PENALAAN PARAMETER KENDALI PID DENGAN LOGIKA FUZZY PADA SISTEM TERMAL ABSTRACT

(1)

POLITEKNOSAINS EDISI KHUSUS DIES NATALIS Juli 2012

PENALAAN PARAMETER KENDALI PID DENGAN LOGIKA FUZZY PADA SISTEM TERMAL

Wiyono

Staf Pengajar – Progdi Teknik Elektro, Akademi Teknologi Warga Surakarta

ABSTRACT

Thermal system is a slow process of changing. If the cooling process done naturally will lead to the decrease in temperature to be slow, so that attempted to control overshoot and steady-state error as small as possible to the conditions set point and load changes. In the conventional PID control tuning is done off-line without taking into account the changes in the plant and the disturbances that arise. The purpose of this study is to design equipment for the control of thermal systems that can automatically tune the PID parameters by fuzzy logic. In the present study used a RISC AVR microcontroller as a control center, which will provide value to the control unit controls the power, then the percentage of control values fed to the heating element with 450 Watt power to heat water with a maximum volume of 2 Liters. While the software is used for PID algorithms and fuzzy logic programming with C language.

In order to tune the proper PID parameters on-line, then made two-level control system. The first two-level determines the PID parameters by finding the minimum and maximum value of Kp, Ki and Kd with the reaction curve method. The second level in order to design a fuzzy system can automatically tune the PID gain, then formulated into a combination of 49 fuzzy if-then rules to get the value of Kp, Ki and Kd the right of errors and changes in the value of delta error.

The results of the process control system with PID control parameters tuning with fuzzy logic is applied to the thermal system can improve the performance of conventional PID control. Tests for set point changes and changes in water volume resulting average value of the response characteristics of control systems as follows: rise time (tr) 231 seconds, the peak time (tp) 254 seconds, the time setting (ts) 302 seconds, the overshoot (Mp) 0.22

℃

_{and steady state error (OS) 0.28}

℃

_{. While the} conventional PID control of the resulting tr = 223 seconds, tp = 307 seconds, ts = 678 seconds, Mp = 2.17

℃

_{and OS = 0.67}

℃

_.

(2)

I PENDAHULUAN

Kendali PID telah banyak

digunakan di proses industri

karena bentuknya sederhana dan

mudah diimplementasikan.

Keberhasilan pengendalian dengan

kendali PID ditentukan oleh

penalaan parameter PID. Pada

kendali PID konvensional

penalaan dilakukan secara off-line tanpa memperhitungkan perubahan yang terjadi pada plant dan

gangguan yang muncul.

Berdasarkan kondisi ini, maka dalam penelitian ini dicoba untuk mengoptimisasi parameter PID

secara on-line dengan

memperhitungkan perubahan yang terjadi pada plant dan gangguan yang muncul dengan menggunakan pengendali berbasis logika fuzzy

Di dunia industri,

khususnya yang menggunakan

sistem termal, diperlukan

pengendalian yang teliti, stabil terhadap gangguan dan mampu mengadaptasi perubahan setpoint maupun perubahan beban. Jika proses pengendalian menghasilkan keluaran melebihi harga setpoint

tetapi tidak dilakukan proses

pendinginan oleh peralatan kendali

artinya proses pendinginan

dilakukan secara alami, maka dibutuhkan waktu yang lebih lama

untuk melakukan proses

pendinginan menuju nilai setpoint. Dengan demikian perlu dirancang suatu sistem kendali yang mampu

menghasilkan keluaran dengan

overshoot dan steadystate error sekecil mungkin.

