244
Nopi Ramsari, Zen Munawar
Jurnal Ilmiah Teknologi Informasi Terapan
Volume II, No 3, 15 Agustus 2016
ISSN : 2407 - 3911
diperlukan. Unsur-unsur pokok pada soft computing dinamis menyesuaikan berbagai parameter kontrol
seperti teori neuron, fuzzy logic, evolusi komputasi, proses.
algoritma genetika, chaostic sistem dan penalaran
probabilistik. Terdapat dua teknik yang muncul yaitu II. KAJIAN LITERATUR
logika fuzzy dan algoritma genetika dapat digunakan II.1 Logika Fuzzy
dalam penelitian ini untuk mengontrol proses sistem.
Logika fuzzy mencoba untuk secara sistematis
Dalam beberapa tahun terakhir teknik soft dan matematis meniru nalar manusia dalam membuat
computing yang berdasarkan sistem fuzzy telah keputusan (Toufouti , 2006), dan menyediakan cara
dikembangkan untuk solusi kontrol masalah. intuitif untuk menerapkan pengendalian sistem,
Alasannya adalah bahwa banyak masalah kontrol pengambilan keputusan dan sistem diagnostik di
dunia nyata hampir tidak bisa dipecahkan dengan berbagai cabang industri. Logika fuzzy merupakan
teknik konvensional karena informasi yang konsep yang sangat baik untuk menutup kesenjangan
dibutuhkan tidak tersedia atau sistem yang antara akal manusia dan logika komputasi. Terdapat
dipertimbangkan tidak baik. Prinsipnya soft variabel seperti kecerdasan, kredibilitas, kepercayaan
computing adalah memanfaatkan toleransi terhadap dan reputasi. Variabel tersebut tidak bisa
ketidaktepatan ketidakpastian parsial kebenaran dan direpresentasikan sebagai nilai-nilai, namun estimasi
pendekatan untuk mencapai ketahanan solusi biaya diperlukan, sistem fuzzy adalah teknologi dengan
rendah dan hubungan yang lebih baik dengan target aplikasi industri dan menambahkan dimensi
kenyataan (Zadeh LA., 1997). Dalam arti soft baru serta menjanjikan domain yang ada dari sistem
computing ini meniru kemampuan manusia tertentu. pengendalian konvensional. Logika fuzzy
Namun dalam penerapannya teknik soft computing memungkinkan para insinyur untuk mengeksploitasi
hasilnya harus divalidasi dengan hati-hati mereka pengetahuan empiris dan heuristik yang
Teknik soft computing mampu menangani non- diwakili dalam aturan IF-THEN dan mentransfernya
linearitas dan menawarkan kesederhanaan komputasi. ke blok fungsional. Sistem logika fuzzy dapat
Logika fuzzy adalah approximator universal fungsi digunakan untuk aplikasi teknik canggih seperti
multivariat karena dapat digunakan untuk pemodelan pengendalian sistem cerdas, proses diagnostik,
yang non-linear, pengendali tidak diketahui atau deteksi kesalahan, dan pengambilan keputusan.
sebagian diketahui. Logika fuzzy membantu seorang II.2 Algoritma Genetika
insinyur untuk memecahkan masalah pengendalian
non-linear dalam proses pengendalian. Dengan Algoritma evolusioner yang berbasis populasi
mengemulasi penalaran manusia dan menyediakan algoritma optimasi meta heuristik yang
cara intuitif untuk merancang blok fungsional untuk menggunakan mekanisme biologi yang terinspirasi
sistem kontrol cerdas. dan survival pengujian teori untuk memperbaiki
solusi iteratif (Yakhchali & Ghodsypour, 2008).
