Diktat Kuliah Sistem Kendali Prediktif Dan Adaptif

DIKTAT KULIAH
SISTEM KENDALI PREDIKTIF DAN ADAPTIF

Teori dan Implementasi
Dr. Aries Subiantoro Seri Diktat Teknik Kendali

Daftar Isi
1 Pendahuluan 1
1.1 Perkembangan Sistem Kendali Adaptif ......................................... 1
1.2 Mengapa Harus Kendali Adaptif .................................................... 2
1.3 Struktur Sistem Kendali Adaptif ..................................................... 11
2 Model Sistem dan Metode Estimasi Parameter Rekursif 15

2.1 Model Sistem Untuk Estimasi Rekursif .......................................... 15
2.2 Metode Kuadrat-Terkecil Rekursif ................................................. 18
2.2.1 Kriteria Evaluasi Estimator ................................................... 23
2.2.2 Metode Kuadrat-Terkecil Rekursif ....................................... 28
2.3 Metode Estimasi Untuk Proses Time-Varying ............................... 37
2.3.1 Pembobotan Eksponensial Dengan Faktor Pelupa Konstan
................................ 37
2.4 Metode Extended Least-Squares (ELS) ......................................... 41
2.5 Metode Instrumental Variable ....................................................... 48
3 Disain Pengendali Dengan Metode Penempatan Kutub 53

3.1 Struktur Pengendali ....................................................................... 53
3.2 Ide Dasar Metode Penempatan Kutub .......................................... 54
3.3 Metode Penempatan Kutub: Algoritma Umum .............................. 61
3.4 Metode Penempatan Kutub: Algoritma Khusus ............................ 66
3.4.1 Aturan Kendali Kenaikan ...................................................................... 66
3.4.2 Sistem Waktu Tunda dan Sistim Fasa Non Minimum
....................................................................... 68
4 Disain Pengendali Dengan Metode Variansi Minimum 71

4.1 Pendahuluan ................................................................................. 71
4.2 Pengendali Variansi Minimum ...................................................... 72
4.3 Metode Detuned Minimum Variance ............................................ 76
4.4 Algoritma Peterka ......................................................................... 77
4.5 Generalized Minimum Variance Control ....................................... 78
4.6 Permasalahan Galat Tunak .......................................................... 82
5 Disain Pengendali Dengan Metode Model Predictive

Control (MPC) 89
ii Daftar Isi
5.1 Pendahuluan ............................................................................... 89

5.2 Perkembangan MPC ................................................................... 92
5.3 Generalized Predictive Control .................................................... 104
5.4 Generasi Masa Depan MPC ....................................................... 113
6 Pengendali Swa-Tala: Penempatan Kutub dan Variansi

Minimum
117
6.1 Pengendali Penempatan Kutub Swa-Tala .................................
117
6.1.1 Sistem Servo Penempatan Kutub .................................... 120
6.1.2 Sistem Regulator Penempatan Kutub .............................. 121
6.2 Pengendali Variansi Minimum Swa-Tala .................................... 122
7 Manajemen Estimator dan Pengendali Swa-Tala 125

7.1 Manajemen Sistem Kendali Swa-Tala ....................................... 125
7.2 Prosedur Pendahuluan: Pra-Identifikasi dan Verifikasi Model ... 126
7.3 Manajemen Estimator ................................................................ 127
7.3.1 Penentuan Algoritma Estimasi Parameter ...................... 127
7.3.2 Inisialisasi Estimator ........................................................ 128
7.3.3 Manajemen Matriks Kovarian .......................................... 129
7.3.4 Penggunaan Metode Pembobotan Data ......................... 129
7.3.5 Monitoring Kinerja Estimator ........................................... 130
7.4 Manajemen Pengendali ............................................................. 132
7.4.1 Perubahan Parameter Berkala dan Cepat ...................... 132
7.4.2 Pra-Simulasi Kinerja Lup Tertutup .................................. 132
7.5 Analisis Pengaruh Bursting Pada Kinerja Estimator dan Kinerja
Pengendalian ............................................................................ 133
7.6 Analisis Kualitas Informasi Sinyal Estimator Pada Kondisi
Masukan Proses Tidak Cukup Tereksitasi ................................ 138
7.7 Analisis Pengaruh Bursting Pada Kualitas Model dan Kualitas
Pengendali ................................................................................ 143
8 Aplikasi Sistem Kendali Swa-Tala 147

8.1 Sistem Pressure Process Rig ..................................................... 147
8.1.1 Disain Perangkat Keras ................................................... 149
8.1.2 Identifikasi Pressure Process Rig .................................... 152
8.1.3 Perancangan Pengendali Swa-Tala ................................ 156
8.1.4 Implementasi Pengendali Swa-Tala ................................ 157
8.1.5 Hasil Simulasi Pengendalian ........................................... 159
8.1.6 Hasil Eksperimental Pengendalian .................................. 160
8.1.7 Hasil Pengendalian Dengan Metode Generalized Predictive
Control ............................................................................ 166
8.2 Sistem Tangki Terhubung ............................................................. 170
Daftar Isi iii
8.2.1 Identifikasi Sistem Tangki Terhubung .............................. 172

8.2.2 Disain Algoritma MPC Dengan Constraints ..................... 176
8.2.3 Hasil Uji Coba Eksperimen .............................................. 181
Control ............................................................................ 166
Daftar Acuan 193

Daftar Pustaka 195
Soal Latihan 197
Daftar Gambar
Gambar 1.1 Diagram blok lup umpan balik sederhana ........................................ 4

Gambar 1.2 Respon sistem terhadap masukan fungsi step untuk pengendali PI 4
Gambar 1.3 Diagram skematik sistem kendali konsentrasi .................................. 5
Gambar 1.4 Respon konsentrasi c untuk aliran yang berbeda ............................. 6
Gambar 1.5 Notasi variabel untuk sistem pesawat pada contoh 1.3 .................... 7
Gambar 1.6 Pita penerbangan untuk pesawat jenis F4-E [1] ............................... 8
Gambar 1.7 (a) Respon lup terbuka untuk a = -0.01, 0, dan 0.01. ....................... 9
(b) Respon lup tertutup untuk sistem yang sama ................................................. 9
Gambar 1.8 (a) Respon sistem lup terbuka untuk T = 0, 0.015, dan 0.03 .......... 10
(b) Respon sistem lup tertutup untuk sistem yang sama .................................... 10
Gambar 1.9 Struktur sistem kendali swa-tala ..................................................... 11
Gambar 1.10 Struktur Model Reference Adaptive Control ................................. 12
Gambar 1.11 Struktur gain scheduling ............................................................... 13
Gambar 2.1 Sistem kendali dengan komputer sebagai pengendali cuplik data. 15
Gambar 2.2 Model proses dan derau ................................................................. 16
Gambar 2.3 Skema identifikasi proses secara pararel ....................................... 18
Gambar 2.4 Skema identifikasi berdasarkan kesalahan prediksi ....................... 18
Gambar 2.5 Kriteria estimasi yang unbiased ...................................................... 23
Gambar 2.6 Kriteria efisiensi estimator............................................................... 23
Gambar 2.7 Kriteria konsistensi estimator .......................................................... 24
Gambar 2.8 Perbandingan kurva keluaran sistem dengan keluaran model ....... 26
Gambar 2.9 Keluaran sistem dan model untuk masukan fungsi step ................. 26
Gambar 2.10 (atas) Kurva estimasi parameter,.................................................. 32
(bawah) diagonal matriks kovarian ..................................................................... 32
Gambar 2.11 Kurva perbandingan antara sinyal keluaran proses...................... 33
dengan keluaran prediksi satu-langkah-kedepan ............................................... 33
Gambar 2.12 Estimasi nilai parameter model proses setiap iterasi .................... 34
Gambar 2.13 Kecenderungan penurunan nilai elemen diagonal matriks kovarian
........................................................................................................................... 35
Gambar 2.14 Pengaruh harga awal P(0) terhadap konvergensi estimasi .......... 36
Gambar 2.15 Hasil estimasi parameter untuk proses yang berubah .................. 39
Gambar 2.16 Respon keluaran proses dengan keluaran prediksi ...................... 40
satu-langkah-kedepan ........................................................................................ 40
Gambar 2.17 Pengaruh nilai faktor pelupa terhadap kemampuan menjejaki
perubahan nilai parameter proses ...................................................................... 40
Gambar 2.18 Model ARX mengasumsikan model derau 1/A, sementara
keluaran proses riil terkontaminasi oleh derau putih atau derau warna .............. 41
Gambar 2.19 Sifat unconsistent dari algoritma kuadrat terkecil dalam estimasi
parameter model dengan keluaran proses terkontaminasi oleh derau ............... 42
Gambar 2.20 Model ARMAX dalam konfigurasi persamaan kesalahan ............. 43
Gambar 2.21 Perbandingan respons step proses dengan model ...................... 46
Daftar Gambar v
Gambar 2.22 Hasil estimasi parameter proses dengan RLS dan RELS ............ 47
Gambar 2.23 Perbandingan kemiripan model dengan keluaran proses yang
dihasilkan metode LS dan IV ............................................................................. 49
Gambar 2.24. Sifat konsistensi metode IV terhadap bertambahnya jumlah data
........................................................................................................................... 49
Gambar 2.25 Hasil perbandingan estimasi model dengan RLS dan RIV ........... 51
Gambar 3.1 Struktur sistem kendali dengan pengendali dua derajat kebebasan.
........................................................................................................................... 52
Gambar 3.2 Diagram blok sistem lingkar tertutup .............................................. 56
Gambar 3.3 Respon sistem lup tertutup ............................................................ 59
Gambar 3.4 Diagram blok untuk algoritma umum penempatan kutub ............... 60
Gambar 3.5 Konsep aksi kendali kenaikan. ....................................................... 65
Gambar 4.1 Interpretasi GMV sebagai pengendali prediktor Smith ................... 80
Gambar 5.1 Struktur dasar MPC ........................................................................ 88
Gambar 5.2 Kalkulasi keluaran proses dan pengendali terprediksi ................... 89
Gambar 5.3 Respon sistem untuk masukan fungsi step .................................... 93
Gambar 5.4 Kurva respon waktu keluaran sistem dan pengendali dengan
algoritma DMC ................................................................................................... 96
Gambar 5.5 Respon keluaran sistem dengan masukan fungsi impuls .............. 99
algoritma MAC ................................................................................................. 101
Gambar 5.7 Aturan kendali GPC ..................................................................... 107
algoritma GPC ................................................................................................. 111
Gambar 6.1 Sistem pengendali penempatan kutub swa-tala ........................... 114
Gambar 6.2 Diagram timing dan sequence untuk sistem kendali swa-tala ...... 115
Gambar 7.1 Sistem kendali swa-tala dengan supervisi ................................... 121
Gambar 7.2 Grafik perbandingan set-point dengan keluaran model simulasi
pressure process rig dengan kutub lup tertutup z=+0.9 dan =0.85 (atas),
keluaran sinyal pengendali adaptif (bawah) ..................................................... 129
Gambar 7.3 Hasil estimasi parameter model simulasi pressure process rig
dengan kutub lup tertutup z=+0.9 dan =0.85 ................................................. 130
Gambar 7.4 Grafik uji eksperimen perbandingan set-point dengan keluaran
Gambar 7.5 Hasil uji eksperimen estimasi parameter model pressure process rig
dengan kutub lup tertutup z=+0.9 dan =1.0 ................................................... 131
dengan kutub lup tertutup z=+0.9 dan =0.9 ................................................... 132
dengan kutub lup tertutup z=+0.9 dan =0.85 ................................................. 133
vi Daftar Gambar
Gambar 7.10 Grafik sinyal kesalahan prediksi (atas), rata-rata kesalahan

prediksi (tengah), dan variansi kesalahan prediksi untuk faktor pelupa =1 .... 134
Gambar 7.11 Grafik nilai loss function untuk faktor pelupa =1 ....................... 134
Gambar 7.12 Grafik variansi estimasi parameter model proses a1, a2, b1, dan b2
untuk faktor pelupa =1.0 ................................................................................. 135
Gambar 7.13 Grafik eksitasi sinyal masukan u(k) dilihat dari nilai determinan
matriks informasi H22 yang berisi nilai auto korelasi ruu(0) dan ruu(1) untuk =1135
prediksi (tengah), dan variansi kesalahan prediksi untuk faktor pelupa =0.85 136
Gambar 7.15 Grafik nilai loss function untuk faktor pelupa =0.85 .................. 136
untuk faktor pelupa =0.85 ............................................................................... 137
matriks informasi H22 yang berisi nilai auto korelasi ruu(0) dan ruu(1) untuk =0.85
......................................................................................................................... 137
Gambar 7.18 Pergerakan letak estimasi kutub (atas) dan zero (bawah) disekitar
batas kestabilan sistem untuk =0.85 .............................................................. 138
batas kestabilan sistem untuk =1.0 ................................................................ 139
Gambar 7.20 Pergerakan letak estimasi zero polinom G(z-1) (atas) dan kutub
polinom F(z-1) (bawah) disekitar batas kestabilan sistem untuk =1.0 ............. 139
polinom F(z-1) (bawah) disekitar batas kestabilan sistem untuk =1.0 ............. 140
Gambar 8.1 Hasil respons masukan dan keluaran pressure process rig ......... 143
Gambar 8.2 Kurva hubungan keluaran tunak dengan amplitudo masukan ...... 144
Gambar 8.13 Grafik simulasi pergerakan nilai parameter model...................... 155
Gambar 8.14 Grafik hasil pengendalian pressure process rig dengan algoritma
penempatan kutub ............................................................................................ 156
Gambar 8.15 Grafik pergerakan nilai parameter model.................................... 156
Gambar 8.16 Grafik perbandingan setpoint dan keluaran proses dengan kedua
kutub lingkar tertutup yang diinginkan terletak pada z=+0,9 dan = 0,99......... 158
Gambar 8.17 Grafik pergerakan  dengan kedua kutub lingkar tertutup yang
diinginkan terletak pada z=+0,9 dan =0,99 ..................................................... 159
kutub lingkar tertutup yang diinginkan terletak pada z=+0,92 dan = 0,9999... 159
diinginkan terletak pada z=+0,92 dan = 0,9999 .............................................. 160
Gambar 8.20 Skema sistem kendali GPC swa-tala .......................................... 162
Gambar 8.21 Respons keluaran pressure process rig untuk RLS= 0.9999 dan
GPC=2 .............................................................................................................. 163
Gambar 8.22 Kurva perubahan nilai parameter pengendali R(z-1) dan S(z-1) .. 164
Gambar 8.23 (a) Bentuk fisik Coupled-Tank Control Apparatus PP-100. (b)
Sketsa Coupled-Tank Control Apparatus PP-100. ........................................... 164
Gambar 8.24 Blok SIMULINK yang digunakan untuk mengambil data masukan
dan keluaran dari Coupled-Tank Control Apparatus PP-100............................ 166
Daftar Gambar vii
Gambar 8.25 (a) Grafik sinyal masukan saat identifkasi. (b) Grafik dari sensor
ketinggian pada tangki pertama. (c) Grafik dari sensor ketinggian pada tangki
kedua ............................................................................................................... 168
Gambar 8.26 Grafik keluaran proses dan keluaran model pada tangki kedua. 169
Gambar 8.27 Selisih antara keluaran proses dengan keluaran model pada tangki
kedua ............................................................................................................... 169
Gambar 8.28 Blok diagram pengendali MPC dengan constraints.................... 170
Gambar 8.29 Diagram alir metode Active Set untuk menyelesaikan Quadratic
Programming. .................................................................................................. 173
Gambar 8.31 Keluaran sistem hasil simulasi dengan nilai control horizon yang
berbeda. ........................................................................................................... 175
Gambar 8.32 Sinyal kendali hasil simulasi dengan nilai control horizon yang
berbeda. ........................................................................................................... 176
Gambar 8.33 Keluaran sistem hasil percobaan dengan nilai control horizon yang
berbeda. ........................................................................................................... 177
Gambar 8.34 Sinyal masukan hasil percobaan dengan nilai control horizon yang
berbeda. ........................................................................................................... 178
Gambar 8.35 Keluaran sistem hasil simulasi dengan nilai prediction horizon yang
berbeda. ........................................................................................................... 179
Gambar 8.36 Sinyal masukan hasil simulasi dengan nilai prediction horizon yang
berbeda. ........................................................................................................... 180
Gambar 8.37 Keluaran sistem hasil percobaan dengan nilai prediction horizon
yang berbeda. .................................................................................................. 181
Gambar 8.38 Sinyal kendali hasil percobaan dengan nilai prediction horizon
yang berbeda. .................................................................................................. 182
Gambar 8.39 Keluaran sistem hasil simulasi untuk nilai matriks R yang berbeda-
beda. ................................................................................................................ 183
Gambar 8.40 Sinyal masukan hasil simulasi untuk nilai matriks R yang berbeda-
beda. ................................................................................................................ 184
Gambar 8.41 Keluaran sistem hasil percobaan untuk nilai matriks R yang
berbeda-beda................................................................................................... 185
Gambar 8.42 Sinyal kendali hasil percobaan untuk nilai matriks R yang berbeda-
beda. ................................................................................................................ 186
viii Daftar Gambar
Daftar Tabel
Tabel 1.1 Nilai parameter model keadaan pesawat untuk kondisi penerbangan
berbeda ................................................................................................................ 8
Tabel 7.1. Perbandingan kinerja pengendalian dan kinerja estimator untuk
perbedaan nilai faktor pelupa ........................................................................... 128
Tabel 8.1 Nilai parameter sistem tangki terhubung .......................................... 165
Daftar Simbol
t : indeks waktu diskrit

s : operator Laplace
z : operator z
z-1 : operator backward shift
u(t) : sinyal masukan proses, keluaran pengendali
y(t) : keluaran proses
yu(t) : keluaran proses tanpa gangguan
w(t) : sinyal acuan, sinyal referensi
e(t) : derau putih
n(t) : sinyal gangguan
y(t|t-1) : prediksi keluaran model satu-langkah-kedepan
 : vektor data
 : vektor parameter
 : matriks dari kumpulan vektor parameter
P(t) : matriks kovarian
(t) : vektor pengkoreksi
(t) : sinyal kesalahan prediksi
(t) : sinyal impuls
E{.} : nilai ekspektasi
A(z-1) : polinomial penyebut fungsi alih proses diskrit
B(z-1) : polinomial pembilang fungsi alih proses diskrit
C(z-1) : polinomial filter derau
F(z-1) : polinomial pengendali dua-derajat-kebebasan
G(z-1) : polinomial pengendali dua-derajat-kebebasan
H(z-1) : polinomial pengendali dua-derajat-kebebasan
B+(z-1) : zero-zero stabil
B-(z-1) : zero-zero tidak stabil
Gpc(z-1) : fungsi alih pre-kompensator
Gc(z-1) : fungsi alih pengendali
Gp (z-1) : fungsi alih proses
G0(z-1) : fungsi alih proses sebenarnya
na : orde polinomial A(z-1)
nb : orde polinomial B(z-1)
nc : orde polinomial C(z-1)
d : waktu tunda diskrit proses
h : waktu pencuplikan
e2 : variansi derau
N : jumlah data
xii Daftar Simbol
J : fungsi kriteria
gi : koefisien impuls respon
N1 : costing horizon minimum
N2 : costing horison maksimum
Nu : control horizon
hi : koefisien step respon
 : integrator
 : faktor pelupa
 : nilai awal matriks kovarian
n : frekuensi alami
 : faktor peredam
 : derajat polinomial
Bab 1
Pengantar Sistem Kendali Adaptif
Tujuan Pengajaran
Pada awal bab diktat sistem kendali adaptif, yang menjadi tujuan pertama adalah
untuk mengetahui alasan-alasan penggunakan sistem kendali adaptif untuk
menggantikan sistem kendali konvensional. Tujuan yang kedua adalah untuk
mengetahui struktur-struktur yang berbeda dari sistem kendali adaptif, serta untuk
memahami alasan pemilihan salah satu struktur dari beberapa macam struktur
sistem kendali adaptif yang dikenal.
1.1 Perkembangan Sistem Kendali Adaptif

Sejarah perkembangan sistem kendali adaptif diawali pada awal dekade tahun
1950’an [1]. Penelitian pertama yang dilakukan adalah perancangan autopilot
untuk pesawat dengan kinerja tinggi. Beberapa pesawat mutakhir pada waktu itu
beroperasi pada daerah kecepatan dan sudut yang luas, sehingga terdapat lebih
dari satu titik kerja. Pengendali umpan balik linier dengan parameter konstan
terbukti dapat bekerja dengan baik pada satu titik kerja, tetapi dengan adanya
perubahan ke titik kerja yang lain menimbulkan kesulitan pengendalian. Oleh
karena itu dibutuhkan pengendali yang canggih yang sanggup bekerja pada derah
titik kerja yang berbeda.
Pada tahun 1960’an banyak kontribusi teori kendali yang diusulkan untuk
perkembangan sistem kendali adaptif. Teori ruang keadaan dan teori kestabilan
juga diusulkan. Pada waktu itu juga terdapat hasil-hasil penting dalam teori kendali
stokastik. Pemrograman dinamik yang diusulkan oleh Bellman menambah
pengertian akan sistem kendali adaptif. Kontribusi-kontribusi teori dasar juga
dibuat oleh Tsypkin yang menunjukkan bahwa skema untuk learning dan kendali
adaptif dapat dinyatakan dalam bentuk yang lebih umum sebagai suatu
persamaan rekursif. Pada saat itu juga terdapat perkembangan yang berarti dalam
teori identifikasi sistem dan estimasi parameter. Hanya saja realisasi pengendali
2 Bab 1: Pendahuluan
adaptif masih terbatas pada perangkat keras analog dikarenakan teknologi

komputer belum berkembang pesat pada saat itu. Baru pada tahuun 1965
komputer proses menjadi peralatan standar dalam sistem otomasi proses yang
besar. Hal ini tentu saja memungkinkan untuk mengimplementasikan algoritma
sistem kendali yang kompleks, contohnya algoritma komputer digital yang
dikembangkan oleh Kalman [2], Peterka, serta Astrom dan Wittenmark [3].
Aplikasi dan teori-teori kendali adaptif baru mencapai puncaknya pada dekade
70’an dan 80’an, dimana skema estimasi yang berbeda dikombinasikan dengan
metode perancangan pengendali yang bervariasi. Pada tahun 1981 dilemparkan
pertama kali pengendali adaptif digital di pasaran [4]. Sekitar 15 perusahaan telah
menawarkan pengendali swa-tala atau adaptif untuk industri proses pada tahun
1986 [5]. Di awal dekade 80’an komputer pribadi dengan mikroprosesor 16-bit,
bahasa pemrograman tingkat tinggi, dan rangkaian antar-muka muncul di
pasaran. Sejak saat itu perangkat keras menjadi murah harganya, sehingga
membantu peneliti dan insinyur untuk merancang bangun sendiri perangkat lunak
pengendali adaptif.
Pada akhir dekade 70’an dan awal 80’an pembuktian kestabilan sistem kendali
adaptif juga ikut muncul, hanya saja masih dibawah asumsi yang sangat
membatasi. Penelitian akan pembatasan-pembatasan tersebut akhirnya kepada
penelitian derajat ketegaran (robustness) kendali adaptif, yang dapat
menstabilkan sistem secara universal.
Saat ini dengan pesatnya perkembangan teknologi semikonduktor dan

mikroprosessor membuat sistem kendali adaptif menjadi teknologi yang tidak
mahal dan sederhana. Perkembangannya bukan hanya merambah pada tingkat
universitas yang menjadi sumber penemuan teori-teori baru, melainkan juga di
dunia industri yang menjadi aplikasi nyata teori sistem kendali adaptif. Beberapa
pengendali adaptif komersil yang berbasiskan ide-ide yang berbeda juga dapat
dijumpai di pasaran, dan juga terjadi peningkatan akan penggunaan kendali
adaptif di industri.
Perkembangan metode-metode mutakhir untuk kendali adaptif dipresentasikan

dalam penelitian yang dilakukan Landau [6], Harris dan Billings [7], Narendra [8],
Gawthrop [9], Astrom dan Wittenmark [10], dan Isermann [11].
1.2 Mengapa Harus Kendali Adaptif

Sistem kendali konvensional umumnya berbasiskan kepada beberapa asumsi dan
beberapa karakteristik khusus yang biasanya menyangkut kepada sistem yang
dikendalikan. Beberapa asumsi yang diberlakukan pada sistem yang dikendalikan
yaitu:
(a) Time-invariance: Sebagian besar teori sistem kendali konvensional

berbasiskan kepada asumsi bahwa sistem mempunyai nilai parameter
yang tidak berubah. Kemudian prosedur perancangan untuk pengendali
juga memiliki parameter yang tetap. Asumsi bahwa sistem adalah time-
Bab 1: Pendahuluan 3
invariance adalah dasar dari prosedur perancangan pengendali

konvensional. Dalam situasi praktis parameter-parameter sistem hanya
saja sering kali bervariasi terhadap waktu.
(b) Linieritas: Asumsi kedua yang dibuat adalah bahwa sistem yang
dikendalikan memiliki sifat yang linier. Hingga saat ini pendekatan tersebut
masih menjadi fakta yang ditoleransi, karena teori kendali non linier tidak
sempurna eksis dan fakta bahwa metode perancangan linier masih bekerja
dengan baik walaupun diaplikasikan untuk proses non linier.
Salah satu tujuan pengendali adaptif adalah untuk mengkompensasi variasi

perubahan parameter sistem. Variasi perubahan parameter proses menyebabkan
kesulitan pengendalian jika sistem dikendalikan oleh pengendali dengan nilai
parameter-parameternya konstan. Penyebab perubahan parameter proses dapat
disebabkan sifat ketidaklinieran aktuator, perubahan titik kerja kondisi proses, dan
gangguan pada proses yang tidak stasioner.
Salah satu alternatif untuk mengatasi variasi perubahan proses adalah dengan
menggunakan pengendali dengan penguat tinggi. Namun kelemahan utama dari
pengendali ini adalah nilai magnitud sinyal kendali yang besar dan permasalahan
kestabilan sistem lingkar tertutup.
Pada teori kendali konvensional sistem sering diasumsikan linier dengan

parameter yang tidak berubah. Hal ini sering sebagai suatu pendekatan yang baik
untuk sistem yang dikendalikan di sekitar titik kerja, karena akan mempermudah
proses analisis dan sintesa. Dengan strategi kendali yang tepat maka deviasi pada
keluaran proses akibat gangguan dibuat sekecil mungkin, sehingga pendekatan
model linier proses cukup baik. Hanya saja pendekatan model linier dan konstan
tidak akan selalu memuaskan, terutama jika titik kerja proses berubah. Pada
bagian ini diberikan beberapa contoh masalah kendali yang mengilustrasikan
masalah tersebut.
Aktuator Non Linier

Banyak jenis aktuator mempunyai karakteristik tak linier yang menimbulkan
kesulitan dalam pengendalian. Hal ini diilustrasikan oleh contoh berikut ini.
Contoh 1.1 Katup tak linier
Sebuah lup umpan balik sederhana dengan katup tak linier terlihat pada gambar
1.1. Karakteristik katup ini diwakili oleh persamaan
v  f (u )  u 4 u0
Linierisasi sistem disekitar titik kerja menunjukkan bahwa penguat lup nilainya
proporsional terhadap f’(u). Sistem dapat bekerja dengan baik pada satu titik kerja,
tetapi bekerja dengan buruk pada titik kerja yang lain. Hal ini ditunjukkan oleh
respon sistem dengan masukan fungsi step pada gambar 1.2. Untuk nilai sinyal
acuan yang lebih besar, respon sistem menjadi buruk.
Gambar 1.1 Diagram blok lup umpan balik sederhana
Cara sederhana untuk mengatasi masalah ini adalah dengan mengirim sinyal
kendali u melalui invers dari ketidaklinieran. Implementasi invers ketidaklinieran
tersebut biasanya merupakan suatu aproksimasi.
Gambar 1.2 Respon sistem terhadap masukan fungsi step untuk pengendali PI
Sistem Pengendalian Konsentrasi

Sistem dengan aliran melewati pipa dan tangki adalah umum dalam kendali
proses. Aliran biasanya dekat artinya dengan kecepatan produksi. Dinamika
proses dengan demikian berubah ketika kecepatan produksi berubah, dan
pengendali yang ditala dengan baik untuk suatu kecepatan produksi tidak bekerja
dengan baik untuk kecepatan yang berbeda. Suatu sistem kendali sederhana
mengilustrasikan hal-hal yang mungkin terjadi.
Contoh 1.2 Sistem kendali konsentrasi
Suatu sistem kendali konsentrasi untuk fluida yang mengalir melewati pipa tanpa
pengadukan, dan melalui sebuah tangki dengan pengadukan yang sempurna.
Diagram skematik proses ini terlihat pada gambar 1.3. Konsentrasi cin pada inlet
diatur dengan pengadukan dua aliran kedalam sebuah tangki kecil yang
dinamikanya dapat diabaikan. Volume pipa adalah Vd dan volume tangki adalah
Vm, kemudian q adalah aliran dan konsentrasi didalam tangki dan pada outlet
adalah c.
Gambar 1.3 Diagram skematik sistem kendali konsentrasi
Suatu kesetimbangan masa memberikan
dc(t )
Vm  q(t )c in (t   )  c(t ) (1.1)
dt
dengan
Vd

q(t )
Dengan mendefinisikan
Vm
T  (1.2)
q(t )
dan untuk aliran konstan, proses mempunyai fungsi alih dalam bentuk
e s
G0 (s )  (1.3)
1  sT
Dinamika proses dikarakterisasi oleh sebuah waktu tunda dan sistem orde satu.
Baik konstanta waktu T maupun waktu tunda  berbanding terbalik dengan aliran
q. Konsekuensi variansi aliran untuk sistem kendali diilustrasikan pada gambar
1.4. Gambar 1.4 menunjukkan perubahan respon untuk pengendali yang sama
ketika aliran berubah. Perubahan drastis terjadi ketika aliran berubah dengan
faktor 2. Akan tetapi respon terhadap perubahan beban tidak terlalu dipengaruhi
oleh perubahan aliran sekitar 10%. Jika aliran berubah dengan faktor 2 atau
lebih, diperlukan menala ulang pengendali dalam rangka untuk mendapatkan
kembali kinerja yang baik.
Gambar 1.4 Respon konsentrasi c untuk aliran yang berbeda
Sistem Kendali Pesawat

Pengendalian pesawat dengan kinerja yang tinggi adalah dulunya merupakan titik
tolak untuk mengembangkan sistem kendali adaptif pada tahun 1960’an.
Dinamika pesawat terbang tergantung kepada kecepatan, sudut terbang dan
sebagainya. Struktur pesawat yang fleksibel juga ikut mempengaruhi kesulitan
pada perancangan sistem kendali.
Contoh 1.3
Gambar 1.5 memperlihatkan variabel-variabel pesawat terbang jenis F4-E [12]

yang digunakan dalam sistem kendali. Dinamika pesawat dapat dilinierisasi di
sekitar kondisi terbang stasioner (kecepatan konstan dan sudut serang  kecil).
Didefinisikan variabel keadaan yang digunakan adalah Nz sebagai percepatan

normal dan kecepatan pitch q   . Lebih jauh diasumsikan bahwa dinamika servo
elevons dan canards mempunyai fungsi alih
a
G 0 (s ) 
sa
dengan a = 14. Fungsi alih ini dapat mewakili satu buah variabel keadaan e.
Model pesawat ini dengan demikian memiliki 3 variabel keadaan Nz, q, dan e, dan
persamaan yang terlinierisasi mempunyai bentuk
 a11 a12 a13   b1 

    
x   a 21 a 22 a 23  x   0 u (1.4)
 0 0  a  a
  
Gambar 1.6 menunjukkan pita penerbangan dan 4 kondisi penerbangan yang

berbeda. Tabel 1.1 menunjukkan nilai parameter untuk 4 kondisi penerbangan
yang diindikasikan pada gambar 1.6. Pada tabel tersebut juga ditunjukkan nilai
eigen 1 dan 2. Terlihat bahwa pesawat tidak stabil untuk kecepatan sub-sonik
dan lemah teredam untuk kecepatan super-sonik.
Gambar 1.5 Notasi variabel untuk sistem pesawat pada contoh 1.3
Gambar 1.6 Pita penerbangan untuk pesawat jenis F4-E [1]
Tabel 1.1 Nilai parameter model keadaan pesawat untuk kondisi penerbangan
berbeda
FC 1 FC 2 FC 3 FC 4
Mach 0,5 0,85 0,9 1,5
Altitude (feet) 5000 5000 35000 35000
a11 -0.9896 -1.702 -0.667 -0.5162
a12 17.41 50.72 18.11 26.96
a13 96.15 263.5 84.34 178.9
a21 0.2648 0.2201 0.08201 -0.6896

a22 -0.8512 -1.418 -0.6587 -1.225
a23 -11.39 -31.99 -10.81 -30.38
b1 -97.78 -272.2 -85.09 -175.6

1 -3.07 -4.90 -1.87 -0.87+4.3i
2 1.23 1.78 0.56 -0.87-4.3i
Dari ketiga contoh diatas ditunjukkan pentingnya akan kebutuhan sistem kendali
adaptif untuk mengendalikan sistem yang memiliki karakteristik yang berubah atau
sifat ketidaklinieran yang kuat. Namun hal ini bukan berarti bahwa sistem adaptif
akan selalu pasti menggantikan sistem kendali konvensional untuk karakteristik
sistem yang berubah. Perlu dilakukan pengamatan terlebih dahulu sebelum
memutuskan pemakaian kendali adaptif. Fakta bahwa terdapat variasi parameter
proses yang signifikan dalam respon lup terbuka tidak berarti bahwa kendali
adaptif wajib diperlukan. Hal ini diilustrasikan oleh dua contoh berikut ini.
Contoh 1.4 Respon-respon lup terbuka yang berbeda
Diasumsikan sistem mempunyai fungsi alih lup terbuka
1
G 0 (s ) 
(s  1)(s  a)
dengan a = -0.01, 0, dan 0.01. Dinamika untuk proses ini berbeda seperti yang
diperlihatkan pada gambar 1.7(a). Sistem lup tertutup memberikan respon dengan
masukan fungsi step seperti terlihat pada gambar 1.7(b). Ketiga respons tersebut
untuk nilai a yang berbeda memperlihatkan tanggapan yang hampir sama. Hal ini
dikarenakan fungsi alih dari ketiga sistem sangat dekat dengan frekuensi
crossover, walaupun kelakuan frekuensi rendahnya berbeda.
Contoh berikut ini mengilustrasikan hal yang bertolak belakang dengan contoh
1.4: beberapa sistem mempunyai kelakuan yang sangat berbeda dalam lup
tertutup, walaupun respon lup terbukanya sangat berdekatan satu sama lain.
Gambar 1.7 (a) Respon lup terbuka untuk a = -0.01, 0, dan 0.01.
(b) Respon lup tertutup untuk sistem yang sama
Contoh 1.5 Respon-respon lup terbuka yang mirip
Diasumsikan sistem mempunyai fungsi alih lup terbuka
20(1  sT
G0 (s ) 
(s  1)(s  20)(1  Ts )
dengan T = 0, 0.015, dan 0.03. Respon sistem lup terbuka dan lup tertutup dengan
bentuk umpan balik u = 20(w - y) berturut-turut dapat dilihat pada gambar 1.8(a)
dan 1.8(b).
Sistem-sistem pada contoh ini memiliki karakteristik berupa kelakuan yang sama
pada frekuensi rendah tetapi fungsi alih yang berbeda pada frekuensi tinggi. Untuk
mengetahui respon frekuensi pada frekuensi crossover yang diinginkan adalah hal
yang esensial. Hal ini dilakukan dalam rangka untuk menilai apakah variasi
parameter akan mempunyai efek pada karakteristik sistem lup tertutup.
Gambar 1.8 (a) Respon sistem lup terbuka untuk T = 0, 0.015, dan 0.03
(b) Respon sistem lup tertutup untuk sistem yang sama
1.3 Struktur Sistem Kendali Adaptif

Sistem kendali adaptif dikarakterisasi dengan mengumpulkan informasi tentang
proses yang diketahui atau lup tertutup sewaktu beroperasi dan dengan
melakukan perubahan pada aturan kendali. Ada beberapa cara untuk
merealisasikan sistem kendali adaptif, diantaranya adalah sistem kendali swa-
tala, model reference adaptive control (MRAC), dan gain scheduling. Dua metode
pertama dikenal sebagai pengendali adaptif umpan balik, dan metode terakhir
sebagai pengendali adaptif umpan maju. Perbedaan diantara kedua bentuk itu
terletak pada sifat perubahan karakteristik proses dan informasi yang diperlukan
oleh mekanisme adaptasi.
Sistem Kendali Swa-Tala

Filosofi sistem kendali swa-tala adalah untuk mendapatkan mekanisme penalaan
otomatis melalui identifikasi sistem yang dikendalikan berbasiskan data masukan
dan keluaran sistem yang terukur. Struktur sistem kendali swa-tala dapat dilihat
pada gambar 1.9. Sistem ini dapat dilihat sebagai komposisi dari dua buah lup.
Lup dalam terdiri dari proses dan pengendali umpan balik linier. Parameter
pengendali ditala oleh lup luar, yaitu mekanisme adaptasi. Mekanisme adaptasi
terdiri dari blok identifikator dan blok perancangan pengendali. Dengan
menggunakan data masukan dan keluaran proses parameter proses selalu
diperbaharui setiap periode pencuplikan dan penentuan parameter pengendali
menjadi masalah disain pengendali. Sistem kendali swa-tala dapat dilihat sebagai
pemodelan proses dan disain pengendali yang dilakukan secara otomatis.
Adjustment
mechanism
Synthesis Identifier
rule
Setpoint or
reference r(k) u(t) Output y(t)
Controller Process
+
-
Gambar 1.9 Struktur sistem kendali swa-tala

Model Reference Adaptive Control (MRAC)

Ide utama dari pendekatan sistem ini adalah menggunakan langsung suatu model
acuan pada struktur sistem yang menspesifikasikan kinerja sistem kendali yang
diinginkan. Data masukan dan keluaran proses yang terukur digunakan untuk
memantau kinerja sistem. Kedua data ini kemudian dikombinasikan dengan
keluaran model acuan berdasarkan aturan adaptasi, dan hasil yang diperoleh
digunakan untuk memperbaharui parameter pengendali. Tujuan secara
keseluruhan adalah untuk memaksa keluaran proses untuk mengikuti respon
keluaran model acuan. Gambar 1.10 memperlihatkan struktur MRAC.
Gain Scheduling (Penguat Terjadual)

Kelebihan utama dari sistem kendali swa-tala terletak pada mekanisme penalaan
otomatis yang dapat menjejaki perubahan pada proses dan mengkompensasinya.
Hanya saja pada beberapa kasus perubahan kondisi kerja proses dapat diketahui.
Sehingga dengan demikian parameter dapat ditala ulang secara langsung sebagai
fungsi dari perubahan kondisi ini. Pengendali yang memiliki karakteristik semacam
ini disebut gain scheduling.
Reference
Model Adjustment
mechanism
Identifier
Setpoint or
reference w(t) u(t) Output y(t)
Controller Process
+
-
Gambar 1.10 Struktur Model Reference Adaptive Control
Gain scheduling merupakan kompensasi lup terbuka dan dapat dilihat sebagai
suatu sistem dengan kendali umpan balik dimana penguat umpan balik ditala oleh
kompensasi umpan maju. Pada sistem ini tidak terdapat umpan balik dari kinerja
sistem lup tertutup yang mengkompensasi penjadualan yang salah.
Sistem ini banyak dipakai didalam industri proses dimana dinamika proses adalah
berupa fungsi non linier dari beberapa parameter kerja. Pengendali dirancang
untuk masing-masing parameter kerja, sehingga untuk setiap parameter kerja
pengendali memiliki nilai parameter yang berbeda. Pengendali umumnya
dilengkapi dengan sebuah switch, yang fungsinya untuk mengubah modus
pengendali untuk setiap kondisi titik kerja. Umumnya diasumsikan bahwa
perubahan parameter kerja relatif lambat.
Controller Operating
parameters Reference condition
Model
Setpoint or
reference w(t) u(t) Output y(t)
Controller Process
+
-
Gambar 1.11 Struktur gain scheduling
Ketiga skema sistem kendali adaptif di atas mempunyai kekurangan dan

kelebihannya masing-masing. Tidak ada metode yang absolut lebih baik diantara
ketiga skema tersebut. Untuk membatasi pembahasan pada Diktat Kuliah ini,
maka hanya sistem kendali swa-tala yang menjadi tema bahan ajar kuliah. MRAC
maupun gain scheduling dapat dipelajari sendiri berdasarkan literatur yang
diberikan. Pemilihan tema kendali swa-tala sebagai bahan ajar diktat kuliah ini
adalah lebih didasarkan kepada fakta bahwa struktur sistem ini mempunyai sifat
yang lebih luwes dalam hal perancangan pengendali, karena berbagai metode
perancangan pengendali yang dikenal seperti metode penempatan kutub, variansi
minimum, model predictive control dapat digunakan.
Bab 2
Model Sistem dan Metode Estimasi

Parameter Rekursif
Tujuan Pengajaran
Tujuan pengajaran pada bab ini adalah untuk memahami cara memodelkan
sistem untuk sistem kendali swa-tala. Model sistem ini berhubungan dengan
sistem fisik melalui proses linierisasi dan diskritisasi dengan menggunakan
transformasi z. Tujuan yang kedua adalah untuk mempelajari teknik-teknik
estimasi parameter model sistem. Hal ini dilengkapi dengan mengasumsikan
bentuk waktu diskrit untuk model sistem dan kemudian menggunakan suatu
algoritma estimasi rekursif untuk menghasilkan estimasi parameter model.
2.1 Model Sistem Untuk Estimasi Rekursif

