Jurnal SPEKTRUM Vol. XX, No.

XX Bulan Tahun

KONTROL FREKUENSI BEBAN MENGGUNAKAN

METODE FUZZY PADA SISTEM HYBRID WIND,
MIKROHIDRO DAN DIESEL

Budiansyah1, I Made Mataram2, I Ketut Wijaya2

1Mahasiswa Program Studi Teknik Elektro, Fakultas Teknik, Universitas Udayana
2Dosen Program Studi Teknik Elektro, Fakultas Teknik, Universitas Udayana
Jalan Raya Kampus Unud, Jimbaran, Kec. Kuta Sel, Kabupaten BadungProgram Studi
Teknik Elektro, Fakultas Teknik, Universitas Udayana
Email : wiliamgedrik65@gmail.com, mademataram@unud.ac.id_2,
wijaya@ee.unud.ac.id_3

ABSTRAK

Stabilitas frekuensi merupakan aspek penting dalam operasi sistem pembangkit

hybrid yang menggabungkan sumber daya energi terbarukan dan konvensional. Penelitian ini
menganalisis perbandingan kinerja tiga metode kontroler load frekuensi: Proportional-
Integral-Derivative (PID), Adaptive Neuro-Fuzzy Inference System (ANFIS), dan Logika
Fuzzy. Fokus utama pada penelitian ini adalah eksplorasi kemampuan metode Logika Fuzzy
dalam mengatasi tantangan pengendalian pada sistem pembangkit hybrid yang kompleks.
Sistem pembangkit hybrid melibatkan tiga jenis sumber daya: microhydro, diesel, dan angin.
Simulasi dilakukan untuk menguji respons kontroler dalam mengatasi fluktuasi beban dan
gangguan frekuensi. Evaluasi kinerja melibatkan parameter waktu pemulihan, overshoot, dan
presisi stabilisasi. Hasil penelitian menunjukkan bahwa pendekatan Fuzzy secara konsisten
menghasilkan respons yang cepat dan stabil, menjadikannya alternatif yang menjanjikan
dalam menjaga stabilitas frekuensi. Metode ini mengatasi kompleksitas sistem pembangkit
hybrid dengan memanfaatkan pengetahuan manusia dan data empiris.

Kata Kunci: Load Frekuensi, Kontroler, Metode Fuzzy, Pembangkit Hybrid, Microhydro,
Diesel, Angin.

ABSTRACT

Frequency stability is a crucial aspect in the operation of hybrid power generation

systems that integrate renewable and conventional energy resources. This research conducts
a comparative analysis of the performance of three load frequency controller methods:
Proportional-Integral-Derivative (PID), Adaptive Neuro-Fuzzy Inference System (ANFIS), and
Fuzzy Logic. The primary focus of this study lies in exploring the capabilities of the Fuzzy
Logic method in addressing control challenges within complex hybrid power generation
systems.The hybrid power generation system involves three types of resources: microhydro,
diesel, and wind. Simulations are carried out to test the controller's response in handling load
fluctuations and frequency disturbances. Performance evaluation encompasses parameters
such as recovery time, overshoot, and stabilization precision. The research findings
consistently demonstrate that the Fuzzy approach yields rapid and stable responses,
positioning it as a promising alternative for maintaining frequency stability. This method
effectively tackles the complexities of hybrid power generation systems by harnessing human
expertise and empirical data.