II METODE PENELITIAN 2.1 Bahan Penelitian

Bahan yang akan diteliti adalah proses pemanas zat cair berupa air. Air ditampung di bak

penampung dengan kapasitas

volume 2 Liter tanpa ditutup. Komponen pemanas berupa heater

coil dengan kapasitas daya 150 Watt sebanyak 3 Unit. Tidak dilakukan proses pendinginan oleh

peralatan, proses pendinginan

terjadi secara alami. Suhu air diharapkan dapat diatur sesuai dengan suhu yang diinginkan. 2.2 Alat Penelitian

Penalaan parameter PID dengan logika fuzzy yang dimaksud adalah ketiga parameter Kp, Kd dan Ki pada kendali PID ditala dengan menggunakan logika fuzzy. Pada kendali PID konvensional, penalaan dilakukan secara off-line tanpa memperhitungkan perubahan yang terjadi pada plant dan gangguan yang muncul. Struktur dari proses penalaan PID dapat dilihat pada Gambar 2.1.

(3)

Gambar 2.1 Diagram kotak proses pengendalian sistem termal

e(t) adalah selisih dari referensi dan keluaran, sedangkan de/dt adalah perubahan dari e(t). e(t) = Referensi(Sp) – Keluaran (Pv)

(2.1)

Hasil akhir dari proses

pengendalian yaitu untuk

mendapatkan nilai keluaran yang sesuai dengan nilai referensinya. Hasil proses pengendalian dapat dianalisis berdasarkan karakteristik

tanggapan sistem pengendalian

yang berhubungan dengan

kestabilan, respon transient

(karakteristik sistem) dan error

steady state.

2.3 Jalan Penelitian

2.3.1 Perancangan Perangkat

Keras

Secara diagram kotak

hubungan antara

komponen-komponen sistem kendali dapat

dilihat seperti pada Gambar 2.2 berikut ini.

Gambar 2.2 Diagram kotak perangkat keras kendali

2.3.2 Perancangan Perangkat Lunak Fuzzy dan PID

Gambar 2.3 Diagram kotak penalaan parameter PID dengan Fuzzy

Pada Gambar 2.3, merupakan Diagram kotak hubungan secara

fungsional proses penalaan

parameter PID dengan Fuzzy pada

sistem termal. Penelitian

menggunakan perangkat lunak

guna mengakses Mikrokontroler dengan periperal seperti LCD,

Keypad, ADC, PWM dan

komunikasi serial dengan

komputer. Disamping itu perangkat

(4)

pemrograman logika fuzzy dan kendali PID. Seluruh program yang

digunakan dalam penelitian

menggunakan bahasa C dengan bantuan tool software CodeVision AVR 1.25.3 (CV AVR) [6]. CV

AVR merupakan salah satu

software kompiler yang kusus digunakan untuk Mikrokontroler keluarga AVR.

2.3.3 Perangkat lunak PID

Persamaan kendali PID

dalam bentuk transformasi Laplace dapat dituliskan [21]:

(2.2)

dengan metode penyelesaian yang sering digunakan yaitu backward

difference method dapat dijelaskan sebagai berikut:

z0 = nomor sampling ke n (sekarang berlangsung)

z-1 = waktu sampling ke n-1

z-2 = waktu sampling ke n-2, dan seterusnya

Dengan metode Backward

difference persamaan PID menjadi:

(2.3)

Satu interval waktu sampling dapat dinyatakan:

(2.4)

Dengan mengurangkan persamaan awal sehingga menjadi:

(2.5)

Dari konsep kendali PID secara digital diatas, diharapkan

dapat diterjemahkan kedalam

pemrograman mikrokontroler

sesuai Gambar 2.4.

Gambar 2.4 Diagram alir kendali PID

2.3.4 Perangkat lunak Logika Fuzzy

2.3.4.1 Fungsi Keanggotaan error dan Perubahan error

Nilai error e dibagi

kedalam tujuh level ( NB, NM, NS, ZZ, PS, PM, PB), sedangkan nilai perubahan error ec (error change) juga dibagi kedalam tujuh level (DNB, DNM, DNS, DZZ, DPS, DPM, DPB). Huruf pertama N, P dan D berarti negative, positive dan

(5)

S dan Z berarti big, medium, small dan zero.

Gambar 2.5 Keanggotaan input error e dan perubahan error ec

Sedangkan untuk fungsi

keanggotaan input error e dan perubahan error ec seperti pada Gambar 2.5.

