Abstrak Sistem pendulum terbalik (inverted

pendulum) adalah sistem yang mensimulasikan sebuah

mekanisme kontrol untuk mengatur permasalahan kestabilan.
Sistem pendulum dapat dikendalikan sedemikian rupa sehingga
pendulum tetap pada kondisi tegak dan stabil. Proses
pengaturan sistem ini semakin kompleks seiring dengan
semakin kompleksnya plant atau proses yang akan diatur.
Kesulitan dari pengaturan juga terjadi saat sistem mengalami
gangguan baik dari luar maupun dari dalam. Gangguan dari
luar biasanya noise dan disturbance, sedangkan gangguan
dari dalam bisa berupa ketidaklinieran sistem atau perubahan
parameter sistem. Karena itu untuk mengatasi permasalahan
ini digunakan teknik kontrol adaptif fuzzy takagi sugeno
dengan menggunakan feedforward controller untuk optimasi
sistem adaptif. Penelitian ini akan membahas bagaimana
mengembangkan teknik kontrol tersebut sehingga pendulum
tetap berada dalam kondisi tegak. Penelitian yang akan
dilakukan adalah merancang kontroler fuzzy, membuat sistem
adaptive fuzzy, kemudian menganalisa bagaimana hasil dari
respon output yang didapatkan. Hasil yang didapatkan adalah
sistem dengan controller fuzzy dan feedforward lebih adaptif
dengan standard deviasi untuk steady state error sebesar 0.047
dan settling time sebesar 2.1 detik dibanding sistem yang hanya
mengunakan Fuzzy Logic Controller dengan standard deviasi
sebesar 0.102 radian dan settling time sebesar 5.3 detik.
Katakunci: adaptive fuzzy, inverted pendulum, feedforward
controller
I. PENDAHULUAN
Pada dasarnya sistem pengaturan adalah mengatur
sistem agar keluaran (output) dari sistem sesuai dengan
referensi yang diinginkan (desired output). Proses pengaturan
sistem ini semakin kompleks seiring dengan semakin
kompleksnya plant atau proses yang akan diatur. Kesulitan
dari pengaturan juga terjadi saat sistem mengalami gangguan
baik dari luar maupun dari dalam. Gangguan dari luar
biasanya noise atau derau, sedangkan gangguan dari dalam
bisa berupa ketidaklinieran sistem atau perubahan parameter
sistem. Permasalahan non linear merupakan tantangan
tersendiri dalam dunia sistem kontrol. Hal ini disebabkan
karena sistem secara fisik sangat kompleks dan biasanya sulit
digambarkan oleh model matematis.
Masalah utama dalam teknik kontrol sistem non linier
adalah mengatur sistem agar outputnya sesuai dengan
referensi yang diinginkan sekaligus menjaga sistem dari
gangguan. Beberapa metode yang telah digunakan adalah
kontrol PID, Fuzzy Logic Controller, MRAC, kontrol optimal
LQR, state observer, Robbust Fuzzy, Genetic Algorithm,
Sliding Method, dan metode kontrol lainnya.
Sistem pendulum terbalik (inverted pendulum) adalah
sistem yang mensimulasikan sebuah mekanisme kontrol untuk
mengatur permasalahan kestabilan. Permasalahan kestabilan
ini bisanya terdapat pada roket saat melakukan take-off,
pengaturan lanjut pada mobil dan pengembangan robot
humanoid. Pendulum terbalik adalah salah satu plant yang
dinamis and nonlinier, sehingga pengaturannya menjadi rumit
apabila digunakan sistem kontrol yang konvensional. Selain
itu, tidak semua state dalam sistem inverted pendulum terukur.
Karena itu untuk mengatasi permasalahan ini digunakan
teknik kontrol adaptif fuzzy takagi sugeno dengan menggunaka
feedforward controller untuk optimasi sistem adaptif.
Permasalahan yang akan dibahas yaitu cara mengatur
posisi pendulum sehingga posisi pendulum berada paada titik
equilibriumnya dengan toleransi osilasi masih disekitar area
stabilisasi yaitu maksimal sebesar 20 persen. Untuk mengatasi
masalah ini digunakan kontrol adaptive fuzzy.
Batasan masalah dalam paper ini adalah model sistem
dari inverted pendulum merupakan sistem yang Linear Time
Invariant, gerak pendulum hanya dibatasi dalam dua dimensi
sehingga pendulum terbalik tersebut bergerak pada dua arah
derajat kebebasan, besarnya toleransi osilasi maksimum
sebesar 20 persen, penentuan model yang diteliti berdasarkan
kasus yang memiliki variabel yang sudah ditentukan yaitu
untuk massa kereta (M) sebesar 0.5 kg, massa dari pendulum
(m) 0.2 kg, koefisien gesek (b) sebesar 0.1 N/m/sec, panjang
pendulum (l) sebesar 0.3 meter, momen inersia(i) dari
pendulum berbahan baja sebesar 0.006 kg.m
2
, percepatan
gravitasi (g) 9.8 m/s
2
, dengan input sebesar 1N, sedangkan
untuk desain sistem dan algoritma kontrol akan disimulasikan
dengan bantuan SIMULINK MATLAB 2009b, gesekan di
sekitar tumpuan diabaikan, dan analisa dan simulasi dilakukan
pada saat kondisi adaptive inverted pendulum yaitu pendulum
berada pada posisi tegak (0 derajat) atau kondisi kondisi
swing up. Tujuan penelitian penelitian ini adalah mendesain
adaptive Fuzzy logic controller untuk mengetahui dan menjaga
kestabilan sistem inverted pendulum dalam area
kestabilannya. Serta mensimulasikan adaptif fuzzy controller
pada inverted pendulum dengan menggunakan MATLAB
Simulink 2009b.
Pengembangan Algoritma Sistem Kendali Cerdas
dengan Metode Adavtive Fuzzy untuk Inverted
Pendulum
Syamsu Alam Ahmady
Department of Mechanical Engineering, Faculty of Industrial Technology
ITS Surabaya Indonesia 60111
email: syamsu_alam2005@yahoo.com
1
Salah satu alternatif untuk menolong korban
reruntuhan adalah dengan membuat alat evakuasi korban yang
sederhana, dapat mengangkat beban berat, dapat menjangkau
lokasi yang sempit, tidak memakan banyak tempat dan harga
produksinya murah. Berangkat dari permasalahan inilah, maka
kami mencoba merancang alat bantu evakuasi alternatif
berupa mekanisme pesawat pengangkat sederhana
berpenggerak sepeda statis yang berfungsi untuk menolong
korban dari jepitan reruntuhan suatu material.
Sepeda dipilih karena merupakan alat transportasi
yang paling populer di masyarakat dan dimiliki oleh mayoritas
penduduk di Indonesia karena harganya yang relatif
terjangkau serta tidak memakan banyak tempat. Sepeda yang
digunakan dalam Tugas Akhir ini adalah sepeda dengan multy
sprocket pada bagian roda belakangnya.
II. DASAR TEORI
2.1 Hasil Penelitian Terdahulu
Pada dasarnya sistem pengaturan adalah mengatur sistem agar
keluaran (output) dari sistem sesuai dengan referensi yang
diinginkan (desired output). Semakin kompleks plant atau
proses, maka kontrol yang didesain pun akan menjadi semakin
kompleks. Adanya gangguan dari luar (disturbance) maupun
dari dalam (noise, nonlinearitas, dan perubahan parameter)
menambah kerumitan desain kontrol. Selain itu, kenonlinearan
dari plant atau proses itu sendiri merupakan masalah yang
cukup rumit. Bahkan hingga saat ini, permasalahan non linier
masih menjadi dunia tantangan dalam dunia sistem kontrol.
Sistem non linier sangat kompleks dan sulit digambarkan
dalam bentuk model matematik.
Pada sistem pendulum terbalik, kenonlinieran tampak
pada persamaan diferensialnya. Karena kenonlinieran itu,
maka desain kontrol untuk mengatur sistem pendulum terbalik
juga menjadi lebih rumit. Telah banyak metode-metode yang
diujikan pada sistem pendulum terbalik ini, dan beberapa
diantaranya memberikan hasil yang memuaskan. Tetapi dalam
hal kenonlinearannya, masih terdapat beberapa kesalahan
untuk memodelkan plant.
Pendulum terbalik merupakan sistem yang dinamis
dan nonlinear. Sistem pendulum terbalik mensimulasikan
mekanisme kontrol untuk kesatabilan. Pengaturan posisi dan
kestabilan pendulum ini dilakukan dengan menggerakkan
kereta. Bentuk fisik pendulum dideskripsikan sebagai berikut:
a. Kereta beroda yang dapat bergerak ke kanan
atau ke kiri.
b. Pendulum dengan tangkainya yang
dipasangkan dibagian tengah atas kereta
yang adaptif bergerak ke kiri dan ke kanan
dengan membentuk sudut ke arah vertical.
Pendulum sebetulnya tidak stabil dan mungkin jatuh ke segala
arah. Tetapi dalam hal ini untuk penyederhanaan, gerak
pendulum hanya dibatasi dalam dua dimensi sehingga
pendulum terbalik tersebut bergerak pada dua arah derajat
kebebasan.
Berdasarkan penelitian Vincent et. al. (2007) [7]
didapatkan bahwa fuzzy kontroler sendiri merupakan sistem
yang adaptif kemudian dengan observer kontroler dia berhasil
mengoptimasi respon dari masing masing output. Dalam
penelitian tersebut dibandingkan antara sistem menggunakan
fuzzy dan sistem tanpa menggunakan fuzzy. Namun
berdasarkan hasil analisa respon output dari simulasi
perbandingannya tidak menghasilkan perbedaan yang
signifikan. Hal ini disebabkan karena rule fuzzy yang terbentuk
relative sedikit. Namun dengan melakukan simulasi dan
implementasi dapat diketahui bahwa dapat dikendalikan dalam
posisi tegak.
Hendrik et.al.(2000)[11] telah melakukan
implementasi dengan kendali berbasis logika fuzzy terhadap
sebuah pendulum terbalik rotasional. Kendali logika fuzzy
diimplementasikan pada mikrokontroler 89C51. Di sini
digunakan 2 input yaitu angle dan delta_angle dan output
kecepatan motor beserta arah putarannya. Jumlah rule yang
digunakan bervariasi dan diekstrak menggunakan logika
pakar. Strategi min-max diterapkan pada proses fuzzy
reasoning dan hasilnya dikembalikan dalam bentuk crisp
dengan metode defuzzifikasi center of area (COA). Sejumlah
pengujian telah dilakukan dengan variasi beban yang
diberikan pada pendulum, variasi jumlah rule yang digunakan
dan pemberian gangguan pada pendulum. Dari hasil
percobaan didapatkan bahwa sistem kendali logika fuzzy
mampu untuk mempertahankan pendulum pada posisi tegak.
Eric dkk. (2006)[12] mendesain sebuah robot
inverted pendulum dengan menggunakan fuzzy logic controller
yang diimplementasikan pada sebuah hardware Field
Programmable Gate Array (FPGA). Metode fuzzy yang
digunakan untuk mendesain kontroler adalah metode
Mamdani yang menggunakan bilangan integer sebagai range
pada membership function untuk mensederhanakan kontruksi
dan kinerja sistem. Sebuah akselerometer dan giroskop
digunakan sebagai sensor untuk mendeteksi dan memonitor
kedudukan robot. Input yang digunakan untuk membangun
kontroler ini adalah error pada sudut angular dan kecepatan
sudut angular. Sehingga dengan asumsi dan syarat tidak ada
gangguan eksternal pada sistem dan robot maka dapat
dihasilkan bahwa robot mampu untuk mempertahankan
posisinya dalam keadaan tegak dengan range sudut -10<
<10 derajat.
Wahyudi et.al.(2010)[13] mengimplementasikan
fuzzy logic controller pada sebuah sistem pengereman kereta
api. Penggunaan kontroler logika fuzzy dapat mengurangi gaya
hentakan yang terjadi pada saat pengereman, tetapi jarak
tempuh henti dari saat pengereman lebih jauh jika
dibandingkan dengan menggunakan pengereman
konvensional.
Metode yang akan digunakan dalam penelitan ini
adalah adaptive fuzzy dengan menggunakan metode fuzzy logic
takagi sugeno sebagai kontroler dan sedangkan untuk
membangun sistem yang lebih adaptif metode yang digunakan
adalah feedforward control. Dengan memodelkan inverted
pendulum maka didapatkan sebuah model yang kompleks dan
non linear. Kemudian dengan linearisasi maka membuat
model menjadi linear dan kemudian hasil linearisasi ini
kemudian diubah ke dalam bentuk state space yang
merepresentasikan masing-masing plant. Dari representasi
state space tersebut dirancang kontroler untuk mengatur
masing-masing plant. Penentuan kontroler ini dilakukan
2
dengan fuzzy logic toolbox yang terdapat pada software
MATLAB yang biasa disebut dengan Fuzzy Inference System
(FIS). Sebelum mendesain kontroler terlebih dahulu dilakukan
penentuan himpunan fuzzy, membership function, fuzzy rule,
dan gain kontrol. Penentuan gain kontrol-nya dilakukan
dengan metode kontrol optimal LQR (Linear Quadratic
Regulator) sehingga hasil yang dicapai oleh masing-masing
kontroler dapat optimal dengan criteria tertentu yaitu minimum
energy drive, minimum energy state, minimum intermediate
cost [9]. Pada tugas akhir ini, adaptif Fuzzy berbasis metode
feedforward akan diterapkan untuk akan diterapkan untuk
mengatasi permasalahan dinamika dan kenonlinieran dari
sistem pendulum terbalik. Untuk simulasi metode kontrol
diujikan dengan menggunakan simulink MATLAB.
2.2 Model Inverted Pendulum
[3],[4], dan [5] menyatakan bahwa secara umum
pendulum selalu bergerak ke posisi setimbangnya. Waktu
yang diperlukan untuk mencapai posisi setimbangnya
bergantung pada titik tumpu dan titik beratnya. Inverted
Pendulum adalah sistem pendulum yang titik beratnya berada
pada titik tumpunya sehingga pada kesetimbangan yang dapat
dicapai adalah kesetimbangan labil. Kesetimbanagan ini tidak
mudah dicapai.
Berikut ini pada gambar 2.2 adalah skematik kereta
pendulum dan gaya yang mandrive kereta pendulum. Gambar
2.3 adalah skema gaya yang bekerja pada inverted pendulum.
Kereta dapat bergerak sepanjang papan horizontal.
Gaya kontrol F (atau bisa disimbolkan dengan u karena
merupakan input dari model sistem) bekerja parallel dengan
arah papan. Massa kereta adalah M dan massa batang adalah
m serta l adalah panjang batang pendulum dan I adalah
momen inersia sistem kereta-pendulum. Dengan asumsi
bahwa:
M 0.5 kg
m 0.2 kg
b 0.1 N/m/detik
l 0.3 m
I 0.006 kg.m
2
Gambar 2.2 Model Inverted pendulum
Gambar 2.3 skema gaya free body diagram yang bekerja pada
inverted pendulum
Sistem state terdiri dari komposisi:
-


