Pengaturan Proses Tekanan pada Sistem Pengaturan Berjaringan Menggunakan Kontroler Fuzzy Neural Network

(1)

1



Abstrak— Delay yang terjadi pada Sistem Pengaturan Berjaringan (SPB) dapat mengganggu kinerja sistem. Hal ini dapat berdampak pada penurunan performa dan terjadinya ketidakstabilan pada sistem. Dalam konsep pengaturan menggunakan jaringan komunikasi, gangguan ini tidak bisa dihilangkan. Namun, suatu metode kontrol dapat diberikan untuk mempertahankan kinerja sistem. Dalam penelitian Tugas Akhir ini dirancang sebuah kontroler Fuzzy Neural Network (FNN) untuk mengendalikan proses tekanan melalui jaringan komunikasi. Jaringan komunikasi yang digunakan berupa Ethernet. Kontroler FNN tersebut merupakan hibrida antara dua konsep kecerdasan buatan, yaitu sistem fuzzy dan artificial neural network (ANN). Penelitian ini akan diujikan terhadap Temperature Process Rig 38-714 sebagai plant dengan memberikan perlakuan yang berbeda untuk setiap gangguan yang akan diatasi. Untuk pembebanan nominal dengan variasi delay diperoleh respon dapat mengikuti nilai set point akan tetapi memiliki overshoot terbesar senilai %Mp = 56% pada delay 0.6852 detik dan ess = ± 0.12%. Pada pembebanan minimal dengan variasi delay diperoleh respon sistem dengan nilai %Mp = ± 60.5% dan ess = ± 0.12%. Pada pembebanan maksimal dengan variasi delay diperoleh nilai overshoot dan error keadaan steady terbesar diperoleh pada nilai delay 0.6852 detik sebesar %Mp = ± 4.5% dan ess = ± 0.12%.

Kata Kunci - SPB, kontroler FNN, Pengaturan Tekanan, delay.

I. PENDAHULUAN

eknologi komunikasi saat ini telah berkembang pesat dan digunakan dalam aspek kehidupan yang luas, seperti bidang ilmu pengetahuan, industri, ekonomi, sosial, bahkan politik. Beberapa tipe jaringan komunikasi, seperti

Ethernet, Fieldbus, dan Wireless, telah digunakan dalam

aplikasi praktis yang luas dan selalu berkembang dengan munculnya generasi-generasi baru dari masing-masing tipe.

Ethernet yang merupakan jenis skenario pengkabelan dan

pemrosesan sinyal untuk data jaringan komputer awalnya dikembangkan pada tahun 1975 oleh perusahaan Xerox di

Palo Alto Research Center (PARC) dengan nama Xerox

Ethernet. Teknologi tersebut digunakan untuk

menghubungkan 100 komputer pada kecepatan 2,94 Gbps melalui kabel sepanjang satu kilometer. Sejak saat itu, teknologi Ethernet berkembang sangat.

Seiring dengan perkembangan teknologi komunikasi tersebut, bidang ilmu sistem pengaturan telah mengalami perluasan lingkup. Konsep sistem pengaturan umpan balik yang dahulu memiliki konfigurasi jaringan pengkabelan kontrol terdedikasi, saat ini menyisipkan jaringan komunikasi real-time sebagai jalur komunikasi. Sistem

pengaturan umpan balik dimana sistem lup tertutup menggunakan jaringan real-time disebut Sistem Pengaturan Berjaringan (Networked Control System) [2]. SPB memungkinkan komunikasi antara sensor, aktuator, kontroler, dan plant berada pada node tunggal jaringan komunikasi. Penggunaan jaringan komunikasi semacam itu menghasilkan arsitektur yang fleksibel dan mengurangi biaya instalasi dan perawatan. Penerapan jaringan komunikasi ke dalam skema sistem pengaturan menyebabkan permasalahan yang ada pada jaringan komunikasi berlaku juga pada SPB. Permasalahan yang terjadi pada SPB berada pada persimpangan antara teori pengaturan dan komunikasi. Secara tradisional, teori pengaturan berfokus pada studi dinamika sistem yang terhubung melalui saluran ideal sedangkan teori komunikasi mempelajari transmisi informasi melalui jaringan tak ideal [1].

Permasalahan yang dihadapi pada SPB adalah permasalahan yang muncul karena adanya delay (waktu tunda) jaringan yang disebabkan oleh kepadatan lalu lintas jaringan. Keberadaan waktu tunda pada jaringan menyebabkan penurunan pada performansi sistem. Bahkan, dalam beberapa kasus kehadiran waktu tunda tersebut menggerakkan performansi sistem menuju ketidakstabilan. Berdasarkan permasalahan tersebut, penelitian Tugas Akhir ini berfokus pada penyelesaian masalah yang ada pada SPB dalam sudut pandang ilmu sistem pengaturan. Perancangan kontroler Self-tuning Fuzzy dengan mekanisme kontroler

Fuzzy bertingkat pada SPB telah dibahas pada [3].

Penerapan kontroler FNN, dikenal juga sebagai Neuro-Fuzzy (NF), pada sistem pengaturan proses industri dan Motor DC untuk memperoleh performansi yang diinginkan telah dibahas pula pada [5,6]. Pada penelitian Tugas Akhir ini diajukan penerapan kontroler FNN pada SPB untuk memperoleh performansi yang diinginkan. Kontroler FNN tersebut digunakan sebagai direct controller pada SPB. Perancangan Kontroler FNN mengacu pada [4,11,12], sedangkan penurunan rumus dari mekanisme adaptasi fuzzy berbasis neural network dalam Tugas Akhir ini mengacu pada [4,9,10].