Algoritma genetika adalah pencarian heuristik Algoritma genetika merupakan subclass dari
yang meniru proses evolusi alami, dan dapat algoritma evolusioner di mana unsur-unsur dari
diterapkan untuk pengendali optimasi proses karena ruang pencarian berupa string biner atau array dari
menggunakan operator alami yaitu. mutasi dan tipe dasar lainnya. Algoritma genetika adalah teknik
crossover (Chang & Ramakrishna, 2002). pencarian berbasis komputer berpola mekanisme
Berdasarkan kajian pustaka teknik soft computing genetik organisme biologis yang telah beradaptasi
dapat mengintegrasikan untuk model sinergis atau dan berkembang dalam mengubah lingkungan yang
hybrid dengan yang hasil yang lebih baik. Simulasi sangat kompetitif. Saat ini telah banyak kemajuan
adalah realisasi model komputasi. Simulasi yang menarik dalam penggunaan algoritma genetika
memungkinkan seorang insinyur untuk mengetahui untuk menyelesaikan masalah optimasi dalam sistem
bagaimana model berperilaku untuk variasi parameter kontrol proses. Algoritma genetika adalah solusi
tertentu.Simulasi dapat dilakukan untuk merancang untuk optimasi dari masalah sulit yang cepat, akurat
dan pelaksanaan pengendalian konvensional dan handal.
proporsional derivatif integral atau proportional
integral derivative (PID), fuzzy logic controller II.3 Pengendali Konvensional
(FLC) dan pengendali hybrid fuzzy logic genetic Hal penting dalam pengendalian industri modern
algorithms (Helga). aplikasi simulasi dapat secara adalah dapat mengembangkan metodologi, konsep,
245
Nopi Ramsari, Zen Munawar
Jurnal Ilmiah Teknologi Informasi Terapan
Volume II, No 3, 15 Agustus 2016
ISSN : 2407 - 3911
246
Nopi Ramsari, Zen Munawar
Jurnal Ilmiah Teknologi Informasi Terapan
Volume II, No 3, 15 Agustus 2016
ISSN : 2407 - 3911
yang melekat yang memungkinkan identifikasi cepat Algoritma genetika memiliki langkah-langkah
dari daerah kinerja domain tinggi yang kompleks yang terdefinisi dengan baik:
tanpa mengalami masalah dengan dimensi tinggi.
Sebuah algoritma dasar untuk Algoritma
Teori algoritma genetika didasarkan pada genetika adalah sebagai berikut (Somerville, I.,2004)
inisialisasi kromosom, memberikan nilai fitness
Pseudo kode untuk Algoritma genetika
kromosom yang sesuai dengan kriteria kinerja
adalah:
mereka, reproduksi berdasarkan probabilitas
Initialize (population)
crossover yang membagi kode biner dari setiap orang Evaluate (population)
tua menjadi dua atau lebih segmen dan kemudian While (stopping condition not satisfied)
menggabungkan ke memberikan keturunan baru yang do
telah mewarisi bagian dari coding nya dari setiap {
orangtua, proses mutasi di mana coding dari Selection (population)
keturunan dilakukan dengan probabilitas rendah. Crossover (population)
algoritma optimasi ini melakukan pencarian stokastik Mutate (population)
dengan iterasi dari populasi solusi sesuai dengan Evaluate (population)
kebugaran mereka. Dalam pengendalian aplikasi, }
fitnes terkait dengan ukuran kinerja dari pengendali Algoritma akan iterate sampai populasi k telah
proses. Kinerja pengendali logika fuzzy dapat berkembang untuk membentuk solusi untuk masalah
ditingkatkan jika model penalaran fuzzy dilengkapi ini, atau sampai jumlah maksimum iterasi telah
dengan mekanisme algoritma genetika. Algoritma terjadi (menunjukkan bahwa solusi tidak akan
genetika memungkinkan kita untuk menghasilkan set ditemukan diberikan sumber daya yang tersedia).
optimal parameter untuk model logika fuzzy.