adalah jarak sudut antara vertical tegak
dengan jatuhnya posisi pendulum
-
x
adalah posisi kereta
-

&
adalah kecepatan sudut
- x&adalah kecepatan kereta
Dengan menjumlahkan gaya pada arah horizontal maka
didapatkan persamaan:
F mx

&
Mx bx N F + + && & (2.1)
Karena kereta pendulum bergerak pada arah horizontal maka
penjumlahan gaya pada arah vertikal diabaikan.
Pada gambar 2.2 free body diagram dibagi menjadi 2 yaitu
free body diagram untuk kereta dan free body diagram untuk
pendulum. Dengan menjumlahkan gaya-gaya pada arah
horizontal maka didapatkan persamaan untuk N:
r F I
&&
2
I
F
r
ml
F
l
F ml

&&
&&
&&
Komponen gaya inersia yang bekerja pada arah N adalah
cos ml
&&
.
2
2
2 2
2
I
F
r
I
F
r
ml
F
l
F ml

&
&
&
Komponen gaya tangensial yang bekerja pada arah N adalah
2
sin ml
&
.
Sehingga didapatkan penjumlahan gaya-gaya pada arah N:
2
cos sin
N
F mx
N mx ml ml

&&
&& &
&&
(2.2)
dengan mensubtitusi persamaan 2.1 pada persamaan 2.2 maka
didapatkan persamaan gerak:
3
2
( ) cos sin M m x bx ml ml F + + +
&& &
&& &
( 2.3)
Untuk mendapatkan persamaan gerak selanjutnya, maka pada
free body diagram pendulum dengan menjumlahkan gaya-gaya
yang tegak lurus dengan batang pendulum didapatkan:
t
sin cos sin cos
PP g tr
F ma ma
P N mg ml mx
+
+ +

&&
&&

(2.4)
Untuk mencari nilai P dan N pada persamaan di atas, maka
dengan menjumlahkan momen di sekitar titik tumpu batang
pendulum didapatkan persamaan gerak:
sin cos
pend
I
Pl Nl I

&&
&&
(2.5)
Dengan mengkombinasikan persamaan 2.4 dan 2.5 maka
didapatkan:
2
( ) sin cos I ml mgl mlx + +
&&
&&
( 2.6)
Maka persamaan untuk cart dan pendulum adalah sebagai
berikut
2
( ) cos sin M m x bx ml ml F + + +
&& &
&& &
2
( ) sin cos I ml mgl mlx + +
&&
&&
Dengan yang dibutuhkan adalah model linier maka dilakukan
linierisasi persamaan matematis(secara manual) dengan
mengasumsikan + ( merepresentasikan jarak
antara sudut dengan vertical tegak pendulum yang nilainya
relative kecil). Sehingga nilai dari cos 1 , sin ,
dan (
2
( ) 0
d
dt

. Dengan adanya asumsi dan linierisasi maka

didapatkan persamaan gerak (u merepresentasikan input):
( ) M m x bx ml u + +
&&
&& &
(2.7)
2
( ) I ml mgl mlx +
&&
&&
(2.8)
2.3.3 Fungsi Transfer (Transfer Function)
Untuk mendapatkan transfer function yang
terlinierisasi maka terlebih dahulu dilakukan transformasi
laplace dari persamaan sistem (2.7 dan 2.8). Transformasi
laplace yang didapatkan diantaranya:
2 2 2
( ) ( ) ( ) ( ) I ml s s mgl s mlX s s +
(2.9)
2 2
( ) ( ) ( ) ( ) ( ) M m X s s bX s s ml s s U s + +
(2.10)
Dari persamaan di atas (2.9) didapatkan persamaan untuk
X(s):
2
2
(
( ) ( )
I ml g
X s s
ml s
1 +

1
]
(2.11)
Dengan mensubtitusikan persamaan (2.9) ked al;am
persamaan (2.11) maka didapatkan:
2
2
4 3 2
( )
( ) ( ) ( )
ml
s
s q
b I ml M m mgl bmgl U s
s s s s
q q q

+ +
+
(2.12)
Dimana,
2 2
( )( ) ( ) q M m I ml ml 1 + +
]
(2.13)
sehingga didapatkan persamaan transfer fungsi yang
disederhanakan:
2
3 2
( )
( ) ( ) ( )
ml
s
s q
b I ml M m mgl bmgl U s
s s s
q q q

