Pengendalian Suhu Boiler Menggunakan Logika Fuzzy

Pengendalian Suhu Boiler Menggunakan

Logika Fuzzy

I. Latar Belakang

Perkembangan teknologi kontrol saat ini mulai bergeser kepada otomatisasi sistem

kontrol yang menuntut pengunaan komputer, sehingga campur tangan manusia dalam

pengontrolan sangat kecil. Bila dibandingkan dengan pengerjaan secara manual, sistem

peralatan yang dikendalikan oleh komputer akan memberikan keuntungan dalam hal

efisiensi, keamanan dan ketelitian. Kemampuan komputer, baik perangkat keras maupun

perangkat lunak, dapat dimanfaatkan untuk berbagai aplikasi pengendalian, seperti

pengendalian suhu, kecepatan motor, penerangan dan lain-lain.

Boiler merupakan salah satu bagian dari Pembangkit Listrik Tenaga Uap (PLTU) yang

sangat vital peranannya. Boiler berfungsi untuk membangkitkan panas yang berguna untuk

memutar turbin sehingga energi listrik dapat dibangkitkan. Dengan demikian suhu dari boiler

harus selalu terjaga tetap stabil agar proses proses pembangkitan energi listrik tidak

mengalami kendala. Komponen-komponen yang menentukan nilai suhu boiler antara lain

adalah bahan bakar, tekanan uap dan suhu kondesor. Ketiga komponen tersebut harus

disupply sesuai porsi yang telah ditentukan, tidak boleh kurang juga tidak boleh berlebih

karena akan mengakibatkan suhu boiler tidak berada pada nilai sewajarnya. Pengaturan

komposisi ketiga komponen akan sangat sulit dilakukan jika tidak menggunakan

pengendalian yang cepat, akurat dan efisien.

Berdasarkan hal-hal yang tersebut di atas maka penulis berinisiatif menggunakan

sistem kendali cerdas berbasis kompter logika fuzzy untuk mengatur supply bahan bakar,

tekanan uap dan suhu kondensor agar suhu boiler selalu berada pada nilai yang sudah

ditentukan.

II. Tujuan

1. Mempertahankan suhu boiler agar selalu berada pada rentang suhu yang ditentukan.

2. Mengatur supply bahan bakar, tekanan uap dan suhu kondensor secara otomatis agar

suhu pada boiler selalu stabil.

3. Mengurangi terjadinya human error karena suhu boiler dikendalikan dengan sistem

kendali cerdas yaitu logika fuzzy

III. Studi Pustaka

Fuzzy logic pertama kali dikenalkan kepada publik oleh Lotfi Zadeh, seorang profesor

di University of California di Berkeley. Fuzzy logic digunakan untuk menyatakan hukum

operasional dari suatu sistem dengan ungkapan bahasa, bukan dengan persamaan matematis.

Banyak sistem yang terlalu kompleks untuk dimodelkan secara akurat, meskipun dengan

persamaan matematis yang kompleks. Dalam kasus seperti itu, ungkapan bahasa yang

digunakan dalam Fuzzy logic dapat membantu mendefinisikan karakteristik operasional

sistem dengan lebih baik. Ungkapan bahasa untuk karakteristik sistem biasanya dinyatakan

dalam bentuk implikasi logika, misalnya aturan Jika – Maka.

Pada teori himpunan klasik yang disebut juga dengan himpunan crisp (himpunan tegas)

hanya dikenal dua kemungkinan dalam fungsi keanggotaannya, yaitu kemungkinan termasuk

keanggotaan himpunan (logika 1) atau kemungkinan

berada di luar keanggotaannya (logika 0). Namun dalam teori himpunan fuzzy tidak hanya

memiliki dua kemungkinan dalam menentukan sifat keanggotaannya tetapi memiliki derajat

kenaggotaan yang nilainya antara 0 dan 1. fungsi yang menetapkan nilai ini dinamakan fungsi

keanggotaan yang disertakan dalam himpunan fuzzy.