Selanjutnya dilakukan

penurunan berdasarkan respon step

sistem, seperti Gambar 2.6,

dibawah ini

Gambar 2.6 Respon step sistem

Pada titik awal disekitar a, suatu sinyal aksi kendali yang besar dibutuhkan untuk mencapai waktu

naik yang cepat. Untuk

menghasilkan sinyal aksi kendali

yang besar diperlukan penguatan proporsional yang besar, penguatan derivatif yang kecil dan penguatan

integral yang besar. Dari

persamaan sebelumnya dapat

ditentukan apabila nilai Kp dan Kd diperoleh maka penguatan integral berlawanan secara proporsional terhadap ߙ, artinya penguatan integral yang kecil bermakna ߙ kecil. Akibatnya aturan disekitar al adalah:

If e(t) is PB and ė(t) is ZZ Then Klp is Big, Kld is Small,

ߙ

is S

If e(t) is ZZ and ė(t) is NB Then Klp is Small, Kld is Big,

ߙ

is B

Tabel 2.1 Aturan Kendali Kaidah Ke E DE U Referensi Fungsi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 PB PM PS ZE ZE ZE NB NM NS ZE ZE ZE ZE PB PS NB NB PS NS ZE ZE ZE NB NM NS ZE ZE ZE PB PM PS ZE NS NB NM PM ZE ZE PB PM PS NB NM NS NB NM NS PB PM PS ZE PM NM NM PM ZE ZE Titik a Titik e Titik i Titik b Titik f Titik j Titik c Titik g Titik k Titik d Titik h Titik l Titik set Daerah 1 Daerah 2 Daerah 3 Daerah 4 Daerah 5 Daerah 9

Perpendek rise time Perpendek rise time Perpendek rise time Kurangi overshoot Kurangi overshoot Kurangi overshoot Kurangi overshoot Kurangi overshoot Kurangi overshoot Perkecil osilasi Perkecil osilasi Perkecil osilasi Pengereman Perpendek rise time Kurangi overshoot Kurangi overshoot Perkecil osilasi Pengereman Pengereman

Dengan ide seperti Tabel 2.1, aturan-aturan yang lain dapat diturunkan sehingga diperoleh 49

aturan. Dengan menggunakan

(6)

fuzzifier dan center average

defuzzifier, parameter K' p , K' d dan

ߙ

_{dapat ditala secara on-line}

sesuai persamaan berikut ini [16].

2.3.4.2 Mencari Nilai Kp , Kd dan ∝

∝ ∝ ∝

penguatan PID yang akan ditala dinyatakan dengan [Kp min, Kp max] c R dan

[Kd min, Kd max] c R dengan penguatan proporsional Kp ∈ [Kp min, Kp max] dan penguatan derivatif Kd ∈ [Kd min, Kd max]. Untuk memudahkan Kp dan Kd

dinormalisasikan menjadi 0-1

dengan tranformasi linier seperti berikut.

K 'p = Kp – Kpmin / Kpmax –

Kpmin (2.9)

K 'd = Kd – Kdmin / Kdmax –

Kdmin (2.10) Konstanta waktu integral dapat ditentukan dengan mengacu kepada konstanta waktu derivatif. Dinyatakan dengan

Ti = α Td

(2.11)

Selanjutnya dapat diperoleh,

Ki = Kp / ( αTd) = KP 2

/ ( αKd) (2.12)

Table 2.2 rule untuk K’p

Table 2.3 rule untuk K’d

_∆error DNB DNM DNS DZZ DPS DPM DPB error NB S S S S S S S NM B B S S S B B NS B B B S B B B ZZ B B S S S B B PS B B B S B B B PM B B S S S B B PB S S S S S S S

Table 2.4 rule untuk a

_∆error DNB DNM DNS DZZ DPS DPM DPB error NB 2 2 2 2 2 2 2 NM 3 3 2 2 2 3 3 NS 4 3 3 2 3 3 4 ZZ 5 4 3 3 3 4 5 PS 4 3 3 2 2 3 4 PM 3 3 2 2 2 3 3 PB 2 2 2 2 2 2 2

Ketiga Tabel 2.2, 2.3, 2.4 diatas adalah hasil konsekuen untuk pembacaan nilai Kp’, Kd’ dan α.

