Aplikasi Fuzzy Logic Control pada sistem penyaluran air

judul jurnal

PENERAPAN FUZZY LOGIC PADA SISTEM PENGATURAN JUMLAH AIR BERDASARKAN SUHU DAN KELEMBABAN
A. Sofwan
Faculty of Industial Technology, Electrical Engineering Department,
National Institute of Science and Techology
Jl. Moh. Kahfi II, Jagakarsa, Jakarta 12640
E-mail: mtm-istn@indo.net.id

Jurnal aslinya bisa didapatkan di sini

PEMBAHASAN KELOMPOK

Didalam jurnal tersebut, diimplementasikan penerapan logika fuzzy pada sistem pengaturan jumlah air pada penyiraman tanaman. Pada makalah tersebut, untuk bagian pendahuluan membahas latar belakang dibuatnya alat tersebut. Untuk bagian kedua merupakan penjelasan tentang konsep dasar dari fuzzy logic. Untuk bagian ketiga adalah sistem dasar dari fuzzy logic. Untuk bagian keempat merupakan pembahasan perancangan dan analisa tentang sistem yang dibuat tersebut. Setelah itu bagian yang kelima membahas sensor-sensor yang dipakai pada sistem tersebut. Bagian yang terakhir adalah kesimpulan dari sistem tersebut

Dari pembahasan sistem pengaturan air tersebut dibahas mengenai perancangan dan pembuatan sistem tersebut.
Untuk blok diagram sistem tersebut adalah sebagai berikut:



Pada sistem tersebut terdapat dua buah input, yaitu suhu dan kelembaban. Kedua input tersebut berasal dari sensor suhu dan sensor kelembaban yang mendeteksi suhu udara dan kelembaban tanah. Setelah itu masuk ke ADC sebelum masuk ke mikrokontroler. Pada mikrokontroler diolah menurut logika fuzzy yang kemudian memberikan output ke saklar elektronik yang akan mengendalikan hidup dan matinya pompa. Dengan sistem Fuzzy logic maka keluaran yang dihasilkan akan disesuaikan dengan inputnya. Pengendali fuzzy logic ini akan mengendalikan lamanya waktu nyala bagi pompa untuk menyiram tanaman pada waktu-waktu yang telah dilakukan.

b. Knowledge Base

Pada sistem ini digunakan beberapa rule yang kemungkinan besar akan terjadi pada tanaman yang akan dikendalikan tersebut. Dari fuzzifikasi maka dihasilkan 15 rule atau pernyataan yang mungkin terjadi pada sistem penyiram tanaman otomatis dikelompokkan menjadi sebuah matrik yang disebut sebagai Fuzzy Associative Memory (FAM).
Adapun pembagian dari kedua parameter tersebut diatur sebagai berikut:
- C = Cepat.
- SB = Sebentar.
- AS = Agak Sebentar.
- SD = Sedang.
- ALM = Agak Lumayan.
- LM = Lumayan.
- L = Lama.
Matrik untuk sistem tersebut adalah sebagai berikut :



c. Inferensi

Memory dari rule-rule pernyataan diatas dipergunakan sebagai knowledge base atau basis pengetahuan untuk proses pada blok inferensi. Pada blok inferensi ini, digunakan penalaran MAX–MIN untuk mendapatkan hasil output dalam domain fuzzy

d. Defuzzifikasi

Pada proses defuzzifikasi ini juga terdapat grafik fungsi keanggotaan untuk menentukan batasan dari output fuzzy yang diinginkan





Bagian kelima dari system tersebut adalah sensor-sensor yang ada dalam system tersebut. Untuk sensor suhu menggunakan LM35 yang mempunyai jangkauan 00-1000 C. sedangkan untuk kelembaban tanah Untuk sensor kelembaban tanah menggunakan beberapa komponen-komponen resistor yang dirangkai dan dihubungan sedemikian rupa sehingga membentuk suatu rangkaian elektronik yang bisa mendeteksi kelembaban air didalam tanah.