+ +
+

(2.14)
2.3.4 State Space
Semua sistem di alam semesta ini dapat direpresentasikan ke
dalam bentuk model matematika. Model matematika sendiri
ada beberapa bentuk. Salah satu bentuk popular yang sering
dipakai untuk menganalisa sistem adalah bentuk keadaan
ruang (state space). Dalam bentuk state space, persamaan
matematika dari sistem dibuat ke dalam bentuk persamaan
matriks berikut:
x Ax Bu
y Cx Du
+
+
&
Dimana A, B, C, dam D adalah matriks atau bisa juga dalam
bentuk vector, sementara x adalah state, y adalah output sistem
dan u adalah input sistem.
Persamaan yang didapatkan dari hasil linierisasi sebelumnya
dapat diubah ke dalam bentuk state space:
4
2 2 2
2 2
2 2
2
2
2
0 1 0 0
( )
0 0
( ) ( )
0 0 0 1
( )
0 0
( ) ( )
0
( )
0
( )
1 0 0 0
0 0
x x
I ml b m gl
x x I M m Mml I M m Mml
mlb mgl M m
I M m Mml I M m Mml
I ml
I M m Mml
u
ml
I M m Mml
y
1
1
1 1 +
1
1 1
1 + + + +
1 1
+
1
1 1
1
1 1
1
+
] ]
1
+ + + +
]
1
1
+
1
1 + +
1
1
1
1
+ +
]

&
&& &
&
&& &
0
1 0 0
x
x
u
1
1
1 1
1
+
1 1
1
] ]
1

]
&
&
(2.17)
Matriks C besarnya 2 kali 4 (baris kali kolom) disebabkan
karena posisi dari kereta dan pendulum merupakan bagian dari
output sistem.
2.7 Linearisasi [8]
[8] menyatakan bahwa menurut linearitasnya, sistem dapat
dibagi menjadi dua bagian, yaitu sistem linier dan sistem non-
linier. Salah satu cara untuk mengujinya adalah dengan
memberikan input dan mengamati outputnya. Apabila input
berbobot memberikan output dengan bobot yang sama, maka
sistem tersebut disebut linier. Sistem yang linier adalah sistem
yang banyak dicari, karena sistem yang linier memiliki
penyelesaian yang cukup mudah dan juga mudah untuk
dianalisa. Tetapi pada kenyataannya, sebagian dari sistem
yang ada merupakan sistem yang tidak linier.
Dalam tahun-tahun terakhir, teori linierisasi telah
dikembangkan untuk mengatasi permasalahan ketidaklinieran
sistem, sehingga sistem yang non-linier bisa didekati dengan
sistem linier hasil linierisasi. Salah satu teknik linierisasi yang
akan dibicarakan pada buku ini adalah prosedur linierisasi
yang berdasarkan ekspansi fungsi non-linier ke bentuk deret
taylor pada titik operasi tertentu dan pengambilan persamaan
pada term linier saja. Karena itu, persamaan dalam orde tinggi
pada deret taylor harus dipastikan bernilai sangat kecil
sehingga penyimpangan yang ada tidak terlalu berpengaruh
pada sistem linier hasil linierisasi.
Untuk mendapatkan model matematika linier dari
sebuah sistem yang non linier, diasumsikan variabel-variabel
sistem memiliki penyimpangan sangat kecil pada titik operasi
tertentu. Apabila input sistem adalah x(t) dan outputnya adalah
y(t), hubungan antara x(t) dan y(t) adalah
y = f(x)
Jika titik operasi normal adalah x%dan y%
, maka
persamaan diatas dapat diekspansikan ke dalam bentuk deret
Taylor sebagai berikut
2
2 ...
2
( )
1
( ) ( ) ( )
2!
y f x
df d f
y f x x x x x
dx dx
+

+ + % % %
(2.18)
dimana persamaan yang mengandung turunan dievaluasi pada
x x %. Jika variasi x x %kecil, maka komponen orde tinggi
dapat diabaikan sehingga persamaannya menjadi
( ) y y K x x + % %
(2.19)
dimana
( )
( )
x x
y f x
df x
K
dx

%
% %
(2.20)
2.5 Completely State Controllable
[8] menyatakan bahwa semua sistem di alam semesta
ini dapat direpresentasikan ke dalam bentuk model
matematika. Model matematika sendiri ada beberapa bentuk.
Salah satu bentuk popular yang sering dipakai umtuk
menganalisa sistem adalah bentuk keadaan ruang (state space).
Dalam bentuk state space, persamaan matematika dari sistem
dibuat ke dalam bentuk persamaan matriks sebagai berikut
x Ax Bu
y Cx Du
+
+
&
Dimana A, B, C, dan D adalah matriks atau bisa juga dalam
bentuk vektor, sementara x adalah state, y adalah output sistem
dan u adalah input sistem. Beberapa sistem dapat dikontrol
dan memiliki alat ukur untuk semua state, namun ada
beberapa sistem yang tidak memilikinya. Sistem yang dapat
dikontrol disebut sistem yang completely state controllable.
Uji kontrolabilitas dapat dilakukan dengan membuat matriks
M
2 1
...
n
M B AB A B A B

1
]
apabila rank dari matriks M ini penuh (full rank), maka sistem
dikatakan completely state controllable.
2.6 Optimal Linear Quadratic Regulator
[9] menyatakan bahwa ada beberapa jenis pengaturan
teknik untuk mendesain sistem pengaturan. Di antaranya
adalah sistem pengaturan yang berbasiskan maksimisasi atau
minimalisasi sistem pengaturan tertentu. Sistem pangaturan ini
disebut sistem pengaturan optimal. Beberapa contoh fungsi
kriteria diantaranya.
Minimum Error State Feedback
lim ( ) ( )
T
t
J E t SE t

(pers. 2.21)
Intermediate Error Minimum
5
0
( ) ( )
a
t
T
t
J E t SE t dt

(pers 2.22)
General
0
lim ( ) ( ) ( ) ( )
a
a
t
T T
t t
t
J E t SE t E t PE t dt

(pers. 2.23)
Minimum Energy
0
1 1
( ) ( ) { ( ) ( ) ( ) ( )
2 2
a
t
T T T
a a
t
J X t SX t X t QX t U t RU t dt + +

(pers. 2.24)
Minimum Variance
2
1
2
x
J dt

(pers. 2.25)
Dalam Linear Quadratic Regulator (LQR), fungsi
criteria atau performance Index yang dipakai adalah minimum
energi.
Diasumsikan sistem dalam representasi state space
seperti pada persamaan (16) dengan x(t0) adalah x0 dan x(ta)
adalah free karena pada sistem pendulum tujuan akhir batang
pendulum adalah di sekitar titik setimbang. Berdasarkan
variasi kalkulus formulasi Hamilton, fungsi kriteria yang
dipakai adalah persamaan (minimum energy) dengan
keterangan:
S: Matriks semi definit positif, simetris
Q:Matriks konstan, n x n, simetris, semi definit
positif
R:Matriks konstan, n x n, simetris, definit positif
1
( , , ) { ( ) ( ) ( ) ( )}
2
T T
L x u t x t QX t u t Ru t +
(2.26)
Persamaan Hamilton dari fungsi criteria di atas adalah
( , , , ) ( , , ) ( , , )
1 1
( , , , ) ( ) ( ) ( ) ( ) ( )
2 2
T
T T T
H x u t L x u t f x u t
H x u t x t Qx t u t Ru t Ax Bu


+
+ + +

(2.27)
Penyelesaian persamaan di atas beserta syarat perlu
dari variasi kalkulus formulasi Hamilton adalah
1
0
1 1
0
2 2
0
( ) ( )
T
T T
T
T
H
x Ax Bu
H
Qx A
x
H
u
Ru R u B
Ru B
u t R B t

+
+

+ +
+

&
&
(2.28)
Syarat perlu dari variasi kalkulus formulasi Hamilton untuk
batas akhir free
0
( ) ( ) 0
0
1
( ) ( ) ( ) ( )
2
( ) ( )
T T T T
x t t t t
T
a a a a
a a
V dx V H dt
t x t S t x t
S t x t
x

+ + + +

(2.29)
Sehingga persamaan syarat perlu dari variasi kalkulus
formulasi Hamilton untuk batas akhir free
( ) ( ) .0 ) 0
( ) ( ) ( )
a
T
a a t t
a a a
S t x t V dt
S t x t t

(2.30)
Persamaan lambda menjadi 2 persamaan, jika kedua
persamaan tersebut disatukan, maka persamaannya menjadi
( ) ( ) ( )
a a a
t S t x t
1
1
( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ){ } ( ) ( )
( ) ( ) ( ){ ( ) ( ) ( ) ( )
( )
T
T
T
T T
T T
t S t x t
t S t x t S t x t
t Qx t A t
S t x t S t x t Qx t A t
S t x t S t Ax Bu Qx t A t
S t x t S t Ax B R B Qx t A S t x t
Sx SA SBR B S A S Q x
S

+ +

+
+ +
+ +
+ +

& &
&
&
&
&
&
&
&
&
1
( )
T T
SA SBR B S A S Q

+ +

(2.31)
Persamaan () disebut persamaan differensial Ricatti.
Untuk s& = 0 persamaannya disebut Algebraic Ricatti
Equation (ARE). Pada MATLAB, penyelesaian persamaan
ARE dapat dilakukan dengan sintaks.
S=are(A,(B*inv(R)*B'),Q,R);
Sehingga persamaan sinyal kontrolnya menjadi
6
1
1
1
( ) ( )
( ) ( )
( ) ( )
T
T
T
u t R B t
u t R B x t
u t Kx t
K R B S

(2.32)
2.7 Metode Takagi Sugeno (Inference method Takagi
Sugeno)
%%
[ \
[

$$ $$ %%
&&
$$ $$ %% %%
\
5 XOH, I [ LV$ 5 DQG\LV% D WKHQ] & W
5 XOH, I [ LV$ 5 DQG\LV% D WKHQ] & W
]
]
&&
P LQ
P LQ
2 XWSXW
Gambar 2.5 Metode Inference Engine Takagi Sugeno
Suatu sistem fuzzy akan mengeluarkan output berupa
himpunan fuzzy (fuzzy output). Untuk dapat berinteraksi
dengan sistem di luar, maka perlu mengubahnya menjadi suatu
data crisp (tegas). Dengan proses defuzzifikasi maka
himpunan fuzzy hasil inferensi akan diubah menjadi suatu data
crisp tunggal. Data crisp tunggal inilah yang merupakan sinyal
kontrol. Metode yang digunakan dalam fuzzy takagi sugeno
biasanya dengan mencari rata-rata dari masing-masing
komposisi aturan (weighted average method).
(a) Weighted Average Method
Metode ini secara aljabar dinyatakan :
(z).z
i
z*
(z)
i

a b
z
0
0.5
1
Gambar2.6 Gambaran Weighted Average Method
Sebagai contoh, untuk output fuzzy di atas, maka nilai crisp-
nya adalah :
a(0.5) b(1)
z*
0.5 1
+