∆error DNB DNM DNS DZZ DPS DPM DPB error NB B B B B B B B NM S B B B B B S NS S S B B B S S ZZ S S S B S S S PS S S B B B S S PM S B B B B B S PB B B B B B B B

(7)

Gambar 2.7 Fungsi keanggotaan K'p , K' dan α

Gambar 2.8 Diagram alir kendali Fuzzy

Dari diagram alir Gambar 2.8, dapat direalisasi rutin fuzzy

kedalam bahasa pemrograman

mikrokontroler. Tahap pertama

adalah membentuk definisi

keanggotaan error dan Delta error kedalam struktur array, kemudian membentuk fungsi keanggotaan tiap variabel keanggotaan error dan Delta error. Pada saat terjadi eksekusi program di setiap waktu sampling maka besar nilai crips

error dan Delta error dimasukkan

dalam fungsi keanggotaannya.

Hasil dari pembacaan fungsi

keanggotaan dilakukan proses

inferensi, selanjutnya dilakukan

proses defuzyfikasi untuk

menentukan nilai Kp’, Kd’ dan alpha. Nilai hasil defuzyfikasi

merupakan nilai tegas yang

nantinya digunakan oleh kendali PID sebagai variabel penalaannya. III HASIL PENGUJIAN DAN ANALISA

3.1 Pengujian perubahan set

point

3.1.1 Kendali PID dengan beban minimal

Kendali PID diujikan pada volume 0,5 Liter air dan dilakukan perubahan Set Point dari 30℃ sampai 90℃. Nilai konstanta PID Kp = 12, Ki = 0,2 dan Kd = 180.

Gambar 3.1 Kurva (a), (b), (c) SP 30-90℃ Kendali PID Volume minimal

Hasil ketiga percobaan

kendali PID pada Gambar 4.1, Kurva (a), (b), (c) dengan volume 0,5 Liter air dan perubahan suhu dari 30℃ sampai 90℃ dihasilkan nilai rata-rata waktu kenaikan (tr)

(8)

90 detik, waktu puncak (tp) 131 detik, waktu penetapan (ts) 372 detik, terjadi overshoot dengan penyimpangan terhadap set point

2,5℃ dan kesalahan keadaan

mantap 0,6 ℃.

3.1.2 Kendali PID dengan beban maksimal

Kendali PID diujikan pada volume 2 Liter air dan dilakukan perubahan Set Point dari 33℃ sampai 90℃. Nilai konstanta PID Kp = 21, Ki = 0,175 dan Kd = 630.

Gambar 3.2 Kurva (a), (b), (c) SP 33-90℃ Kendali PID Volume maksimal

Sedangkan hasil ketiga

percobaan kendali PID pada

Gambar 3.2 Kurva (a), (b), (c) dengan volume 2 Liter air dan perubahan suhu dari 30℃ sampai 90℃ dihasilkan nilai rata-rata waktu kenaikan (tr) 270 detik, waktu puncak (tp) 396 detik, waktu penetapan (ts) yang sangat lama,

terjadi overshoot dengan

penyimpangan terhadap set point 2℃ dan kesalahan keadaan mantap 1,16℃.

3.1.3 Kendali Fuzzy+PID dengan beban minimal.

Kendali Fuzzy+PID diujikan pada volume 0,5 Liter air dan dilakukan perubahan Set Point dari 30℃ sampai 90℃. Nilai parameter Kpmin-maks = (12,21), Kdmin-maks = (180,630) dan Ki = 12/α.30.

Gambar 3.3 Kurva SP 30-90℃ Kendali fuzzy+PID untuk Volume minimal

Dari ketiga percobaan

kendali Fuzzy+PID pada Gambar 3.3 Kurva (a), (b), (c) dengan volume air 0,5 Liter dan perubahan suhu dari 30℃ sampai 90℃ dihasilkan nilai rata-rata waktu kenaikan (tr) 231 detik, waktu puncak (tp) 265 detik, waktu penetapan (ts) 339 detik, terjadi

overshoot dengan penyimpangan terhadap set point 0,2℃ dan kesalahan keadaan mantap 0,46℃. 3.1.4 Kendali Fuzzy+PID dengan dengan beban maksimal.