II.6 Hibridasi dari Teknik Soft Computing
Sebuah Algoritma genetika (Goldberg, D.E,
1989) dimulai dengan tebakan dan upaya untuk Hibridisasi sistem cerdas adalah bidang yang
meningkatkan tebakan oleh evolusi. Algoritma menjanjikan kecerdasan modern untuk
genetika biasanya akan memiliki lima bagian: pengembangan kontroler generasi berikutnya.
Integrasi teknik soft computing dapat memecahkan
1. Representasi dari menebak disebut kromosom, masalah sulit dalam industri kontrol proses. Teknik
2. Suatu pool awal kromosom, kecerdasan buatan Hybrid menyediakan pemecahan
3. Fungsi fitness, masalah model yang lebih kuat dan dapat diandalkan
4. Fungsi seleksi dan dibandingkan model standalone. mengintegrasikan
5. Crossover operator dan operator mutasi. Sebuah ini teknik meningkatkan kekuatan keseluruhan dan
kromosom dapat berupa string biner atau lebih mengurangi kelemahan sehingga membantu untuk
rumit struktur data. Kumpulan awal kromosom memecahkan keseluruhan Masalah kontrol dengan
dapat dihasilkan secara acak atau secara manual cara yang efektif. Berbagai strategi, model dan desain
dibuat. telah diusulkan oleh peneliti untuk mengintegrasikan
berbagai sistem cerdas untuk aplikasi praktis.
Untuk memenuhi ditentukan fungsi fitness
mengukur kesesuaian kromosom Tujuan akhir dari integrasi adalah untuk
memodelkan masalah dengan mengambil keuntungan
Tujuan: untuk ATG cakupan berdasarkan,
dari kekuatan untuk mencapai efektivitas dan
kromosom adalah fit jika itu sesuai dengan yang lebih
efisiensi. Model matematika dapat digunakan dalam
besar cakupan. Fungsi seleksi yang memutuskan
hubungannya dengan teknik cerdas untuk
kromosom akan berpartisipasi dalam evolusi tahap
meningkatkan kinerja sistem hybrid untuk aplikasi
algoritma genetika dibuat oleh crossover dan mutasi
dunia nyata. Aplikasi baru untuk masalah dunia nyata
operator.
dari sistem hybrid yang terintegrasi bertujuan untuk
Crossover operator pertukaran gen dari dua mencapai hasil yang lebih baik Hasil dari teknik
kromosom dan menciptakan dua kromosom baru. mandiri. Sistem fuzzy dengan kemampuan belajar dan
Operator mutasi perubahan gen dalam kromosom dan adaptasi, komputasi evolusioner telah memunculkan
menciptakan yang kromosom baru. fuzzy sistem hybrid genetik dengan kemampuan
adaptasi algoritma evolusioner.
247
Nopi Ramsari, Zen Munawar
Jurnal Ilmiah Teknologi Informasi Terapan
Volume II, No 3, 15 Agustus 2016
ISSN : 2407 - 3911
248
Nopi Ramsari, Zen Munawar
Jurnal Ilmiah Teknologi Informasi Terapan
Volume II, No 3, 15 Agustus 2016
ISSN : 2407 - 3911
249
Nopi Ramsari, Zen Munawar
Jurnal Ilmiah Teknologi Informasi Terapan
Volume II, No 3, 15 Agustus 2016
ISSN : 2407 - 3911
struktur linier mereka derivatif integral. Fuzzy controller. Integral and absolut error (IAE) dan
proporsional integral derivatif controller dirancang Integral of time and absolut error (ITAE) dari
menggunakan prinsip fuzzy logic control untuk proporsional integral derivatif (PID) adalah 0,98 dan
mendapatkan controller baru yang memiliki formula 1,94 masing-masing. Integral of absolut error (IAE)
analitis sangat mirip dengan proporsional integral dan tidak terpisahkan dari Integral of time and
derivatif digital. Dalam studi eksperimental ini, absolut error (ITAE) dari fuzzy logic controller (FLC)
interpretasi klasik dari operasi logika Mamdani adalah 0,83 dan 0,91 masing-masing. Integral of
diterapkan. Fuzzy logic controller (FLC) memberikan absolut error (IAE) dan tidak terpisahkan dari
overshoot jauh lebih rendah, waktu penyelesaian dan Integral of time and absolut error (ITAE) dari hybrid
waktu puncak daripada konvensional proportional fuzzy genetic algoritma (HLFGA) controller 0,76 dan
integral derivatif (PID). nilai khas overshoot adalah 0,98, yang sangat kurang dan menunjukkan kontrol
8.75% dan menetap waktu dan puncak waktu yang dioptimalkan kontroler hybrid pada kesalahan dari
6,8 detik dan 6,2 detik masing-masing, yang turbin gas.
