LAPORAN PRAKTIKUM ADVANCE CONTROL

SYSTEM

PEMODELAN SYSTEM DENGAN TOOLBOX SYSTEM

IDENTIFICATION PADA MATLAB

Oleh:
Nama Mahasiswa : Nony Maulidya
NIM : 161440030
Jurusan : Teknik Instrumentasi Kilang
Bidang Minat : Instrumentasi dan Elektronika
Tingkat : IV (Empat)

KEMENTERIAN ENERGI DAN SUMBER DAYA MINERAL REPUBLIK INDONESIA

BADAN PENGEMBANGAN SUMBER DAYA MANUSIA ENERGI DAN SUMBER DAYA MINERAL
POLITEKNIK ENERGI DAN MINERAL
(PEM Akamigas)

Cepu, Oktober 2019

I. Dasar Teori

1. Karakteristik Sistem

Untuk menganalisa dan mendesain sistem pengaturan, diperlukan pengetahuan mengenai

karakteristik sistem. Karakteristik suatu sistem dapat diketahui dengan mengamati respon
sistem tersebut terhadap sinyal-sinyal uji tertentu.
1.1 Sistem Orde Satu

Model matematika dari sistem orde pertama dapat dinyatakan dalam bentuk diagram blok
seperti berikut ini:

Dimana R(s) adalah sinyal masukan dan C(s) adalah sinyal keluaran sistem orde pertama dalam
domain s.
Fungsi alih loop tertutup pada sistem orde pertama adalah:
𝐶(𝑠) 𝐾
=
𝑅(𝑠) 𝜏𝑠 + 1
Dimana
K= Gain overall
τ= Konstanta waktu
Karakteristik respon waktu untuk sistem orde pertama diberikan berdasarkan respon sistem
terhadap masukan sinyal step. Karakteristik respon waktu sistem orde pertama dibedakan
menjadi karakteristik respon transien dan karakteristik respon keadaan tunak atau steady state.

2
1.2 Sistem Orde Dua

Model matematika dari sistem orde kedua dapat dinyatakan dalam bentuk diagram blok seperti
berikut ini:

Dimana R(s) adalah sinyal masukan dan C(s) adalah sinyal keluaran sistem orde pertama dalam
domain s.
Fungsi alih loop tertutup pada sistem orde kedua adalah:

𝐶(𝑠) 𝐾ω𝑛 2
= 2
𝑅(𝑠) 𝑠 + 2ξω𝑛 + ω𝑛 2
Dengan
K= Gain overall

𝜔𝑛 2= Frekuensi alami tak teredam

𝜉 = rasio peredaman
Berdasarkan fungsi alih loop tertutupnya dapat kita lihat bahwa kelakuan dinamik

sistem orde kedua dapat digambarkan dalam parameter ξ dan ωn.

Letak kutub loop tertutup C(s)/R(s) dari sistem orde kedua dapat ditinjau berdasarkan

nilai rasio peredaman ξ, yaitu:

3
 1. Underdamp ( 0 < ξ< 1 )

Kurva respon sistem orde kedua dalam keadaan redaman kurang (underdamped) terhadap
masukan unit step ini dapat dilihat pada gambar

Tampak bahwa pada keadaan redaman kurang atau under damped respon sistem orde kedua
terhadap masukan unit step mengalami osilasi (terdapat overshoot).

2. Critically Damped (ξ=1)

Kurva respon sistem orde kedua (redaman kritis) terhadap masukan unit step ini dapat dilihat
pada gambar

4
Tampak bahwa pada keadaan redaman kritis atau critically damped respon sistem orde kedua
terhadap masukan unit step tidak terdapat overshoot dan menyerupai respon system orde
pertama

3. Over Damped (ξ>1)

Kurva respon sistem orde kedua (redaman lebih) terhadap masukan unit step ini dapat dilihat
pada gambar

Tampak bahwa pada keadaan redaman lebih atau over damped respon sistem orde kedua
terhadap masukan unit step tidak terdapat overshoot dan menyerupai respon sistem orde
pertama
2. Macam-macam bentuk model sistem