Bagian terakhir dari jurnal tersebut adalah kesimpulan dari system tersebut. Beberapa kesimpulan yang diambil adalah sebagai berikut :
• Untuk penerapan sistem kendali fuzzy logic control tidak memerlukan model matematika dan optimum pada kendali non-linier karna keputusan yang dikeluarkan hanya menggunakan logika manusia.
•Variabel linguistik, Derajat keanggotaan dan Fungsi keanggotaan adalah parameter-parameter pembentuk untuk anggota himpunan logika fuzzy.
•Langkah-langkah untuk membuat sistem fuzzy logic control terdiri dari pembentukan:
fuzzifikasi, knowledge base, inferensi dan defuzzifikasi.
•Knowledge base disusun berdasarkan pengalaman seorang operator ahli pada bidangnya.
•Untuk sistem penyiraman yang spesifik dan teliti sesuai dengan karakteristik tanaman yang akan disiram, membutuhkan sensor-sensor masukan yang lebih beragam.

FUZZY LOGIC

1. KONSEP FUZZY LOGIC
Sebelum munculnya teori logika fuzzy (Fuzzy Logic), dikenal sebuah logika tegas (Crisp Logic) yang memiliki nilai benar atau salah secara tegas. Sebaliknya Logika Fuzzy merupakan sebuah logika yang memiliki nilai kekaburan atau kesamaran (fuzzyness) antara benar dan salah. Dalam teori logika fuzzy sebuah nilai bisa bernilai benar dan salah secara bersamaan namun berapa besar kebenaran dan kesalahan suatu nilai tergantung kepada bobot keanggotaan yang dimilikinya.
a. Perbedaan Logikafuzzy dengan Logika Tegas
Perbedaan antara kedua jenis logika tersebut adalah: logika tegas memiliki nilai tidak=0.0 dan y=1.0. sedangakan antarn 0.0 hingga 1.0. Secara grafik perbedaan antara logika tegas dan logika fuzzy ditunjukkan oleh gambar dibawah ini:



Didalam gambar 2.1.a) apabila X leblh dan atau sama dengan 10 baru dikatakan benar yaitu bernilai Y1. sebaliknya nilai X yang kurang dan 10 adalah salah yaitu Y=0. Maka angka 9 atau 8 atau 7 dan sejenisnya adalah dikatakan salah.
Didalam gambar 2.1.b) nilai X = 9, atau 8 atau 7 atau nilai antara 0 dan 10 adalah dikatakan ada benarnya dan ada juga salahnya. Dalam contoh kehidupan kita dikatakan seseorang dikatakan sudah dewasa apabila berumur lebih dari 17 tahun. maka sesiapapun yang kurang dari umur tersebut di dalam logika tegas akan dikatakan sebagai tidak dewasa atau anak-anak. Sedangkan dalam hal ini pada logika fuzzy umur dibawah 17 tahun dapat saja dikategorikan dewasa tapi tidak penuh. misal untuk umur 16 tahun atau 15 tahun atau 14 tahun atm 13 tahun. Secara grafik dapat digambarkan sebagai berikut:



b. Himpunan Logika Fuzzy
Dalam teori logika dikenal himpunan fuzzy (fuzzy set) yang merupakan pengelompokan sesuatu berdasarkan variabel bahasa, yang dinyatakan dalam fungsi keanggotaan. Didalam semesta penbicaraan (universe of discourse) U. fungsi keanggotaan dari suatu himpunan fuzzy tersebut bernilai antara 0,0 sampaidengan 1.0.
Contoh dari himpunan variable bahasa antara lain:
Himpunan dan suhu atau temperatur dapat dinyatakan dengan: dingin, sejuk, normal, hangat, panas. Grafik dari himpunan suhu ini ditunjukkan pada gambar berikut:



Himpunan dari umur dapat dinyatakan dengan mudah, parobaya, tua, sangat tua.
Grafik dari himpunan ini ditunjukan pada gambar dibawah ini:



Himpunan dari kecepatan dapat dinyatakan dengan: lambat, normal, cepat, sangat cepat. Grafik dari himpunan kecepatan mi ditunjukkan pada gambar:



c. Aritmatika Logika Fuzzy
Dalam system logika fuzzy terdapat beberapa operasi aritmatika yang diperlukan dalam penalarannya antara lain:
a) Gabungan (union) dalam system logika fuzzy dikenal dengan istilah Max.
Operasi max dinyatakan dengan persamaan:

Jika fungsi segitiga dari suatu fungsi keanggotaan adalah A, dan fungsi keanggotaan B adalah trapezium, maka operasi max dari A dengan B ditunjukkan pada gambar 2.7 berikut ini:

b) Irisan (Intersaction) dalam sitem logika fuzzy dikenal dengan istilah Min. operasi mix dinyatakan dengan persamaan:

Jika fungsi A dan B adalah seperti yang ditunjukkan pada gambar 2.7, maka operasi min dari kedua keanggotaan tersebut dapat dinyatakan sebagai berikut ini:

c) Kesamaan (equilary) operasi kesamaan dinyatakan dengan persamaan:

d) Produk (product), operasi produk dinyatakan dengan persamaan:

e) Komplemen (complement), operasi komplemen dinyatakan dengan persamaan:


2. BLOCK DIAGRAM FUZZY LOGIC CONTROL
Dalam system control logika fuzzy terdapat beberapa tahapan oprasional yang
meliputi:
1. Fuzzyflkasi
2. Penalaran (Inference Machine)
3. Aturan Dasar (Rule Based)
4. Defüzzyfikasi
Blok diagram control logika fuzzy ditunjukkan pada gambar berikut:


Kerangka operasional control logika fuzzy ditunjukkan pada gambar berikut:


Dari gambar 2.10 sinyal masukan dari KLF dapat berupa nilai tegas. Sinyal masukan KLF dapat diambilkan dari:
a) Selisih antara rujukan (reference) dengan nilai keluaran nyata dan KLF yang berupa nilai kesalahan (errorE).
b) Turunan pertama dan nilai error yang dikenal dengan delta error=dE

3. FUZZYFIKASI
Fuzzifikasi adalah suatu proses pengubahan nilai tegas/real yang ada ke dalam fungsi keanggotaan Misal: merujuk pada gambar 2.1 fuzzifikasi dari suhu35ºc adalah:



Pada gambar 2.11 contoh perhitungan fuzzyfikasi dapat ditunjukkan sebagai berikut:



4. MEMBERSHIP FUNGSI
Fungsi keanggotaan dari suatu himpunan fuzzy dinyatakan dengan derajat keanggotaan suatu nilai terhadap nilai tegasnya yang berkisar antara 0,0 sampai dengan 1,0. Jika A himpunan fuzzy, µA: fungsi keanggotaan dan X: semesta, maka fungsi keanggotaan dalam suatu himpunan fuzzy dapat dinyatakan dengan:
A{(x4tA(x))IxCX}
Fungsi Keanggotaan suatu himpunan fuzzy dapat ditentukan dengan fungsi segitiga (Triangle), trapezium (Trapeoida 1) atau Fungsi Gauss (Gaussian).
Persamaan fungsi keangotaan segitiga adalah:


Persamaan tersebut dalam bentuk grafik ditunjukkan pada gambar berikut:


Persamaan fungsi keangotaan Trapesium adalah:


Persamaan tersebut dalam bentuk grafik ditunjukkan pada gambar berikut:


Persamaan fungsi keanggotaan Gaussian adalah:


Persamaan tersebut dalain bentuk grafik ditunjukkan pada gambar berikut:


5. RULE BASE
Aturan dasar (rule base) pada control logika fuzzy merupakan suatu bentuk aturan relasi implikasi “Jika-Maka” atau “If -Then’ seperti pada pemyataan berikut:
“JIKA” X=A DAN “JIKA” Y=B “MAKA” Z=C
Contoh dari aturan jika-maka ini pada pengendalian suhu ruangan dengan pengaturan kecepatan kipas angin melalui frekuensi variable adalah sebagai berikut:
1. “JIKA” suhu panas DAN
2. “JIKA” kecepatan kipas sangat lambat
3. “MAKA” sumber frekuensi dinaikkan sangat tinggi agar kecepatan kipas tinggi
Jadi aturan dasar KLF ditentukan dengan bantuan seorang pakar yang mengetahui karakteristik objek yang akan kendalikan aturan dasar tersebut dapat dinyatakan dalam bentuk matrik aturan dasar KLF. Contoh aturan dasar dari rancangan pengaturan suhu ruangan dapat dilihat pada table berikut:



6. DEFUZZIFIKASI
Merupakan proses pemetaan himpunan fuzzy ke himpunan tegas (crips). Proses ini merupakan kebalikan dari proses fuzzyfikasi
Proses defuzzyfikasi diekspresikan sebagai berikut:
Z*= defuzzyfikasi (Z)
Dimana :
Z = Hasil penalaran fuzzy
Z* = Keluaran control FL
Defuzzyfikasi = Operasi defuzzier
Metode dalam melakukan defuzzyfikasi antara lain:
1. Metode Max (Maximun)
Metode ini juga dikenal dengan metode puncak dimana nilai keluaran dibatasi oleh fungsi: µc(z*)>µc 1 (z)
2. Metode Titik Tengah (Center ofArea)
Metode ini juga disebut pusat area. Metode ini lazim dipakai dalam proses defuzzifikasi. Metode ini diekspresikan dengan persamaan:


3. Metode Rata-Rata (Average)
Metode ini digunakan untuk fungsi keanggotaan keluaran yang simetris.
Persamaan dan metode ini adalah:


4. Metode Penjumlahan Titik Tengah (Sumarning of center area).
Metode ini dinyatakan dengan persamaan:



5. Metode Titik Tengah Area Terbesar
Dalam metode ini keluaran dipilih berdasarkan titik pusat area terbesar yang ada. Metode ini dinyakan dalam bentuk:

Selanjutnya keluaran keluaran dari defuzzyfikasi tersebut akan digunakan sebagai keluaran KLF.

APLIKASI JARINGAN SYARAF TIRUAN (JST)
PADA MODEL MULTI-INPUT MULTI-OUTPUT (MIMO)
(STUDI KASUS: SISTEM KILN SEMEN PT. SEMEN PADANG)

1. PENDAHULUAN

Pemodelan suatu sistem atau proses dapat dilakukan dengan Jaringan Syaraf Tiruan (JST). Model tersebut merupakan salah satu penyelesaian yang dapat digunakan untuk menggantikan model lainnya seperti model matematis yang sangat sulit. Bentuk dan sifat JST sangat fleksibel sehingga memungkinkan JST digunakan untuk memodelkan sistem dinamik multi-input multioutput (MIMO) yang sangat kompleks.

Sebagai studi kasus, JST digunakan pada pemodelan sistem Kiln semen yang merupakan sistem dinamik MIMO[1]. Kiln adalah salah satu bagian terpenting dalam pabrik semen, karena kualitas hasil produksi dari kiln (yaitu clinker) sangat menentukan kualitas semen yang diproduksi oleh pabrik semen yang bersangkutan. Proses pembakaran kiln dan proses kimia untuk pembuatan clinker merupakan proses yang cukup kompleks dan sulit dikendalikan. Kesulitan ini karena adanya perilaku sistem yang berubah terhadap waktu.

Masing-masing pabrik semen mempunyai spesifikasi kiln, meskipun kelihatannya semua kiln adalah identik. Kondisi di atas menyebabkan sulitnya memperkirakan perilaku sistem kiln semen apabila tidak ada suatu model yang dapat mewakilinya. Kehadiran model JST yang mewakili sistem kiln semen akan membatu proses simulasi sistem kiln semen tanpa harus mengganggu proses produksi yang sedang berlangsung. Dengan proses simulasi tersebut akan diketahui dan dianalisa perilaku sistem kiln semen yang pada akhirnya dapat dilakukan optimasi pengendalian proses. Sehingga kerja sistem kiln semen menjadi lebih optimal dan efisien di dalam memproduksi clinker.


2. SISTEM KILN SEMEN

Semen merupakan hasil penggilingan clinker yang dicampur dengan gypsum dengan jumlah tertentu pada sebuah tromol baja. Tromol ini lebih dikenal dengan nama tromol semen (cement mill). Clinker diproduksi di dalam kiln dengan memanaskan raw meal yang berasal dari unit sebelumnya yang dinamakan raw mill. Raw meal merupakan campuran empat bahan utama pembuat semen yaitu: batu kapur, batu silika, tanah merah dan pasir besi. Ditinjau dari proses yan ada pada kiln dapat dibedakan menjadi dua, yaitu proses basah dan proses kering[1].

Sistem kiln semen yang terdapat di PT. Semen Padang (Persero) merupakan sistem kiln semen proses kering yang mempunyai single pre-heater dan planetary cooling system, dimana sistem kiln semen tersebut mempunyai 4 buah parameter keluaran yang disebut juga sebagai Process Variable (PV) dan 5 buah parameter masukan yang disebut juga sebagai Manipulated Variable (MV), seperti yang dijelaskan dalam Tabel 2.1.