Budiansyah1, I Made Mataram 2 , I Ketut Wijaya3 1

 Jurnal SPEKTRUM Vol. XX, No. XX Bulan Tahun
Keywords: Load Frequency, Controller, Fuzzy Method, Hybrid Power Generation, Microhydro,
Diesel, Wind.
1. PENDAHULUAN
Perkembangan kebutuhan
masyarakat yang semakin kompleks
sejalan dengan penggunaan yang luas dari
sistem kelistrikan telah mendorong inovasi
dalam teknologi kecerdasan buatan
(Artificial Intelligence/AI). AI memiliki
kemampuan dalam melatih data dan
menghasilkan berbagai metode dengan
keluaran yang lebih sesuai dan efisien
dalam waktu yang lebih singkat. Dalam
konteks sistem kelistrikan, terutama pada
aspek pembangkitan, fluktuasi frekuensi
menjadi penyebab utama kecelakaan
generator.
Salah satu solusi yang diterapkan dalam
mengatasi fluktuasi frekuensi ini adalah
melalui pengendalian frekuensi berbasis
Proporsional Integral Derivative (PID), yang
telah terbukti menjadi metode yang handal
dan luas diterapkan dalam industri.
Pengendalian PID terdiri dari tiga
komponen utama: Proporsional (Kp),
Integral (Ki), dan Diferensial (Kd). Namun,
keberlanjutan keefektifan metode PID
menghadapi keterbatasan dalam
menangani fluktuasi frekuensi dengan
optimal, sehingga perlu adanya pendekatan
yang lebih adaptif dan cerdas.
Dalam hal ini, perkembangan teknologi AI
telah membawa solusi alternatif yang
menjanjikan, seperti pendekatan Fuzzy
Logic dan Adaptive Neuro-Fuzzy Inference
System (ANFIS), untuk mengatasi
keterbatasan PID dalam menghadapi
fluktuasi frekuensi. Pengembangan teori
himpunan fuzzy memiliki peran yang
penting dalam rekayasa, khususnya pada
pengaturan motor induksi di lingkungan
industri. Logika fuzzy yang
diimplementasikan dalam pengaturan motor
mampu mengatasi tantangan overshoot,
dead time, dan rise time yang sering
dijumpai dalam aplikasi industri.
Dalam konteks ini, penggabungan metode
PID dengan pendekatan kontrol neuro
fuzzy melalui ANFIS memberikan solusi
efektif dalam mengatasi masalah tersebut.
Melalui pendekatan ini, kontrol neuro fuzzy
bekerja untuk menemukan parameter
optimal dari PID dengan metode
Budiansyah1, I Made Mataram 2 , I Ketut Wijaya3
penyetelan yang lebih adaptif, sehingga
mampu meningkatkan respons transien
serta menghilangkan kesalahan steady
state dalam pengaturan kecepatan motor
induksi secara efisien.\
2. TINJAUAN PUSTAKA
2.1 PID
Kontrol PID (Proportional-Integral-
Derivative) adalah metode umpan balik
yang lazim digunakan dalam Kontroler
Frekuensi Beban. PID menggunakan tiga
komponen dasar untuk menghasilkan sinyal
kendali yang mengatur produksi daya
berdasarkan perbedaan antara frekuensi
aktual dan nominal, serta laju perubahan
frekuensi.
2.2 Artificial Intelligence
Kecerdasan buatan Artificial
Intelligence (AI) merupakan suatu hasil dari
rekayasa teknologi yang memungkinkan
pengembangan sistem komputer dan
perangkat lunak yang dapat “berpikir”
secara analogi dengan kemampuan
manusia dan meniru tindakan mereka.
2.3 Metode Fuzzy
Percobaan berikutnya dilakukan
dengan menerapkan metode fuzzy pada
simulink, nilai setiap transfer funcrtion pada
simulink tetap sama tanpa perubahan
apapun,hanya saja pada fuzzy diberikan
dela agar memiliki 2 input.
Gambar 1 Diagram Sederhana Logika
Fuzzy
Penerapan sistem fuzzy pada
kontroler frekuensi beban melibatkan
beberapa tahapan:
Pengumpulan Data: Data input dan
output sistem tenaga listrik dikumpulkan,
termasuk variasi beban dan frekuensi
2
 Jurnal SPEKTRUM Vol. XX, No. XX Bulan Tahun

jaringan.Pra Pemrosesan: Data diperbaiki keanggotaan dan aturan fuzzy ditentukan

dan anomali dihilangkan. untuk kedua variabel masukan, dan
inferensi fuzzy digunakan untuk
Pengelompokan Data: Teknik fuzzy menghasilkan keluaran berdasarkan
clustering mengidentifikasi hubungan kombinasi kedua variabel tersebut.
antara input dan output.
Perancangan Aturan Fuzzy: Aturan
fuzzy menghubungkan input dengan
tindakan kontrol.
Sistem Inferensi Fuzzy:
Menghasilkan output kontrol berdasarkan
aturan yang ada.
Defuzzifikasi: Mengubah output fuzzy
menjadi nilai konkret untuk kontroler
frekuensi.
Gambar 3 Input A
Tabel 1 Basis aturan (dengan 7 fungsi
keanggotaan) 2.4 Fungsi Keanggotaan
Fungsi Keanggotaan
(membership function) adalah suatu
kurva yang menunjukkan pemetaan titik
input data ke dalam nilai
keanggotaannya (sering juga disebut
dengan derajat keanggotaan) yang
memiliki interval antara 0 sampai 1.
Salah satu cara yang dapat digunakan
untuk mendapatkan nilai keanggotaan
adalah dengan melalui pendekatan
fungsi. Ada beberapa fungsi yang bisa
digunakan (Harahap, 2000).

a. Fungsi Keanggotaan Segitiga

Fungsi keanggotaan segitiga ditandai
oleh adanya 3 (tiga) parameter (a,b,c)
yang akan menentukan koordinat x dari
tiga sudut.
Segitiga x (a,b,c)=
0 Untuk 𝒙 ≤ 𝒂 atau 𝒙 ≥ 𝒄
𝑥−𝑎
{ Untuk 𝑎 ≤ 𝑥 ≤ 𝑏 (2.1)
𝑏−𝑎
𝑐−𝑥
Untuk 𝑏 ≤ 𝑥 ≤ 𝑐
𝑐−𝑏
Atau sama dengan rumus berikut

