APLIKASI FUZZY NEURAL NETWORK (FNN) PADA SISTEM KONTROL DENGAN WAKTU TUNDA

Transkripsi

1 APLIKASI FUZZY NEURAL NETWORK (FNN) PADA SISTEM KONTROL DENGAN WAKTU TUNDA Mukhtar Hanaf Program Stud Teknk Informatka Unverstas Muhammadah Magelang Jl. Maend. Bambang Soegeng Km.5 Mertoudan Magelang Telp E-mal: Abstrak Waktu tunda pada sstem kontrol terad karena adana eda waktu bag sensor untuk mendeteks teradna error, sehngga mempengaruh kecepatan controller untuk meresponna. Akbat kedaklneran dan ketdakpastan n akan berdampak pada respon sstem secara keseluruhan. Jens controller ang serng dgunakan pada sstem kontrol n adalah PID. Untuk mendapatkan respon sstem ang bak, harus dlakukan lebh dahulu tunng terhadap parameter P,I dan D pada PID controller pada nla waktu tunda tertentu. Jka terad perubahan nla waktu tunda dluar tolerans ang dnkan, maka harus dlakukan tunng ulang untuk memperbak lag respon sstemna, dan n membutuhkan waktu dan keahlan tersendr. Sementara tu, Fuzz Logc Controller (FLC) menawarkan metode pengontrolan ang lebh robust dalam menesuakan perubahan parameter akbat kedaklneran dan ketdakpastan tersebut. Tetap FLC sangat tergantung pada bass aturan (rule-based) ang dgunakan dalam proses pengandalan sstem, dan rule-based tersebut sangat dpengaruh oleh pengetahuan dan pengalaman perancangna. Aturan ang salah dapat mengakbatkan ketdakstablan sstem. Fuzz Neural Network (FNN), sstem hbrd dar fuzz dan arngan saraf, dapat memberkan solus bag sstem kontrol ang dkembangkan dengan konsep logka fuzz n. Hasl smulas dengan matlab menunukkan bahwa kemampuan pembalaaran ang dmlk oleh unsur arngan saraf pada FNN dapat membantu memberkan respon sstem ang bak meskpun pada rule-based aturan ang dgunakan terbatas. Kata Kunc: waktu-tunda, respon sstem, rule-base, FNN 1. PENDAHULUAN Untuk mengendalkan sstem ang memlk atau dpengaruh waktu tunda banak dgunakan controller konvensonal sepert PID. Namun kendalana adalah sstem kendal konvensonal n membutuhkan pengetahuan tentang parameter-parameter sstem terlebh dahulu. Selan tu, untuk sstem ang kompleks akan terdapat kendala dalam menentukan parameter-parameter ang sesua agar mendapatkan respon keluaran ang stabl. Ada tga parameter dalam pengontrol PID tersebut, atu proporsonal gan (Kp), ntegral tme (T) dan derevatve tme (Td). Ketga parameter tersebut mempuna pengaruh terhadap hasl respon sstem. Untuk memperoleh respon sstem ang bak (setabl), harus dlakukan proses penalaan atau tunng pada ketga parameter tersebut. Serng dengan perkembangan softcomputng, sstem control berbass logka fuzz mula dgunakan untuk mengatas permasalahan ang muncul pada sstem control konvensonal. Selan hasl respon sstem ag lebh bak, kelebhan dar sstem kontrol berbass logka fuzz untuk sstem nonlner adalah berkurangna penggunaan model matematk ang rumt dalam proses perancanganna. Tap knerana akan sangat dpengaruh oleh bass aturan (rule base) sebaga proses nferens dalam mendapatkan output kontrol ang tepat. Sedangkan untuk menentukan rule base ang sesua dperlukan pengalaman dar perancangna, sehngga ka n tdak terseda maka tuuan pengontrolan akan sult dcapa (Yan dkk, 1994). Melalu penggabungan (hbrd) antara fuzz dan arngan saraf truan atau Fuzz-Neural suatu model dapat dlath menggunakan arngan saraf untuk perbakan fungs keanggotaan dar sstem fuzz ang dgunakan sebaga sstem pengambl keputusan untuk menggendalkan peralatan, salah satuna adalah sstem kontrol dengan waktu tunda ang mempuna sfat tdak lner (nonlner) dan tdak past (uncertan). 2. TINJAUAN PUSTAKA Logka fuzz drancang untuk dapat meneremahkan pengetahuan pakar secara langsung melalu aturanaturan dengan label-label lngustc, tap umumna membutuhkan waktu ang lama untuk mendesan dan menesuakan fungs keanggotaan ang dapat memberkan defns secara kuanttatf label-label lngustc n. Teknk-teknk pembalaaran ang dmlk arngan saraf dapat mengotomatsas proses n dan secara substansal mereduks waktu perancangan dan baa (Fuller, 1995). Kemampuan belaar dar arngan saraf truan pada hbrd fuzz neural network dapat dlhat dar hasl peneltan ang dlakukan sebelumna. Pada peneltan n FNN daplkaskan pada sstem control suspens aktf. Dengan rule base dan fungs keanggotaan ang sama dengan FLC, setelah dlakukan proses pembelaaran, hasl smulas menunukkan bahwa FNN mampu memperbak respon sstem dar FLC ang dukan (Hanaf 2011). A-82

