See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/251822680

Implementasi Adaptive Neuro-Fuzzy Inference System (ANFIS) pada

Pengaturan Kecepatan Servomotor MS150DC

Article · January 2001

CITATION READS
1 826

3 authors, including:

Josaphat Pramudijanto Mauridhi Hery Purnomo

Institut Teknologi Sepuluh Nopember Institut Teknologi Sepuluh Nopember
10 PUBLICATIONS   11 CITATIONS    362 PUBLICATIONS   868 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

adaptive assessment system View project

Iris Image for patient CRF View project

All content following this page was uploaded by Josaphat Pramudijanto on 01 September 2015.

The user has requested enhancement of the downloaded file.

 Implementasi Adaptive Neuro-Fuzzy Inference System (ANFIS)
pada Pengaturan Kecepatan Servomotor MS150DC
Josaphat Pramudijanto, Nurul Iman Effendi, Mauridhi Hery Purnomo
Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember
Kampus ITS, Surabaya 60111, Indonesia.
Email: jos@ee.its.ac.id, nurul@control.ee.its-sby.edu, hery@ee.its.ac.id
Abstrak
Algoritma pengaturan kecepatan servomotor DC
sudah banyak dikembangkan dan salah satunya adalah
menggunakan Adaptive Neuro-Fuzzy Inference
System (ANFIS). Kontroler ini adalah salah satu dari
kontroler cerdas yang mampu mengatasi perubahan
yang disebabkan oleh menurunnya kinerja motor
akibat adanya pertambahan beban. Perancangan
ANFIS menggunakan model fuzzy dengan bentuk
fungsi keanggotaan gaussian serta metode
backpropagation sebagai pembelajaran parameter-
parameter fuzzy-nya, sehingga keluaran yang
dihasilkan dari hasil penerapannya dapat
menanggulangi masalah kecepatan motor.
Keyword : Adaptive Neuro-Fuzzy Inference System,
backpropagation.
1. Pendahuluan
Seiring dengan perkembangan teknologi
pengontrol sistem atau yang sering disebut kontroler,
semakin diperlukan keberadaannya. Salah satu
metode pengontrolan yang dapat digunakan untuk
menunjang kerja sistem adalah kontroler dengan
metode Adaptive Neuro-Fuzzy Inference System atau
yang lebih dikenal dengan ANFIS. ANFIS adalah
kontroler logika fuzzy yang merupakan salah satu
bagian dari sistem pengaturan cerdas.
Pengaturan sistem dengan menggunakan PID
mungkin sudah sering kita jumpai pada aplikasinya
sebagai kontroler sistem, tetapi kali ini akan dicoba
pengaturan suatu sistem dengan menggunakan
kontroler ANFIS. Mungkin pada perkembangannya
pada industri belum begitu menonjol untuk saat ini
tetapi sesuai dengan perkembangan yang ada ANFIS
dapat menjadi alternatif yang baik untuk dijadikan
sebagai kontroler suatu sistem.
Kontroler ANFIS sebenarnya memiliki banyak
keunggulan dalam penerapannya. Kontroler ini dapat
beradaptasi jika terjadi perubahan input sistem secara
tiba-tiba, karena pada kontroler ini dilengkapi dengan
metode pembelajaran. Metode pembelajaran ini