3.1. Notasi Himpunan Fuzzy

Misalkan U adalah kumpulan obyek yang secara umum dinyatakan dengan {u}. U

disebut semesta pembicaraan dan u mewakili elemen-elemen dari U. Suatu himpunan fuzzy F

dalam semesta pembicaaraan U dapat direpresentasikan oleh suatu fungsi keanggotaan

(membership function) µF yang mewakili nilai dalam interval [0,1] untuk tiap u dalam U

dinyatakan sebagai µF = U [0,1]

Himpunan fuzzy F dalam U biasanya dinyatakan sebagai himpunan pasangan berurutan

u dan derajat keanggotaan.

F = {(u, µ f (u)) u ε U}

Jika U kontinyu, himpunan fuzzy F dapat ditulis sebagai:

F = ∫u

μf (u )u

Jika U diskrit, himpunan fuzzy F dinyatakan sebagai:

F = ∑i=1

n μ f (u )ui

3.2. Fungsi Keanggotaan

Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan

pemetaan titik-titik input data ke dalam nilai keanggotaannya yang memiliki interval antara 0

sampi 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah

dengan melalui pendekatan fungsi. Ada beberapa fungsi yang dapat digunakan, yaitu:

3.2.1. Representasi Linier

Ada dua keadaan himpunan fuzzy linier. Pertama kenaikan himpunan dimulai pada nilai

domain yang memiliki derajad keanggotaan nol (0) bergerak ke kanan menuju ke nilai

domain yang memiliki derajad keanggotaan lebih tinggi (Gambar 3.1). Kedua, merupakan

kebalikan dari yang pertama. Garis lurus dimulai dari nilai tertinggi kemudian bergerak turun

ke nilai yang lebih rendah (Gambar 3.2).

Gambar 3.1. Representasi Linear Naik Gambar 3.2. Representasi Linear Turun

3.2.2. Representasi Kurva Segitiga

Kurva segitiga pada dasarnya merupakan gabungan antara dua garis (linear) seperti

terlihat pada Gambar 3.3.

Gambar 3.3. Kurva Segitiga

3.2.3. Representasi Kurva Trapesium

Kurva trapesium pada dasarnya seperti bentuk segitiga hanya saja ada beberapa titik

yang memiliki nilai keanggotaan 1 (Gambar 3.4).

Gambar 3.4. Kurva Trapesium

3.2.4. Representasi Kurva-S

Kurva-S atau sigmoid berhubungan dengan kenaikan dan penurunan secara tak linear.

Kurva PERTUMBUHAN dan PENYUSUTAN merupakan kurva-S. Kurva-S untuk

PERTUMBUHAN akan bergerak dari sisi paling kiri (nilai keanggotaan = 0) ke sisi paling

kanan (nilai keanggotaan = 1) seperti pada Gambar 3.5 Sedangkan Kurva-S PENYUSUTAN

akan bergerak dari sisi paling kanan (nilai keanggotaan = 1) ke sisi paling kiri (nilai

keanggotaan = 0) seperti terlihat pada Gambar 3.6.

Gambar 3.5. Kurva-S PERTUMBUHAN

Gambar 3.6. Kurva-S PENYUSUTAN

3.2.5 Representasi Kurva Bentuk Lonceng

Gambar 3.7 menunjukkan kurva bentuk lonceng (bell curve). Kurva bentuk lonceng ini

terbagi atas tiga kelas, yaitu: kurva PI, beta, dan Gauss.

Gambar 3.7. Kurva Bentuk Lonceng

3.3. Operasi Himpunan Fuzzy

Jika A dan B adalah dua buah himpunan Fuzzy dalam semesta pembicaraan U dengan

fungsi keanggotaan mA (u) dan mB (u), maka pada kedua himpunan Fuzzy tersebut dapat

berlaku operasi:

3.3.1. Kesamaan (equality)

Dua buah himpunan Fuzzy A dan B dapat dinyatakan sama jika :

µA (u) = µB (u) ; untuk semua u Œ U

3.3.2. Gabungan (union)

Fungsi keanggotaan dari gabungan dua buah himpunan Fuzzy A dan B, mAUB,

dapat dinyatakan sebagai :