Kendali Fuzzy+PID diujikan pada volume 2 Liter air dan dilakukan perubahan Set Point dari 31℃ sampai 90℃. Nilai parameter Kpmin-maks = (12,21),

(9)

Kdmin-POLITEKNOSAINS EDISI KHUSUS DIES NATALIS Juli 2012

maks = (180,630) dan Ki = 12/α.30.

Gambar 3.4 Kurva SP 31-90 Kendali Fuzzy+PID danVolume maksimal

Ketiga percobaan kendali

Fuzzy+PID pada Gambar 3.4 Kurva (a), (b), (c) dengan volume air 2 Liter dan perubahan suhu dari 30℃ sampai 90℃ dihasilkan nilai rata-rata waktu kenaikan (tr) 278 detik, waktu puncak (tp) 301 detik, waktu penetapan (ts) 315 detik, terjadi

overshoot dengan penyimpangan terhadap set point 0,1℃ dan kesalahan keadaan mantap 0,26℃.

4.1.2 Kendali PID dengan

Perubahan Beban dan set point Tetap

Kendali PID diujikan pada volume mulai 0,5 Liter air sampai 2 Liter air dan set point tetap sebesar 70℃. Nilai konstanta PID Kp = 12, Ki = 0,2 dan Kd = 180.

Gambar 3.5 Kurva perubahan Volume 0,5-2 Liter kendali PID

Dari ketiga percobaan

kendali PID pada Gambar 3.5 Kurva (a), (b), (c) dengan set point 70℃ dan perubahan volume 0,5 Liter sampai 2 Liter air dihasilkan nilai rata-rata waktu kenaikan (tr) 267 detik, waktu puncak (tp) 351 detik, waktu penetapan (ts) 630 detik, terjadi overshoot dengan penyimpangan terhadap set point

mantap 0,46℃.

4.1.2.2 Kendali Fuzzy+PID

dengan Perubahan Beban dan set

point Tetap

Kendali Fuzzy+PID diujikan pada volume mulai 0,5 Liter air sampai 2 Liter air dan set point tetap sebesar 70℃. Nilai parameter Kpmin-maks = (12,21), Kdmin-maks = (180,630) dan Ki = 12/α.30.

Gambar 3.6 Kurva perubahan Volume 0,5-2 Liter pada kendali Fuzzy+PID

Ketiga percobaan kendali

Fuzzy+PID pada Gambar 3.6 Kurva (a), (b), (c) dengan set point 70℃ dan perubahan volume 0,5 Liter sampai 2 Liter air dihasilkan nilai

(10)

rata-rata waktu kenaikan (tr) 208 detik, waktu puncak (tp) 226 detik, waktu penetapan (ts) 278 detik,

terjadi overshoot dengan

penyimpangan terhadap set point

mantap 0,2℃.

Dari pengamatan hasil

pengujian kendali PID dan

Fuzzy+PID maka dapat ditabelkan sesuai dengan Karakteristik respon sistem kendali.

Tabel 3.1 Data hasil pengujian Set Point (problem servo)

Tipe Kend ali

Volume Set Point

('C) MP('C) O,%(' C) PID 0.5 Liter 30-50 90 140 480 3.0ˇ 0.6ˇ 50-70 75 105 380 2.5ˇ 0.6ˇ 70-90 105 150 265 2.0ˇ 0.6ˇ Fuzzy +PID 0.5 Liter 30-50 280 380 604 0.6ˇ 0.6ˇ 50-70 165 152 165 0ˇ 0.4ˇ 70-90 250 250 250 0ˇ 0.4ˇ PID 2 Liter 30-50 220 340 = 2.5ˇ ⁺1.8ˇ 50-70 270 370 = 2.0ˇ ⁺1.3ˇ 70-90 320 150 1080 1.5ˇ 0.4ˇ Fuzzy +PID 2 Liter 30-50 235 305 335 0.3ˇ 0.3ˇ 50-70 280 280 290 0ˇ 0.1ˇ 70-90 320 320 320 0ˇ 0.4ˇ