II. TEORI DASAR A. Sistem Pengaturan Berjaringan

SPB merupakan sistem pengaturan umpan balik lup tertutup dimana pertukaran informasi antar komponen dilakukan dalam bentuk paket data melalui jaringan

real-time. SPB memungkinkan komunikasi antara sensor,

aktuator, kontroler, dan plant berada pada node tunggal jaringan komunikasi. Arsitektur SPB pada dasarnya

Rendie Ramadhan, 2208100131

Bidang Studi Sistem Pengaturan, Jurusan Teknik Elektro FTI - ITS Email : [email protected]

Pengaturan Proses Tekanan pada Sistem Pengaturan Berjaringan

Menggunakan Kontroler Fuzzy Neural Network

(2)

2 memiliki lima komponen dasar seperti ditunjukkan pada Gambar 1. Penyisipan jaringan komunikasi pada SPB memungkinkan pelaksanaan beberapa tugas dari jarak jauh.

Keunggulan yang ditawarkan oleh SPB tentunya diiringi muncul beberapa masalah yang timbul akibat penggunaan jaringan komunikasi. Pemasangan jaringan komunikasi di lup umpan balik membuat perancangan dan analisis SPB menjadi lebih kompleks. Hal ini disebabkan penggunaan jaringan komunikasi yang dipengaruhi oleh beberapa gangguan, yaitu waktu tunda dan packet dropout.

Gambar 1. Arsitektur SPB dan Aliran Informasi [1].

Waktu tunda jaringan dalam SPB dapat dikategorikan ke dalam dua bentuk yaitu waktu tunda yang diakibatkan karena transmisi sinyal dari sensor ke kontroler yang dinotasikan τsc

dan tunda waktu dari kontroler ke aktuator yang dinotasikan

τca_{. Waktu yang dibutuhkan oleh kontroler dalam memproses}

sinyal (τc_{) dan waktu tunda yang ada dalam jaringan dapat}

dijadikan sebagai satu kesatuan waktu tunda total (τ) waktu tunda ini dapat diabaikan karena umumnya lebih kecil jika dibandingkan dengan waktu tunda jaringan. Waktu tunda τsc

dan τca_{terdiri atas beberapa bagian, yaitu : waiting time} delay (τw_{) yaitu waktu tunda pada kontroler atau lup plant}

akibat proses antrian dan ketersediaan jaringan sebelum kontroler mengirimkan paket data, frame time delay (τf_{) yaitu}

waktu yang dibutuhkan untuk konversi sinyal kontrol menjadi paket data sebelum siap ditransmisikan melalui jaringan, dan propagation delay (τp_{) adalah waktu yang}

dibutuhkan oleh paket data untuk melalui media transmisi. Besarnya waktu tunda ini bergantung pada kecepatan transmisi media serta jarak antara sumber dan tujuan.

Gambar 2. Diagram Waktu tunda dari SPB [2].

Gambar 2 mengambarkan proses pengiriman paket data dari plant  kontroler  aktuator pada SPB dengan waktu tunda. Secara umum, terdapat tiga bagian fundamental dari waktu tunda yang terjadi di dalam sebuah jaringan. Waktu

tunda dari sinyal kontrol dan hasil pengukuran sensor terjadi akibat adanya proses antrian paket data baik pada switch,

router maupun hub. Waktu tunda τsc_{dan τ}ca_{juga bergantung}

kepada faktor lain seperti spesifikasi bandwidth maksimum pada protokol yang dipakai dan besarnya ukuran paket data.

B. Fuzzy Neural Network

Sistem hibrida yang menggabungkan logika fuzzy, neural

network, algoritma genetika, dan konsep kecerdasan buatan

lainnya membuktikan efektivitasnya dalam beragaman aplikasi penyelesaian masalah. Setiap konsep kecerdasan buatan memiliki kemampuan khusus dalam penyelesaian masalah tertentu. Sebagai contoh, neural network memiliki kemampuan yang baik dalam mengenali suatu pola, fuzzy memiliki kemampuan dalam teknik pengambilan keputusan, dan algoritma genetika memiliki kelebihan dalam hal optimalisasi.

FNN merupakan sistem hibrida yang menggabungkan dua konsep kecerdasan buatan, yaitu sistem fuzzy dan neural

network. Permasalahan dalam hal pengambilan keputusan

dapat diselesaikan dengan menerapkan konsep dari logika

fuzzy. Sedangkan, adaptasi dilakukan dengan kemampuan

belajar yang dimiliki neural network. Gambar 3 menggambarkan topologi dari FNN dimana sistem fuzzy diekspresikan dalam struktur neural network.

Gambar 3. Topologi dari Model Fuzzy Neural Network.

Teknik adaptasi FNN berdasarkan pada metode pembelajaran back propagation pada neural network. Topologi FNN tersebut terdiri dari lima lapisan dimana fungsi dari setiap lapisan dibahas dalam subbab ini. FNN terdiri dari dua tahap, yaitu forward propagation dan back

propagation.

Pada tahap forward propagation masukan dari sistem FNN digunakan sebagai informasi untuk mengambil suatu keputusan. Tahap ini sebenarnya merupakan proses perhitungan sistem fuzzy yang direpresentasikan ke dalam lima lapisan layaknya pada neural network. Jadi, pada tahap

forward propagation melaksanakan fungsi-fungsi yang

dilaksanakan sistem fuzzy, seperti fuzzifikasi, aturan inferensi, hingga defuzzifikasi.