adalah metode pembelajaran untuk parameter fuzzy,
yang digunakan dalam metode ANFIS.
Konsep ANFIS ini sendiri dikemukakan oleh
J.S.R. Jang, 1997 dalam bukunya Neuro-Fuzzy and
Soft computing. Sebenarnya konsep yang
dikemukakan oleh J.S.R. Jang, 1997 ini tidak jauh
dari konsep sistem Adaptive Fuzzy yang sudah ada,
bahkan bisa dikatakan sama. Hanya saja mungkin
berbeda pada strukturnya saja. Pembelajaran
untuk parameter dari logika fuzzy dengan
menggunakan metode pembelajaran
backpropagation.
2. Tujuan
Tujuan dari penelitian ini adalah menerapkan
Adaptive Neuro-Fuzzy Inference System (ANFIS)
untuk pengaturan kecepatan motor DC supaya
dihasilkan aksi kontrol yang baik jika terjadi
perubahan pada beban pada motor DC.
3. Pengaturan Kecepatan Motor DC
Sistem yang akan digunakan untuk pengujian
adalah sistem pengaturan kecepatan motor DC
dengan ANFIS sebagai kontroler. Blok diagram
sistem selengkapnya tampak pada gambar 1 di
bawah.
Input
Kontroler Amplifier Motor
Kecepatan
DC
Tacho
Generator
Komputer
Gambar 1. Blok diagram sistem
Dari gambar di atas, input sistem berasal dari
tacho generator dimana tacho generator ini
mengeluarkan besaran yaitu tegangan yang
diperoleh dari perhitungan kecepatan motor DC.
Tegangan dari tacho generator inilah yang akan
masuk ke A/D channel PCL-712 sebagai data
analog yang kemudian akan dikonversi menjadi
data digital. Data ini adalah indikasi dari kecepatan
motor DC yang akan diatur kecepatannya. Setelah
melalui proses pengaturan kecepatan yang
dilakukan oleh kontroler ANFIS, sinyal kontrol dari
kontroler ANFIS akan dikeluarkan kembali melalui
channel D/A dari PCL712. Sinyal kontrol tersebut
merupakan aksi kontrol yang dikeluarkan dari
PCL712 berupa tegangan yang berkisar antara 0 – 5
volt, untuk menggerakan motor DC kembali.
Penambahan beban (load) pada motor
sebenarnya berfungsi untuk mengurangi kecepatan
motor, tetapi dengan seting point yang sudah diseting
pada program sehingga berkurangnya kecepatan
motor seharusnya dapat ditanggulangi oleh kontroler
sehingga kecepatan motor diharapkan stabil kembali
setelah penambahan beban tersebut. Beban yang
digunakan adalah rem magnetik dengan skala 0 – 10
yang diletakkan diantara putaran motor. Beban yang
digunakan tersebut untuk mengetahui keefektifan dari
kontroler ANFIS dalam mengendalikan kecepatan
motor DC. Berikut adalah gambar rangkaian
implementasi sistem pengaturan ANFIS pada
pengaturan kecepatan motor DC.
24 v
Komputer
Card AD/DA
PCL 712
IBM PC AT (D/A converter)
M Lapisan 3 : Setiap simpul pada layer ini adalah
G
Card AD/DA
PCL 712
(A/D
converter)
Gambar 2. Rangkaian Implementasi
4. Teori Penunjang
Landasan teori yang digunakan dengan
perancangan ANFIS beserta pembelajaran
menggunakan pembelajaran backpropagation.
4.1. Adaptive Neuro-Fuzzy Inference System
Pada penelitian ini digunakan arsitektur ANFIS