µAUB (u) = max {µA (u), µB (u) ; untuk semua u Œ U

3.3.3. Irisan (intersection)

Fungsi keanggotaan dari irisan dua buah himpunan Fuzzy A dan B, m$ŀB, dapat

dinyatakan sebagai :

µA nB (u) = min {µA (u), µB (u) ; untuk semua u Œ U

3.3.4. Komplemen (complement)

Fungsi keanggotaan dari komplemen himpunan Fuzzy A, µA , dapat dinyatakan sebagai :

µÃ (u) = 1 - µA (u) ; untuk semua u Œ U

3.4. Pengendali Fuzzy Logic

Tujuan utama dalam system pengendali adalah mendapatkan keluaran (output) sebagai

respon dari masukan (input). Dalam kendali dengan cara klasik, melibatkan formula-formula

matematika yang cukup rumit. Hal ini berbeda dengan kendali fuzzy. Pengendali Fuzzy

merupakan suatu sistem kendali yang berdasar pada basis pengetahuan manusia didalam

melakukan kendali terhadap suatu proses. Konsep matematika yang mendasari logika fuzzy

sangat sederhana dan mudah dimengerti. Pendekatan fuzzy melibatkan aturan-aturan yang

dinyatakan dalam kata-kata dan tidak memerlukan presisi yang tinggi serta ada toleransi

untuk data yang kurang tepat. Struktur dasar sebuah pengendali Fuzzy diperlihatkan pada

Gambar 3.8.

Gambar 3.8. Struktur dasar pengendali Fuzzy

3.5. Fuzzifikasi

Fuzzifikasi yaitu suatu proses untuk mengubah suatu masukan dari bentuk tegas (crisp)

menjadi fuzzy (variabel linguistik) yang biasanya disajikan dalam bentuk himpunan-

himpunan fuzzy dengan suatu fungsi kenggotaannya masing- masing.

3.6. Basis Aturan (Rule Base)

Basis aturan berisi aturan-aturan fuzzy yang digunakan untuk pengendalian sistem.

Aturan-aturan ini dibuat berdasarkan logika dan intuisi manusia, serta berkaitan erat dengan

jalan pikiran dan pengalaman pribadi yang membuatnya. Jadi tidak salah bila dikatakan

bahwa aturan ini bersifat subjektif, tergantung dari ketajaman yang membuat. Aturan yang

telah ditetapkan digunakan untuk menghubungkan antara variabel-variabel masukan dan

variabel-variabel keluaran. Aturan ini berbentuk ‘JIKA – MAKA’ (IF ± THEN), sebagai

contoh adalah :

Aturan 1 : JIKA x adalah A1 DAN y adalah B1 MAKA z adalah C1

Aturan 2 : JIKA x adalah A2 DAN y adalah B2 MAKA z adalah C2

.....

.....

.....

Aturan i : JIKA x adalah Ai DAN y adalah Bi MAKA z adalah Ci

dengan :

Ai (i = 1,2,3,…) adalah himpunan Fuzzy ke i untuk variabel masukan x

Bi (i = 1,2,3,…) adalah himpunan Fuzzy ke i untuk variabel masukan y

Ci (i = 1,2,3,…) adalah himpunan Fuzzy ke i untuk variabel keluaran z

3.7. Evaluasi Aturan (Inference)

Berdasarkan basis aturan yang telah dibuat, variabel-variabel masukan fuzzy diolah lebih

lanjut untuk mendapatkan suatu penyelesaian. Dengan demikian dapat diambil suatu

keputusan berupa variabel fuzzy keluaran, yaitu himpunan-himpunan keluaran fuzzy dengan

fungsi keanggotaan yang ditetapkan berdasarkan metode yang digunakan.suatu keputusan.

Metode yang digunakan dalam proses pengambilan keputusan ini adalah:

3.7.1. Metode Max-Min

Pada metode Max-Min, pengambilan keputusan didasarkan pada aturan operasi menurut

Mamdani. Proses pengambilan keputusan Max-Min dapat dilukiskan seperti pada Gambar

3.9.