Tabel 3.2 Data hasil pengujian perubahan beban (problem Regulator)

Tipe Kendali

Volu

me Set Point ('C) MP('C) O,%('C)

PID 0.5 Liter 0.5+0.5 353 465 640 2.5ˇ 0.4ˇ 1+0.5 290 370 710 2.0ˇ 0.4ˇ 1.0+0.25+0.25 160 220 540 2.0ˇ 0.6ˇ Fuzzy+PID 0.5 Liter 0.5+0.5 200 255 410 1.0ˇ 0.4ˇ 1+0.5 210 210 210 0ˇ 0.1ˇ 1.5+0.25+0.25 215 215 215 0ˇ 0.1ˇ

IV KESIMPULAN DAN SARAN 4.1 Kesimpulan

Dari hasil penelitian dan pembahasan, dapat disimpulkan beberapa hal sebagai berikut:

1. Proses kendali dengan

sistem penalaan parameter kendali PID dengan logika

Fuzzy yang diaplikasikan pada sistem termal dapat

memperbaiki kinerja

kendali PID konvensional, untuk pengujian perubahan

set point dan perubahan

volume air dihasilkan

karakteristik respon sistem kendali dengan nilai rata-rata yaitu waktu kenaikan (tr) 231 detik, waktu puncak

(tp) 254 detik, waktu

penetapan (ts) 302 detik,

overshoot yang sangat kecil

sebesar 0,22℃ dan

kesalahan keadaan mantap sebesar 0,28℃. Sedangkan kendali PID konvensional dihasilkan nilai rata-rata waktu kenaikan (tr) 223 detik, waktu puncak (tp) 307 detik, waktu penetapan (ts) 678 detik, overshoot

sebesar 2,17℃ dan

kesalahan keadaan mantap sebesar 0,67℃.

2. Pembacaan fungsi

(11)

struktur array pada

pemrograman logika fuzzy dan PID yang ditulis dengan bahasa C, dapat menghemat

lokasi memori program

mikrokontroler AVR

ATmega32. Pada penelitian ini untuk mengakses dua masukan sistem fuzzy e(t) dan (t) kedalam kombinasi 49 aturan parameter K'p ,

K'd dan ߙ agar dapat ditala secara on-line, dibutuhkan lokasi memori program 26 Kbyte, sedangkan dengan

pendefinisian langsung

setiap fungsi dibutuhkan 31Kbyte.

4.2 Saran

Beberapa saran untuk alur

pengembangan penelitian lebih

lanjut dapat penulis berikan, yaitu: 1. Pengembangan dapat dilakukan

dengan mengatur kembali

bentuk dan rentang keanggotaan Kp, Kd dan α pada logika fuzzy untuk menghasilkan karakteristik respon sistem kendali yang berbeda.

2. Pengembangan dapat

diaplikasikan pada skala plant yang lebih besar.

Penulis berharap penelitian ini dapat dikembangkan lebih lanjut, dan dapat memberikan

sumbangan nyata bagi

perkembangan teknologi

perangkat sistem kendali dan

perkembangan perangkat

embedded system yang bermanfaat dibidang industri. DAFTAR PUSTAKA [1] Atmel, 2003, 8-bit Microcontroller with 32K Bytes In-System Programmable Flash, http://www.atmel.com/ product/AVR/ . (download, 20/3/2008, jam 8:04).

[2] Agus,B. 2008, C dan AVR:

Rahasia Kemudahan Bahasa C dalam Mikrokontroler ATmega8535, Yogyakarta, Graha Ilmu.

[3] Ahn, K.K & Nguyen, B.K. 2006, Position Control

of Shape Memory Alloy ActuatorsUsing Self Tuning Fuzzy PID Controller,

International Journal of

Control, Automation,

and Systems, vol. 4, no.