Untuk data identifikasi dengan menggunakan komputer sinyal keluaran proses
dicuplik dan dikuantisasi oleh analog-digital converter (ADC). Hasil pengolahan ini
berupa sinyal diskrit. Diasumsikan bahwa unit amplitudo dan waktu kuantisasi
kecil maka sinyal diskrit tersebut dapat dianggap sebagai sinyal kontinu. Jika
pencuplikan diaktifkan secara periodik dengan waktu pencuplikan h, maka
serangkaian pulsa dibangkitkan setelah keluar dari ADC seperti terlihat pada
gambar 2.1. Sinyal terdigitalisasi ini kemudian diproses oleh komputer digital
dengan menggunakan algoritma terprogram, dan sinyal keluaran dihasilkan. Jika
komputer digital digunakan untuk mengendalikan proses dan sinyal analog
dibutuhkan oleh aktuator, maka sinyal keluaran terhitung oleh algoritma tadi
disalurkan melewati digital-analog converter (DAC) dan diikuti oleh divais zero-
order-hold (zoh) untuk diubah menjadi sinyal analog. Waktu yang diperlukan untuk
mengubah sinyal analog menjadi sinyal digital atau sebaliknya didalam struktur
sistem kendali digital dapat diabaikan, karena nilainya jauh lebih kecil
dibandingkan konstanta waktu aktuator, sensor, dan proses.
Bab 2: Metode Estimasi Parameter Rekursif 15
Diasumsikan bahwa sistem stabil adalah time invariant dan terlinierisasi, sehingga
sistem tersebut dapat dinyatakan oleh persamaan difference
y (t )  a1 y (t  1)    ana y (t  na )  b0 u(t )  b1u(t  1)    abnb u(t  nb ) (2.1)
Dengan mendefinisikan operator backward shift z-1 sebagai
z 1 y (t )  y (t  1) (2.2)
maka model persamaan (3.1) dapat diekspresikan didalam fungsi alih diskrit
dalam bentuk
y (t ) B( z 1 )
Gp (z)   (2.3)
u(t ) A( z 1 )
dengan A dan B adalah polinomial dalam operator z-1
A( z 1 )  1  a1 z 1    ana z  na
(2.4)
B( z 1 )  b0  b1z 1    bnb z nb
nh nh
y(t) yd(t) ud(t) u(t) y(t)

Control Zero order Process
algorithm hold
Sampler & Sampler &

ADC DAC
Gambar 2.1 Sistem kendali dengan komputer sebagai pengendali cuplik data.
Sistem dinamik mempunyai respon yang tidak spontan terhadap sinyal masukan
yang diberikan, sehingga umumnya fungsi alih pada persamaan (2.3) juga
mengandung unsur satu waktu tunda
y (t ) z 1B( z 1 )
Gp (z )   (3.5)
u (t ) A( z 1 )
Sinyal keluaran proses terukur y(t) diasumsikan terkontaminasi oleh gangguan n(t)
seperti terlihat pada gambar 2.2
y ( t )  y u ( t )  n( t ) (2.6)
16 Bab 2: Metode Estimasi Parameter Rekursif
Sinyal gangguan tersebut diasumsikan dapat diwakili model autoregressive

moving average (ARMA)
n(t )  d1 n(t  1)    d p n(t  p )  e(t )  c1e(t  1)    c p e(t  p ) (2.7)
dengan e(t) adalah derau yang tak terukur, terdistribusi normal, dan bebas linier
yang karakterisasinya dinyatakan dalam
E e(t )  0
cove(t ),   E e(t )e(t      e2 (t )
dengan  e2 adalah variansi dan  ( ) adalah fungsi impuls diskrit
1,  0
 ( )  
0,  0
e(t) C(z-1)
D(z-1)
u(t) z-1B(z-1) yu(t) y(t)

A(z-1)
Gambar 2.2 Model proses dan derau
Fungsi alih filter derau ini adalah
1 p
n(t ) C( z 1 ) 1  c1 z    c p z
Ge ( z )    (2.8)
e(t ) D( z 1 ) 1  d 1z 1    d p z  p
Persamaan (3.5) dan (3.8) menghasilkan kombinasi model proses dan derau
B( z 1 ) 1 C( z 1 )
y (t )  z u ( t )  e(t ) (2.9)
A( z 1 ) D( z 1 )
Tujuan identifikasi model proses adalah untuk mengestimasi parameter-

parameter proses dalam polinomial A(z-1) dan B(z-1) dan parameter derau C(z-1)
dan D(z-1) dengan berbasiskan sinyal masukan u(t) dan keluaran y(t) terukur.
Sebagai pengetahuan a priori diasumsikan orde model na, nb, dan p diketahui
nilainya. Gangguan n(t) diasumsikan stasioner, yaitu akar-akar D(z-1) terletak
didalam unit lingkaran bidang-z. Jika polinomial D(z-1) sama dengan polinomial
A(z-1) proses maka model ini disebut sebagai autoregressive moving average
exogenous (ARMAX)
B( z 1 ) 1 C( z 1 )
y (t )  z u ( t )  e(t ) (2.10)
A( z 1 ) A( z 1 )
Model ARMAX mempunyai bentuk khusus untuk C(z-1) = 1 yang disebut sebagai
model least-squares (LS)
B( z 1 ) 1 1
y (t )  1
z u( t )  e(t ) (2.11)
A( z ) A( z 1 )
2.2 Metode Kuadrat-Terkecil

Identifikasi adalah penentuan karakteristik dinamik proses secara eksperimental
berdasarkan sinyal-sinyal yang terukur kedalam suatu model matematik. Tujuan
metode identifikasi model ini adalah meminimumkan selisih antara sinyal keluaran
proses sebenarnya dengan keluaran model matematis. Didalam sistem kendali
swa-tala proses identifikasi ini dilakukan secara on-line, dengan pengertian bahwa
komputer beroperasi secara on-line dengan proses. Setiap penerimaan data baru
langsung diolah oleh algoritma terprogram pada setiap periode pencuplikan,
sehingga sistem kendali swa-tala termasuk kedalam katagori sistem waktu nyata
(real time systems).
Salah satu metode yang paling banyak dipakai dalam estimasi parameter adalah
metode kuadrat terkecil (least-squares). Metode kuadrat terkecil pertama kali
ditemukan oleh seorang matematikawan Jerman Gauss pada abad 18. Oleh
Gauss metode ini digunakan untuk mengestimasi orbit planet-planet dari sistem
tata surya. Inti dari metode ini adalah bahwa kecocokan antara model dengan
sistem yang akan diidentifikasi diperoleh dengan meminimumkan selisih kuadrat
antara keluaran model dengan keluaran sistem yang diidentifikasi untuk semua N
data pengamatan
N N
J   2 (t i )   y (t i )  yˆ (t i )
2
(2.12)
i 1 i 1
Gambar 2.3 menggambarkan ide metode ini. Terlihat bahwa antara sistem yang
diidentifikasi dengan model yang digunakan terhubung secara pararel. Bentuk
skema identifikasi ini tidak cocok dipakai untuk sistem dinamik, karena bentuk
persamaan minimasi yang diperoleh menjadi non linier. Dari gambar 2.3 sinyal
kesalahan estimasi mempunyai bentuk persamaan:
n(t)
Proses
u(t) yu(t) + y(t)
z-1B(z-1)
A(z-1)
Model
^ ^ + kesalahan
z-1B(z-1) y(t) -
^
A(z-1)
Optimasi
Gambar 2.3 Skema identifikasi proses secara pararel
Bˆ ( z 1 )
e(t )  y (t )  u (t ) (2.13)
Aˆ ( z 1 )
Hubungan antara parameter dari polinomial B(z-1) dan parameter dari polinomial
A(z-1) adalah non linier, dan menyulitkan dalam solusi minimasi fungsi kriteria.
Umumnya dibutuhkan metode yang rumit untuk menyelesaikannya, contohnya
adalah seperti metode pemrograman dinamik.
Oleh karena itu dipakai bentuk skema lain seperti yang terlihat pada gambar 2.4
n(t)
+
u(t) z-1B(z-1) y(t)
A(z-1)
^ - +
^
B(z-1) A(z-1)
(t)
Gambar 2.4 Skema identifikasi berdasarkan kesalahan prediksi
Bentuk persamaan kesalahannya adalah

 (t )  Aˆ ( z 1 )y (t )  z 1Bˆ ( z 1 )u(t )
    
1  aˆ1 z 1    aˆ na z na y (t )  z 1 bˆ0  bˆ1 z 1    bˆnb z nb u(t )

 y (t )   aˆ1 y (t  1)    aˆ na y (t  na )  bˆ0u(t  1)    bˆnb u(t  nb  1)


yˆ ( t |t 1)
(2.14)
Diantara parameter-parameter yang akan diestimasi terlihat memiliki hubungan

yang linier, sehingga memudahkan dalam mencari persamaan penyelesaiannya.
Persamaan residu di atas merupakan persamaan kesalahan prediksi, yaitu antara
keluaran proses yang baru dengan keluaran proses terprediksi satu langkah
kedepan
(t) = y(t) - y(t|t-1)

kesalahan = pengukuran baru - prediksi satu
prediksi langkah kedepan
(2.15)
Kesalahan ini dapat disebabkan karena keluaran sistem y(t) yang terkontaminasi
derau dan juga akibat kesalahan estimasi parameter. Persamaan keluaran
terprediksi
yˆ (t | t  1)   aˆ1 y (t  1)    aˆ na y (t  na )  bˆ0 u(t  1)    bˆnb u(t  nb  1)

 aˆ1 
  
 
aˆ 
  y (t  1)   y (t  na )  u(t  1)   u(t  nb  1) na 
ˆ
 b0 
  
 
bˆnb 
 (t )ˆ(t  1)
T

(2.16)
dengan
 (t )   y (t  1)   y (t  na ) u(t  1)  u(t  nb  1)

T
(2.17)
adalah vektor data dan
ˆ (t )  a1  ana b0  bnb 

T
(2.18)
adalah vektor parameter. Sekarang diasumsikan sistem telah berjalan untuk t = 1,

2, ..., m+N, dengan
m = max{na,nb} (2.19)
Maka terdapat N+1 persamaan yang mempunyai bentuk
y (t )   (t )ˆ(t  1)  (t )
T
yang dapat direpresentasikan sebagai persamaan vektor
y (m  N )  (m  N )ˆ(m  N  1)  (m  N ) (2.20)
dengan
 y (m ) 
 y (m  1) 
y (m  N )    (2.21)
  
 
 y (m  N )
  (m ) 
  (m  1) 
( m  N )   
  
 
 (m  N )
  y (m  1)  y ( m  2)   y (1) u(m  1) u ( m  2)  u(1) 
  y (m )  y (m  1)   y ( 2) u(m ) u(m  1)  u( 2) 
 
         
 
 y (m  N  1)  y (m  N  2)   y (N ) u(m  N  1) u(m  N  2)  u(N )
(2.22)
  (m ) 
  (m  1) 
(m  N )    (2.23)
  
 
 (m  N )
Fungsi kriteria sekarang merupakan perkalian vektor  dengan vektor

transposnya T
m N

T
J   (m  N )(m  N )  2
(t ) (2.24)
t m
Dengan menguraikan definisi vektor  pada persamaan (2.20) kedalam

persamaan (2.24) diperoleh persamaan
J  y    y   
T
 
y    y   
T T T
 (2.25)
T T T T T T
 y y  y     y    
Minimasi fungsi kriteria
J T T T T
  y   y        0 (2.26)

menghasilkan bentuk persamaan estimasi parameter
ˆ(m  N  1)  P (m  N ) (m  N )y (m  N )
T
(2.27)
dengan P adalah matriks varians yang didefinisikan sebagai
 T
P (m  N )   (m  N )(m  N ) 1
(2.28)
Contoh 2.1
Sebuah proses dinamik yang tidak diketahui diidentifikasi dengan menggunakan
model
y (t )  aˆ1 y (t  1)  aˆ 2 y (t  2)  bˆ0 u(t  2)
Data pengukuran dari sinyal masukan dan keluaran proses diberikan pada tabel
berikuti ini:
t 1 2 3 4 5 6
u(t) 10 -10 10 -10 10 -10
y(t) 0 0 1 0.9 1.81 1.629
Dengan menggunakan metode kuadrat terkecil, tentukanlah nilai parameter

proses yang tidak diketahui!
Solusi
Persamaan model ditulis kembali kedalam bentuk perkalian vektor
 a1 
y (t )   y (t  1)  y (t  2) u(t  2)a 2 
b0 
Terlihat bahwa keluaran proses bergantung kepada nilai sebelumnya hingga

sampai 2 kali pencuplikan. Dengan demikian isi vektor keluaran y baru dapat
dimulai dari pencuplikan ketiga
 y (3)  1 
 y ( 4)  0.9 
y  
 y (5)  1.81 
   
 y (6) 1.629
dan matriks  berisi
 y ( 2)  y (1) u(1)   0 0 10 
  y (3)  y ( 2)  
u( 2)   1 0  10
 
 y ( 4)  y (3) u(3)   0.9 1 10 
   
  y (5)  y ( 4) u( 4)  1.81  0.9  10
Dengan menggunakan persamaan (2.27) untuk menghitung nilai parameter yang

dicari, maka
1  1 
 aˆ1   1.9972  2.8472  0.1025  0  1  0.9  1.81 
0.9 
ˆ  aˆ 2    2.8472 4.6122 0.1475  0
 0 1 
 0. 9  
 1.81 
bˆ0    0.1025 0.1475 0.0078  10  10 10 10   
1.629
  1. 9 
  0. 9 
 
 0.1 
2.2.1 Kriteria Evaluasi Estimator

Disamping metode kuadrat-terkecil yang sering digunakan dalam identifikasi
sistem, juga dikenal metode lain seperti algoritma extended least-squares,
intrumental variable, dan maximum likelihood. Untuk mengetahui metode
identifikasi terbaik maka diperlukan indikator kinerja sebagai acuan untuk
mengevaluasi hasil kuaslitas estimasi. Di bawah ini adalah 3 definisi yang
dijadikan bahan acuan untuk mengevaluasi estimator.
Definisi 2.1: Unbiased

Pada beberapa kali estimasi akan diperoleh vektor parameter model proses
hasil estimasi ˆ yang berbeda. Estimator disebut unbiased jika nilai rata-
rata dari vektor parameter terestimasi sama dengan nilai vektor parameter
sebenarnya .
E{ˆ }  E{} (2.29)
Gambar 2.5 Kriteria estimasi yang unbiased
Definisi 2.2: Effisien

Estimator dinilai efisien, jika nilai kovarian kesalahan estimasi untuk sebuah
model proses yang diberikan yang berdasarkan kepada N data pengukuran
masukan dan keluaran proses adalah minimal, artinya tidak ada estimator
lain yang sanggup memberikan nilai kovarian kesalahan estimasi lebih kecil
lagi dibawah kondisi berikut ini
C~~  E {(  ˆ ).(  ˆ)T }  min (2.30)
Gambar 2.6 Kriteria efisiensi estimator

Gambar 2.7 Kriteria konsistensi estimator
Definisi 2.3: Konsisten

Dengan bertambahnya data pengukuran maka kovarian kesalahan
estimasi menjadi lebih kecil. Untuk N   nilai estimasi bergerak menuju
nilai sebenarnya.
~
lim ˆ   , lim C~~  0 , dengan   ˆ   (2.31)
N  N 
Untuk N   nilai estimasi ˆ mendekati nilai sebenarnya  . Hal ini berarti bahwa
peningkatan jumlah data untuk estimasi juga memperbaiki hasil estimasi.
Contoh 2.2
Diketahui suatu proses yang akan diidentifikasi mempunyai fungsi alih
0.5z 1
y (t )  u (t )  v ( t )
1  0.97z 1
Simulasikan sistem ini dengan menggunakan program bantu MATLAB jika sistem
diberikan masukan berupa sinyal pseudo random binary signal (PRBS) dengan
jumlah pencuplikan sebanyak 1000. Sinyal gangguan v(t) adalah sinyal derau
putih e(t) yang tertapis oleh lowpass filter:
1
v (t )  e(t )
1  0.9z 1
Atur varian sinyal gangguan v(t) sedemikian, sehingga sinyal keluaran mempunyai
noise-to-ratio sebesar 1%, dan 10%
var v (t )
 1%,10%
var y (t )
Program simulasi:
%Create a PRBS signal
N=1000;
u = sign(randn(N,1));
%Simulate the process

A0 = [1 -0.97];
B0 = [0 0.5];
y0 = filter(B0,A0,u);
% Add 1% and 10% output disturbances

v = filter(1,[1 -0.9],randn(N,1));
v01 = v/std(v)*sqrt(0.01)*std(y0);
y01 = y0+v01;
v10 = v/std(v)*sqrt(0.1)*std(y0);
y10 = y0+v10;
% Estimate 1st order ARX models

thARX01 = arx([y01 u],[1 1 1]);
thARX10 = arx([y10 u],[1 1 1]);
% Simulation of the models

yh01 = idsim(u,thARX01);
yh10 = idsim(u,thARX10);
% Calculate step responses

Nstp=200;
STP0 = filter(B0,A0,ones(Nstp,1));
STP01 = idsim(ones(Nstp,1),thARX01);
STP10 = idsim(ones(Nstp,1),thARX10);
% Plot model fit

k=1:N;
figure;
subplot(211), plot(k,y01,'r--',k,yh01,'b-');
title('Fit of 1st order ARX model');
axis([0 1000 -8 8]); xlabel('Samples');
subplot(211), plot(k,y10,'r--',k,yh10,'b-');
title('Fit of 1st order ARX model');
axis([0 1000 -8 8]); xlabel('Samples');
% Plot step responses

figure; k=1:Nstp;
subplot(211), plot(k,STP0,'r--',k,STP01,'b-');
title('Step responses of the process (dashed) and of ARX model, 1% noise');
xlabel('Samples');
subplot(212), plot(k,STP0,'r--',k,STP10,'b-');
title('Step responses of the process (dashed) and of ARX model, 10% noise');
xlabel('Samples');
Gambar 2.8 Perbandingan kurva keluaran sistem dengan keluaran model
Gambar 2.9 Keluaran sistem dan model untuk masukan fungsi step
Dari hasil simulasi terlihat bahwa model yang diperoleh dari hasil identifikasi
dengan algoritma kuadrat terkecil cukup baik meniru karakteristik sistem terutama
untuk nilai variansi derau putih yang tidak besar.
2.2.2 Metode Kuadrat-Terkecil Rekursif

Bentuk persamaan (2.27) adalah estimator parameter non rekursif, dimana
parameter terestimasi diperoleh hanya setelah seluruh pengukuran data
dilakukan. Agar estimator dapat digunakan dalam sistem kendali swa-tala, maka
bentuk persamaannya harus diubah menjadi iteratif, sehingga parameter model
proses dapat diperbaharui setiap periode pencuplikan untuk setiap perolehan data
baru.
Untuk estimator dengan menggunakan data dari waktu 1 ke t mempunyai bentuk

persamaan
 1
ˆ(t )   (t ) (t )  (t )y (t )
T T
(2.32)
Pada waktu t+1 diperoleh data pengukuran yang baru dari proses, sehingga dapat
didefinisikan
  T (m ) 
 T 
 (m  1)  (t ) 
    
(t  1)   T    (2.33)
  (t )   T 
    (t  1)
 T 
  (t  1) 
 y (m ) 
 y (m  1)
   y (t ) 
    
y (t  1)      (2.34)
 y (t )   y (t  1)
    
 
 y (t  1) 
Persamaan estimasi parameter pada waktu t+1 sekarang mempunyai bentuk
 T
1 T
 (t  1)   (t  1)(t  1)  (t  1)y (t  1) (2.35)
Suku yang berada pada bagian invers dapat diuraikan kembali menurut
persamaan (2.36)
  (t ) 
T
 (t  1)(t  1)   
 (t )   (t  1)   
T
 
(2.36)
 T (t  1)
 
T T
  (t )(t )   (t  1) (t  1)
Dengan cara yang sama suku sisa dari persamaan (2.35) dapat ditulis kembali
menjadi
 y (t ) 
T
 (t  1)y (t  1)  
 (t )   (t  1)   
T
 (2.37)
 y (t  1)
T
  (t )y (t )   (t  1)y (t  1)
Untuk menghindari waktu komputasi yang besar pada persamaan estimasi

parameter akibat adanya suku invers, maka diperlukan cara untuk memperbaharui
invers matriks T(t+1)(t+1).
Matriks kovarian pada waktu t berdasarkan persamaan (2.28) dapat ditulis kembali
dalam bentuk
 T
P (t )   (t )(t )  1
(2.38)
Invers matriks ini pada waktu t+1 adalah

1 1
P (t  1)  P (t )   (t  1) (t  1)
T
(2.39)
Dengan memanfaatkan teorema invers matriks Lemma
A  BC D 1  A 1  A 1 B C 1  D A 1 
1 1
DA
dan menetapkan
1
D   (t  1)
T
A  P (t ), C  1, B   (t  1)
memberikan persamaan

T

P (t  1)  P (t )I m   (t  1) 1   (t  1)P (t ) (t  1)  (t  1)P (t )
1 T

(2.40)
Untuk sistem dengan satu-masukan-satu-keluaran (SISO) suku invers pada

persamaan (2.40) memberikan hasil skalar. Dengan demikian persamaan untuk
memperbaharui matriks kovarian tidak lagi mengandung suku invers.
Langkah selanjutnya adalah membuat persamaan estimasi parameter bergantung

kepada hasil estimasi sebelumnya. Persamaan (2.35) ditulis kembali menjadi
ˆ(t  1)  P (t  1)B(t  1) (2.41)
ˆ(t )  P (t )B(t )
dengan
T
B(t )   (t )y (t ) (2.42)
T
B(t  1)   (t  1)y (t  1)
 B(t )   (t  1)y (t  1)
Dengan mendefinisikan e(t+1) sebagai kesalahan prediksi
 (t  1)  y (t  1)   (t  1)ˆ(t )
T
(2.43)
dan mensubstitusikan kedalam persamaan (2.41) memberikan persamaan
B(t  1)  B(t )   (t  1) (t  1)ˆ(t )   (t  1)  (t  1)

T
(2.44)
Substitusi persamaan (2.44) kedalam persamaan (2.41) diperoleh persamaan
ˆ(t  1)  ˆ(t )  P (t  1) (t  1)(t  1) (2.45)


 ( t 1)
dengan (t+1) adalah vektor pengkoreksi. Dengan demikian persamaan estimasi

dapat ditulis kembali menjadi

ˆ(t  1)  ˆ(t )   (t  1) y (t  1)   (t  1) (t )
T
 (2.46)
Karena pencuplikan dimulai dari waktu t=1 maka persamaan (2.43), (2.40), dan
(2.46) ditulis kembali menjadi
 (t )  y (t )   (t )ˆ(t  1)
T
(2.47)

T
 
P (t )  P (t  1)I m   (t ) 1   (t )P (t  1) (t )  (t )P (t  1)
1 T

(2.48)

ˆ(t )  ˆ(t  1)   (t ) y (t )   (t ) (t  1)
T
 (2.49)
Untuk memulai algoritma rekursif dipilih harga awal vektor parameter dan matriks
kovarian
ˆ(0)  0
P ( 0)   I
dengan  adalah konstanta yang bernilai tinggi. Nilai ekspektasi matriks P

proporsional terhadap matriks kovarian parameter terestimasi
1
E P (t )  cov  (t  1) (2.50)
 2
dengan
 
T
 2  E  
Contoh 2.3
Untuk contoh 2.1 carilah nilai parameter model proses yang tidak diketahui
dengan menggunakan metode kuadrat-terkecil rekursif dengan harga awal: P(0)
= 1000.I dan (0) = 0!
Solusi
Agar vektor data dapat diisi sempurna dengan data yang tersedia, maka algoritma
rekursif baru dapat dijalankan pada pencuplikan ketiga. Nilai awal matriks kovarian
dan vektor parameter tetap tidak berubah. Buatlah program simulasi dengan
MATLAB untuk menampilkan estimasi parameter, nilai diagonal matriks kovarian,
dan nilai keluaran prediksi satu-langkah-kedepan hingga t=200.
Dari data yang diberikan dibentuk tabel data proses pada setiap pencuplikan:
t y(t) y(t-1) y(t-2) u(t-2)

1 0 - - -
2 0 0 - -
3 1 0 0 10
4 0.9 1 0 -10
5 1.81 0.9 1 10
6 1.629 1.81 0.9 -10
Pencuplikan t=3: Vektor data  (3)  0 0 10 . Menghitung kesalahan prediksi

T
dengan menggunakan persamaan (2.47):

T
 (3)  y (3)   (3) (2)
0
 1  0 0 10 0
0
 1
Karena sebelum pencuplikan t=3 tidak dilakukan estimasi parameter, maka P(2)
= P(0). Dengan demikian nilai baru matriks kovarian P(3) dengan menggunakan
persamaan (2.48) adalah:
  (3) (3)P (2) 

T
P (3)  P (2)I 3  T

 1   (3)P (2) (3) 
1000 0 0 
  0 
 0 1000
 0 0 0.01
Jadi nilai estimasi parameter berdasarkan persamaan (2.49) adalah
ˆ(3)  ˆ(2)  P (3) (3)  (3)

T
0
 0
 
0.1
Pencuplikan t=4: Vektor data  ( 4)   1 0  10 . Dengan cara yang sama

T
seperti pada pencuplikan ketiga, maka diperoleh:
1.996 0  0.1  1.8924 

 ( 4)  1.9 
P ( 4)   0 1000 0   ( 4)   0 

  0.1 0 0.01  0.1 
Program simulasi:
>> v=0.0;
>> u = sign(randn(200,1));
>> e = v*randn(200,1);
>> th0 = idpoly([1 -1.9 0.9],[0 0 0.1]);
>> y = sim(th0,[u e]);
>> z = iddata(y,u);
>> alpha = 1e3;

>> lambda = 1;
>> [th,yh,p,phi]=rarx(z(1,:),[2 1 2],’ff’,lambda,zeros(3,1),alpha.*eye(3));
>> theta(1,:) = th; cov(:,:,1)=p; yhat(1)=yh;
>> for k = 2:200
[th,yh,p,phi] = rarx(z(k,:),[2 1 2],'ff',lambda,th',p,phi);

theta(k,:) = th;
cov(:,:,k) = p;
yhat(k) = yh;
>> end
Gambar 2.5 dan 2.6 memperlihatkan hasil simulasi kurva estimasi parameter,
elemen diagonal matriks kovarian, dan sinyal prediksi satu-langkah-kedepan.
Dalam simulasi diasumsikan nilai sebenarnya dari proses adalah: a1 = -1.9, a2 =
0.9 dan b0 = 0.1. Dalam pengukuran tidak terdapat derau yang mengkontaminasi
keluaran proses. Untuk kasus dimana proses adalah noise-free, maka algoritma
kuadrat-terkecil rekursif memberikan hasil yang unbiased terhadap nilai parameter
proses yang sebenarnya, seperti terlihat pada gambar (2.10) atas. Hasil
kecocokan kurva antara kurva keluaran proses sebenarnya dengan keluaran
prediksi satu-langkah-kedepan memperkuat pernyataan tersebut, seperti terlihat
pada gambar 2.11.
Gambar 2.10 (atas) Kurva estimasi parameter,

(bawah) diagonal matriks kovarian
Gambar 2.11 Kurva perbandingan antara sinyal keluaran proses

dengan keluaran prediksi satu-langkah-kedepan
Contoh 2.4
Diketahui suatu proses yang akan diidentifikasi mempunyai fungsi alih
z 1  0.5z 1
y (t )  u ( t )  v (t )
1  1.5z 1  0.7z 2
Simulasikan sistem ini dengan menggunakan program bantu MATLAB jika sistem
diberikan masukan berupa sinyal pseudo random binary signal (PRBS) dengan
jumlah pencuplikan sebanyak 200. Sinyal gangguan v(t) adalah sinyal derau putih
e(t) yang tertapis oleh lowpass filter:
1  1.8z 1  0.81z 2
v (t )  e(t )
1  1.5z 1  0.7z 2
Atur varian sinyal gangguan v(t) sedemikian, sehingga sinyal keluaran mempunyai
noise-to-ratio sebesar 1%, dan 10%
var v (t )
 1%,10%
var y (t )
Program simulasi:
echo off, clear, clc
niter = 3; orde=2;
N = 200; thau=0.03; NStp=70;
% Create the PRBS signal and random signal

u = idinput(N,'prbs'); randn('state',0); e = randn(N,1);
%Simulate the process

A0 = [1 -1.5 0.7]; B0 = [0 1 0.5]; C0 = [1 -1.8 0.81];
yp = filter(B0,A0,u); v = filter(C0,A0,e);
ve = v/std(v)*sqrt(thau)*std(yp);
y = yp+ve;
z = iddata(y,u);
% Estimate an ARX model

alpha = 1e3; lambda = 1;
[th,yh,p,phi] = rarx(z(1,:),[2 2 1],'ff',lambda,zeros(4,1),alpha.*eye(4));
theta(1,:) = th; cov(:,:,1)=p; yhat(1)=yh;
for k = 2:N
theta(k,:) = th;
cov(:,:,k) = p;
yhat(k) = yh;
end
k=0:N-1; figure;
plot(k,theta(:,1),'r',k, ones(N,1)*-1.5,'r:');
hold on, plot(k,theta(:,2),'b',k, ones(N,1)*0.7,'b:');
plot(k,theta(:,3),'m',k, ones(N,1),'m:');
plot(k,theta(:,4),'g',k, ones(N,1)*0.5,'g:');
Gambar 2.12 Estimasi nilai parameter model proses setiap iterasi

Gambar 2.13 Kecenderungan penurunan nilai elemen diagonal matriks kovarian
2.2.3 Efek Harga Awal

Untuk mengimplementasikan algoritma estimasi rekursif didalam identifikasi
model proses, terdapat dua parameter penalaan estimator yang harus ditentukan
pada saat inisialisasi, yaitu harga awal vektor parameter model (0) dan matriks
kovarian P(0). Penentuan kedua parameter penalaan ini akan sangat terkait
dengan knowledge yang dimiliki oleh seorang engineer terhadap proses yang
akan diidentifkasi.
 Jika seorang engineer tidak memiliki a priori knowledge, yaitu pengetahuan

sebelumnya akan proses yang akan dikendalikan baik berupa struktur
model proses maupun model proses yang diturunkan berdasarkan
pemodelan fisik berdasarkan first principle, maka harga awal dari kedua
parameter penalaan tersebut dapat ditentukan sebagai (0) = 0 dan P(0) =
I, dengan  nilai cukup besar (>1000). Nilai  yang besar
mengindikasikan bahwa model awal estimator memiliki tingkat
ketidakpastian yang tinggi disebabkan ketidaktersediaan pengetahuan
sebelumnya akan proses.
 Jika pemodelan fisik sudah dilakukan sebelum mengimplementasikan
algoritma identifikasi, dimana model linier awal diperoleh dengan
menurunkan model nonlinier proses dan kemudian disederhanakan melalui
proses linierisasi, maka model fisik ini dimasukkan kedalam estimator
sebagai model awal proses. Nilai parameter  ditetapkan cukup kecil
(<10), untuk mengurangi perubahan estimasi parameter proses yang

drastis, disebabkan karena estimator sudah memiliki model awal yang baik.
Gambar 2.14 menunjukkan hasil estimasi simulasi nilai parameter a dan b yang
tidak diketahui terhadap harga awal matriks kovarian yang berbeda. Terlihat
bahwa untuk nilai  yang besar untuk harga awal parameter (0) = 0 akan cepat
konvergen untuk mendekati nilai parameter proses sebenarnya.
Gambar 2.14 Pengaruh harga awal P(0) terhadap konvergensi estimasi
2.3 Metode Estimasi Untuk Proses Time-Varying

Pada beberapa proses tertentu nilai parameter model berubah terhadap waktu.
Perubahan nilai parameter tersebut disebabkan oleh faktor internal atau eksternal
dengan waktu. Biasanya penyebabnya diakibatkan linierisasi proses di sekitar titik
kerja untuk perubahan sinyal yang kecil. Karena terjadinya perpindahan titik kerja
menyebabkan karakteristik non linier mendominasi sifat-sifat proses. Jika sifat
ketidaklinieran tidak sangat dominan dan perubahan titik kerja lambat, maka
karakteristik proses seperti ini dapat direpresentasi oleh persamaan difference
dengan parameter yang berubah terhadap waktu.
2.3.1 Pembobotan Eksponensial Dengan Faktor Pelupa Konstan

Jika pada metode kuadrat-terkecil standar semua data diperlakukan sama, artinya
baik data baru maupun data yang sudah lama mempunyai bobot yang sama. Jika
parameter proses berubah, maka data proses yang lama sebenarnya sudah tidak
valid lagi, karena data tersebut tidak mewakili karakteristik proses yang baru. Hal
ini yang menjelaskan alasan kenapa algoritma kuadrat-terkecil standar tidak

mampu menjejaki perubahan nilai parameter proses. Nilai matriks kovarian juga
mengecil seiring dengan bertambahnya waktu, dimana tingkat kepercayaan akan
model proses bertambah dan tingkat ketidakpastiannya berkurang. Ketika terjadi
perubahan nilai parameter proses, nilai elemen matriks kovarian tidak cukup besar
untuk memberikan faktor pengkoreksi yang memadai, sehingga tingkat
adaptasinya sangat lambat.
Prinsip dasarnya adalah dengan menerapkan konsep faktor pelupa, dimana data
lama yang mewakili karakteristik sistem sebelum berubah mulai dilupakan, dan
lebih menitikberatkan pada data baru yang diukur dari sistem setelah terjadi
perubahan karakteristik. Mekanisme pelupa harus secara perlahan-lahan
melupakan data lama. Fungsi kriteria pada persamaan (2.12) sekarang ditambah
faktor bobot yang bernilai eksponensial untuk setiap data
N N
J   N i 2 (t i )   N i y (t i )  yˆ (t i )
2
(2.51)
i 1 i 1
dengan  adalah faktor pelupa. Data baru akan mempunyai bobot yang paling
tinggi. Nilai bobot itu akan berkurang secara eksponensial seiring dengan
bertambahnya waktu. Data lama sedikit demi sedikit akan dilupakan, dan
algoritma lebih mencurahkan perhatian kepada data baru. Algoritma estimasi
rekursif dengan faktor pelupa ini adalah

ˆ(t )  ˆ(t  1)   (t ) y (t )   (t )ˆ(t  1)
T
 (2.52)
P (t  1) (t )
 (t )  (2.53)
   (t )P (t  1) (t )
T
P (t )  I   (t ) (t  1)P (t  1)
1
(2.54)

Pengaruh faktor pelupa  dapat dikenali secara langsung dari persamaan invers
matriks kovarian
1 1
P (t )   P (t  1)   (t ) (t )
T
(2.55)
P-1 proporsional terhadap matriks informasi L
L

1
2

E  
T
 1
 2
EP  
1
(2.56)
 
Faktor pelupa  harus ditetapkan sebagai berikut:

  kecil (misal =0.90), jika kecepatan perubahan parameter besar atau

derau tidak terlalu besar.
  besar (misal =0.98), jika kecepatan perubahan parameter kecil atau
derau besar.
Algoritma estimasi parameter dengan faktor pelupa konstan sangat cocok untuk
proses dengan perubahan parameter kecil dan masukan cukup tereksitasi. Jika
parameter proses knostan, hasil yang baik dapat diperoleh jika derau yang
mempengaruhi proses tidak terlalu besar. Masalah baru timbul jika <1 dan
masukan tidak cukup tereksitasi. Maka nilai P-1(t) berkurang karena  (t )  0 , atau
elemen P(t) bertambah secara kontinu dan tidak terkendali (blow up). Karena
vektor pengkoreksi adalah
 (t )  P (t ) (t )
maka estimator menjadi sangat sensitif. Gangguan kecil atau kesalahan numerik
menyebabkan perubahan estimasi parameter yang tiba-tiba. Estimator menjadi
tidak stabil. Situasi ini dapat diamati dengan sistem kendali adaptif. Dengan
demikian eksitasi masukan harus dimonitor atau faktor pelupa harus merupakan
fungsi waktu.
Contoh 2.5
Diketahui suatu proses yang tidak diketahui mempunyai bentuk model least-
squares dengan bentuk persamaan difference adalah
1  1.5z 1
  
 0.7z 2 y (t )  1  0.5z 1 u(t  1)  e(t )
dengan variansi derau sebesar 0.2. Setelah pencuplikan ke 200 nilai parameter
proses berubah. Bentuk proses yang baru adalah
1  1.0z 1
  
 0.4z 2 y (t )  1  0.5z 1 u(t  1)  e(t )
Buatlah program dalam MATLAB untuk mensimulasikan respon keluaran proses

dengan masukan berupa sinyal acak dan untuk menampilkan kurva hasil estimasi
dengan menggunakan algoritma RLS dengan faktor pelupa =0.9 dan P(0) =
1000.I, dan (0) = 0.
Solusi
Program simulasi:
>> echo off
>> u = sign(randn(200,1)); e = 0.2*randn(200,1);
>> th0 = idpoly([1 -1.5 0.7],[0 1 0.5]);
>> th1 = idpoly([1 -1. 0.4],[0 1 0.5]);
>> y1 = sim(th0,[u e]);
>> y2 = sim(th1,[u e]);

>> y = [y1;y2]; u = [u;u];
>> z = iddata(y,u);
>> alpha = 1e3; lambda = .9;
>> [th,yh,p,phi] = rarx(z(1,:),[2 2 1],'ff',lambda,zeros(4,1),alpha.*eye(4));
>> theta(1,:) = th; cov(:,:,1)=p; yhat(1)=yh;
>> for k = 2:400
theta(k,:) = th;
cov(:,:,k) = p;
yhat(k) = yh;
>> end
Dari hasil grafik estimasi pada gambar 2.15 terlihat bahwa algoritma RLS dengan
faktor pelupa mampu menjejaki perubahan parameter proses a1 dan a2, dimana
nilai rata-rata parameter proses yang baru mendekati nilai parameter proses yang
sebenarnya. Untuk dapat menjejaki perubahan parameter sistem, maka estimator
harus memiliki sifat adaptasi terhadap perubahan karakteristik sistem, dengan
cara menetapkan nilai faktor pelupa  lebih kecil dari 1.
Gambar 2.16 menunjukkan perbandingan kurva keluaran proses dengan keluaran

prediksi satu-langkah-kedepan. Penyimpangan terjadi pada t=200, namun setelah
algoritma RLS dengan faktor pelupa mampu menghasilkan keluaran yang identik
dengan keluaran proses.
Gambar 2.15 Hasil estimasi parameter untuk proses yang berubah

Gambar 2.16 Respon keluaran proses dengan keluaran prediksi

satu-langkah-kedepan
Gambar 2.17 Pengaruh nilai faktor pelupa terhadap kemampuan menjejaki

perubahan nilai parameter proses
2.4 Metode Extended Least-Squares (ELS)

Permasalahan yang dijumpai dalam identifikasi sistem yang terkontaminasi derau
dengan variansi derau yang cukup besar dengan menggunakan algoritma
kuadrat-terkecil adalah bahwa estimasi parameter yang dihasilkan bias dan tidak
konsisten. Hal ini terutama disebabkan oleh fakta bahwa model ARX yang
digunakan dalam algoritma kuadrat-terkecil mengasumsikan model derau yang
sangat khusus yang sangat jarang dijumpai dalam sistem riil, seperti terlihat pada
gambar 2.18 di bawah ini.
ARX model
e(t)
u(t) 1 y(t)
B(z-1)
A(z-1)
Real process
v(t)
u(t) 1 y(t)
B(z-1)
A(z-1)
Gambar 2.18 Model ARX mengasumsikan model derau 1/A, sementara

keluaran proses riil terkontaminasi oleh derau putih atau derau warna
Bias pada estimasi parameter mempunyai arti bahwa parameter hasil estimasi
terdeviasi dari nilai optimal atau nilai sebenarnya. Ketidakkonsistenan algoritma
kuadrat-terkecil mengancung arti bahwa nilai bias tersebut tidak mendekati nilai
nol walaupun jumlah data yang digunakan mendekati tak hingga. Gambar 2.19
menggambarkan ketidakkonsisten metode kuadrat terkecil ketika jumlah data
yang lebih besar tidak memperbaiki kualitas estimasi model.
Karena konsistensi merupakan sifat estimator utama yang harus dimiliki,

beberapa strategi telah dikembangkan untuk menghindari ketidakkonsistensi
estimasi untuk model ARX. Ide dasar yang melatarbelakangi sebagian besar dari
pendekatan tersebut adalah dengan menjaga sifat linieritas pada parameter model
ARX, karena hal ini merupakan keuntungan terbesar yang dapat membuat solusi
dari permasalahan identifikasi dapat berupa solusi analitik.
Salah satu alternatif pemecahan permasalahan di atas adalah dengan memilih

struktur model yang lebih umum seperti model ARMAX yang mempunyai
hubungan tidak linier antar parameter, dan mengembangkan algoritma yang dapat
mengestimasi parameter tidak linier dengan teknik metode kuadrat-terkecil linier
bertingkat.
Dalam estimasi dengan model least-squares diasumsikan proses diwakili oleh

persamaan
A( z 1 )y (t )  B( z 1 )u(t  1)  e(t ) (2.57)

