DESAIN AUTOTUNING KONTROLER PID BERBASIS ALGORITMA NEURAL-NETWORK UNTUK SISTEM PENGATURAN CASCADELEVEL DAN FLOW LIQUID PADA PLANT COUPLED TANK

Transkripsi

1 TUGAS AKHI TE 4599 DESAIN AUTOTUNING KONTOLE PID BEBASIS ALGOITMA NEUAL-NETWOK UNTUK SISTEM PENGATUAN CASCADELEVEL DAN FLOW LIQUID PADA PLANT COUPLED TANK heza Qahmal Darmawan NP Doen Pembimbing Ir. Joko Suila MT., Imam Arifin ST., MT. JUUSAN TEKNIK ELEKTO Fakulta Teknologi Indutri Intitut Teknologi Sepuluh Nopember Surabaya 06L

2 FINAL POJECT TE 4599 DESIGN AUTOTUNING PID CONTOLLE BASED ON NEUAL-NETWOK ALGOITHM FO CASCADE LEVEL AND FLOW LIQUID CONTOL SYSTEM ON COUPLED TANKS heza Qahmal Darmawan NP Supervior Ir. Joko Suila MT. Imam Arifin ST., MT. DEPATEMENT OF ELECTICAL ENGINEEING Faculty of Indutrial Technology Sepuluh Nopember Initute of Technology Surabaya 06

3

4 Deain Autotuning Kontroler PID Berbai Algoritma Neural-Network Untuk Sitem Pengaturan Cacade Level dan Flow Liquid Pada Plant Coupled Tank heza Qahmal Darmawan Doen Pembimbing I Doen Pembimbing II : Ir. Joko Suila, MT. : Imam Arifin, ST., MT. ABSTAK Pada indutri proe yang melibatkan fluida, uatu fluida akan dipompa dan dialirkan dari atu tangki ke tangki yang lain untuk diolah. Pemindahan cairan dari atu tangki ke tangki yang lain meyebabkan berubahnya level fluida dalam tangki. Dalam pengaturan level, pemindahan cairan biaa diebut ebagai pembebanan pada level. Perubahan beban ini dapat mempengaruhi dari kinerja kontroler.. Kontroler yang banyak digunakan di indutri proe adalah kontroler PID karena keederhanaan truktur dan kehandalannya. Pada penerapan kontroler PID, tuning parameter kontroler ering dilakukan dengan proedur trial and error. Untuk tetap memenuhi peifikai kontrol yang diharapkan, maka perlu dilakukan tuning ulang parameter kontroler PID. Kontroler PID Neural Network ini dideain untuk dapat melakukan autotuning pada parameter kontroler PID ehingga dapat mengatai perubahan parameter pada plant dan menjaga performa dari plant. Berdaarkan hail imulai, item pengaturan level air pada plant coupled tank dengan PID Neural Network lebih baik dengan nilai MSE 0,044 % daripada kontroler PID dengan nilai MSE 0.35 %. Pada pengujian beban kontroler PI dengan konfigurai kontrol cacade mampu memberikan hail yang lebih baik dengan nilai MSE.3 %. Kata Kunci : Coupled tank kontroler PID, Neural Network vii

5 Deign Autotuning PID Controller baed on Neural- Network Algorithm for Cacade Level and Flow Liquid Control Sytem on Coupled Tank heza Qahmal Darmawan Supervior I Supervior II : Ir. Joko Suila., MT. : Imam Arifin ST., MT. ABSTACT In the indutrial procee involving fluid, a fluid to be pumped and drained from one tank to another tank for proceing. The tranfer of liquid from one tank to another led to change in the liquid level in the tank. In the level control, commonly referred to a the diplacement fluid loading level. Thi load change may affect the performance of the controller. The main control trategy ued i baed on the PID controller deign becaue i imple and robutne. In many time the controller tuning i done by trial and error. Plant in the indutry can change the parameter that reult from change in the load on the plant. To keep control of who i expected to meet the pecification it i neceary to retuning PID controller parameter. Neural Network PID controller i deigned to perform autotuning in PID controller parameter o that it can cope with change in the parameter of the plant and maintain the performance of the plant. Baed on imulation reult, level control ytem on plant coupled tank with PID Neural Network i better with MSE value 0.044% then controller PID with MSE value 0.35%. For load diturbance teting controller PID with cacade configuration control able to profit to better reult with MSE value.3 %. Keyword :Coupled tank, PID Controller, Neural Network ix