2 2.1 Fuzz Neural Network Fuzz neural network merupakan arngan saraf truan dengan bass aturan fuzz (fuzz rule base), sehngga memungknkan adana pemetaan antara anteseden dan konsekuen dalam bentuk IF-THEN ke dalam arngan saraf. Untuk mengmplementaskan aturan fuzz kedalam arngan saraf truan dperlukan level tambahan ang berupa level aturan-aturan fuzz atau fuzz rules level sehngga fuzz neural network terdr dar lma lapsan, atu lapsan nput, lapsan nput fuzz, lapsan penghubung (conucton), lapsan output fuzz dan lapsan output (Fu, 1994). Fungs aktvas dar unt nput adalah nla suatu varabel masukan ang sesua dengan nla ang dberkan. Nla nput dlewatkan dalam unt-unt hmpunan fuzz, ang akan merubah nla kedalam suatu deraat keanggotaan sebaga fungs aktfas dar unt hmpunan fuzz (fuzz set unt). Unt penghubung (conucton unt) akan mengambl mn dar nput (deraat keanggotaan) ang dterma dar masukan unt fuzz set sebelumna. Unt output fuzz menampung nformas dar satu atau lebh unt conucton (masng-masng berhubungan dengan sebuah aturan fuzz). Ada varas pada ttk n. Unt output hmpunan fuzz bsa menggunakan max atau sum dar masukan-masukan sebelumna. Kemudan, unt output membangktkan hasl akhr dengan mengntegraskan nformas dar unt-unt output hmpunan fuzz. Model lebh sederhana dar FNN dtunukkan pada gambar 2.1. Pada FNN n tdak dgunakan lapsan ouput_fuzz. Dar fuzz rule pada conuncton laer ang dgunakan fungs keanggotaan keluaranna adalah sngletons ang menerta bobot koneks pada lapsan terakhr, sehngga FNN n hana terdr terdr dar empat lapsan. (Kasabov, 1998). OUTPUT CONJUNCTION LAYER Input Fuzz : Lngustc value ( Fuzz set Neuron) Gambar 2.1 Fuzz Naural Network dengan empat lapsan Rumus ang dgunakan untuk menentukan besarna keluaran atau output z sebaga berkut, m 1 m z... (2.1) 1 INPUT dmana z adalah level aktvas dar unt output, dan berturut-turut adalah fungs keanggotaan dan alur terbobot unt ke pada lapsan antara output fuzz ke output. 2.2 Algortma Backpropagaton Bobot-bobot pada setap lapsan dar suatu arngan saraf antara lapsan nput, lapsan tersembun dan lapsan output dlath menggunakan algortma pembelaaran terawas (supervsed learnng algorthm), salah satuna adalah dengan algortma backpropagaton ang merupakan algortma ang dgeneralkan untuk memnmas mean-square error dantara output arngan ang dharapkan dengan output ang sebenarna. Algortma n memlk dasar matemats ang kuat, obektf dan algortma n mendapatkan bentuk persamaan dan nla koefsen dalam formula dengan memnmalkan umlah kuadrat galat error melalu model ang dkembangkan (tranng set). Pelathan suatu arngan dengan algortma backpropagaton melput dua tahap, atu perambatan mau dan perambatan mundur (Fausset, 1994) Proses pembelaaran dapat dpercepat dengan dmodfkas backpropagaton standar atu dengan menambahkan momentum. Penambahan momentum bertuuan untuk menghndar perubahan bobot ang mencolok akbat adana data ang sangat berbeda dengan ang lan (outler). Dengan penambahan momentum, bobot baru pada waktu ke (t+1) ddasarkan atas bobot pada waktu t dan (t-1). Jka adalah konstanta A-83