2.1 Transfer-Function Model

Model Transfer-Function merepresentasikan dinamika output sistem terhadap inputannya

dalam bentuk domain s yang dapat diketahui dari model matematika yang ditransformasikan
dalam laplace. Untuk diagram blok berikut

fungsi transfer sistem dituliskan sebagai

𝑌(𝑠)
𝐺(𝑠) =
𝑈(𝑠)
2.2 State-Space Model

Secara umum persamaan ruang keadaan sistem dinyatakan dalam bentuk berikut:

5
 𝑑𝑥(𝑡)
𝑥̇ = = 𝑓(𝑥, 𝑢, 𝑡) … … (1)
𝑑𝑡
dengan x adalah variabel keadaan, u menandai input sistem, dan t menyatakan variabel waktu.
Sebagai catatan, 𝑥̇ dibaca x dot - adalah simbol yang lazim digunakan untuk menandai turunan
pertama dari variabel keadaan. Sementara itu, apabila dilibatkan pernyataan output sistem
berikut

𝑦(𝑡) = 𝑔(𝑥, 𝑢, 𝑡) … … (2)

maka persamaan (1)-(2) membentuk dinamika sistem. Untuk sistem linier tak bergantung
waktu (linear time invariant), persamaan (1) biasanya berbentuk

𝑥̇ = 𝐴𝑥 + 𝐵𝑢
dengan A dan B berbentuk matriks berdimensi sesuai dengan variabel keadaan dan inputnya,
serta persamaan (2) berbentuk

𝑦 = 𝐶𝑥 + 𝐷𝑢
Dalam beberapa literatur, A sering disebut sebagai matriks keadaan (state matrix) atau matriks
sistem, B disebut matriks input, C dinamai matriks output, D adalah matriks transmisi langsung
(direct transmission matrix). Kadang-kadang sistem ruang keadaan dinyatakan dengan (A, B,
C, D).
2.3 Process Model

Model self regulating process pada dasarnya dapat didekati oleh sebuah model matematis
FOPDT (First Order Plus Dead Time), dari grafik diatas parameter-parameter proses FOPDT
dapat dicari/dihitung sebagai berikut:
1. Process transport delay (delay / keterlambatan transportasi proses) – L
Waktu keterlambatan transportasi atau waktu ketidakpastian yang terjadi pada proses dihitung
sejak terjadi perubahan tangga pada CO sampai variabel proses (PV) yang dikontrol mulai

6
menanggapi perubahan input CO tersebut Tergantung variabel prosesnya, rentang waktu
keterlambatan yang terjadi dapat berkisar dari satuan detik sampai menit.
2. Process time constant (konstanta waktu proses) – T
Waktu yang diperlukan sehingga nilai PV mencapai kurang lebih 63% dari keadaan steady
akhirnya. Perhitungan nilai konstanta waktu dimulai sejak PV mulai menanggapi perubahan
CO (setelah waktu tunda berlalu). Seperti halnya keterlambatan transportasi, konstanta waktu
proses dapat berkisar dari satuan detik sampai menit.
Selain dengan cara mengamati respon dari grafik, Konstanta waktu proses dapat juga dihitung
berdasarkan gradien atau slope maksimum yang terjadi pada saat transien.
∆𝑃𝑉
𝑇=
𝑠𝑙𝑜𝑝𝑒 𝑚𝑎𝑥
3. Process static gain (gain statis proses) – K
Gain statis proses adalah perbandingan perubahan PV terhadap perubahan CO dalam keadaan
steady-nya:

∆𝑃𝑉 ̅̅̅̅̅
𝑃𝑉1 − ̅̅̅̅̅
𝑃𝑉0
𝐾= =
∆𝐶𝑂 ̅̅̅̅̅
𝐶𝑂1 − ̅̅̅̅̅
𝐶𝑂0
Nilai gain proses ini secara langsung menunjukan kesensitifan dari proses, semakin besar gain
statis maka proses semakin sensitif: perubahan kecil pada CO akan menghasilkan deviasi PV
yang relatif besar (lihat relasi pada persamaan 1.2). Seperti halnya parameter konstanta waktu,
gain proses besarnya sangat ditentukan oleh dimensi plant, daya penggerak serta beban yang
terlibat pada proses tersebut.
Untuk tujuan analisis dan perancangan (terutama juga untuk kemudahan melakukan uji
simulasi dengan Simulink), persamaan diferensial yang menggambarkan perilaku proses diatas
secara umum dapat direpresentasikan kedalam bentuk fungsi alih proses seperti yang
direlasikan oleh persamaan berikut:
𝑝𝑣(𝑠) 𝐾
𝐻(𝑠) = = 𝑒 −𝑠𝐿
𝑐𝑜(𝑠) 𝑇𝑠 + 1
Dengan:
H(s): fungsi alih kontrol proses FOPDT
pv(s): transformasi laplace deviasi output proses
co(s): transformasi laplace deviasi output kontroler (input proses)

