Pemodelan Pengendali Logika Samar Secara Manual Pada Kiln PT. Semen Tonasa (Tonasa IV)
St. Nawal Jaya1 1
Progam Studi Teknik Elektro, Fakultas Teknik Unhalu E-mail : [email protected]
Abstract
This paper has aim to make smart controller system (fuzzy logic) in kiln that can think and act like operator. To achieve the aim then have been taken operational data and data from interview directly with kiln operator i.e input variables ; backend kiln temperature, burning zone temperature, and OX prosentase and output variables ; coal rate (CR) and damper posisition (DP) then data were analyzed by three steps i.e. fuzzification, inference, and defuzzification. The results showed that CR and (DP) from defuzzification caused kiln temperature was stable, reduced work load of operator, and economized fuel. Keywords : Kiln, Defuzzification, Temperature
I. PENDAHULUAN
Sejak tahun 1997 PT. Semen Tonasa (Pabrik Tonasa IV) menggunakan sistem pengendali PID (Proportional Integral Derivative) yang terintegrasi dalam PLC (Programmable Logic Controller), pada beberapa bagian termasuk juga pada kiln (wadah pemasakan bahan baku semen). PLC berfungsi untuk mengendalikan start dan stop suatu alat (bersifat digital) sedangkan PID berfungsi untuk mengendalikan variabel-variabel masukan (input) dan keluaran (output) yang bersifat analog. Untuk meningkatkan volume kegiatan produksi seiring dengan meningkatnya jumlah permintaan akan semen dari konsumen baik dalam maupun luar negeri, penggunaan PLC dan PID dirasakan kurang efektif dan efisien. Karena sistem kendali PLC yang berbasis logika dua nilai (0 dan 1) hanya mampu memecahkan masalah-masalah yang terdefenisi dengan baik dan terkarakteristik oleh deskripsi yang tepat. Misalnya jika temperatur burning zone kiln yang terukur sebesar 2001oC (temperatur burning zone di atas 2000oC akan ada alarm sebagai tanda bahaya) maka PLC akan menyatakan
alarm dan melakukan stop pada kiln. Di sini terlihat bahwa penggunaan PLC tidak memberikan pengendalian yang lebih “halus” dan tidak hemat bahan bakar hanya karena temperatur burning zone yang terukur berselisih 1oC dianggap termasuk dalam temperatur di atas 2000oC.
Sementara sistem kendali PID memiliki keterbatasan antara lain hanya akan tepat untuk sistem yang sederhana dan linier, mempunyai respon masukan yang sangat lambat, jika akan dibuat aturan untuk sistem maka pada aturan dimasukan nilai–nilai sebagai pengenal untuk batas–batas yang diaturnya sehingga range yang dicakup satu aturan menjadi lebih sempit, hanya ada satu aturan yang aktif pada setiap saat, dan penambahan masukan baru pada PID akan membutuhkan perhitungan ulang untuk seluruh model matematis sistem yang berarti mengubah keseluruhan fungsi–fungsi transfer sistem [3]. Sebagai contoh yang terjadi pada pengendalian kiln, dimana proses penambahan bahan bakar batu bara untuk mencapai temperatur burning zone sangat tergantung pada pengalaman operator kiln.
Gambar 1. Model Kiln Dengan Menggunakan Logika Samar
Salah satu bentuk pemecahan dari permasalahan di atas adalah dengan penggunaan pengendali logika samar yang terbukti dapat memecahkan permasalahan-permasalahan yang kompleks dan
non-linier karena pengendali ini
tidak hanya mengenal 0 dan 1 tetapi nilai yang berada antara 0 dan 1, memberikan pengendalian yang lebih “halus” dibanding pengendali-pengendali klasik, lebih kuat, biaya yang relatif murah, respon cepat terhadap masukan yang baru, hemat energi, memiliki range aturan yang lebih lebar karena nilai–nilai diganti menjadi bagian–bagian linguistik, adanya kemungkinan beberapa aturan aktif secara bersamaan karena fungsi keanggotaan yang saling tumpang tindih (overlap), dan penambahan masukan baru hanya membutuhkan penambahan fungsi keanggotaan baru dan aturan– aturannya.