Setelah proses pengambilan keputusan pada tahap

forward propagation, keputusan yang diperoleh

1 1 2 n1 2 1 2 n2 1 2 3 … … n1 x n2 1 2 n3 1 I1 I2 U Lapisan 1 Node Masukan Lapisan 2 Node Fuzzifikasi Lapisan 3 Node kombinasi Aturan Fuzzy Lapisan 4

Node akumulasi aturan fuzzy

dengan variabel linguistik keluaran yang sama

Lapisan 5 Node Defuzzifikasi Fo rw ar d Pr op ag at io n FN N Ba ck P ro pg at ai on F N N Jaringan Komunikasi Plant Aktuator Sensor Plant Aktuator Sensor Kontroler Kontroler

(3)

3 dibandingkan dengan keluaran yang diharapkan. Dengan perbandingan tersebut, maka diperoleh nilai error. Nilai

error tersebut digunakan sebagai informasi untuk melakukan

perbaikan parameter-parameter dari fuzzy. Proses adaptasi parameter-parameter dari setiap lapisan tersebut dilakukan pada tahap ini, yaitu back propagation.

Algoritma learning back propagation diperoleh sama halnya pada neural network, yaitu dengan meminimalkan energi error pada persamaan (1).







   n i Ti Oi E 1 2 2 1 ₍₁₎

Dengan Ti dan Oi berturut-turut adalah keluaran yang

diinginkan dan keluaran aktual. Untuk merepresentasikan aturan learning, perlu dilakukan perhitungan E/O dari lapisan per lapisan FNN dimulai dari lapisan terluar.

III. PERANCANGAN SISTEM A. Arsitektur SPB

Arsitektur SPB yang dirancang pada penelitian Tugas Akhir ini memiliki lima elemen utama, yaitu kontroler, aktuator, plant, sensor, dan jaringan komunikasi. Kelima elemen tersebut dibangun dalam suatu konfigurasi sistem pengaturan lup tertutup. Gambar 4 menunjukkan blok diagram SPB yang digunakan dalam perancangan penelitian Tugas Akhir ini. Pemberian set point, perhitungan nilai error (selisih nilai set point dengan keluaran plant), serta desain kontroler dilakukan pada komputer dengan program LabVIEW®_{. Sinyal kontrol dikirim melalui jaringan Ethernet}

ke perangkat DAM dalam bentuk paket-paket data digital. Kemudian, perangkat DAM memproses paket data tersebut untuk dikonversi menjadi sinyal analog yang bersesuaian, yaitu tegangan atau arus. Sinyal kontrol yang telah dikonversi tersebut dikirim ke aktuator untuk mengatur variabel yang dikontrol pada plant, misal: tekanan. Keluaran dari plant kemudian dikirim kembali ke perangkat DAM untuk kemudian dikonversi menjadi sinyal digital yang bersesuaian dan dikirim ke komputer melalui jaringan

Ethernet.

Gambar 4. Blok Diagram SPB.

Konfigurasi fisik dari SPB dengan menggunakan kontroler FNN pada plant pressure process rig 38-714 ditunjukkan pada Gambar 5. Sinyal kontrol dan keluaran

plant yang diolah pada LabVIEW®_{dikirim atau diambil dari}

data modul I/O melalui perangkat lunak antarmuka ADAM 5000L/TCP. Komunikasi antara kedua perangkat lunak tersebut dilakukan melalui OPC KEPServerEx sebagai jembatannya. Oleh karena itu, perlu dilakukan pengalamatan agar data tersebut dapat digunakan secara interoperabilitas.

Berikutnya, sinyal kontrol dikirim ke ADAM 5000L/TCP untuk diproses melalui jaringan Ethernet. Modul AO-5024 kemudian mengirim sinyal kontrol tersebut dalam bentuk arus 4 – 20 mA. Sensor tekanan kemudian mendeteksi tekanan yang terukur dan mengirim sebagai umpan balik dalam bentuk arus. Sinyal keluaran tersebut kemudian diubah menjadi tegangan 0.4 – 2 V pada process interface. Sinyal tersebut kemudian masuk ke ADAM 5000L/TCP dan diubah menjadi 0 – 5 V melalui fungsi scaling yang diatur pada perangkat lunak antarmukanya.

Gambar 5. Konfigurasi Fisik SPB.

Sinyal keluaran yang telah di-scaling tersebut kemudian dikirim melalui jaringan Ethernet dalam bentuk paket-paket data dan pada akhirnya diolah pada LabVIEW®_.

B. Identifikasi Sistem Orde 1 dengan Delay

Pemodelan matematis hasil identifikasi sistem pada jaringan yang memiliki delay dilakukan dengan pendekatan sistem orde 1 dengan delay. Respon sistem orde 1 dengan

delay tersebut ditunjukkan pada Gambar 6.

Gambar 6 Respon Sistem Orde 1 dengan dengan delay untuk Sinyal Uji Step.

Persamaan matematis untuk sistem pada Gambar 6 ditunjukkan pada persamaan (2).

 

 1  s Ke s X s Y Tds  (2)

Dari persamaan (2) dapat dilihat bahwa terdapat tiga parameter yang harus ditentukan, yaitu gain (K), konstanta waktu (τ), dan waktu delay (Td). Nilai K, τ, dan Td dapat

ditentukan sesuai pada persamaan (3), (4), dan (5)

SS SS X Y K (3)

  

ta y Td



Yss y   0.632 (4) d a T t    (5) t (detik) 1 K 0 τ

transien steady state

Td ess 0.632 K y (t) ts (±5%) = 3τ ts (±2%) = 4τ ts (±0.5%) = 5τ tr (5% - 95%) = τ ln 19 tr (10% - 90%) = τ ln 9 ts tr ta Komputer dengan: LabVIEW® OPC KEPServerEx ADAM 5000TCP Utility Ja ri ng an K om un ik as i y(t) Kontroler FNN Set Point x(t) e(t) u(t) + - u(t - τ ca₎ y(t – τsc₎ ADAM 5000L/TCP

 

u

_i



PLANT Aktuator Ja rin ga n K om un ik as i Output y(t) Sensor Data Acquisition Module (DAM) Kontroler FNN Error e(t) + - u(t - τca₎ y(t – τsc₎ Set Point x(t) _KontrolSinyal u(t)

(4)

4 Persamaan (Error! Reference source not found.) menunjukkan nilai τ merupakan selisih dari ta dengan Td

yang merupakan delay dari jaringan.