+
Untuk fuzzy controller proses pembobotan dan defuzzifikasi
dilakukan berdasarkan metode fuzzy takagi sugeno. Gain
kontrol K dapat dicari dengan metode pole placement untuk
tiap persamaan state atau bisa juga dengan metode optimal
Linear Quadratic Regulator (LQR). Untuk Fuzzy Controller,
bentuk aturannya menjadi:
If z1(t) adalah Fi1 and and zg(t) adalah Fig
then u(t)=-Kix(t) i= 1, 2, , r
Final output dari Fuzzy Kontroler adalah
1 1
( ) [ ( )] ( ) ( )
r r
i i i i
i i
u t z t K x t K x t




(2.33)
2.8 Feedforward Control
[6] dan [14] menyatakan bahwa Feedforward atau
umpan maju adalah suatu istilah dalam dunia kontrol yang
menggambarkan suatu unsur atau jalur yang melewati sinyal
kendali berasal dari suatu lingkungan eksternal suatu sistem
kontrol, sering kali unsur ini merupakan perintah dari operator
berdasarkan beban atau disturbance yang berasal dari
lingkungan eksternal tersebut. Beerbeda dengan sistem kendali
umpan balik (feedback control), feedforward kontrol tidak
memperhatikan output dalam menentukan suatu input suatu
sistem, tetapi penentuan input berdasarkan sinyal gangguan
(disturbance) yang dipakai sebagai referensi. Sedangkan
feedback control sangat memperhatikan sebuah output dalam
menentukan suatu input.
Gambar 2.7 Blok Diagram Feedforward Control
Pada sistem heat exchanger pada gambar 2.8 dapat
diketahui bahwa sistem kontrol yang dipakai adalah sistem
kontrol feedforward yang dikombinasikan dengan sistem
kontrol feedback:
Gambar 2.8 Heat Exchanger tank
Manipulated variable adalah variable yang
dimanipulasi (diubah-ubah besarnya) oleh controller dalam
rangka menjaga agar control variable tetap berada pada
setpointnya. Terlihat pada gambar 2.8 yang menjadi
manipulated variable adalah flow (aliran) steam. Sedanagakan
yang menjadi disturbance atau load dalam sistem heat
exchanger di atas adalah aliran air dingin (feed water) nyang
7
mengalir ke dalam tangki tersebut. Semakin besar aliran air
dingin yang masuk ke tangki, semakin banyak energi panas
yang dibutuhkan untuk memanaskan air, begitu pula
sebaliknya. Ketika kecepatan aliran air dingin W berubah
maka temperatur air dalam tangki To akan berubah. Pada
sistem yang tidak menggunakan feedforward controller dan
hanya menggunakan feedback controller saja time delay sistem
nilainya cukup besar sedangkan perubahan To tersebut tidak
langsung terukur oleh elemen sensing feedback loop sehingga
aksi koreksi yang dilakukan oleh feedback control juga
mengalami penundaan. Sementara itu akibat dari gangguan ini
terus masuk ke sistem, sehingga To selalu menyimpang dari
setpoint-nya. Pada konfigurasi kontrol ini, fluktuasi pada
kecepatan alir air W diukur oleh sensor flow, kemudian
diberikan ke flow controller (FC). Output FC akan
dijumlahkan dengan output feedback control TC untuk
kemudian dikirim ke control valve (CV). Dengan konfigurasi
ini, perubahan yang terjadi pada kecepatan alir W akan
langsung memanipulasi bukaan control valve steam/uap CV
sehingga To tidak sampai berubah. Sistem tersebut bisa
dimodelkan dengan blok diagram pada gambar 2.9
III. METODE
3.1. Langkah-langkah Penelitian
Pada penelitian tugas akhir ini untuk
mengembangkan sistem kendali cerdas dengan metode adaptif
fuzzy takagi-sugeno untuk inverted pendulum berdasarkan pada
hasil analisa respon sudut simpangan ( ), kecepatan sudut (

&
), posisi kereta ( x ), dan kecepatan kereta ( x&), maka dari itu
untuk memenuhi tujuan dari tugas akhir ini dibuat diagram alir
penelitian sebagai berikut.:
Start
Studi Literatur
Desain dasar Penelitian (latar
belakang, tujuan, batasan masalah ,
metodologi )
Model sistem
(fungsi transfer dan state space )
linier
Desai Kontroler Fuzzy
Tren mendekati
ideal
Optimizing adaptive Feedforward
controller
Scope output
lebih adaptive
Plant
Start
Kf
Analisa
Gambar 3.1 Diagram Alir Penelitian
8
3.1.1 Penelitian Awal
Permodelan Sistem dengan Simulink MATLAB
Gambar 3.2 Free body diagram inverted pendulum
Dilihat dari free body diagram di atas terdapat dua bagian
yaitu bagian kereta dan bagian pendulum. Masing-masing
bagian memiliki satu degree of freedom (dof). Untuk kereta
pendulum degree of freedomnya adalah posisi (
x
) sedangkan
pendulum degree of freedomnya adalah simpangan sudut ( ).
Kemudian berdasarkan persamaan Newton didapatkan:
2
2
2
2
1 1
( )
1 1
( cos sin )
x
cart
pend
d y dx
F F N b
dt M M dt
d
Nl Pl
dt I I

Dengan membagi masing-masing total gaya ke dalam dua

koordinat yaitu koordinat xp dan koordinat yp, maka
didapatkan:
2
2
2
2
2
2
2
2
p
x
pend
p
p
y
pend
p
d x
m F N
dt
d x
N m
dt
d x
m F P mg
dt
d y
P m g
dt



_
+


,

Dengan mengubah xp dan yp ke dalam fungsi :

2 2
2 2
2 2 2
2 2
2
2 2
sin
cos
sin cos
cos
sin
cos sin
p
p
p
p
p
p
x x l
dx
dx d
l
dt dt dt
d x
d x d d
l l
dt dt dt dt
y l
dy
d
l
dt dt
d y
d d
l l
dt dt dt

_
+

,

_


,
Maka didapatkan model simulink seperti pada gambar 3.3
Gambar 3.3 Permodelan Inverted Pendulum dengan
menggunakan Simulink MATLAB
Hasil permodelan plant inverted pendulum nantinya akan
dibuat subsystem dan diaplikasikan ke dalam sebuah blok
diagram sistem adaptif kontrol pada Simulink Modelling.
3.3 Desain Kontroler Fuzzy
Sistem pendulum merupakan sistem yang non linier, sehingga
dalam analisanya dibutuhkan linierisasi. Titik operasi yang
dipilih untuk proses linierisasi ini adalah sudut pendulum ( ).
Ada 3 buah titik operasi terpilih yaitu pada titik operasi -10
derajat (-0.1745 rad), 0 derajat (0 radian), dan 10 derajat
(0.1745 rad). Pertimbangan yang dipakai dalam menentukan
titik operasi ini adalah kontrolabilitas dan kestabilan model riil
pada titik operasi. Titik 0 derajat dipilih karena pada titik ini
terjadi keseimbangan yang diinginkan. Kontrol diperlukan
pada titik operasi ini untuk mempertahankan posisi sudut
pendulum titik 0 derajat ini (sistem setimbang sesuai dengan
keinginan). Pada titik 90 derajat, model pendulum tidak
completely state controllable sehingga sistem tidak
sepenuhnya dapat dipilih karena diasumsikan pada model riil
dari pendulum, massa dari pendulum lebih cepat jatuh jika
sudutnya terlalu besar. Pemilihan 3 titik operasi ini juga
dikarenakan sistem fuzzy takagi sugeno yang digunakan
memakai 3 fungsi keanggotaan (membership function) saja.
Model pendulum hasil Linierisasi
Dengan menggunakan MATLAB dilakukan linierisasi untuk
masing-masing 2 titik operasi yaitu titik 0 dan 10 derajat,
sedangkan untuk -10 derajat hasil dari matriks A, B, C, dan D
yang didapatkan sama nilainya dengan 10 derajat, maka
didapatkan:
Hasil linierisasi model pendulum pada titik 0 derajat adalah
1
1
0 0 1 0
0 0 0 1
0 2.6727 0.1818 0
0 31.1818 0.4545 0
0
0
1.8182
4.5455
A
B
1
1
1

1
1

]
1
1
1

1
1
]
9
Sedangkan hasil linierisasi model pendulum pada titik
10 derajat adalah
2
2
0 0 1 0
0 0 0 1
0 2.4491 0.1803 0
0 29.9608 0.4440 0
0
0
1.8034
4.4399
A
B
1
1
1

1
1

]
1
1
1

1
1
]
Dan hasil untuk matriks C dan D adalah
[ ]
1 0 0 0
0 1 0 0
0
C
D
1

1
]

Sebagaimana telah dijelaskan pada subbab 2.5 suatu sistem

yang dapat dikontrol (completely state controllable) bisa
diketahui dengan mencari matriks M dari masing-masing titik
operasi suatu sistem. Maka matriks M dan rank dari masing-
masing titik operasi:
Untuk titik operasi 0 derajat (0 radian):
1
0 1.8182 0.3306 12.2089
0 4.5455 0.8264 141.8858
1.8182 0.3306 12.2089 4.4289
4.5455 0.8264 141.8858 31.3196
M
1
1

1
1

]
Rank M = 4 (full rank)
Sedangkan untuk titik operasi -10 dan 10 derajat:
2
0 1.8034 0.3252 10.9324
0 4.4399 0.8007 133.1667
1.8034 0.3252 10.9234 3.9324
4.4399 0.8007 133.1667 28.8425
M
1
1

1
1

]
Rank M2 = 4 (full rank)
Sedangkan untuk titik operasi 90 derajat tidak dipilih karena
matriks M yang tidak full rank. Untuk matriks M dari titik
operasi 90 derajat adalah sebagai berikut:
3
0 1.4286 0.2641 0.0292
0 0 0 0
1.4286 0.2041 0.0292 0.0042
0 0 0 0
M
1
1
1