untuk model fuzzy sugeno, di mana berat
normalisasinya terdapat pada lapisan paling akhir.
Strukturnya adalah sebagai berikut :
Gambar 3. Struktur ANFIS [Jang, 1997]
Operasi-operasi yang dilakukan pada tiap layer
untuk membentuk sistem Adaptive Neuro-Fuzzy
Inference System (ANFIS) adalah :
Lapisan 1 : Pada layer berikut mentransmisikan
secara langsung input yang masuk, setiap node
pada layer ini adalah node adaptive dengan
fungsi node :
O1,I = µAi (x) , untuk i = 1, 2, atau
O1,I = µBi (x) , untuk i = 3, 4, (1)
Node-node layer ini berperan sebagai
membership function untuk menyatakan istilah
linguistik dari variabel masukan. Untuk fungsi
Gaussian :
µ = exp [− ( x − x1 j ) 2 / σ1 j 2 ]
Lapisan 2 : Setiap simpul pada lapisan ini
adalah simpul tetap yang diberi tanda Π, di
mana keluarannya memiliki persamaan sebagai
berikut :
O2,i = wi = µAi (x) µBi (x), i = 1, 2 (2)
Tiap keluaran simpul mewakili kekuatan
tembakan (firing strength)dari suatu aturan.
Secara umum, biasanya operator yang dapat
dipakai adalah operator fuzzy DAN (AND)
sebagai fungsi simpul pada lapisan ini.
adaptif node dengan fungsi node sebagai
berikut :
O3,i = wi fi (3)
di mana wi merupakan hasil output pada layer 2
sedangkan fi merupakan nilai konsekuen.
Lapisan 4 : Pada layer ini, setiap simpul pada
layer ini merupakan fixed node, hasil dari
penjumlahan seluruh output dari layer 2 dan
hasil dari penjumlahan seluruh output dari layer
3. Penjumlahan output dari layer 2 :
= Σ wi fi
O4 ,i (4)
i
Penjumlahan output dari layer 3 :
O4 ,i = Σ wi (5)
i
Lapisan 5 : Pada layer ini merupakan fixed
node, pada layer ini disebut berat
ternormalisasi.
Σ i wi f i
O5 , i = (6)
Σi wi
4.2. Pembelajaran Backpropagation Pemilihan nilai parameter merupakan
Dari hasil algoritma di atas maka dirancang awal penting dalam menentukan hasil identifikasi
logika fuzzy beserta pembelajarannya dengan parameter model yang akan diidentifikasi.
backpropagation, di mana perancangan ini Sebelum diimplementasikan maka perlu dilakukan
menggunakan referesi lain dari Li-Xin Wang [Wang, proses identifikasi awal dari bidang kendali yang
1994] tetapi tidak mengubah struktur yang akan dikendalikan, sehingga ketika diimple-
dikemukakan oleh J. S. R. Jang. Sistem logika fuzzy mentasikan model yang telah teridentifikasi sudah
yang akan digunakan adalah menggunakan pen- mendekati bidang kendali yang sebenarnya. Hal ini
defuzzyfikasi rata-rata tengah (center of average akan mempengaruhi kinerja peralihan sistem
defuzzief), aturan penalaran produk (product inference kendali.
rule), fuzzyfikasi singleton dan fungsi keanggotaan
gaussian yang dinyatakan dalam bentuk : x(k) x(k+1)
ANFIS u(k) Plant
   x − xl i  2   xd(k+1) +
∑ M l =1 yl ∏ ni =1 a l i exp  −  i l   
  σi    (7) - eu x(k)
    Z-1
f( x) = ANFIS
   x − x l i 2 
∑ M l =1 ∏ n i =1 a l i exp −  i l   Duplicate
  σi  
   