Oleh karena itu penggunaan pengendali logika samar dalam pengendalian kiln PT. Semen Tonasa (Pabrik Tonasa IV) merupakan salah satu alternatif yang dapat digunakan yang bertujuan untuk membuat suatu sistem pengendali yang cerdas (logika samar) pada kiln agar dapat berpikir dan bertindak seperti operator.
II. METODE PENELITIAN
Dalam penelitian ini diambil beberapa data yang merupakan data operasional kiln (waktu optimal kiln selama 8 jam) dan data hasil wawancara langsung dengan operator kiln. Data tersebut meliputi:
Temperatur back end/inlet kiln (oC) disimbolkan BE untuk memperoleh range dari temperatur back end (inlet kiln) kiln yang akan digunakan sebagai variabel masukan dalam logika samar. Range normal temperatur BE berkisar antara 900oC sampai 1000oC.
Temperatur burning zone (oC) disimbolkan BZ untuk memperoleh range dari temperatur burning zone kiln yang akan digunakan sebagai variabel masukan dalam logika samar. Range normal temperatur BZ berkisar antara 1430oC sampai 1500oC.
Prosentase kadar gas oksigen dalam exhaust gas (%) disimbolkan OX yang dibutuhkan untuk pembakaran pada kiln dengan maksud untuk memperoleh range dari prosentase kadar gas oksigen yang akan digunakan sebagai variabel masukan dalam logika samar. Range normal temperatur OX berkisar antara 2,5% sampai 5%.
Aliran batu bara (ton/jam) disimbolkan CR yang digunakan sebagai bahan bakar pada kiln dengan maksud untuk memperoleh range dari aliran batu bara yang akan digunakan sebagai variabel keluaran dalam logika samar.
Posisi damper exhaust gas (%) disimbolkan DP yang merupakan posisi buka/tutup banyaknya gas oksigen yang dibutuhkan untuk pembakaran kiln dengan maksud untuk memperoleh range dari posisi damper exhaust gas yang akan digunakan sebagai variabel keluaran dalam logika samar.
Data yang diperoleh tersebut dianalisis melalui 3 (tiga) tahapan yaitu tahap fuzzifikasi, memetakan data variabel masukan dan keluaran dalam tiga fungsi keanggotaan serta dipilih bentuk fungsi keanggotaan yang paling sesuai untuk tiap variabel tersebut Tahap inferensi, setelah variabel–variabel masukan dan keluaran tersebut dipetakan menjadi tiga fungsi keanggotaan, dilakukan strategi pertimbangan. Untuk strategi pertimbangan digunakan strategi pertimbangan MAX–MIN. Terakhir, tahap defuzzifikasi, suatu strategi untuk memetakan nilai keluaran samar (fuzzy) ke nilai keluaran bukan samar [2]. Dalam strategi defuzzifikasi ini digunakan metode
COA/COG (Center Of Area/Center Of Gravity).
III.HASIL
Tabel 1 menunjukkan hasil analisis sampel data masukan (BE = 995oC, BZ = 1425oC dan OX = 2,3%) dan diperoleh keluaran berupa CR = 47 ton/jam (aliran batu bara) dan DP = 75% (posisi damper exhaust gas)
Tabel 1. Tahap Fuzzifikasi, Inferensi dan Defuzzifikasi
Fuzzifikasi Inferensi Defuzzifikasi
BE = 995oC
Keanggotaan maksimum = HOT µ = 0,9
Keanggotaan minimum = NORMAL µ = 0,1
BZ = 1425oC
Keanggotaan maksimum = COLD µ = 1
Keanggotaan minimum = TIDAK ADA
OX = 2,3%
Keanggotaan maksimum = LITTLE µ = 1
Keanggotaan minimum = TIDAK ADA
Aturan yang memenuhi :
1. IF BE IS NORMAL AND BZ COLD AND OX LITTLE THEN CR IS HIGH AND DP IS LARGE 2. IF BE IS HOT AND BZ COLD
AND OX LITTLE THEN CR IS HIGH AND DP IS LARGE
CR = 47 ton/jam DP = 75%
IV.PEMBAHASAN
Untuk menjelaskan hasil tahap fuzzifikasi, inferensi dan defuzzifikasi tersebut dengan mengambil contoh set point data masukan yaitu BE, BZ, dan OX diambil dari data yang terpantau pada monitor atau pengalaman operator.