1
1
]
Rank M = 2 (tidak full rank)
Sedangkan untuk titik operasi selain 3 titik operasi tersebut
tidak dipilih karena tren scope garfik dari output yang
didapatkan tidak sesuai dengan tren ideal dan ketiga titik
operasi tersebut lebih sering dipakai pada penelitian
sebelumnya [7,11].
Penentuan Gain Kontrol
Penentuan gain kontrol dilakukan dengan metode
optimal Linear Quadratic Regulator (LQR) untuk
masing-masing model hasil linierisasi. Berdasarkan
penelitian sebelumnya pemilihan matriks Q dan R
dilakukan secara subyektif logis yaitu:
5000 0 0 0
0 100 0 0
0 0 0 0
0 0 0 0
1
Q
R
1
1
1

1
1
]

Pemilihan nilai matriks Q yang cukup besar

dibandingkan R dikarenakan sistem lebih bertujuan
untuk memperoleh reaksi state yang cepat dan sesuai
keinginan daripada untuk membuat energy drive sekecil-
kecilnya, dengan asumsi bahwa, dengan energy drive
yang cukup kecil, maka energy drive tidak cukup kuat
untuk mengangkat pendulum. Dengan bantuan
MATLAB, dapat dituliskan sintaks untuk mendapatkan
solusi steady state dari ARE (Algebtraic Ricatti
Equation) yang sudah dijelaskan pada bab 2. Sehingga
didapatkan nilai gain kontrol K untuk masing-masing
model hasil linierisasi
[ ]
[ ]
1
2
70.7107 123.0569 42.4348 24.8759
70.7107 122.0476 42.0792 24.3586
K
K


Dimana K1 adalah gain kontrol untuk model hasil
linierisasi pada titik operasi 10 derajat dan K2 adalah
gain kontrol untuk model hasil linierisasi pada titik
operasi 0 derajat.
Fuzzy Inference System
Dengan memasukkan parameter berupa membership
function, fuzzy rule, dan nilai gain untuk masing-masing
titik linierisasi maka didapatkan desain Fuzzy Inference
System (FIS) yang nantinya berfungsi sebagai kontroler
fuzzy. Desain yang dirancang sebagai berikut:
Gambar 3.4 Fuzzy Inference System
10
Penentuan Membership Function
Gambar 3.5 menentukan membership function
Memasukkan Nilai Gain Kontrol ke dalam output
Gambar 3.6 Memasukkan nilai Gain Kontrol
Penentuan Fuzzy Rule dengan Inference Engine
Inference Engine memetakan fuzzy input menjadi fuzzy output.
Pemetaan ini didasarkan pada sejumlah fuzzy If Then rules. If
Then rules terdiri dari dua bagian utama, yaitu :
The antecedent part (premise) yaitu kata di antara if dan
then yang merupakan input fuzzy.
The consequent part (conclusion) yaitu kata setelah then
yang merupakan output fuzzy.
Sedangkan untuk perancangan controller fuzzy ini telah
ditentukan 3 fuzzy rule yaitu:
- If input 1( ) is N then output 1 (u) is
u=K1*x1(t)
- If input 2( ) is Z then output 2 (u) is
u=K2*x2(t)
- If input 3( ) is P then output 3 (u) is
u=K1*x3(t)
Gambar 3.7 Penentuan Fuzzy Rule dengan Inference Engine
Dengan nilai gain untuk mf1= [123.0569 0], mf2= [122.0476,
dan mf3=[123.0569 0]
Blok Diagram Sistem Kontrol
Dengan memasukkan FIS dan subsistem ke dalam blok
diagram sistem, maka perancangan blok diagram sistem yang
dimaksud adalah sebagai berikut:
Gambar 3.8 blok diagram sistem penelitian awal
Dengan impulse yang besarnya setar dengan 1 Newton maka
akan didapatkan gradien respon berdasarkan simulasi
sementara dengan kontroler tanpa menggunakan sistem
optimasi yang lebih adaptif. Grafik yang didapatkan antara
lain adalah grafik , grafik x, grafik x&, grafik x &&. Grafik ini
nantinya akan dibandingkan dengan grafik ideal kontroler
tanpa menggunakan sistem yang adaptif dan lebih optimal:
11
(a)
(b)
Gambar 3.9 grafik (a) ideal (b) hasil simulasi
(a)
(b)
Gambar 3.10 grafik
x
(a) ideal (b) hasil simulasi

(a)
(b)
Gambar 3. 11 grafik x&(a) ideal (b) hasil simulasi

(a)
(b)
Gambar 3.12 grafik x &&(a) ideal (b) hasil simulasi
3.4 Perencanaan Adaptive Fuzzy
Sistem kendali Fuzzy Logic sendiri merupakan sistem kendali
yang adaptif, tetapi banyak factor yang bisa memyebabkan
suatu kontoler fuzzy itu kurang bersifat adapatif antara lain:
1. Penentuan Fuzzy Rule yang relative sedikit
2. Gain kontrol yang kurang kuat dalam
mengoptimalkan sistem kontrol
3. Membership function yang kurang presisi dalam
menetapkan range dari sudut pendulum

t
x
t
x&
t
x &&
12
t
Oleh karena itu dibutuhkan satu kontroler lagi dalam
mengoptimalkan hasil output sistem tersebut, maka kontroler
tambahan yang nantinya mengoptimalkan kontroler fuzzy agar
lebih adaptif yang dipakai adalah feedforward controller.
Controller
Inverted pendulum
plant
Feedforward
+ +
-
+
Disturbance
reference
y
u
Gambar 3.13 Desain Blok Diagram Sistem adaptif
Berdasarkan model blok diagram seperti pada gambar 3.12
maka dibuat model simulink sistem kendali Fuzzy Logic yang
lebih adaptive dengan menambah feedforward controller pada
sistem untuk mengontrol disturbance. Adapun model sistem
yang didapatkan:
Gambar 3.14 Model Simulink Sistem Kendali Adaptive Fuzzy
Dengan memberi tambahan input disturbance pada random
number berarti memberi tambahan beban terhadap plan dari
inverted pendulum. Akan tetapi inverted pendulum harus
mempertahankan posisi tegaknya berdasarkan set point yang
diinginkan. Dalam hal ini dibutuhkan feedforward controller.
Gambar 3.13 menunjukkan bahwa feedforward controller
berupa gain. Penentuan gain dilakukan dengan melakukan self
tuning pada sistem tersebut sampai mencapai kondisi adaptif
yang diinginkan. Adapun metode yang dipakai untuk
optimisasi pada self tuning ini adalah dengan metode gradient
descent[15].Untuk penentuan nilai gain (kf) dengan
menggunakan self tuning harus dilakukan beberapa tahapan.
Adapun tahapan yang dilakukan antara lain:
1. Penentuan variabel yang dituning
2. Penentuan konstrain
3. Running Iterasi
Penentuan variabel yang dituning
Variabel yang dituning nantinya adalah kf dan kf sendiri
merupakan gain yang berfungsi untuk mengontrol inputan
disturbance berupa random number. Proses penentuan
variabel yang dituning ditampilkan pada gambar di bawah
(gambar 3.14):
Gambar 3.15 Penentuan parameter yang di-tuning
Penentuan Konstrain
Konstrain yang dimaksud disini adalah gambaran grafik
dari output yang diinginkan. Dengan mendesain
konstrain ini output bisa diatur dan menunjukkan
bahwa sistem yang diinginkan adalah sistem yang lebih
adaptif dibanding dengan hasil yang didapatkan
sebelumnya.
Gambar 3.16 Penentuan Signal Konstrain
Running Iterasi
Running iterasi dimaksudkan untuk mencari nilai dari
gain (kf) berdasarkan konstrain yang sudah didesain.
Dengan melakukan running iterasi self tuning GUI pada
simulink MATLAB akan secara otomatis akan mencari
sendiri nilai gain yang sesuai dan menghasilkan respon
dari output yang diinginkan.
13
e
Gambar 3.17 nilai Kf hasil running iterasi yang ditampilkan
pada display
Setelah dilakukan self tuning pada nilai gain feedforward
controller (Kf) maka hasil akan tergambar pada blok
display.
IV. SIMULASI DAN ANALISA
3.1. Langkah-langkah Penelitian
Pada penelitian tugas akhir ini untuk
mengembangkan sistem kendali cerdas dengan metode adaptif
fuzzy takagi-sugeno untuk inverted pendulum berdasarkan pada
hasil analisa respon sudut simpangan ( ), kecepatan sudut (