Gambar 5. ANFIS sebagai kontroler [Jang, 1997]
Untuk proses pembelajaran parameter-parameter
fuzzy, pada penelitian ini digunakan proses Dari gambar 5 tampak bahwa proses
pembelajaran backpropagation. Berikut adalah proses identifikasi dilakukan sebelum diimplemen tasikan,
penurunan teknik backpropagation untuk fungsi di mana kontroler ANFIS merupakan hasil
gaussian. Untuk melatih yi digunakan : implementasi dari ANFIS identifier.

( f − d) l 5. Implementasi dan Analisa

y l ( k + 1) = y l (k )
di mana l = 1, 2, …, M, k = 0, 1, 2, …
Untuk melatih xi l digunakan,
xi l ( k +1) = xi l (k ) − α
− α z
b
Pada awal pengamatan akan dilihat bagaimana
ANFIS identifier mengidentifikasi output plant,
hasilnya tampak seperti gambar 6 di bawah untuk
tegangan setpoint (uk) = 2.0 volt dan waktu
pembelajaran 500.
f −d l 2 (xi p − xi l (k))
( y − f )z l
2
b σ i l (k )

Untuk melatih σi l digunakan:

Sinyal identifikasi

f −d l 2( xi p − xi l (k )) 2
σ i l ( k + 1) = σ i l (k ) − α (y − f )z l 3
b σ l (k) i

di mana l = 1, 2, …, M, k = 0, 1, 2, … dan i = 1, 2,
…, n.
Output plant

4.3. Kontroler ANFIS

u(k) Plant x(k+1) Gambar 6. Identifikasi sistem dengan uk = 2.0 volt

+
x(k) Setelah proses identifikasi ANFIS digunakan
- sebagai kontroler di mana sinyal kontrolnya yang
ANFIS Z-1
eu Identifier dihasilkan kontroler digunakan untuk men-drive
plant sehingga dihasilkan respon output seperti
tampak pada gambar 7 di bawah.
Gambar 4. Skema dasar identifikasi sistem [Jang,
1997]
 perubahan beban pada motor. Beban yang
digunakan adalah rem magnetik dengan skala 0
hingga 10, tetapi dalam pengujian ini hanya
Setting point ditampilkan skala rem magnetik 10. Hasil respon
sistemnya tampak pada gambar 8.

Pada pengamatan kali ini benar-benar tampak

kapan respon sistem kembali ke posisi semula
setelah pembebanan. Sistem memerlukan waktu
Output plant sekitar 10 detik untuk kembali ke posisi semula.

6. Kesimpulan
Setelah dilakukan pengamatan dari
pengendalian ANFIS, serta setelah dilakukan
Gambar 7. Respon sistem dengan setting point 1.5 analisa terhadap pengendali dengan mencoba
volt memasukan beberapa gangguan yaitu memasang
rem magnetik sebagai beban, dapat diambil
Data yang didapatkan dari respon di atas adalah kesimpulan sebagai berikut :
sebagai berikut :
1. Respon yang dihasilkan memiliki error yang
Tabel 1. Spesifikasi Perancangan kecil ketika respon sudah mencapai keadaan
Spesifikasi Nilai steady state, walaupun terjadi overshoot.
Laju pembelajaran (α) 0.3 Ess percobaan tanpa beban = 0.003 volt (0.3%).
Waktu pembelajaran 500 Ess percobaan dengan beban = 0.005 volt
Setting point awal (uk) 2.0 volt (0.5%).
Setting point (rk) 1.7 volt 2. Rise time yang dihasilkan masing-masing
Sampling time 0.032 percobaan menandakan waktu yang dibutuhkan
Beban 0 oleh ANFIS untuk mengeluarkan sinyal
kontrol. Data yang dihasilkan :
Tabel 2. Hasil respon tr percobaan tanpa beban = 0.10 detik.
Spesifikasi Respon Nilai tr percobaan dengan beban = 0.8 detik.
Time delay (t d) 0.5 detik Hal ini bisa diakibatkan oleh pembelajaran
Rise time (t r) 0.10 detik output plant yang berubah dan adanya recovery
Peak time (t p) 1.6 detik
plant untuk kembali ke respon yang diinginkan.
Maximum overshoot (M p) 1 volt
Settling time (t s) 4 detik

Daftar Pustaka
§ J. S. R. Jang, C. T. Sun, 1997. “Neuro-Fuzzy
and Soft Computing”, Prentice Hall..
§ Li-Xing Wang, 1994. “Adaptive Fuzzy
Systems and Control”, Prentice Hall.
§ Li-Xing Wang, 1997. “A Course in Fuzzy
System and Control”, Prentice Hall.
§ Aris Triwiyatno, 1998. “Perancangan dan
Pembuatan Kontroler Logika Fuzzy PID untuk
Pengaturan Kecepatan pada Motor DC
dengan Gain Nonlinier”, Tugas Akhir, Teknik
Elektro ITS.

Gambar 8. Respon sistem dengan setting point 1.3

volt dan beban (rem magnetik) skala 10.

Pengamatan dengan menggunakan beban untuk

mengetahui keefektifan kontroler jika terjadi

View publication stats