BE : 995oC, BZ : 14250oC, OX : 2,3% Tabel 2. Bagian Linguistik dan Data Fungsi Keanggotaan Variabel Masukan BE Masukan BE
Gambar 2. Fungsi Keanggotaan Variabel Masukan BE
Mula-mula untuk tahap fuzzifikasi, akan digunakan metode nilai tunggal samar. Untuk data masukan pada variabel masukan pertama (BE) sebesar 995oC, bukan merupakan nilai tunggal samar yang sesungguhnya karena nilai masukan ini tidak menghasilkan µ sebesar 1 pada salah satu bagian linguistik (Gambar 2).Karena fungsi keanggotaan yang bersifat tumpang tindih, maka data masukan ini akan memiliki dua keanggotaan yaitu termasuk keanggotaan dari bagian linguistik NORMAL dan HOT (Tabel 2). Kemudian dilanjutkan dengan mencari derajat penyesuaian dari data-data masukan dengan himpunan-himpunan samar sesuai dengan bentuk samar keanggotaan. Derajat penyesuaian ini yang akan menunjukkan derajat keanggotan pada variabel linguistik. Untuk variabel linguistik NORMAL menggunakan bentuk fungsi keanggotaan segitiga (gambar 3) dan menggunakan rumus fungsi segitiga.
Fungsi segitiga didefenisikan sebagai berikut : T (u ; a, b, c) = 0 untuk u < a = (u – a) /(b – a) untuk a ≤ u ≤ b = (c – u) / (c – b) untuk b ≤ u ≤ c = 0 untuk u > …………..[8]
Gambar 3. Fungsi Keanggotaan Segitiga
maka akan diperoleh derajat keanggotaan adalah : µNORMAL =
950
1000
995
1000
−
−
µNORMAL = 0,1Dan untuk variabel linguistik HOT menggunakan bentuk fungsi keanggotaan trapesium (gambar 4) dan menggunakan rumus fungsi trapezium.
Tr (u ; a, b, c) = (u – a) /(b – a) untuk a ≤ u ≤ b = 0 untuk u < a = 1 untuk b ≤ u ≤ c [8] Gambar 4. Fungsi Keanggotaan
Trapesium
maka akan diperoleh derajat keanggotaan adalah : µHOT =
950
1000
950
995
−
−
µHOT = 0,9 Untuk data masukan pada variabel masukan kedua (BZ) sebesar 1425oC merupakan nilai tunggal samar yang sesungguhnya karena nilai masukan ini menghasilkan µ sebesar 1 pada salah satu bagian linguistik yaitu bagian linguistik COLD (Tabel 3 dan Gambar 5).µCOLD = 1
Tabel 3. Bagian Linguistik dan Data Fungsi Keanggotaan
Gambar 5. Fungsi Keanggotaan Variabel Masukan BZ
Sedangkan untuk data masukan pada variable masukan ketiga (OX) sebesar 2,3%, juga merupakan nilai tunggal samar karena nilai masukan ini menghasilkan µ sebesar 1 pada salah satu bagian linguistik yaitu bagian linguistik LITTLE (Tabel 4 dan Gambar 6).
Tabel 4. Bagian Linguistik dan Data Fungsi Keanggotaan
Variabel Masukan OX
Gambar 6. Fungsi Keanggotaan Variabel Masukan OX
Tahap selanjutnya yaitu tahap inferensi yaitu dengan metode MAX-MIN [8]. Dari hasil fuzzifikasi, dapat dihasilkan beberapa kombinasi algoritma bagian antaseden yang mungkin bagi pengendali ini, yaitu :
- IF BE IS NORMAL AND BZ IS COLD AND OX IS LITTLE
- IF BE IS HOT AND BZ IS COLD AND OX IS LITTLE
Dari kedua kombinasi bagian antaseden aturan di atas semuanya sesuai dengan aturan-aturan pengendali yang ada. Sehingga aturan-aturan yang memenuhi yaitu :
1.IF BE IS NORMAL AND BZ IS COLD AND OX IS LITTLE THEN CR IS HIGH AND DP IS LARGE. 2.IF BE IS HOT AND BZ IS COLD
AND OX IS LITTLE THEN CR IS HIGH AND DP IS LARGE.