menunjukkan perbandingan perbaikan dalam
kontroler fuzzy berdasarkan logika daripada
konvensional proportional integral derivatif (PID) IV. STUDI KASUS –PENGENDALIAN TORSI
untuk parameter kontrol proses yang berbeda. LANGSUNG DARI MOTOR INDUKSI
algoritma genetika adalah teknik optimasi cerdas
(Chang Wook Ahn & Ramakrishna, 2002) yang Pertama-tama, teknik kecerdasan buatan yang
mengandalkan paralelisme ditemukan di alam, dimasukkan untuk mengatasi kelemahan yang
khususnya prosedur pencarian yang yang didasarkan melekat skema kontrol torsi langsung konvensional,
pada mekanisme seleksi alam dan genetika. algoritma seperti masalah awal dari negara-negara null,
genetika, dengan ukuran populasi 20 kromosom, kebutuhan torsi dan estimator fluks (Kumar K.,
jalankan untuk 50 generasi. Metode roda Roulette Sakthibala D. dan Palaniswami S.,2010). Dalam
digunakan untuk seleksi kromosom, dengan dua titik metode kontrol torsi langsung konvensional,
Crossover, memiliki probabilitas mutasi 0.01. tegangan diterapkan untuk seluruh periode, yang
Tanggapan langkah fuzzy algoritma genetika sistem pada gilirannya menghasilkan arus stator tinggi dan
hybrid menunjukkan bahwa transien parameter torsi elektromagnetik dengan hasil riak torsi tinggi
respon yang lebih baik dioptimalkan dari fuzzy logic yang dihasilkan selama operasi bermotor (Pujar J.H
controller (FLC) dan konvensional proportional dan S.F. Kodad, 2009).
integral derivatif (PID). Hal ini menunjukkan
Teknik cerdas untuk menganalisis kinerja tinggi
keunggulan algoritma genetika hybrid fuzzy lebih
dipisahkan fluks dan kontrol torsi memiliki
sebagai pengendali konvensional dan pengendali
dilaksanakan dalam pekerjaan ini. logika fuzzy
fuzzy mandiri.
digunakan untuk memilih negara inverter untuk
Untuk memverifikasi hasil Simulink model mencapai torsi dan nilai-nilai referensi fluks. Untuk
berbasis sistem turbin kompresor menggunakan blok eksperimen, 3-fase, 1-kilowatt, 1300 rpm induksi
optimum set, m-file juga dihasilkan menggunakan drive motor diambil. fungsi keanggotaan segitiga
perintah MATLAB. Melalui analisis komparatif flow digunakan untuk mewakili kesalahan fluks, kesalahan
control dari sistem turbin kompresor, hybrid fuzzy torsi elektromagnetik dan sudut fluks. aturan fuzzy
genetic algoritma (HFLGA) menunjukkan overshoot yang dihasilkan oleh metode trial and error untuk
hampir diabaikan dari sekitar 1% dan peningkatan pemilihan negara inverter yang tepat. Sebuah motor
yang luar biasa dalam waktu penyelesaian dan dikenakan frekuensi 10 KHz, pengambilan sampel
puncak waktu yang nilai-nilai khas adalah sekitar 3,7 waktu 0,1 ms, dan memiliki torsi dan referensi fluks
detik dan 4,1 detik masing-masing. Perbandingan nilai 2,5 Nm dan 0,5 Wb masing-masing.