II. Langkah-Langkah

Melakukan pemodelan pada MATLAB dengan toolbox SystemIdentification

7
1. Buat Variabel baru untuk input dan output sistem yang akan di modelkan

2. Lakukan pendefinisian data sistem (hubungan antara input-output) pada

command window

Nama data= iddata(nama variabel output, nama variabel input, sampling time)
*sampling time: 1 sekon, 0.1 sekon, dll

3. Buka toolbox System Identification

Dapat dibuka pada toolbox APPS

8
Atau dengan mengetik pada command window

Toolbox System Identification akan terbuka

4. Mengimport data pada langkah 2

Klik Import data dan pilih “data object”

Ketik nama data pada langkah 2, import, dan data akan masuk ke window system identification

9
5. Melakukan Pre-Processing data

Langkah ini dilakukan apabila ingin mengolah ulang data seperti remove means, remove
trends, filter, dsb. Contoh untuk melakukan pre-processing data dengan “remove trends”. Klik
pada kolom “Preprocess” kemudian pilih Remove trends dan data yang telah di-preprocess
akan keluar.

6. Melakukan Pemodelan

Pastikan working data telah sesuai dengan yang diinginkan, memilih working data dengan
cara “drag-drop” data yang diinginkan. Kemudian melakukan estimasi sesuai model yang
diinginkan (Transfer Fuction Models, State Space Models, Process Models, Polynomial
Models, dsb)
Contoh melakukan estimasi dengan transfer function models
klik “Estimate-->”, pilih Transfer Function Models, jendela transfer function akan keluar
dan tentukan parameter transfer function (number of poles, number of zeros, dsb), ketika
jendela Plant Identification Progress telah selesai melakukan estimasi maka transfer function
model akan terlihat pada system identification.

10
 1
3

Langkah yang sama dapat dilakukan pada bentuk model yang lain.
7. Melakukan analisa model yang di dapatkan

Untuk melihat penjelasan model yang telah didapatkan ketuk dua kali pada grafik model di
system identification, maka jendela Data/model info: tf1 akan keluar.

Untuk melihat info model pada command window klik “present” pada jendela Data/model
info: tf1

11
8. Membandingkan grafik Estimasi Model dengan data awal

Klik pada Model output maka jendela model output: y1 akan keluar

12
III. Hasil Percobaan

1. Percobaan 1

1.1 Tanpa Remove Trend

1. Transfer Function 2 Pole

tf1 =

From input "u1" to output "y1":

-1.255 (+/- 4.955e13) s + 2.93 (+/- 0.869)
-------------------------------------------------
s^2 + 2.063 (+/- 0.6021) s + 0.1009 (+/- 0.02903)

Name: tf1
Continuous-time identified transfer function.

Parameterization:
Number of poles: 2 Number of zeros: 1
Number of free coefficients: 4

13
 Use "tfdata", "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Termination condition: Maximum number of iterations reached.
Number of iterations: 20, Number of function evaluations: 259

Estimated using TFEST on time domain data "coba".

Fit to estimation data: 99.79% (stability enforced)
FPE: 0.000251, MSE: 0.000248
More information in model's "Report" property.

2. State-space 2 Pole

ss1 =
Continuous-time identified state-space model:
dx/dt = A x(t) + B u(t) + K e(t)
y(t) = C x(t) + D u(t) + e(t)

A =
x1 x2
x1 -39.71 +/- 2.435e+11 -33.89 +/- 2.222e+11
x2 -41.68 +/- 2.692e+11 -35.67 +/- 2.435e+11

B =
u1
x1 51.77 +/- 1.048e+12
x2 54.4 +/- 1.086e+12

C =
x1 x2
y1 164.3 +/- 9.327e+12 -156.5 +/- 8.855e+12

14
 D =
u1
y1 0

K =
y1
x1 0.01429 +/- 8.104e+08
x2 -0.01672 +/- 9.484e+08

Name: ss1
Parameterization:
FREE form (all coefficients in A, B, C free).
Feedthrough: none
Disturbance component: estimate
Number of free coefficients: 10
Use "idssdata", "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Estimated using N4SID on time domain data "coba".
Fit to estimation data: 99.67% (prediction focus)
FPE: 0.0006213, MSE: 0.0006114
More information in model's "Report" property.