6, pp. 756-762. (download, 12/12/2008, jam 15:23). [4] Gopal, M. 2003, Control Systems, USA. McGraw-Hill. [5] Gunterus, Frans. 1994,

Falsafah Dasar: Sistem Pengendalian Proses,

(12)

jakarta. PT. Elex Media Komputindo.

[6]

http://www.hpinfotech.r o/download.html. [7] Jantzen, J. 1998, Tuning of

Fuzzy PID Controllers.

http://www.iau.dtu.dk/~ jj/pubs.

[8] Karray, F.O & De Silva, C. 2004, Soft Computing

and Inelligent Systems Design, England: Pearson.

[9] Kaufmann, A. and M.M.

Gupta, 1991,

Introduction to Fuzzy Arithmetic Theory and Applications , New York, Van Nostrand Reinhold.

[10] Klir, G.J. & T.A. Folger,

1988, Fuzzy Sets,Uncertainty, and Information , New Delhi, Prentice-Hall. [11] Kim, J.H. Kim, K.C. dkk, 1994, FuzzyPrecompensated PID Controllers, IEEE.

Trans. Syst. Man.

Cybern., Vol.2. No.4, (download, 22/1/2008, jam 11:16). [12] National Semiconductor, 2000, LM35Precision Centigrade Temperature Sensors, www.national.com. .(download, 9/5/2009, jam 13:08). [13] Ogata, K., 1997, Modern Control Engineering, New Jersey, Prentice hall

[14] Setiawan, I. 2008, Kendali

PID untuk Proses Industri, Jakarta, PT.

Elex Media

Komputindo.

[15] Sheroz, K. I. Adam, A. H. M. dkk, 2008,

Rule-Based Fuzzy Logic Controller with Adaptable Reference, International Journal of Intelligent Systems and Technologies 3;1 ©

www.waset.org.

(download 17/12/209, jam 9:23).

[16] Wang, L.X. 1997, A Course

in Fuzzy Systems and Control, New Jersey:Prentice-Hall International. Inc: pp. 257-263. [17] Wikipedia, An Introduction To Fuzzy Control Systems, http://en.wikipedia.org/ wiki/Main_Page, (download, 27/10/2009, jam 9:58).

[18] Zulfatman & Rahmat, M. F. 2009, Application of

Self-Tuning Fuzzy PID Controller on Industrial

(13)

POLITEKNOSAINS EDISI KHUSUS DIES NATALIS Juli 2012 Hydraulic Actuator Using System Identification Approach, Universiti Teknologi Malaysia,International Journal on Smart

Sensing and Intelligent

Systems, Vol.2.

(download, 20/12/2010, jam 11:12).

[19] Zhen-Yu Zhao, M. Tomizuka, & S. Isaka 1993, Fuzzy

Gain Scheduling of PID Controllers,IEEE.

Trans. Syst. Man.

Cybern., Vol.23. No.5: 1392–1398, (download, 6/8/2009, jam 10:34). [20] Zimmerman, H.J., 1991,

Fuzzy Set Theory and Its Applications, Amsterdam,Kluwer Publishing Co.

[21] Visioli A.,2006, Practical

PID Control, London, Springer. [22] Kularatna, N. 1998, Power Electronics Design Handbook, Woburn,Newnes. [23] Cheng-Ching Yu, 2006, Autotuning of PID Controllers, A Relay Feedback Approach, Springer 2nd. [24] National Instruments, 1998,

Getting started using ComponentWorks

Autotuning PID,

http://www.natinst.com , (download, 15/1/2009) [25] Li- Xuquan., Chen, j., dkk, 2004, A new method for

controlling refrigerant flow in automobile air conditioning, Applied Thermal Engineering 24 1073–1085, http://www.sciencedire ct.com [26] http://www.omega.com [27] Lian, H., Christopher H, dkk, 1999, Fuzzy

Hybrid PID Controller of a Steam Heated Dryer, Korea, IEEE.

International Fuzzy

Systems Conference