Hasil identifikasi sistem melalu jaringan menghasilkan respon sistem seperti pada Gambar 7.

Dari Gambar 7 diperoleh persamaan model matematis dari

plant yang mengacu pada persamaan (2), sebagai berikut:

 

1 3658 . 0 9906 . 0 0.36    s e s H s (6)

Persamaan matematis dari plant tersebut memiliki nilai RMSE sebesar 0.0584 psi.

0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 Waktu (detik) T e ka n a n ( p si )

Respon Hasil Identifikasi Plant (Jaringan)

Set Point Respon Plant Respon Hasil Pemodelan

Gambar 7 Respon Sistem Hasil Identifikasi Plant Pressure Process Rig 38-714 Melalui Jaringan.

C. Perancangan Kontroler FNN

Setelah melakukan identifikasi terhadap plant yang akan digunakan pada SPB, maka tahap selanjutnya adalah merancang kontroler. Pada penelitian Tugas Akhir ini dilakukan perancangan kontroler FNN untuk diimplementasikan pada SPB. Mengacu pada topologi dari model FNN pada Gambar 3, dapat dirancang struktur dari algoritma kontroler FNN seperti pada Gambar 9.

Gambar 8. Struktur Algoritma Kontroler FNN.

Kontroler FNN merupakan hibrida dari konsep fuzzy dan

neural network. Sehingga, struktur dari algoritma FNN dapat

direpresentasikan seperti struktur dari neural network dimana setiap node pada masing-masing lapisan

melaksanakan fungsi layaknya sebuah sistem fuzzy. Struktur kontroler FNN pada Gambar 8 dirancang dengan memiliki dua variabel linguistik masukan dengan masing-masing memiliki lima nilai linguistik. Sehingga, terdapat 25 kombinasi aturan pada sistem inferensi aturan fuzzy-nya. Sistem FNN tersebut memiliki dua variabel keluaran dengan masing-masing memiliki lima nilai linguistik.

Blok diagram dari sistem pengaturan dengan kontroler FNN ditunjukkan pada Gambar 9. Terlihat error dan delta

error digunakan sebagai masukan dari kontroler FNN

tersebut.

Gambar 9. Blok Diagram Kontroler FNN.

Persamaan sinyal kontrol yang dikeluarkan dari kontroler FNN dibangun berdasarkan struktur keluaran kontroler fuzzy PID. Kontroler fuzzy PID merupakan gabungan dari sistem

fuzzy PD dengan fuzzy PI. Struktur blok diagram dari fuzzy

PID yang digunakan pada kontroler FNN ditunjukkan pada Gambar 10.

Gambar 10. Struktur Sinyal Kontrol dari Kontroler FNN.

Terdapat dua buah sistem fuzzy, yaitu sistem fuzzy PD dan sistem fuzzy PI, dimana masing-masing memiliki masukan

error dan delta error. Kedua sistem fuzzy tersebut

memberikan keluaran, yaitu up(t) dan vi(t). Persamaan untuk up(t) dan ui(t) tersebut dinyatakan pada persamaan berikut:

 

t u

 

t

up  p (7)

   

t u t K v

 

t

ui  i 1 i i (8)

Sehingga, sinyal kontrol u(t) dari kontroler FNN adalah

 

t u

   

t u t

u  p  i (9)

Penggunaan struktur sinyal kontrol tersebut sesuai dengan representasi dari struktur algoritma kontroler FNN pada Gambar 8, dimana FNN memiliki dua buah keluaran yang bertindak sebagai up(t) dan vi(t). Algoritma FNN terdiri dari

dua tahap, yaitu forward propagation dan back

propagation.

(1) Forward Propagation

Sebelum membahas perancangan dari kontroler FNN

Fuzzy PD Fuzzy PI dtd Control Signal u(t) Error e(t) Sistem Fuzzy 1 dt d Sistem Fuzzy 2 + + + + _Z-1 Ki up(t) vi(t) ui(t) Output y(t) Kontroler FNN Set Point x(t) _e(t) u(t) + - PLANT Parameter Adjustment 1 1 2 5 2 1 2 5 1 2 3 23 24 25 1 I1 I2 Up Lapisan 1 Node Masukan (Terdiri dari 2 node)

Lapisan 2

Node Fuzzifikasi (Setiap masukan memiliki 5 Nilai Linguistik)

Lapisan 3

Node kombinasi Aturan Fuzzy. Melaksanakan Operasi AND (Product) (Jumlah Aturan FNN 5x5 = 25)

Lapisan 4

Node akumulasi aturan fuzzy. Melaksanakan Operasi OR (Max) (Terdiri dari 5 nodes)

Lapisan 5

Node Defuzzifikasi (Terdiri dari 2 node keluaran: Up, Vi) Fo rwa rd P ro pa ga tio n FN N Ba ck P ro pg at ai on F N N 1 2 5 1 2 5 2 Vi

(5)

5 lapisan per lapisan secara detil, diperkenalkan simbol-simbol yang akan digunakan dalam membangun kontroler algoritma kontroler tersebut.

neti,L : nilai masukan dari node ke-i pada

lapisan L.

Oi,L : nilai keluaran dari node ke-i pada

lapisan L.

ci,L, σi,L : nilai center dan width dari membership function model bell-shaped.