Gambar 3.9. Metode max-min

3.7.2. Metode Max-Product (Max-Dot)

Proses pengambilan keputusan dengan metode Max-Dot dapat dilukiskan pada Gambar

3.10.

Gambar 3.10. Metode Max-Dot

3.8. Defuzzifikasi

Defuzzifikasi dapat didefinisikan sebagai proses pengubahan besaran fuzzy yang

disajikan dalam bentuk himpunan-himpunan fuzzy keluaran dengan fungsi keanggotaannya

untuk mendapatkan kembali bentuk tegasnya (crisp). Hal ini diperlukan sebab dalam aplikasi

nyata yang dibutuhkan adalah nilai tegas (crisp). Ada beberapa metode defuzzifikasi yang

bisa dipakai pada komposisi aturan MAMDANI (Kusumadewi 2004:44), antara lain:

3.8.1. Metode Centroid

Metode centroid ini juga dikenal sebagai metode COA (Center of Area) atau metode

Center of Gravity. Pada metode ini nilai tegas keluarannya diperoleh berdasarkan titik berat

dari kurva hasil proses pengambilan keputusan (inference).

Gambar 3.11. Metode Centroid

3.8.2. Metode Bisektor

Pada metode ini nilai tegas keluarannya diperoleh dengan cara mengambil nilai pada

domain fuzzy yang memiliki nilai keanggotaan setengah dari jumlah total nilaikeanggotaan

pada daerah fuzzy.

Gambar 3.12. Metode Bisektor

3.8.3. Metode MOM (Mean of Maximum)

Pada metode ini nilai tegas keluarannya diperoleh berdasarkan rata-rata semua aksi

kontrol fuzzy yang mempunyai fungsi keanggotaan maksimum.

Gambar 3.13. Metode MOM (Mean of Maximum)

3.8.4. Metode LOM (Largest of Maximum)

Pada metode ini, nilai tegas keluarannya diperoleh berdasarkan tingkat keanggotaan

terbesar (µc(z) maksimum).

Gambar 3.14. Metode LOM (Largest of Maximum)

3.8.5. Metode SOM (Smallest of Maximum)

Pada metode ini, nilai tegas keluarannya diperoleh berdasarkan tingkat keanggotaan

terkecil (µc(z) minimum).

Gambar 3.15. Metode SOM (Smallest of Maximum)

Fuzzy Logic Controller

PLANTX Y+ e

__

IV. Perancangan

4.1. Perancangan Sistem

Pada paper pengaturan suhu boiler dengan logika fuzzy ini, sistem kontrol pengendali

suhu boilernya yaitu pengendali fuzzy dibangun dengan menggunakan software MATLAB

2009. Secara umum perancangan sistem digambarkan melalui diagram blok pada gambar

dibawah ini.

Gambar 4.1. Diagram blok

Keterangan :

X = Suhu referensi

E = Error ( Suhu referensi – Suhu aktual )

Y = Suhu aktual

X merupakan suhu referensi yang menjadi input dari sistem ini. Jika hasil suhu yang

diinginkan telah sama dengan suhu referensi maka set point nol. Artinya kontroler tidak lagi

memberikan sinyal aktuasi pada plant karena target akhir perintah telah diperoleh. Makin

kecil error terhitung maka semakin kecil pula sinyal pengemudian kontroler terhadap plant

sampai akhirnya mencapai kondisi tenang (steady state).

Fuzzy kontrol berfungsi sebagai pengendali yang bersifat konvergen jika dalam rentang

waktu pengontrolan nilai error menuju nol, dan keadaan dikatakan stabil jika setelah

konvergen kontroler mampu menjaga error selalu nol.

Keluaran fuzzy kontrol akan diintegralkan untuk mendapatkan nilai masukan input untuk

kemudian diolah di plant. Hasil output yang dihasilkan merupakan kondisi suhu yang

diinginkan.

B

T

S

F1 F3

F2

F4

F5

D1

D1 Y

Penampil yang terdapat pada sistem pengaturan suhu boiler dengan logika fuzzy ini

adalah berupa scope. Scope akan menunjukkan grafik nilai bahan bakar, tekanan uap, suhu

kondensor, set point, serta perbandingan suhu aktual dan referensi.