3. Process model 2 Pole

P2D =
Process model with transfer function:
Kp
G(s) = ----------------- * exp(-Td*s)
(1+Tp1*s)(1+Tp2*s)

15
 Kp = 29.049 +/- 9.892e-06
Tp1 = 19.968 +/- 3.3398e-05
Tp2 = 0.0037905 +/- 0.00029971
Td = 0.9966 +/- 0.00030535

Name: P2D
Parameterization:
'P2D'
Number of free coefficients: 4
Use "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Termination condition: Maximum number of iterations reached.
Number of iterations: 20, Number of function evaluations: 120

Estimated using PROCEST on time domain data "coba".

Fit to estimation data: 100%
FPE: 6.639e-09, MSE: 6.56e-09
More information in model's "Report" property.

4. Process model 1 Pole

P1D =
Process model with transfer function:
Kp
G(s) = ---------- * exp(-Td*s)
1+Tp1*s

Kp = 29.049 +/- 1.7437e-10

Tp1 = 19.968 +/- 5.8873e-10

16
 Td = 1.0001 +/- 6.3249e-10

Name: P1D
Parameterization:
'P1D'
Number of free coefficients: 3
Use "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Termination condition: Near (local) minimum, (norm(g) < tol).
Number of iterations: 3, Number of function evaluations: 109

Estimated using PROCEST on time domain data "coba".

Fit to estimation data: 100%
FPE: 4.736e-11, MSE: 4.699e-11
More information in model's "Report" property.

1.2 Remove Trend

17
2. Percobaan 2

2.1 Tanpa Remove Trend

1. Transfer Function 2 pole

tf coba2 2 pole =

From input "u1" to output "y1":

-1.298 (+/- 2.639e11) s + 0.8661 (+/- 0.002294)

---------------------------------------------------

s^2 + 0.2365 (+/- 0.002676) s + 0.5788 (+/

- 0.002197)

Name: tf coba2 2 pole

Continuous-time identified transfer function.

18
Parameterization:
Number of poles: 2 Number of zeros: 1
Number of free coefficients: 4
Use "tfdata", "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Termination condition: Near (local) minimum, (norm(g) < tol).
Number of iterations: 10, Number of function evaluations: 21

Estimated using TFEST on time domain data "coba2".

Fit to estimation data: 77.35% (stability enforced)
FPE: 0.2644, MSE: 0.2642
More information in model's "Report" property.

2. Transfer Function 3 pole

tf coba2 3 pole =

From input "u1" to output "y1":

-2.27 (+/- 1.979e11) s + 1.266 (+/- 0.005269)

---------------------------------------------------

s^3 + 1.524 (+/- 0.005692) s^2 + 0.8956 (

+/- 0.001354) s + 0.8441 (+/- 0.003538)

Name: tf coba2 3 pole

19
Continuous-time identified transfer function.

Parameterization:
Number of poles: 3 Number of zeros: 1
Number of free coefficients: 5
Use "tfdata", "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Termination condition: Maximum number of iterations reached.
Number of iterations: 20, Number of function evaluations: 256

Estimated using TFEST on time domain data "coba2".

Fit to estimation data: 96.44% (stability enforced)
FPE: 0.006538, MSE: 0.006533
More information in model's "Report" property.