Wij : bobot dari link yang menghubungkan

Perancangan detil dari fungsi masing-masing lapisan pada struktur algoritma FNN dibahas sebagai berikut:

Lapisan 1 : Lapisan ini terdiri dari dua buah node yang

masing-masingnya mengirim sinyal masukan secara langsung ke node yang terhubung pada lapisan berikutnya. Node pertama meneruskan sinyal error dan node kedua meneruskan sinyal delta error sebagai variabel linguistik 1 dan 2. Persamaan untuk tiap node adalah sebagai berikut:

1 1 ,

1 I

O  , O2,1I2 (10)

Bobot dari link pada lapisan ini adalah 1.

Lapisan 2 : Lapisan ini terdiri dari sepuluh node. Setiap node pada lapisan ini melakukan perhitungan membership function nilai-nilai linguistik dari setiap variabel

linguistiknya. Lima node pertama melaksanakan perhitungan untuk nilai-nilai linguistik dari variabel linguistik pertama. Sedangkan, lima node terakhir melakukan perhitungan nilai-nilai linguistik untuk variabel linguistik kedua.

Lapisan ini melaksanakan proses fuzzifikasi. Bentuk

membership function yang digunakan adalah fungsi bell-shaped. Persamaan masukan dan keluaran setiap node pada

lapisan ini dengan menggunakan fungsi bell-shaped tersebut adalah sebagai berikut:

      10 , 9 , 8 , 7 , 6 5 , 4 , 3 , 2 , 1 1 , 2 1 , 1 2 , _untuk _i i untuk O O neti (11)                    2 2 , 2 , 2 , 2 , exp i i i i c net O  untuk i = 1, 2, … , 10 (12)

Lapisan 3 : Lapisan ini memiliki 25 node yang merupakan

kombinasi aturan-aturan variabel-variabel linguistik masukannya. Kontroler FNN dirancang memiliki dua buah masukan (error, delta error) sehingga untuk setiap node pada lapisan ini akan memiliki dua buah masukan yang berasal dari lapisan sebelumnya. Setiap node akan melaksanakan operasi AND terhadap kedua masukan tersebut. Dari beberapa fungsi operasi AND yang terserdia, perancangan kontroler FNN ini menggunakan fungsi operasi

algebraic product. Persamaan untuk fungsi operasi tersebut

dinyatakan sebagai berikut:

2 , 2 , 3 , m n i O O O   , untuk m = n = 1, 2, 3, 4, 5 (13) Keseluruhan kombinasi aturan tersebut dapat disajikan dalam bentuk aturan linguistik sebagai berikut:

IF x1 is Om,2 AND x2 is On,2 THEN y is Oi,3

Lapisan 4 : Setiap node pada lapisan 4 melaksanakan

operasi OR dari fuzzy untuk mengakumulasi aturan-aturan yang memiliki nilai linguistik dari variabel keluaran yang sama. Fungsi operasi setiap node pada lapisan ini dinyatakan sebagai berikut:



  25 1 ,3 4 , j ij j i wO et n (14) ) , 1 min( , ,4 4 , ,m im i net O  (15) Dengan i = 1, 2, … , 5 dan m = 1, 2.

Persamaan tersebut sedikit berbeda dengan adanya indeks

m. Indeks tersebut muncul karena pada rancangan FNN

Tugas Akhir ini terdapat dua buah keluaran, yaitu up dan vi,

yang masing-masing memiliki lima nilai linguistik. Bobot

link wij pada lapisan ini mengekspresikan hubungan dari

aturan ke-j dengan nilai linguistik keluaran ke-i. nilai bobot tersebut hanya terdiri dari dua nilai, yaitu 0 dan 1. Bobot tersebut bernilai 1 apabila node ke-j pada lapisan 3 memiliki hubungan dengan node ke-i.

Sama halnya dengan variabel linguistik masukan dengan lima nilai linguistik, variabel linguistik keluaran juga memiliki lima nilai linguistik, yaitu NB, NS, Z, PS, PB. TABEL I menyajikan desain dari Rule Base yang digunakan kontroler FNN. Terlihat kedua variabel keluaran memiliki kriteria yang sama. Akan tetapi, keduanya memiliki nilai numerik yang berbeda.

TABELI

DESAIN RULE BASE DARI FNN UNTUK KELUARAN UP DAN VI

NILAI LINGUISTIK UNTUK UP NILAI LINGUISTIK UNTUK VI

NB NS Z PS PB NB NS Z PS PB NB NB NB NS NS Z D EL TA E R R O R NB NB NB NS NS Z NS NB NS NS Z PS NS NB NS NS Z PS Z NS NS Z PS PS Z NS NS Z PS PS PS NS Z PS PS PB PS NS Z PS PS PB PB Z PS PS PB PB PB Z PS PS PB PB ERROR ERROR

Lapisan 5 : Tahap perhitungan pada lapisan ini merupakan

proses terakhir pada tahap forward propagation FNN. Lapisan 5 memiliki jumlah node sebanyak 2 dimana masing-masing node tersebut terhubung ke lima node pada lapisan sebelumnya. Setiap node melaksanakan operasi defuzzifikasi sehingga diperoleh nilai keluaran pada himpunan crisp.

Membership function keluaran yang digunakan pada proses

defuzzifikasi tersebut adalah singleton. Persamaan untuk keluaran node pada lapisan 5 adalah sebagai berikut:



    ₅ 1 , ,4 5 1 , , ,4 5 , j jm j jm jm m O O s O untuk m = 1, 2. (16)

Dengan demikian, bobot link ke-i pada lapisan ini adalah si.

Dimana,

 

t O1,5

(6)

6 Persamaan tersebut merupakan hasil dari tahap forward

propagation dari FNN. Dari keluaran sinyal kontrol tersebut

akan mengeluarkan respon dari sistem. Proses tersebut terjadi terus menerus setiap iterasi.