4.2. Pengolahan I/O Sistem Kontrol Suhu Boiler (Plant)

Di dalam plant sistem pengaturan suhu boiler ini terdapat tiga buah masukan yaitu

jumlah bahan bakar, tekanan uap, dan suhu kondensor. Sedangkan keluaran dari plant sistem

pengaturan suhu boiler ini adalah suhu boiler. Perancangan plant dihambarkan pada gambar

4.2.

Gambar 4.2. Plant suhu boiler

Keterangan :

R = Bahan bakar

T = Tekanan Uap

S = Suhu kondensor

F1 = Fungsi 1

F2 = Fungsi 2

F3 = Fungsi 3

F4 = Fungsi 4

F5 = Fungsi 5

D1 = Dot 1

D2 = Dot 2

Y = Suhu boiler aktual

Nilai dari masukan diatas didasarkan pada informasi yang diperoleh di PLTU Suralaya.

Informasi tersebut kemudian diolah untuk mendapatkan nilai fungsi dalam plant. Hasil

pengolahan dapat dilihat pada persamaan berikut :

Jumlah bahan bakar = 175 ton/jam = 175.103 kg/3600s = 48,6 kg/s

Nilai kalor batu bara = 5000 Kcal/kg°K = 5.106 cal/kgKalor yang diperlukan pada dapat

dicari dengan persamaan :

(∆ Q) = mB . Hf = 48,6 . (5.106) = 243.106 cal/s°K

Diketahui suhu boiler = 813°K dan suhu kondensor = 313°K. Pada penelitian ini, nilai

dari massa air kita anggap konstan, hal ini diperoleh berdasarkan persamaan berikut :

Usaha yang dilakukan pada boiler = Kalor yang diperlukan

M . C. ∆ T = mB . Hf

Sehingga :

M . C. ∆ T = mB . Hf

243.106 cal/s°K = m.100 cal/Kg . (813 – 313)°K

m = 243.106 cal/s°K

100 cal/Kg. (813 – 313)°K

m = 48,6.102 kg/s

Besar usaha yang terjadi pada turbin dapat dicari dengan persamaan berikut :

∆ W = ∆ Q . 0,63 . (1 - T1/T2) °K

= (243.106) . 0,63 . (1 - 313/813)°K

= 94,15.106 cal/s

Berdasarkan data PLTU Suralaya nilai p = 176.106 N/m2, diketahui persamaan :

∆ W =p . ∆ V

∆ V =∆ Wp

Sehingga :

∆ W = 94,15.106 / 176.104

= 53,49 m2/s

Nilai perubahan volume pada percobaan ini kita anggap konstan. Berdasarkan persamaan

diatas dan masukan yang diketahui, maka nilai suhu boiler (T2) didalam plant dirumuskan

dengan :

T 2= T 1

1−53,49 p

0,63 . mB. 5. 106

Fungsi 1, input dari bahan bakar = 0,63 . mB . 5.106

Fungsi 2, input dari tekanan uap = 53,49. 104 . p

Fungsi3 , 1/ F=1

0,63 .mB .5. 106

Fungsi3 , 1/ F=1

0,63 .mB .5. 106

1̇ ,F 3 . F 2=53,49. 104 . p0,63 .mB .5. 106

Fungsi 4 ,1−1̇=1−53,49. 104 . p0,63 .mB .5. 106

Fungsi5 , 1/ F 4=1

1−53,49. 104 . p0,63 . mB. 5.106

2̇ , Input SK . F 5=T 1

53,49. 104 . p0,63 . mB. 5.106

Dari plant yang telah dibuat, selanjutnya dilakukan pengambilan data untuk memberi

batasan nilai input dan output. Hasil dari besarnya nilai nput dan output akan digunakan pada

kontrol fuzzy. Hasil yang diperoleh adalah sebagai berikut :