Misalkan fire strength untuk kedua aturan ini adalah α1 dan α2, maka dengan inferensi MAX-MIN :
α1 = µNORMAL ∧ µCOLD ∧ µLITTLE
α1 = 0,1 ∧ 1 ∧ 1 α1 = 1
α2 = µHOT ∧ µCOLD ∧ µLITTLE
α2 = 0,9 ∧ 1 ∧ 1 α2 = 1
Tabel 5. Bagian Linguistik dan Data Fungsi Keanggotaan Variabel Keluaran CR
Gambar 7. Fungsi Keanggotaan Variabel Keluaran CR
Selanjutnya karena dua bagian antaseden baik CR yaitu HIGH maupun DP yaitu LARGE menghasilkan konsekuen yang sama untuk bagian linguistik variabel keluarannya maka perlu dicari nilai maksimum dari kedua fire strength α1 dan α2 sehingga derajat keanggotaan bagian linguistik variabel keluaran pertama (CR) adalah :
µHIGH = α1∨α2
µHIGH = 1 ∨ 1
µHIGH = 1
Tabel 6. Bagian Linguistik dan Data Fungsi Keanggotaan Variabel Keluaran DP
Gambar 8. Fungsi Keanggotaan Variabel Keluaran DP
Sedang untuk derajat keanggotaan bagian linguistik variabel keluaran kedua (DP) yaitu µLARGE = α1∨α2 µLARGE = 1 ∨ 1 µLARGE = 1
Langkah selanjutnya yaitu proses defuzzifikasi untuk mencari nilai yang bukan samar atau tepat dari variabel keluaran. Metode yang digunakan yaitu metode COA. maka untuk sampel ini akan diperoleh keluaran bukan samar untuk CR (ton/jam) dan DP (%)
∑
∑
=
= = n i n iiHi
iHiCRi
CR
1 1α
α
∑
∑
=
= = n i n iiHi
iHiDPi
DP
1 1α
α
...[8]1
)
47
1
(
x
CR
=
1
)
75
1
( x
DP
=
CR = 47 ton/jam DP = 75% V. KESIMPULANPengendali logika samar terbukti mampu dipakai sebagai pengganti PID untuk mengendalikan kiln karena aliran batu bara (CR) dan posisi damper exhaust gas (DP) yang diperoleh dari hasil defuzzifikasi menyebabkan temperatur pada kiln stabil, mengurangi beban kerja operator dan menghemat bahan bakar (aliran batu bara).
VI.DAFTAR PUSTAKA
[1] Hidayat dan Gunawan, Simulasi Pengaturan Dengan Menggunakan Logika Fuzzy, Makassar : Jurusan Elektro Fakultas Teknik Universitaas Hasanuddin, 1999.
[2] J.Ross, Timothy, Fuzzy Logic With Engineering Application, McGraw-Hill, Inc, USA, 1995. [3] Ogata, K, Teknik Kontrol
Automatik Jilid 1, Erlangga, 1993.
[4] Sankar K. Pal dan Dwijesh K. Dutta Majumder, FUZZY Pendekatan Matematis Untuk Pengenalan Pola, UI-PRESS, 1989.
[5] Susanto, Erdyadi dan Wirawan, David., Pengendalian Lampu Lalu Lintas Menggunakan Logika Samar, Makassar : Jurusan Elektro Fakultas Teknik Universitas Hasanuddin, 1999. [6] Wang, Li-Xin, A Course in Fuzzy
Systems and Control, Prentice-Hall International, Inc, USA, 1997.
[7] Wongso, Lily., Simulasi Kontroler Logika Fuzzy, Ujung Pandang : Jurusan Elektro Fakultas Teknik Universitas Hasanuddin, 1996.
[8] Yan, Jun, Ryan, Michael. and Power, James, Using Fuzzy Logic : Towards Intelligent Systems, Prentice-Hall International. Inc, USA, 1994.
