dilihat pada
perancangan sistem, diperoleh hasil seperti gambar 5.4. berikut :

$ % '& Hasil simulasi simulink pada file Tugas_SKC2

Gambar diatas didapat dari kontrol m dengan nama file Tugas_SKC2. Dapat dilihat
dari fungsi keanggotaan input dan fungsi keanggotaan output yang telah dibuat seperti pada
perancangan sistem, ternyata didapat Rise Time yang masih pelan responnya menuju posisi
steady state. Untuk meningkatkan waktu Rise Time menuju steady state. aaka dilakukan
perubahan posisi ‘‘ 
 m   
m ‘  . Karena tidak ada cara yang pasti untuk
dapat menghasilkan output fuzzy yang akurat, maka upaya untuk meningkatkan kinerja m
ini dilakukan dengan cara  ‘  . Tetapi kinerja m juga bisa ditingkatkan dengan
menggunakan kecerdasan buatan lain, seperti algorima genetik,
  ‘½ 
   ,
dan lain-lain. Untu hasil simulasi dengan adanya perubahan pada input ‘  , dapat dilihat
pada gambar berikut. Disini digunakan file bernama Tugas_SKC2lagi.fis.
$ % '' Perubahan yang dilakukan pada input ‘ 

$ % '( Hasil simulasi simulink pada file Tugas_SKC2lagi

Dari perubahan pada ‘‘ 


 m   
m‘  ternyata diperoleh hasil ‘ ‘
yang lebih baik. Diperoleh waktu Ô,5 detik untuk menuju steady state. Lebih cepat
dibandingkan waktu sebelumnya yaitu 2,Ô detik. Hal ini menunjukkan besar ‘  pada
fungsi keanggotaan m sangat berpengaruh terhadap optimal atau tidaknya suatu
pengontrol m
7#  !  

Dari hasil simulasi yang diperoleh dari dua bentuk himpunan m yang dibangun, maka
diperoleh kesimpulan :

Ô.? Sistem m cocok digunakan dalam pengontrolan suhu boiler, karena dengan
adanya pengontrolan m pada boiler maka dapat mengurangi pemuaian
padabagian2 boiler karena suhu diatur sehingga panasnya tidak berlebihan.
2.? Sistem mcukup handal, tetapi terdapat kesulitan dalam hal optimalisasi m. Hal
ini karena penentuan interval mmasih bersifat  ‘  .

Dari simulasi ini kami menyarankan untuk menggunakan bantuan kecerdasan buatan lain
(seperti algoritma genetik) dalam hal optimalisasi m.
76- c 

:? Ir. Djiteng aarsudi, c‘ ‘    , Penerbit Erlangga.2005


:? Abdul Kadir, c‘ ‘  , Penerbit Universitas Indonesia.Ô996