3. State-Space 2 pole

ss coba2 2 pole =
Continuous-time identified state-space model:
dx/dt = A x(t) + B u(t) + K e(t)
y(t) = C x(t) + D u(t) + e(t)

A =
x1 x2
x1 -0.1081 +/- 4.194e+10 -0.5769 +/- 6.078e+08
x2 0.6213 +/- 7.123e+09 -0.00866 +/- 4.194e+10

B =
u1
x1 -2.497e-05 +/- 6.955e+09

20
 x2 -0.002906 +/- 8.526e+07

C =
x1 x2
y1 318.3 +/- 1.666e+11 -0.8158 +/- 1.954e+09

D =
u1
y1 0

K =
y1
x1 0.2725 +/- 1.727e+08
x2 -29.53 +/- 2.871e+10

Name: ss coba2 2 pole

Parameterization:
FREE form (all coefficients in A, B, C free).
Feedthrough: none
Disturbance component: estimate
Number of free coefficients: 10
Use "idssdata", "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Estimated using N4SID on time domain data "coba2".
Fit to estimation data: 99.99% (prediction focus)
FPE: 1.691e-08, MSE: 1.69e-08
More information in model's "Report" property.

21
 4. State-Space 3 pole

ss coba2 3 pole =
Continuous-time identified state-space model:
dx/dt = A x(t) + B u(t) + K e(t)
y(t) = C x(t) + D u(t) + e(t)

A =
x1 x2
x1 -0.1133 +/- 1.035e+09 -0.5987 +/- 4.677e+06
x2 0.6474 +/- 2.626e+11 -0.004653 +/- 1.458e+09
x3 0.3112 +/- 3.2e+11 -0.5746 +/- 3.058e+11

x3
x1 7.192e-06 +/- 3.737e+04
x2 0.5137 +/- 1.205e+07
x3 -0.7391 +/- 1.351e+09

B =
u1
x1 1.358e-07 +/- 8.201e+06
x2 4.369e-05 +/- 2.906e+10
x3 -0.006681 +/- 4.181e+10

C =
x1 x2
y1 305.7 +/- 2.191e+09 -0.9012 +/- 1.192e+07

x3
y1 -0.002337 +/- 1.087e+05

22
 D =
u1
y1 0

K =
y1
x1 0.2602 +/- 2.663e+06
x2 -83.7 +/- 8.379e+08
x3 -1.247e+04 +/- 2.8e+11

Name: ss coba2 3 pole

Parameterization:
FREE form (all coefficients in A, B, C free).
Feedthrough: none
Disturbance component: estimate
Number of free coefficients: 18
Use "idssdata", "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Estimated using N4SID on time domain data "coba2".
Fit to estimation data: 100% (prediction focus)
FPE: 2.116e-11, MSE: 2.114e-11
More information in model's "Report" property.

5. Process Model 2 pole

P2D =
Process model with transfer function:
Kp
G(s) = ----------------- * exp(-Td*s)

23
 (1+Tp1*s)(1+Tp2*s)

Kp = 1.5057 +/- 0.0011557

Tp1 = 2.0056 +/- 0.035728
Tp2 = 0.078661 +/- 0.030271
Td = 0.3 +/- 0.069788

Name: P2D
Parameterization:
'P2D'
Number of free coefficients: 4
Use "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Termination condition: Maximum number of iterations reached.
Number of iterations: 20, Number of function evaluations: 584

Estimated using PROCEST on time domain data "coba2".

Fit to estimation data: 30.4%
FPE: 2.497, MSE: 2.496
More information in model's "Report" property.

6. Process Model 3 Pole

P3D =
Process model with transfer function:
Kp
G(s) = -------------------------- * exp(-Td*s)
(1+Tp1*s)(1+Tp2*s)(1+Tp3*s)

Kp = 96.776 +/- 4.0991e+07

24
 Tp1 = 0.64327 +/- 418.32
Tp2 = 4787.2 +/- 1.0395e+10
Tp3 = 10000 +/- 1.892e+10
Td = 0 +/- 3342.3

Name: P3D
Parameterization:
'P3D'
Number of free coefficients: 5
Use "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Termination condition: Maximum number of iterations reached.
Number of iterations: 20, Number of function evaluations: 486

Estimated using PROCEST on time domain data "coba2".

Fit to estimation data: 14.74%
FPE: 3.747, MSE: 3.744
More information in model's "Report" property.

25
2.2 Remove Trend

3. Percobaan 3

3.1 Tanpa Remove Trend

1. Process model 1 pole

P1D coba3 1pole =

Process model with transfer function:

26
 Kp
G(s) = ---------- * exp(-Td*s)
1+Tp1*s

Kp = 0.567 +/- 5.3879e-13

Tp1 = 100.99 +/- 4.6989e-10
Td = 0 +/- 3.4385e-09

Name: P1D coba3 1pole

Parameterization:
'P1D'
Number of free coefficients: 3
Use "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Termination condition: Near (local) minimum, (norm(g) < tol).
Number of iterations: 5, Number of function evaluations: 126

Estimated using PROCEST on time domain data "coba3".