3. JARINGAN SYARAF TIRUAN (JST)

Jaringan syaraf tiruan (JST), terjemahan dari Artificial Neural Network, merupakan suatu bentuk baru dari sistem komputasi yang didasarkan pada model biologis sistem syaraf manusia. JST bertujuan untuk mengembangkan sistem komputasi baru yang mampu beroperasi dan mengemulsi, serta mempunyai karakteristik seperti sifat-sifat jaringan syaraf biologis yang terdapat pada manusia dalam mengolah informasi[2].

Proses identifikasi sistem kiln semen dengan JST ini menggunakan pelatihan dengan target, dimana target yang dimaksud adalah data operasional sistem kiln semen yang diperoleh dari plant. Target dapat diberikan oleh supervisi atau guru, dan salah satu contoh algoritma pelatihannya adalah Error Back Propagation (EBP). Algoritma pelatihannya menggunakan EBP seperti berikut ini:
Tahap 1: Menyiapkan pasangan data masukan (X(p)) dan data keluaran (D(p)) yang
diinginkan. Dimana p=1,...P adalah banyaknya pasangan data dan X(p) berukuran (Ix1) sedangkan D(p) berukuran Lx1.
Tahap 2: Set harga target error sekecil mungkin, learning rate η>0, E=0, dan Inisialisasi bobot (Uji, Vkj, Wlk) dengan harga acak yang kecil.
Tahap 3: Propagasi maju, yaitu menghitung keluaran masing-masing lapisan (dari lapisan tersembunyi R & S sampai lapisan keluaran Y) dengan


perhitungan sebagai berikut:


Tahap 4: Menghitung kesalahan keluaran yang terjadi dengan perhitungan:
Tahap 5: Pengecekan harga Sum-Squared Error (SSE) dengan persamaan sebagai berikut:


Dengan SSEpl adalah Sum-Squared Error yang didapat dari perhitungan keluaran ke-l untuk data ke-p.
Tahap 6: Memperbarui bobot interkoneksi antara masing-masing lapisan (Uji, Vkj & Wlk) dengan perhitungan:




Tahap 7: Pengulangan tahap 3 sampai tahap 5 untuk setiap jumlah epoch, yaitu sebanyak pasangan data masukan dan keluaran.

Tahap 8: Penghentian program pelatihan ini saat SSE < error goal atau jumlah epoch telah tercapai. Program pelatihan diulangi dari tahap 1 jika kedua syarat tersebut belum tercapai.

Penentuan struktur JST harus didasarkan pada tahap pengumpulan data dan penentuan model identifikasi yang akan digunakan. Salah satu model identifikasi sistem dengan JST adalah identifikasi berdasarkan model masukan-keluaran dengan struktur serial-paralel[4]. Jika ditinjau dari struktur JST-nya sendiri, maka struktur yang digunakan dalam pemodelan system kiln semen di PT. Semen Padang (Persero) adalah struktur Multi-Layer Feedforward Network yang terdiri dari 9 (sembilan) vektor masukan, 20 (dua puluh) neuron pada lapisan tersembunyi pertama, 10 (sepuluh) neuron pada lapisan tersembunyi kedua dan 4 (empat) vektor keluaran, seperti yang ditunjukkan dalam Gambar 3.1.

Gambar 3.1 Struktur JST untuk sistem kiln semen di PT. Semen Padang (Persero).

4. HASIL PROGRAM












5. PEMBAHASAN KELOMPOK

Identifikasi sistem kiln semen untuk PT. Semen Padang yang dilakukan dengan menggunakan JST akan menghasilkan bobot interkoneksi dengan harga dan suatu konfigurasi tertentu sesuai dengan struktur model JST yang digunakan didalam pelatihan. Dengan bantuan program MATLAB, proses pelatihan model JST untuk sistem kiln di PT. Semen Padang yang strukturnya sudah ditentukan (dari 8 vektor masukan, 20 neuron pada lapisan tersembunyi pertama, 10 neuron pada lapisan tersembunyi kedua, 5 vektor keluaran dan fungsi aktifasi yang digunakan dalam processsing unit pada setiap neuron adalah fungsi sigmoid) dilakukan beberapa kali dengan harga learning rate (η) yang berubah-ubah, mulai dari η = 0,15 sampai η = 0,01. Sedangkan konstanta pelatihan momentum cost (η) dibuat tetap yaitu η = 0.98. Hal tersebut dilakukan untuk mendapatkan hasil model JST yang paling baik. Sehingga model JST tersebut merupakan model yang benar-benar dapat mewakili sistem kiln semen yang diidentifikasi.