(2) Back Propagation

Proses adaptasi parameter-parameter dari setiap lapisan tersebut dilakukan secara mundur dimulai dari lapisan paling akhir menuju lapisan pertama.

Lapisan 5 : Pada tahap ini dilakukan perbaikan bobot dari link lapisan 5. Persamaan adaptasi parameter yang digunakan

tersebut sesuai persamaan (Error! Reference source not

found.).

 



 





     i ij j i i i s j i j i _O O t O t T t s t s 4 , , 4 , , 5 , , 5 , , 1  (18) Dengan j = 1, 2.

Lapisan 4 : Tidak ada parameter yang perlu dilakukan

adaptasi pada lapisan ini. Hanya dilakukan perhitungan

error, yaitu sebagai berikut:

 





₂ 4 , , 4 , , 5 , , 4 , , 5 , , 4 ,          



i ij i ij ij i ij j i i i i O O s O s t O t T  (19) Dengan j = 1, 2.

adaptasi pada lapisan ini. Hanya dilakukan perhitungan

error dengan persamaan (19). 4 , 3 , i i    (20)

Lapisan 2 : Pada lapisan ini perlu dilakukan adaptasi

parameter-parameter setiap node-nya. Adaptasi parameter

center dan width dilakukan dengan persamaan berikut ini:

Berikut ini persamaan untuk adaptasi parameter center:

        





                       2 2 , 2 , 2 , 2 2 , 2 , 2 , 2 , 2 , exp 2 1 i i i i i i i i c i i c net c net t O t T t c t c    (21)

Sedangkan, berikut ini persamaan untuk adaptasi parameter

width:         





                       2 2 , 2 , 2 , 3 2 , 2 2 , 2 , 2 , 2 , exp 2 1 i i i i i i i i i i t  t  T t O t net_ c net_ c   (22)

adaptasi pada lapisan ini. Karena hanya berfungsi sebagai penerus nilai masukan.

IV. ANALISIS DAN PEMBAHASAN

Pengujian kontroler FNN untuk sistem pengaturan tekanan pada SPB dilakukan dengan beberapa kondisi sistem. Kinerja kontroler FNN dianalisis terhadap lima kondisi pengujian sistem, yaitu perubahan set point, pembebanan nominal, pembebanan minimal, pembebanan maksimal, serta variasi delay terhadap setiap pembebanan.

A. Pengujian Sistem pada Jaringan dengan Variasi Delay Terhadap Beban Minimal.

Pengujian beban minimal dilakukan dengan menambahkan

delay sebesar 0.1 detik pada SPB sehingga total delay yang

dialami sistem sebesar 0.3852 detik. Sistem tersebut menghasilkan respon seperti pada Gambar 11. Respon sistem mencapai 63.2% dari keadaan steady pada τ = 1.011 detik. Respon sistem mengalami overshoot pada saat kondisi transien beban nominalnya sebesar 9.98% pada tp = 1.43

detik. Dengan pemberian nilai delay tersebut, terlihat pada Gambar tersebut respon mengalami delay sebesar 0.43 detik pada awal transien. Settling time sistem dicapai pada ts(±5%)

= 1.18 detik sedangkan rise time diraih selama tr(5%-95%) =

0.61 detik. Nilai settling time dan rise time pada pemberian

delay 0.3852 detik lebih cepat dibandingkan pada pemberian delay yang lebih kecil akibat adanya skema integral pada

struktur kontroler FNN. Semakin cepatnya ts dan tr

mengakibatkan overshoot yang terjadi semakin besar. Keadaan steady dicapai sistem pada t = 5.2 detik dengan ess

= 0.006 psi atau sebesar 0.12%.

0 5 10 15 20 25 0 1 2 3 4 5 6 7 8 9 10 11 Waktu (detik) T e ka n a n ( p si )

Respon Sistem dengan Delay pada Jaringan (Beban Minimal)

Set Point Respon Sistem FNN

Gambar 11. Respon Sistem dengan Kontroler FNN pada Jaringan dengan

Delay 0.3852 detik dan Beban Minimal.

Beban minimal diberikan pada sistem pada saat t = 7 detik. Terlihat pada Gambar 11 respon sistem mengalami osilasi yang cukup besar dan lama ketika berusaha mengikuti

set point. Dengan perubahan parameter sistem tersebut,

kontroler FNN mulai melakukan adaptasi parameter-parameternya. Pada t = 17.26 detik, sistem kembali ke keadaan steady dengan nilai minimal overshoot (%Mp)

sebesar 60.5%. Sistem membutuhkan waktu 10.26 detik untuk kembali ke keadaan steady ketika beban minimal diberikan. Hal itu berarti dibutuhkan 1026 data iterasi untuk melakukan adaptasi sehingga sistem dapat menghilangkan osilasi. Perubahan parameter kontroler FNN pada saat beban minimal diberikan ditunjukkan pada TABEL II.

TABELII

ADAPTASI PARAMETER KONTROLER FNNTERHADAP BEBAN

MINIMAL DAN DELAY 0.3852 DETIK.