Fit to estimation data: 100%
FPE: 8.361e-20, MSE: 8.348e-20
More information in model's "Report" property.

2. State Space 1 Pole

ss coba3 1pole =
Continuous-time identified state-space model:
dx/dt = A x(t) + B u(t) + K e(t)
y(t) = C x(t) + D u(t) + e(t)

A =

27
 x1
x1 -0.009902 +/- 5.258e-12

B =
u1
x1 3.801e-05 +/- 0.1788

C =
x1
y1 147.7 +/- 6.946e+05

D =
u1
y1 0

K =
y1
x1 0.01657 +/- 77.94

Name: ss coba3 1pole

Parameterization:
FREE form (all coefficients in A, B, C free).
Feedthrough: none
Disturbance component: estimate
Number of free coefficients: 4
Use "idssdata", "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Estimated using N4SID on time domain data "coba3".

28
Fit to estimation data: 100% (prediction focus)
FPE: 9.514e-20, MSE: 9.498e-20
More information in model's "Report" property.

3. Transfer Function 1 Pole

tf coba3 1pole =

From input "u1" to output "y1":

-3.669e-13 (+/- 655.5) s + 0.005615 (+/- 2.854e-13)
---------------------------------------------------
s + 0.009902 (+/- 6.888e-14)

Name: tf coba3 1pole

Continuous-time identified transfer function.

Parameterization:
Number of poles: 1 Number of zeros: 1
Number of free coefficients: 3
Use "tfdata", "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Termination condition: Near (local) minimum, (norm(g) < tol).
Number of iterations: 20, Number of function evaluations: 396

Estimated using TFEST on time domain data "coba3".

Fit to estimation data: 100% (stability enforced)
FPE: 8.361e-20, MSE: 8.348e-20
More information in model's "Report" property.

29
 4. Transfer Function 2 Pole

tf1 =

From input "u1" to output "y1":

8.299e-05 (+/- 9.332e05) s - 1.047e-05 (+/- 7.268e-08)
-----------------------------------------------------------
s^2 + 0.05892 (+/- 1.042e-05) s + 7.154e-14 (+/- 2.374e-07)

Name: tf1
Continuous-time identified transfer function.

Parameterization:
Number of poles: 2 Number of zeros: 1
Number of free coefficients: 4
Use "tfdata", "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Termination condition: Maximum number of iterations reached.
Number of iterations: 20, Number of function evaluations: 400

Estimated using TFEST on time domain data "coba3".

Fit to estimation data: 15.57% (stability enforced)
FPE: 3.144, MSE: 3.136
More information in model's "Report" property.

30
3.2 Remove Trend

4. Percobaan 4

4.1 Tanpa Remove Trend

1. Process Model (2 Pole)

P2Dcoba4 =
Process model with transfer function:

31
 Kp
G(s) = ----------------- * exp(-Td*s)
(1+Tp1*s)(1+Tp2*s)

Kp = 0.567 +/- 9.123e-09

Tp1 = 100.99 +/- 6.0011e-06
Tp2 = 0.0051713 +/- 0.00011766
Td = 2.9949 +/- 0.00011838

Name: P2Dcoba4
Parameterization:
'P2D'
Number of free coefficients: 4
Use "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Termination condition: Maximum number of iterations reached.
Number of iterations: 20, Number of function evaluations: 141

Estimated using PROCEST on time domain data "coba4".

Fit to estimation data: 100%
FPE: 5.442e-12, MSE: 5.429e-12
More information in model's "Report" property.