Tabel 4.1. Hasil uji data plant

BB P T1 T2

48,6 176 313 813

54,6 199,4 344,3 906,4

63,6 222,7 384,6 1012

67 244,6 422,5 1112

72,9 266,2 459,7 1209

Tabel 4.2. Selisih nilai input dan output

BB P T1 T2

0 0 0 0

6 23,4 31,3 93,5

12,4 46,7 71,6 199,1

18,4 68,6 109,5 299,1

24,3 90,2 146,7 397,1

Keterangan :

BB = Bahan bakar

P = Tekanan Uap

T1 = Suhu kondensor

T2 = Suhu Boiler

4.3. Perancangan Fuzzy Logic Controller (FLC)

Fungsi keangotaan diperoleh dengan cara menggunakan sara trial dan error.

Keanggotaan himpunan fuzzy pada rancangan ini dinyatakan dalam definisi

fungsional, yaitu dengan cara analisis untuk menentukan derajat keanggotaan untuk

setiap elemen pada semesta pembicaraan.

4.3.1. Keanggotaan input

Fuzzy kontrol memiliki satu input dan tiga output. Input dari fuzzy kontrol ini

adalah “error set point” (selisih suhu aktual dan suhu referensi) sedangkan outputnya

adalah “selisih bahan bakar, selisih tekanan uap, dan selisih suhu kondensor”.

Fungsi keanggotaan yang digunakan untuk input adalah tujuh buah himpunan

keanggotaan dengan lima bentuk segitiga dan dua buah bentuk trapesium. Fungsi

keanggotaannya adalah NB, NM, NS, Zero, PS, PM, PB memiliki interval height

antara 0 - 1, dan interval support antara (397,1) – (397,1). Seperti terlihat pada

gambar 4.3.

Gambar 4.3. Fungsi keanggotaan error (set point)

Keterangan :

NB = Himpunan keanggotaan negative big

NM = Himpunan keanggotaan negative medium

NS = Himpunan keanggotaan negative small

Zero = Himpunan keanggotaan zero

PS = Himpunan keanggotaan positive small

PM = Himpunan keanggotaan positive medium

PB = Himpunan keanggotaan positive big

4.3.2. Keanggotaan output

Fungsi keanggotaan yang digunakan untuk ketiga output pada himpunan fuzzy ini

adalah tujuh buah himpunan keanggotaan dengan lima bentuk segitiga dan dua bentuk

trapesium. Untuk output selisih jumlah bahan bakar fungsi keanggotaannya adalah

NB, NM, NS, Zero, PS, PM, PB memiliki interval height antara 0 - 1, dan interval

support antara (-24,3) – (24,3). Seperti terlihat pada gambar 4.4.

Gambar 4.4. Fungsi keanggotaan selisih bahan bakar

Keterangan :








Untuk output selisih tekanan uap memiliki fungsi keanggotaan dan interval

height yang sama dengan selisih bahan bakar sedangkan interval supportnya antara (-

90,2) – (90,2) seperti terlihat pada gambar 4.5.

Gambar 4.5. Fungsi keanggotaan selisih tekanan uap

Keterangan :








Untuk output selisih suhu kondensor memiliki fungsi keanggotaan dan interval

height yang sama dengan selisih bahan bakar sedangkan interval supportnya antara (-

146,7) – (146,7) seperti terlihat pada gambar 5.6.

Gambar 4.6. Fungsi keanggotaan selisih suhu kondensor

Keterangan :








4.3.3. Inferensi

Aturan – aturan logika fuzzy yang akan dipergunakan sangat tergantung pada

sistem yang dikendalikan. Tidak ada rumusan pasti dalam menenentukan aturan –

aturan fuzzy dan fungsi keanggotaan masukan dan keluaran.

Secara umum sebuah aturan fuzzy diekspresikan dalam bentuk if-then merupakan

dasar dari sebuah relasi fuzzy atau dikenal juga dengan implifikasi fuzzy. Pada sistem

kontrol ini juga berbasis aturan if-then yang dapat menunjukkan aturan dan hubungan

antara input error (set point) dan output selisih jumlah bahan bakar, selisih jumlah

tekanan uap, selisih jumlah suhu kondensor. Pada perancangan ini metode yang

digunakan adalah metode Mamdani (Max-Min). Untuk menulis aturan perlu

diperhatikan hal-hal berikut :

a. Kelompokkan semua aturan yang memiliki solusi pada variabel yang sama

b. Urutkan aturan sehingga mudah dibaca.