&
), posisi kereta ( x ), dan kecepatan kereta ( x&), maka dari itu
untuk memenuhi tujuan dari tugas akhir ini dibuat diagram alir
penelitian sebagai berikut.:
1. Simulasi Inverted Pendulum tanpa Fuzzy
Logic Controller tanpa disturbance.
2. Simulasi Inverted Pendulum dengan Fuzzy
Logic Controller tanpa disturbance.
3. Simulasi Inverted Pendulum dengan Fuzzy
Logic Controller dan disturbance.
4. Simulasi Inverted Pendulum dengan Fuzzy
Logic Controller dan Feedforward
Controller
4.1.1 Simulasi Inverted Pendulum Tanpa Fuzzy Logic
Controller
Gambar 4.1 Model Simulink dari Sistem Inverted Pendulum tanpa
Fuzzy Logic Controller
Simulasi ini dilakukan dengan membuat sistem open
loop. Permodelan ini terdiri dari pulse generator, inverted
pendulum plant, dan sensor (scope). Dalam simulasi ini pulse
generator memberi gaya impulse setara dengan 1 N pada
inverted pendulum plant sehingga respon yang didapatkan
akan terbaca pada scope. Pada gambar 4.1 di atas terdapat 4
scope, masing-masing mempresentasikan hasil respon yang
berbeda disebabkan output dari plant yang lebih dari satu. Ada
4 scope yaitu scope untuk , scope untuk nilai x, scope untuk
nilai x&, dan scope untuk nilai x &&.
Gambar 4.2 hasil simulasi untuk sudut simpangan pada sistem
inverted pendulum tanpa FLC
Untuk output berasal dari bersatuan radian.
Terlihat pada gambar bahwa nilai berbanding lurus dengan
waktu (detik). Walaupun grafik yang didapatkan tidak linier
tapi secara umum grafik menyatakan bahwa nilai
berbanding lurus dengan waktu. Tren grafik itu terjadi karena
tidak adanya controller yang berfungsi untuk mengendalikan
posisi pendulum tetap pada posisi equilibrium/tegak. Sehingga
pada waktu inverted pendulum menerima gaya impulse sebesar
1 N (senilai dengan inputan pulse generator), inverted
pendulum tidak mampu menahan sehingga pendulum akan
jatuh dan sudut simpangan ( ) pun semakin besar. Model
simulink pada gambar tersebut menunjukkan tidak adanya
sistem kontrol pada proses yang ada hanya proses pemberian
gaya impulse pada inverted pendulum.
Sedangkan untuk grafik respon posisi kereta (x) pada
gambar 4.3 terlihat bahwa dengan adanya gaya impulse
tersebut menyebabkan perpindahan posisi kereta bersamaan
dengan adanya simpangan pada pendulum. Hal ini disebabkan
14
karena pendulum yang menyimpang ikut memberikan dampak
berupa gaya pada kereta sehingga posisi kereta pun berubah
dalam periode 10 sec bergerak sejauh kurang lebih 7,2 meter.
Untuk grafik pada gambar 4.4 yang menunjukkan perubahan
kecepatan kereta, tren dari grafik yang didapatkan cenderung
menurun. Dan pada grafik gambar 4.4 tersebut terdapat osilasi
kecepatan yang disebabkan oleh simpangan pada pendulum
yang juga beosilasi. Pada grafik percepatan kereta (gambar
4.5) kereta terlihat sesaat mengalami penurunan percepatan
pada awal gerak kemudian bergelak dengan kecepatan konstan
hingga kemudian mengalami percepatan pada akhir gerak
karena pada saat akhir gerak simpangan semakin besar
sehingga gerak pun semakin dipercepat.
Gambar 4.3 hasil simulasi untuk posisi kereta (x) pada sistem inverted
pendulum tanpa FLC
Gambar 4.4 hasil simulasi untuk kecepatan kereta ( x&) pada sistem
inverted pendulum tanpa FLC
Gambar 4.5 hasil simulasi untuk percepatan kereta ( x &&) pada sistem
inverted pendulum tanpa FLC
Gambar 4.6 Grafik Phase portrait pada sistem inverted pendulum
tanpa FLC
Dengan membuat phase portrait antara variabel yang diamati (
) dan error (

&
), maka dapat diketahui kestabilan dari sistem
tersebut. Pada gambar 4.6 terlihat bahwa LUT yang dihasilkan
terdapat osilasi yang jauh dari posisi equilibrium/tegak ( = 0)
sehingga sistem inverted pendulum tanpa FLC dapat dikatakan
sebuah sistem yang tidak stabil karena suatu sistem yang
dikatakan stabil adalah sistem yang bisa mempertahankan
posisinya dalam keadaan tegak dalam kurun waktu tertentu.
4.1.2 Simulasi Inverted Pendulum dengan Fuzzy Logic
Controller Tanpa Disturbance
Gambar 4.7 Model Simulink untuk sistem inverted pendulum dengan
FLC
Setelah merancang model dari fuzzy logic controller
maka dibuat sistem close loop dengan simulink seperti pada
gambar 4.7. Sistem ini tetap menggunakan pulse generator
yang besarnya setara dengan 1 N sebagai load awal untuk
member gerak pada pendulum sehingga nantinya dihasilkan
respon yang bisa dikontrol oleh kontroler melalui sinyal
feedback yang membawa sinyal . Sebagaimana pada bab 3
output dari kontroler ini nantinya adalah berupa gaya (force)
yang bersatuan Newton (N). Sehingga nantinya kontroler
seolah-olah memberi gaya yang fungsinya untuk menopang
supaya pendulum tetap berada dalam posisi tegak. Gambar 4.8
menunjukkan grafik respon dari , terlihat pada grafik
tersebut settling time pada sistem ini adalah sekitar 5,2 detik
dengan dua kali overshoot yang nilainya berada pada kisaran 6
radian. Sistem ini masih jauh dari hasil yang diinginkan, oleh
karena itu sistem ini masih dikatakan sebagai sistem yang
kurang teroptimasi. Kemudian terlihat pada gambar 4.9 bahwa
15
grafik posisi dari kereta menunjukkan tren yang menuju linier.
Sehingga sistem ini mampu mempertahankan posisi tegaknya
setelah posisi sekitar 9 meter (t = 5,2 s) sampai dengan posisi
25 meter (t=10 s). untuk grafik kecepatan kereta pada gambar
4.10 terlihat bahwa pada saat t=0 sampai pada saat batas
settling time yaitu t=5.2 s kecepatan kereta cenderung naik
secara linier sampai pada saat kecepatan sebesar 3 m/s dan
kemudian pendulum bergerak dengan kecepatan yang
cenderung konstan dengan v rata-rata sebesar 3m/s. Grafik
percepatan kereta pada simulasi ini (gambar 4.11)
menunujukkan tren yang tetap seperti pada dua simulasi
sebelumnya.
Gambar 4.8 hasil simulasi untuk sudut simpangan ( ) pada
sistem inverted pendulum dengan FLC
Gambar 4.9 hasil simulasi untuk posisi kereta (x) pada sistem
inverted pendulum dengan FLC
Gambar 4.10 hasil simulasi untuk kecepatan kereta ( x&) pada
sistem inverted pendulum dengan FLC
Gambar 4.11 hasil simulasi untuk percepatan kereta ( x &&) pada
sistem inverted pendulum dengan FLC
Gambar 4.12
Grafik phase
portrait untuk
sistem
inverted
pendulum
dengan FLC
16
Gambar 4.13 Zooming pada gambar 4.18
Dengan membuat phase portrait antara variabel yang
diamati ( ) dan error (

&
), maka dapat diketahui kestabilan
dari sistem tersebut. Pada gambar 4.12 terlihat bahwa LUT
yang dihasilkan terdapat posisi chattering berbentuk lingkaran
yang mendekati posisi equilibrium/tegak ( = 0) sehingga
sistem inverted pendulum dengan FLC dapat dikatakan sebuah
sistem yang mendekati stabil karena suatu sistem yang
dikatakan stabil adalah sistem yang bisa mempertahankan
posisinya dalam keadaan tegak dalam kurun waktu tertentu.
4.1.3 Simulasi Inverted Pendulum dengan Fuzzy Logic
Controller dan Input Disturbance
Gambar 4.14 Model Simulink sistem Inverted Pendulum
dengan FLC dan input disturbance
Simulasi ini dilakukan dengan menambahkan input
disturbance pada sistem dengan fuzzy logic controller. Ada dua
kasus yang akan dibahas dalam simulasi ini yaitu:
1. Kasus untuk input disturbance dengan rata-
rata 10 radian dan varians 10 radian
2. Kasus untuk input disturbance dengan rata-
rata 0.5 radian dan varians 0.5 radian
Kasus untuk Input Disturbance dengan rata-rata 10 radian
dan varians 10 radian
Dengan cara menambahkan input disturbance dengan rata-rata
sebesar 10 dan varians sebesar 10 maka didapatkan respon
dari (gambar 4.15) yang tidak stabil. Hal ini disebabkan
FLC (Fuzzy Logic Controller) yang tidak cukup kuat dengan
tambahan beban tersebut dan mengakibatkan sistem tidak
stabil atau pendulum tidak bisa berada dalam posisi tegak. Jika
diamati grafik yang dihasilkan, hal ini mirip dengan subbab
4.1.1 dan 4.1.2 dalam hal tren nilai yang semakin naik
dalam 10 s. Pada gambar 4.16 tren dari posisi x menunjukkan
tren yang tetap. Sedangkan tren kecepatan kereta pada gambar
4.17 seperti pada subbab 4.1.1 dan 4.1.2. Dan grafik
percepatan kereta menunjukkan tren yang tetap pada simulasi
sebelumnya.
Gambar 4.15 hasil simulasi untuk sudut simpangan ( ) pada
sistem inverted pendulum dengan FLC dan input disturbance
Gambar 4.16 hasil simulasi untuk posisi kereta (x) pada sistem
inverted pendulum dengan FLC dan input disturbance
17
Gambar 4.17 hasil simulasi untuk kecepatan kereta ( x&) pada
sistem inverted pendulum dengan FLC dan input disturbance
Gambar 4.18 hasil simulasi untuk percepatan kereta ( x &&) pada
sistem inverted pendulum dengan FLC dan input disturbance
Gambar 4.19 Grafik LUT sistem inverted pendulum dengan
FLC dan input disturbance
Dengan membuat Look up table antara variabel yang
diamati ( ) dan error (

&
), maka dapat diketahui kestabilan
dari sistem tersebut. Pada gambar 4.19 terlihat bahwa LUT
yang dihasilkan terdapat chattering yang jauh dari posisi
equilibrium/tegak ( = 0) sehingga sistem inverted pendulum
dengan FLC dapat dikatakan sebuah sistem yang tidak stabil
karena suatu sistem yang dikatakan stabil adalah sistem yang
bisa mempertahankan posisinya dalam keadaan tegak dalam
kurun waktu tertentu.
Kasus untuk Input Disturbance dengan rata-rata 0.5 radian
dan varians 0.5 radian
Dengan cara menambahkan input disturbance dengan rata-rata
sebesar 0.5 dan varians sebesar 0.5 maka didapatkan respon
dari (gambar 4.20) yang stabil. Hal ini disebabkan FLC
(Fuzzy Logic Controller) yang cukup kuat dengan tambahan
beban tersebut dan mengakibatkan sistem tetap stabil atau
pendulum berada dalam posisi tegak. Jika diamati grafik
yang dihasilkan, grafik ini memiliki settling time 2,3 detik
kemudian berada dalam kondisi stabil dengan nilai 0 radian
(posisi tegak). Pada gambar 4.21 tren dari posisi x
menunjukkan tren yang tetap. Sedangkan tren kecepatan
kereta pada gambar 4.22 cenderung naik selama settling time
dan kemudian konstan sampai t=10 detik. Dan grafik
percepatan kereta menunjukkan tren yang tetap pada simulasi
sebelumnya.
0 1 2 3 4 5 6 7 8 9 10
-1
0
1
2
3
4
5
6
t
h
e
t
a