2. State Space (2 Pole)

sscoba4 =
Continuous-time identified state-space model:
dx/dt = A x(t) + B u(t) + K e(t)
y(t) = C x(t) + D u(t) + e(t)

32
 A =
x1 x2
x1 -0.009355 +/- 2.084e+10 0.002607 +/- 8.219e+06
x2 -0.1002 +/- 3.635e+12 -0.4639 +/- 2.084e+10

B =
u1
x1 -1.875e-06 +/- 1.11e+09
x2 0.006933 +/- 1.975e+11

C =
x1 x2
y1 151.3 +/- 2.561e+11 0.01884 +/- 1.04e+08

D =
u1
y1 0

K =
y1
x1 0.06854 +/- 1.44e+08
x2 231.6 +/- 7.517e+11

Name: sscoba4
Parameterization:
FREE form (all coefficients in A, B, C free).
Feedthrough: none
Disturbance component: estimate
Number of free coefficients: 10

33
 Use "idssdata", "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Estimated using N4SID on time domain data "coba4".
Fit to estimation data: 99.99% (prediction focus)
FPE: 1.386e-08, MSE: 1.381e-08
More information in model's "Report" property.

3. Transfer Function (2 Pole)

tfcoba4 =

From input "u1" to output "y1":

-0.00611 (+/- 1.218e08) s + 0.003906 (+/- 3.668e-05)
--------------------------------------------------------
s^2 + 0.7054 (+/- 0.006547) s + 0.006889 (+/- 6.467e-05)

Name: tfcoba4
Continuous-time identified transfer function.

Parameterization:
Number of poles: 2 Number of zeros: 1
Number of free coefficients: 4
Use "tfdata", "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Termination condition: Maximum number of iterations reached.
Number of iterations: 20, Number of function evaluations: 339

Estimated using TFEST on time domain data "coba4".

34
Fit to estimation data: 99.91% (stability enforced)
FPE: 4.155e-06, MSE: 4.145e-06
More information in model's "Report" property.

4. Process Model (1 Pole)

P1D =
Process model with transfer function:
Kp
G(s) = ---------- * exp(-Td*s)
1+Tp1*s

Kp = 0.567 +/- 1.1087e-10

Tp1 = 100.99 +/- 9.6214e-08
Td = 3 +/- 1.3406e-07

Name: P1D
Parameterization:
'P1D'
Number of free coefficients: 3
Use "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Termination condition: Maximum number of iterations reached.
Number of iterations: 20, Number of function evaluations: 553

Estimated using PROCEST on time domain data "coba4".

Fit to estimation data: 100%
FPE: 1.992e-15, MSE: 1.989e-15
More information in model's "Report" property.

35
 5. State Space (1 Pole)

ss1 =
Continuous-time identified state-space model:
dx/dt = A x(t) + B u(t) + K e(t)
y(t) = C x(t) + D u(t) + e(t)

A =
x1
x1 -0.009262 +/- 4.23e-05

B =
u1
x1 3.482e-05 +/- 7.986e+05

C =
x1
y1 152 +/- 3.486e+12

D =
u1
y1 0

K =
y1
x1 0.03919 +/- 8.987e+08

Name: ss1
Parameterization:
FREE form (all coefficients in A, B, C free).

36
 Feedthrough: none
Disturbance component: estimate
Number of free coefficients: 4
Use "idssdata", "getpvec", "getcov" for parameters and their
uncertainties.

Status:
Estimated using N4SID on time domain data "coba4".
Fit to estimation data: 99.95% (prediction focus)
FPE: 1.078e-06, MSE: 1.076e-06
More information in model's "Report" property.

6. Transfer Function (1 Pole)

tf1 =

From input "u1" to output "y1":

-0.01592 (+/- 4.995e09) s + 0.0056 (+/- 4.565e-06)
--------------------------------------------------
s + 0.009874 (+/- 9.668e-06)

Name: tf1
Continuous-time identified transfer function.

Parameterization:
Number of poles: 1 Number of zeros: 1
Number of free coefficients: 3
Use "tfdata", "getpvec", "getcov" for parameters and their
uncertainties.

Status:

37
Termination condition: No improvement along the search direction
with line search.
Number of iterations: 12, Number of function evaluations: 359

Estimated using TFEST on time domain data "coba4".

Fit to estimation data: 99.48% (stability enforced)
FPE: 0.0001238, MSE: 0.0001236
More information in model's "Report" property.