Beban Minimal Diberikan pada Sistem

Nilai Linguistik NB NS Z PS PB

Error center _width -2.948 _3.119 -1.847 _3.216 _0.8230 _2.7441.59 2.785 _3.038 2.5

5

Mp

22 5

(7)

7

Delta

Error center width 9.997 -10 -5.003 9.999 5.003 0 5.008 9.999 10.002 9.997

Center dari fuzzy singleton

Singleton Up -0.546 -0.362 0 0.349 0.534

Singleton Vi -0.8736 -0.5792 0 0.5584 0.8544

Beban Minimal Dihilangkan dari Sistem

Error center _width -2.954 _3.161 _3.312-1.91 _1.0250 1.657 _2.696 2.723 _3.029

Delta

Error center width -10.016 10.015 10.009 -5.02 5.006 0 10.009 4.992 10.014 9.986

Singleton Up -0.553 -0.387 0 0.387 0.55

Singleton Vi -0.8848 -0.6192 0 0.6192 0.88

Pada saat t = 19.07 detik, beban minimal tersebut dihilangkan. Sehingga, sistem mengalami perubahan parameter kembali. Sistem memiliki nilai mimimal overshoot sebesar 6.5% dan kembali ke keadaan steady dengan pada saat t = 25.32 detik.

Pengujian dengan pemberian delay total sebesar 0.3852 detik pada SPB terbukti masih dapat diatasi kontroler FNN. Akan tetapi, dibutuhkan waktu yang lebih lama untuk beradaptasi menyesuaikan perubahan parameter yang terjadi pada sistem dengan pembebanan minimal dan delay yang cukup besar. Waktu yang dibutuhkan untuk mencapai keadaan steady sebanding dengan penambahan nilai delay pada SPB tersebut.

B. Pengujian Sistem pada Jaringan dengan Variasi Delay Terhadap Beban Maksimal.

Pengujian beban maksimal dilakukan dengan menambahkan delay sebesar 0.3 detik sehingga total delay dari sistem adalah sebesar 0.5852 detik. Sistem tersebut menghasilkan respon seperti pada Gambar 12. Respon sistem mencapai 63.2% dari keadaan steady pada τ = 1.1 detik. Respon sistem mengalami maksimal overshoot pada saat kondisi transien beban nominalnya sebesar 43.26% pada tp =

1.66 detik. Dengan pemberian nilai delay tersebut, terlihat pada Gambar tersebut respon mengalami delay sebesar 0.67 detik pada awal transien. Settling time sistem dicapai pada ts(±5%) = 3.58 detik sedangkan rise time diraih selama tr(5%-95%) = 0.36 detik. Keadaan steady dicapai sistem

pada t = 4.55 detik dengan ess = 0.006 psi atau sebesar

0.12%.

Beban maksimal diberikan pada sistem pada saat t = 8.8 detik. Terlihat pada Gambar 12 respon sistem mengalami osilasi ketika berusaha mengikuti set point. Dengan perubahan parameter sistem tersebut, kontroler FNN mulai melakukan adaptasi parameter-parameternya.

0 5 10 15 20 25 30 0 1 2 3 4 5 6 7 Waktu (detik) T e ka n a n ( p si )

Respon Sistem dengan Delay pada Jaringan (Beban Maksimal)

Set Point Respon Sistem FNN

Gambar 12. Respon Sistem dengan Kontroler FNN pada Jaringan dengan

Delay 0.5852 detik dan Beban Maksimal.

Pada t = 16.55 detik, sistem kembali ke keadaan steady dengan nilai maksimal overshoot (%Mp) sebesar 3.5%.

Sistem membutuhkan waktu 7.75 detik untuk kembali ke keadaan steady ketika beban minimal diberikan. Perubahan parameter kontroler FNN pada saat beban minimal diberikan ditunjukkan pada TABEL III.

TABELIII

ADAPTASI PARAMETER KONTROLER FNNTERHADAP BEBAN

MAKSIMAL DAN DELAY 0.5852 DETIK.

Beban Maksimal Diberikan pada Sistem

Error center _width -2.978 _2.994 -1.511 _3.028 _0.8250 1.532 _2.969 2.987 _2.991

Delta

Error center width -9.998 9.998 -4.997 9.999 5.002 0 5.001 10 10.002 9.998

Singleton Up -0.505 -0.273 0 0.276 0.507

Singleton Vi -0.808 -0.4368 0 0.4416 0.8112

Beban Maksimal Dihilangkan dari Sistem

Error center _width -2.966 _3.019 -1.573 _3.083 _0.660 1.532 _2.93 2.936 _3.014

Delta

Error center width -10.003 10.003 10.001 -5.002 5.001 0 10.003 4.997 10.003 9.998

Singleton Up -0.515 -0.306 0 0.304 0.514

Singleton Vi -0.824 -0.4896 0 0.4864 0.8224

Pada saat t = 20.25 detik, beban minimal tersebut dihilangkan. Sehingga, sistem mengalami perubahan parameter kembali. Sistem memiliki nilai minimal overshoot sebesar 19.64% dan kembali ke keadaan steady dengan pada saat t = 28.15 detik.

Pada penambahan delay tersebut, kontroler FNN juga masih dapat mengatasi terjadinya pembebanan maksimal pada sistem dengan melakukan adaptasi parameter

V. KESIMPULAN

Berdasarkan hasil pengujian dan analisis, dapat diperoleh beberapa kesimpulan. Pengaruh delay pada SPB dapat

Diberi Beban

(8)

8 dikompensasi melalui penggunaan konroler FNN. Akan tetapi, jika pengaruh delay lebih besar dan lebih cepat dari kecepatan adaptasi FNN, respon sistem tidak dapat berada pada kondisi tetap. Untuk respon sistem dengan perubahan

set point dapat mengikuti nilai set point tersebut dengan ess

= ± 0.5% dan Mp = ± 21.25%. Sistem dengan beban nominal

dan delay kondisi normal SPB dapat mengikuti nilai set

point dengan ess = ± 0.12% dan %Mp = ± 0%. Untuk

pembebanan nominal dengan variasi delay diperoleh respon dapat mengikuti nilai set point akan tetapi memiliki

overshoot terbesar senilai %Mp = 56% pada delay 0.6852

detik dan ess = ± 0.12%. Pada pembebanan minimal dengan

variasi delay diperoleh respon sistem dapat mengikuti set

point dalam waktu yang bervariasi sebanding dengan

diperbesarnya nilai delay jaringan. Nilai overshoot dan error keadaan steady terbesar diperoleh pada nilai delay 0.4352 detik sebesar %Mp = ± 60.5% dan ess = ± 0.12%. Pada

pembebanan maksimal dengan variasi delay diperoleh respon sistem dapat mengikuti set point dalam waktu yang bervariasi pula. Nilai overshoot dan error keadaan steady terbesar diperoleh pada nilai delay 0.6852 detik sebesar %Mp = ± 4.5% dan ess = ± 0.12%.