(
r
a
d
)
Time(sec)
GrafikthetauntuksistemdenganFLCdandisturbancerata-rata0.5radian
Gambar 4.20 Hasil simulasi simpangan sudut
pendulum untuk sistem dengan FLC dan disturbance rata-rata
0.5 rad
0 1 2 3 4 5 6 7 8 9 10
0
5
10
15
20
25
30
x

(
m
e
t
e
r
)
Time(second)
grafik thetasistemdenganFLCdandisturbancerata-rata0.5radian
Gambar 4.21 Hasil simulasi simpangan sudut
pendulum untuk sistem dengan FLC dan disturbance rata-rata
0.5 rad
18
0 1 2 3 4 5 6 7 8 9 10
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
x
d
o
t

(
m
e
t
e
r
/
s
)
Time (sec)
grafik xdot sistem dengan FLC dan disturbance
Gambar 4.22 Hasil simulasi simpangan sudut
pendulum untuk sistem dengan FLC dan disturbance rata-rata
0.5 rad
0 1 2 3 4 5 6 7 8 9 10
-500
0
500
1000
1500
2000
x
d
d
o
t

(
m
e
t
e
r
/
s
2
)
Time (sec)
grafik xddot sistem dengan FLC dan disturbance rata-rata 0.5
Gambar 4.23 Hasil simulasi simpangan sudut
pendulum untuk sistem dengan FLC dan disturbance rata-rata
0.5 rad
-1 0 1 2 3 4 5 6
-15
-10
-5
0
5
10
15
theta (rad)
t
h
e
t
a
d
o
t
(
r
a
d
/
s
)
Gambar 4.24 grafik phase portrait untuk inverted
pendulum sistem dengan FLC dan disturbance rata-rata 0.5
rad
Dengan membuat phase portrait antara variabel yang
diamati ( ) dan error (

&
), maka dapat diketahui kestabilan
dari sistem tersebut. Pada gambar 4.23 terlihat bahwa LUT
yang dihasilkan terdapat posisi chattering berbentuk lingkaran
yang mendekati posisi equilibrium/tegak ( = 0) sehingga
sistem inverted pendulum dengan FLC dan disturbance rata-
rata 0.5 rad dapat dikatakan sebagai sebuah sistem yang
mendekati stabil karena suatu sistem yang dikatakan stabil
adalah sistem yang bisa mempertahankan posisinya dalam
keadaan tegak dalam kurun waktu tertentu. Jika dibandingkan
dengan sistem inverted pendulum yang hanya menggunakan
FLC saja dan tanpa tambahan input disturbance, sistem
dengan FLC dan feedforward controller pada grafik LUT-nya
terutama pada posisi chattering berbentuk lingkarannya lebih
mendekati nilai 0 (pusat kartesian). Sehingga dapat dikatakan
sistem dengan FLC dan feedforward controller lebih
teroptimasi dan stabil daripada sistem dengan FLC saja.
4.1.4 Simulasi Inverted Pendulum dengan Fuzzy Logic
Controller dan Feedforward Controller
Gambar 4.25 Model Simulink sistem Inverted Pendulum
dengan FLC dan feedforward controller
Dari gambar 4.25 terlihat model ini merupakan
modifikasi dari model simulasi pada subbab 4.1.4. Dengan
menambahkan feedforward yang berfungsi untuk mengontrol
input disturbance yang berupa disturbance maka model ini
bisa menghasilkan respon grafik yang berbeda pada model
sebelumnya. Dengan cara menambahkan input disturbance
tambahan berupa disturbance dengan nilai mean sebesar 0.5
dan variance sebesar 0.5 maka didapatkan respon dari yang
lebih stabil. Gambar 4.26 menunjukkan grafik respon dari ,
terlihat pada grafik tersebut settling time pada sistem ini
adalah sekitar 2.425 detik dengan satu kali overshoot yang
nilainya berada pada kisaran 5.4 radian. Hasil sistem ini
mendekati hasil yang diinginkan, oleh karena itu sistem ini
dikatakan sebagai sistem yang lebih teroptimasi. Kemudian
terlihat pada gambar 4.33 bahwa grafik posisi dari kereta
menunjukkan tren yang menuju linier. Sehingga sistem ini
mampu mempertahankan posisi tegaknya setelah posisi sekitar
10 meter (t = 2.425 s) sampai dengan posisi 74 meter (t=10 s).
untuk grafik kecepatan kereta pada gambar 4.27 terlihat bahwa
pada saat t=0 sampai pada saat batas settling time yaitu
t=2.425 s kecepatan kereta cenderung naik secara linier
sampai pada saat kecepatan sebesar 8 m/s kemudian pendulum
bergerak dengan kecepatan yang cenderung konstan dengan v
rata-rata sebesar 8 m/s. Grafik percepatan kereta pada simulasi
ini (gambar 4.29) menunujukkan tren yang tetap seperti pada
empat simulasi sebelumnya.
19
Gambar 4.26 hasil simulasi untuk sudut simpangan ( ) pada
sistem inverted pendulum dengan FLC dan feedforward
controller
Gambar 4.27 hasil simulasi untuk posisi kereta (x) pada sistem
inverted pendulum dengan FLC dan feedforward controller
Gambar 4.28 hasil simulasi untuk kecepatan kereta ( x&) pada
sistem inverted pendulum dengan FLC dan feedforward
controller
Gambar 4.29 hasil simulasi untuk percepatan kereta ( x &&) pada
sistem inverted pendulum dengan FLC dan feedforward
controller
Gambar 4.30 Grafik phase portrait untuk sistem inverted
pendulum dengan FLC dan feedforward controller
Gambar 4.31 Zooming pada gambar 4.24
Dengan membuat Look up table antara variabel yang
diamati ( ) dan error (

&
), maka dapat diketahui kestabilan
dari sistem tersebut. Pada gambar 4.30 terlihat bahwa LUT
yang dihasilkan terdapat posisi chattering berbentuk lingkaran
yang mendekati posisi equilibrium/tegak ( = 0) sehingga
sistem inverted pendulum dengan FLC dan feedforward
controller dapat dikatakan sebuah sistem yang mendekati
stabil karena suatu sistem yang dikatakan stabil adalah
sistem yang bisa mempertahankan posisinya dalam keadaan
tegak dalam kurun waktu tertentu. Jika dibandingkan dengan
sistem inverted pendulum yang hanya menggunakan FLC saja
dan tanpa tambahan input disturbance, sistem dengan FLC dan
feedforward controller pada grafik LUT-nya terutama pada
posisi chattering berbentuk lingkarannya lebih mendekati nilai
0 (pusat kartesian). Sehingga dapat dikatakan sistem dengan
20
FLC dan feedforward controller lebih teroptimasi dan stabil
daripada sistem dengan FLC saja.
4.2 Analisa Perbandingan Grafik Sistem Kontrol
Kombinasi Fuzzy Controller, Feedforward
Controller, dan Input Disturbance
Gambar 4.32 Hasil Perbandingan Simulasi sudut simpangan (
) Sistem Inverted Pendulum
Pada gambar 4. 32 terlihat bahwa grafiik yang paling tidak
stabil adalah grafik dari sistem inverted pendulum dengan
fuzzy controller dan disturbance. Hal ini disebabkan karena
sistem FLC dari sistem tersebut tidak mampu mengendalikan
error yang diterima oleh kontroler. Nilai error yang besar
berarti nilai yang kebanyakan melebehi titik operasi yang
bisa dikontrol oleh FLC. Sehingga respon yang dihasilkan pun
jauh dari set poin yang diinginkan. Sedangkan grafik yang
bewarna merah merupakan grafik yang sudah stabil jika
dilihat dari kondisi steady state-nya. Akan tetapi grafik
tersebut masih kurang teroptimasi disebabkan karena settling
time yang terlalu besar dan adanya dua overshoot yang
masing-masing mempunyai nilai maksimum simpangan sudut
sebesar kurang lebih 6 radian. Untuk bisa mengoptimasi grafik
yang hanya menggunakan FLC itu bisa dengan mendesain
kembali FLC dengan menambah memberhip functionnya, atau
bisa juga dengan memberi controller yang berfungsi untuk
mengendalikan disturbance pada sistem. Controller yang
dimaksud pada permasalahan ini adalah feedforward
controller. Ketika sistem pada grafik yang berwarna hijau
model sistemnya diubah dengan memberi tambahan
feedforward controller pada input disturbance. Maka grafik
yang dihasilkan nantinya berubah menjadi grafik berwarna
biru. Grafik yang berwarna biru merupakan grafik yang
diinginkan. Karena mempunyai settling time yang pendek,
hanya memiliki 1 titik puncak, dan overshoot yang lebih
rendah.
Gambar 4.33 Hasil Perbandingan Simulasi posisi kereta Sistem
Inverted Pendulum
Untuk grafik pada gambar 4.33 disebabkan karena
ketidakstabilan sistem simulasi untuk sistem inverted
pendulum dengan FLC dan input disturbance kecepatannya
lebih cepat dibandingkan dengan simulasi sistem yang lain.
Hal ini disebabkann karena simpangan yang terlalu besar
menyebabkan posisi pendulum cepat berpindah. Sedangkan
untuk grafik berwarna biru bergerak lebih cepat dari grafik
merah disebabkan karena adanya tambahan input disturbance.
Terutama pada grafik 4.34 yang menunjukkan bahwa grafik
berwarna hijau tren grafiknya cenderung berbanding lurus dan
linier sehingga kecepatan kereta selalu bertambah. Sedangkan
untuk grafik berwarna biru kecepatan cenderung linier selama
settling time kemudian cenderung konstan setelah settling time.
Begitu pula halnya dengan grafik berwarna merah namun
yang membedakan adalah nilai settling time-nya yang lebih
besar jika dibandingkan dengan grafik berwarna biru.
Gambar 4.34 Hasil Perbandingan Simulasi kecepatan kereta (
x&) Sistem Inverted Pendulum
Gambar 4.35 Hasil Perbandingan Simulasi percepatan kereta (
x &&) Sistem Inverted Pendulum
Grafik 4.35 di atas menunjukkan bahwa nilai
percepatan selalu konstan setelah sebelumnya pada saat t
berada pada kisaran nilai nol detik mengalami deselerasi dan
pada akhirnya pada kisaran nilai t = 10 detik mengalami
akselerasi.
4.3 Analisa Steady state dan Perbandingan Properties
Terlihal pada grafik untuk sistem kendali dengan adaptif fuzzy
dengan atau tanpa feedforward controller terdapat dua kondisi
yang bisa dianalisa yaitu kondisi transient dan steady state.
Pada subbab 4.3 ini kondisi yang akan dianalisa adalah
kondisi steady state yaitu suatu kondisi dimana saat nilai
tidak berubah terhadap waktu. Analisa kondisi steady state
dimaksudkan untuk mencari rata-rata error steady state (