3 ( ( 0 1) ang menatakan parameter momentum, maka bobot baru dapat dhtung dengan persamaan (Fausset, 1994): w k ( t 1) w k ( t) w k ( w k ( t) w k ( t 1)).(2.2) dengan w z, maka persamaan (2.10) dapat dtulskan kembal dengan w k k k ( t 1) w ( t) z ( w ( t) w ( t 1))...(2.3) dmana α adalah learnng factor dan β adalah momentum factor. k k k k 3. METODE PENELITIAN 3.1 Pembuatan Model Sstem Kontrol Struktur sstem kontrol dengan waktu tunda dtunukkan pada gambar 3.1. Snal kontrol u merupakan snal dhaslkan oleh pengontrol FNN ang dgunakan untuk mengontrol G(s) dengan waktu tunda (e -ts ). Load/ dsturbance r + e u FNN - de G(s) e -ts + + Plant dengan waktu tunda Gambar 3.1 Struktur sstem kontrol FNN pada plant dengan waktu tunda G(s) adalah transfer functon dar plant dan e -ts merupakan unsur waktu tunda ang terad pada plant. Sedangkan masukan r merupakan setpont atau nput sstem. Snal nformas ang dterma oleh pengontrol FNN merupakan snal error (e) dan perubahan error (de) ang terad antara output () sstem dengan nput sstem. 3.2 Menentukan Fungs Keanggotaan Fuzz Untuk medapatkan besaran lngustk dar snal masukan ang berupa snal scrpt dlakukan dengan proses fuzzkas. Proses fuzzkas dgunakan untuk memetakan nla nput ang dlewatkan (e dan de) kedalam suatu deraat keanggotaan fuzz. Fungs keanggotaan ang dgunakan pada peneltan n adalah fungs segtga ang memlk tga varabel lngustk atu negatf (N), about zero (Z) dan postf (P). Berdasar hasl analsa respon sstem dengan waktu tunda ang kemudan dlakukan penesuaan dengan coba-coba (tral and error) sampa dperoleh pengontrol ang bak, ddapatkan fungs keanggotaan segtga untuk masukan e dan de sepert terlhat pada Gambar 3. 2 Gambar 3.2 Fungs keanggotaan dan varabel lngustk untuk e dan de Selanutna dar tga varabel lngustk fuzz ang masng-masng untuk e dan de, dsusun aturanaturan fuzz (fuzz rule base). Aturan-aturan fuzz dsusun untuk mengakomodas semua kemungknan masukan nla lngustk e dan de, dan dengan conungton AND semua pasangan varabel lngustk antara masukan e dan de dkombnaskan sehngga dperoleh 9 aturan fuzz. 3.3 Perancangan Struktur Jarngan FNN Struktur arngan saraf berbass fuzz atau fuzz neural network sebaga controller ang drancang pada peneltan n dtunukkan pada gambar 3.3. A-84

