Upload
hardi-rifki-al-amin
View
944
Download
2
Embed Size (px)
DESCRIPTION
Pengendalian Suhu Boiler Menggunakan Logika Fuzzy
Citation preview
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 :
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
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 :
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
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 :
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
4.3.3. 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