Gambar 2 Editor Rule Base

Fuzzy dengan dua input melibatkan

penggunaan dua variabel masukan untuk
membuat keputusan atau mengontrol
sistem. Dalam metode ini, fungsi

Budiansyah1, I Made Mataram 2 , I Ketut Wijaya3 3

 Jurnal SPEKTRUM Vol. XX, No. XX Bulan Tahun

Gambar 4 Fungsi Keanggotaan Segitiga Langkah-langkah Penerapan Metode Fuzzy

dengan Dua Input

Segitiga (x;a,b,c) = max Penerapan metode fuzzy dengan dua input

melibatkan langkah-langkah berikut:
𝑥−𝑎 𝑐−𝑥
(𝑚𝑖𝑛 (𝑏−𝑎 , 𝑐−𝑏) , 0) (2.2) Variabel Masukan: Pilih dua variabel
masukan, misalnya "x" dan "y".
B. Fungsi keanggotaan Trapesium
Fungsi Keanggotaan: Tetapkan fungsi
Fungsi keanggotaan ditandai oleh keanggotaan untuk setiap variabel,
adanya 4 parameter ( a,b,c,d ) sebagai menggambarkan kriteria seperti "rendah",
berikut: "sedang", atau "tinggi".
Trapesium.x(a,b,c,d)
0 Untuk 𝒙 ≤ 𝒂 Aturan Fuzzy: Bentuk aturan fuzzy "jika-
𝑥−𝑎 then" berdasarkan kombinasi nilai
𝑏−𝑎
Untuk 𝑎 ≤ 𝑥 ≤ 𝑏 masukan.
(2.11)
1 Untuk 𝑏 ≤ 𝑥 ≤ 𝑐
𝑑−𝑥 Fuzzifikasi: Terjemahkan nilai masukan ke
{ 𝑑−𝑐 Untuk 𝑏 ≤ 𝑥 ≤ 𝑐 tingkat keanggotaan dalam himpunan
linguistik yang relevan.
Inferensi Fuzzy: Evaluasi kontribusi aturan
fuzzy dan kombinasikan menggunakan
operator logika fuzzy.
Defuzzifikasi: Konversi keluaran fuzzy
menjadi nilai tindakan konkret, seperti
Trapesium(x;a,b,c,d)=max
menggunakan metode centroid atau
terbaik.
𝑥−𝑎 𝑐−𝑥
(𝑚𝑖𝑛 (𝑏−𝑎 , 1, 𝑐−𝑏) , 0) Dengan langkah-langkah ini, metode fuzzy
(2.12) dengan dua input dapat mengontrol sistem
Gambar 5 Fungsi Keanggotaan Trapesium berdasarkan dua faktor yang
mempengaruhi hasil atau perilaku sistem.
2.5 Sistem Hybrid

Sistem pembangkit hibrid adalah

hasil kombinasi dari satu atau lebih sumber
energi alternatif, seperti sinar matahari,
angin, mikro/minihidro, dan biomassa,
dengan penerapan teknologi lain seperti
baterai dan diesel.

2.5.1 Pembangkit Listrik Tenaga Angin

Gambar 6 Input B
Sistem pembangkit listrik tenaga
angin merubah energi kinetik angin menjadi
energi listrik melalui turbin angin. Prinsip
kerjanya melibatkan putaran baling-baling
yang diakibatkan oleh aliran angin, yang
kemudian menggerakkan generator untuk
menghasilkan arus listrik. Namun, variasi
dalam produksi listrik dapat terjadi akibat
fluktuasi alami kecepatan dan arah angin,
sehingga berpotensi mempengaruhi
Gambar 7 Output stabilitas jaringan listrik secara
keseluruhan. Dengan hadirnya LFC pada
sistem pembangkit lisrtik tenaga angina

