Anda di halaman 1dari 4

2.

3 Identifikasi Sistem
Identifikasi sistem merupakan salah satu metode yang dilakukan untuk memperoleh
model matematis dari sistem dinamik suatu plant berdasarkan data masukan dan keluaran
dari suatu sistem hasil eksperimen. Diagram blok dari suatu sistem dapat dilihat pada
gambar 2.4.

Gambar 2.4 Diagram Blok Sistem Pengendalian


Sumber: Anand, 2018.
Langkah-langkah untuk melakukan identifikasi sistem adalah sebagai berikut:
1) Pengambilan data masukan dan keluaran
Pada pengambilan data masukan dan keluaran dari suatu plant dibutuhkan sinyal uji
tertentu untuk dapat mengidentifikasi sistem. Sinyal uji yang diberikan ke plant
tersebut tidak boleh sembarang. Pemilihan sinyal input adalah langkah penting dalam
proses identifikasi karena memiliki pengaruh signifikan terhadap estimasi parameter
yang dihasilkan (Unklesbay, K., dkk., 1997). Fungsi dari sinyal uji harus memiliki
cakupan frekuensi yang lebar, maka dipilih sinyal uji dengan metode PRBS atau
Pseudo Random Binary Sequences. (Nusantoro, G. D., dkk., 2012). Pseudo Random
Binary Sequences (PRBS) adalah sinyal yang memiliki pola secara random berbentuk
pulsa dan berlangsung secara sekuensial dalam0periode0yang cukup0panjang.
(Krisna, R., 2012).
Gambar 2.5 Sinyal Pseudo Random Binary Sequence (PRBS)
Sumber: Halvorsen, Hans-Petter, 2017.

Pseudo Random Binary Sequences merupakan jenis sinyal periodik yang memiliki
sifat – sifat sebagai berikut :
a. Sinyal Berupa Bipolar
Sinyal digital yang memiliki tegangan yang bernilai positif, tegangan yang
bernilai negatif, tegangan nol untuk logika “0” serta memiliki logika “1”
ketika terjadi pergantian sinyal0tegangan (Miljković, G., dkk., 2011).
b. Sinyal Berulang Deterministik
Sinyal yang dapat diprediksi nilainya dan dimodelkan secara matematis
karena telah diketahui variabel independennya.

Berikut adalah contoh penggunaan PRBS pada perangkat lunak labVIEW


yang terdapat pada Gambar 2.6:

Gambar 2.6 Diagram Penggunaan Pseudo-Random Binary


Sequence (PRBS) pada LabVIEW
Sumber : National Instrument, 2013

Dalam menggunakan PRBS untuk identifikasi sistem pada labVIEW,


terdapat beberapa ketentuan yang perlu diperhatikan. Ketentuan tersebut
diantaranya :
a. Samples: menentukan jumlah sampel. Sampel harus lebih besar dari
atau sama dengan 0. Standarnya adalah 128.
b. Polynomial Order : menentukan urutan polinomial primitif modulo-2
untuk menghasilkan sinyal PRBS. Standarnya adalah 31.
c. Seed: ketika lebih besar dari 0, menyebabkan pengerjaan ulang dari
gangguan sampel pada generator. Standarnya adalah -1.
d. Upsampling factor: menentukan jumlah sampling original biner
Maximum Length Sequence (MLS) untuk menghasilkan sinyal PRBS.
2) Penentuan Struktur Model
Model matematis pada sistem dinamik, akan merepresentasikan dinamika suatu
plant secara presisi atau mendekati dinamika plant yang sebenarnya. Model matematis
yang diperoleh dari suatu plant hasilnya akan sangat berbeda dengan plant lainnya (RS,
A.K., 2012). Tujuan utama pada pemodelan penukar panas plat adalah untuk
mencapai model yang akurat mewakili perilaku sistem yang sebenarnya.
Terdapat permasalahan utama untuk mendapatkan model matematis dari suatu
sistem, yaitu kurangnya pengetahuan mengenai karakteristik fisis dari suatu system
yang akan dianalisis. Model kotak hitam (Black Box) dapat digunakan untuk
permasalahan ini, Black Box suatu sistem adalah model yang tidak membutuhkan
pengetahuan khusus mengenai karakter – karakter fisik dari suatu plant (Ljung,2001).
Salah satu model Black Box adalah model ARX.
Struktur model ARX adalah suatu mekanisme untuk memperoleh model
matematis berdasarkan pengukuran input-output dari suatu plant yang akan
diidentifikasi. ARX (Auto Regresive with Exogenous) adalah model deret waktu yang
merepresentasikan nilai pengamatan pada waktu saat ini yang dipengaruhi oleh nilai
pada waktu masa lalu,juga dipengaruhi oleh0faktor0luar yaitu variabel eksogen.
(Andini, Tamara.,2017) Variabel eksogen merupakan variabel yang akan
mempengaruhi variabel lain, namun tidak akan dipengaruhi oleh variabel lain yang
memiliki pengaruh terhadap variabel yang lain. Output dari model ARX adalah
gabungan dari masukan dan white noise yang masuk kedalam sistem dan dianggap
sebagai noise (Anand, dkk., 2018).
Perumusan korelasi antara input dan output dari struktur model ARX dapat
dituliskan dalam bentuk persamaan 2.2 :

(2.2)

Persamaan tersebut dapat juga dituliskan dalam format pada persaman 2.3 :

(2.3)
Dengan :
(2.4)

(2.5)
A dan B merupakan polinomial output dan input yang akan di estimasi, u dan y
merupakan input dan output dari sistem tersebut, 𝑞−1 merepresentasikan delay
operator, sedangkan e(t) merupakan sinyal white noise (Rachad, dkk., 2015).
Parameter nk merupakan delay time antara masukan u(t) dengan keluaran y(t). Model
yang paling banyak digunakan adalah persamaan linear yang sederhana yang
menghubungkan output saat ini y(t) dengan output dan input dari masa lalu, y(t-1) dan
u(t-1). Variabel ai, bj parameter yang akan di estimasi dengan:
i = 1,2,3....na
j = 1,2,3....nb (Chetouani, Y., 2008)

Gambar 2.7 Diagram Kotak Struktur Model ARX


Sumber: Khuriati, 2011