Jika proses terkontaminasi oleh derau warna model yang tepat digunakan adalah
model ARMAX
A( z 1 )y (t )  B( z 1 )u(t  1)  C( z 1 )e(t ) (2.58)
dengan polinomial C(z-1) secara umum tidak dapat diasumsikan sama dengan
satu. Jika proses dengan derau warna diestimasi dengan algoritma least-squares
standar, maka estimator akan memberikan hasil yang bias.
Gambar 2.19 Sifat unconsistent dari algoritma kuadrat terkecil dalam estimasi
parameter model dengan keluaran proses terkontaminasi oleh derau
Untuk mengestimasi polinomial C(z-1) diperlukan data derau e(t-1), ..., e(t-nc).
Akan tetapi {e(t)} adalah derau putih yang tidak dapat terukur. Hai yang terbaik
yang dapat dilakukan adalah menggunakan kesalahan prediksi (t) untuk
menggantikan data derau yang tidak dapat diperoleh.
Bentuk persamaan prediktor optimal untuk model ARMAX adalah
B( z 1 )  A( z 1 ) 
yˆ (t | t  1)  u ( t )  1  1 
 y (t ) (2.59)
C( z 1 )  C( z ) 
Formula prediktor ARMAX akan selalu stabil walaupun polinom A(z-1) mempunyai
akar yang tidak stabil. Hanya saja, polinom C(z-1) harus dijaga untuk selalu stabil.
Struktur galat prediksi untuk model ARMAX ini seperti terlihat pada gambar 2.20,
mempunyai persamaan
A( z 1 ) B( z 1 )
 (t )  y (t )  u( t ) (2.60)
C( z 1 ) C( z 1 )
process e(t)
CP(z-1)
AP(z-1)
v(t)
u(t) BP(z-1) + y(t)
AP(z-1)
1 1
C(z-1) C(z-1)
- +
B(z-1) A(z-1)
(t)
Gambar 2.20 Model ARMAX dalam konfigurasi persamaan kesalahan
Perbedaan dengan skema estimasi pada model ARX adalah bahwa data
masukan-keluaran terukur difilter terlebih dahulu dengan polinom 1/C(z-1).
Kesalahan prediksi dapat diekspresikan dalam bentuk
C( z 1 )  (t )  A( z 1 )y (t )  B( z 1 )u(t )
(2.61)
 (t ) 
 A( z 1 )y (t )  B( z 1 )u(t )  1  C( z 1 )  (t ) 
Dan jika diubah kedalam domain waktu menghasilkan persamaan diferens seperti
persamaan berikut
 (t )  y (t )  a1y (t  1)    ana y (t  na )  
 b0 u(t  1)    bnb u(t  nb )   (2.62)
 c1  (t  1)    c nc  (t  nc )
  
 yˆ ( t |t 1)
Sinyal (t-i) bukan hasil pengukuran melainkan harus dikalkulasi dari residu
sebelumnya dan estimasi sinyal derau e(t-i) yang tidak diketahui. Permasalahan
identifikasi model ARMAX berbasiskan kepada persamaan residu 2.62. Ada dua
pendekatan berbeda untuk solusi permasalahan tersebut. Pendekatan pertama
berdasarkan kepada permasalahan teknik optimasi nonlinier multivariabel.
Beberapa metode yang dikenal dalam teknik optimasi seperti metode Newton,
Levenberg-Marquardt, conjugate direction, Quasi-Newton, dapat digunakan untuk
memecahkan permasalahan tersebut. Hanya saja waktu komputasi yang
dibutuhkan sangat membebankan perhitungan terutama untuk aplikasi real time
seperti sistem kendali swa-tala.
Pendekatan kedua dengan memanfaatkan sifat yang dimiliki oleh algoritma

kuadrat terkecil namun digunakan untuk mengestimasi parameter model nonlinier.
Teknik ini dikenal sebagai metode kuadrat terkecil bertingkat. Dari aspek
kecepatan konvergensi, pendekatan kuadrat terkecil bertingkat lebih cepat
dibandingkan teknik optimasi nonlinier. Hanya saja, solusi yang diperoleh dapat
terjebak kedalam permasalahan lokal minima tidak dapat dipecahkan.
Langkah-langkah yang diperlukan penyelesaian identifikasi sistem dengan

menggunakan algoritma extended least-squares adalah sebagai berikut:
Langkah (i) Estimasi model ARX A(z-1)y(t) = B(z-1)u(t-1) + v(t) berdasarkan data
pengukuran {u(t), y(t)} dengan menggunakan persamaan
 T
 ARX     y 
1 T
Langkah (ii) Kalkulasi kesalahan prediksi model ARX
ARX(t) = A(z-1)y(t) – B(z-1)u(t)
dimana B(z-1) dan A(z-1) ditentukan dari ARX.
Langkah (iii) Estimasi parameter model ARMAX ai, bi, dan ci dari persamaan 2.58
dengan algoritma kuadrat terkecil dengan pendekatan residu model ARMAX (t-
i) ARX(t-i).
Langkah (iv) Langkah (ii) dan (iii) dapat diiterasi hingga konvergensi estimasi
tercapai.
Dengan iterasi perbaikan kualitas estimasi parameter model, membuat algoritma

ELS sangat cocok digunakan dalam identifikasi sistem dengan derau yang cukup
besar. Kesalahan prediksi ARMAX akan mendekati karakteristik derau putih, yaitu
uncorrelated dan rata-rata nol, seiring dengan semua informasi sistem yang
diperlukan dapat dieksploitasi oleh model dengan baik.
Algoritma Recursive Extended Least-Squares (RELS)

Algoritma rekursif ELS sama dengan algoritma least-squares standar yaitu
persamaan (2.47), (2.48), dan (2.49), yang membedakan hanya bentuk vektor
parameter ˆ dan vektor data T(t)
T

ˆ  aˆ1 ,  , aˆ na , bˆ1 ,  , bˆnb , cˆ1,  , cˆ nc  (2.63)
dan
 (t )   y (t  1),, y (t  na ),u(t  1),,u(t  nb  1), (t  1),, (t  nc ) (2.64)

T
Nilai sinyal kesalahan prediksi (t) yang juga disebut a priori error didalam vektor
data T(t) dihitung rekursif dengan menggunakan persamaan (2.51). Oleh karena
itu akar-akar dari polinomial C(z-1) harus terletak didalam unit lingkaran bidang z.
Untuk mempercepat konvergensi estimasi parameter, umumnya perhitungan
estimasi menggunakan a posteriori error, dimana kesalahan prediksi berbasiskan
kepada nilai estimasi parameter saat sekarang, dibandingkan menggunakan a
priori error yang berdasarkan nilai estimasi parameter sebelumnya. Sinyal a
posteriori error mempunyai bentuk persamaan
~ (t )  y (t )   T (t )ˆ(t )
 (2.64)
Dalam perhitungan algoritma RELS vektor data yang digunakan sekarang

berubah menjadi
 (t )   y (t  1),, y (t  na ),u(t  1),, u(t  nb  1), ~ (t  nc )

~ (t  1),,
T
Dibandingkan metode RLS, konvergensi estimasi algoritma RELS lebih lambat,

khususnya pada estimasi parameter model derau ci. Hal tersebut disebabkan oleh
fakta bahwa selama prosedur estimasi parameter diperlukan pendekatan sinyal
derau putih. Terutama pada awal iterasi, dimana pendekatan derau putih sangat
buruk yang mengakibatkan buruknya kualitas estimasi parameter ai dan bi.
Efeknya dapat menurunkan konvergensi estimasi.
Langkah-langkah yang diperlukan algoritma RELS adalah, pada setiap waktu

diskrit t:
Langkah (i) Bentuk vektor data T(t) menggunakan data baru terukur
Langkah (ii) Hitung kesalahan prediksi (t) menggunakan
 (t )  y (t )   (t )ˆ(t  1)
T
Langkah (iii) Perbaharui matriks kovarian P(t) menggunakan
  (t ) (t )P (t  1) 
T
P (t )  P (t  1)I  
    (t ) P (t  1) (t ) 
T
Langkah (iv) Perbaharui vektor parameter (t)
ˆ(t )  ˆ(t  1)  P (t ) (t )  (t )
Langkah (v) Hitung sinyal a posteriori error menggunakan
~ (t )  y (t )   T (t )ˆ(t )

Langkah (vi) Tunggu periode waktu pencuplikan berikutnya dan ulangi langkah (i)
Untuk contoh 2.4 dengan variansi derau  2 =1, hasil estimasi yang diperoleh
algoritma ELS juga lebih baik dibandingkan dengan hasil dari algoritma kuadrat-
terkecil standar seperti terlihat pada gambar 2.10. Nilai rata-rata estimasi
parameter proses berada di sekitar nilai parameter proses yang sebenarnya.
Program simulasi:
>> v=1;
>> u = sign(randn(200,1)); e = v*randn(200,1);
>> th0 = idpoly([1 -1.9 0.9],[0 0 0.1],[1 -1.2 0.6]);
>> y = sim(th0,[u e]);
>> Data = iddata(y,u);
>> na=2; nb=1; nc=2; nk=2;
>> alpha = 1e3;
>> [th1,yh1,P1] = rarx([y u],[na nb nk],'ff',1,zeros(na+nb,1), ...
alpha*eye(na+nb));
>> [th2,yh2,P2] = rarmax([y u],[na nb nc nk],'ff',1,zeros(na+nb+nc,1),...
alpha*eye(na+nb+nc));
Gambar 2.21 Perbandingan respons step proses dengan model

Gambar 2.22 Hasil estimasi parameter proses dengan RLS dan RELS
2.5 Metode Instrumental Variable

Pendekatan algoritma kuadrat-terkecil bertingkat seperti algoritma ELS
memberikan keuntungan dalam estimasi paramater model nonlinier dari aspek
waktu komputasi yang lebih singkat dibandingkan jika harus diselesaikan dengan
teknik optimasi. Namun metode dikhususkan untuk estimasi model ARMAX yang
mempunyai hubungan nonlinier diantara parameter model.
Metode lain yang sangat populer dan mudah digunakan untuk mengatasi
permasalahan konsistensi dari estimasi model ARX adalah metode instrumental
variable (IV). Ide yang mendasari metode ini adalah dengan mengalikan vektor
kesalahan prediksi dengan suatu matriks Z yang mempunyai dimensi yang sama
dengan matriks regressor . Setiap kolom matriks Z disebut sebagai variabel
instrumen yang ditentukan oleh pemakai agar tidak berkorelasi dengan derau,
sehingga jika semua informasi sistem dapat dieksploitasi model dengan baik,
variabel instrumen juga tidak berkorelasi dengan (t). Hal ini berarti bahwa setiap
baris dari matriks Z orthogonal terhadap vektor kesalahan prediksi , ZT=0.
Dengan mengalikan persamaan vektor kesalahan prediksi dengan ZT

menghasilkan
0 = ZTy - ZT (2.65)

dan konsekuensinya
ZTy = ZT (2.66)
Jika matriks ZT non-singular, yang mewakili sifat masukan yang cukup tereksitasi
dan pemilihan variabel instrumen yang representatif, algoritma estimasi
instrumental variable dinyatakan dalam persamaan

ˆ  Z  Z y
T

1 T
(2.67)
Terlihat bahwa algoritma IV memiliki persamaan yang sederhana seperti yang

dimiliki oleh algoritma kuadrat terkecil. Yang menjadi permasalahan dalam
penggunaan metode IV adalah penentuan variabel instrumen agar dapat
memperbaiki sifat konsistensi. Yang menyebabkan terjadinya bias estimasi pada
algoritma kuadrat terkecil adalah penggunaan data keluaran terukur pada matriks
regressor. Keluaran sistem sudah berkorelasi dengan derau. Hal ini akan
membuat matriks regressor menjadi matriks singular.
Salah satu cara untuk menentukan variabel instrumen adalah dengan

menggunakan data keluaran model ARX yu(t) dalam skema output error
dibandingkan data keluaran terukur y(t). Data keluaran model menggantikan data
keluaran sistem terukur pada matriks regressor sementara data masukan proses
u(t) dibuat tetap. Matriks baru ini yang disebut sebagai matriks Z.
Algoritma lengkap dari metode instrumental variable dapat dilihat di bawah ini.
Langkah (i) Estimasi model ARX berdasarkan data pengukuran {u(t),y(t)}
menggunakan persamaan
ˆ ARX     T

1 T
 y
Langkah (ii) Simulasikan model ini untuk menghasilkan keluaran model yu(t)
Bˆ ( z 1 )
y u (t )  u(t  1)
Aˆ ( z 1 )
dengan B(z-1) dan A(z-1) ditentukan oleh ARX
Langkah (iii) Bentuk variabel instrumen
  y u (n )   y u (1) u(n )  u(1) 

  y (n  1)   y u ( 2) u(n  1)  u(2) 
Z u
       
 
 y u (N  1)   y u (N  n ) u(N  1)  u(N  n )
Langkah (iv) Estimasi parameter model dengan metode IV
 
1
ˆ IV  Z  Z y
T T
Langkah (v) Iterasi langkah 2-4 algoritma IV hingga konvergensi tercapai
Gambar 2.23 Perbandingan kemiripan model dengan keluaran proses yang

dihasilkan metode LS dan IV
Gambar 2.24. Sifat konsistensi metode IV terhadap bertambahnya jumlah data

Untuk contoh 2.4 dengan variansi derau  2 =1, hasil simulasi model dengan
masukan berupa fungsi step yang diperoleh algoritma IV juga lebih baik
dibandingkan dengan hasil dari algoritma kuadrat-terkecil standar seperti terlihat
pada gambar 2.23. Hingga iterasi ke-5, metode IV dapat membuat kemiripan yang
lebih baik antara model dengan keluaran proses. Sifat konsistensi metode IV juga
lebih baik dibandingkan metode kuadrat-terkecil. Seperti terlihat pada gambar
2.24, metode IV dapat memperbaiki kemiripan model dengan proses untuk
perolehan data estimasi yang lebih banyak.
Metode Recursive Instrumental Variable (RIV)

Algoritma RLS secara umum menghasilkan estimasi parameter yang tidak
konsisten dari nilai parameter proses sebenarnya seperti yang dihasilkan oleh
algoritma kuadrat terkecil. Seperti yang sudah dijelaskan pada bagian
sebelumnya, salah satu metode yang dapat mengatasi permasalahan
ketidakkonsistenan adalah metode instrumental variable.
Dengan adanya variabel instrumen untuk menghindari matriks regressor agar

tidak menjadi singular, maka bentuk rekursif dari algoritma instrumental variable
adalah
ˆ(t )  ˆ(t )   (t )e(t )

1
 (t )  T
P (t  1)z(t ) (2.68)
 (t )P (t  1)z(t )  
P (t ) 
1

I   (t ) (t )P(t  1)
T
Variabel instrumen ditentukan oleh keluaran model agar bebas linier terhadap
derau
z(t )   y u (t  1)   y u (t  n ) u(t  1)  u(t  n ) (2.69)
dengan
 
y u (t )   aˆ1y u (t  1)   aˆ na y u (t  na )  bˆ0 u(t  1)  bˆnb u(t  nb )
(2.70)
Penggunaan model bebas IV dapat menyebabkan permasalahan kestabilan

karena model ini berbasis kepada estimasi parameter yang merepresentasikan
lup dalam lup. Permasalahan yang dijumpai ini menyebabkan aplikasi metode RIV
tidak terlalu sukses dalam praktis.
Penggunaan model bebas ini juga membuat selama beberapa kali iterasi pertama
estimasi algoritma RIV, parameter terestimasi ai dan bi tidak akurat yang
disebabkan model bebas yang dimiliki masih memiliki unsur ketidakpastian yang
tinggi. Untuk mengatasinya, algoritma RLS digunakan selama fasa awal estimasi.
Algoritma RLS dijalankan selama beberapa periode pencuplikan, misalkan 4n,
hingga estimasi parameter terlihat sudah stabil.
Gambar 2.25 Hasil perbandingan estimasi model dengan RLS dan RIV
Bab 3
Disain Pengendali Dengan Metode

Penempatan Kutub
Tujuan Pengajaran
Yang menjadi tujuan pengajaran pada bab 3 ini adalah agar mahasiswa mampu
mendisain pengendali baik untuk masalah regulator maupun masalah servo
dengan menggunakan metode penempatan kutub. Karena strategi penempatan
kutub adalah meletakkan kutub-kutub sistem lup tertutup yang diinginkan, maka
mahasiswa juga dituntut untuk memahami karakteristik model sistem orde satu
dan orde dua, maupun sistem berode lebih tinggi.
3.1 Struktur Pengendali

Bentuk standar untuk sistem kendali umpan balik terlihat pada gambar 3.1. Tujuan
pengendalian adalah untuk memastikan bahwa keluaran sistem mengikuti sinyal
acuan dan untuk menghilangkan pengaruh gangguan yang tidak diinginkan yang
mempengaruhi keluaran sistem.
Two-degree-of-freedom
controller
Disturbance
Pre-
compensator Controller Controlled
Set Point variable
Gpc Gc Process
-
Gambar 3.1 Struktur sistem kendali dengan pengendali dua derajat kebebasan.
Bab 3: Metode Penempatan Kutub 53
Secara umum sistem kendali terdiri dari dua bagian:
a. sebuah pre-kompensator yang digunakan untuk membentuk fungsi alih yang

diinginkan antara sinyal acuan dengan keluaran sistem. Bagian ini umumnya
berperan untuk menghilangkan galat tunak dan untuk mengikuti trayektori
sinyal acuan.
b. sebuah pengendali yang digunakan untuk menentukan kestabilan sistem
lingkar tertutup, memperbaiki kinerja sistem, mengurangi pengaruh gangguan
dan sensitivitas sistem kendali.
Pengendali yang sekaligus memiliki kedua struktur ini disebut sebagai pengendali
dengan dua-derajat-kebebasan (two-degree-of-freedom controller).
Keistimewaan tipe pengendali ini adalah kesanggupan untuk mengatasi masalah
regulator dan masalah servo sekaligus didalam perancangan pengendali. Jika
frekuensi perubahan sinyal acuan tidak besar dan sinyal gangguan besar, maka
tujuan disain pengendali disebut sebagai masalah regulator. Sebaliknya, jika
sinyal gangguan dapat diabaikan pengaruhnya dan sinyal acuan berubah dengan
cepat, tujuan disain pengendali disebut sebagai masalah servo.
3.2 Ide Dasar Metode Penempatan Kutub

Permasalahan disain pengendali dengan menggunakan metode penempatan
kutub dispesifikasikan didalam cara yang umum dengan memberikan model
proses, fungsi kriteria, dan aturan kendali. Perancangan yang akan dibahas dalam
bab ini hanya ditujukan kepada masalah servo yang diformulasikan sebagai
masalah model-following. Oleh karena itu sangat diperlukan sekali untuk
menghitung aturan kendali sedemikian, sehingga respon sistem yang baik
terhadap sinyal acuan dapat diperoleh.
Model Proses
Diasumsikan bahwa proses memiliki satu masukan u dan satu keluaran y.

Hubungan antara u dan y diwakili oleh fungsi alih
z 1B( z 1 )
G p ( z 1 )  (3.1)
A( z 1 )
dengan A(z-1) dan B(z-1) adalah polinomial-polinomial dalam backward shift

operator z-1, yaitu:
A( z 1 )  1  a1z 1  a 2 z 2    ana z  na
(3.2)
B( z 1 )  b0  b1 z 1  b2 z 2    bnb z nb
Fungsi alih ini mewakili dinamika proses termasuk mencakup zero-order-hold

(ZOH), aktuator, sensor, dan filter antialiasing. Diasumsikan bahwa polinomial A
54 Bab 3: Metode Penempatan Kutub
dan B tidak mempunyai faktor sekutu. Model pada persamaan mengabaikan

pengaruh gangguan pada proses. Model ini juga mewakili model waktu diskrit dari
sebuah sistem waktu kontinu dengan fungsi alih rasional dan nilai waktu tunda
tertentu.
Fungsi Kriteria
Spesifikasi servo diekspresikan didalam suku sebuah model yang memberikan

respon yang diinginkan terhadap sinyal acuan. Fungsi alih sistem lingkar tertutup
yang diinginkan diberikan dalam persamaan berikut ini:
Pn ( z 1 )
Gm ( z 1 )  (3.3)
Pd ( z 1 )
Secara umum bukanlah hal yang menguntungkan jika bentuk fungsi alih model
Gm ditentukan untuk mewakili model acuan yang diinginkan. Polinomial Pd
mewakili persamaan karakteristik sistem lingkar tertutup yang diinginkan,
sehingga hanya polinomial ini saja yang dijadikan sebagai target disain
pengendali. Karena polinomial ini dinyatakan dalam operator z-1, maka bentuk
model umumnya dinyatakan oleh persamaan sistem orde rendah, yaitu sistem
orde satu atau sistem orde dua. Kedua persamaan sistem tersebut berturut-turut
adalah:
Pd 1 ( z 1 )  1  p1 z 1 (3.4)
1 1 2
Pd 2 ( z )  1  p1 z  p2 z (3.5)
Kedua persamaan ini dapat pula dikaitkan dengan parameter yang dijadikan
sasaran pengendalian. Untuk sistem orde satu adalah parameter konstanta waktu
,
p1  e h /  (3.6)
dan untuk sistem orde dua adalah faktor peredam  dan frekuensi alami n
p1 
  2e n h cos h n 1   2  (3.7)
 2 n h
p2  e
dengan h adalah perioda pencuplikan.
Dalam prakteknya, letak kutub dari model orde satu atau orde dua hampir
mewakili semua aplikasi. Dengan hubungan yang diberikan oleh persamaan (3.6)
dan (3.7) kedua model ini digunakan sebagai teknik penentuan respon transien
tanpa harus langsung mengacu kepada letak kutub-kutub sistem lingkar tertutup
yang diinginkan.
Aturan Kendali
Bentuk pengendali yang digunakan adalah pengendali yang memiliki satu

keluaran u dan dua masukan, yaitu sinyal acuan w dan sinyal keluaran proses y.
Struktur dari pengendali linier dengan satu masukan dan dua keluaran ini diwakili
oleh
F ( z 1 )u(t )  H ( z 1 )w (t )  G( z 1 )y (t ) (3.8)
dengan F, G, dan H adalah polinomial-polinomial dalam operator z-1:
F ( z 1 )  1  f1z 1    f nf z  nf
G( z 1 )  g 0  g1 z 1    g ng z ng (3.9)
H ( z 1 )  h0  h1 z 1    hnh z nh
Diasumsikan bahwa F adalah polinomial monik, yaitu nilai koefisien yang memiliki
derajat tertinggi adalah satu. Aturan kendali dari persamaan (3.8) mewakili suatu
kombinasi antara feedforward dari sinyal acuan dengan fungsi alih
H ( z 1 )
G pc ( z 1 )  (3.10)
F ( z 1 )
dan suatu umpan balik dari sinyal terukur y dengan fungsi alih
1 G( z 1 )
Gc ( z )  (3.11)
H ( z 1 )
Untuk menjamin bahwa pengendali feedforward dan pengendali umpan balik

mempunyai sifat kausal, maka kondisi berikut ini harus dipenuhi, yaitu
deg H  deg F (3.12)

deg H  deg G (3.13)
Jika waktu komputasi yang diperlukan untuk menghitung sinyal kendali adalah
fraksi kecil dari perioda pencuplikan, maka derajat dari ketiga polinomial
pengendali F, G, dan H dapat dijadikan sama
deg F = deg G = deg H (3.14)
Hal ini menandakan tidak terdapat waktu tunda didalam pengendali. Jika waktu
komputasi mendekati nilai perioda pencuplikan, maka diperlukan untuk
memperhitungkan lamanya waktunya komputasi tersebut kedalam besarnya
derajat pengendali
deg H = 1 + deg F = 1 + deg G (3.15)

Solusi
Model proses yang dispesifikasikan dengan hubungan masukan-keluaran
A(z-1)y(t) = z-1B(z-1)u(t) (3.16)
dengan u adalah sinyal kendali dan y adalah sinyal proses yang terukur. Tujuan
pengendalian adalah menentukan aturan kendali dalam bentuk persamaan (3.8)
sedemikian, sehingga sistem lingkar tertutup mempunyai hubungan masukan-
keluaran yang diberikan oleh fungsi alih pada persamaan (3.3).
Diagram blok sistem lingkar tertutup dapat dilihat pada gambar 3.1.
w(t) H(z-1) u(t) z-1B(z-1) y(t)

G(z-1)
G(z-1) F(z-1) A(z-1)
-
Gambar 3.2 Diagram blok sistem lingkar tertutup
dengan mengabaikan gangguan pada keluaran proses. Dari diagram blok ini
diperoleh bentuk persamaan sistem lingkar tertutup
B( z 1 )H ( z 1 )
y (t )  w (t  1) (3.17)
A( z 1 )F ( z 1 )  z 1B( z 1 )G( z 1 )
dan persamaan sinyal kendali
A( z 1 )H ( z 1 )
u (t )  w (t ) (3.18)
A( z 1 )F ( z 1 )  z 1B( z 1 )G( z 1 )
Polinomial F dan G ditentukan sedemikian sehingga kutub-kutub terletak di lokasi

yang diinginkan. Lokasi kutub-kutub tersebut umumnya dispesifikasikan oleh
polinomial orde rendah, seperti orde satu Am1 dan orde dua Am2. Dengan demikian
F dan G ditentukan dari persamaan
A( z 1 )F ( z 1 )  z 1B( z 1 )G( z 1 )  Pd ( z 1 ) (3.19)
Persamaan ini disebut persamaan Diophantine. Untuk menentukan polinomial F

dan G, maka beberapa metode dapat digunakan, seperti metode eliminasi Gauss,
algoritma Euclid, atau metode Cramer. Agar solusi persamaan Diophantine unik,
maka ada 4 kondisi yang harus terpenuhi, yaitu
 nf = nb (3.20)
 ng = na – 1
 A dan B tidak mempunyai faktor sekutu
 nP  na + nb
Selanjutnya polinomial H ditentukan sedemikian, sehingga kelakuan servo dari

sistem sama dengan yang diinginkan. Secara umum H dipilih sebagai nilai tunak,
yaitu
Pd (1)
H (3.21)
B(1)
Contoh 3.1
Suatu proses dinamik direpresentasikan oleh persamaan difference
y (t )  1.89y (t  1)  0.89y (t  2)  0.1u(t  2)
Model proses ini kemudian digunakan oleh bagian disain pengendali agar respon
sistem dipercepat dan juga kesalahan keadaan tunak dihilangkan. Sinyal acuan
yang diberikan pada sistem kendali berupa fungsi step. Spesifikasi unjuk kerja
pengendalian berupa letak dua buah kutub sistem lingkar tertutup yang masing-
masing terletak di titik +0.3. Dengan menggunakan pengendali dua-derajat-
kebebasan dan metode penempatan kutub, tentukan struktur pengendali dan nilai
parameter tersebut sehingga unjuk kerja yang diinginkan tercapai!
Solusi
Dari model proses diperoleh nilai orde dan waktu tunda sistem: na = 2, nb = 1, dan
d = 1. Polinomial sistem lingkar tertutup yang diinginkan adalah:
Pd ( z 1 )  1  0.3z 1  0.3z 

1 1
 1  0.6z 1  0.09z  2
 1  p1 z 1  p 2 z  2
Dengan np = 2 maka syarat terakhir dari persamaan (3.20) terpenuhi. Struktur

pengendali yang dicari berdasarkan syarat 1 dan 2 dari persamaan (3.20) adalah
nf = nb = 1, dan ng = na – 1 = 1
F ( z 1 )  1  f1 z 1
G( z 1 )  g 0  g 1 z 1
Nilai parameter f1, g0, dan g1 ditentukan dengan memecahkan persamaan

Diophantine (3.19) berdasarkan nilai model proses dan letak kutub yang
diinginkan Pd
F ( z 1 )A( z 1 )  z 1B( z 1 )G( z 1 )  Pd ( z 1 )

    
1  f1 z 1 1  a1 z 1  a 2 z 2  z 1 b0 z 1 g 0  g 1 z 1   1  p1 z 1  p 2 z 2
1  z 1 a1  f1   z 2 a 2  a1f1  b0 g 0   z 3 a 2 f1  b0 g 1   1  p1 z 1  p 2 z 2
Persamaan ini dapat ditulis kembali kedalam bentuk perkalian matriks
1 0 0   f1   p1  a1 
a b0 0  g 0    p 2  a 2 
 1
a 2 0 b0   g 1   0 
Dengan memasukkan nilai parameter model proses dan polinomial letak kutub
yang yang diinginkan kedalam persamaan diatas, maka nilai parameter
pengendali yang dicari adalah
1
 f1   1 0 0  1.29 
g    1.89 0.1 0   0.8
 0    
 g1   0.89 0 0.1  0 
 1.29 
  16.381 
 
 11.481
Polinomial H ditentukan dengan menyelesaikan persamaan (3.21)
Pd ( z 1 )
H ( z 1 ) 
B( z 1 ) z 1
1  0.6z 1  0.09z  2

0.1z 1 z 1
 4.9
Gambar 3.3 adalah respon sistem lup tertutup dengan masukan fungsi step, waktu
pencuplikan h = 0.2 detik.
Gambar 3.3 Respon sistem lup tertutup
Berikut adalah program MATLAB yang digunakan untuk mensimulasikan contoh

soal di atas. Perintah „pp“ merupakan fungsi bantu dari Self Tuning Friends karya
Wellstead dan Zarrop.
Program simulasi:
>> A = [1 -1.89 0.89];
>> B = [0 0 0.1];
>> C = [1];
>> incremental = 0; cancel = 0;
>> P = [1 -0.6 0.09];
>> [F,G,H] = pp(A,B,C,P,incremental,cancel);
>> HB = conv(H,B); AH=conv(A,H);
>> y = filter(HB,P,ones(N,1));
>> u = filter(AH,P,ones(N,1));
>> if vare >0
>> e=sqrt(vare)*randn(N,1);
>> y = y + filter(F,P,e);
>> end;
>> t = 0:.2:N*0.2-.2;
>> subplot(211), plot(t,y);
>> subplot(212), plot(t,u);
3.3 Metode Penempatan Kutub: Algoritma Umum

Secara umum tujuan pengendalian untuk suatu sistem membutuhkan keluaran
proses y(t) untuk mengikuti sinyal acuan w(t) dalam cara tertentu dan untuk
menghilangkan pengaruh gangguan pada proses. Jika pada bagian sebelumnya
pengaruh gangguan diabaikan, sehingga tujuan pengendalian adalah masalah
servo, maka pada bagian ini model proses juga melibatkan efek gangguan.
Dengan demikian masalah servo dan masalah regulator dapat ditangani sekaligus
dalam sekali perancangan.
Diasumsikan proses yang dikendalikan mempunyai bentuk model sebagai berikut:
A(z-1)y(t) = z-1B(z-1)u(t) + C(z-1)e(t) (3.22)
dengan pengendali dalam bentuk dua-derajat-kebebasan
F ( z 1 )u(t )  H ( z 1 )w (t )  G( z 1 )y (t ) (3.23)
Konfigurasi sistem lingkar tertutup dapat dilihat pada gambar 3.3. Kombinasi
bentuk pengendali ini dengan persamaan proses menghasilkan persamaan
sistem lingkar tertutup
FA  BG y (t )  z 1BHw (t )  CFe(t ) (3.24)
e(t)
C(z-1)
A(z-1)
w(t) H(z-1) u(t) z-1B(z-1) y(t)

G(z-1)
G(z-1) F(z-1) A(z-1)
-
Gambar 3.4 Diagram blok untuk algoritma umum penempatan kutub
Kutub-kutub sistem lingkar tertutup kemudian ditempatkan pada lokasi-lokasi

yang diinginkan Pd yang mempunyai bentuk persamaan
Pd ( z 1 )  1  p1 z 1  p 2 z 2    pnp z  np (3.25)
berdasarkan persamaan identitas
F ( z 1 ) A( z 1 )  z 1B( z 1 )G( z 1 )  Pd ( z 1 )C ( z 1 ) (3.26)
Untuk menghasilkan solusi yang unik maka 4 syarat kondisi harus terpenuhi
 nf = nb (3.27)
 ng = na – 1
 A dan B tidak mempunyai faktor sekutu
 np  na + nb - nc
Dengan mensubstitusikan persamaan (3.26) kedalam persamaan (3.24)

memberikan persamaan
HB F
y (t )  w (t  1)  e(t ) (3.28)
Pd C Pd
dengan polinomial C dihilangkan pada suku gangguan. Persamaan (3.28)

mensyaratkan polinomial C stabil, jika tidak maka respon sistem menjadi tidak
stabil.
Polinomial H ditentukan untuk mendapatkan penguat frekuensi rendah dan

mengkompensasi polinomial C dari letak kutub-kutub sistem lingkar tertutup.
Pemilihan yang paling sederhana adalah
 P ( z 1 ) 
H ( z 1 )  C ( z 1 ) d 1  (3.29)
 B( z )  z 1
Nilai tunak polinomial B dalam persamaan (3.29) dipilih untuk menghindari zero
yang tidak stabil, seperti pada sistem non fasa minimum. Bentuk persamaan
sistem lingkar tertutup yang dihasilkan menjadi
 P ( z 1 )   B ( z 1 )  F ( z 1 )
y (t )   d 1   1 
w ( t  1)  e(t ) (3.30)
 B( z )  z 1  Pd ( z )  Pd ( z 1 )
Jika model proses eksak dengan model sistem yang sebenarnya, maka respon
sistem lingkar tertutup pada persamaan (3.30) adalah stabil.
Pole-Zero Cancellation
Pengendali yang berbasiskan kepada pole-zero cancellation (peniadaan zero dan

kutub proses) secara prinsip didisain untuk masalah servo atau model-following.
Ide utama dari disain pengendali jenis ini adalah untuk mendapatkan model sistem
lingkar tertutup
1 1
1 y (t ) Gc ( z )G p ( z ) Pn ( z 1 ) d
Gm ( z )    z (3.31)
w (t ) 1  Gc ( z 1 )G p ( z 1 ) Pd ( z 1 )
dengan adalah fungsi alih model yang diinginkan, dan Gc(z-1) dan Gp(z-1) berturut-
turut adalah fungsi alih pengendali dan proses.
Dari persamaan (3.31) fungsi alih pengendali menjadi
1 Gm ( z 1 )
Gc ( z 1 )  (3.32)
G p ( z 1 ) 1  Gm ( z 1 )
Kemudian dengan menguraikan definisi dari Gp(z-1) dan Gm(z-1) fungsi alih
pengendali menjadi
1 A( z 1 ) Pn ( z 1 )z d
Gc ( z )  (3.33)
B( z 1 )z d Pd ( z 1 )  Pn ( z 1 )z d
Pengendali tipe ini meniadakan zero dan kutub proses pada persamaan sistem
lingkar tertutup. Dengan mengasumsikan bahwa gangguan dapat diabaikan,
respon sistem lingkar tertutup yang diinginkan terhadap sinyal acuan w diberikan
oleh fungsi alih yang diinginkan Pnz-d/Pd dalam bagian yang tidak dihilangkan dari
fungsi alih pengendali.
Karakteristik disain pengendali yang berbasiskan pole-zero cancellation

mempunyai beberapa batasan-batasan. Yang pertama berhubungan dengan
kemampuan implementasi. Karena waktu tunda proses tidak dapat dikompensasi
(nilai prediksi akan diperlukan dalam hal ini), maka nilai waktu tunda sistem lingkar
tertutup harus sama atau lebih besar dari waktu tunda proses. Hal ini berarti
bahwa dalam Pn(z-1)z-d koefisien-koefisien dari z0, ..., z-d harus nol. Dengan
demikian suku z-d pada persamaan (3.33) akan hilang selama prosedur
perancangan. Hal tersebut membuat pengendali dapat diimplementasikan atau
ekivalen aturan kendali adalah kausal.
Batasan lain dalam perancangan tipe pengendali ini adalah berhubungan dengan
pemotongan zero maupun kutub proses yang terletak diluar unit lingkaran. Seperti
yang diperlihatkan pada bagian sebelumnya, pengendali tipe ini memotong semua
zero dan kutub proses. Modus sistem lingkar tertutup dengan demikian tidak
controllable dari sinyal acuan atau tidak observable dari keluaran sistem lingkar
tertutup, tetapi terkopel dari sinyal kendali. Agar diperoleh sistem yang stabil maka
model sistem lingkar tertutup ini juga harus stabil. Hal ini menunjukkan bahwa
semua zero dan kutub proses harus terletak didalam unit lingkaran. Dengan
demikian pengendali tipe ini dapat diaplikasikan terbatas hanya pada sistem fasa
minimum stabil. Jika proses memiliki zero dan kutub diluar unit lingkaran (disebut
berturut-turut sebagai zero dan kutub tidak stabil), maka pemotongan zero dan
kutub tidak stabil itu harus dihindari selama prosedur perancangan pengendali.
Hal ini berarti bahwa polinomial Pn(z-1) harus mengikutsertakan zero yang tidak
stabil dari B(z-1) dan polinomial Pd(z-1) - Pn(z-1) z-d harus mencakup semua kutub
proses yang tidak stabil.
Jika aturan kendali untuk pengendali tipe ini diberikan oleh persamaan (3.8) dan
fungsi alih antara keluaran sistem dan sinyal acuan dipilih untuk memiliki bentuk
yang diinginkan
B( z 1 )H ( z 1 )z  d Pn ( z 1 ) d
Gm ( z 1 )   z (3.34)
A( z 1 )F ( z 1 )  z d B( z 1 )G( z 1 ) Pd ( z 1 )
maka prosedur perancangan pengendali yang memotong zero dan kutub proses
terlihat seperti berikut ini:
1. Pemilihan kutub-kutub Pd(z-1)dan zero-zero Pn(z-1) sistem lingkar tertutup.

2. Polinomial B diuraikan kedalam bentuk B(z-1) = b0B+(z-1)B-(z-1), dengan
B+(z-1) dan B-(z-1) adalah berturut-turut monik dan mengandung zero
proses yang stabil dan tidak stabil.
3. Zero-zero yang stabil B+(z-1) diikutsertakan didalam polinomial F(z-1),
sehingga polinomial ini akan hilang didalam persamaan (3.34).
4. Zero yang tidak stabil B-(z-1) harus merupakan zero sistem lingkar tertutup
Pn(z-1).
5. Jika derajat Gm lebih kecil dari derajat persamaan (3.34) setelah
pemotongan B+, jumlah kutub dan zero pemotong harus ditambahkan ke
Gm, atau ekivalen dengan pengalian bagian kanan persamaan (3.34) baik
polinomial pembilang dan penyebut dengan suatu polinomial O(z-1).
6. Bagian sisa dari polinomial F(z-1), yaitu F’(z-1), dan polinomial G(z-1) dan
H(z-1) ditentukan oleh persamaan
F ' ( z 1 ) A( z 1 )  G( z 1 )b0 B  ( z 1 )z ( d 1)  Pd ( z 1 )O( z 1 ) (3.35)
dan
H ( z 1 )b0 B  ( z 1 )z ( d 1)  Pn ( z 1 )O( z 1 )z  d (3.36)
Contoh 3.2
Suatu proses dinamik direpresentasikan oleh persamaan difference
y (t )  1.89y (t  1)  0.89y (t  2)  0.1u(t  2)  e(t )  0.8e(t  1)
dengan e(t) adalah derau putih. Spesifikasi unjuk kerja pengendalian berupa letak
dua buah kutub sistem lingkar tertutup yang masing-masing terletak di titik +0.3.
Dengan menggunakan pengendali dua-derajat-kebebasan dan metode
penempatan kutub, tentukan struktur pengendali dan nilai parameter tersebut

sehingga unjuk kerja yang diinginkan tercapai!
Solusi
Dari model proses diperoleh nilai orde dan waktu tunda sistem: na = 2, nb = 1, nc
= 1 dan d = 1. Polinomial sistem lingkar tertutup yang diinginkan adalah:
Pd ( z 1 )  1  0.3z 1  0.3z 

1 1
 1  0.6z 1  0.09z  2
 1  p1 z 1  p 2 z  2
Dengan np = 2 maka syarat terakhir dari persamaan (3.27) terpenuhi. Sama

dengan contoh 3.1, struktur pengendali yang dicari berdasarkan syarat 1 dan 2
dari persamaan (3.20) adalah nf = nb = 1, dan ng = na – 1 = 1
Persamaan Diophantine sekarang mempunyai bentuk:
F ( z 1 )A( z 1 )  z 1B( z 1 )G( z 1 )  Pd ( z 1 )C( z 1 )

    
1  f1 z 1 1  a1 z 1  a 2 z 2  z 1 b0 z 1 g 0  g 1 z 1   
1  p1 z 1  p 2 z 2 1  c1 z 1 
1  z 1 a1  f1   z  2 a 2  a1f1  b0 g 0   z 3 a 2 f1  b0 g 1   1  z 1 p1  c1   z  2 p 2  p1c1   z 3 p 2 c1
atau dalam bentuk matriks
1 0 0   f1   p1  c1  a1 
a b0 0  g 0    p 2  p1c1  a 2 
 1
a 2 0 b0   g 1   p 2 c1 
Solusi persamaan ini adalah nilai parameter pengendali f1 = 0.49, g0 = 6.061, dan
g1 = -5.081. Polinomial H ditentukan dengan menyelesaikan persamaan (3.29)
Pd ( z 1 )
H ( z 1 )  C( z 1 )
B( z 1 ) z 1
1  0.8z  1  0.6z 
1
1  0.09z  2

0.1z 1 z 1
 4.9  3.92z 1
3.4 Metode Penempatan Kutub: Algoritma Khusus

Dalam bagian ini beberapa modifikasi algoritma penempatan kutub yang dipakai
pada kasus tertentu untuk memenuhi kebutuhan-kebutuhan khusus sistem
kendali dipelajari.
3.4.1 Aturan Kendali Kenaikan
Kemampuan pengendali dengan dua-derajat-kebebasan untuk menghilangkan

galat tunak telah diperlihatkan pada bagian yang lalu. Hanya saja kemampuan
tersebut sangat bergantung kepada kualitas model proses yaitu B(z-1), karena
penentuan bentuk pre-kompensator H(z-1) langsung menggunakan B(z-1). Jika
unsur ketidakpastian sangat besar pada model proses, ketepatan nilai antara
sinyal acuan dengan keluaran proses menjadi berkurang, artinya terjadi galat
tunak.
Salah jenis pengendali yang mampu menghilangkan galat tunak tanpa harus
mempunyai unsur pre-kompensator adalah pengendali PID (Proporsional-
Integral-Diferensial). Dengan aksi kendali yang bersifat integrasi, pengendali ini
mampu menghilangkan kesalahan galat tunak untuk masukan berupa fungsi step.
Berdasarkan 4 syarat kondisi yang harus dipenuhi dalam disain pengendali
dengan metode penempatan kutub pada persamaan (3.27), maka aplikasi
pengendali PID terbatas hanya untuk sistem orde rendah. Untuk itu diperlukan
bentuk umum pengendali yang memiliki sifat integrasi tetapi dapat dipakai untuk
sistem dengan orde sembarang. Sistem kendali yang mempunyai sifat ini disebut
sebagai aturan kendali kenaikan (Incremental Control).
Algoritma aturan kendali kenaikan menghasilkan keluaran berupa u(t) = u(t) –

u(t-1), dengan u(t) adalah sinyal kendali aktual yang diaplikasikan ke sistem.
Efeknya adalah untuk memberikan pengendali integrator kedalam lup dengan
keuntungan berupa:
(i.) kemungkinan bumpless transfer antara pengendali.

(ii.) kemampuan penjejakan sinyal acuan dengan mengabaikan kehadiran
gangguan yang tidak diketahui.
Digital integrator
System
Incremental
controller
output, u(t) u(t) y(t)
1 B
1 - z-1 A
Gambar 3.5 Konsep aksi kendali kenaikan.
Hanya saja efeknya juga memberikan beberapa kerugian, diantaranya adalah:
(i.) kestabilan lup tertutup menjadi berkurang.