Sebuah basis informasi fuzzy terdiri dari sekelompok aturan-aturan, aturan-aturan

tersebut merealisasikan antar himpunan-himpunan fuzzy dari variabel-variabel fuzzy

yang dimiliki oleh simulasi pengendali suhu ini. Realisasi antar himpunan-himpunan

fuzzy dari variabel-variabel fuzzy adalah sebagai berikut :

1. IF error zero then selisih bahan bakar zero AND selisih tekanan uap zero AND

selisih suhu kondensor zero

2. IF error NB then selisih bahan bakar NB AND selisih tekanan uap NB AND selisih

suhu kondensor NB

3. IF error NM then selisih bahan bakar NM AND selisih tekanan uap NM AND selisih

suhu kondensor NM

4. IF error NS then selisih bahan bakar NS AND selisih tekanan uap NS AND selisih

suhu kondensor NS

5. IF error PS then selisih bahan bakar PS AND selisih tekanan uap PS AND selisih

suhu kondensor PS

6. IF error PM then selisih bahan bakar PM AND selisih tekanan uap PM AND selisih

suhu kondensor PM

7. IF error PB then selisih bahan bakar PB AND selisih tekanan uap PB AND selisih

suhu kondensor PB

4.3.4. Defuzzifikasi

Metode yang digunakan pada proses ini adalah metode centroid (komposisi

moment). Dengan nilai defuzzisifikasi (z) tersebut dicari nilai keanggotaannya pada

masing-masing himpunan keluaran fuzzy. Dan dari masing-masing nilai keanggotaan

himpunan keluaran fuzzy, diambil nilai yang paling besar dan himpunan keluaran

fuzzy tersebutlah yang menjadi keputusan pengendali suhu boiler.

Output fuzzy kontrol berupa selisih bahan bakar, selisih tekanan uap, dan

selisih suhu kondensor berfungsi untuk mengurangi osilasi akibat error yang

dihasilkan antara suhu inferensi dan suhu aktual.

Fuzzy Logic Controller

PLANTX Y+ e

__

V. Hasil dan Pembahasan

Pada perancangan sistem telah dibahas bagaimana sebuah fuzzy logic control

dibuat, baik itu cara mendapatn fungsi keanggotaan logika input maupun fungsi

logika putput pada himpunan fuzzy dari sistem pengaturan suhu boiler ini. Juga

dijelaskan apa saja aturan-atura fuzzy yang kita tentukan dan defuzzifikasinya.

Setelah pengendali fuzzy didapat, maka pengendali fuzzy dimasukkan ke dalam sistem

kontrol pengatur suhu boiler dengan meletakkannya sebelum plant yang kita

buat.seperti diagram blok dibawah ini. :

Gambar 5.1. Diagram blok

Dari diagram blok diatas maka dibangun sebuah simulasi dari sistem

pengaturan suhu boiler ini dengan SIMULINK yang terdapat pada MATLAB.

Gambar 5.2. Diagram blok yang telah dibangun pada SIMULINK

Setelah dibangun sistem pada SIMULINK ini,kemudian memasukkan pengendali

fuzzy yang telah kita buat ke dalam blok Fuzzy Logic Controller dengan mengetikkan

nama file fuzzy yang kita buat pada FIS editor setelah sebelumnya meng-export file

berekstensi .fis tersebut ke workspace. Hal ini berfungsi memanggil pengendali yang

kita buat ketika simulasi pada SIMULINK dilakukan.

Gambar 5.3. memasukkan pengendali fuzzy yag telah dibuat ke dalam SIMULINK

Untuk plant dari sistem suhu boiler dari sistem ini dibangun pada subsystem yang

tersedia pada SIMULINK. Plant sistem yang dibangun dapat dilihat pada perancangan

sistem.