Budiansyah1, I Made Mataram 2 , I Ketut Wijaya3 4

 Jurnal SPEKTRUM Vol. XX, No. XX Bulan Tahun
menjadikan kontribusi pasokan daya lebih
penting serta menjaga stabilitas jaringan
secara efektif.
2.6 Pembangkit Listrik Tenaga
Mikrohidro (PLTMH)
Mikrohidro adalah pembangkit
listrik skala kecil yang menggunakan energi
air sebagai tenaga penggeraknya.
Mikrohidro memanfaatkan energi dari aliran
air yang memiliki perbedaan ketinggian
tertentu dan terdiri dari tiga komponen
utama: sumber air, turbin, dan generator.
Prinsip dasar mikrohidro adalah mengubah
energi potensial jatuh air menjadi energi
listrik. Semakin besar perbedaan ketinggian
air, semakin besar energi potensial yang
bisa dikonversi menjadi energi listrik.
2.7 Pembangkit Listrik Tenaga
Diesel (PLTD)
PLTD adalah pembangkit energi
listrik yang menggunakan mesin diesel
sebagai penggerak awal. Mesin diesel
berfungsi sebagai penghasil energi
mekanik yang diperlukan untuk memutar
rotor pada generator. Pembangkit listrik
tenaga diesel terdiri dari beberapa bagian,
seperti penyimpanan bahan bakar,
penyaring bahan bakar, pengabut, mesin
diesel, turbo charger, penyaring gas
pembuangan, generator, trafo, dan saluran
transmisi. Mesin diesel mengubah energi
yang terkandung dalam bahan bakar
menjadi energi mekanik melalui proses
pembakaran di dalam mesin itu sendiri.
PLTD menggunakan bahan bakar
fossil yang biayanya tinggi. PLTD
merupakan sistem pembangkit listrik yang
terdiri dari unit pembangkit dan perangkat
pembangkitan lainnya. Mesin Diesel
bertindak sebagai peralatan utama yang
menghasilkan energi mekanis untuk
menggerakkan rotor generator.
2.8 Load Frequency Control
Load Frequency Control (LFC)
adalah sistem yang mempertahankan
frekuensi yang konsisten, meratakan
pembagian beban di antara generator, dan
mengatur pertukaran daya antar-sistem
pada sistem tenaga listrik. Pengendalian
LFC sangat penting untuk mencegah
kerusakan pada turbin jika frekuensi turun
Budiansyah1, I Made Mataram 2 , I Ketut Wijaya3
di bawah 47,5 Hertz atau naik di atas 52,5
Hertz dari normal 50 Hertz. Solusi
tradisional dengan kontrol PID kurang
efisien dalam mengatasi fluktuasi frekuensi
yang cepat. Sebagai alternatif, solusi AI
seperti Fuzzy muncul dengan kombinasi
himpunan fuzzy untuk mengoptimalkan
parameter PID (Kp, Ki, Kd) untuk respons
transien yang lebih baik.
2.8.1 Prinsip Kerja LFC
Prinsip Kerja Kontrol Frekuensi
Beban (Load Frequency Control/LFC) pada
sistem kelistrikan melibatkan beberapa
langkah untuk menjaga stabilitas frekuensi
setelah gangguan. Pertama, sistem
mendeteksi deviasi frekuensi yang diukur
sebagai perbedaan antara frekuensi aktual
dan nominal. Deviasi ini mencerminkan
tingkat gangguan sistem. Selanjutnya,
sistem memantau beban industri,
komersial, dan rumah tangga untuk
memberikan informasi tentang total beban
sistem. Berdasarkan deviasi frekuensi dan
beban, sistem menghitung sinyal kendali
untuk mengatur beban menggunakan
kontrol PID atau metode cerdas. Sinyal
kendali ini mengatur unit pembangkit dan
beban untuk mengimbangi deviasi
frekuensi.
Sistem terus memantau respons
terhadap perubahan frekuensi dan
berkoordinasi untuk mencapai stabilitas.
Selain itu, sistem juga beradaptasi terhadap
perubahan tiba-tiba untuk menjaga
stabilitas. Prinsip kerja LFC sangat penting
dalam menjaga stabilitas frekuensi dalam
sistem kelistrikan yang kompleks dan
dinamis serta mencegah fluktuasi
berlebihan akibat perubahan beban yang
tak terduga.
3. METODE PENELITIAN
Penelitian capstone project
dilakukan di Laboratorium Konversi Energi,
Program Studi Teknik Elektro, Kampus
Bukit Jimbaran, Universitas Udayana.
Proyek ini berlangsung selama 6 bulan, dari
Januari hingga Juli 2023.
Sumber data meliputi jurnal, artikel,
karya ilmiah dari internet, buku, dan
datasheet, baik data sekunder maupun
5
 Jurnal SPEKTRUM Vol. XX, No. XX Bulan Tahun

primer. Data ini digunakan sebagai

referensi dalam pembuatan proyek.

Proses pengontrolan LFC dengan

PID atau FUZZY dimulai dengan
menetapkan parameter awal seperti tipe
membership function, error goal, dan
epoch. Dilakukan proses training dan
testing hingga ditemukan model data
terbaik yang digunakan sebagai acuan
dalam pengontrolan.
Gambar 8 Diagram Blok Skema Frekuensi
Tabel 2 Parameter System Kontrol Menggunakan ELC