(ii.) memerlukan integral reset.
Diagram blok sistem lingkar terbuka jika aksi kendali kenaikan digunakan terlihat
pada gambar 3.3. Diasumsikan bahwa sistem yang dikendalikan sedemikan,
sehingga keluarannya diganggu oleh gangguan yang terukur v(t) dan gangguan
yang tidak terukur s(t). Model sistem yang digunakan adalah
Ay (t )  Bu(t  1)  Dv (t )  s(t ) (3.37)
Persamaan ini dapat diekspresikan didalam bentuk kenaikan
A y (t )  Bu(t  1)  D v (t )  s (t ) (3.38)
dengan
A  (1  z 1 )A  A dan seterusnya.
Diasumsikan pengendali mempunyai bentuk
G
u(t )   y (t )  r (t ) (3.39)
F
dengan G, F ditentukan untuk memenuhi persamaan identitas
FA  z 1BG  Pd (3.40)
Derajat polinomial G harus dinaikan satu untuk memastikan bahwa persamaan

identitas (3.40) mempunyai solusi yang unik.
Substitusi persamaan (3.40) dan (3.39) kedalam persamaan (3.38) menghasilkan

respon sistem lingkar tertutup
GB FD F
y (t )  w (t  1)  v (t )  s (t ) (3.41)
Pd Pd Pd
yang dapat ditulis kembali menjadi
(1  z 1 )
y (t )  w ( t )  FDv (t )  FAw (t )  Fs(t ) (3.42)
Pd
Suku kedua dari bagian ruas kanan dapat diinterpretasikan sebagai multi
gangguan lingkar tertutup. Suku gangguan ini mempunyai kutub-kutub yang
terletak pada akar-akar yang ditentukan pada Pd. Bagian yang penting adalah
suku (1-z-1) yang merupakan perbedaan semua suku dalam bagian gangguan
sedemikian, sehingga pada frekuensi rendah (  0 dan z  1) pengaruh semua
gangguan dapat dihilangkan, walaupun parameter sistem berubah.
3.4.2 Sistem Waktu Tunda dan Sistem Fasa Non-Minimum
Pada bagian ini dibahas isu perancangan pengendali untuk sistem waktu tunda
dan sistem fasa non-minimum.
Pemotongan Zero Lup Terbuka
Sistem fasa non-minimum adalah sistem yang memiliki zero yang terletak diluar
unit lingkaran. Bentuk invers model sistem ini memiliki sifat yang tidak stabil.
Didalam algoritma umum penempatan kutub tidak dijumpai permasalahan dalam
perancangan pengendali untuk sistem fasa non-minimum. Tetapi jika algoritma
penempatan kutub dengan pemotongan kutub dan zero proses dilakukan, maka
permasalahan ketidakstabilan akan muncul. Hal ini diakibatkan oleh pemotongan
semua zero-zero proses yang tidak stabil oleh kutub-kutub pengendali, sehingga
pengendali dalam hal ini mempunyai kutub-kutub yang tidak stabil. Tentunya
sistem tidak akan mempunyai respon yang stabil jika dikendalikan oleh pengendali
yang tidak stabil. Didalam fungsi alih lingkar tertutup sifat ketidakstabilan ini tidak
terlihat, sehingga efeknya baru terlihat bila sistem sudah beroperasi cukup lama.
Dimisalkan perancangan ditujukan untuk masalah servo
Ay (t )  Bu (t  1)
Fu(t )   Gy (t )  Hw (t )
tetapi dengan memodifikasi bentuk persamaan identitas
AF  z 1BG  Pd B  (3.43)
dengan B = B+B-, dan B+ mengandung modus invers stabil dari B.
Konfigurasi sistem lingkar tertutup menjadi
HB HB 
y (t )  w ( t  1)  w (t  1) (3.44)
Pd B  Pd
Persamaan identitas yang dimodifikasi disederhanakan dengan mensyaratkan

bahwa B+ harus merupakan faktor dari F, yaitu
F  F1B  (3.45)
Polinomial F1 dan G dapat diselesaikan dengan menggunakan persamaan

identitas berikut ini:
AF1  z 1B G  Pd (3.46)

Kompensasi Waktu Tunda
Hingga saat ini diasumsikan bahwa polinomial pembilang sistem mempunyai

bentuk

z 1B  z 1 b0  b1 z 1    bnb z  nb  (3.47)
dengan b0 diasumsikan bukan nol. Jika sistem mempunyai suku waktu tunda,
maka koefisien-koefisien B dapat disamakan dengan nol untuk mendeskripsikan
suku waktu tunda tersebut, terutama jika nilai waktu tunda tidak diketahui
besarnya. Dalam kerangka metode penempatan kutub hanya diperlukan asumsi
nilai minimum waktu tunda yang mungkin terjadi. Jika nilai tunda diketahui sebesar
d-1 (diluar satu waktu tunda proses hasil transformasi-Z dari model proses waktu
kontinu dan ZOH), maka terdapat d-1 koefisien B yang bernilai nol. Bentuk
persamaan identitas menjadi
AF  z  d BG  Pd (3.48)
dengan b0 diasumsikan bukan bernilai nol. Persamaan identitas ini kemudian

diselesaikan dengan cara yang sama dengan penyelesaian persamaan identitas
pada bagian sebelumnya. Kegunaan menggunakan z-dB yaitu bahwa jumlah
parameter yang diestimasi dapat dikurangi. Jika nilai integer waktu tunda d
diketahui, estimasi rekursif parameter sistem hanya melibatkan d-1 parameter
yang tidak diketahui. Hal ini merupakan bantuan yang signifikan didalam metode
penempatan kutub swa-tala, dimana sintesa pengendali dihubungkan langsung
dengan estimasi rekursif parameter model sistem.
Bab 4
Disain Pengendali Dengan Metode

Variansi Minimum
Tujuan Pengajaran
Tujuan pada bab ini adalah untuk memahami prosedur optimasi keluaran proses
yang dipengaruhi derau putih atau derau warna. Kemudian mahasiswa sanggup
merancang pengendali sederhana yang berbasiskan kepada konsep variansi
minimum serta sanggup mengkaitkan jenis pengendali ini dengan pengendali lain
seperti model-following atau prediktot Smith.
4.1 Pendahuluan
Dalam bab ini diperlihatkan langkah-langkah perancangan pengendali yang
memperhitungkan gangguan acak yang berpengaruh pada proses. Pertama-tama
dibahas pengendali variansi minimum serta pengujian karakteristik pengendali
tersebut. Dengan memperlihatkan keterbatasan-keterbatasan aplikasi pengendali
variansi minimum, algoritma pengendali tersebut dikembangkan menjadi
algoritma Generalized Minimum Variance (GMV). Kedua algoritma ini adalah yang
pertama kali yang dirancang khusus untuk aplikasi pengendali swa-tala, dan
sekarang disebut sebagai formulasi klasik. Bab ini juga memperlihatkan prosedur
perancangan yang harus diikuti dan cara-cara khusus yang dapat digunakan
untuk mendisain algoritma kendali dengan kinerja yang lebih baik. Sebuah contoh
sederhana juga diberikan untuk menunjukkan bagaimana algoritma yang
dijelaskan dalam bab ini diimplementasikan sebagai aturan kendali.
4.2 Pengendali Variansi Minimum

70 Bab 4: Metode Variansi Minimum
Pengendali variansi minimum pada awalnya ditujukan kepada pengendalian

regulator, dengan mengasumsikan sinyal acuan yang diberikan tidak berubah.
Namun masalah servo juga dapat ditangani dengan pengendali ini. Kedua
permasalahan tersebut akan disinggung pada bagian berikut ini.
Penurunan Aturan Kendali

Tujuan dari perancangan pengendali variansi minimum adalah meminimumkan
fungsi kriteria berikut ini:

J MV  E w (t )  y (t  d )
2
 (4.1)
Notasi E{.} menunjukkan suatu harga ekspektasi (atau nilai rata-rata) yang
merupakan fungsi dari data yang tersedia pada waktu t hingga waktu kedepan
t+d. Tanda kurung tutup dan buka menandakan bahwa variabel didalamnya
merupakan proses acak (random process). Dengan fungsi dari variabel acak
tersebut berupa fungsi kuadrat menunjukkan nilai variansi dari variabel tersebut.
Dalam kasus ini fungsi kriteria JMV menunjukkan variansi kesalahan antara sinyal
acuan w(t) dan keluaran yang dikendalikan d-langkah kedepan y(t+d). Dengan
demikian pengendali yang akan didisain adalah yang sanggup meminimumkan
variansi ini, sehingga disebut sebagai Pengendali Variansi Minimum. Agar dapat
meminimasi persamaan (4.1) terhadap sinyal kendali u(t), diperlukan hubungan
antara keluaran proses y(t) terhadap sinyal kendali u(t). Hal ini dapat dilakukan
dengan menggunakan model proses, umpamanya adalah model ARMAX (Auto
Regressive Moving Average eXogeneous):
A( z 1 )y (t )  z d Bu(t )  C( z 1 )e(t ) ( z 1 ) (4.2)
dengan d adalah waktu tunda proses yang merupakan bilangan bulat kelipatan
dari periode pencuplikan, dan A(z-1), B(z-1), serta C(z-1) adalah polinomial-
polinomial dalam backward shift operator z-1, yaitu:
A( z 1 )  1  a1 z 1  a1 z 1    ana z  na
B( z 1 )  b0  b1 z 1  b1 z 1    bnb z nb (4.3)
C( z 1 )  1  c1 z 1  c1 z 1    c nc z nc
dan e(t) adalah derau putih dengan rata-rata nol dan variansi 2, yaitu:
E e(t )  0 dan  
E e 2 (t )   2 (4.4)
Hanya saja fungsi kriteria mengandung keluaran proses yang akan datang yaitu
y(t+d), yang tidak tersedia pada waktu t. Oleh karena itu minimasi tidak dapat
dilakukan, kecuali jika y(t+d) diganti dengan nilai estimasi . Hal ini dapat dilakukan
dengan menggunakan persamaan identitas berikut ini:
Bab 4: Metode Variansi Minimum 71
C  FA  z d G (4.5a)
dengan F dan G adalah polinomial dalam z-1. Persamaan identitas ini akan
memberikan polinomial hasil dan polinomial sisa pembagian:
C d G
 F
 z (4.5b)
A quotient A
dengan derajat (F) = d-1 dan f0 = 1.
Persamaan (4.5) mengasumsikan hal penting lainnya, yaitu bahwa persamaan

tersebut memisahkan nilai saat sekarang dan lampau dari nilai yang akan datang,
sehingga persamaan ini dikenal sebagai „Separation Identity“. Untuk melihat hal
ini dapat dilaksanakan, maka persamaan (4.2) dikalikan dengan E dan
memberikan
FAy (t )  z d FBu(t )  CFe(t ) (4.6)
Menggunakan persamaan (5.5a) untuk mensubstitusi FA kedalam persamaan

(4.6), diperoleh
C  z d

G y (t )  z d FBu(t )  CFe(t ) (4.7a)
Dengan mengalikan z-d pada persamaan (4.7a) menggeser waktunya menjadi d-

langkah kedepan
C  z d

G y (t  d )  FBu(t )  CFe(t  d ) (4.7b)
Kemudian dengan memindahkan suku-suku yang mengandung nilai yang akan

datang ke ruas kanan, dan suku-suku dengan nilai saat sekarang dan lampau ke
ruas kiri:
Cy (t  d )  CFe(t  d )  FBu(t )  Gy (t ) (4.8)
Dengan mendefinisikan
yˆ (t  d t )  y (t  d )  Fe(t  d ) (4.9)
diperoleh nilai prediksi d-langkah kedepan dari nilai y(t) sebagai
Cyˆ (t  d | t )  FBu(t )  Gy (t ) (4.10)
Dengan demikian nilai prediksi yˆ (t  d ) dapat menggantikan y(t+d) pada fungsi

kriteria, karena nilai prediksi tersebut hanya merupakan fungsi dari masukan dan
keluaran saat sekarang dan lampau. Persamaan (4.10) dapat diatur kembali
kedalam bentuk yang lebih baik, yaitu:
yˆ (t  d | t )  FBu(t )  Gy (t )  Hyˆ (t  d  1 | t  1) (4.11)
dengan H adalah polinomial dalam z-1 yang didefinisikan sebagai
H = (1 – C)z (4.12)
Substitusi yˆ (t  d ) untuk y(t+d) didalam fungsi kriteria memberikan
J MV  
E w (t )  yˆ (t  d | t )
2


 E w (t )  FBu(t )  Gy (t )  Hyˆ (t  d  1 | t  1)
2

Persamaan di atas kemudian diturunkan terhadap sinyal kendali u(t) dan hasilnya
disamakan dengan nol agar nilai kesalahan prediksi terhadap sinyal acuan adalah
minimum
J MV
 2f0 b0 w (t )  FBu(t )  Gy (t )  Hyˆ (t  d  1 | t  1)  0 (4.13)
u(t )
Dari persamaan (4.13) terlihat bahwa sinyal kendali yang dibutuhkan adalah
u (t ) 
w (t )  Gy (t )  Hyˆ (t  d  1| t  1) (4.14)
FB
Implementasi Pengendali Variansi Minimum

Didalam perhitungan u(t) pada persamaan (4.14) dibutuhkan polinomial G, H, F,
dan B. Untuk mempermudah permasalahan, didefinisikan polinomial E sebagai
hasil perkalian polinomial FB. Dengan demikian bentuk prediktor d-langkah
kedepan menjadi
yˆ (t  d | t )  Eu (t )  Gy (t )  Hyˆ (t  d  1 | t  1) (4.15)
Sinyal kendali dihitung sebagai
1  NG

u (t )  w (t )   ei u(t  i )  Gy (t )  Hyˆ (t  d  1 | t  1) (4.16)
e0  i 1 
Karena polinomial G, H, F, dan B tidak diketahui, maka keempat polinomial

tersebut harus diestimasi dengan menggunakan data masukan dan keluaran
proses. Jika persamaan (4.15) digeser d-langkah-waktu kebelakang, maka

diperoleh
yˆ (t | t  d )  y (t )  Fe(t )  Eu (t  d )  Gy (t  d )  Hyˆ (t  1 | t  d  1) (4.17)
atau
y (t )  Eu (t  d )  Gy (t  d )  Hyˆ (t  1 | t  d  1)  (t ), (t )  Ee(t ) (4.18)
Persamaan (4.18) dengan demikian menyediakan ekspresi regresi untuk

mengestimasi koefisien-koefisien E, G, dan H. Jika estimasi dan perhitungan
dilakukan setiap periode pencuplikan, maka akan diperoleh bentuk strategi kendali
variansi minimum swa-tala.
Karakteristik Pengendali Variansi Minimum

Pengendali variansi minimum memiliki beberapa karakteristik yang menarik.
Dengan mengatur kembali persamaan (4.14) memberikan:
w (t )  FBu(t )  Gy (t )  Hyˆ (t  d  1 | t  1)  yˆ (t  d | t ) (4.19)
Persamaan ini dikenal sebagai aturan kendali yang menyatakan bahwa sinyal
kendali yang dihitung dari persamaan (4.14) akan membimbing nilai prediksi d-
langkah kedepan yˆ (t  d | t ) menuju sinyal acuan w(t). Dengan menggunakan
definisi pada persamaan (4.9)
w (t )  y (t  d )  Fe(t  d )  y (t )  w (t  d )  Fe(t ) (4.20)
Jika model proses akurat, maka keluaran yang dikendalikan akan mengikuti sinyal
acuan setelah periode waktu tunda d. Kesalahan yang terjadi hanya akibat dari
penjumlahan derau proses yang terbobot. Pengendali ini juga menyediakan
kompensasi terhadap waktu tunda dan respon yang diperoleh adalah yang terbaik
yang sanggup dihasilkan. Disamping itu jika tidak terdapat derau proses, terlihat
bahwa pengendali variansi minimum adalah ekuivalen dengan pengendali
deadbeat.
Persamaan (4.20) juga menunjukkan hubungan sistem lingkar tertutup, yaitu tidak
terdapat baik kutub-kutub maupun zero-zero. Hal ini mengindikasikan bahwa
pengendali variansi minimum memperoleh hasil kinerjanya dengan
menghilangkan dinamika proses. Dengan demikian pengedali ini tidak dapat
diaplikasikan untuk sistem fasa tidak-minimum. Pembatasan aplikasi pengendali
jenis ini adalah bahwa strategi variansi minimum selalu menghasilkan sinyal
kendali yang besar, yang tidak dapat ditoleransi dari sudut pandang operasional.
Kelemahan-kelemahan yang ada pada pengendali variansi minimum
mengantarkan kepada pengembangan pengendali Generalized Minimum

Variance, yang akan dibahas pada bagian berikut ini.
4.3 Metode Detuned Minimum Variance

Permasalahan yang dijumpai dalam implementasi pengendali variansi minimum
adalah bahwa pengendali ini menggunakan zero proses secara eksplisit sebagai
kutub pengendali. Didalam mentransformasi sistem kontinu kedalam waktu diskrit,
semua kutub waktu kontinu akan ditransformasikan dalam bidang-z sesuai
dengan karakteristik kutub tersebut. Kutub yang stabil dalam bidang-s akan
ditransformasikan menjadi stabil pula didalam bidang-z, begitu pula sebaliknya.
Namun aturan tersebut tidak berlaku untuk transformasi zero. Sistem waktu
kontinu yang tidak mempunyai zero jika ditransformasikan kedalam bidang-z akan
memiliki zero yang terletak di frekuensi tinggi. Sehingga pengendali variansi
minimum akan memiliki kutub berfrekuensi tinggi, dan keluaran pengendali akan
berubah dengan sangat cepat. Untuk implementasi pengendalian bukaan katub
pengaturan aliran, pengendali ini akan cepat memperpendek umur aktuator.
Permasalahan kedua adalah pengendali variansi akan memiliki resiko yang

sangat tinggi dalam pengendalian sistem fasa non minimum, yaitu sistem yang
memiliki zero yang terletak diluar unit circle. Secara simulasi keluaran proses akan
terlihat stabil dikendalikan pengendali variansi minimum pada saat-saat awal,
namun keluaran pengendali akan berubah sangat cepat diakibatkan kutub
pengendali memiliki frekuensi tinggi dan cenderung semakin membesar menuju
tidak hingga. Hal tersebut akan mengakibatkan variansi keluaran proses akan
membesar dan menjadi tidak stabil.
Salah satu cara untuk mengurangi variansi keluaran proses adalah dengan
menggunakan metode detuned minimum variance, yaitu dengan menambahkan
filter untuk menapis variansi keluaran proses. Fungsi kriteria pengendali sekarang
berubah menjadi
J = E{(Ty(t+k))2} (4.21)
dengan T adalah filter atau polinom dengan derajat nt. Fungsi kriteria diminimasi
oleh pengendali yang diberikan dalam persamaan
G
u (t )   y (t ) (4.22)
BF
dengan polinom F, dan G diperoleh dengan menyelesaikan persamaan identitas
CT = FA + z-kG (4.23)
dengan struktur pengendali ditentukan oleh nf = k-1, ng = max(na,nc+nt-k).

Dengan perancangan metode ini, persamaan keluaran sistem lingkar tertutup

menjadi
F
y (t )  e(t ) (4.24)
T
Dalam implementasi, polinom T umumnya ditetapkan sebagai filter orde satu.

Dengan menjauhkan nilai parameter T dari titik nol, akan menurunkan nilai
variansi keluaran y2(t) menjadi
1  f12    f nf2 2
 y2 (t )   e (t ) (4.25)
1  t 12    t nt2
Namun aturan kendali metode ini masih meniadakan semua zero proses seperti
pengendali variansi minimum standar. Untuk aplikasi pada sistem fasa non
minimum, permasalahan kerobusan pengendali akan dijumpai kembali.
4.4 Algoritma Peterka

Algoritma Peterka merupakan modifikasi metode variansi minimum untuk
mengatasi permasalahan dalam mengendalikan sistem fasa non minimum. Aturan
kendali yang digunakan menggunakan struktur pengendali dua-derajat-
kebebasan namun dengan tidak melibatkan polinom H, karena pengendalian
adalah permasalahan regulator
Fu(t) + Gy(t) = 0 (4.26)
F adalah polinom monik dan derajat polinom F dan G ditetapkan nf = nb+k-1, ng =

na-1
Polinom F dan G diperoleh dengan menyelesaikan persamaan Diophantine
AF + z-kBG = CB* (4.27)
dengan B* adalah polinom dengan B(0) ditetapkan unity dan memiliki zero yang
merupakan kombinasi dari zero polinom B yang stabil dan resiprok dari zero
polinom B yang tidak stabil. Zero yang tidak stabil akan dicerminkan terhadap
batas unit circle kedalam unit circle.
Persamaan identitas mengekspresikan konsep metode penempatan kutub

dengan menempatkan kutub lup tertutup didalam kutub-kutub yang ditempatkan
dalam polinom C dan B*, sehingga persamaan keluaran proses dan keluaran
pengendali akan menjadi
F
y (t )  e(t ) (4.28)
B*
G
u(t )   * e(t ) (4.29)
B
Dari persamaan ini terlihat bahwa besar sinyal kendali memang dapat diturunkan
dengan menghindari peniadaan zero proses oleh kutub pengendali. Namun akibat
yang ditimbulkan adalah variansi keluaran proses menjadi lebih besar
dibandingkan metode detuned minimum variance.
4.5 Generalized Minimum Variance (GMV) Control
Penurunan Aturan Kendali

Tujuan pengendali Generalized Minimum Variance (GMV) adalah menghitung
sinyal kendali u(t) yang meminimasi fungsi kriteria berikut ini:

JGMV  E Rw (t )  Py (t  d )  Q' u(t )
2 2
 (4.21)
Fungsi kriteria (4.21) memberikan bobot pada keluaran proses dan sinyal acuan,
serta suku sinyal kendali berturut-turut dengan P, R, Q’. Struktur ketiga faktor
bobot ini adalah berupa fungsi alih, misalkan P = Pn/Pd. Penggunaan suku sinyal
kendali u(t) dalam fungsi kriteria berkaitan dengan penghematan konsumsi energi
serta untuk membatasi (walaupun harus dicoba dengan trial-and-error) besarnya
sinyal kendali. Dengan model proses yang diberikan pada persamaan (4.2),
permasalahan sekarang adalah kembali untuk mencari bentuk prediktor untuk
menggantikan suku yang diketahui (t+k) = Py(t+k) didalam fungsi kriteria (4.21).
Persamaan identitas yang digunakan adalah
z d G
PC  FA  (4.22)
Pd
dengan derajat F = d-1 dan f0 = 1.
Prosedur berikut ini digunakan untuk menurunkan bentuk pengendali variansi

minimum. Pertama-tama model proses dikalikan dengan F menghasilkan
FAy (t )  z d FBu(t )  CFe(t ) (4.23)

Dengan menggunakan persamaan (4.22) untuk mensubstitusi FA kedalam

persamaan (4.23), diperoleh
 G
 PC  z d  y (t )  z d FBu(t )  CFe(t ) (4.24)
 Pd 
Persamaan digeser menuju waktu t+d dengan mengalikan zd untuk memberikan

persamaan
 G
 PC  z d  y (t  d )  FBu(t )  CFe(t  d ) (4.25)
 Pd 
Langkah berikutnya adalah pemisahan suku-suku yang mengandung nilai waktu

yang akan datang ke ruas sebelah kiri, dan suku-suku yang mempunyai nilai
waktu saat sekarang dan lampau ke sebelah ruas kanan:
Gy (t )
CPy (t  d )  CFe(t  d )  FBu(t )  (4.26)
Pd
Dengan mendefinisikan y’(t) = y(t)/Pd, ˆ (t  d | t )   (t  d )  Fe(t  d ) , E=FB, dan

H=(1-C)z, bentuk prediktor d-langkah berikutnya adalah:
ˆ (t  d | t )  Eu(t )  Fy ' (t )  Hˆ (t  d  1| t  1) (4.27)
Substitusi persamaan (4.27) kedalam persamaan (4.21) dan minimasi fungsi

kriteria tersebut terhadap sinyal masukan termanipulasi u(t) menghasilkan
J GMV
 2g 0 Rw (t )  Eu (t )  Gy ' (t )  Hˆ (t  d  1 | t  1)  2e0Q' u(t )  0
u(t )
Penyerdehanaan dan pengaturan kembali persamaan ini maka memberikan

aturan kendali GMV:
e 0Q '
ˆ (t  d | t )  Rw(t )  Qu(t )  0 dengan E  (4.28)
g0
Jika parameter-parameter proses diketahui nilainya, maka sinyal kendali dihitung

dengan menggunakan persamaan (4.27) dan (4.28), yaitu
 NG

Rw ( t )   ei u(t  1)  Gy ' (t )  Hˆ (t  d  1 | t  1)
u (t )   
i 1
(4.29)
e0  Q
Untuk lebih spesifik jika Q = (1-z-1) untuk permisalan, maka
 NG

Rw ( t )   ei u(t  1)  Gy ' (t )  Hˆ (t  d  1 | t  1)  u(t  1)
u (t )   
i 1
(4.30)
e0  
Struktur sistem lingkar tertutup untuk pengendali GMV lebih rumit dibandingkan
dengan kasus pengendali variansi minimum, tetapi hal tersebut tidak sulit untuk
ditentukan. Pertama-tama aturan kendali ditentukan sebagai:
ˆ (t  d | t )  Pyˆ (t  d | t )  Py (t  d )  Fe(t  d )  Rw (t )  Qu (t )
Persamaan ini digeser waktunya sebesar d-langkah kebelakang, menghasilkan
Rw (t  d )  Py (t )  Fe(t )
Py (t )  Fe(t )  Rw (t  d )  Qu(t  d )  u(t  d ) 
Q
Substitusi persamaan ini menggantikan u(t-d) didalam model proses yang

diberikan oleh persamaan (4.2), maka
BRw (t  d )  PBy (t )  FBe(t )

Ay (t )   Ce(t )
Q
Pengaturan kembali persamaan di atas memberikan
PB  QA y (t )  BRw (t  d )  FB  QC e(t )

Dengan demikian ekspresi sistem lingkar tertutup untuk pengendali GMV adalah:
BRw (t  d )  FB  QC e(t )

y (t )  (4.31)
PB  QA
Dari bentuk persamaan (4.31) dapat diketahui karakteristik sistem dengan skema
GMV. Persamaan ini menunjukkan bahwa pengendali GMV mempunyai
kompensasi terhadap waktu tunda, karena suku waktu tunda d tidak terdapat pada
polinomial karakteristik.
Interpretasi Pengendali GMV

Bergantung kepada penentuan bobot, pengendali GMV dapat diinterpretasikan
dalam beberapa cara.
Sistem Kendali Variansi Minimum
Penentuan P = 1, R = 1 dan Q = 0 dalam persamaan (4.31) menghasilkan
y (t )  w (t  d )  Fe(t ) (4.32)
Pengendali GMV memberikan kinerja yang identik dengan kinerja yang diperoleh
dengan pengendali variansi minimum. Maka algoritma variansi minimum adalah
merupakan kasus khusus dari formulasi GMV.
Sistem Kendali Model Following
Jika dipilih Q = 0, maka persamaan (4.31) menjadi
Rw (t  d )  Fe(t )
y (t )  (4.33)
P
Persamaan (4.33) menunjukkan bahwa keluaran proses yang dikendalikan akan

mengikuti sinyal acuan dengan karakteristik respon ditentukan dengan rasio R/P.
Selain itu suku derau difilter dengan 1/P. Dengan demikian 1/P dapat dipilih untuk
bekerja sebagai filter derau. Sementara itu R ditentukan sedemikian sehingga R/P
adalah model sistem lingkar tertutup yang diinginkan. Hal ini yang menyebabkan
metode di atas dikenal sebagai strategi kendali model-following.
Sistem Kendali Prediktor Smith
Ditentukan P = 1, R = 1, dan Q  0, akan diperoleh bentuk persamaan berikut ini

yang diperoleh dari aturan kendali dari persamaan (4.28):
yˆ (t  d | t )  w (t )  Qu (t )  0 (4.34)
atau
w (t )  yˆ (t  d }t )
u (t )  (4.35)
Q
Kedua persamaan ini dapat direpresentasikan dengan diagram blok berikut ini:
w(t) u(t) y(t)

1/Q Process
^
y(t+d|t)
zd
Fe(t+d)
Gambar 4.1 Interpretasi GMV sebagai pengendali prediktor Smith
Maka 1/Q dapat disebut sebagai pengendali yang bekerja pada umpan balik
terprediksi, yang mirip dengan strategi kendali prediktor Smith. Hal yang menjadi
keuntungan adalah bahwa 1/Q dapat ditentukan untuk mempunyai bentuk struktur
pengendali PI (Proportional-Integrator). Ekspresi sistem lingkar tertutup adalah
Bw (t  d )  FB  QC e(t )
y (t )  (4.36)
B  QA
4.6 Permasalahan Galat Tunak

Salah satu permasalahan utama yang mempengaruhi kinerja dari pengendali
variansi minimum dan GMV adalah galat tunak. Terdapat berbagai alasan
mengapa galat tunak senantiasi muncul jika pengendali jenis ini diaplikasikan.
Galat Tunak Akibat Gangguan Yang Diketahui

Jika pengendali variansi minimum dan GMV diimplementasikan galat tunak dapat
terjadi jika sistem yang dipengaruhi oleh gangguan dengan rata-rata bukan nol
yang tidak diketahui atau tidak dapat terukur. Untuk melihat pengaruh gangguan
tersebut pada respon lingkar tertutup, suatu masalah regulator (w=0) diamati dan
e(t) tersusun oleh serangkaian nilai dengan rata-rata nol (t) dan suku bias k.
Dalam kasus pengendali variansi minimum, hal ini mengartikan bahwa
y (t )  F  (t )  k 
Dengan demikian
E y (t )  E F  (t )  k   E F (t )  E Fk   F (1)k (4.37)
Persamaan mengandung arti bahwa nilai keluaran pada keadaan tunak adalah
sama dengan F(1), tidak sama dengan nol seperti yang diharapkan.
Dengan pengendali GMV, nilai ekspektasi keluaran proses seperti pada

persamaan sistem lingkar tertutup (4.31) adalah
E y (t ) 
F (1)B(1)  Q(1)C(1) k  0 (4.38)
P (1)B(1)  Q(1)A(1)
Analisa akan menunjukkan bahwa hasil-hasil di atas akan selalu terjadi jika
pengendali disintesa menggunakan model yang diberikan oleh persamaan (4.2),
tetapi proses berperilaku berdasarkan model berikut ini:
Ay (t )  z  d Bu(t )  Ce(t )  k (4.39)
dengan d adalah gangguan yang tidak terukur, sehingga menimbulkan

ketidakakuratan pada model proses. Oleh karena itu suatu metode untuk
mengatasi penyebab galat tunak khusus ini adalah dengan menggunakan model
berikut ini didalam sintesa pengendali:
Ay (t )  z  d Bu (t )  Ce(t )  kˆ (4.40)
dengan
kˆ(t )  kˆ (t  1)  y (t )  yˆ (t | t  d )
adalah hasil estimasi gangguan tak terukur k secara on-line.
Dengan mengikuti prosedur penurunan di atas dan menggunakan persamaan

(4.40), maka prediktor d-langkah kedepan dan sinyal kendali untuk pengendali
variansi minimum dan GMV menjadi:
Variansi Minimum
yˆ (t  d | t )  FBu (t )  Gy (t )  Fkˆ(t )  Hyˆ (t  d  1 | t  1)

1  NG

u (t ) 
e0
w ( t )   ei u(t  i )  Gy (t )  Fkˆ(t )  Hyˆ (t  d  1 | t  1)
 i 1 
Generalized Minimum Variance
ˆ (t  d | t )  Eu (t )  Gy (t )  Fkˆ(t )  Hˆ (t  d  1 | t  1)
 NG

Rw ( t )   ei u(t  i )  Gy ' (t )  Fdˆ (t )  H * (t  d  1 | t  1)
u (t )   
i 1
e0  Q
Galat Tunak Akibat Faktor Bobot Pada Sinyal Kendali
Galat tunak dapat pula terjadi selama pengendalian dengan GMV tersebut
berlangsung, jika bobot sinyal kendali adalah skalar seperti terlihat pada
persamaan (4.31). Untuk mengetahui lebih jelas, diumpamakan derau pada
proses tidak ada e(t) = 0, Q = , R = P = 1. Maka nilai keluaran proses pada
keadaan tunak adalah
B(1)w (t  d )
y (t )   w (t  d ) (4.35)
B(1)  A(1)
Penjejakan sinyal acuan yang sempurna tidak akan pernah tercapai, kecuali jika
A(1) = 0, artinya proses dituntut untuk mempunyai sifat integrasi. Hal ini tentunya
akan membatasi penggunaan GMV pada proses tertentu saja. Hal ini dapat diatasi
dengan menggunakan solusi yang sederhana, yaitu fungsi kriteria dimodifikasi
untuk menggunakan perubahan sinyal kendali
 
J  E Rw (t )  Py (t  d )   (1  z 1 )u(t )
2

2
(4.36)
Sebagai alternatif lain bobot sinyal kendali mempunyai bentuk invers dari struktur
kompensator PI (proportional+integral). Walaupun kedua alternatif tersebut tidak
identik, namun keduanya mirip, karena pada kedua kasus tersebut Q(1) = 0, yaitu
menggunakan perubahan sinyal kendali. Hanya saja metode kedua lebih menarik,
karena pengendali dapat dianggap sebagai pengendali konvensional dengan blok
umpan balik prediktif seperti terlihat pada gambar 4.1. Keuntungannya adalah
bahwa bobot sinyal kendali dapat ditala seolah-olah pengendali ini adalah
pengendali konvensional.
Metode lain melibatkan penyesuaian penguat dari bobot sinyal acuan R

sedemikian, sehingga penjejakan tanpa galat tunak dapat diperoleh secara
asimptot, yaitu
B(1)R (1)
1 (4.37)
P (1)B(1)  Q(1)A(1)
Prediksi dan Sinyal Kendali Integrator
Suatu cara umum untuk mencegah masalah galat tunak adalah dengan
mengimplementasikan pengendali variansi minimum dan GMV dalam bentuk
velocity atau incremental, dimana pengendali otomatis mempunyai sifat integrator.

Ada dua cara untuk memperoleh bentuk pengendali tersebut.
d-incremental control
Prediktor d-incremental menggantikan prediktor posisi d-langkah kedepan yang

dibahas pada bagian sebelumnya. Struktur prediktor ini diperoleh dengan
mengalikan struktur prediktor posisi d-langkah kedepan dengan operator
 d  1  z 1 (4.38)
Untuk formula GMV struktur prediktor d-langkah kedepan menjadi
 d ˆ (t  d | t )  E d u(t )  G d y ' (t )  H d ˆ (t  d  1 | t  1) (4.39)
Dengan mengatur kembali persamaan di atas menjadi
ˆ (t  d | t )  ˆ (t | t  d )  E d u(t )  G d y ' (t )  H d ˆ (t  d  1 | t  1) (4.40)
Suku prediksi waktu saat sekarang ˆ (t | t  d ) diganti dengan nilai

pengukurannya, membuat persamaan (4.40) berubah menjadi
ˆ (t  d | t )   (t )  E d u(t )  G d y ' (t )  H d ˆ (t  d  1| t  1) (4.41)
Persamaan prediksi d-langkah kedepan merupakan fungsi dari data yang

berbeda. Oleh karena itu pengaruh setiap suku-suku yang memiliki rata-rata nol
dapat dihilangkan. Demikian pula jika persamaan ini diimplementasikan sebagai
algoritma swa-tala atau adaptif dimana koefisien-koefisien G, E, dan H diestimasi
secara on-line, masalah estimasi mempunyai kondisi yang baik karena data
mempunyai rata-rata nol asimptot. Substitusi ˆ (t  d | t ) kedalam aturan kendali
GMV pada persamaan (4.28), menghasilkan bentuk sinyal kendali
 
u(t )  Rw (t )   (t )  G d  * (t  d  1 | t  1) /Q   d E  (4.42)
Jika operator diferensial yang didefinisikan oleh persamaan (4.38) dapat

difaktorisasi sebagai
 k  1  z  k  (1  z 1 )(1  z 1  z 2    z  k 1 )
dan jika Q juga mengandung faktor 1 – z-1, maka persamaan (4.42) mengandung
aksi kendali integrasi. Dengan demikian penggunaan prediktor d-incremental
kedalam aturan kendali GMV menghasilkan sebuah algoritma yang mempunyai
karakteristik kesanggupam untuk menghilangkan kesalahan keadaan tunak Dari
bentuk fungsi alih lingkar tertutup
BRw (t  d )  FB d  QC e(t )

y (t )  (4.43)
PB  QA
terlihat bahwa walaupun E{e(t)} = k, E{y(t)} = 0.
Disain Dengan Menggunakan Model CARIMA
Cara lain untuk mengembangkan sebuah pengendali yang memiliki karakteristik

penghapusan terhadap kesalahan keadaan tunak adalah dengan menggunakan
model CARIMA (Controlled Auto Regressive Integrated Moving Average) dalam
disain pengendali
Ce(t )
Ay (t )  z d Bu(t )  (4.46)

dengan  = 1 – z-1. Suku gangguan Ce(t)/  merupakan gangguan yang memiliki

karakteristik tidak stasioner. Model gangguan ini lebih mewakili bentuk gangguan
pada proses nyata. Pengendali GMV yang berbasiskan model (4.46) dan fungsi
kriteria (4.21) dapat dikembangkan dengan menggunakan persamaan identitas
z d G
PC  FA  (4.47)
Pd
Bentuk prediktor yang diperoleh diberikan oleh persamaan
ˆ (t  d | t )  Eu(t )  Gy ' (t )  Hˆ (t  d  1| t  1) (4.48)
dengan y ' (t )  y (t ) / Pd ; ˆ (t  d | t )   (t  d )  Fe(t  d ); E  FB ; dan

H  (1  C )z .
Substitusi persamaan (4.48) kedalam persamaan (4.21) dan diminimasi terhadap

u(t), menghasilkan aturan kendali yang identik dengan persamaan (4.28), yaitu
ˆ (t  d | t )  Rw(t )  Qu(t )  0
dengan Q = q0Q’/e0. Karena kedua persamaan prediktor berbeda, maka sinyal

kendali dihitung menurut persamaan berikut ini:
Rw (t )  Gy ' (t )  Hˆ (t  d  1 | t  1)
u (t )  (4.49)
Q  E
Jika Q mengandung faktor 1 – z-1, maka persamaan (4.49) juga mempunyai sifat
integrasi. Dengan demikian bentuk fungsi alih sistem lingkar tertutup menjadi
BRw (t  k )  FB  QC e(t )

y (t )  (4.50)
PB  QA 
Untuk masalah regulator dengan gangguan E{e(t)} = k, respon sistem pada

keadaan tunak menuju keadaan kesetimbangan, yaitu nol, seperti diperlihatkan
oleh persamaan berikut ini
E y (t ) 
E (1)B(1)(1)  Q(1)C(1) k  0 (4.51)
P (1)B(1)  Q(1)A(1)
Bab 5
Disain Pengendali Dengan Metode Model

Predictive Control (MPC)
Tujuan Pengajaran
Tujuan dari bab 5 ini adalah untuk memahami konsep dasar sistem kendali
dengan multi-langkah-prediksi kedepan. Kemudian tujuan yang kedua adalah
kemampuan untuk mendisain pengendali sederhana yang berbasiskan kepada
konsep model predictive control yang digunakan untuk mengendalikan proses
yang mempunyai waktu tunda besar.
5.1 Pendahuluan
Sistem kendali prediktif termasuk kedalam katagori konsep perancangan
pengendali berbasis model proses, yaitu model proses digunakan secara eksplisit
untuk mendisain pengendali, dengan meminimumkan suatu fungsi kriteria. Ide
yang mendasari pada setiap jenis pengendali prediktif adalah:
 Penggunaan model proses secara eksplisit untuk memprediksi keluaran

proses yang akan datang didalam rentang waktu tertentu (horizon).
 Perhitungan rangkaian sinyal kendali dengan meminimasi suatu fungsi
kriteria.
 Strategi surut; pada setiap waktu pencuplikan (pada waktu t) horizon
dipindahkan menuju waktu pencuplikan berikutnya (pada waktu t+1)
dengan melibatkan pemakaian sinyal kendali pertama (yaitu u(t)) untuk
mengendalikan proses, dan kedua prosedur di atas diulang dengan
menggunakan informasi terakhir.
Algoritma MPC yang beragam (yang disebut pula long-range predictive control)
hanya saling membedakan diantaranya pada model proses yang digunakan untuk
mendiskripsikan sistem, model derau, serta fungsi kriteria yang akan diminimasi.
Hingga saat ini banyak sekali dijumpai keberhasilan aplikasi pengendali prediktif
Bab 5: Model Predictive Control 87
bukan hanya didalam industri proses, tetapi juga aplikasi pengendalian lengan
robot, boimedik, industri semen, kolom destilasi, generator servo, dan lain-lain.
Kinerja yang memuaskan dari hasil aplikasi tersebut menunjukkan kepasitas MPC
untuk memperoleh sistem kendali yang berefisiensi tinggi serta mampu beroperasi
selama periode waktu yang lama dengan berbagai intervensi.
Metode MPC menawarkan serangkaian keuntungan dibandingkan metode

pengendalian lainnya, diantaranya adalah:
 Konsepnya sangat intuitif serta penalaannya sangat mudah.