Secara kuantitatif, konvergensi hasil pelatihan model JST untuk sistem kiln semen di atas dapat dilihat dari perubahan harga Sum Square Error (SSE) terhadap jumlah epoch seperti yang ditunjukkan dalam Tabel 4.1. Dalam Tabel 4.1 tampak bahwa konvergensi minimum hasil pelatihan model JST terjadi pada kolom η = 0,01 dan η = 0,05. Hal tersebut ditunjukkan oleh perubahan harga SSE yang semakin mengecil dengan bertambahnya jumlah epoch.

Dari Tabel 4.1 menunjukkan harga SSE terkecil adalah 0,3911, maka jelas bahwa harga η yang optimal adalah 0,05. Secara logika dapat juga dinyatakan bahwa semakin kecil harga SSE yang diperoleh dari hasil pelatihan maka semakin baik JST tersebut dalam memodelkan system yang diidentifikasi.

Bobot interkoneksi antara neuron-neuron dalam tiap lapisan hasil proses pelatihan model JST pada η = 0,05 dapat dilihat pada Tabel 4.2 sampai Tabel 4.4. Sedangkan secara kualitatif atau secara visual dapat dilihat perbandinngan antara model JST dengan data sebenarnya yang diperoleh dari plant dengan harga η = 0,05 pada Gambar 4.1 sampai Gambar 4.4.

6. KESIMPULAN
1. Identifikasi sistem kiln semen yang merupakan sistem dinamik multi-input multioutput (MIMO) yang kompleks dapat dilakukan dengan menggunakan JST tipe multi-layer feedforward dengan struktur yang terdiri dari 8 vektor masukan, 20 neuron pada lapisan tersembunyi pertama, 10 neuron pada lapisan tersembunyi kedua, 5 vektor keluaran dan fungsi aktifasi yang digunakan dalam processsing unit pada setiap neuron adalah fungsi sigmoid.
2. Model JST yang terbaik untuk sistem kiln semen di PT. Semen Padang (Persero) diperoleh dari hasil pelatihan model JST tersebut dengan parameter pelatihan learning rate (η) = 0,05, momentum cost (η) = 9,8 dan jumlah epoch = 500.000 dengan menggunakan algoritma belajar error back propagation. Secara kualitatif, hasil identifikasi sistem kiln semen PT. Semen Padang (Persero) telah mendekati prilaku plant yang sebenarnya.

7. DAFTAR PUSTAKA

[1]. Asri Manaf, “Fuzzy Logic”, Seminar Artificial Intelligent, PIKSI, ITB, 1993.
[2]. Altrox Constantin Von, “Fuzzy Logic & Neurofuzzy Applications Explained”, Prentice Hall PTR, 1995.
[3]. Lin Chin-Teng & Lee C.S.George, “Neural Fuzzy System, A Neuro-Fuzzy Synergism to Intelligent Systems”, Prentice-Hall, Inc., 1996.
[4]. Pham Duc Truong and Xing Liu, “Neural Networks for Identification, Prediction and Control”, Springer-Verlag London Limited, 1995.

PENETAS TELOR OTOMATIS  DENGAN FUZZY LOGIC

input

suhu
Sensor
Lm35

kelembaban
Sht 11

Aktuator
sebuah lampu 40W yang mrmpunyai keluaran kecerahan variabel akan mengubah suhu dan tingkat kelembaban tetasan telur seperti dibawah ini


Prosedur kerja alat



simulasi matlab

gambar blok diagram

gambar rule base

gambar input suhu


gambar input kelembaban


gambar output

gambar simulasi input output


gambar simulasi tiga dimensi


ket:

input

suhu
rendah <34> 36

kelembaban
kering <><75>60

output
sebuah lampu 40W yang mrmpunyai keluaran kecerahan variabel