Rd Regulasi 5 Dalam ilustrasi gambar 3.2 di atas,

Kecepatan Algoritma Fuzzy digunakan untuk menyetel
Kd Gain Diesel 0.3333 parameter PI controller agar diperoleh nilai
Td4 Time Diesel 4 3 parameter yang optimal dalam mengatasi
Tw Turbine Wind 4 fluktuasi frekuensi akibat perubahan beban.
Kig Gain 0.9969
Output frekuensi dibandingkan dengan nilai
Kp Gain daya 72 frekuensi referensi untuk menghasilkan nilai
Tp Waktu daya 14.4 error yang dijadikan input bagi sistem
Fuzzy untuk mengatur nilai Kp dan Ki guna
Ktp Gain 0.00333
penyetelan parameter PI pada kontroler.
Kpc Gain Pitch 0.08
controller
Nilai error juga diterapkan pada PI agar
Kp1 Gain Pitch 1 1.25 dapat mengoreksi nilai error dan
mempercepat waktu naik (rise time)
Tp1 Turbine Pitch 1 0.6
frekuensi.
Kp2 Gain Pitch 2 1
Tp2 Turbine Pitch 2 0.041 3.1 Perancangan Simulink
Kp3 Gain Pitch 3 1.4 Merancang LFC menggunakan
MATLAB melibatkan beberapa langkah
Tp3 Turbine pitch 3 1
penting. Pertama, identifikasi dan
Kgh Governoh Hydro 0.2
kembangkan model matematis untuk
Th Turbine Hydro 1 pembangkit listrik dan beban. Ini melibatkan
generator, governor, dan elemen jaringan
Dalam konteks simulasi dengan listrik. Selanjutnya, buat fungsi transfer
menggunakan perangkat lunak seperti berdasarkan model sistem untuk
MATLAB Simulink, parameter simulasi menganalisis respons frekuensi terhadap
mengacu pada nilai-nilai yang dapat perubahan pembangkitan dan beban.
dikonfigurasi untuk mengontrol berbagai Setelah itu, pilih jenis kontroler
aspek simulasi. Parameter ini yang sesuai dan gunakan Toolbox Fuzzy
mempengaruhi bagaimana simulasi
Logic di MATLAB untuk mendefinisikan
berjalan dan memberikan pengguna kontrol
atas beberapa karakteristik simulasi. Waktu variabel, aturan fuzzy, dan fungsi
simulasi Simulation Time parameter ini keanggotaan. Kemudian tentukan aturan
menentukan berapa lama simulasi akan fuzzy yang menghubungkan input dengan
berjalan. Pengguna dapat mengatur waktu output menggunakan pengetahuan domain
simulasi sesuai kebutuhan untuk atau pendekatan uji coba.
memperoleh hasil yang diinginkan. Model rangkaian simulink
menggabungkan 3 desain, dimana dua dari
tiga jenis pembangkit memiliki kontrol AI
(Fuzzy dan ANFIS). Dalam bagian diesel,
AI mengontrol motor generator, sementara
di bagian angin, AI mengatur pengendalian

Budiansyah1, I Made Mataram 2 , I Ketut Wijaya3 6

 Jurnal SPEKTRUM Vol. XX, No. XX Bulan Tahun

peach controller untuk mencapai Prinsip pengendalian

keseimbangan frekuensi. menggunakan Electronic Load Controller
(ELC) memiliki tujuan untuk menjaga daya
yang dihasilkan oleh generator selalu
sejajar dengan daya yang dikonsumsi oleh
konsumen, ditambah dengan daya yang
dialirkan ke beban komplementer. Dengan
demikian, tujuannya adalah untuk menjaga
frekuensi tetap stabil.

Gambar 9 Wujud Angin Terisolasi

Mikrohidro Sistem Hibrida Diesel

Dalam skema rangkaian di atas,

dapat terlihat adanya tiga jenis pembangkit
yang beragam jenisnya, yaitu hidro, diesel,
dan angin. Ketiga pembangkit ini
dihubungkan secara paralel ke suatu beban
tunggal, dan frekuensinya dapat diukur
untuk mengevaluasi stabilitasnya. Dua dari
ketiga pembangkit ini dilengkapi dengan
Load Frequency Control (LFC) yang
diimplementasikan menggunakan metode
ANFIS maupun metode FUZZY. Pada
pembangkit diesel, kontrol frekuensi beban Gambar 11 Diagram Alir Proses Prediksi
(LFC) bertugas mengatur kecepatan FUZZY
governor dari motor diesel. Sementara
pada pembangkit angin, kontrol frekuensi
beban diatur pada bagian speech 4. HASIL DAN PEMBAHASAN
controllernya, dan hasilnya diberikan
sebagai umpan balik yang kemudian 4.1 Perancangan
dikembalikan ke beban. Setelah umpan Kami memilih untuk menggunakan
balik, frekuensi dapat diukur kembali aplikasi MATLAB sebagai dasar untuk
sebelum dan sesudah governor diterapkan merancang simulasi. Keputusan ini diambil
pada masing-masing pembangkit yang karena rancangan yang dibuat
telah dilengkapi dengan kontrol frekuensi memungkinkan perhitungan matematis
beban (LFC). yang sangat akurat, serta menyediakan
data-data yang diperlukan untuk
menganalisis nilai rise time dan parameter
lainnya dari setiap metode yang kami uji.