 Dapat digunakan untuk mengendalikan proses yang beragam, mulai dari
proses yang sederhana, hingga sampai proses yang kompleks,
mempunyai waktu tunda besar, non-minimum phase atau proses yang
tidak stabil.
 Dapat menangani sistem multivariabel.
 Mempunyai kompensasi terhadap waktu tunda.
 Mempunyai kemampuan dari pengendali feed forward untuk
mengkompensasi gangguan yang terukur.
 Mudah untuk mengimplementasikan pengendali yang diperoleh.
 Constraints dapat diperhitungkan didalam perancangan pengendali.
 Sangat berguna jika sinyal referensi untuk masa datang diketahui.
Disamping beragam keuntungan yang dimiliki, metode MPC juga mempunyai

kerugian-kerugian. Salah satu diantaranya adalah masalah penurunan aturan
sinyal kendali. Walaupun aturan kendali mudah diimplementasikan dan
membutuhkan sedikit komputasi, namun penurunan aturan kendali tersebut lebih
kompleks dibandingkan pengendali PID klasik. Jika dinamika proses tidak
berubah, maka bentuk persamaan sinyal kendali dapat diperoleh dengan mudah.
Tetapi untuk kasus pengendali adaptif, dimana karakteristik proses dapat
berubah, membutuhkan proses penurunan sinyal kendali pada setiap waktu
pencuplikan. Hal ini tentu saja menyebabkan waktu komputasi yang dibutuhkan
menjadi besar. Jika constraints diperhitungkan dalam disain, maka waktu
komputasi bahkan menjadi lebih besar lagi. Walaupun dengan menggunakan
kecanggihan teknologi komputer saat ini hal tersebut bukanlah masalah yang
berarti, namum perlu diingat bahwa tidak semua komputer yang digunakan
didalam industri proses menggunakan kecanggihan komputer tersebut.
Disamping itu pula penggunaan komputer bukan hanya melulu untuk menghitung
algoritma kendali, tetapi juga untuk komunikasi, dialog dengan komputer lain,
alarm, perekaman, dan lain-lain, sehingga sangat dituntut keefisienan dalam
waktu komputasi dari algoritma kendali. Kelemahan yang lain adalah keperluan
akan model proses yang baik, karena algoritma perancangan berbasis
pengetahuan perancang akan sistem yang akan dikendalikan yang berupa model
sistem tersebut.
Konsep Dasar MPC

88 Bab 5: Model Predictive Control
Metodologi semua pengendali yang termasuk kedalam katagori jenis-jenis MPC

dapat dikenali oleh strategi berikut ini, seperti yang diwakili pada gambar 5.1
1. Keluaran proses yang akan datang untuk rentang horizon N yang ditentukan,
dinamakan prediction horizon, diprediksi pada setiap waktu pencuplikan
dengan menggunakan model proses. Keluaran proses terprediksi ini y(t+k|t)
untuk k = 1 ... N bergantung pada nilai masukan dan keluaran lampau dan
kepada sinyal kendali yang akan datang u(t+k|t), k = 0 ... N-1 yang akan
digunakan sistem dan yang harus dihitung.
2. Serangkaian sinyal kendali dihitung dengan mengoptimasi suatu fungsi

kriteria yang ditetapkan sebelumnya, dengan tujuan untuk menjaga proses
sedekat mungkin terhadap trayektori acuan w(t+k). Fungsi kriteria tersebut
umumnya berupa suatu fungsi kuadratik dari kesalahan antara sinyal keluaran
terprediksi dengan trayektori acuan. Dalam banyak kasus tujuan
pengendalian seperti pemakaian energi yang minimum disertakan didalam
fungsi kriteria. Solusi eksplisit dapat diperoleh jika fungsi kriteria adalah
kuadratik, model linier, dan tidak ada constraints, jika tidak optimasi iteratif
harus digunakan untuk memecahkannya. Langkah pertama dan kedua ini
dapat diilustrasikan didalam gambar 5.2
3. Sinyal kendali u(t|t) dikirim ke proses, sedangkan sinyal kendali terprediksi

berikutnya dibuang, karena pada pencuplikan berikutnya y(t+1) sudah
diketahui nilainya. Maka langkah pertama diulang dengan nilai keluaran
proses yang baru dan semua prosedur perhitungan yang diperlukan
diperbaiki. Sinyal kendali yang baru u(t+1|t+1) (nilainya berbeda dengan
u(t+1|t) dihitung dengan menggunakan konsep receding horizon.
Reference
trajectory
Past inputs Predicted +
and outputs outputs -
Model
Future
inputs
Optimizer
Future errors
Cost Constraints
function
Gambar 5.1 Struktur dasar MPC

Gambar 5.2 Kalkulasi keluaran proses dan pengendali terprediksi
5.2 Perkembangan MPC

Model Predictive Control (MPC) pertama kali dikembangkan di akhir dekade 70’an
secara hampir bersamaan oleh Richalet [13] yang mengusulkan Model Algorithmic
Control (MAC) serta Cutler dan Ramaker [14] yang mengembangkan Dynamic
Matrix Control (DMC). Sebuah model proses dinamik digunakan secara eksplisit
di kedua algoritma tersebut untuk memprediksi pengaruh aksi kendali yang akan
datang terhadap keluaran proses; hal ini ditentukan dengan meminimasi
kesalahan terprediksi terhadap batasan-batasan operasional. Proses optimasi
diulang pada setiap kali periode pencuplikan dengan informasi terbaru dari proses.
MPC berkembang dengan pesat terutama di industri-industri kimia, dikarenakan

kesederhanaan algoritmanya dan penggunaan model non-parametrik yang
membutuhkan sedikit informasi a-priori tentang proses dibandingkan model
parametrik.
Teknik kendali ini kemudian dikombinasikan dengan algoritma swa-tala. Metode

yang dikembangkan oleh Peterka [15], yaitu predictor-based self-tuning control,
dan oleh Ydstie [16], yaitu extended horizon adaptive control (EHAC), termasuk
kedalam katagori ini. Metode ini berusaha menjaga keluaran yang akan datang
yang dihitung dengan persamaan Diophantine mendekati acuan. Extended
prediction self adaptive control oleh De Keyser [17] mengusulkan sinyal kendali
konstan dengan menggunakan sub-optimal prediktor. Generalized predictive
control (GPC) yang dikembangkan oleh Clarke et. al. pada tahun 1987 [18]
diusulkan pula didalam konteks ini. Metode ini menggunakan ide-ide dari
generalized minimum variance (GMV) dan menjadi jenis pengendali prediktif yang
paling populer hingga saat ini. Dengan berbasis ide-ide yang hampir sama hingga
saat ini terdapat berbagai macam formulasi pengendali prediktif, diantaranya
adalah: multistep multivariable adaptive control (MUSMAR) [19], multipredictor
receding horizon adaptive control (MURHAC) [20], predictive functional control
(PFC) [21], dan unified predictive control (UPC) [22]. Perbedaan dari setiap jenis
pengendali prediktif terutama terletak pada penentuan elemen-elemen dasar yang

membentuk strategi kendali, seperti model prediksi, fungsi kriteria, dan aturan
kendali yang diperoleh.
Tiga teknik kendali prediktif yang paling banyak dipakai di industri adalah Dynamic
Matrix Control (DMC), Model Algorithmic Control (MAC), dan Generalized
Predictive Control (GPC). Dua teknik pertama termasuk kedalam katagori teknik
kendali prediktif yang menggunakan model non-parametrik. Kedua pendekatan ini
berbasiskan kepada respon model terhadap masukan step atau impulse.
Sedangkan GPC termasuk kedalam katagori metode parametrik, karena model
proses direpresentasikan dalam bentuk fungsi alih yang menyatakan letak kutub-
kutub serta zero-zero model.
Dynamic Matrix Control

DMC dikembangkan pada akhir dekade 70’an oleh Cutler dan Ramaker yang
bekerja pada Shell Company, dan diterima secara luas di industri terutama pada
industri-industri petrokimia.
Model proses yang digunakan pada teknik kendali ini adalah respon proses
terhadap masukan berupa fungsi step, dengan mengasumsikan gangguan
bernilai tetap selama control horizon. Persamaan keluaran proses adalah

y ( t )   g i u ( t  i ) (5.1)
i 1
Nilai keluaran proses terprediksi selama horizon tersebut adalah


yˆ (t  k | t )   g i u(t  k  i )  nˆ (t  k | t ) 
i 1
k 
  g i u ( t  k  i )   g u(t  k  i )  nˆ(t  k | t )
i (5.2)
i 1 i  k 1
Gangguan diperhitungkan tetap nilainya, yaitu nˆ (t  k | t )  nˆ (t | t )  y m (t )  yˆ (t | t ) .

Maka persamaan keluaran prediksi di atas dapat ditulis menjadi:
k 
yˆ (t  k | t )   g i u(t  k  i )   g u ( t  k  i )  y
i m (t ) 
i 1 i  k 1
 k
  g i u ( t  i )   g i u ( t  k  i )  f ( t  k )
i 1 i 1
dengan f(t+k) adalah respon bebas sistem, yaitu bagian dari respon yang yang
tidak bergantung kepada aksi kendali yang akan datang. Bentuk persamaannya
adalah:

f (t  k )  y m (t )   (g k  i  g i )u(t  i ) (5.3)
i 1
Jika proses adalah stabil asimptot, koefisien-koefisien gi dari respon sistem akan
menuju ke suatu harga yang tidak berubah setelah N periode pencuplikan.
Dengan demikian dapat diperhitungkan bahwa tidak terdapat perbedaan nilai
antara dua buah nilai koefisien gi setelah N periode pencuplikan
g k  i  g i  0, i>N
Dengan demikian respon bebas dapat dihitung sebagai
N
f (t  k )  y m (t )   (g k  i  g i )u(t  i ) (5.4)
i 1
Yang perlu diperhatikan adalah bahwa N tidak eksis jika proses tidak stabil,
sehingga f(t+k) tidak dapat dihitung.
Nilai prediksi dapat dihitung selama prediction horizon (k = 1, ..., p), serta dengan
memperhitungkan m aksi kendali.
yˆ (t  1 | t )  g 1u(t )  f (t  1)
yˆ (t  2 | t )  g 2 u(t )  g 1 u(t  1)  f (t  2)

m
yˆ (t  p | t )   g u(t  p  i )  f (t  p)
i 1
i
Dengan mendefinisikan matriks dinamik sistem G sebagai
 g1 0  0 
g g1  0 
 2
     
G 
g m g m 1  g1 
     
 
 g p g p 1  g p m 1 
maka sejumlah N keluaran proses terprediksi ŷ dapat dinyatakan oleh persamaan

yˆ  Gu  f (5.5)
dengan ŷ adalah vektor dimensi-p yang mengandung keluaran prediksi sistem

selama horizon, u mewakili vektor dimensi-m dari kendali integrator, dan f adalah
vektor respon bebas. Matriks G dibentuk oleh m (control horizon) kolom dari
respon sistem terhadap masukan step gi, dimana jumlah koefisien gi pada setiap
kolom ditentukan berdasarkan orde prediksi dari control horizon.
Tujuan dari pengendali DMC adalah untuk menuntun keluaran proses mendekati
sinyal acuan didalam kerangka kuadrat-terkecil, yaitu kesalahan kuadrat antara
keluaran proses dengan sinyal acuan adalah minimum. Dengan demikian variabel
termanipulasi ditentukan sedemikian untuk meminimumkan suatu fungsi kuadratik
yang dapat memperhitungkan minimasi kesalahan yang akan datang
p
J   yˆ (t  j | t )  w (t  j )
2
(5.6)
j 1
Bentuk fungsi kriteria di atas dapat dibuat menjadi lebih umum dengan
mengikutsertakan pula sinyal kendali sebagai salah satu komponen yang harus
diminimumkan
p m
J   yˆ (t  j | t )  w (t  j )    u(t  j  1)
2 2
(5.7)
j 1 j 1
Jika tidak pembatasan pada besarnya sinyal kendali, solusi dari minimasi fungsi
kriteria J = eTe + uTu, dengan e adalah vektor kesalahan yang akan datang
selama horizon dan u adalah vektor yang berisi aksi kendali integrator yang akan
datang u(t), ..., u(t+m), dapat diperoleh secara analitik dengan menghitung
turunan dari J dan membuatnya sama dengan nol, sehingga menghasilkan
persamaan untuk keluaran sinyal kendali

u  G G  I
T
1 T
G (w  f ) (5.8)
Yang perlu diperhatikan adalah bahwa pada semua strategi kendali prediktif
hanya elemen pertama dari vektor u (u(t)) yang benar-benar digunakan oleh
proses. Untuk mengimplementasikan semua rangkaian sinyal kendali yang
terhitung selama m interval adalah sangat tidak dianjurkan. Hal ini dikarenakan
sesuatu yang tidak mungkin untuk mengestimasi vektor gangguan dengan
sempurna, sehingga hal yang tidak mungkin pula untuk mengantisipasi dengan
tepat gangguan-gangguan yang tidak dapat dihindari yang menyebabkan
keluaran proses yang sebenarnya berbeda dengan nilai prediksi yang dipakai
untuk menghitung serangkaian aksi kendali. Alasan yang lain adalah bahwa sinyal
acuan dapat pula berubah selama m interval.
Contoh 5.1
Suatu sistem yang tidak diketahui mempunyai bentuk fungsi alih
y (t ) 0.81z 1  0.405 z 2
G p ( z 1 )  
u(t ) 1  0.2z 1  0.01z 2
Sistem ini adalah sistem yang kausal, sehingga harga awal keluarannya adalah
sama dengan nol, y(0) = 0. Sistem ini kemudian diidentifikasi kedalam bentuk
model step-response. Dalam kondisi lup terbuka sistem diberi masukan berupa
fungsi step dengan amplitudo satu. Hasil kurva respon keluaran sistem dapat
dilihat pada gambar di bawah ini
Gambar 5.3 Respon sistem untuk masukan fungsi step
dengan vektor keluaran proses
y (t )  0 0.81 1.377 1.4823 1.4977 1.4997 1.5 1.5 

T
Nilai penguat statik dari sistem ini adalah yss = 1.5. Berdasarkan data keluaran
proses di atas, sistem masuk kedalam kondisi settle setelah pencuplikan ketiga,
p=3. Nilai parameter model sistem adalah g1 = 0.81, g2 = 1.377, dan g3 = 1.4823,
sedangkan g4, g5, ..., g diasumsikan sama dengan g3. Model non-parametrik yang
digunakan mempunyai bentuk
3
y (t )   g u(t  i )
i 1
i
 0.81u(t  1)  1.377 u(t  2)  1.4823 u(t  3)
Respon bebas sistem untuk prediction horizon p=3 diberikan oleh persamaan
berikut ini:
f (t  1)  y m (t )  (g 2  g 1 )u(t  1)  (g 3  g 2 )u(t  2)  (g 4  g 3 )u(t  3)

 
: 0

 
:0

 
: 0
Jika control horizon ditentukan sebesar m=2 dan bobot sinyal kendali  = 1, maka
matriks dinamik sistem dapat disusun menjadi
 g1 0   0.81 0 
G  g 2  
g 1    1.377 0.81 
g 3 g 2  1.4823 1.377 
dan
G T
G  I 
1 T  0.2751 0.2232 0.0879
G  
 0.2444 0.0297 0.3096
Jika sistem tidak berubah karakteristiknya, maka nilai matriks di atas akan selalu
konstan untuk setiap periode pencuplikan. Nilai yang berubah terhadap waktu
adalah respon bebas dan sinyal kendali. Jika sinyal acuan yang diberikan berupa
fungsi step, maka untuk pencuplikan ke-nol (t=0) hasil perhitungan respon bebas
dan vektor sinyal kendali adalah sebagai berikut
f (1)  y m (0)  (g 2  g 1 )u( 1)  (g 3  g 2 )u( 2)

 0  (1.377  0.81).0  (1.4823  1.377 ).0  0
f ( 2)  y m (0)  (g 3  g 1 )u( 1)  (g 4  g 2 )u( 2)

 0  (1.4823  0.81).0  (1.4823  1.377 ).0  0
f (3)  y m (0)  (g 4  g 1 )u( 1)  (g 5  g 2 )u( 2)

 0  (1.4823  0.81).0  (1.4823  1.377 ).0  0
u  G G w  f 
T
G  I 
1 T
 1 0 
u(0)  0.2751 0.2232 0.0879      
 u(1)    0.2444 0.0297 0.3096  1  0 
       
 1 0 
u(0)  0.5861
 u(1)   0.0948
   
Dengan demikian sinyal kendali yang dihasilkan adalah
u(0)  u( 1)  u(0)

 0.5861
Pada pencuplikan berikutnya (t=1) nilai keluaran proses yang dihasilkan adalah
y (1)  0.2y (0)  0.01y ( 1)  0.81u(0)  0.405u( 1)

 0.4747
Nilai keluaran proses ini selanjutnya kembali digunakan untuk memperbaharui

nilai respon bebas dan keluaran pengendali yang baru, yaitu sebagai berikut:
f ( 2)  y m (1)  (g 2  g 1 )u(0)  (g 3  g 2 )u( 1)

 0.4747  (1.377  0.81)0.5861  (1.4823  1.377).0  0.807
f (3)  y m (1)  (g 3  g 1 )u(0)  (g 4  g 2 )u( 1)

 0.4747  (1.4823  0.81)0.5861  (1.4823  1.377).0  0.8687
f ( 4)  y m (1)  (g 4  g 1 )u(0)  (g 5  g 2 )u( 1)

 0.4747  (1.4823  0.81)0.5861  (1.4823  1.377 ).0  0.8687
 1  0.807  
 u(1)   0.2751 0.2232 0.0879     
u(2)   0.2444 0.0297 0.3096  1  0.8687 
     1 0.8687 
   
 0.0939 
  0.0026 
 
u(1)  u(0)  u(1)

 0.5861  0.0939  0.68
Hasil lengkap keluaran proses dan keluaran pengendali dapat dilihat pada gambar
5.4.
algoritma DMC
Model Algorithmic Control

Metode ini dikenal sangat sederhana dan intuitif dan hampir menyerupai teknik
DMC dengan memiliki hanya sedikit perbedaan. Algoritma kendali dibuat dengan
dengan memakai respon proses terhadap masukan step dan menyediakan solusi
eksplisit yang sederhana didalam ketidakhadiran constraints. Keberhasilan teknik
ini diterima di industri dikarenakan model proses berupa non-parametrik dengan
masukan impulse yang digunakan. Model fungsi alih dapat memberikan
kesalahan besar jika terjadi perbedaan yang cukup signifikan pada orde model.
Sedangkan model non-parametrik adalah pilihan yang cukup tepat, karena
identifikasi response sistem dengan masukan impulse adalah relatif mudah.
Hubungan keluaran sistem pada waktu t terhadap masukan diwakili oleh

koefisien-koefisien hasil respon sistem terhadap masukan impulse dan dinyatakan
sebagai:
N
y (t )   h j u(t  j )  H ( z 1 )u(t ) (5.9)
j 1
Model ini memprediksi keluaran proses pada waktu t dan tergantung kepada
kombinasi linier dari nilai masukan lampau, dengan bobot hi adalah koefisien-
koefisien repon sistem terhadap masukan impulse. Banyaknya koefisien hi yang

dipakai hanya terbatas hingga N elemen, dimana keluaran sistem pada waktu ke-
N diasumsikan stabil (sudah memasuki daerah 2% atau 5% dari keadaan tunak).
Dengan menggunakan model ini, sebuah prediktor k-langkah kedepan dapat
ditulis sebagai:
N
yˆ (t  k | t )   h j u(t  k  j )  nˆ (t  k | t ) (5.10)
j 1
Bagian sumasi pada persamaan di atas dapat dipisah menjadi dua suku:
N k
f r (t  k )   h u (t  k  j )
j  k 1
j f o (t  k )   h j u (t  k  j )
j 1
(5.11)
Variabel fr mewakili respon bebas, dan fo mewakili respon pemaksa. Diasumsikan

bahwa gangguan akan tetap konstan pada waktu yang akan datang dengan
mempunyai nilai yang sama seperti pada waktu t, sehingga
N
nˆ (t  k | t )  nˆ (t | t )  y (t )   h j u(t  j )
j 1
Maka bentuk keluaran prediksi adalah:
yˆ (t  k | t )  f r  fo  nˆ (t | t ) (5.12)
Jika M adalah horizon dan u+ adalah vektor aksi kendali, u- adalah aksi kendali
lampau, y adalah keluaran proses terprediksi, n adalah gangguan, dan w adalah
trayektori referensi
 u (t )   u(t  N  1)   yˆ (t  1) 
 u(t  1)  u(t  N  2)  yˆ (t  2) 
u    u    y 
        
     
u(t  M  1)  u(t  1)   yˆ (t  M )
 nˆ (t  1)   w (t  1) 
 nˆ (t  2)   w (t  2) 
n  w 
     
   
nˆ (t  M ) w (t  M )
serta dengan mendefinisikan matriks-matriks

 h1 0  0 hN  hi  h2 
h h1  0  0  hj  h3 
H1   2 H2  
           
   
hM hM 1  h1  0  hN  hM 1 
dengan demikian keluaran prediksi dapat ditulis menjadi:
y  H 1u   H 2 u   n (5.13)
Dengan demikian fungsi kriteria dapat ditulis kembali menjadi
J  e e  u  u 
T T
(5.14)
dengan e adalah vektor kesalahan antara sinyal acuan dengan keluaran proses
e  wy
 w  H 2 u   n  H 1u 
 w  f  H 1u 
dan
f  H 2u  n
Jika tidak ada constraints yang diperhitungkan, maka solusi minimasi fungsi
kriteria di atas adalah:
u   H 1 H 1   I  H 1 w  f 
1 T
(5.15)
Contoh 5.2
Untuk sistem yang sama pada contoh 5.1 akan dirancang algortima pengendali
dengan berbasis Model Algortihmic Control dengan nilai control horizon m = 2 dan
bobot sinyal kendali  = 0.1. Keluaran sistem lup terbuka untuk masukan berupa
fungsi impuls dapat dilihat pada gambar 5.5. Nilai keluaran sistem yang tertera
pada gambar tersebut adalah y(t) = {0, 0.81, 0.567, 0.1053, 0.0154, 0.002, 0.0003,
0, 0, ...}. Dari nilai keluaran ini terlihat bahwa sistem mulai menuju keadaan tunak
setelah pencuplikan keempat. Dengan demikian nilai prediction horizon dapat
ditentukan sebesar p = 4 serta nilai parameter model proses adalah h1 = 0.81, h2
= 0.567, h3 = 0.1053, h4 = 0.0154, dan h5, h6, ..., h sama dengan h4. Sinyal acuan
yang diberikan untuk sistem lingkar tertutup adalah berupa fungsi step.
Dari keluaran respon impuls di atas dapat disusun matriks H1 dan H2

 0.81 0  0.0154 0.1053 0.567 

H1    H2  
0.567 0.81  0 0.0154 0.1053 
serta dapat pula dihitung
 T
H  H 1 H 1  0.1I 2  1 T  1.0143
H1  
0.0939

 0.61608 1.0143 
Gambar 5.5 Respon keluaran sistem dengan masukan fungsi impuls
Selama tidak terjadi perubahan parameter sistem, maka nilai matriks H konstan.
Pada pencuplikan ke-nol besarnya derau yang terprediksi serta vektor sinyal
kendali lampau adalah sebagai berikut:
nˆ 0 0   nˆ 10  
4
y (0 )   h j u (  j )
j 1
 y (0)  h1u( 1)  h2u( 2)  h3 u( 3)  h4 u( 4)
 0
u( 3) 0

0
u   u( 2)  0 n 
 u( 1)  0 0
Karena derau sepanjang control horizon diasumsikan konstan, maka kedua

elemen pada vektor derau n adalah sama. Langkah selanjutnya adalah
perhitungan vektor respon bebas f dan vektor sinyal u+ kendali:
0
f  H2u  n   
0
u   T

H 1 H 1  0.1I 2 H 1 w  f 
1 T
u(0)  1.0143 0.0939   1 0 

 u(1)    0.61608 1.0143   1  0 
        
u(0)  1.1082 
 u(1)   0.39817 
   
Hanya elemen baris pertama vektor sinyal kendali yang dipakai sebagai masukan
proses, sedangkan elemen selebihnya dibuang. Nilai u(1) yang dihitung pada
pencuplikan ke-nol tidak (harus) sama dengan u(1) yang dihitung pada
pencuplikan pertama t=1. Langkah-langkah di atas kemudian diulang untuk setiap
periode pencuplikan dengan data keluaran proses yang berbeda. Hasil lengkap
keluaran proses dan keluaran pengendali dapat dilihat pada kurva gambar 5.6.
Generalized Predictive Control

Metode GPC pertama kali diusulkan oleh Clarke et. al. [18] dan menjadi salah satu
metode MPC yang paling populer di industri. Metode ini terbukti sukses
diimplementasikan di berbagai aplikasi industri dan mampu menunjukkan kinerja
dan ketegaran yang baik. Algoritma ini sanggup mengatasi permasalahan yang
berbeda untuk proses yang memiliki karakteristik berbeda pula.
Ide dasar metode ini adalah perhitungan rangkaian sinyal kendali yang akan
datang sedemikian sehingga meminimumkan suatu fungsi kriteria dengan multi
langkah yang didefinisikan sepanjang prediction horizon. Indeks yang akan
dioptimasi adalah harga ekspetasi dari suatu fungsi kuadratik yang mengukur
perbedaan antara keluaran sistem terprediksi dengan sinyal acuan sepanjang
horizon, serta fungsi kuadratik dari sinyal kendali yang diperlukan.
algoritma MAC
Jika constraints tidak diperlukan pada disain pengendali, maka metode GPC dapat
dipecahkan secara analitik. Kelebihan yang utama dibandingkan metode disain
pengendali lainnya adalah kemampuannya untuk mengendalikan sistem yang
tidak stabil, non-minimum phase, sistem yang berubah struktur model (misal: orde
sistem), serta sistem yang mempunyai waktu tunda besar.
Melihat keunggulan metode ini dibanding metode kendali prediktif lainnya, maka
metode GPC akan dibahas khusus pada sub-bab berikutnya.
5.3 Generalized Predictive Control

Bagian ini menjelaskan prosedur umum dari metode GPC untuk menurunkan
aturan kendali serta karakteristik utama GPC. Algoritma yang diperoleh juga akan
diperluas untuk kasus derau warna.
Model Prediksi
Suatu sistem single-input-single-output (SISO) yang biasanya diperoleh setelah

proses penyederhanaan, linierisasi, serta beroperasi di sekitar titik kerja, dapat
dinyatakan sebagai
A( z 1 )y (t )  z d B( z 1 )u(t  1)  C( z 1 )e(t ) (5.16)
dengan u(t) dan y(t) adalah berturut-turut sinyal masukan dan keluaran proses,
dan e(t) adalah derau putih dengan rata-rata nol serta d adalah waktu tunda
proses. A, B, dan C adalah polinomial-polinomial yang dinyatakan dalam
backward shift operator z-1:
A( z 1 )  1  a1z 1  a 2 z 2    ana z  na
B( z 1 )  b0  b1 z 1  b2 z 2    bnb z nb
C( z 1 )  1  c1z 1  c 2 z  2    c nc z nc
Model ini dikenal sebagai model ARMAX (Auto Regressive Moving Average
eXogenous). Untuk aplikasi-aplikasi di industri yang mempunyai gangguan yang
tidak stasioner maka model CARIMA (Controller Auto Regressive Integrated
Moving Average ) cocok digunakan. Model CARIMA dinyatakan oleh persamaan
berikut ini:
e(t )
A( z 1 )y (t )  z d B( z 1 )u(t  1)  C( z 1 ) (5.17)

dengan
  1  z 1
Untuk kemudahan maka pada bagian ini polinomial C ditentukan sebesar satu.
Kasus umum untuk derau warna akan dibahas terpisah.
Fungsi Kriteria
Algoritma GPC terdiri dari penggunaan serangkaian sinyal kendali yang

meminimumkan fungsi kriteria dengan multi langkah yang memiliki bentuk
persamaan
N2 Nu
J (N1, N 2 , N u )    ( j )yˆ (t  j | t )  w (t  j )    ( j )u(t  j  1)
2 2
(5.18)
j  N1 j 1
dengan yˆ (t  j | t ) adalah prediksi optimum keluaran sistem j-langkah kedepan

yang dihitung pada waktu t, N1 dan N2 adalah costing horizon minimum dan
maksimum, Nu adalah control horizon, (j) dan (j) adalah rangkaian bobot, dan
w(t+j) adalah trayektori acuan yang akan datang. Untuk penyederhanaan (j)
ditentukan sama dengan satu dan (j) tetap nilainya.
Tujuan kendali prediktif adalah untuk menghitung rangkaian sinyal kendali yang
akan datang u(t), u(t+1), ... sedemikian sehingga keluaran proses yang akan
datang y(t+j) dituntun untuk mendekati w(t+j). Hal ini dapat dilakukan dengan
meminimumkan fungsi kriteria J(N1, N2, Nu).
Dalam rangka mengoptimasi fungsi kriteria, maka bentuk prediksi optimal untuk j
 N1 dan j  N2 harus ditentukan. Langkah pertama yang harus dilakukan adalah
dengan menyelesaikan persamaan Diophantine berikut ini:
~ ~
1  E j ( z 1 )A( z 1 )  z  j F j ( z 1 ) dengan A( z 1 )  A( z 1 ) (5.19)
Polinomial Ej dan Fj berturut-turut didefinisikan secara unik dengan derajat j-1 dan
~
na. Keduanya diperoleh dengan membagi 1 dengan A( z 1 ) sampai dengan sisa
pembagian dapat difaktorisasi sebagai z-jFj(z-1). Hasil pembagian adalah
polinomial Ej(z-1).
Jika persamaan (5.17) dikalikan dengan Ej(z-1)zj menghasilkan
~
A( z 1 )E j ( z 1 )y (t  j )  E j ( z 1 )B( z 1 )u(t  j  d  1) 
(5.20)
 E j ( z 1 )e(t  j )
Dengan memperhitungkan persamaan Diophantine persamaan (5.20) dapat

ditulis menjadi
1  z j

F j ( z 1 ) y (t  j )  E j ( z 1 )B( z 1 )u(t  j  d  1)  E j ( z 1 )e(t  j )
atau
y (t  j )  F j ( z 1 )y (t )  E j ( z 1 )B( z 1 )u(t  j  d  1)  E j ( z 1 )e(t  j )
Karena derajat polinomial Ej(z-1) = j-1, maka suku gangguan didalam persamaan
adalah untuk waktu yang akan datang. Dengan demikian prediksi terbaik yang
dapat dilakukan adalah
yˆ (t  j )  F j ( z 1 )y (t )  G j ( z 1 )u(t  j  d  1) (5.21)
dengan
G( z 1 )  E j ( z 1 )B( z 1 ) (5.22)
Perhitungan polinomial Ej dan Fj dapat dilakukan secara rekursif. Diasumsikan

~
kedua polinomial tersebut diperoleh dari hasil pembagian antara 1 dengan A( z 1 )
sampai dengan sisa pembagian dapat difaktorisasi sebagai z-jFj(z-1). Polinomial
tersebut dapat diekspresikan sebagai
F j ( z 1 )  f j ,0  f j ,1 z 1    f j ,na z  na
(5.23)
E j ( z 1 )  e j ,0  e j ,1z 1    e j , j 1z ( j 1)
Diasumsikan bahwa prosedur yang sama digunakan untuk memperoleh Ej+1 dan
~
Fj+1, maka sisa pembagian 1 dengan A( z 1 ) dapat difaktorisasi sebagai z-(j+1)Fj+1(z-
1), dengan
F j 1 ( z 1 )  f j 1,0  f j 1,1 z 1    f j 1,na z  na (5.24)
Bentuk rekursif polinomial Ej+1 diberikan oleh persamaan berikut ini:
E j 1 ( z 1 )  E j ( z 1 )  e j 1, j z  j (5.25)
dengan ej+1,j = fj,0.
Koefisien-koefisien Fj+1 dengan demikian dapat diekspresikan sebagai:
f j 1,i  f j ,i 1  f j ,0 a~i 1 i = 0 ... na-1 (5.26)
Polinomial Gj+1 dapat pula diperoleh secara rekursif seperti berikut ini:

G j 1  E j 1B  E j  f j ,0 z  j B  (5.27)
G j 1  G j  f j ,0 z  j B
Dengan demikian j koefisien pertama dari Gj+1 akan identik dengan j koefisien
pertama dari Gj dan koefisien sisa diberikan dengan persamaan
g j 1, j  i  g j , j  i  f j ,0 bi i = 0 ... nb (5.28)
Aturan Kendali
Untuk memecahkan permasalahan pada GPC serangkaian sinyal kendali u(t),
u(t+1), ..., u(t+N) harus dihitung untuk mengoptimasi fungsi kriteria. Jika sistem
mempunyai suku waktu tunda d yang merupakan kelipatan bilangan integer dari
perioda pencuplikan, maka keluaran sistem dipengaruhi oleh sinyal kendali u(t)
setelah perioda pencuplikan d+1. Nilai N1, N2, dan Nu yang mendefinisikan horizon
dapat didefinisikan sebagai N1 = d+1, N2 = d+N, dan Nu = N.
Pada waktu t rangkaian prediksi optiman j-langkah kedepan dinyatakan sebagai:
yˆ (t  d  1 | t )  Gd 1 u(t )  Fd 1 y (t )
yˆ (t  d  2 | t )  Gd  2 u(t  1)  Fd  2 y (t )

yˆ (t  d  N | t )  Gd N u(t  N  1)  Fd N y (t )
Persamaan di atas dapat ditulis kembali menjadi:
y  Gu  F ( z 1 )y (t )  G' ( z 1 )u(t  1) (5.29)
dengan
 yˆ (t  d  1 | t )   u(t ) 
 yˆ (t  d  2 | t )   u(t  1) 
y  u 
     
   
 yˆ (t  d  N | t ) u(t  N  1)
 g0 0  0
 g g0  0 
G 1
    
 
g N 1 g N 2  g0 
 
Gd 1 ( z 1 )  g 0 z  
1
G' ( z ) 

  
Gd  2 ( z 1 )  g 0  g 1 z 1 z 2


  
 
 1 1
 Gd N ( z )  g 0  g 1 z    g N 1 z
( N 1)
z N 
 Fd 1 ( z 1 ) 
 
1  Fd  2 ( z 1 ) 
F (z ) 
  
 1 
Fd  N ( z )
Dua suku terakhir dari persamaan (5.29) hanya bergantung pada nilai
sebelumnya. Dengan mengelompokkan suku-suku ini kedalam variabel baru f,
maka persamaan (5.29) menjadi
y  Gu  f (5.30)
Jika semua kondisi awal sama dengan nol, maka respon bebas f juga sama
dengan nol. Jika fungsi step diberikan pada masukan pada waktu t, maka
u(t )  1, u(t  1)  0,, u(t  N  1)  0
Rangkaian keluaran terprediksi yˆ (t  1), yˆ (t  2),, yˆ (t  N ) sama dengan kolom

T
pertama matriks G. Dengan demikian kolom pertama matriks G dapat dihitung

sebagai nilai respon sistem terhadap masukan fungsi step. Suku respon bebas
dapat dihitung secara rekursif:
f j 1  ~

 z 1  A( z 1 ) f j  B( z 1 )u(t  j  d ) (5.31)
dengan f0 = y(t) dan u(t+j) = 0 untuk j  0.
Fungsi kriteria pada persamaan (5.18) dapat ditulis kembali menjadi
J  Gu  f  w  Gu  f  w    u u
T T
(5.32)
dengan
w  w (t  d  1) w (t  d  2)  w (t  d  N )
T
(5.33)
Persamaan (5.32) dapat ditulis kembali menjadi

T T
J  12 u H u  b u  f 0 (5.34)
dengan
H   T
2 G G  I 
2f  w  G
T T
b  (5.35)
f0  f  w T f  w 
Dengan mengasumsikan tidak terdapat constraints pada sinyal kendali u, nilai
minimum dari fungsi kriteria dapat diperoleh dengan membuat gradien dari J sama
dengan nol. Hal ini membuat persamaan sinyal kendali mempunyai bentuk
sebagai berikut:
1
u  H b  G G   I  T

1
G w  f 
T
(5.36)
Sinyal kendali yang dipakai oleh proses adalah elemen pertama dari vektor u,
yang diberikan oleh persamaan berikut ini:
u(t )  K (w  f ) (5.37)
dengan K adalah baris pertama dari matriks (GTG+I)-1GT. Skema dari persamaan
keluaran pengendali dapat dilihat pada gambar 5.7. Dari gambar tersebut terlihat
bahwa persamaan sinyal kendali mempunyai arti yang sama dengan skema dasar
suatu sistem kendali umpan balik negatif: jika tidak terdapat kesalahan terprediksi
yang akan datang, yaitu w - f = 0, maka tidak terjadi perubahan nilai sinyal kendali,
karena tujuan pengendalian sudah terpenuhi dengan perkembangan respon
bebas sistem. Sebaliknya akan terjadi perubahan pada aksi kendali sebanding
dengan kesalahan terprediksi yang akan datang.
w u y
+
K Process
f
Free response
calculation
Gambar 5.7 Aturan kendali GPC
Prosedur perhitungan sinyal kendali di atas diulang untuk setiap kali perioda
pencuplikan. Hal yang menjadi isu yang sangat penting pada implementasi
algoritma GPC untuk sistem riil adalah masalah komputasi sinyal kendali. Solusi
sinyal kendali masih melibatkan operasi invers N x N matriks yang membutuhkan
waktu yang cukup berarti jika ukuran matriks tersebut besar. Salah satu alternatif
pemecahannya adalah dengan menggunakan konsep control horizon untuk
mereduksi jumlah waktu komputasi yang diperlukan, dengan mengasumsikan
bahwa sinyal kendali terproyeksi akan menuju konstan setelah Nu < N. Hal ini
hanya membutuhkan invers matriks ukuran Nu x Nu yang mengurangi jumlah
waktu komputasi, tetapi membatasi optimalisasi dari GPC. Alternatif lain adalah
dengan menggunakan suatu fast algorithm untuk mengimplementasikan GPC
swa-tala untuk proses yang dapat dimodelkan dengan model non-parametrik.
Masalah waktu komputasi GPC tidak akan dibahas lebih lanjut pada diktat kuliah
ini.
Kasus Untuk Derau Warna

Jika polinomial derau C(z-1) dari persamaan (5.16) tidak sama dengan satu, maka
prediksi berubah mendadak. Untuk menghitung prediksi untuk kasus ini
persamaan Diophantine berikut ini harus dipecahkan
~
C( z 1 )  E j ( z 1 )A( z 1 )  z  j F j ( z 1 ) (5.38)
~
dengan (Ej(z-1)) = j-1 dan (Fj(z-1)) =  ( A( z 1 ))  1 .
Mengalikan persamaan (5.16) dengan Ej(z-1)zj serta dengan menggunakan

persamaan (5.38)
 
C( z 1 ) y (t  j )  E j ( z 1 )e(t  j )  E j ( z 1 )B( z 1 )u(t  j  1)  F j ( z 1 )y (t )
Karena suku-suku derau adalah untuk masa yang akan datang, nilai ekspektasi
dari ruas sebelah kiri persamaan di atas adalah:
  
E C( z 1 ) y (t  j )  E j ( z 1 )e(t  j )  C( z 1 )yˆ (t  j | t )
Nilai keluaran ekspektasi dapat dihitung dengan menggunakan persamaan:
C( z 1 )yˆ (t  j | t )  E j ( z 1 )B( z 1 )u(t  j  1)  F j ( z 1 )y (t ) (5.39)
Persamaan prediksi ini dapat dibuat untuk menghitung prediksi secara rekursif.
Ekspresi eksplisit untuk prediksi optimal j-langkah kedepan dapat diperoleh
dengan menyelesaikan persamaan Diophantine:
1  C( z 1 )M j ( z 1 )  z  k N j ( z 1 ) (5.40)
dengan (Mj(z-1)) = j-1 dan (Nj(z-1)) = (C(z-1)) – 1.
Dengan mengalikan persamaan (5.29) dengan Mj(z-1) dan menggunakan

persamaan identitas (5.40), bentuk keluaran prediksi menjadi
yˆ (t  j | t )  M j E j ( z 1 )B( z 1 )u(t  j  1)  M j ( z 1 )F j ( z 1 )y (t )  N j ( z 1 )y (t )
atau dapat diekspresikan sebagai
 
yˆ (t  j | t )  G( z 1 )u(t  j  1)  G p ( z 1 )u(t  j  1)  M j ( z 1 )F j ( z 1 )  N j ( z 1 ) y (t )
dengan (G(z-1)) < j. Bentuk prediksi ini selanjutnya dapat digunakan didalam
fungsi kriteria yang dapat diminimumkan untuk kasus derau warna.
Contoh 5.3
Berikut ini adalah sebuah contoh sederhana untuk menunjukkan bagaimana
algoritma GPC diimplementasikan. Pengendali didisain untuk sistem orde satu
yang mempunyai fungsi alih sebagai berikut:
1 0.8z y (t )  0.4  0.6z u(t  1)  e(t )

1 1
Parameter horizon yang digunakan adalah N1 = 1 dan N2 = Nu = 3. Langkah

pertama yang dilakukan adalah menghitung keluaran proses terprediksi
sepanjang prediction horizon, kemudian aturan kendali dihitung dengan
menggunakan persamaan (5.36).
Polinomial prediktor Ej(z-1), Fj(z-1) dihitung dengan menyelesaikan persamaan

Diophantine dari j=1 hingga j=3 dengan
~
A( z 1 )  A( z 1 )(1  z 1 )  1  1.8z 1  0.8z 2
Pada contoh ini nilai horizon tidak terlalu besar, dengan demikian polinomial
~
prediktor dapat diperoleh secara langsung dengan membagi 1 dengan A( z 1 ) .
Seperti sudah dijelaskan pada bagian lalu, polinomial-polinomial tersebut dapat
dihitung secara rekursif, dimulai dari nilai yang diperoleh langkah pertama
pembagian, yaitu
E1(z-1) = 1 F1(z-1) = 1.8 – 0.8z-1
Hasil pembagian dua langkah berikutnya adalah
E2(z-1) = 1 + 1.8z-1 F2(z-1) = 2.44 – 1.44z-1

E3(z-1) = 1 + 1.8z-1 + 2.44z-2 F3(z-1) = 2.952 – 1.952z-1
Dengan hasil di atas dan juga polinomial B(z-1) = 0.4 + 0.6z-1, maka nilai polinomial
G(z-1) adalah
G1  0.4  0.6z 1
G2  0.4  1.32z 1  1.08c
G3  0.4  1.32z 1  2.056z  2  1.464z 3
Dengan demikian keluaran proses terprediksi dapat ditulis menjadi
 yˆ (t  1 | t )   0.4 0 0   u(t ) 
 yˆ (t  2 | t )   1.32 0.4 0   u(t  1)  
  
 yˆ (t  3 | t ) 2.056 1.32 0.4 u(t  2)
 0.6u(t  1)  1.8y (t )  0.8y (t  1) 
  1.08u(t  1)  2.44y (t )  1.44y (t  1) 
1.464u(t  1)  2.952y (t )  1.952y (t  1)
 
f
Langkah berikut adalah untuk menghitung H-1b. Jika  ditentukan sama dengan
0.8, maka
 0.133 0.286 0.147 