4 Gambar 3.3 Struktur FNN Lapsan pertama dar struktur FNN merupakan lapsan nput ang berfungs melewatkan varabel (1) masukan. Output dar lapsan pertama n adalah: 1, e dan 2, de. Kemudan pada lapsan kedua dlakukan proses fuzzkas dengan memetakan nla nput ang dlewatkan (e dan de) kedalam suatu deraat keanggotaan fuzz sepert terlhat pada Gambar 3.2. Keluaran dar lapsan kedua n adalah: (2) (1) 1, 1, (2) (1) 2, 1, ( ).(3.1) dan ( ). (3.2). Pada lapsan ketga ang merupakan lapsan conucton, dgunakan 9 neuron untuk merealsaskan 9 aturan (rule) fuzz. Dengan penghubung AND untuk besaran fuzz dar masukan e dan de, maka fungs aktfas ang dgunakan pada lapsan n adalah mn( ( e ), ( de )) atau mn( ( ), ( )). Keluaranna dapat drumuskan dengan: (3) (1) (3.3). (2) (2) 1, 2, Lapsan keempat merupakan lapsan output. Pada lapsan n akan dlakukan defuzzkaskan atas hasl keluaran dar neuron-neuron pada lapsan sebelumna. Pada lapsan n dlakukan pembobotan dengan w pada setap masukan. Keluaran dar lapsan n dhtung dengan persamaan: (4) n 1 n 1 (3). w (3) n 1 n 1. w.(3.4), dengan n = 9 rules, maka: u w (3.5) 3.3 Pelathan FNN Proses pelathan ang dlakukan pada FNN n menggunakan algortma backpropagaton. Proses pelathan n hana untuk melath bobot koneks lapsan ke 4, untuk lapsan ang lan bobot koneks dset dengan nla satu. Jka Error antara keluaran FNN ang sebenarna ( u (t) ) dengan keluaran ang dngnkan ( ud (t) ), dtentukan dengan rumusan: 2 2 E 1 ( ud( t) u( t )).(3.6) dan untuk modfkas bobot koneks arngan dgunakan persamaan 2.3, dmana k ( tk k ) f ( _ nk ), sehngga modfkas bobot koneks pada lapsan ke 4 pada arngan FNN ang drancang n dlakukan dengan persamaan: E w 4( t 1) w 4( t) ( ) ( w 4( t) w 4( t 1))...(3.7), dengan w E w 4 E u u w 4 4 ( ud( t) u( t)) 9...(3.8), dengan = learnng factor dan = momentum factor. 1 A-85

5 3.4 Penguan Sstem Penguan sstem dlakukan dengan smulas menggunakan sofware Matlab. Model proses atau plant ang dgunakan pada penguan n adalah Heat Exchanger. Heat Exchanger merupakan contoh proses atau plant ang mengandung deadtme. Fungs alh Heat Exchanger dapat dnatakan dalam bentuk sstem orde satu (Santoso, 2003): T ( s) K pex Gex ( s)..(3.9), Fh ( s) exs 1 Karena ada waktu tunda / death tme pada plant maka fungs alh plant menad: T ( s) K pex ts e Gex ( s)...(3.10), Fh ( s) exs 1 dengan t merupakan death tme process. Pada penguan n fungs alh plant dnatakan dengan: 1 10 G ( s) e (3.11). 21,3s 1 Berdasarkan struktur kontrol dengan fungs alh plant pada persamaan (3.11), dbuat rangkaan smulas untuk penguan sstem kontrol menggunakan smulnk matlab sepert pada gambar 3.4 Gambar 3.4. Rangkaan smulas sstem kontrol PID dan FNN Penguan dlakukan dengan step respon sstem dan pengaruh adana gangguan (dsturbance) atau load, sepert ang terlhat pada gambar 3.5. Untuk nput step respon sstem n du dengan lama waktu tunda ang bervaras atu 10s, 20s, 30s dan 45s. Gambar 3.5 Snal gangguan atau load Penguan berkutna adalah penguan karena pengaruh adana gangguan (dsturbance) atau load. Pada penguan n nput sstem dset sebesar 10 o C, kemudan dber dsturbance atau load dengan kenakan suhu menad 50 0 C dalam 400 s dan turun kembal ke poss set ponna, sepert ang terlhat pada Gambar 3.5b. Penguan n uga dlakukan dengan lama waktu tunda ang bervaras atu 10s, 20s, 30s dan 45s. 4. HASIL DAN PEMBAHASAN 4.1 Hasl pelathan FNN Pada proses pelathan FNN n dgunakan nla bobot koneks awal = 0 untuk semua bobot koneks. Nla learnng factor(α) ang dgunakan 0,001 dan momentum factor(β) na adalah 0,015. Kombnas nla α dan β n A-86