Gambar 10 Blok Diagram Pengontrol ELC

Budiansyah1, I Made Mataram 2 , I Ketut Wijaya3 7

 Jurnal SPEKTRUM Vol. XX, No. XX Bulan Tahun

4.1.2 Rangkaian Pembangkit Listrik

Tenaga Diesel Pada Design LFC (Fuzzy)

Gambar 14 PLTD Design LFC (FUZZY)

LFC Fuzzy Logic digunakan dalam
pengaturan pembangkit listrik diesel.
Generator diesel menghasilkan listrik
Gambar 12 Perancangan pada Simulink dengan kecepatan putaran yang
berhubungan dengan daya, sedangkan
Proses pembuatan simulasi dimulai
governor mengontrol kecepatan
dengan membuka MATLAB dan
berdasarkan permintaan beban. Fuzzy
mengakses antarmuka Simulink.
Logic memproses kecepatan dan deviasi
Selanjutnya, kami menyusun rangkaian
frekuensi dengan bantuan sensor
sesuai dengan kebutuhan dan persyaratan
kecepatan dan sensor frekuensi. Inti sistem
percobaan kami. Dalam hal ini, kami
adalah Fuzzy Logic Controller (FLC) yang
membuat sebuah simulasi untuk sistem
memproses input dari sensor melalui aturan
pengaturan beban dan frekuensi, di mana
fuzzy dan menghasilkan koreksi. Desain
komponen utamanya adalah governor,
aturan fuzzy menentukan hubungan antara
turbin, dan generator.
input dan output, sedangkan
4.1.1 Rangkaian Pembangkit Listrik pengembangan model fuzzy menggunakan
Tenaga Mikrohidro Pada Design LFC Toolbox Fuzzy Logic MATLAB untuk
mengembangkan model kontrol fuzzy.
Model diuji dalam simulasi respons
perubahan beban dan parameter kontroler
disesuaikan untuk performa optimal.
Algoritma kontroler diimplementasikan
dalam kode dan performa dianalisis melalui
Gambar 13 PLTMH Design LFC simulasi berbagai skenario serta uji validasi
dalam variasi kondisi sistem.
Gambar 13 diatas menunjukkan
pembagian yang merujuk ke LFC pada 4.1.3 Rangkaian Pembangkit Listrik
microhydro,LFC pada pembangkit listrik Tenaga Angin Pada Design LFC (Fuzzy)
mikrohidro melibatkan komponen utama:
turbin dan governor. Turbin mikrohidro
mengubah energi air menjadi energi listrik
melalui generator. Turbin, seperti pelton,
francis, atau turgo, dipilih sesuai aliran dan
ketinggian lokasi.
Turbin bekerja dengan
mengarahkan aliran air ke turbin,
menggerakkannya, dan mentransfer Gambar 15 PLTB Design LFC (FUZZY)
putaran ke generator. Aliran air diatur untuk
mengendalikan pembangkitan daya. Penerapan Fuzzy Logic pada
Governor adalah perangkat kontrol Kontrol Beban Angin LFC bermetode Fuzzy
yang mengatur kecepatan turbin. Logic pada pembangkit listrik tenaga angin
Responnya terhadap permintaan daya menjaga keseimbangan antara
mengatur pembangkitan. LFC menerima pembangkitan dan permintaan beban. Cara
data dari governor tentang kecepatan turbin kerjanya meliputi turbine angin yang
dan pembangkitan. Jika frekuensi mengubah energi kinetik angin menjadi
bervariasi, LFC mengatur governor untuk energi listrik melalui generator, converter
penyesuaian aliran air dan pembangkitan. kecepatan yang mengubah kecepatan
turbine menjadi nilai sesuai generator,
sensor kecepatan angin yang memantau

Budiansyah1, I Made Mataram 2 , I Ketut Wijaya3 8

 Jurnal SPEKTRUM Vol. XX, No. XX Bulan Tahun

kecepatan angin aktual, dan sensor

frekuensi jaringan yang memantau
frekuensi aktual. Fuzzy Logic Controller
(FLC) menerima input kecepatan angin dan
frekuensi, mengambil keputusan adaptif
berdasarkan aturan fuzzy. Desain aturan
fuzzy menentukan aturan fuzzy
menghubungkan input-output untuk
keputusan adaptif. Pengembangan model
fuzzy menggunakan Toolbox Fuzzy Logic di
MATLAB untuk model kontrol fuzzy.
Simulasi dan pengujian dilakukan untuk
simulasikan respons sistem terhadap
perubahan kecepatan angin. Tuning
kontroler dilakukan dengan menyesuaikan
parameter kontroler fuzzy jika perlu.
Implementasi algoritma kontroler fuzzy
dalam kode dilakukan dan performa Gambar 17 Hasil Simulink Menggunakan
dianalisis melalui simulasi. PID
4.2 Simulink Menggunakan PID
Load frequency Controller pada Terlihat pada grafik diatas,overshoot yang
umumnya menggunakan controller PID. didapatkan cukup besar,walaupun waktu
Analisis system pengendali PID dengan respon cukup cepat,lalu perlahan lahan
mengubah-ubah nilai Controller Parameter mendekati stabil pada 0.2 pada detik ke
berupa P (Proportional), I (Integral), dan D 151
(Derivative)..