G T
G  I 
1
G   0.154  0.165 0.286 
T 
 0.029  0.154 0.1334
Selama hanya u(t) yang diperlukan untuk kalkulasi, yaitu baris pertama dari
matriks di atas yang dipakai, maka bentuk persamaan sinyal kendali yang
diperoleh adalah
u ( t )   0.604u(t  1)  1.371y (t )  0.805y (t  1) 

 0.133w (t  1)  0.286w (t  2)  0.147w (t  3)
dengan w(t+i) adalah trayektori acuan yang dapat diasumsikan tetap nilainya dan
sama dengan sinyal acuan atau dengan pendekatan orde satu terhadap nilai yang
diinginkan. Dengan demikian sinyal kendali adalah fungsi dari acuan yang
diinginkan dan masukan dan keluaran lampau yang diberikan oleh persamaan:
u(t )  0396u(t  1)  0.604u(t  2)  1.371y (t )  0.805y (t  1) 

 0.133w (t  1)  0.286w (t  2)  0.147w (t  3)
Hasil simulasi pada gambar 5.8 menunjukkan kelakuan sistem lingkar tertutup.
Pada gambar tersebut terlihat bahwa keluaran proses mempunyai respon yang
halus dengan nilai tunak sama dengan satu serta sedikit overshoot terjadi.
5.4 Generasi Masa Depan MPC

Visi dari generasi masa depan teknologi MPC pada bagian ini adalah merupakan
hasil survei dari berbagai perusahaan di USA.
Formulasi Pengendali Dasar

Dikarenakan sangat sulit untuk mendeskripsikan semua tujuan pengendalian
yang relevan kedalam sebuah fungsi kriteria, maka teknologi MPC masa depan
kemungkinan memanfaatkan multi fungsi kriteria. Prediction horizon yang tak
terbatas mempunyai karakteristik teoritis yang menguntungkan dan kemungkinan
menjadi bentuk standar. Pilihan trayektori masukan dan keluaran juga akan
mengikutsertakan sinyal acuan, zona, trayektori, serta funnels.
algoritma GPC
Nonlinier MPC
MPC yang menggunakan model non linier akan menjadi lebih umum sejalan
dengan tuntutan pengguna akan kinerja tinggi dan perangkat lunak baru akan
membuat model linier siap untuk digunakan dalam perancangan. Pengembangan
model nonlinier empiris yang cocok mungkin menjadi isu yang menarik. Sinyal uji
seperti Pseudo Random Binary Signal (PRBS) yang cocok dipakai pada model
linier tidak akan sama sukses untuk menyediakan eksitasi untuk sistem non linier.
Tidak akan ada bentuk model yang dapat mewakili proses non linier secara umum.
Model Volterra orde dua mungkin dapat menjembatani kesenjangan antara model
empiris linier dengan model non linier dalam waktu dekat ini.
Pendekatan lain adalah dengan menggunakan model hibrid yang

mengintegrasikan prinsip pertama dari keadaan tunak non linier dengan model
dinamik baik linier maupun non linier mungkin menjanjikan keberhasilan pada
masa depan. Gain-scheduling dengan model dinamik linier adalah sala satu
contoh untuk pendekatan ini.
Penggunaan model non linier mengubah masalah pengendalian dari

pemrograman konveks menjadi pemrograman non linier non konveks, dimana
pemecahannya menjadi sulit. Solusi tidak dijamin sebagai contoh akan
menemukan optimasi global. Walaupun pemecahan masalah MPC non linier pada
setiap waktu pencuplikan menjadi sulit, namun beberapa peneliti berhasil

menunjukkan bahwa kestabilan nominal Lyapunov untuk model linier dapat
digunakan untuk kasus model non linier dengan sedikit modifikasi. Hanya saja
sebagai catatan yang perlu menjadi perhatian adalah MPC nonlinier
membutuhkan penyesuaian ekstra yang tidak diinginkan. Hal ini
mengimplikasikan bahwa penalaan pengendali MPC non linier sangat sulit,
terutama untuk ketidaksesuain model.
Adaptif MPC
Beberapa algoritma MPC seperti GPC yang diusulkan Clarke et. al. dengan
kemampuan beradaptasi hanya terdapat pada satu produk di pasaran, yaitu STAR
dari perusahaan Dot Products. Hal ini memberi pangsa pasar yang besar untuk
pengendali MPC swa-tala. Hanya saja realisasi pengendali ini dalam dunia nyata
tidak sesederhana seperti pada kasus akademik.
Di lain fihak pengendali adaptif dan kebutuhan akan metode penalaan pengendali
PID telah sukses di pasaran. Hal ini menyarankan bahwa pengendali MPC adaptif
dapat mengambil alih peran pengendali PID pada lup tunggal, serta untuk
mengatasi sistem-sistem yang kompleks.
Kestabilan Robus MPC

Jaminan kestabilan robus akan mengurangi waktu yang diperlukan untuk menala
dan menguji algoritma MPC untuk industri secara berarti. Kelebihan-kelebihan
teoritis yang sanggup diberikan pengendali MPC untuk model sistem yang
sempurna akan ditingkatkan untuk memperhitungkan ketidakpastian akan model
sistem untuk waktu yang akan datang. Pengendali MPC akan dilengkapi dengan
perangkat tambahan seperti blok identifikasi yang dilengkapi dengan supervisi
untuk selalu memperbaiki model kasar yang mengandung ketidakpastian yang
tinggi. Hal ini ditujukan untuk memudahkan disain dan penalaan pengendali MPC.
Bab 6
Pengendali Swa-Tala: Penempatan

Kutub dan Variansi Minimum
Tujuan Pengajaran
Tujuan dari bab 6 ini adalah untuk mengkombinasikan antara metode estimasi
parameter rekursif yang dibahas pada bab 2 serta metode disain pengendali pada
bab 3 dan 4 serta dioperasikan secara on-line untuk menghasilkan algoritma
sistem kendali swa-tala.
6.1 Pengendali Penempatan Kutub Swa-Tala

Metode penempatan kutub telah dibahas dalam bab 3. Sekarang metode ini
dikombinasikan dengan algoritma estimasi parameter proses rekursif untuk
mendapatkan konfigurasi pengendali penempatan kutub swa-tala. Nilai parameter
proses akan dipantau terus oleh estimator untuk mendeteksi adanya perubahan
perubahan karakteristik proses. Hasil estimasi dikirim kedalam blok disain
pengendali untuk menentukan nilai parameter pengendali yang tepat berdasarkan
kinerja yang diinginkan. Baik bagian estimator maupun blok disian pengendali
dilakukan secara on-line, sehingga nilai parameter pengendali selalu
diperbaharuhi setiap periode pencuplikan. Struktur sistem kendali swa-tala dapat
dilihat pada gambar 6.1
Jika pada pembahasan bab 3 struktur pengendali ditentukan berdasarkan model

proses yang diketahui, maka pada pengendali swa-tala model proses yang
digunakan adalah hasil estimasi dari blok identifikasi. Berdasarkan prinsip
certainty equivalence nilai parameter proses terestimasi tersebut diperlakukan
seolah-olah sama dengan nilai sebenarnya.
Dalam perancangan pengendali diperlukan beberapa informasi kinerja

pengendalian yang diinginkan, diantaranya adalah:
114 Bab 6: Pengendali Swa-Tala
(i.) Letak kutub-kutub yang diinginkan yang dispesifikasikan oleh Pd.

(ii.) Bentuk pengendali, apakah untuk masalah servo atau masalah regulator.
(iii.) Bentuk aksi kendali, apakah berupa aksi kendali kenaikan atau non
kenaikan.
Selain ketiga informasi di atas, diperlukan informasi lanjutan yang berhubungan

dengan konfigurasi yang diperlukan oleh pengendali swa-tala, diantaranya
adalah:
(i.) Besar waktu pencuplikan h yang digunakan;

(ii.) Nilai orde model sistem na, nb, dan nc;
(iii.) Nilai waktu tunda sistem d, jika diketahui;
Performance
requirements Estimated system
parameters; A, B, C
Configuration Pole assignment Recursive

requirements synthesis estimator
Controller e(t)
parameters; H, F, G
C(z-1)
A(z-1)
w(t) H(z-1) G(z-1) B(z-1)

G(z-1) F(z-1) u(t) A(z-1) y(t)
-
Gambar 6.1 Sistem pengendali penempatan kutub swa-tala
Siklus Swa-Tala
Pada setiap peride pencuplikan h langkah-langkah berikut ini harus dilakukan:
Langkah (i) Pencuplikan Data

Bab 6: Pengendali Swa-Tala 115
Keluaran sistem y(t), sinyal acuan w(t) dan variabel-variabel lain yang penting
diukur.
Langkah (ii) Memperbaharui Hasil Estimasi

Data yang diperoleh pada langkah (i) digunakan bersama-sama dengan data
lampau dan sinyal yang kendali sebelumnya untuk memperbaharui nilai estimasi
parameter proses dengan menggunakan estimator rekursif.
Langkah (iii) Sintesa Pengendali

Nilai parameter estimasi proses dari (ii) digunakan didalam persamaan identitas
penempatan kutub untuk mensintesa parameter pengendali.
Langkah (iv) Kalkulasi Sinyal Kendali

Parameter pengendali yang disintesa pada (iii) digunakan oleh pengendali untuk
mengkalkulasi sinyal kendali u(t).
Pencuplikan saat Pencuplikan saat

sekarang (t) berikutnya (t+1)
Pencuplikan
data
keluaran sistem y(t)
masukan proses u(t)
Estimator
rekursif
estimasi parameter
model proses
Sintesa
pengendali
kalkulasi parameter
pengendali
Kalkulasi
sinyal kendali
kalkulasi sinyal
kendali u(t)
total waktu komputasi
Gambar 6.2 Diagram timing dan sequence untuk sistem kendali swa-tala
Pada akhir siklus ini algoritma swa-tala menunggu hingga akhir interval
pencuplikan dan kemudian mengulang kembali siklus untuk interval berikutnya.
Setiap langkah pada siklus dihitung secara sekuensial. Gambar 6.2
mengilustrasikan siklus ini kedalam diagram timing dan sequence. Waktu kalkulasi
keseluruhan dari langkah-langkah siklus swa-tala diasumsikan harus jauh lebih
kecil dari nilai waktu pencuplikan. Jika tidak, maka lup tertutup akan mempunyai
waktu tunda tambahan.
6.1.1 Sistem Servo Penempatan Kutub
Untuk masalah servo sistem dideskripsikan sebagai sistem yang bebas derau
dengan bentuk persamaan sebagai berikut
Ay (t )  Bu(t  1) (6.1)
Tujuan pengendalian adalah membuat keluaran y(t) dapat mengikuti sinyal acuan
w(t) tanpa adanya galat tunak dan dinamika sistem lingkar tertutup dibentuk oleh
letak kutub yang ditentukan oleh polinomial Pd.
Algoritma: Sistem servo penempatan kutub
Langkah (i) Pencuplikan keluaran sistem y(t)

Langkah (ii) Data pengukuran ini digunakan didalam algoritma RLS untuk
memperbaharui nilai estimasi parameter model proses
Aˆ y (t )  Bˆ u(t  1) (6.2)
Langkah (iii) Sintesa polinomial pengendali Fˆ ,Gˆ , Hˆ dengan menggunakan hasil

estimasi Aˆ , Bˆ kedalam persamaan identitas
Aˆ Fˆ  z 1Bˆ Gˆ  Pd (6.3)
dan
P
Hˆ  d (6.4)
Bˆ z 1
Langkah (iv) Kalkulasi sinyal kendali dengan menggunakan polinomial Fˆ ,Gˆ , Hˆ

didalam persamaan
Fû(t )  Gˆ y (t )  Hˆ w (t ) (6.5)

Langkah (v) Tunggu hingga periode pencuplikan berikutnya dan ulangi langkah
(i).
6.1.2 Sistem Regulator Penempatan Kutub
Dalam masalah regulator keluaran proses diganggu oleh derau putih dengan rata-
rata nol. Model sistem didedeskripsikan oleh persamaan
Ay (t )  Bu(t  1)  Ce(t ) (6.6)
Dengan mengasumsikan C adalah unit satuan maka persamaan sistem lingkar

tertutup untuk pengendali penempatan kutub swa-tala adalah
F
y (t )  e(t ) (6.7)
Pd
Algoritma: Pengendali regulator penempatan kutub swa-tala
Langkah (i) Pencuplikan data keluaran sistem y(t)

Langkah (ii) Perbaharui polinomial estimasi model proses Aˆ , Bˆ dengan
menggunakan RLS
   
Aˆ X 1 y (t )  Bˆ X 1u(t  1)  eˆ (t ) (6.8)
dengan
Aˆ  1  aˆ1 z 1    aˆ na z  na
Bˆ  bˆ0    bˆnb z nb
dan X dipilih sebagai polinomial invers stabil didalam z-1 dengan derajat nx.
Langkah (iii) Sintesa polinomial pengendali Fˆ ,Gˆ dengan menggunakan
Aˆ Fˆ  z 1Bˆ Gˆ  Pd X (6.9)
Langkah (iv) Kalkulasi sinyal kendali
Fû(t )  Gˆ y (t ) (6.10)
Langkah (v) Tunggu hingga pencuplikan berikutnya, dan ulangi langkah (i).
6.2 Pengendali Variansi Minimum Swa-Tala

Pada bagian ini ditunjukkan pembentukan algoritma variansi minimum swa-tala,
dimana parameter pengendali langsung diestimasi oleh RLS. Pertama kali
didefinisikan keluaran sistem samar, yaitu keluaran proses yang terfilter:
 (t  d )  Py (t  d )  Qu(t )  Rw (t ) (6.11)
Persamaan ini dapat diuraikan menjadi dua bagian yang bebas linier, hanya
bagian pertama yang dipengaruhi oleh sinyal kendali:
1
 (t  d )  Fu(t )  Gy (t )  Hw (t )  Ee(t  d ) (6.12)
C
dengan polinomial F, G, dan H ditentukan oleh persamaan identitas
Pd C  EA  z  d G (6.13)
dan persamaan
Fu(t )  Gy (t )  Hw (t )  0 (6.14)
Persamaan (6.14) adalah bentuk pengendali GMV, sehingga keluaran sistem lup
tertutup menjadi
 (t )  Ee(t ) (6.15)
Algoritma swa-tala berikut ini adalah ditujukan untuk sistem yang

direpresentasikan oleh model CARMA.
Algoritma: GMV swa-tala
Langkah (i) Bentuk keluaran samar (t)
 (t )  Py (t )  Qu(t  d )  Rw(t  d )
Langkah (ii) Estimasi polinomial Fˆ ,Gˆ , Hˆ dari persamaan
 (t )  Fû(t  d )  Gˆ y (t  d )  Hˆ w (t  d )  eˆ(t ) (6.16)
Langkah (iii) Kalkulasi sinyal kendali u(t) dengan menggunakan
Fû(t )  Gˆ y (t )  Hˆ w (t ) (6.17)

Langkah (iv) Tunggu hingga waktu pencuplikan berikutnya dan ulangi kembali
langkah (i).
Karena algoritma di atas menggunakan estimator untuk menentukan parameter

pengendali secara langsung, maka persamaan identitas dalam hal ini tidak
diperlukan. Walaupun model proses yang digunakan adalah CARMA, namun
strategi algoritma ini juga menghindari estimasi langsung polinomial C.
Bab 7
Manajemen Estimator dan Pengendali

Swa-Tala
Tujuan Pengajaran
Tujuan dari topik bab 7 ini adalah untuk memahami aspek-aspek praktis yang
harus dilakukan dalam mengimplementasikan sistem kendali swa-tala pada
proses riil.
7.1 Manajemen Sistem Kendali Swa-Tala

Kombinasi metode estimasi parameter rekursif dan algoritma kendali
menghasilkan sistem kendali swa-tala. Metode yang berkaitan dengan estimasi
parameter dan disain pengendali telah dibahas pada bab-bab sebelumnya. Untuk
kondisi yang ideal sistem kendali swa-tala sanggup memberikan kinerja yang
memuaskan: memodelkan sistem yang tidak diketahui secara otomatis,
mendisain pengendali secara on-line, dan mampu menjaga kinerja yang
diinginkan walaupun karakteristik proses berubah akibat berpindahnya titik kerja.
Hanya saja beberapa masalah yang timbul membatasi aplikasi sistem kendali
swa-tala pada proses riil. Permasalahan tersebut khususnya adalah keperluan
akan pra-identifikasi yang baik untuk prosedur estimasi parameter yang
diakibatkan terjadinya cacat estimasi parameter dan kebutuhan untuk
menyediakan sejumlah parameter spesifik seperti waktu pencuplikan h yang tepat
dan struktur model. Disamping itu pula dalam banyak kasus permasalahan timbul
akibat sistem kendali swa-tala yang menghasilkan variasi sinyal masukan proses
yang besar, serta efek-efek yang tidak diinginkan seperti „bursting“ estimasi
parameter, yang baru dapat dikenali setelah proses berjalan cukup lama.
Untuk mengatasi permasalahan tersebut diperlukan level ekstra pada skema

sistem kendali swa-tala, seperti yang terlihat pada gambar 7.1 [23]. Disamping
mempunyai kombinasi algoritma estimasi parameter rekursif dan algoritma
Bab 8: Aplikasi Sistem Kendali Swa-Tala 121
kendali juga mempunyai tingkat yang lebih tinggi yang disebut sebagai supervision
level. Level supervisi memonitor kerusakan dan kinerja estimasi parameter,
kerusakan dan kinerja pengendalian, dan kestabilan lup tertutup. Berdasarkan
kriteria-kriteria yang ditetapkan, level supervisi akan memutuskan apakah
estimator akan melakukan proses estimasi baru jika data yang diperoleh tidak
membawa informasi baru. Selain estimator yang dipantau oleh level supervisi,
juga blok disain pengendali dimonitor. Jadi level supervisi ini bertugas untuk
menata proses estimasi parameter serta disain pengendali.
Supervision level
F s, G s, H s
As, Bs A, B
Adaptation
level Synthesis Identifier
rule
F, G, H
Setpoint or
reference w(t) Output y(t)
Controller Process
+ u(t)
-
Gambar 7.1 Sistem kendali swa-tala dengan supervisi
7.2 Prosedur Pendahuluan: Pra-Identifikasi dan Verifikasi Model

Disain pengendali adalah berbasis kepada estimasi parameter proses, sehingga
metode estimasi parameter dan penentuan parameter yang berkaitan dengan
estimator tersebut harus tepat ditentukan. Jika pengendali swa-tala diaplikasikan
pada sistem lup tertutup dari permulaan operasi, tidak terdapat harga awal dari
nilai parameter model proses yang baik, sehingga terdapat kemungkinan terjadi
aksi kendali yang tidak terdefinisikan yang bergantung kepada tipe pengendali,
harga awal variabel keadaan sistem, dan gangguan eksternal. Untuk menghindari
lonjakan masukan dan keluaran proses yang besar dan tidak diinginkan selama
fasa ini berlangsung, maka digunakan suatu sinyal perturbasi yang cukup
tereksitasi untuk mengestimasi parameter, sehingga diperoleh harga awal
122 Bab 8: Aplikasi Sistem Kendali Swa-Tala
parameter estimasi yang memadai. Untuk proses yang tidak diketahui

direkomendasikan bahwa identifikasi proses dilakukan terlebih dahulu secara
terpisah. Untuk proses yang stabil identifikasi ini dilakukan dalam lup terbuka, agar
tingkat ketergantungan sinyal masukan dan keluaraaan proses terhadap nilai
sebelumnya kecil. Umumnya sinyal yang digunakan sebagai sinyal uji dalam
identifikasi adalah sinyal pseudo random binary signal (PRBS), karena amplitudo
sinyal ini dapat dibatasi dan disamping itu pula sinyal ini memiliki karakteristik
seperti sinyal derau putih untuk periode waktu tertentu. Untuk proses yang tidak
stabil dilakukan secara lup tertutup dengan pengendali konstan. Lamanya proses
pra-identifikasi dianjurkan paling sedikit 2*max{na,nb} +1 periode pencuplikan.
Setelah waktu identifikasi yang dianggap cukup model proses kemudian

diverifikasi. Model tersebut diperiksa jika model proses teridentifikasi cocok
dengan proses sebenarnya, yaitu dengan cara membandingkan sinyal keluaran
proses sebenarnya dengan sinyal keluaran model. Dalam tahap pra-identifikasi ini
juga melingkupi pencarian secara on-line untuk struktur model proses. Namum
dalam pembahasan Diktat kuliah ini hal tersebut tidak dibahas.
Selama prosedur pra-identifikasi ini, proses identifikasi juga dilakukan secara

iteratif. Setelah verifikasi model, beberapa parameter perancangan untuk estimasi
parameter dapat diubah jika dirasakan perlu. Sebelum fasa ini ditutup, maka
parameter pengendali ditentukan berdasarkan nilai parameter model proses pada
kondisi terakhir.
7.3 Manajemen Estimator

Manajemen estimator melingkupi penentuan metode estimasi parameter rekursif,
inisialisai beberapa parameter estimator sebelum dijalankan, penataan nilai
elemen matriks kovarian, pemakaian metode estimasi parameter dengan
pembobotan data untuk parameter sistem yang berubah terhadap waktu, serta
fungsi monitoring untuk mencegah terjadinya bursting pada estimasi parameter
model proses.
7.3.1 Penentuan Algoritma Estimasi Parameter
Untuk memilih metode estimasi parameter terdapat dua alasan yang menjadi
bahan pertimbangan pemilihan tersebut. Yang pertama berkaitan dengan
algoritma estimasi untuk menghasilkan estimasi yang unbiased, dan yang kedua
berkaitan dengan waktu komputasi.
Estimator rekursif yang dibahas pada bab 2 menyediakan dua jenis algoritma:
recursive least-squares (RLS) dan recursive extended least-squares (RELS). Jika
sistem tidak terganggu oleh derau acak atau walaupun terdapat derau namun
diasumsikan derau putih, maka metode RLS tepat dipakai. Tetapi jika deraunya
adalah derau warna, maka RELS harus digunakan. Dalam hal konvergensi RELS
lebih lambat dibandingkan RLS. Disamping itu pula RELS membutuhkan waktu
komputasi yang lebih lama, karena jumlah parameter yang diestimasi dan data
yang diperlukan lebih banyak.
7.3.2 Inisialisasi Estimator
Untuk memulasi estimasi proses, maka beberapa parameter di bawah ini harus
ditentukan:
 Waktu pencuplikan h
 Orde model proses: na, nb, dan nc
 Waktu tunda proses d
 Nilai awal matriks kovarian P(0)
 Nilai awal parameter terestimasi (0)
Pengendalian proses yang baik dapat diperoleh dengan menggunakan rentang

waktu pencuplikan
1 1
T95  h  T95 (7.1)
5 20
dengan T95 adalah waktu penetapan (settling time) dengan kriteria 5%. Penentuan
interval waktu pencuplikan yang terlalu kecil harus dihindarkan untuk menghindari
perubahan masukan proses yang terlalu besar. Interval pencuplikan yang terlalu
besar juga dapat mengakibatkan gagalnya rekonstruksi sinyal diskrit yang
dihasilkan oleh pengendali menjadi sinyal kontinu yang menjadi masukan proses.
Sistem kendali swa-tala sangat sensitif terhadap penentuan nilai orde proses na,
dan nb serta waktu tunda d. Jika nilai estimasi struktur model proses tersebut tidak
sesuai dengan nilai sebenarnya, maka akan mengakibatkan kinerja sistem
pengendalian menurun bahkan dapat mengganggu kestabilan sistem lup tertutup.
Untuk sistem yang terkontaminasi dengan derau yang besar, dianjurkan untuk
menentukan harga awal elemen diagonal matriks kovarian dengan  = 1000 –
10000. Hal ini ditujukan untuk menghindari perubahan estimasi parameter yang
besar. Untuk sistem yang free-noise, nilai  yang sangat besar dapat
mempercepat tingkat konvergensi estimasi parameter menuju nilai sebenarnya.
Penentuan harga awal vektor parameter estimasi didasarkan kepada tersedianya

pengetahuan a priori. Jika proses tidak diketahui atau dengan kata lain tingkat
kepercayaan akan model proses minim, maka dianjurkan untuk menentukan
vektor parameter estimasi sebesar (0) = 0. Setelah tahap pra-identifikasi
estimator akan mempunyai nilai awal parameter terestimasi yang baik. Jika
perancang sudah memiliki pengetahuan yang cukup terhadap proses, maka nilai
model proses tersebut dapat langsung digunakan pada sistem kendali swa-tala.
Dengan demikian tahap pra-idetifikasi tidak diperlukan lagi.
7.3.3 Manajemen Matriks Kovarian

Persamaan matriks kovarian untuk algoritma estimasi parameter baik untuk RLS
maupun RELS mempunyai bentuk
  (t ) (t )P (t  1) 
T
P (t )  P (t  1)I m  T
 (7.2)
 1   (t )P (t  1) (t ) 
Secara numeris bentuk persamaan ini tidak baik, karena akan membuat nilai
elemen dari matriks kovarian berharga negatif. Hal ini bertentangan dengan
definisi kovarian yang harus tidak boleh bernilai negatif. Kondisi ini biasanya
disebabkan karena masukan sistem tidak cukup tereksitasi, terutama terjadi ketika
sistem kendali swa-tala lup tertutup memasuki keadaan tunak dan tidak terjadi
perubahan sinyal acuan dan tidak terdapat gangguan eksternal yang
mempengaruhi keluaran proses, sehingga tidak ada informasi baru yang layak
diberikan ke estimator. Dalam hal ini manajemen algoritma swa-tala
memprioritaskan data baru dan mulai melupakan data lama berdasarkan
pemilihan faktor pelupa . Hal ini terkait dengan pembahasan sub-bab setelah ini.
Cara lain untuk memperbaiki karakteristik estimator adalah dengan memodifikasi

persamaan (7.2). Modifikasi ini ditujukan untuk memperbaiki karakteristik numerik
persamaan (7.2) jika diimplementasikan kedalam komputer digital atau
mikroprosesor. Karakteristik numerik ini sangat penting jika panjang memori relatif
kecil, terutama dalam aplikasi mikroprosesor, untuk menghindari pengaruh
akumulatif dari kesalahan pemotongan. Dalam sistem kendali swa-tala hal ini juga
berguna untuk kondisi buruk seperti perubahan sinyal masukan proses yang
semakin mengecil.
Kondisi numerik dapat diperbaiki tidak dengan menghitung P sebagai nilai

sebelumnya, melainkan dengan akar dari matriks P. Metode ini disebut sebagai
square-root filtering yang diusulkan oleh Biermann. Metode lain adalah metode
faktorisasi upper-diagonal, juga diusulkan oleh Biermann. Kedua metode ini
menjamin bahwa nilai elemen matriks kovarian akan selalu berharga positif definit.
Untuk mengetahui lebih jauh kedua metode ini dapat di lihat Isermann et.al.
7.3.4 Penggunaan Metode Pembobotan Data
Pada bagian ini masih mempunyai kaitan dengan pembahasan sub-bab

sebelumnya, yaitu terkait dengan masalah masukan proses yang kurang
tereksitasi, sehingga mengakibatkan estimasi parameter dalam kondisi buruk.
Masalah akan menjadi berkembang untuk estimasi parameter yang dilakukan
secara kontinu, terutam jika faktor pelupa  ditentukan lebih kecil dari satu. Dalam
hal ini baris-baris yang tidak bergantung bebas akan muncul didalam matriks
invers P, sehingga masalah identifikasi tidak dapat terpecahkan (lihat keterangan
bab 2).
Pada penggunaan metode RLS atau RELS sebagai estimator hal di atas dapat
terindikasi dengan bertambahnya variansi parameter terestimasi. Pada waktu
tertentu estimasi parameter menjadi tidak terkendali dan menyimpang jauh dari
nilai sebenarnya, serta nilai elemen diagonal dari matriks kovarian menjadi
divergen. Fenomena ini disebut sebagai bursting. Cacat estimasi parameter ini
dapat menyebabkan respon sistem yang tidak stabil. Cara sederhana untuk
menghindari masalah ini adalah dengan menghentikan proses estimasi
parameter, jika terdeteksi nilai elemen matriks kovarian negatif. Cara yang lain
adalah dengan menggunakan faktor pelupa yang berubah [24], sehingga ketika
terdeteksi kondisi buruk estimator, maka nilai faktor pelupa dibuat menjadi
membesar mendekati satu.
Untuk perubahan parameter proses yang cepat level supervisi juga

memungkinkan untuk memonitor sinyal kesalahan prediksi (t), variansinya e2(t),
dan fungsi kehilangan J. Jika terdeteksi harga dari salah satu unsur tersebut
berada diluar batas yang diperkenankan, maka nilai faktor pelupa dapat dikurangi
sampai nilai tersebut masuk kedalam batas-batas yang diperbolehkan.
7.3.5 Monitoring Kinerja Estimator
Tujuan manajemen estimator adalah untuk memastikan bahwa model sistem

teridentifikasi cukup sesuai dengan dinamika kelakuan masukan-keluaran sistem
dan beroperasi secara online dan real time. Fungsi ini akan memantau kuantiti
estimator berupa [11]:
a) Besaran sinyal:
(i.) a priori error e(k)
(ii.) rata-rata a priori error E{e(k)}
(iii.) variansi a priori error e2(k)
(iv.) fungsi autokorelasi ee(k)
(v.) fungsi kroskorelasi ue(k)
(vi.) loss function J(k)
b) Besaran parameter:
(i.) nilai ekspektasi parameter terestimasi E{}
(ii.) variansi parameter terestimasi 2(k)
(iii.) matriks kovarian P(k)
(iv.) matriks informasi H(k) = P-1(k)
Beberapa kuantiti besaran di atas dikombinasikan untuk memonitor kemungkinan

kesalahan pada estimator, klasifikasi alasan kesalahan, dan mengambil aksi untuk
memperbaiki estimasi parameter.
Untuk perubahan parameter proses yang kecil, nilai rata-rata dan variansi
parameter terestimasi dapat dihitung. Pada kasus ini, estimator rekursif sanggup
untuk mengikuti perubahan parameter proses, jika faktor pelupa ditentukan lebih
kecil dari satu. Dengan demikian parameter pengendali dapat dikalkulasi dan
diadaptasi secara kontinu.
Akan tetapi jika perubahan estimasi parameter tersebut cepat, estimator rekursif
tidak sanggup mengikuti dengan cepat. Dalam kasus ini perhitungan parameter
pengendali untuk sementara dihentikan, dan kendali on-line menggunakan nilai
parameter pengendali yang lama. Setelah fasa transien tertentu dimana kondisi
tunak mulai tercapai, perhitungan parameter pengendali dapat dimulai kembali.
Untuk perubahan parameter proses yang sangat lambat, kecenderungan estimasi

parameter dan nilai rata-ratanya harus diperhitungkan. Jika bergerak naik atau
berkurang secara monoton, maka disain pengendali dilakukan kembali secara
kontinu.
Fenomena bursting yang mungkin terjadi pada estimator diakibatkan sinyal

masukan sistem tidak cukup tereksitasi terutama jika fading memory estimator
dipilih dengan <1. Dalam kasus ini baris yang tidak bebas linier akan muncul
pada matriks informasi H, sehingga masalah identifikasi tidak dapat dipecahkan.
Didalam [12] diusulkan menggunakan faktor pelupa variabel yang nilai awal
ditetapkan kecil dan berubah membesar mendekati satu ketika sinyal masukan
sudah tidak tereksitasi, sehingga masalah bursting dapat dihindari.
Pemantauan eksitasi sinyal masukan proses dilakukan dengan mengautokorelasi

sinyal masukan u(k) yang kemudian membentuk matriks H22. Matriks ini
merupakan bagian dari matriks informasi H, yang didefinisikan sebagai:
 n  N 1 n  N 1 n  N 1

  u 2
( k )  u (k )u (k  1)   u(k )u (k  n  1) 
 n  N 1 k n k n
n  N 1
k n
n  N 1 
   u (k )u (k  n  2)
   
u ( k )u ( k  1) u 2 (k )
H 22 k n k n k n

    
 n  N 1 n  N 1 n  N 1 
  u (k )u (k  n  1)  u (k )u (k  n  2)   u 2
( k ) 
 k  n k n k n 
 ruu (0) ruu (1)  ruu (n  1) 
 r (1) ruu (0)  ruu (n  2)
  uu
     
 
ruu (n  1) ruu (n  2)  ruu (0) 
Jika sinyal acuan yang diberikan bernilai konstan untuk jangka waktu yang lama,
maka informasi yang diberikan kepada estimator mempunyai kualitas data yang
rendah atau tidak ada informasi baru yang dapat diberikan. Kondisi ini sangat tidak
baik untuk estimator dan pada kondisi ini nilai autokorelasi dari sinyal masukan
sangat tinggi. Akibatnya pada matriks H22 terdapat kemungkinan muncul baris
yang tidak bebas linear yang mengakibatkan determinan dari matriks H22 ini nol
atau mendekati nol. Proses estimasi parameter model proses tidak akan
dieksekusi, model sistem sebelumnya yang akan digunakan dalam disain
parameter pengendali.
7.4 Manajemen Pengendali

Level supervisi disamping memonitor prosedur estimasi parameter, juga
memantau perancangan pengendali. Perhitungan parameter pengendali setelah
proses monitoring dilakukan akan memperbaiki keamanan lup sistem kendali swa-
tala, mengurangi waktu komputasi, dan mengurangi pengaruh dari perubahan
parameter pengendali yang cepat. Pengaruh dari cacat estimator yang
mengestimasi zero atau kutub proses yang mendekati unit lingkaran atau berada
di luar lingkaran dapat dihindari dengan`level supervisi, sehingga disain
pengendali dengan pemotongan zero ataupun kutub proses tidak dilakukan.
7.4.1 Perubahan Parameter Berkala dan Cepat
Untuk perubahan parameter proses yang kecil, nilai rata-rata dan variansi
parameter terestimasi dapat dihitung. Pada kasus ini, estimator rekursif sanggup
untuk mengikuti perubahan parameter proses, jika faktor pelupa ditentukan lebih
kecil dari satu. Dengan demikian parameter pengendali dapat dikalkulasi dan
diadaptasi secara kontinu.
Akan tetapi jika perubahan estimasi parameter tersebut cepat, estimator rekursif
tidak sanggup mengikuti dengan cepat. Dalam kasus ini perhitungan parameter
pengendali untuk sementara dihentikan, dan kendali on-line menggunakan nilai
parameter pengendali yang lama. Setelah fasa transien tertentu dimana kondisi
tunak mulai tercapai, perhitungan parameter pengendali dapat dimulai kembali.
Untuk perubahan parameter proses yang sangat lambat, kecenderungan estimasi

parameter dan nilai rata-ratanya harus diperhitungkan. Jika bergerak naik atau
berkurang secara monoton, maka disain pengendali dilakukan kembali secara
kontinu.
7.4.2 Pra-Simulasi Kinerja Lup Tertutup
Sebelum mengganti nilai parameter pengendali lama dengan nilai yang baru,
analisis kestabilan lup kendali dapat dilakukan berbasiskan kepada model proses
terestimasi dan pengendali yang sudah dirancang. Secara teoritis perbaikan
kestabilan lup kendali dengan menggunakan nilai parameter pengendali baru
diamati ulang dengan menggunakan simulasi sistem kendali lup tertutup secara
on-line. Simulasi ini dilakukan berdasarkan model proses terestimasi terakhir,
harga awal riil untuk nilai masukan proses saat ini dan sebelumnya, serta nilai
keluaran proses sebelumnya.
Jika kesalahan antara hasil prediksi dengan keluaran proses sebenarnya kecil
untuk memberikan respon sistem yang lebih baik, maka nilai parameter
pengendali baru ini dapat digunakan untuk mengendalikan proses riil.
7.5 Analisis Pengaruh Bursting Pada Kinerja Estimator

dan Kinerja Pengendalian
Permasalahan yang dijumpai dalam aplikasi sistem kendali adaptif adalah

pemilihan pengendali untuk mempunyai mekanisme adaptasi dengan
menentukan faktor pelupa cukup kecil (<0.9) yang dapat menimbulkan terjadinya
letupan pada estimasi parameter model. Fenomena ini disebut sebagai bursting.
Fenomena bursting tidak terjadi pada hasil simulasi pengendalian model proses
linier seperti terlihat pada gambar 7.2 dan 7.3, walaupun faktor pelupa ditentukan
=0.85. Namun bursting akan terlihat pada hasil uji eksperimen pengendalian dan
estimasi parameter pada sistem pressure process rig yang dijadikan contoh target
pengendalian, seperti terlihat pada gambar 7.8 dan 7.9. Bahkan parameter b1 dan
b2 tidak dapat teridentifikasi, karena nilai estimasinya berkisar dinilai nol.
Sifat ketidaklinieran sistem pressure process rig tidak terlalu kuat, sehingga jika
parameter tuning estimator yaitu =1, artinya nilai estimasi parameter model
cenderung konstan (gambar 7.5), begitu pula nilai parameter pengendali hampir
tidak berubah, namun dapat memberikan kinerja pengendalian yang baik seperti
terlihat pada gambar 7.4. Gambar 7.6 menunjukkan penurunan kinerja hasil
pengendalian, jika nilai faktor pelupa ini diturunkan hingga Hasil estimasi
parameter model juga mempunyai kecenderungan tidak konvergen pada nilai
tertentu seperti terlihat pada gambar 7.7.
Tabel 7.1 di bawah ini merupakan resume dari hasil simulasi dan uji eksperimen
pengendali adapatif pada sistem pressure process rig untuk nilai faktor pelupa
yang berbeda.
Tabel 7.1. Perbandingan kinerja pengendalian dan kinerja estimator untuk

perbedaan nilai faktor pelupa
No Nilai Faktor Pelupa Kinerja Estimator Kinerja Pengendalian
1. =0.85, hasil simulasi Secara umum baik, Sangat baik, keluaran
namun terjadi perubahan proses dapat mengikuti
hasil perhitungan perubahan sinyal acuan
estimasi parameter mulai dengan respons yang
detik t=305, walaupun halus
akhirnya dapat kembali
konvergen
2. =1, hasil uji Perubahan hasil estimasi Sangat baik, keluaran
eksperimen parameter sangat kecil, proses dapat mengikuti
cenderung konstan perubahan sinyal acuan
dengan respons yang
halus
3. =0.9, hasil uji Cukup, di awal estimasi Baik, keluaran dapat
eksperimen variansi perubahan mengikuti perubahan
estimasi parameter sinyal acuan, namun
cukup besar, namun terjadi simpangan kecil

perlahan-lahan nilai disekitar sinyal acuan
variansi tersebut
berkurang
4. =0.85, hasil uji Sangat buruk, bahkan Terjadi bursting pada
eksperimen parameter b1 dan b2 detik-detik terakhir, nilai
tidak dapat teridentifikasi keluaran proses tidak
karena hasil estimasinya dapat mengikuti sinyal
berkisar dinilai nol acuan yang diberikan
 Hasil simulasi untuk faktor pelupa =0.85
Gambar 7.2 Grafik perbandingan set-point dengan keluaran model simulasi

keluaran sinyal pengendali adaptif (bawah)
Gambar 7.3 Hasil estimasi parameter model simulasi pressure process rig
dengan kutub lup tertutup z=+0.9 dan =0.85
 Hasil Eksperimen untuk faktor pelupa =1.0.