Gambar 5.3. Plant suhu boiler yang dibangun pada SIMULINK

Pada simuasi dengan SIMULINK ini, input dibangun dengan masukan berupa

sinyal step. Sinyal step ini kemudian di teruskan ke fuzzy logic controller dan diproses

untuk menentukan keputusan apa yang haus dilakukan sistem ini, tentunya sesuai

dengan aturan-aturan fuzzy yang telah kita tentukan sebelumnya. Setelah didapat suatu

keputusan maka keluaran dari fuzzy logic controller ini dilanjutka ke subsystem yag

telah dibangun berdasarkan plant suhu boiler yang telah dibuat. Sebelumnya, keluaran

fuzzy kontrol akan diintegralkan untuk mendapatkan nilai masukan input untuk

kemudian diolah di plant. Setelah keputusan dari fuzzy control tadi diproses pada

plant,maka akan dihasilkan sebuah output yang dapat dilihat pada scope. Hasil output

yang dihasilkan merupakan kondisi suhu yang diinginkan. Hasil ouput juga di

feedback kembali ke sistem guna mengetahui selisih error yang didapat.

Pada keanggotaan himpunan fuzzy yang telah dibangun seperti yang dapat dilihat

pada perancangan sistem, diperoleh hasil seperti gambar 5.4. berikut :

Gambar 5.4. Hasil simulasi simulink pada file Tugas_SKC2

Gambar diatas didapat dari kontrol fuzzy dengan nama file Tugas_SKC2. Dapat

dilihat dari fungsi keanggotaan input dan fungsi keanggotaan output yang telah dibuat

seperti pada perancangan sistem, ternyata didapat Rise Time yang masih pelan

responnya menuju posisi steady state. Untuk meningkatkan waktu Rise Time menuju

steady state. Maka dilakukan perubahan posisi membership function input error.

Karena tidak ada cara yang pasti untuk dapat menghasilkan output fuzzy yang akurat,

maka upaya untuk meningkatkan kinerja fuzzy ini dilakukan dengan cara trial and

error. Tetapi kinerja fuzzy juga bisa ditingkatkan dengan menggunakan kecerdasan

buatan lain, seperti algorima genetik, particle swarm optimization, dan lain-lain. Untu

hasil simulasi dengan adanya perubahan pada input error, dapat dilihat pada gambar

berikut. Disini digunakan file bernama Tugas_SKC2lagi.fis.

Gambar 5.5. Perubahan yang dilakukan pada input error

Gambar 5.6. Hasil simulasi simulink pada file Tugas_SKC2lagi

Dari perubahan pada membership function input error ternyata diperoleh hasil Rise Time yang lebih baik. Diperoleh waktu 1,5 detik untuk menuju steady state. Lebih cepat dibandingkan waktu sebelumnya yaitu 2,1 detik. Hal ini menunjukkan

besar interval pada fungsi keanggotaan fuzzy sangat berpengaruh terhadap optimal atau tidaknya suatu pengontrol fuzzy.

VI. Kesimpulan dan Saran

Dari hasil simulasi yang diperoleh dari dua bentuk himpunan fuzzy yang

dibangun, maka diperoleh kesimpulan :

1. Sistem fuzzy cocok digunakan dalam pengontrolan suhu boiler, karena dengan

adanya pengontrolan fuzzy pada boiler maka dapat mengurangi pemuaian

padabagian2 boiler karena suhu diatur sehingga panasnya tidak berlebihan.

2. Sistem fuzzy cukup handal, tetapi terdapat kesulitan dalam hal optimalisasi fuzzy. Hal

ini karena penentuan interval fuzzy masih bersifat trial and error.

Dari simulasi ini kami menyarankan untuk menggunakan bantuan kecerdasan buatan lain

(seperti algoritma genetik) dalam hal optimalisasi fuzzy.

VII. Daftar Pustaka

- Ir. Djiteng Marsudi, Pembangkitan Energi listrik, Penerbit Erlangga.2005

- Abdul Kadir, Pembangkit Tenaga Listrik, Penerbit Universitas Indonesia.1996

Documents

Pengendalian Suhu Boiler Menggunakan Logika Fuzzy