kinerja kesalahan parameter yang tidak terpisahkan
Algoritma genetika telah diterapkan untuk 150
dari integral of absolut error (IAE) dan integral of
generasi memiliki ukuran populasi 20
time and absolut error (IAE) dari proporsional
kromosom. 50% dari tingkat crossover dan 10% dari
integral derivatif (PID), fuzzy logic controller (FLC)
laju mutasi dengan crossover titik tunggal digunakan
dan hybrid fuzzy genetic algoritma (HLFGA)
selama simulasi. Metode Roulette pilihan roda
controler menunjukkan superioritas kontroler hybrid
dengan nilai-nilai fitness dinormalisasi digunakan
stand alone dan proporsional integral derivatif (PID)
untuk seleksi kromosom. Studi simulasi
250
Nopi Ramsari, Zen Munawar
Jurnal Ilmiah Teknologi Informasi Terapan
Volume II, No 3, 15 Agustus 2016
ISSN : 2407 - 3911
menunjukkan peningkatan maksimum 23% di fluks itu perlu untuk mendeteksi posisi bola dan dan cara
kesalahan untuk logika fuzzy dan hybrid logika fuzzy melalui labirin.
algoritma genetika kontroler. untuk operasi kondisi a
Hasilnya adalah jalur dari awal ke titik target
= 100%, b = 100%, fluks kesalahan 2.5e-3 dan 1,8 e-
labirin berbentuk poligonal a. Langkah kedua adalah
3 telah dicatat untuk logika fuzzy controller dan
tahap real-time yang bertanggung jawab untuk
hybrid logika fuzzy algoritma genetika kontroler
menavigasi bola sepanjang jalan dengan mendekati
masing-masing. Studi simulasi dilakukan pada
titik sudut dari satu poligonal demi satu. Awalnya,
kondisi operasi yang berbeda dari motor. Hal ini
koordinat baru dari pusat bola diperkirakan dengan
disimpulkan dari simulasi hasil bahwa peningkatan
mempertimbangkan beberapa posisi masa lalu dari
kesalahan fluks di logika fuzzy mandiri dan logika
ball.Then, pusat tepat terlokalisir di daerah ("jendela
fuzzy hybrid genetik kontroler algoritma adalah 23%,
geser") sekitar estimasi pusat menggunakan mis
22%, 19%, 18% dan 17% untuk kondisi operasi a =
metode pas prototipe (Keidl M, Kickingereder R,
100%, b = 100%.
1997). Posisi saat bola dan posisi titik target
Selanjutnya, untuk kondisi operasi a = 50%, b = berikutnya (sudut poligonal) digunakan untuk
50%, peningkatan kinerja di fluks kesalahan berkisar menghitung urutan motor langkah. Ada berbagai
dari 10% menjadi 2% untuk logika mandiri dan kemungkinan untuk menangani tugas ini.
logika fuzzy algoritma genetika hybrid pengendali
masing-masing.
Untuk kondisi operasi di atas, persentase
peningkatan kesalahan torsi juga telah mencatat.
Untuk kondisi operasi a = 100%, b = 100%, kinerja
peningkatan sekitar 3% dicatat dalam logika fuzzy
mandiri dan logika fuzzy hybrid genetik kontroler
algoritma. Untuk kondisi operasi yang berbeda
peningkatan kinerja dicatat. Saya
simpulkan dari hasil simulasi di atas bahwa
peningkatan kinerja dalam kesalahan fluks dan error
torsi lebih pada kecepatan awal motor. Singkatnya,
logika fuzzy controller berdasarkan genetik teknik
algoritma melebihi kontroler logika mandiri fuzzy.