Gambar 18 Hasil Data Rise Time & Grafik

4.4.1 Hasil Simulink Fuzzy
Simulink dijalankan dengan
Gambar 16 Controller parameter PID pengaplikasian fuzzy sesuai yang telah
ditunjukkan pada gambar 4.3 dimana ketika
Propotional : -0.5008 pembangkitkan dipararelkan dengan 1
Integral : -0.0023 beban dan kemudian frekuensi yang
didapatkan dibaca.
Nilai PID didapatkan melalui Autotuner di
block pid nya di simulink,Komponen kontrol
PID ini dapat terdiri dari tiga jenis yaitu
Proportional, Integratif, dan
Derivatif,Simulink dijalankan dengan
pengaturan PID sesuai yang telah
ditunjukkan pada gambar 4.4

Budiansyah1, I Made Mataram 2 , I Ketut Wijaya3 9

 Jurnal SPEKTRUM Vol. XX, No. XX Bulan Tahun

Gambar 22 Kenaikan 2%

Gambar 19 Simulink Fuzzy

Dapat dilihat pada grafik

berikut,hasil yang didapatkan jauh lebih Gambar 23 Kenaikan 3%
baik dibandingkan PID, dimana overshoot
bernilai 0 namun masih memiliki
undershoot senilai 65 yang kemudian
mencapai kestabilan pada titik 1.59 pada
detik ke 28

Gambar 24 Kenaikan 4%

Hasil Perbandingan Simulasi

Tabel 3 Hasil Perbandingan Simulasi

Gambar 20 Hasil Rize Time Simulink Fuzzy Rise Time

PID FUZZY ANFIS

1.14 12.26 19.17

1.13 12.39 19.48

1.09 13.4 19.09

0.99 14.08 18.56

0.87 14.88 18.08

Gambar 21 Kenaikan 1%

Budiansyah1, I Made Mataram 2 , I Ketut Wijaya3 10

 Jurnal SPEKTRUM Vol. XX, No. XX Bulan Tahun

Steady State Error settling time lebih singkat meskipun steady

state error tidak mencapai nol.Penerapan
PID FUZZY ANFIS pengontrol Fuzzy diusulkan dan Fuzzy
Logic pada sistem tenaga hibrida angin-
0% 0.2541 1.7841 0.552
mikrohidro-diesel dapat substansial
1% 0.2543 1.7838 0.546 meningkatkan efisiensi dan kinerja sistem.
Penelitian ini memberi dampak penting
2% 0.3538 1.7834 0.538
dalam pengembangan strategi pengaturan
3% 0.3534 1.7829 0.528 adaptif dan cerdas menghadapi fluktuasi
kompleks dalam sistem tenaga hibrida.
4% 0.3532 1.7825 0.517

6. DAFTAR PUSTAKA
Peak [1] Article Load Frequency Control
PID FUZZY ANFIS Using Hybrid Intelligent Optimization
Technique for Multi‐Source Power System
0.945 0.95 0.96 Energies 2021, 14, 1581
0.941 1.75 0.88 [2] International Journal of Electrical
and Electronics Engineering Research
1.364 1.91 1.36
(IJEEER) ISSN 2250-155X Vol. 3, Issue 4,
2.04 2.07 2.05 Oct 2013, 187-204 © TJPRC Pvt. Ltd.