 Hasil Eksperimen untuk faktor pelupa =0.9

 Hasil Eksperimen untuk faktor pelupa =0.85

7.6 Analisis Kualitas Informasi Sinyal Estimator Pada

Kondisi Masukan Proses Tidak Cukup Tereksitasi
Hasil pengendalian sistem kendali adaptif pada sistem pressure process rig
dengan dua bentuk sinyal acuan yang berbeda dibandingkan untuk menganalisa
pengaruh kecukupan eksitasi sinyal masukan proses terhadap kualitas estimator.
Sinyal estimator yang diamati untuk menganalisa kualitas model terestimasi
adalah kesalahan sinyal prediksi e(k), rata-rata kesalahan prediksi E{e(k)},
variansi kesalahan prediksi e2(k), loss function J(k), variansi nilai parameter
model terestimasi 2(k), dan determinan dari matriks informasi sinyal masukan
H22.
Sinyal acuan pertama mempunyai periode perubahan sinyal acuan yang pendek,
sehingga dapat memberikan kecukupan informasi pada estimator. Sinyal acuan
yang kedua dipilih yang memiliki nilai yang konstan dalam waktu yang cukup lama,
seperti terlihat pada gambar 7.8.
Gambar 7.10 hingga gambar 7.13 merupakan hasil uji eksperimen pada
parameter kualitas estimator dengan kondisi sinyal acuan pertama. Semua
besaran sinyal estimator cenderung monoton turun dan konstan. Di lain pihak,
besaran sinyal estimator tersebut mempunyai kecenderungan monoton naik pada
pengendalian yang menimbulkan fenomena bursting, seperti terlihat pada gambar
7.14 hingga gambar 7.16. Informasi yang diberikan kepada estimator juga buruk,
karena mempunyai perubahan determinan matriks informasi sinyal masukan H22

yang menurun, seperti terlihat pada gambar 7.17.

prediksi (tengah), dan variansi kesalahan prediksi untuk faktor pelupa =1
Gambar 7.11 Grafik nilai loss function untuk faktor pelupa =1
untuk faktor pelupa =1.0
matriks informasi H22 yang berisi nilai auto korelasi ruu(0) dan ruu(1) untuk =1

prediksi (tengah), dan variansi kesalahan prediksi untuk faktor pelupa =0.85
Gambar 7.15 Grafik nilai loss function untuk faktor pelupa =0.85
untuk faktor pelupa =0.85
matriks informasi H22 yang berisi nilai auto korelasi ruu(0) dan ruu(1) untuk =0.85
7.7 Analisis Pengaruh Bursting Pada Kualitas Model

dan Kualitas Pengendali
Fenomena bursting ternyata sangat mempengaruhi kualitas model yang

diestimasi. Letupan estimasi pada parameter model proses membuat perubahan
hasil estimasi yang sangat cepat dengan variansi yang terus meningkat naik. Hal
ini dapat memungkinkan letak kutub dan zero dari model terestimasi terletak di
luar unit circle, seperti terlihat pada gambar 7.18, yang tentunya membuat kualitas
model menjadi buruk karena model yang diperoleh tidak stabil. Hal ini tentunya
tidak sesuai dengan kondisi yang ada di lapangan, dimana sistem pressure
process rig adalah sistem yang stabil secara open loop.
Mayoritas metode perancangan pengendali yang dikenal saat ini berbasis model
proses. Kinerja pengendalian yang diberikan oleh pengendali akan sangat
bergantung kepada kualitas model. Jika kualitas model buruk yang mempengaruhi
kemungkinan pengendali memiliki kutub (akar polinom F(z-1)) diluar unit circle
seperti terlihat pada gambar 7.20, akan membuat hasil pengendalian juga buruk.
Sistem pressure process rig tidak akan dapat dikendalikan tetap stabil dengan
menggunakan pengendali yang tidak stabil.
batas kestabilan sistem untuk =0.85
Sementara itu, hasil pengendalian yang baik tidak terjadi fenomena bursting
dipengaruhi oleh pengendali yang memiliki kutub dan zero didalam unit circle
sepert terlihat pada gambar 7.21. Hal ini dapat terjadi dikarenakan model proses
terestimasi juga mempunyai kualitas yang cukup baik, ditandai dengan
pergerakan estimasi letak kutub model proses selalu berada didalam unit circle
pada gambar 7.19.
batas kestabilan sistem untuk =1.0
polinom F(z-1) (bawah) disekitar batas kestabilan sistem untuk =1.0
polinom F(z-1) (bawah) disekitar batas kestabilan sistem untuk =1.0
Bab 8
Aplikasi Sistem Kendali Swa-Tala
Tujuan Pengajaran
Bab 8 yang berisi pembahasan aplikasi sistem kendali swa-tala pada sistem
pressure process rig bertujuan untuk memahami langkah-langkah yang diperlukan
dalam mengimplementasikan sistem kendali swa-tala serta memecahkan
permasalahan yang dijumpai.
8.1 Sistem Pressure Process Rig

Sistem pressure process rig feedback 38-714 yang ada di laboratorium Teknik
Kendali memiliki satu masukan berupa arus yang disalurkan kedalam I/P
converter dan satu keluaran berupa tekanan (pressure). Sistem juga dilengkapi
dengan blok process interface yang berfungsi mengubah transmisi sinyal 7 kawat
menjadi 2 kawat, jika pengguna ingin menghubungkan dengan komputer.
Disamping itu pula alat ini dilengkapi dengan blok pengendali dengan modul
struktur pengendali PID (proportional-integral-diferensial). Parameter pengendali
PID dapat ditala secara manual atau secara otomatis (auto-tuning). Metode
penalaan otomatis sudah disediakan didalam blok pengendali, dimana parameter
pengendali dihitung berdasarkan kriteria aturan penalaan Ziegler-Nichols.
Parameter kritis (penguat kritis dan periode osilasi) diperoleh dengan
menghubungkan pengendali dengan sebuah relay sedemikian, sehingga
diperoleh kondisi limit-cycle di sekitar sinyal acuan.
Pemanfaatan alat ini untuk kegiatan penelitian masih belum optimal. Kegiatan
terakhir yang menggunakan alat ini dilaporkan oleh Simanjuntak dalam kerangka
Kerja Praktek di laboratorium Kendali [1]. Untuk mengendalikan pressure process
rig masih menggunakan model non parametrik yang masih kasar, dimana model
tersebut diturunkan terhadap kurva respons transien sistem jika diberikan
masukan fungsi step pada kondisi lup terbuka. Dari respons transien ditentukan
tiga parameter karakteristik berupa penguat statik, konstanta waktu, dan waktu
tunda untuk membentuk model orde satu plus waktu tunda. Nilai parameter
pengendali PID ditentukan menurut aturan penalaan Ziegler-Nichols. Walaupun
hasil pengendalian yang ditunjukkan dapat mencapai kondisi zero steady-state
error baik untuk perubahan sinyal acuan dan gangguan, namun sisi respons
transien masih belum baik karena overshoot yang tinggi dan settling-time yang
lama. Uji coba yang sudah dilakukan juga menunjukan, bahwa sistem ini memiliki
karakteristik nonlinier. Sehingga manakala terjadi perubahan titik operasi, maka
pengendali PID gagal untuk memberikan kinerja yang sama untuk titik operasi
yang berbeda. Hal tersebut membutuhkan penalaan ulang parameter pengendali
yang tentunya membutuhkan waktu yang lama dan cost yang tidak sedikit.
Hanya saja beberapa masalah yang timbul membatasi aplikasi sistem kendali
swa-tala pada proses riil. Permasalahan tersebut khususnya adalah keperluan
akan pra-identifikasi yang baik untuk prosedur estimasi parameter yang
diakibatkan terjadinya cacat estimasi parameter dan kebutuhan untuk
menyediakan sejumlah parameter spesifik seperti waktu pencuplikan h yang tepat
dan struktur model. Disamping itu pula dalam banyak kasus permasalahan timbul
akibat sistem kendali swa-tala yang menghasilkan variasi sinyal masukan proses
yang besar, serta efek-efek yang tidak diinginkan seperti „bursting“ estimasi
parameter, yang baru dapat dikenali setelah proses berjalan cukup lama.
Sistem pressure process rig feedback 38-714 memiliki satu masukan berupa arus
yang disalurkan kedalam I/P converter dan satu keluaran berupa tekanan
(pressure). Sistem juga dilengkapi dengan blok process interface yang berfungsi
mengubah transmisi sinyal 7 kawat menjadi 2 kawat, jika pengguna ingin
menghubungkan dengan komputer. Disamping itu pula alat ini dilengkapi dengan
blok pengendali dengan modul struktur pengendali PID (proportional-integral-
diferensial). Parameter pengendali PID dapat ditala secara manual atau secara
otomatis (auto-tuning). Dalam modus manual, pengguna harus menentukan
sendiri nilai parameter pengendali. Metode penalaan otomatis disediakan didalam
blok pengendali, dimana parameter pengendali dihitung berdasarkan kriteria
aturan penalaan Ziegler-Nichols. Parameter kritis berupa penguat kritis dan
periode osilasi diperoleh dengan menghubungkan pengendali dengan sebuah
relay sedemikian, sehingga diperoleh kondisi limit-cycle pada keluaran di sekitar
sinyal acuan.
Didalam [25] Simanjuntak dan kawan-kawan melaporkan hasil kinerja pengendali

PID dalam mengendalikan pressure process rig dengan menggunakan metode
Ziegler-Nichols. Untuk mengendalikan pressure process rig, digunakan model non
parametrik yang masih kasar, dimana model tersebut diturunkan terhadap kurva
respons transien sistem jika diberikan masukan fungsi step pada kondisi lup
terbuka. Dari respons transien ditentukan tiga parameter karakteristik berupa
penguat statik, konstanta waktu, dan waktu tunda untuk membentuk model orde
satu plus waktu tunda. Nilai parameter pengendali PID ditentukan menurut aturan
penalaan Ziegler-Nichols. Walaupun hasil pengendalian yang ditunjukkan dalam
gambar 1 dapat mencapai kondisi zero steady-state error baik untuk perubahan
sinyal acuan dan gangguan, namun sisi respons transien masih belum baik karena
overshoot yang tinggi dan settling-time yang lama.
Gambar 8.1 Hasil respons masukan dan keluaran pressure process rig
Hasil penelitian yang sudah dilakukan juga menunjukan, bahwa sistem ini memiliki
karakteristik nonlinier. Dalam kondisi lup terbuka, sistem pressure process rig
diberikan masukan fungsi step dengan amplitudo yang berbeda-beda. Untuk
setiap nilai amplitudo fungsi step, direkam nilai tunak keluaran tekanan y0, dan
hasilnya ditunjukkan dalam gambar 8.2. Dari kurva respons tunak tersebut terlihat
bahwa terdapat minimal tiga titik kerja pada pressure process rig, yaitu titik kerja
pada tekanan tinggi, menengah, dan rendah. Dengan demikian diperlukan tiga
model linier untuk merepresentasikan sistem pressure process rig ini dengan baik,
dimana satu model linier mewakili satu titik kerja. Jika terjadi perubahan titik kerja,
maka pengendali PID yang sudah ditala pada titik kerja sebelumnya gagal untuk
memberikan kinerja yang diinginkan untuk titik operasi yang baru. Hal tersebut
membutuhkan penalaan ulang parameter pengendali, dan konsekuensinya
membutuhkan waktu yang lama dan bukan merupakan tugas yang mudah.
8.1.1 Disain Perangkat Keras

Skema konfigurasi perangkat keras yang dibutuhkan untuk mengimplementasikan
pengendali swa-tala pada pressure process rig terlihat pada gambar 8.3.
 Pressure process rig (feedback 38-714): berfungsi sebagai sistem yang

akan dikendalikan
 Process interface (feedback 38-200): berfungsi sebagai jembatan

penghubung antara pressure process yang menggunakan sistem
transmisi sinyal 7 kawat dengan komputer dengan 2 kawat
 Current-to-voltage converter: rangkaian ini berfungsi untuk mengubah
besaran sinyal yang terukur oleh process interface kedalam tegangan
untuk diolah didalam komputer sebagai masukan pengendali
 Voltage-to-current converter: rangkaian ini berfungsi untuk mengubah
besaran tegangan keluaran pengendali yang diproses komputer kedalam
besaran arus kedalam process interface
 I/O smart starter kit: terdiri dari rangkaian ADC, rangkaian DAC, dan I/O
card yang ditanam kedalam PC dan yang menghubungkan fungsi
MATLAB/SIMULINK dengan port I/O
 Personal computer (PC): digunakan sebagai pengendali swa-tala dengan
spesifikasi Prosesor minimal 667 MHz, dan RAM 512 MB.
 Air compressor: berfungsi sebagai sumber penyedia tekanan yang
dialirkan kedalam sistem pressure process rig.
Gambar 8.2 Kurva hubungan keluaran tunak dengan amplitudo masukan
Dengan menggunakan PC sebagai pengendali swa-tala, maka diperlukan

beberapa perangkat lunak yang diperlukan untuk mengimplementasikan algoritma
sistem swa-tala serta untuk dapat mengakses input-output port, yaitu:
 Sistem operasi Microsoft Windows 2000
 Technical computing software MATLAB versi 6.5
 Dynamic system simulation SIMULINK versi 5.0
 Real time windows target toolbox
Gambar 8.3 Konfigurasi perangkat keras untuk implementasi pengendali

swa-tala
Dalam pengiriman sinyal kendali untuk Pressure Process Rig yang berasal dari
komputer, dibutuhkan rangkaian pengubah sinyal tegangan menjadi sinyal arus.
Dalam hal ini, V/I Converter digunakan untuk mengubah sinyal tegangan 0,4-2 volt
menjadi sinyal arus 4-20 mA sesuai dengan standar pensinyalan yang digunakan
oleh Pressure Process Rig. Sebuah Op Amp berkaki lima (UA741CN), enam buah
resistor, dan dua buah pencatu DC digunakan untuk membentuk V/I converter
seperti terlihat pada gambar 8.4. Dengan menggunakan bantuan Perangkat Lunak
Electronics Workbench, didapatkanlah konfigurasi resistor-resistor sebagai
berikut:
R1 = 3 K Ohm
R2 = 3 K Ohm
R3 = 100 Ohm
R4 = 3,1 K Ohm
R5 = 3 K Ohm
RL = 159 Ohm (hambatan total lup tertutup pada I/P Converter)
Walaupun amplitudo keluaran V/I converter sesuai dengan yang diinginkan, nilai
arus yang dihasilkannya berharga negatif, sehingga pada koneksinya dengan
Process Interface, pengkabelan harus dibuat terbalik. Kutub positif keluaran V/I
converter terhubung langsung dengan ground pada process interface dan ground
keluaran V/I converter terhubung langsung dengan kutub positif pada Process
Interface.
Gambar 8.4 Voltage-to-current converter
8.1.2 Identifikasi Pressure Process Rig

Untuk mendapatkan model pressure process rig terbaik dilihat dari aspek orde
model, maka diperlukan empat tahapan identifikasi:
 Pemilihan sinyal uji masukan; yaitu berupa penentuan sinyal masukan yang
akan diberikan kepada sistem untuk membangkitkan sinyal keluaran yang
akan digunakan untuk mengestimasi nilai parameter model ARX. Sinyal
pseudo random binary signal (PRBS) dipilih sebagai sinyal masukan yang
diberikan kepada sistem. Sinyal ini dapat memberikan eksitasi yang cukup
pada masukan pressure process rig, sehingga reaksi keluaran yang diberikan
sistem dapat memberikan cukup informasi yang sangat diperlukan estimator.
Hasil keluaran sistem yang diberikan sinyal uji PRBS dapat dilihat pada
gambar 8.5.
 Penentuan struktur model, yaitu bagaimana memilih fungsi pemetaan linier f(.)
dari masukan terhadap keluaran. Untuk sistem skala laboratorium seperti
pressure process rig tidak terdapat a-priori knowledge yang dimanfaatkan
untuk menentukan struktur model. Dengan mempertimbangkan
kesederhanaan bentuk model ARX ini dan variansi derau yang mempengaruhi
keluaran sistem sistem tidak terlalu besar, model Autoregressive eXogenous
(ARX) dipilih sebagai model linier.
y (t ) B( z 1 )
Gp (z)  
u(t ) A( z 1 )
dengan A dan B adalah polinomial dalam operator z-1

A( z 1 )  1  a1 z 1    ana z  na
B( z 1 )  b0  b1z 1    bnb z nb
Sekumpulan model ARX dengan orde yang berbeda dimulai dari orde satu
hingga orde sepuluh disediakan untuk diestimasi nilai parameter masing-
masing model tersebut. Model terbaik dipilih setelah melewati proses validasi
model pada tahapan keempat.
Gambar 8.5 Grafik masukan PRBS dan keluaran pressure process rig
 Estimasi parameter model, yaitu mengestimasi nilai parameter model untuk

setiap orde yang berbeda berdasarkan data eksperimen yang tersedia. Metode
yang dipakai dalam estimasi parameter adalah metode kuadrat terkecil rekursif
(RLS), dengan formula sebagai berikut:
 (t )  y (t )  ψT (t )θˆ (t  1)
  1

P(t )  P(t  1) Im  ψ(t ) 1  ψT (t )P(t  1)ψ(t ) ψT (t )P(t  1) / 
θˆ (t  1)  θˆ (t )  P
(t
1
)ψ 1) (t  1)

(t 
γ ( t 1)
Satu set model ARX dengan orde berbeda, dimulai dari orde satu, dua, dan
tiga, diestimasi nilai masing-masing parameter model dengan
menggunakanalgoritma RLS. Hasil perhitungan estimasi ditunjukkan pada

gambar 8.6, 8.7, dan 8.8.
Gambar 8.6 Grafik pergerakan theta untuk orde 1 selama 500 detik
Validasi model, yaitu membandingkan keluaran sistem sebenarnya dan

keluaran model atau yang disebut keluaran prediksi. Tahapan ini memerlukan
beberapa model untuk dipilih satu model sebagai model terbaik. Sebagai
indikator kinerja untuk memilih model terbaik adalah kriteria Akaike final output
error (FOE) [17]:
2
Nm N  Bˆ ( z 1 ) 
FOE   
N  m i 1 
y ( t ) 
Aˆ ( z )
1
u(t )

Gambar 8.9 menampilkan nilai FOE untuk orde satu hingga orde sepuluh.
Terlihat dari kurva tersebut bahwa model orde dua memiliki nilai FOE yang
terkecil, sehingga dapat disimpulkan bahwa model ARX dengan orde dua
adalah model terbaik yang dapat mewakili perilaku pressure process rig. Model
terbaik hasil identifikasi mempunyai persamaan sebagai berikut:
Bˆ ( z 1 ) 0,042592z 1  0,11439z 2 0,042592z 1(1  2,686z 1 )

 
Aˆ ( z 1 ) 1  1,2657z  0,37297 z
1 2
(1  0,7988z 1 )(1  0,4669z 1 )
Gambar 8.9 Kurva nilai final output error untuk orde berbeda
8.1.3 Perancangan Pengendali Swa-Tala

Pengendali yang digunakan dalam kegiatan riset ini memiliki struktur dua-derajat-
kebebasan, dengan persamaan keluaran kendali sebagai berikut:
F(z-1)u(t) = H(z-1 )r(t) – G(z-1 )y(t)
dengan F, G, dan H adalah polinomial-polinomial dalam operator z-1:
F ( z 1 )  1  f1z 1    f nf z  nf
G( z 1 )  g 0  g 1z 1    g ng z ng
H ( z 1 )  h0  h1z 1    hnh z nh
Spesifikasi target pengendalian diwakili oleh polinom T, yaitu polinom dalam z-1
yang koefisien-koefisiennya diperoleh berdasarkan kutub-kutub fungsi alih
tertutup yang ingin dicapai.
T(z-1 ) = 1 + t1. z-1 + …+ tnt. z-nt
Persamaan lup tertutup sistem kendali menjadi persamaan Diophantine:

T(z-1 ) = F(z-1 )A(z-1 ) + B(z-1 )G(z-1 )
Dengan memisahkan antara parameter yang diketahui dan tidak diketahui

nilainya, maka persamaan di atas dapat dinyatakan dalam bentuk persamaan
Diophantine berupa matriks linier seperti di bawah ini:
 1 0  0 b1 0  0  f1   t 1  a1 
    
 a1 1  b2 b1   f 2   t 1  a 2 
a a1  b2       
 2    
  a2  1 bnb  b1  f nf    a na 
  
 a na   a1 0 bnb b2  g 0   0 
 a na a2 0   g 1   0 
    
      bnb      
 0
 0  a na 0 0  0  g ng   0 
Matriks di atas dapat diselesaikan dengan menggunakan aturan eliminasi Gauss

dengan teknik pivoting. Listing program elimasi Gauss dalam menyelesaikan
permasalahan persamaan Diophantine dapat dilihat pada bagian lampiran. Agar
solusi persamaan Diophantine unik, maka ada 4 kondisi yang harus terpenuhi [10],
yaitu:
 nf = nb
 ng = na – 1
 A dan B tidak mempunyai faktor sekutu
 nt  na + nb
8.1.4 Implementasi Pengendali Swa-Tala

Pada tahapan ini algoritma sintesa pengendali dikombinasikan dengan algoritma
estimasi parameter proses rekursif untuk mendapatkan konfigurasi pengendali
swa-tala. Langkah-langkah yang diperlukan dalam implementasi sistem kendali
swa-tala adalah:
 Penentuan struktur pengendali; berupa perhitungan derajat polinom

pengendali nf, ng, dan nh. Agar solusi permasalahan Diophantine memiliki
solusi yang unik, maka derajat polinom nf dan ng ditentukan oleh persamaan
berikut:
nf = nb = 1
ng = na –1 = 1
Dengan demikian bentuk struktur pengendali adalah
F(z-1) = 1 + f1z-1
G(z-1) = g0 + g1z-1
Sedangkan polinom H dapat ditentukan sebagai nilai statik yang dipilih

sedemikian, sehingga nilai keluaran memiliki unity gain terhadap amplitudo
sinyal acuan.
 Penentuan parameter disain; Untuk memulai estimasi proses, maka beberapa

parameter di bawah ini harus ditentukan:
– Percobaan untuk menentukan waktu pencuplikan h dilakukan dengan
memberikan input step yang berulang (input square) pada Pressure
Process Rig, dengan karakteristik amplitudo masukan maksimum 1,4 volt
dan Amplitudo minimum 0,8 volt, dan frekuensi 0,1 Hz. Respons transien
keluaran proses ditunjukkan pada gambar 8.10. Dari data yang diperoleh
dapat diketahui bahwa nilai keadaan tunak dicapai dalam waktu sekitar 3
detik relatif terhadap pemberian sinyal masukan. Sehingga dapat
ditentukan besarnya rentang waktu pencuplikan [9] yaitu:
1 1
(3)  h  (3) atau 0,15  h  0,6
20 5
Untuk kegiatan riset ini dipilih:

– Waktu pencuplikan h sebesar 0,15 detik.
– Nilai awal matriks kovarian P(0)=1000Im.
– Nilai awal parameter terestimasi (0)=0, karena pengetahuan yang
dimiliki tentang pressure process rig tidak dimiliki.
– Nilai faktor pelupa ditentukan sebesar 0.995.
Gambar 8.10 Masukan dan keluaran proses untuk menentukan waktu

pencuplikan
 Pra-identifikasi; Untuk menghindari lonjakan masukan dan keluaran proses

yang besar dan tidak diinginkan sewaktu pengendali swa-tala dijalankan pada
fasa awal, maka digunakan suatu sinyal perturbasi berupa sinyal PRBS, agar
diperoleh harga awal parameter estimasi yang memadai [9]. Informasi struktur
model proses terbaik diperoleh setelah tahapan validasi model. Pra-identifikasi
ini dilakukan dalam lup terbuka agar tingkat ketergantungan sinyal masukan
dan keluaraaan proses terhadap nilai sebelumnya kecil. Setelah waktu
identifikasi dianggap cukup, maka sinyal PRBS dimatikan dan pressure
process rig dihubungkan dengan pengendali swa-tala dalam lup tertutup,
seperti terlihat pada gambar 4. Nilai parameter pengendali swa-tala dihitung
berdasarkan perolehan nilai parameter model proses dari fasa pra-identifikasi.
 Closed adaptive loop; Setelah waktu pra-identifikasi dianggap cukup dan

sistem sudah memiliki harga awal model parameter pengendali yang cukup
baik, maka masukan pressure process rig dialihkan dari sinyal PRBS ke
keluaran pengendali dua-derajat-kebebasan dalam lup tertutup. Kombinasi
metode estimasi parameter rekursif dan algoritma kendali menghasilkan
sistem kendali swa-tala. Uji eksperimen dilakukan dengan
mengimplementasikan kombinasi algoritma RLS dan algoritma penempatan
kutub sebagai pengendali swa-tala kedalam komputer dalam bahasa C.
Skema sistem pengendalian dapat dilihat pada gambar 8.11
Gambar 8.11 Skema sistem kendali swa-tala
8.1.5 Hasil Simulasi Pengendalian

Percobaan pertama yang dilakukan merupakan uji sistem kendali swa-tala
terhadap suatu model linear yang diperoleh dari tahapan identifikasi. Pada
Gambar 8.12 terlihat bahwa hasil simulasi menunjukkan suatu kesempurnaan
sistem pengendalian, dimana keluaran proses yang mengikuti trayektori sinyal
acuan dengan hilangnya offset seiring berjalannya waktu. Percobaan ini
dimaksudkan untuk membuktikan bahwa implementasi algoritma sistem

pengendalian swa-tala yang dilakukan dengan menggunakan bantuan komputer
sudah benar.
Pra-identifikasi diperlihatkan selama 19,2 detik (128 pencuplikan pertama), yaitu

di saat keluaran proses tidak mengikuti sinyal acuan tetapi mengikuti sinyal PRBS.
Selama pra-identifikasi ini, harga parameter model bergerak dengan cepat ke nilai
tertentu, seperti yang terlihat pada Gambar 8.13. Hal ini disebabkan informasi
yang diberikan pada blok estimator cukup baik dan banyak, yaitu respon transien
model terhadap sinyal PRBS.
8.1.6 Hasil Eksperimental Pengendalian

Percobaan selanjutnya mengimplementasikan pengendali swa-tala pada sistem
nyata pressure process rig. Hasil pengendalian pada percobaan ini ditunjukkan
pada gambar 8.14 dan pergerakan  ditunjukkan pada Gambar 8.15.
Pengendalian ini dapat dikatakan kurang baik karena beberapa hal, antara lain
osilasi yang terjadi di awal percobaan, besarnya overshoot dan undershoot,
lambatnya output proses menuju ke keadaan tunak, dan gagalnya output proses
mengikuti trayektori sinyal acuan pada pengendalian swa-tala yang berlangsung
selama 500 detik.
Gambar 8.12 Grafik sinyal acuan dan keluaran model pressure process
Gambar 8.13 Grafik simulasi pergerakan nilai parameter model
Hasil pengendalian yang kurang baik ini disebabkan oleh sifat nonlinear yang
dimiliki pressure process rig. Algoritma RLS terlalu lamban mengkalkulasi nilai
parameter model proses, sehingga keluaran sistem tidak sanggup memberikan
kinerja yang baik untuk setiap kali perubahan titik kerja. Pada pengendali swa-tala
dengan struktur dua-derajat-kebebasan kondisi zero steady-state error akan
dicapai apabila kualitas estimasi polinom B(z-1) sangat baik. Karakteristik
ketidaklinieran yang kuat pada pressure process rig menyebabkan munculnya
variansi keluaran proses, yang mempengaruhi akurasi estimasi parameter,
sehingga pengendalian tidak berjalan dengan baik dan galat tunak tidak hilang
pada beberapa trayektori. Apabila RLS kurang mendapat informasi yang cukup
untuk perpindahan titik kerja, maka estimasi parameter proses yang didapatkan
tidak dapat mewakili daerah kerja baru di awal perubahan titik kerja.
Permasalahan dalam hasil pengendalian ini adalah lambatnya estimator untuk

mengestimasi nilai parameter model ketika terjadi perubahan titik kerja, sehingga
kualitas dari hasil sintesa parameter pengendali menjadi tidak baik dan
konsekuensinya pengendali gagal untuk memberikan nilai sinyal kendali yang
tepat sesuai dengan spesifikasi pengendalian yang diinginkan.
Kemampuan pengendali dengan dua-derajat-kebebasan untuk menghilangkan

galat tunak sangat bergantung kepada kualitas estimasi model proses yaitu
polinom B(z-1), karena penentuan bentuk pre-kompensator H(z-1) langsung
menggunakan B(z-1). Jika unsur ketidakpastian sangat besar pada model proses,
ketepatan nilai antara sinyal acuan dengan keluaran proses menjadi berkurang,
artinya akan terjadi galat tunak. Untuk itu diperlukan bentuk umum pengendali
yang memiliki sifat integrasi tetapi dapat dipakai untuk sistem dengan orde
sembarang.
Gambar 8.14 Grafik hasil pengendalian pressure process rig dengan algoritma
penempatan kutub
Gambar 8.15 Grafik pergerakan nilai parameter model

Untuk mengkompensasi lambatnya estimasi parameter model, maka digunakan

metode aturan kendali kenaikan menggantikan struktur pengendali dua-derajat-
kebebasan. Algoritma aturan kendali kenaikan menghasilkan keluaran berupa
u(t)=u(t) – u(t-1), dengan u(t) adalah sinyal kendali aktual yang diaplikasikan ke
sistem. Diasumsikan bahwa sistem yang dikendalikan memiliki gangguan yang
tidak terukur e(t). Model sistem yang digunakan adalah [10]:
A y (t )  Bu(t  1)  e (t )
dengan
A  (1  z 1 )A  A
Diasumsikan pengendali mempunyai bentuk
G
u(t )   y (t )  r (t )
F
dengan G, F ditentukan untuk memenuhi persamaan Diophantine
F A  z 1BG  T
Pada metode ini tidak digunakan pre-kompensator untuk menghilangkan galat

tunak, tetapi dengan menempatkan satu kutub di titik z=+1,0 pada pengendali.
Kutub ini digunakan sebagai integrator, sehingga keakurasian estimasi polinom
B(z-1) tidak terlalu dipermasalahkan untuk menghilangkan galat tunak. Hasil
percobaan yang ditunjukkan oleh Gambar 8.16 menunjukkan hasil pengendalian
pengendali swa-tala pada pressure process rig yang jauh lebih baik dibandingkan
dengan bagian sebelumnya. Walaupun dapat dikatakan hasil pengendalian pada
percobaan ini cukup baik karena cepatnya respon proses untuk mengikuti
trayektori sinyal acuan dan hilangnya galat tunak, akan tetapi masih terdapat
suatu kekurangan, yaitu terjadinya overshoot yang cukup besar karena perubahan
sinyal acuan secara tiba-tiba pada sekitar detik ke-450.
Sifat ketidaklinieran yang dimiliki pressure process rig menyebabkan parameter

fungsi alih dapat berbeda di daerah kerja yang berbeda. Respon transien proses
yang tergolong cepat menyebabkan estimator hanya mendapat sedikit informasi
untuk mengestimasi parameter proses untuk daerah kerja baru, sehingga
keakurasian pengestimasian rendah di awal perubahan titik kerja. Hal inilah yang
menyebabkan overshoot dan undershoot terjadi di beberapa trayektori.
Gambar 8.17 menunjukkan pergerakan  pada percobaan pertama dengan

menggunakan metode penempatan kutub dengan aturan kendali kenaikan.
Terlihat bahwa terdapat pergerakan  yang terus berubah dan tidak konvergen
disetiap perubahan sinyal trayektori. Hal ini disebabkan oleh pemilihan lambda
RLS sebesar 0,9 yang memberikan bobot lebih besar terhadap data baru daripada
data lama pada pengestimasian parameter. Daerah kerja yang diestimasi oleh
RLS pada saat tersebut adalah di sekitar sinyal acuan baru. Akurasi hasil estimasi
hanya berlaku di sekitar titik acuan. Ketika titik kerja kemudian diubah dan titik
kerja baru tersebut berada di luar garis kelinearitasan aktual, maka timbul lonjakan
estimasi theta sebagai aksi penyesuaian tehadap daerah kerja baru.
kutub lingkar tertutup yang diinginkan terletak pada z=+0,9 dan = 0,99
Untuk mengurangi overshoot maupun undershoot yang terjadi karena kurangnya

informasi dalam pengestimasian theta untuk daerah kerja baru, maka pada
percobaan berikutnya diinginkan suatu proses yang memiliki respon lebih lambat.
Hal ini direalisasikan dengan pemilihan letak kutub-kutub lingkar tertutup yang
diinginkan pada titik z =+0,92 dan nilai faktor pelupa =0,9999 yang lebih robust
terhadap pengaruh derau dalam estimasi parameter. Hasil pengendalian yang
terlihat pada Gambar 8.18 menunjukkan suatu pergerakan output proses yang
lebih lambat berkisar antara 10 hingga 20 detik akan tetapi dengan overshoot yang
lebih kecil. Pada gambar 8.19 ditunjukkan ketegaran RLS terhadap pengaruh
derau, dimana perubahan  sepanjang percobaaan dilakukan relatif lebih kecil.
diinginkan terletak pada z=+0,9 dan =0,99
kutub lingkar tertutup yang diinginkan terletak pada z=+0,92 dan = 0,9999
diinginkan terletak pada z=+0,92 dan = 0,9999
8.1.7 Hasil Pengendalian Dengan Metode Generalized Predictive

Control
Berdasarkan hasil identifikasi, terlihat bahwa model sistem pressure process rig
memiliki karakteristik non-minimum phase, dimana sistem mempunyai zero yang
terletak diluar unit circle. Oleh karena itu metode deadbeat control yang
direncanakan sebagai pembanding metode penempatan kutub dalam
menentukan nilai parameter pengendali tidak dapat digunakan, karena pengendali
akan memiliki kutub yang tidak stabil yang akan membuat keluaran pengendali
dan keluaran sistem juga menjadi tidak stabil. Sebagai pengganti dipilih metode
generalized predictive control (GPC). Metode Generalized Predictive Control
(GPC) seperti yang diusulkan dalam [15] merupakan salah satu metode Model
Predictive Control (MPC) yang paling populer di industri [16].
Aturan kendali dengan struktur dua-derajat-kebebasan dapat dituliskan dalam

persamaan:
R( z 1 )u(t )  T ( z 1 )w (t )  S( z 1 )y (t )
dengan T, R, dan S adalah polinomial dalam backward shift operator z-1

T ( z 1 )  1  t 1z 1    t nt z  nt
R( z 1 )  r0  r1z 1    r nr z nr
S( z 1 )  s 0  s1z 1    s ns z ns
Polinomial T dapat ditentukan sama dengan nilai polinom C pada model CARIMA
[16]. Untuk mengoptimasi fungsi kriteria, maka bentuk prediksi optimal untuk j 
N1 dan j  N2 harus ditentukan. Langkah pertama yang harus dilakukan adalah
dengan menyelesaikan persamaan Diophantine berikut ini:
T ( z 1 )  E j ( z 1 )A( z 1 )  z  j F j ( z 1 )
Bentuk prediksi terbaik diperoleh dengan mengasumsikan nilai ekspektasi suku

gangguan yang akan datang E{e(t+j)}=0, sehingga diperoleh bentuk persamaan:
Fj EjB
yˆ (t  j | t )  y (t )  u(t  j  1)
T T
Suku EjB = Gj dari persamaan diatas dapat dipecah menjadi
Ej(z-1)B(z-1) = Hj(z-1)T(z-1) + z-jIj(z-1)
dimana Hj adalah elemen matriks G dan Ij adalah elemen baris matriks GT. Dengan
demikian persamaan keluaran prediksi menjadi
Ij Fj
yˆ (t  j | t )  H j u(t  j )  u(t  1)  y (t )
T T
Respons bebas sistem dapat dihitung dengan menggunakan persamaan
u(t  1) y (t )
f  I( z 1 ) 1
 F( z 1 )
T (z ) T ( z 1 )
Dengan mendefinisikan matriks pengendali k sebagai baris pertama dari matriks

(GTG+I)-1GT, maka persamaan kenaikan sinyal kendali dapat dinyatakan sebagai
N2
u(t )  K( w  f )   k w (t  i )  f (t  i )
i  N1
i
N2 N2 N2
Ii F

i N1
 k i w (t  i )   k i
i  N1 T
u(t  1)   k i i y (t )
i  N1 T
Dengan mengasumsikan trayektori acuan konstan sehingga w(t+i)=w(t), maka
persamaan di atas dapat ditulis kembali menjadi
 N2
 N2 N2
T  z  k i I i (t ) u(t )  T  k i w (t )   k i Fi (t )
1
 i  N1  i  N1 i N1
Denga membandingkan persamaan di atas dengan bentuk umum aturan kendali

dua-derajat-kebebasan, maka polinom S dan R dapat dihitung dengan persamaan
N2
T ( z 1 )  z 1  k i I i
i  N1
R( z 1 )  N2
k
i N1
i
N2
k F
i N1
i i
1
S( z )  N2
k
i  N1
i
Penggunaan algoritma RLS sebagai estimator yang hanya mengestimasi polinom

A dan B dan mengasumsikan polinom C=1, membuat polinom T ditentukan sama
dengan 1.
Gambar 8.20 Skema sistem kendali GPC swa-tala
Skema uji eksperimen pengendali GPC swa-tala untuk mengendalikan sistem

pressure process rig dapat dilihat pada gambar 8.20. Pada Gambar 8.21 terlihat
bahwa hasil eksperimen menunjukkan hasil pengendalian yang baik, dimana
keluaran proses sanggup mengikuti trayektori sinyal acuan dengan hilangnya
offset disertai variansi derau yang cukup kecil disekitar nilai sinyal acuan. Pada
fasa awal perubahan sinyal acuan terlihat respons sistem memiliki overshoot yang
cukup besar hingga mencapai 16%. Hal ini disebabkan model proses masih belum
sempurna. Namun seiring dengan bertambahnya waktu, sifat konsistensi
algoritma RLS diperbaiki dengan bertambahnya informasi baru yang diperoleh
terutama untuk setiap perubahan titik kerja. Dengan demikian model yang
dihasilkan juga bertambah keakuratannya. Efeknya terlihat langsung pada
respons transien pada setiap perubahan titik kerja, dimana nilai overshoot dapat
ditekan menjadi kecil. Perubahan nilai parameter pengendali S(z-1) dan R(z-1)
sesuai dengan perubahan titik kerja dapat dilihat pada gambar 8.22.
Untuk melihat ketegaran pengendali GPC swa-tala, maka pada detik ke-425
keluaran sistem ditambahkan gangguan. Pemberian gangguan ini dilakukan
dengan cara menutup katup V7 yang sebelumnya dibuka sedikit. Penutupan katup
V7 ini akan menyebabkan perubahan tekanan sebesar 10%. Setelah terjadinya
gangguan seperti terlihat pada gambar 8.20, pengendali GPC swa-tala dengan
cepat memberikan aksi untuk membimbing kembali keluaran menuju sinyal acuan
yang diberikan.
Gambar 8.21 Respons keluaran pressure process rig untuk RLS= 0.9999 dan
GPC=2
Pre-identification
Gambar 8.22 Kurva perubahan nilai parameter pengendali R(z-1) dan S(z-1)
8.2 Sistem Tangki Terhubung

Spesifikasi sistem tangki terhubung mengacu pada keadaan fisik sistem Coupled
Tank Apparatus PP-100, dengan nilai parameter terlihat pada tabel 1, dengan
skema sistem tangki terhubung terlihat pada gambar 23.
(a) (b)
Gambar 8.23 (a) Bentuk fisik Coupled-Tank Control Apparatus PP-100. (b)
Sketsa Coupled-Tank Control Apparatus PP-100.
Sistem Coupled-Tank Control Apparatus PP-100 terdiri dari dua menara tangki
yang terletak di atas sebuah reservoir yang digunakan untuk menyimpan air. Air
dari reservoir dapat dipompa ke dalam setiap tangki dengan menggunakan dua
pompa yang saling terpisah untuk masing-masing tangki. Ketinggian air pada
masing-masing tangki dapat dilihat pada mistar yang terletak di depan kedua
tangki. Pada setiap tangki dari alat tersebut dilengkapi juga oleh saluran keluar air
yang letaknya di samping dan berada dekat dengan bagian bawah masing-masing
tangki. Besarnya saluran keluar tersebut dapat diatur dengan cara mengatur katup
pada tabung keluaran menggunakan sebuah sekrup penjepit. Kondisi katup yang
berbeda akan menyebabkan model alat menjadi berbeda. Oleh sebab itu, kondisi
bukaan katup harus selalu dibuat tetap selama pembuatan model. Ketinggian air
pada setiap tangki dapat diketahui dengan menggunakan sebuah penggaris
mistar atau dengan menggunakan sensor tipe kapasitif yang terdapat pada setiap
tangki. Sensor tersebut mengkonversi ketinggian air menjadi tegangan listrik.
Tegangan keluaran 0,275 volt diberikan pada posisi ketinggian air terendah
(dibawah saluran keluaran ke reservoir), yaitu sekitar 14 mm, sedangkan
tegangan keluaran 5,6 volt diberikan pada posisi ketinggian air tertinggi tepat
sebelum pipa keluaran atau sekitar 300 mm. Pipa keluaran berfungsi untuk
menjaga air agar air tidak meluap dari atas tangki.
Tabel 8.1 Nilai parameter sistem tangki terhubung
Parameter Keterangan Nilai

Luas penampang tangki
A1 = A2 34 cm2
1 dan 2
Luas penampang pipa
k1 = k2 0.2453 cm2
katup
Ketinggian maksimum
h1,max=h2,max 30 cm
tangki 1 dan 2
Faktor pengali
Kvq (Qin = KvqVpump) 6 cm3/Vs
tegangan aliran
Interval tegangan
Vpump 0  Vpump  10 Volt
pompa
Sebagai masukan dan keluaran pada sistem tangki terhubung adalah catu
tegangan pompa u(t) yang mengirim debit fluida qin(t) kedalam tangki pertama dan
ketinggian permukaan fluida h2(t) pada tangki kedua. Rentang tegangan catu
pompa dan ketinggian fluida berturut-turut adalah berkisar diantara 0 Volt hingga
10 Volt dan 0 cm hingga 30 cm. Pada kondisi mass-balance, perubahan volume
pada kedua tangki adalah sama dengan jumlah debit fluida masuk dikurangi
jumlah debit fluida keluar. Banyaknya debit fluida yang masuk pada tangki 1
ditentukan dari nilai tegangan pompa yang diberikan, dan kedua variabel tersebut
diasumsikan memiliki hubungan linier. Dengan demikian perubahan volume pada
kedua tangki dapat dirumuskan dalam persamaan diferensial nonlinier:
dh1 Qin  k1sign(h1  h2 ) | h1  h2 |

 ,
dt A1
dh2 k1sign(h1  h2 ) | h1  h2 |  k 2 h2
 .
dt A2
8.2.1 Identifikasi Sistem Tangki Terhubung

Gambar blok SIMULINK yang digunakan dalam uji eksperimen penentuan
parameter model proses dapat dilihat gambar 8.24.
Gambar 8.24 Blok SIMULINK yang digunakan untuk mengambil data masukan
dan keluaran dari Coupled-Tank Control Apparatus PP-100
Pada saat pengambilan data, terdapat satu buah masukan dan dua buah variabel
keadaan yang dicatat sebagai informasi untuk menentukan nilai parameter-
parameter estimasi model ruang keadaan dari alat tersebut. Model ruang keadaan
sistem tangki terhubung adalah sebagai berikut.
 x1 (k  1)  a11 a12   x1 (k )   b1  k 
 x (k  1)  a      u ( k )   1 
 2   21 a 22   x 2 (k ) b2  k 2 
atau
a11 a 21 
 a22 
 
x1 (k  1) x 2 (k  1)  x1 (k ) x 2 (k ) u(k ) 1
   b1 b2 
k a12

x
T

T
 
k
1

k2 
ˆ
Untuk sejumlah N data, persamaan di atas dapat ditulis menjadi

 x1 (2) x 2 (2)   x1 (1) x 2 (1) u(1) 1 a11 a21 

 x ( 3 ) x (3 )   x ( 2 ) x 2 ( 2) u ( 2) 1 a12 a22 
 1 2  1
          b1 b2 
    
x1 (N ) x 2 (N )  x1 (N  1) x 2 (N  1) u(N  1) 1  k 1 k 2 
  
X  ˆ
Dari persamaan di atas, maka dapat diturunkan rumus untuk menghitung nilai
parameter-parameter estimasi ˆ . Langkah-langkah untuk menghitung nilai
parameter estimasi ˆ adalah sebagai berikut
1. Modifikasi fungsi kriteria menjadi
 