251
Nopi Ramsari, Zen Munawar
Jurnal Ilmiah Teknologi Informasi Terapan
Volume II, No 3, 15 Agustus 2016
ISSN : 2407 - 3911
dua puluh kali dan mean dan standar deviasi dari VI. KESIMPULAN
kriteria peringkat berikut telah ditentukan.
Hasil analisis stabilitas logika fuzzy dan
1. Jarak yang ditempuh bola (diukur dalam pixel); algoritma genetika berdasarkan pengendali non-
2. Menjalankan waktu antara awal (start point) dan linear. Percobaan pada non-linear dan kontrol kontrol
akhir (titik sasaran terakhir) gerak (diukur dalam kecepatan kompresor turbin yang khas sistem untuk
detik) mengendalikan keluaran gas dilakukan dengan
3. Rata-rata deviasi (diukur dalam pixel) menggunakan strategi logika fuzzy dan teknik hybrid
4. Maks. penyimpangan bola (diukur dalam pixel) fuzzy logic algoritma genetika. Bila dibandingkan
5. Rata-rata jumlah siklus prosesor per perhitungan dengan kontroler konvensional, logika fuzzy
6. Jumlah langkah bermotor memberikan kontrol yang lebih baik pada kesalahan
Jalan melalui labirin telah keras-kode untuk sementara dan penggabungan genetik algoritma
menjamin persis jalan yang sama untuk setiap tes dengan logika fuzzy akan lebih mengoptimalkan
dan, karena itu, hasil yang sebanding. Ini "referensi parameter kontroler. Fuzzy logic dan teknik hybrid
jalan" memiliki panjang 1.139 piksel. Hasil untuk fuzzy logic algoritma genetika mengungguli
jaringan dilatih secara online akan ditampilkan pendekatan konvensional dalam hal minimalisasi
setelah waktu tertentu pelatihan online (dengan kesalahan. Untuk menilai jenis kontroler yang
pelatihan online jumlah siklus prosesor adalah sekitar berbeda, masing-masing kontroler telah diuji
67000) menggunakan labirin yang sama dan jalan yang
sama. Untuk membandingkan pengendali secara adil,
Tabel 1. Hasil Percobaan (Keidl) setiap tes telah diulang dua puluh kali dan mean dan
standar deviasi dari kriteria Peringkat berikut telah
Paradigm Fuzzy Pre-trained Online Conv.
controller trained NN ditentukan
Controller
µ σ µ σ µ σ µ σ Hal ini terbukti dari hasil studi kasus diambil
Distance 1478 26,3 1459 27,7 1410 31,7 1560 24,0 dalam makalah ini bahwa teknik soft computing
dalam penelitian ini dapat mengatasi proses yang
Run time 70,2 1,21 66,7 1,24 52,9 0,88 59,4 1,02
kompleks non-linear pengendalian sistem. Dapat
Avg. dev. 2,50 0,21 1,88 0,16 3,47 0,19 3,24 0,22 ditarik kesimpulan bahwa logika fuzzy adalah sebuah
Max. dev. 12,1 1,40 10,4 1,89 13,9 1,36 16,6 4,02 pendekatan sistematis untuk mengendalikan proses.
Selain fuzzy logic, hibridisasi dengan algoritma
Cycles 3669 0,73 10992 0,07 10911 0,06 465 5,31
genetik, akan lebih memberikan optimasi yang lebih
Mot. Steps 12316 177 11244 134 9048 193 9520 284 baik.
252
Nopi Ramsari, Zen Munawar
Jurnal Ilmiah Teknologi Informasi Terapan
Volume II, No 3, 15 Agustus 2016
ISSN : 2407 - 3911
253
Nopi Ramsari, Zen Munawar
Jurnal Ilmiah Teknologi Informasi Terapan
Volume II, No 3, 15 Agustus 2016