),
standar deviasi ( ), error minimum (emin), dan error
maksimum (emaks) dari grafik respon yang dianalisa. Kemudian
dengan melakukan perbandingan terhadap 4 variabel tersebut
21
kita dapat mengetahui besarnya perbandingan antar grafik.
Ada dua grafik yang dianalisa yaitu grafik untuk sistem
inverted pendulum tanpa feedforward controller dan
disturbance dan grafik untuk sistem inverted pendulum
dengna feedforward controller.
Standar Deviasi ( )
( )
2 1
Xi
N

Dimana:
N = Jumlah Populasi
Xi= Nilai dari anggota populasi ke- i
i= 1,2,3,,i

= mean (rata-rata)
1
n
i
i
X
N

Analisa Error Steady state pada Sistem Inverted Pendulum

dengan Fuzzy Logic Controller tanpa Feedforward
Controller
Terlihat pada grafik untuk sistem inverted pendulum dengan
fuzzy logic controller tanpa feedforward controller (gambar 4.)
bahwa kondisi steady state dimulai pada saat t= 5.425 s
sehingga didapatkan data yang sudah tertera pada lampiran.
Sehingga didapatkan untuk nilai standar deviasi (

):
( )
2 1
Xi
N
= 0.102347951271082
Dengan nilai:

= -0.00278226185465671
emin = - 0.173951432243863
emax= 0.167968375990373
Analisa Error Steady state pada Sistem Inverted Pendulum
dengan Fuzzy Logic dan Feedforward Controller
Terlihat pada grafik untuk sistem inverted pendulum dengan
fuzzy logic controller dan feedforward controller (gambar 4.)
bahwa kondisi steady state dimulai pada saat t= 2 s sehingga
didapatkan data yang tertera pada lampiran.
Sehingga didapatkan untuk nilai standar deviasi (

):
( )
2 1
Xi
N
= 0.0466561199655321
Dengan nilai:

= 0.0154048958254574
emin = - 0.0716659194010442
emax = 0.11077885158312
Jika dibandingkan antar kedua grafik maka dapat disimpulkan
bahwa grafik yang lebih stabil adalah grafik untuk Sistem
Inverted Pendulum dengan FLC dan feedforward controller
karena nilai standar deviasi yang lebih kecil yaitu sebesar
0.0466 radian. Grafik yang lebih presisi rata-ratanya adalah
grafik untuk inverted pendulum dengan FLC tanpa
feedforward controller yaitu dengan nilai mean (

) sebesar
-0.00278226185465671 radian.
Tabel 4.1 Tabel Perbandingan Properties antara Sistem
dengan Fuzzy Logic Controller dan Sistem dengan Fuzzy Logic
Controller dan Feedforward Controller
Grafik Fuzzy
Fuzzy dengan
Feedforward
Kondisi Transient
Settling time 5.3 detik 2.1 detik
Overshoot (20%) 6.1radian 5.4 rad
Kondisi Steady State
Error 2% untuk
steady state
0.61 rad 0.54 rad
Error maksimum 0.168 rad 0.11 rad
Error minimum -0.174rad - 0.072 rad
Mean (rata-rata)
-0.003
rad
0.0154 rad
Standard Deviasi 0.102 rad 0.047 rad
Dalam pengambilan data, ada dua kasus untuk sistem
kontrol adaptive fuzzy dengan feedforward controller yaitu
kasus untuk input disturbance rata-rata 10 radian dan kasus
untuk input disturbance rata-rata 0.5 radian. Dalam simulasi
dengan hanya menggunakan fuzzy logic controller namun
dengan disturbance (subbab 4.1.3) telah diketahui bahwa
sistem dari inverted pendulum pada kasus yang dengan rata-
rata 10 radian tidak stabil, hal ini dimaksudkan untuk menguji
kehandalan dari kontroler. Akan tetapi dalam simulasi dengan
sistem fuzzy dengan feedforward controller ternyata sistem
menunjukkan hasil yang stabil dan bisa terkontrol dengan baik
hal ini disebabkan karena fuzzy dengan feedforward controller
lebih handal dibandingkan dengan yang hanya menggunakan
kontroler fuzzy saja. Untuk data tabel yang berasal dari
simulasi sistem fuzzy plus feedforward controller
menggunakan kasus dengan disturbance 0.5 karena data yang
pada tabel adalah cenderung sama dan disturbance 0.5
merupakan disturbance yang rasional untuk simulasi dan
implementasi. Berdasarkan data table dapat disimpulkan
bahwa kontroler fuzzy dengan feedforward lebih stabil, presisi,
dan adapatif dibandingkan dengan data simulasi dengan
kontroler fuzzy saja. Berdasarkan dari data kedua sistem
mengalami improvisasi rata-rata error sebesar 1.8%.
V. KESIMPULAN
Kesimpulan
Dari hasil simulasi model dari sistem kendali
inverted pendulum, dapat diambil kesimpulan sebagai berikut:
1. Model matematika dari sistem inverted pendulum
terdiri dari dua buah persamaan linier.
2. Gain yang dibutuhkan untuk membangkitkan
energi yang dibutuhkan masing-masing titik
operasi dibuat dengan menggunakan metode
LQR.
22
3. Gain yang dibutuhkan untuk titik operasi sudut
simpangan 0 derajat (0 radian) dan 10 derajat
(0.1745 radian) adalah 123.0569 dan 122.0479.
4. Membership function untuk fuzzy logic controller
pada sistem inverted pendulum dibangun
berdasarkan pada ketiga titik operasi yaitu titik
-10 derajat -(0.1745 radian), 0 derajat (0 radian),
dan 10 radian (0.1745 radian).
5. Sistem inverted pendulum dengan Fuzzy logic
controller dan Feedforward controller dengan
standard deviasi 0.047 radian dan settling time
2.1 detik lebih adaptif dibandingkan dengan
menggunakan Fuzzy logic controller dengan
standard deviasi 0.102 radian dan settling time
5.3 detik.
6. Nilai gain dari feedforward controller untuk
sistem inverted pendulum dengan disturbance 0.5
radian adalah 0.6582.
Saran
Adapun saran dibutuhkan untuk kebaikan penelitan tugas
akhir berikutnya adalah:
1. Perlu dilakukan implementasi untuk lebih
membuktikan kestabilan dari sebuah algoritma
sebuah sistem kendali.
2. Untuk peneliti berikutnya dianjurkan untuk
mencoba menambah membership function pada
fuzzy logic control pada sebuah sistem inverted
pendulum.
VI. DAFTAR PUSTAKA
[1] Astrom K. J., Van Wittermark B., 1995. Adaptive
Control. Addison Wesley Publishing Company,
New York.
[2] Landau I. D. 1990. System Identification and
Control Design Using P.I.M + Software. Prentice
Hall Inc, New Jersey.
[3] Jantzen, J. 2004. Pendulum Users Guide, Technical
University of Denmark, Denmark.
[4] Sultan, Khalil. 2003.Inverted Pendulum: Analysis,
Design, and Implementation. Institute of Industrial
Electronics Engineering. Karachi. Pakistan.
[5] William Messner and Dawn Tilbury,1998. Inverted
Pendulum Pendulum Model. http:// www.
Engine.umich.edu. download: 19 April 2010.
[6] Feed-Forward.http://www.en.wikipedia.org,
download: 5 Desember 2010.
[7] Irawan, Vincent. 2007. Implementasi Observer
Controller Berbasis Model Fuzzy Takagi Sugeno
untuk Inverted Pendulum.Tugas Akhir, Jurusan
Teknik Elektro ITS.
[8] Ogata, K. 2002. Modern Control Engineering Fifth
Edition, Prentice Hall, New Jersey.
[9] Lewis F. L.,Syrmos V. L., 1995. Optimal Control,
John Wiley & Sons. Inc, New York
[10] J. S. Roger Jang, Gulley, Ned. 1997. MATLAB:
Fuzzy Logic Toolbox. Mathwork Inc, Natick.
[11] Thiang, Hendrik Thiehunan. 2000.Implementasi
Kendali Logika Fuzzy pada Pendulum Terbalik
Rotasional. Industrial Electronic Seminar
2000(IES 2000), Graha Institut Teknologi
Sepuluh Nopember, Surabaya, 18- 19 October
2000.
[12] Minnaert, E., Hemmelman, B., & Dolan, D.,
Inverted Pendulum Design With Hardware
Fuzzy Logic Controller, IEEE Region 5
Conference, San Antonio, TX, 2006.
[13] Wahyudi. 2010. Implementasi Fuzzy Logic
Controller Pada Sistem Pengereman Kereta
Api. Laporan Penelitian, Jurusan Teknik
Elektro Undip.
[14] Proses control: (3)Feedforward
Control.http://www.asro.wordpress.com,
download: 5 desember 2010.
[15] Gradient Descent.http://www.en.wikipedia.org,
download: 15 Januari 2011.
23