4.2 Remove Trend

IV. Analisa

Analisa dilakukan pada masing-masing percobaan

1. Percobaan 1

Setelah mengamati perbandingan grafik output model dan data awal, dapat diketahui model
dengan data awal yang tidak di pre-process dengan remove trend memiliki bentuk grafik yang
sama dengan data awal. Sehingga analisa akan dilanjutkan dengan melakukan perbandingan
kemiripan masing-masing bentuk model yang dilakukan tanpa remove trend. Kemiripan
estimasi masing-masing model dapat dilihat pada tabel

Bentuk Model Fit to Estimation (%)

Transfer Function 2 Pole 99.79%
State-Space 2 Pole 99.67%

38
 Process Model 2 Pole 100%
Process Model 1 Pole 100%
2. Percobaan 2

Setelah mengamati perbandingan grafik output model dan data awal, dapat diketahui model
dengan data awal yang tidak di pre-process dengan remove trend memiliki bentuk grafik yang
sama dengan data awal. Sehingga analisa akan dilanjutkan dengan melakukan perbandingan
kemiripan masing-masing bentuk model yang dilakukan tanpa remove trend. Kemiripan
estimasi masing-masing model dapat dilihat pada tabel

Bentuk Model Fit to Estimation (%)

Transfer Function 2 Pole 77.35%
Transfer Function 3 Pole 96.44%
State-Space 2 Pole 99.99%
State-Space 3 Pole 100%
Process Model 2 Pole 30.4%
Process Model 3 Pole 14.74%
3. Percobaan 3

Setelah mengamati perbandingan grafik output model dan data awal, dapat diketahui model
dengan data awal yang tidak di pre-process dengan remove trend memiliki bentuk grafik yang
sama dengan data awal. Sehingga analisa akan dilanjutkan dengan melakukan perbandingan
kemiripan masing-masing bentuk model yang dilakukan tanpa remove trend. Kemiripan
estimasi masing-masing model dapat dilihat pada tabel

Bentuk Model Fit to Estimation (%)

Process Model 1 Pole 100%
State-Space 1 Pole 100%
Transfer Function 1 Pole 100%
Tranfer Function 2 Pole 15.7%
4. Percobaan 4

Setelah mengamati perbandingan grafik output model dan data awal, dapat diketahui model
dengan data awal yang tidak di pre-process dengan remove trend memiliki bentuk grafik yang
sama dengan data awal. Sehingga analisa akan dilanjutkan dengan melakukan perbandingan
kemiripan masing-masing bentuk model yang dilakukan tanpa remove trend. Kemiripan
estimasi masing-masing model dapat dilihat pada tabel

Bentuk Model Fit to Estimation (%)

Process Model 2 Pole 100%
State Space 2 Pole 99.99%
Transfer Function 2 Pole 99.91%
Process Model 1 Pole 100%
State-Space 1 Pole 99.95%
Transfer Function 1 Pole 99.48%

39
V. Kesimpulan

1. Pada Percobaan 1 diketahui grafik model merupakan representasi karakteristik sistem

orde 1 atau sistem orde 2 over damp atau critically damp sehingga estimasi sistem dicari dengan
model yang memiliki pole 1 atau 2. Hasil analisa dapat diketahui process model dengan 1 atau
2 pole memiliki estimasi paling baik dengan data awal sama-sama menghasilkan 100% fit to
estimation.
2. Pada Percobaan 2 diketahui grafik model merupakan representasi karakteristik sistem
orde 2 under damp, karena memiliki overshoot sehingga estimasi sistem dicari dengan model
yang memiliki 2 pole atau lebih. Hasil analisa dapat diketahui state-space model dengan 3
pole memiliki estimasi paling baik dengan data awal menghasilkan 100% fit to estimation.
3. Pada Percobaan 3 diketahui grafik model merupakan representasi karakteristik sistem
orde 1 sehingga estimasi sistem langsung dapat ditentukan dengan model yang memiliki pole
1. Hasil analisa dapat diketahu seluruh bentuk model baik process model, state-space model,
transfer-function model memiliki estimasi paling baik dengan data awal 100% fit to
estimation.
4. Pada Percobaan 4 diketahui grafik merupakan representasi karakteristik sistem model
orde 1 atau sistem orde 2 over damp atau critically damp sehingga estimasi sistem dicari dengan
model yang memiliki pole 1 atau 2. Hasil analisa dapat diketahui process model dengan 1 atau
2 pole memiliki estimasi paling baik dengan data awal sama-sama menghasilkan 100% fit to
estimation.

40