DAFTAR PUSTAKA

[1] Hespanha, J. P., Naghshtabrizi, P. dan Xu Y., “A Survey of Recent Result in Networked Control Systems”, Proc. of The IEEE, Vol. 95, No. 1, pp. 138-162, Januari, 2007.

[2] Zhang, W., Branicky, M. S. dan Phillips. S. M., “Stability of Networked Control Systems”, IEEE Control Systems Magazine, pp. 84-99, Februari, 2001.

[3] Tian, X., Wang, X. dan Cheng, Y., “A Self-tuning Fuzzy Controller for Networked Control System”, International Journal of Computer Science and Network Security, Vol. 7, No. 1, Januari, 2007.

[4] [4] Farag, W. A., Quintana, V. H. dan Torres, G. L., “A Genetic-Based Neuro-Fuzzy Approach for Modeling and Control of Dynamical Systems”, IEEE Transaction on Neural Network, Vol. 9, No. 5, pp. 756-767, September, 1998.

[5] Tipsuwanporn, V., Intajag, S., Witheephanich K., Koetsam-ang, N. dan Samiamag, S., “Neuro-Fuzzy Controller Design for Industrial Process Controls”, SICE Annual Conference, pp. 1656-1661, Agustus, 2004. [6] Sharmila, B. dan Devarajan, N., “Neuro-Fuzzy Controller for

Networked DC Motor Control”, European Journal of Scientific Research, Vol. 56, No. 2, pp. 219-228, 2011

[7] Chou, C. H. dan Lu, H. C., “A heuristic self-tuning fuzzy controller”, Elsevier Science on Fuzzy Set and System, No. 61, pp. 249-264, North-Holland, 1994.

[8] Zengqi, S. dan Zhidong, D., “A Fuzzy Neural Network and Its Application To Controls”, Elsevier Science on Artificial Intelligence in Engineering, No. 10, pp. 311-315, 1996.

[9] Chao, C. T. dan Teng, C. C., “Implementation of A Fuzzy Inference System Using A Normalized Fuzzy Neural Network”, Elsevier Science on Fuzzy Set, No. 75, pp. 17-31, 1995.

[10] Lee, C. H. dan Teng, C. C., “Fine Tuning of Membership Functions for Fuzzy Neural Systems”, Asian Journal of Control, Vol. 3, No. 3, pp. 216-225, September 2001.

[11] Jang, J. S. R., Sun, C. T. dan Mizutani, E., “Neuro-Fuzzy and Soft

Computing: A Computational Approach to Learning and Machine Intelligence”, Prentice-Hall, Inc., USA, 1997.

[12] Yan, J., Ryan, M. dan Power, J., “Using Fuzzy Logic”, Prentice Hall International (UK), Cambridge: Great Britain, 1994.

[13] Passino, K. dan Yurkovich, S., “Fuzzy Logic”, Addison-Wesley Longman, California, 1998.

[14] Haykin, S., “Neural Network: A Comprehensive Foundation”, Pearson Prentice Hall, India, 2005.

[15] Zadeh, L. “Fuzzy Sets”, Information and Control, pp. 338-353, California, 1965.

[16] Reznik, L., “Fuzzy Controllers”, Biddles Ltd, Great Britain, 1997. [17] Ross, T. J., “Fuzzy Logic with Engineering Application”, TJ

International – Padstow – Cornwall, Great Britain, 2004.

[18] ______,”Pressure Control Trainer Instruction Manual: 38714”, Versi Manual: 38 Series, Ed04-012003, Feedback Instrument Limited, England, 2001.

Rendie Ramadhan lahir di kota Tanjung Karang –

Lampung pada bulan April Tahun 1990. Ia menempuh pendidikan sampai Sekolah Menengah Atas di dua provinsi berbeda, yaitu Lampung dan Banten. Pencinta film thriller dan action ini melanjutkan studi ke jenjang Strata-1 di perguruan tinggi negeri ternama di kota Surabaya pada tahun 2008. Di tahun kedua masa perkuliahannya, Ia memilih bidang studi Sistem Pengaturan sebagai bidang keahliannya. Saat ini, Ia berada pada semester ketujuh dan sedang mengerjakan penelitian Tugas Akhir. Penelitiannya di bidang artificial intelligence. Pada akhir tahun ketiga masa studinya, Ia melaksanakan kerja praktek di salah satu perusahaan kimia yang ada di kota Cilegon – Banten, yaitu PT. Asahimas Chemical. Sebagai seorang mahasiswa Teknik Elektro, Ia memiliki minat yang tinggi di bidang robotika dan berhasil menduduki peringkat pertama pada kontes robot nasional “Java Robo Contest” yang dilaksanakan pada tahun 2010. Selain berkecimpung di bidang robotika, Ia juga mulai bergelut di dunia lingkungan dengan mengikuti kompetisi inovasi teknologi lingkungan. Dengan ketertarikan barunya tersebut, Ia berhasil mengikuti program musim panas “Study of United States Institute (SUSI)” pada tahun 2011.