6 berpengaruh terhadap kecepatan proses pelathan dan ketepatan nla bobot ang dperoleh. Nla α dan β dsn ddapatkan secara tral and error, semakn kecl nla α proses pembelaar akan semakn lama tetap tngkat keakuratan bobot ang dperoleh akan semakn tngg. Proses pelathan dbatas sampa 100 epoh. Hasl proses pembelaaranna sepert ang terlhat pada gambar 4.1. Gambar 4.1 Proses pelathan FNN Proses pembelaan FNN pada gambar 4.1 datas menunukkan bahwa nla SSE (sum square error) semakn kecl. Hal n berars arngan saraf pada FNN dapat melakukan proses pembelaaran dengan bak terhadap data ang dlathkan. 4.2 Respon Sstem Hasl step respon sstem dar kedua sstem kontrol dengan lama waktu tunda ang bervaras atu 10s, 20s, 30s dan 45s, dtunukkan pada gambar 4.2. Untuk step respon sstem dengan waktu tunda 10s, sepert ang dtunukkan pada Gambar 14a, pada controller PID sudah dlakukan tunng parameter kontrol PID atu Kp, K dan Kd sehngga dperoleh respon sstem ang bak. Gambar 4.2 Step repon sstem dengan waktu tunda: 10s, 20s, 30s dan 45s A-87

7 Hasl penguan pada gambar 4.2 datas, menunukkan bahwa FNN mampu memberkan step respon sstem ang bak untuk seluruh waktu tunda ang dukan. Untuk penguan sstem dengan menggunakan dsturbance atau load terlhat pada gambar 4.3. Akbat adana gangguan (dsturbance), nla controlled varable dalam hal n temperatur nak selama 400s kemudan kembal normal, sehngga controller menngkatkan snal kontrol u, untuk membawa sstem kembal ke nla set pont-na. Gambar 4.3 Respon sstem akbat dsturbance atau load untuk waktu tunda: 10s, 20s, 30s dan 45s Secara umum hasl smulas penguan, bak untuk step respon maupun respon sstem akbat adana dsturbance atau load, menunukkan bahwa controller FNN dapat memberkan hasl pengontrolan ang bak untuk seluruh waktu tunda ang dukan. Dsn FNN mampu memberkan respon sstem ang bak meskpun pada unsur fuzz ang dgunakan hana memaka semblan rule dan keseblan rule tersebut dperoleh dengan cara mengkombnaskan varabel-varabel lngustk dar masukan e dan de. 5. KESIMPULAN Hasl smulas pengendalan sstem dengan waktu tunda menggunakan Fuzz Neural Network (FNN) controller menunukkan bahwa, meskpun dengan menggunakan rule base ang terbatas pada unsur logka fuzz, kemampuan belaar ang dmlk arngan saraf truan pada FNN mampu mengoptmalkan unsur-unsur logka fuzzna, sehngga respon sstem ang bak mampu dtunukkan oleh FNN controller untuk seluruh waktu tunda ang dukan. DAFTAR PUSTAKA Fausset, L., 1994, Fundamental of Neural Network, Prentce-Hall. Fuller, R., 1995, Neural Fuzz Sstems, Abo Akadem Unverst, Abo, Turk. Fu, L.M., 1994, Neural Network n Computer Intellgence, Internatonal Edton, McGraw Hll. A-88

8 Hanaf M, 2011, Implementas Sstem Hbrd Menggunakan Fuzz Neural Network untuk Memperbak Knera Sstem Kontrol Suspens Aktf Berbass Logka Fuzz, Prossdng Semnar Teknk Informatka 2011 (STI 2011), eds 1 Jul 2011, Unverstas Ahmad Dahlan, Yogakarta Kasabov, N.K., 1998, Foundatons of Neural Networks, Fuzz Sstems, and Knowledge Engneerng, Massachusetts Insttute of Technolog, England. Santoso F, 2003, Perbandngan Knera Sstem Kontrol Berumpan Balk (Feedback) Dengan Sstem Kontrol Berumpan Mau (Feedfoward) Pada Jarngan Penukar Panas (Heat Exchanger), Jurnal Teknk Mesn Unverstas Krsten Petra, Vol. 5, No.1 Aprl 2003, Yan, J., Ran, M., Power, J., 1994, Usng Fuzz Logc, Prentce Hall. A-89