T
J LS  X  ˆ X  ˆ 
T T T
 X X  ˆ  X  X ˆ  ˆ  ˆ
T T T
2. Membuat turunan pertama dari J LS terhadap  bernilai nol, maka didapatkan

persamaan
J LS  
 2 X  2 ˆ  0
T T
  ˆ
3. Rumus untuk menghitung nilai parameter estimasi

 
1 T
ˆ     X
T
Pada percobaan, masukan yang digunakan adalah berupa Random Number

dengan nilai rata-rata  2,6 dan variansi  2 bernilai 1, sedangkan nilai sampling
time h yang digunakan adalah 10 detik. Data masukan dan keluaran terlihat pada
gambar 8.25.
(a)
Grafik Ketinggian Air pada Tangki Pertama

4.5
3.5
3
Tegangan (Volt)
2.5
1.5
0.5
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Waktu (s)
(b)
Grafik Ketinggian Air pada Tangki Kedua

4.5
3.5
3
Tegangan (Volt)
2.5
1.5
0.5
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Waktu (s)
(c)
Gambar 8.25 (a) Grafik sinyal masukan saat identifkasi. (b) Grafik dari sensor
ketinggian pada tangki pertama. (c) Grafik dari sensor ketinggian pada tangki
kedua
Berdasarkan data masukan dan data keluaran, maka dengan menggunakan

persamaan di atas didapatkan parameter estimasi model ˆ
 0,989057 0,787474 
- 0,104357 0,119354 
ˆ   
 0,270662 0,252388 
 
- 0,375062 - 0,298039 
Setelah nilai ˆ diketahui, maka didapatkan persamaan model ruang keadaan

linier dari Coupled-Tank Control Apparatus PP-100 sebagai berikut
 x1 (k  1)  0,989057 - 0,104357   x1 (k )  0,270662 - 0.375062

 x (k  1)  0,787474 0,119354   x (k )  0,252388 u(k )  - 0.298039 
 2    2      
A B K
Vektor K adalah vektor kompensasi nilai masukan. Karena keluaran sistem adalah
ketinggian air pada tangki kedua, maka persamaan keluaran untuk model ruang
keadaan adalah
 x k 
y k   0 1 1 
 x 2 k 
Grafik keluaran proses dan keluaran model dapat dilihat pada gambar 8.26,
sedangkan grafik selisih keluaran proses dan keluaran model pada tangki kedua
dapat dilihat pada gambar 8.27.
4.5
3.5
3
Tegangan (Volt)
2.5
1.5
0.5 Keluaran Proses

Keluaran Model
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Waktu (s)
Gambar 8.26 Grafik keluaran proses dan keluaran model pada tangki kedua.
0.7
0.6
0.5
0.4
Selisih Keluaran (Volt)
0.3
0.2
0.1
-0.1
-0.2
-0.3
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Waktu (s)
Gambar 8.27 Selisih antara keluaran proses dengan keluaran model pada tangki
kedua
Dari gambar 82.6 dan gambar 8.27 terlihat bahwa model yang digunakan sudah
cukup baik karena selisih antara keluaran proses dan keluaran model relatif kecil.
Berdasarkan hasil estimasi, didapatkan nilai lost function (JLS)
2
1 N
 
J LS   y 2  yˆ 2  0,0361
N i 1
Dari perhitungan ternyata didapatkan nilai JLS yang cukup kecil, hal ini
membuktikan bahwa model yang akan digunakan sudah cukup baik.
8.2.2 Disain Algoritma MPC Dengan Constraints

Struktur pengendali MPC dengan constraint untuk model ruang keadaan terdapat
pada gambar 8.28. Dari blok diagram tersebut, terlihat bahwa prediksi perubahan
sinyal masukan sekarang (Δu(k)) membutuhkan data dari variabel keadaan
sekarang x(k) dan masukan satu langkah sebelumnya u(k-1).
1
1  z 1
z 1
Gambar 8.28 Blok diagram pengendali MPC dengan constraints.
Algoritma perhitungan perubahan sinyal kendali pada MPC dengan constraints

adalah sebagai berikut :
1. Parameter pengendali yang terlebih dahulu harus ditentukan antara lain
horizon prediksi (Hp), horizon kendali (Hu), matriks faktor bobot kesalahan
(Q), dan matriks faktor bobot perubahan sinyal kendali (R).
2. Menghitung matriks E, serta matriks H dan G yang terdapat pada fungsi
kriteria.
3. Parameter batasan (constraints) fisik sistem diubah ke dalam bentuk
pertidaksamaan yang memiliki hubungan dengan perubahan sinyal kendali
(ΔU).
U (k )  
4. Menghitung perubahan sinyal kendali optimal Δuopt dengan menggunakan
metode Quadratic Programming.
5. Menghitung sinyal kendali u(k) dimana
u(k )  u(k )  u(k  1)
Diagram alir untuk perhitungan sinyal kendali dengan menggunakan MPC dengan
constraints adalah seperti pada gambar 8.29.
Gambar 8.29 Diagram alir algoritma MPC dengan constraints.
Metode yang digunakan pada Quadratic Programming dalam menghitung nilai ΔU

adalah Active Set dengan alur operasi seperti dijelaskan berikut ini.
1. Fungsi kriteria diubah menjadi persamaan seperti berikut

1 T T
V ( U (k ))  U (k )2H U (k )  U (k )G
2
berdasarkan constraints
U (k )  
2. Nilai U r dipilih sedemikian sehingga pertidaksamaan constraints menjadi

sebuah persamaan seperti berikut
 r U r   r
Elemen yang membuat pertidaksamaan menjadi persamaan disebut elemen

aktif .
3. Menghitung nilai d yang merupakan pergerakan U r dalam meminimasi

fungsi kriteria sehingga berubah menjadi
1
V ( U r  d )  U r  d  2H U r  d   U r  d  G
T T
2
1 T
 d 2
2 
T
 
H d  d 2H U r  G  V ( U r )

  r
Nilai d tidak boleh mempengaruhi pertidaksamaan constraints, sehingga

persamaan constraints untuk persamaan adalah
r d  0
4. Nilai optimal d sepanjang constraints yang aktif dapat dihitung dengan

menyelesaikan fungsi kuadratik berikut
1 T
min d d  d  r
T
dengan constraints
r d  0
Nilai pengali Lagrange λr dihitung berdasarkan kondisi Karush-Kuhn-Tucker

(KKT) seperti berikut
    d    r 
T
     
 0   r   0 
dimana nilai U r yang terdapat pada matriks  r ditentukan pada langkah (2).
Hasil perhitungan d dan λr akan mempengaruhi tahapan berikutnya, yaitu:
a. Jika semua λr > 0 dan d = 0, maka proses komputasi selesai dan nilai U r
merupakan nilai optimal untuk U (k ) .
b. Jika semua λr > 0 dan ada nilai d ≠ 0, maka lanjut ke langkah (5).
c. Jika ada nilai λr < 0, maka constraint yang memiliki nilai λr paling negatif
dibuang, kemudian lanjut ke langkah (5).
 b  ai U r 
 r  min1, min i 
 iA ai d r 
 ai d r  0 
Gambar 8.29 Diagram alir metode Active Set untuk menyelesaikan Quadratic
Programming.
5. Nilai faktor koreksi pergerakan nilai optimal  r dihitung dengan menggunakan

rumus
 
 bi  ai U r 
 r  min1, min 
 aidr0 ai d 
 i 
dengan ai adalah baris dari pertidaksamaan batasan yang tidak aktif dan bi
adalah batasannya. Selanjutnya, nilai U r dalam arah d dihitung sebagai
berikut
U r 1  U r   r d
6. Jika nilai  r < 1, maka constraint yang membuat nilai  r < 1 ditambahkan ke
r.
7. Tetapkan r = r + 1 dan kembali ke langkah (3) untuk proses iterasi berikutnya.
Diagram alir metode Active Set untuk menyelesaikan Quadratic Programming

seperti yang terdapat pada gambar 8.29.
4.5
4 Hu = 3
3.5
Tegangan Sinyal Keluaran (Volt)
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(a)
4.5
4 Hu = 6
3.5
Tegangan Sinyal Keluaran (Volt)
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
4.5
4 Hu = 9
Tegangan Sinyal Keluaran (Volt) 3.5
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(c)
Gambar 8.31 Keluaran sistem hasil simulasi dengan nilai control horizon yang
berbeda.
8.2.3 Hasil Uji Coba Eksperimental

Percobaan dengan Nilai Prediction Horizon tetap dan Nilai Control Horizon
Bervariasi
Untuk melihat pengaruh control horizon (Hu) terhadap hasil pengendalian MPC,
dilakukan beberapa percobaan dengan nilai prediction horizon (Hp) dibuat tetap,
yaitu sebesar 12, dan nilai control horizon dibuat bervariasi. Variasi control horizon
yang digunakan pada percobaan adalah sebesar 3, 6, dan 9. Faktor bobot
kesalahan (Q) yang digunakan adalah IHp sedangkan faktor bobot perubahan
sinyal kendali (R) yang digunakan adalah 0,01 IHu.
Hasil simulasi dengan prediction horizon tetap dan control horizon yang berbeda
terdapat pada gambar 8.31 dan gambar 8.32.
3.5
Tegangan Sinyal Masukan (Volt)
2.5
1.5
0.5 Hu = 3
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(a)
3.5
2.5
1.5
0.5 Hu = 6
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
4
3.5
2.5
1.5
0.5 Hu = 9
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(c)
Gambar 8.32 Sinyal kendali hasil simulasi dengan nilai control horizon yang
berbeda.
Berdasarkan gambar 8.31, ternyata hasil pengendali terlihat bagus jika besarnya
control horizon mendekati nilai prediction horizon. Hal ini terjadi karena dengan
nilai matriks R yang kecil, perubahan sinyal kendali tidak terlalu ditekan. Jika nilai
control horizon kecil, naka sinyal kendali selalu ingin berubah sebesar-besarnya
supaya keluaran sistem dapat dengan segera mencapai nilai yang sama dengan
nilai trayektori acuan, sehingga perubahan sinyal kendali akan memiliki variansi
yang besar pada saat akan terjadi perubahan nilai trayektori acuan (gambar
8.32.a). Perubahan sinyal kendali dengan variansi yang besar tersebut
menyebabkan keluaran sistem menjadi tidak bagus (gambar 8.31.a). Semakin
dekat nilai control horizon dengan nilai prediction horizon, variansi perubahan
sinyal kendali akan semakin kecil. Hal tersebut dapat terlihat pada saat akan
terjadi perubahan treyektori acuan. Dengan nilai control horizon yang hampir
sama dengan nilai prediction horizon, prediksi perubahan sinyal kendali
menyesuaikan dengan nilai prediksi keluaran sehingga variansi perubahan sinyal
kendali tidak terlalu besar (gambar 8.32.b dan gambar 8.32.c).
Selain simulasi, dilakukan percobaan dengan alat untuk nilai control horizon yang
berbeda dan nilai prediction horizon tetap. Dari hasil percobaan pada gambar 8.33
terlihat bahwa keluaran sistem akan semakin bagus jika nilai control horizon dibuat
mendekati nilai prediction horizon.
Percobaan dengan Nilai Control Horizon tetap dan Nilai Prediction Horizon
Bervariasi
Untuk melihat pengaruh prediction horizon (Hp) terhadap hasil pengendalian
MPC, dilakukan beberapa percobaan dengan nilai control horizon (Hu) dibuat
tetap, yaitu sebesar 3, dan nilai prediction horizon dibuat bervariasi. Variasi
prediction horizon yang digunakan pada percobaan adalah sebesar 6, 9, dan 12.
Faktor bobot kesalahan (Q) yang digunakan adalah IHp sedangkan faktor bobot
perubahan sinyal kendali (R) yang digunakan adalah 0,01 IHu.
4.5
4 Hu = 3
3.5
Keluaran Sistem(Volt)
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(a)
4.5
4 Hu = 9
3.5
Tegangan Keluaran (Volt)
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
Gambar 8.33 Keluaran sistem hasil percobaan dengan nilai control horizon yang
berbeda.
Hasil simulasi dengan control horizon tetap dan prediction horizon yang berbeda
terdapat pada gambar 8.35 dan gambar 8.36. Dari hasil simulasi terlihat bahwa
untuk nilai faktor bobot perubahan sinyal kendali R yang kecil, maka hasil
pengendali akan tetap bagus jika nilai control horizon dibuat mendekati nilai
prediction horizon. Hal ini sama seperti yang terjadi pada percobaan pertama (nilai
Hu tetap dan nilai Hp bervariasi), dimana semakin dekat nilai control horizon
dengan nilai prediction horizon, maka variansi perubahan sinyal kendali saat akan
terjadi perubahan trayektori acuan semakin kecil.
3.5
3
Sinyal Masukan (Volt)
2.5
1.5
0.5 Hu = 3
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(a)
4
3.5
3
2.5
1.5
0.5 Hu = 9
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
Gambar 8.34 Sinyal masukan hasil percobaan dengan nilai control horizon yang
berbeda.
4.5
4 Hp = 6
3.5
Keluaran Sistem(Volt) 3
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900
Waktu (s)
(a)
4.5
4 Hp = 9
3.5
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900
Waktu (s)
(b)
4.5
4 Hp = 12
3.5
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(c)
Gambar 8.35 Keluaran sistem hasil simulasi dengan nilai prediction horizon yang
berbeda.
3.5
3
2.5
1.5
0.5 Hp = 6
0
0 100 200 300 400 500 600 700 800 900
Waktu (s)
(a)
4
3.5
3
2.5
1.5
0.5 Hp = 9
0
0 100 200 300 400 500 600 700 800 900
Waktu (s)
(b)
4
3.5
3
2.5
1.5
0.5 Hp = 12
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(c)
Gambar 8.36 Sinyal masukan hasil simulasi dengan nilai prediction horizon yang
berbeda.
Percobaan dengan alat untuk nilai prediction horizon yang berbeda dan nilai
control horizon tetap juga dilakukan untuk membuktikan hasil simulasi. Dari hasil
percobaan pada gambar 8.37 dan gambar 8.38 ternyata terbukti bahwa ketika nilai
control horizon mendekati nilai prediction horizon, variansi perubahan sinyal
kendali saat akan terjadi perubahan trayektori acuan tidak terlalu besar. Hal ini
tentu dapat membuat keluaran sistem menjadi lebih halus.
4.5
4 Hp = 6
3.5
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900
Waktu (s)
(a)
4.5
4 Hp = 12
3.5
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
Gambar 8.37 Keluaran sistem hasil percobaan dengan nilai prediction horizon
yang berbeda.
3.5
3
2.5
1.5
0.5 Hp = 6
0
0 100 200 300 400 500 600 700 800 900
Waktu (s)
(a)
4
3.5
3
2.5
1.5
0.5 Hp = 12
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
Gambar 8.38 Sinyal kendali hasil percobaan dengan nilai prediction horizon
yang berbeda.
PENGARUH NILAI FAKTOR BOBOT PERUBAHAN SINYAL KENDALI (R)

PADA HASIL PENGENDALIAN MPC
Untuk melihat pengaruh faktor bobot perubahan sinyal kendali R pada hasil
pengendali, dilakukan uji coba pada sistem dengan membuat nilai diagonal
matriks R berbeda-beda untuk setiap percobaan, yaitu 0,01; 0,1; dan 1,
sedangkan nilai parameter pengendali lainnya dibuat tetap, yaitu Hu = 2, Hp = 10,
dan Q = IHp
4.5
4 R = 0,01
Keluaran Sistem(Volt) 3.5
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(a)
4.5
4 R = 0,1
3.5
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
4.5
4 R=1
3.5
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(c)
Gambar 8.39 Keluaran sistem hasil simulasi untuk nilai matriks R yang berbeda-
beda.
3.5
3
2.5
1.5
0.5 R = 0,01
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(a)
4
3.5
3
2.5
1.5
0.5 R = 0,1
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
4
3.5
3
2.5
1.5
0.5 R=1
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(c)
Gambar 8.40 Sinyal masukan hasil simulasi untuk nilai matriks R yang berbeda-
beda.
Dari hasil simulasi pada gambar 8.39 dan gambar 8.40 terlihat bahwa semakin
besar nilai matriks R, perubahan sinyal kendali menjadi semakin ditekan sehingga
menyebabkan keluaran sistem menjadi semakin halus. Dari simulasi terlihat

bahwa dengan nilai matriks R yang besar (IHu), variansi perubahan sinyal kendali
sangat kecil, bahkan saat akan terjadi perubahan trayektori acuan.
Untuk membuktikan hasil simulasi, dilakukan juga percobaan dengan alat untuk
nilai matriks R sebesar 0,01IHu dan IHu. Keluaran sistem dari percobaan dengan
nilai matriks R yang berbeda terdapat pada gambar 8.41, sedangkan grafik sinyal
kendali terdapat pada gambar 8.42. Dari hasil percobaan ternyata juga terlihat
bahwa hasil pengendali akan semakin bagus jika nilai matriks R semakin besar
(mendekati IHu).
4.5
4 R = 0,01
3.5
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(a)
4.5
4 R=1
3.5
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
Gambar 8.41 Keluaran sistem hasil percobaan untuk nilai matriks R yang
berbeda-beda.
3.5
3
2.5
1.5
0.5 R = 0,01
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(a)
4
3.5
3
2.5
1.5
0.5 R=1
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
Gambar 8.42 Sinyal kendali hasil percobaan untuk nilai matriks R yang berbeda-
beda.
Daftar Acuan
[1] P.C. Gregory (eds), „Proceedings of the self adaptive flight control systems
symposium,“ WADC Technical Report, Wright Air Development Centre,
Wright-Patterson Air Force Base, Ohio, 59-49, 1959.
[2] R.E. Kalman, “Design of self-optimising control systems,” Trans. ASME, 80,
468-478, 1958.
[3] K.J. Astrom and B. Wittenmark, “On self-tuning regulators,” Automatica, 9,
185-199, 1973.
[4] N. Andreiev, „A new dimension: a self-tuning controller that continually
optimizes PID constants,“ Control Eng., Aug., 84-85, 1981.
[5] R. Isermann, “Stand und Entwicklungstendenzen bei adaptiven
Regelungen,” Automatisierungstechnik, 35, 133-143, 1987.
[6] Y.D. Landau, “Adaptive control – the model reference approach,” New York:
Marcel Dekker, 1979.
[7] C.J. Harris and S.A. Billings, „Self-tuning and adaptive control: Theory and
Applications,“ London: Peter Peregrinus, 1981.
[8] K.S. Narendra (eds.), „Adaptive and learning systems,“ New York: Plenum
Press, 1986.
[9] P.J. Gawthrop, “Continuous time self-tuning control: Vol. 1 (Design),” New
York: Wiley, 1987.
[10] K.J. Astrom and B. Wittenmark, „Adaptive control,“ Reading, Addison-
Wesley, 1989.
[11] R. Isermann, “Digital control systems: Vol. 1,“ Berlin: Springer-Verlag, 1989.
[12] R. Isermann, “Digital control systems: Vol. 2,“ Berlin: Springer-Verlag, 1991.
[13] Richalet, J. et. al., “Model predictive heuristic control: Application to
industrial processes,” Automatica, 14(2):413-428, 1978.
[14] Cutler C.R. dan B.C. Ramaker, “Dynamic matrix control – A Computer
control algorithm,” In Automatic Control Conference, San Francisco, 1980.
[15] Peterka, V., “Predictor-based self-tuning control,” Automatica, 20(1):39-50,
1984.
[16] Ydstie, B.E., “Extended horizon adaptive control,” In Proc. 9th IFAC, World
Congress, Budapest, Hungary, 1984.
[17] De Keyser, R.M.C., dan A.R. Van Cuawenberghe, “Extended prediction
self-adaptive control,” In IFAC Symp. on Identification and System
Parameter Estimation, York, UK, hal. 1317-1322, 1985.
[18] Clarke, D.W., C. Mohtadi, dan P.S. Tuffs, “Generalized predictive control:
Part I the basic algorithm,” Automatica, 23(2): 137-148,1987.
[19] Greco, C. et. al., “Performance improvement of self-tuning controllers by
multistep horizons: the MUSMAR approach,” Autoatica, 20:681-700, 1984.
188 Daftar Acuan
[20] Lemos, J.M., dan E. Mosca, “A multipredictor-based LQ self-tuning

controller,” In IFAC Symp. on Identification and System Parameter
Estimation, York, UK, hal. 137-141, 1985.
[21] Richalet, J. et. al., “Predictive functional control: Application to fast and
accurate robots,” In Proc. 10th IFAC Congress, Munich, 1987.
[22] Soeterboek, R., “Predictive control: A unified approach,” Prentice-Hall,
1992.
[23] R. Isermann and K.H. Lachmann, “Parameter-adaptive control with
configuration aids and supervision functions,” Automatica, 21(6):625-638,
1985.
[24] T.R. Fortescue et.al., “ Implementation of self-tuning regulators with
variable forgetting factor,” Automatica, 17, 831-835.
Daftar Pustaka
1. P.E. Wellstead and M.B. Zarrop, „Self-tuning systems: control and signal
processing,“ John Wiley & Sons, 1991.
2. R. Isermann et.al., „Adaptive control systems,“ Prentice-Hall, 1992.
3. K.J. Astrom and B. Wittenmark, „Adaptive control,“ Addison-Wesley, 1989.
4. E.F. Camacho and C. Bordons, „Model predictive control,“ Springer-Verlag,
1999.
Soal Latihan
(1) Diketahui 7 data hasil pengukuran masukan u(k) dan keluaran proses y(k)
k 1 2 3 4 5 6
u(k) 10 10 -10 10 -10 10
y(k) -0.0016169 -1.6149 3.4482 7.3001 -1.1912 3.332
diperoleh dari sistem yang diwakili oleh persamaan difference:
y(k) = -a1y(k-1) + b2u(k-2) + e(k)
dimana koefisien a1 dan b2 tidak diketahui nilainya dan perlu diidentifikasi,

dan e(k) adalah urutan derau putih. Diasumsikan model
y (k )  aˆ1 y (k  1)  bˆ 2 u(k  2)   a
T
digunakan untuk dicocokan dengan data yang tersedia.
a) Apakah sistem di atas termasuk sistem statik atau sistem dinamik? Berikan
alasan singkat pada jawaban saudara!
b) Dengan menggunakan metode least-squares tentukanlah nilai parameter â1
and b̂1 .
(2) Model proses dari soal no. 1 sekarang diestimasi dengan metode kuadrat-
terkecil rekursif.
a) Sebutkan 2 keuntungan dari algoritma estimasi rekursif (on-line)

dibandingkan algoritma non-rekursif (off-line)!
b) Pada iterasi keberapa algoritma rekursif dapat digunakan untuk sistem di
atas? Berikan alasan singkat pada jawaban saudara. Hitunglah parameter
model proses yang diketahui dengan algoritma kuadrat-terkecil rekursif
untuk 3 pencuplikan pertama!
c) Jika sistem yang diestimasi adalah linear time variant (nilai parameter sistem
berubah terhadap waktu), bagaimana cara memodifikasi algoritma least-
squares sehingga estimator dapat menjejaki perubahan tersebut?
(3) Suatu sistem yang diwakili oleh persamaan difference
y (t )  a1y (t  1)  b1u(t  1)  e(t )  c1e(t  1)

192 Soal Latihan
diberikan sinyal masukan u(t) berupa sinyal pseudo random binary signal
(PRBS). Keluaran sistem y(t) disamping dipengaruhi oleh sinyal masukan
juga dipengaruhi secara aditif oleh unmeasureable disturbance e(t) berupa
derau putih yang memiliki karakteristik uncorrelated dan zero mean. Data
sinyal masukan dan sinyal gangguan e(t) (diasumsikan diketahui nilainya)
diberikan pada tabel di bawah ini.
t 1 2 3 4 5 6
u(t) -1 -1 -1 -1 -1 -1
e(t) -0.0295 -0.1076 0.0354 0.0367 -0.0701 0.10238
Sistem sebenarnya memiliki nilai parameter a1=-0.7, b1=0.2, dan c1=-0.9 dan
diasumsikan nilainya konstan selama sistem berjalan.
a) Jika sistem adalah kausal dengan nilai keluaran dan gangguan sama dengan
nol untuk waktu t negatif atau nol, maka hitunglah nilai keluaran sistem
hingga t=6.
b) Dengan menggunakan algoritma recursive least squares (RLS), hitunglah
nilai parameter dari model autoregressive eXogenous (ARX) untuk na=1,
nb=0 untuk sistem di atas, dengan harga awal matriks kovarian P(0)=100I2,
dan vektor parameter (0)=0, hingga pencuplikan ke-4.
c) Sama dengan pertanyaan (b), hanya gunakan algoritma sequential learning
untuk mengestimasi nilai parameter model ARX dengan nilai =1 dan =1.5
d) Hitunglah nilai parameter model autoregressive moving average eXogenous
(ARMAX) untuk na=1, nb=0, nc=1 dengan menggunakan algoritma recursive
extended least squares, dengan harga awal matriks kovarian dan vektor
parameter yang sama seperti pada soal nomer (b).
(4) Buatlah program dengan menggunakan MATLAB untuk mensimulasikan

sistem pada soal no. 1, dengan nilai parameter proses sebenarnya a1 = -0.5,
b0 = 0.5, dan c1 = -0.3. Derau yang digunakan adalah derau putih dengan
variansi sebesar 1. Sinyal masukan yang diberikan ke proses adalah sinyal
pseudo random binary signal (PRBS) dengan amplitudo sebesar 10 untuk
200 kali pencuplikan. Buatlah program untuk menghitung nilai parameter
estimasi dengan menggunakan metode kuadrat-terkecil non rekursif dan
rekursif. Untuk yang rekursif, tampilkan hasil masukan dan keluaran simulasi
proses, nilai estimasi parameter dan nilai elemen diagonal matriks kovarian
untuk setiap pencuplikan.
(5) Sebuah proses dinamik yang tidak diketahui diidentifikasi dengan

menggunakan sebuah model
y(t) = -a1.y(t-1) – a2.y(t-2) + b0.u(t-2)
dengan berbantukan metode Recursive least-square (RLS). Pada sistem

tersebut diberikan sinyal masukan u(t) seperti terlihat pada gambar berikut
ini:
Soal Latihan 193
u(t)
10
ns
1 2 3 4 5
-10
Nilai dari sinyal keluaran proses yang terukur diberikan pada tabel berikut ini:
n 0 1 2 3 4 5
y(ns) 0 0 1 0.9 1.81 1.629
a) Pada pencuplikan keberapa RLS dapat dipakai untuk mengestimasi nilai

parameter model sistem yang tidak diketahui dengan benar? Jelaskan
jawaban saudara dengan singkat!
b) Tentukan nilai parameter a1, a2, b0 hasil estimasi berdasarkan data

eksperimen masukan u(t) dan keluaran proses y(t) untuk dua kali langkah
pencuplikan!
(Gunakan 4 angka di belakang koma dalam perhitungan, Nilai awal: P(0) =
1000.I,  = 0).
c) Untuk proses yang berubah umumnya digunakan faktor pelupa agar

estimator dapat menghitung nilai parameter proses yang baru. Sebutkan 3
jenis faktor pelupa (forgetting factor) seperti yang diajarkan dalam kuliah!
d) Jika proses tersebut stokastik dengan variansi derau besar, apakah metode
RLS tepat digunakan sebagai estimator? Berikan alasan pada jawaban anda
dengan singkat!
(6) Untuk proses yang berubah umumnya digunakan faktor pelupa agar
estimator dapat menghitung nilai parameter proses yang baru. Sebutkan 2
jenis faktor pelupa (forgetting factor)!
(7) Jika proses tersebut stokastik dengan variansi derau besar, apakah metode
RLS tepat digunakan sebagai estimator? Berikan alasan pada jawaban anda
dengan singkat!
(8) Nilai parameter model yang diestimasi kemudian digunakan dalam bagian
disain pengendali agar respon sistem dipercepat dan juga kesalahan
194 Soal Latihan
keadaan tunak dihilangkan. Set-point yang diberikan pada sistem kendali

self-tuning tersebut berupa step-function. Spesifikasi unjuk kerja
pengendalian berupa letak satu buah kutub sistem lingkar tertutup yang
terletak di titik +0.3.
a) Berbasiskan kepada hasil estimasi model proses pada soal no. 1 disainlah
sebuah pengendali dua-derajat-kebebasan dengan menggunakan metode
penempatan kutub, kemudian tentukan nilai parameter pengendali tersebut
sehingga unjuk kerja yang diinginkan tersebut tercapai!
b) Tunjukkan keluaran proses pada keadaan tunak sama dengan nilai sinyal
acuan yang diberikan! (Diasumsikan sistem kendali lingkar tertutup stabil)
c) Faktor apa yang membuat sehingga keluaran proses pada keadaan tunak
sama dengan nilai sinyal acuan?
d) Dengan menggunakan pengendali yang mengandung unsur integrator galat
tunak juga dapat dihilangkan. Apa perbedaan antara pengendali integrator
ini dengan pengendali dua-derajat-kebebasan?
(9) Jika model filter derau pada sistem soal no. 6 diwakili oleh fungsi alih
1 n(t ) 1  0.8z 1
Gn ( z )  
e(t ) 1  a1z 1
dengan e(t) adalah derau putih dan a1 adalah nilai estimasi parameter
proses, maka disainlah pengendali dua-derajat-kebebasan dan tentukan
nilai parameter pengendali!
(10) Diketahui suatu sistem ARMAX dengan waktu tunda d = 1 dan
A( z 1 )  1  0.9z 1
B( z 1 )  1  1.5z 1
C( z 1 )  1  0.5z 1
Tunjukkan bahwa algoritma kendali yang berusaha untuk memotong

polinomial B didalam persamaan karakteristik menjadi tidak stabil jika B
diganti dengan (1 – 1.55z-1).
(11) Suatu sistem deterministik diwakili oleh persamaan berikut ini:
A(z-1)y(t) = B(z-1)u(t-1)
dengan polinomial B dapat ditulis kembali menjadi B = B+B-: B+ mempunyai

akar yang berada didalam unit lingkaran dan B- diluar unit lingkaran.
Turunkan aturan sintesa penempatan kutub untuk polinomial pengendali F,
G, dan H dari pengendali dengan dua-derajat-kebebasan untuk memenuhi
persamaan sistem lingkar tertutup
Soal Latihan 195
Pd ( z 1 )y (t )  B  ( z 1 )H ( z 1 )w (t  1)
(12) Diketahui suatu sistem yang direpresentasikan oleh persamaan
A(z-1)y(t) = z-kB(z-1)u(t) + C(z-1)e(t)
dengan
A( z 1 )  1  1.8z 1  0.81z 2  1  0.9z 1  

2
B( z 1 )  1  0.6z 1
 
C( z 1 )  1  1.1z 1  0.3z  2  1  0.5z 1 1  0.6z 1 
a) Untuk k = 1 tentukan nilai parameter pengendali variansi minimum g0 dan g1
dalam bentuk aksi kendali
u (t )  
g 0 g 1 z 1 
y (t )
B( z 1 )
b) Untuk k = 2 tentukan nilai parameter pengendali variansi minimum f1, g0 dan

g1 dalam bentuk aksi kendali
u (t )  
g  g 1 z 1
0 
y (t )
 
1  f1 z 1 B( z 1 )
(13) Diketahui pengendali GMV dengan P = 1, R = 1, dan Q = q0 diaplikasikan

pada sistem
y (t ) 

z 2 1  0.6z 1
u ( t

) 
1  1.1z 1  0.6z 2
e(t )
1  0.9z 1 1  0.9z 1
Tentukan nilai parameter q0 sehingga akar-akar sistem lingkar tertutup

terletak di 1 – 0.5z-1.
(14) Mengapa metode variansi minimum tidak dapat digunakan pada sistem
nonminimum-phase?
(15) Diketahui suatu sistem diwakili oleh persamaan berikut ini
y (t )  1.6 y (t  1)  0.64y (t  2)  u(t  1)  1.5u(t  2)  e(t )
a) Disain pengendali untuk masalah regulator dengan menggunakan metode

variansi minimum dan algoritma Peterka.
b) Gambarkan struktur sistem kendali lingkar tertutup untuk kedua metode
tersebut, serta carilah fungsi keluaran y(t).
196 Soal Latihan
c) Sebutkan keuntungan algoritma Peterka dibandingkan metode variansi

minimum standar.
d) Tentukan besarnya variansi keluaran.
e) Carilah nilai tunak keluaran pengendali u(t) untuk kedua metode tersebut,
dan berikan analisis pada jawaban saudara.
(16) Diketahui suatu sistem diwakili oleh model CARIMA (controlled auto-
regressive integrated moving average) berikut ini
0.4u(t  1) e(t )
y (t )  
(1  0.5z ) (1  0.5z 1 )
1
dengan y(t), u(t) berturut-turut adalah keluaran dan masukan proses,

sedangkan e(t) adalah derau putih dengan rata-rata nol.
a) Dengan mengasumsikan karakteristik sistem yang dikendalikan tidak

berubah, maka tentukan aturan kendali dengan metode Generalised
Predictive Control (GPC) untuk prediction horizon m=2 dan control horizon
p=2!
b) Jika harga awal keluaran proses y(0) sama dengan nol dan sinyal acuan
yang diberikan adalah fungsi step, maka tentukan keluaran sinyal kendali
u(0) dan nilai cost function J untuk t=0!
c) Selain GPC, sebutkan dua metode kendali prediktif lain yang menggunakan
model proses non-parametrik seperti yang pernah diajarkan didalam kuliah!
Sebutkan satu keuntungan dan satu kerugian penggunaan model non-
parametrik dibandingkan model parametrik!
d) Baik GPC maupun GMV (Generalised Minimum Variance) sama-sama
menggunakan cost function sebagai spesifikasi kinerja yang diinginkan.
Sebutkan satu perbedaan utama dari bentuk cost function kedua metode
tersebut.
0.6u(t  1) e(t )
y (t )  
(1  0.8z ) (1  0.8z 1 )
1


berubah dan sinyal acuan berupa fungsi step, maka tentukan aturan kendali
dengan metode Generalised Predictive Control (GPC) untuk prediction
horizon m=3, control horizon p=2, dan bobot sinyal kendali =1.
Soal Latihan 197
b) Sistem yang dikendalikan adalah kausal dengan harga awal keluaran proses
y(0) sama dengan nol. Tentukan keluaran sinyal kendali u(0) dan nilai cost
function J untuk t=0!
(18) Diketahui suatu sistem diwakili oleh model CARMA berikut ini
Ay (t )  z d Bu(t )  Ce(t )
dengan
A  1  1.8z 1  0.81z 2  (1  0.9z 1 ) 2

B  1  0.6z 1
C  1  1.1z 1  0.3z  2  (1  0.5z 1 )(1  0.6z 1 )
a) Untuk d=2, tentukan nilai parameter pengendali variansi minimum f1, g0, g1
dalam
(g 0  g 1z 1 )
u (t )   y (t )
(1  f1z 1 )B
b) Tentukan nilai variansi keluaran proses y(t) jika variansi e(t) adalah satu-
satuan.
a) Jika polinomial B diubah menjadi B = 1+2z-1, disainlah persamaan sinyal

kendali u(t) dengan algoritma Peterka.
(19) Diketahui suatu sistem diwakili oleh model ARX (auto regressive exogenous)
berikut ini
1.12(1  0.6z 1 )
y (t )  u (t  1)
(1  0.2z 1 )(1  0.2z 1 )

sedangkan e(t) adalah derau putih dengan rata-rata nol. Sistem ini
memberikan respons seperti terlihat pada gambar 1 dengan masukan
berupa fungsi step satu satuan pada uji sistem lingkar terbuka. Data numerik
respons keluaran tersebut dapat dilihat pada tabel di bawah.
198 Soal Latihan
Gambar 1. Keluaran respons sistem
t 0 1 2 3 4 5
y(t) 0 1.12 2.24 2.6432 2.7597 2.7901
a) Berdasarkan respons keluaran, tentukan model respons fungsi step untuk

sistem tersebut.
b) Dengan menggunakan metode dynamic matrix control, tentukan persamaan
sinyal kendali u(t) untuk sinyal acuan w(t) berupa fungsi step jika parameter
penalaan yang digunakan bobot kendali =8, prediction horizon p=3, dan
control horizon m=2.
c) Simulasikanlah hasil rancangan pengendali DMC dengan menggunakan
program Matlab jika sistem diberikan sinyal acuan fungsi step periodik
 1, 0  t  10

y (t )   1, 10  t  20
 1, 20  t  30

Plot respons keluaran y(t) terhadap sinyal acuan r(t) dalam satu grafik, dan
plot respons sinyal kendali u(t). Buatlah analisa respons transien dan galat
tunak dari kedua grafik tersebut
d) Jika hasil kinerja tidak memuaskan, lakukan penalaan parameter pengendali
DMC parameter bobot , prediction horizon p, atau control horizon m
sedemikian, sehingga sistem kendali prediktif memberikan kinerja
memuaskan.
(20) Diketahui suatu sistem mempunyai fungsi alih:

Soal Latihan 199
0.25z 1  0.15z 2
y (t )  u (t )
1  2z 1  0.96z  2
Apakah algoritma model algorithmic control dapat digunakan untuk

mengendalikan sistem tersebut? Berikan alasan pada jawaban saudara.
0.4u(t  1) e(t )
y (t )  
(1  0.5z ) (1  0.5z 1 )
1


berubah, maka tentukan aturan kendali dengan metode Generalised
Predictive Control (GPC) untuk prediction horizon m=2 dan control horizon
p=2!
b) Jika harga awal keluaran proses y(0) sama dengan nol, maka tentukan
keluaran sinyal kendali u(0) dan nilai cost function J untuk t=0!
c) Selain GPC, sebutkan dua metode kendali prediktif lain yang menggunakan
model proses non-parametrik seperti yang pernah diajarkan didalam kuliah!
Sebutkan satu keuntungan dan satu kerugian penggunaan model non-
parametrik dibandingkan model parametrik!
d) Baik GPC maupun GMV (Generalised Minimum Variance) sama-sama

menggunakan cost function sebagai spesifikasi kinerja yang diinginkan.
Sebutkan satu perbedaan utama dari bentuk cost function kedua metode
tersebut.

Diktat Kuliah Sistem Kendali Prediktif Dan Adaptif

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Diktat Kuliah Sistem Kendali Prediktif Dan Adaptif

Diunggah oleh

Hak Cipta:

Format Tersedia

DIKTAT KULIAH

SISTEM KENDALI PREDIKTIF DAN ADAPTIF

Dr. Aries Subiantoro Seri Diktat Teknik Kendali

2 Model Sistem dan Metode Estimasi Parameter Rekursif 15

3 Disain Pengendali Dengan Metode Penempatan Kutub 53

4 Disain Pengendali Dengan Metode Variansi Minimum 71

5 Disain Pengendali Dengan Metode Model Predictive

5.1 Pendahuluan ............................................................................... 89

6 Pengendali Swa-Tala: Penempatan Kutub dan Variansi

7 Manajemen Estimator dan Pengendali Swa-Tala 125

8 Aplikasi Sistem Kendali Swa-Tala 147

8.2.1 Identifikasi Sistem Tangki Terhubung .............................. 172

Daftar Acuan 193

Gambar 1.1 Diagram blok lup umpan balik sederhana ........................................ 4

Gambar 7.10 Grafik sinyal kesalahan prediksi (atas), rata-rata kesalahan

t : indeks waktu diskrit

Pengantar Sistem Kendali Adaptif

1.1 Perkembangan Sistem Kendali Adaptif

adaptif masih terbatas pada perangkat keras analog dikarenakan teknologi

Saat ini dengan pesatnya perkembangan teknologi semikonduktor dan

Perkembangan metode-metode mutakhir untuk kendali adaptif dipresentasikan

1.2 Mengapa Harus Kendali Adaptif

(a) Time-invariance: Sebagian besar teori sistem kendali konvensional

invariance adalah dasar dari prosedur perancangan pengendali

Salah satu tujuan pengendali adaptif adalah untuk mengkompensasi variasi

Pada teori kendali konvensional sistem sering diasumsikan linier dengan

Aktuator Non Linier

Contoh 1.1 Katup tak linier

Gambar 1.1 Diagram blok lup umpan balik sederhana

Sistem Pengendalian Konsentrasi

Contoh 1.2 Sistem kendali konsentrasi

Gambar 1.3 Diagram skematik sistem kendali konsentrasi

Suatu kesetimbangan masa memberikan

Gambar 1.4 Respon konsentrasi c untuk aliran yang berbeda

Sistem Kendali Pesawat

Gambar 1.5 memperlihatkan variabel-variabel pesawat terbang jenis F4-E [12]

 a11 a12 a13   b1 

Gambar 1.6 menunjukkan pita penerbangan dan 4 kondisi penerbangan yang

Gambar 1.6 Pita penerbangan untuk pesawat jenis F4-E [1]

a21 0.2648 0.2201 0.08201 -0.6896

b1 -97.78 -272.2 -85.09 -175.6

Contoh 1.4 Respon-respon lup terbuka yang berbeda

Diasumsikan sistem mempunyai fungsi alih lup terbuka

Contoh 1.5 Respon-respon lup terbuka yang mirip

Diasumsikan sistem mempunyai fungsi alih lup terbuka

1.3 Struktur Sistem Kendali Adaptif

Sistem Kendali Swa-Tala

Gambar 1.9 Struktur sistem kendali swa-tala

Model Reference Adaptive Control (MRAC)

Gain Scheduling (Penguat Terjadual)

Gambar 1.10 Struktur Model Reference Adaptive Control

Gambar 1.11 Struktur gain scheduling

Ketiga skema sistem kendali adaptif di atas mempunyai kekurangan dan

Model Sistem dan Metode Estimasi

2.1 Model Sistem Untuk Estimasi Rekursif

y (t )  a1 y (t  1)    ana y (t  na )  b0 u(t )  b1u(t  1)    abnb u(t  nb ) (2.1)

Dengan mendefinisikan operator backward shift z-1 sebagai

dengan A dan B adalah polinomial dalam operator z-1

y(t) yd(t) ud(t) u(t) y(t)

Sampler & Sampler &

Sinyal gangguan tersebut diasumsikan dapat diwakili model autoregressive

n(t )  d1 n(t  1)    d p n(t  p )  e(t )  c1e(t  1)    c p e(t  p ) (2.7)

dengan  e2 adalah variansi dan  ( ) adalah fungsi impuls diskrit

u(t) z-1B(z-1) yu(t) y(t)