2.72 2.23 2.73 [3] Article in International Journal of

Engineering Intelligent Systems for
Electrical Engineering and Communications
· June 2017
5. Kesimpulan
[4] Article in International Journal of
Simulasi dilakukan untuk Engineering Intelligent Systems for
menganalisis sistem tenaga hibrida angin- Electrical Engineering and Communications
mikrohidro-diesel dengan tiga pengontrol: · June 2017
Fuzzy yang diusulkan, Fuzzy Logic (model
[5] H. Altas and J. Neyens, A Fuzzy
FLC-Mamdani), dan PI konvensional.
Logic Load-Frequency Controller for Power
Kriteria performa seperti settling time, Systems, InternationalSymposium on
overshoot, dan zero steady state dinilai Mathematical Methods in Engineering,
dalam skenario perubahan frekuensi, MME-06, Cankaya University\ Ankara,
variasi tenaga angin, perubahan tenaga Turkey, April27 - 29 , 2021.
diesel, dan fluktuasi tenaga air dengan
berbagai gangguan beban. Hasil simulasi [6] ANFIS based Neuro-Fuzzy
menunjukkan performa lebih unggul dari Controller in LFC of Wind-Micro Hydro-
Diesel Hybrid Power System IJERA Journal
pengontrol Fuzzy diusulkan dan Fuzzy
Logic dibandingkan PI konvensional dalam [7] Kırıkkale University, Electrical and
settling time dan overshoot. Perbandingan Electronics Engineering, Campus, 71450
dilakukan dengan parameter seragam pada Kırıkkale, Turkey Received 13 March 2021;
ketiga pengontrol. Simulasi juga melibatkan accepted 27 September 2021 Available
variasi langkah peningkatan beban daya, online 5 December 2021 Application of
menunjukkan pengontrol Fuzzy diusulkan fuzzy logic for load frequency control of
memiliki overshoot dan settling time lebih hydroelectrical power plants
rendah dibandingkan PI konvensional. [8] IOSR Journal of Electrical and
Analisis kurva simulasi mengindikasikan Electronics Engineering (IOSR-JEEE) e-
pengontrol PI memerlukan waktu lebih lama ISSN: 2278-1676,p-ISSN: 2320-3331,
dan menghasilkan overshoot yang Volume 10, Issue 4 Ver. III (July – Aug.
signifikan untuk steady state error. 2021), PP 41-47 www.iosrjournals.org
Pengontrol Fuzzy Logic menunjukkan

Budiansyah1, I Made Mataram 2 , I Ketut Wijaya3 11

 Jurnal SPEKTRUM Vol. XX, No. XX Bulan Tahun

[9] Jurnal DISPROTEK Volume 7 No. [20] C. Bansal, T.S. Bhatti, D. P.

1 Januari 2019 98 METODE ADAPTIVE Kothari, “A bibliographical survey on
NEURO FUZZY INFERENCE SYSTEM induction generators for application of non-
(ANFIS) UNTUK PREDIKSI TINGKAT conventional energy systems”, IEEE
LAYANAN JALAN Transactions on Energy Conversion. 18,
(2003) 433-439.
[10] Studi Analisis Governor sebagai
Load Frequency Control pada PLTG [21] Anand and A. Ebenezer Jeyakumar
menggunakan Fuzzy Logic Controller “Load Frequency Control with Fuzzy Logic
Controller Considering NonLinearities and
[11] DESAIN DAN ANALISIS HYBRID Boiler Dynamics” ICGST-ACSE Journal,
SYSTEM CONTROLLER PV-DIESEL ISSN 1687-4811, Volume 8, Issue III,
BERBASIS FUZZY INFERENCE January 2009
SYSTEMSeminar Nasional Edusainstek
ISBN : 2685-5852 FMIPA UNIMUS 2019 [22] Desain Kendali Menggunakan
Hybrid PID-BA untuk Mengatur Kecepatan
[12] Desain Kendali Menggunakan Motor Induksi Seminar Nasional Fortei7-4
Hybrid PID-BA untuk Mengatur Kecepatan ForumPendidikan Tinggi Teknik Elektro
Motor Induksi Seminar Nasional Fortei7-4 Indonesia Regional VII
Forum Pendidikan Tinggi Teknik Elektro
Indonesia Regional VII
[13] OPTIMASI LOAD FREQUENCY
CONTROL (LFC) PADA SISTEM
PEMBANGKIT LISTRIK TENAGA MIKRO
HIDRO BERBASIS PID-ANFIS Jurnal
Rekayasa Mesin Vol.9, No.1 Tahun 2018:
61-64
[14] Ackermann, T., “Wind power in
power systems”, John Wiley & Sons Ltd,
2005
[15] Ray Hunter, George Elliot, “Wind-
Diesel Systems; A guide to the technology
and its implementation”, Cambridge
university Press, 1994.
[16] Lipman, N.H., “Wind-diesel and
autonomous energy systems”, Elservier
Science Publishers Ltd, 1989
[17] O.I. Elgerd and C. Fosha,
“Optimum megawatt frequency control of
multi-area electric energy systems”,
IEEE Trans Power Appl Syst 89 (4) (1970),
pp. 556–563.
[18] S Bhatti, A.A.F. Al–Ademi and N.K.
Bansal, “Load Frequency Control of
Isolated Wind Diesel Hybrid Power
System,” nergy Conver.Mgnt Vol. 38. No. 9.
pp. 829- 837,1997 Saadat, Hadi; ―”Power
System Analysis” McGrawHill,1999
[19] E. Fosha and O.I. Elgerd, “The
megawatt frequency control problem: a new
approach via optimal control theory”, IEEE
Trans Power Appl Syst 89 (4) (1970), pp.
563–577.

Budiansyah1, I Made Mataram 2 , I Ketut Wijaya3 12