6 KATA PENGANTA Alhamdulillaahi obbil Alamin, terucap yukur kehadirat Allah ata limpahan rahmat dan karuninaya erta holawat erta alam terhadap Nabi bear Muhammad SAW ehinnga penuli dapat menyeleaikan Tuga Akhir ini yang berjudul Deain Autotuning Kontroler PID Berbai Algoritma Neural Network untuk Sitem Pengaturan Cacade Level dan Flow Liquid pada Plant coupled tank guna memenuhi peryaratan untuk mencapai Gelar Sarjana Teknik pada Bidang Studi Teknik Sitem Pengaturan, Juruan Teknik Elektro Fakulta Teknologi Indutri, Intitut Teknologi Sepuluh Nopember (ITS) Surabaya. Dalam keempatan ini penuli ingin mengucapkan terimakaih kepada pihak-pihak yang banyak berjaa terutama dalam penyuunan Tuga Akhir ini, yaitu:. Segenap keluarga bear terutama ibu Dr. Prihat Aih, ayah Agu Dwi Swandaru, dan adik Shabrina Dirmayanti tercinta yang elalu memberi dukungan, emangat, dan doa untuk keberhailan penuli.. Bapak Ir. Joko Suila, MT. dan Bapak Imam Arifin, ST., MT. elaku doen pembimbing yang telah banyak memberikan aran erta bimbingannya. 3. Bapak Moh. Abdul Hady ST., MT., elaku aiten doen yang elalu memberi aran dan emangatnya. 4. Seluruh doen bidang tudi Teknik Sitem Pengaturan dan Juruan Teknik Elektro ata pendidikannya dan ilmunya. 5. Seluruh rekan aiten Lab AJ-04 dan ata dukungan, emangat, bantuan, keberamaan, dan kerjaamanya elama ini. 6. Seluruh rekan E-5 ata dukungan, keberamaan dan kerjaamanya elama ini. 7. Serta pihak-pihak yang tidak dapat diebutkan atu peratu ata dukungannya terhadap penuli. Laporan Tuga Akhir ini maih jauh dari kata empurna, oleh karena itu penuli mengharapkan kritik dan aran dari pembaca. Semoga buku Tuga Akhir ini dapat memberikan manfaat bagi pembaca ebagai acuan penelitian elanjutnya. Surabaya, Januari 06 Penuli

7 DAFTA ISI PENYATAAN KEASLIAN TUGAS AKHI... iii LEMBA PENGESAHAN... v ABSTAK... vii ABSTACT... ix KATA PENGANTA... xi DAFTA ISI... xiii DAFTA GAMBA... xvi DAFTA TABEL... xix BAB PENDAHULUAN... Latar Belakang... Perumuan Maalah... Bataan Maalah... Tujuan Penilitian... 3 Metodologi... 3 Sitematika Penulian... 4 elevani... 5 BAB SISTEM PENGATUAN PLANT COUPLED TANK... 7 Sitem Pengaturan... 7 Konfigurai Sitem Pengaturan... 8 Single Loop... 8 Cacade... 9 Coupled Tank... Pemodelan Sitem Pengaturan Level Plant Coupled Tank... Pemodelan Pompa... 3 Pemodelan Pipa... 3 Pemodelan Tangki... 4 Pemodelan Senor Level... 8 Pemodelan Sitem Pengaturan Flow Plant Coupled Tank... 8 Pemodelan Senor Flow... 0 Kontroler PID [5]... 0 Diturbance [6]... Load Diturbance... Meaurement Noie... Jaringan Syaraf Tiruan (Artificial Neural Network) [7]... Konep Daar Pemodelan Neural Network... 3 Learning pada Neural Network... 4 xiii

8 PID Neural Network... 4 BAB 3 PEANCANGAN SISTEM... 7 Gambaran Umum Sitem... 7 Pemodelan Sitem Pengaturan Level Plant Coupled Tank... 8 Pemodelan Pompa... 8 Pemodelan Pipa... 8 Pemodelan Tangki... 8 Pemodelan Senor Level... 9 Fungi Alih Keeluruhan... 9 Pemodelan Sitem Pengaturan Flow Plant Coupled Tank... 9 Perancangan Kontroler Perancangan Kontroler PID dengan oot Locu Perancangan Kontroler PID dengan Metode Milue Viteckova Perancangan Kontroler PID-Neural Network Perancangan Human Machine Interface (HMI) BAB 4 PENGUJIAN DAN ANALISA Simulai Sitem Tanpa Kontroler epon Cloed Loop Proe Level epon Open Loop Proe Flow Simulai Sitem dengan Kontroler PID Simulai Pengaturan Level Single loop Variai Set point Simulai Pengaturan Level Single Loop Variai Parameter Kontroler (K p, i, Dan d ) Simulai Sitem Pengaturan Level Single Loop Dengan Diberi Beban Simulai Sitem Pengaturan Level Single Loop Dengan Noie 50 Simulai Sitem Pengaturan Flow Single Loop... 5 Simulai Sitem Pengaturan Level Konfigurai Cacade... 5 Simulai Sitem Pengaturan Level Konfigurai Cacade Dengan Diberi Diturbance Simulai Sitem dengan Kontroler PID Neural-Network Simulai Pengaturan Level Air Pada Tangki Simulai Dengan Varaiai Learning ate Simulai Sitem Pengaturan Level Dengan Pemberian Beban 57 BAB 5 PENUTUP... 6 Keimpulan... 6 Saran... 6 DAFTA PUSTAKA xiv

9 LAMPIAN xv

10 TABLE OF CONTENT AUTHENTICITY... iii APPOVAL SHEET... v ABSTAK... vii ABSTACT... ix PEFACE... xi TABLE OF CONTENT... xiii ILLUSTATION... xvi TABLES... xix CHAPTE INTODUCTION... Background... Problem... Problem Contraint... Objective... 3 Methodology... 3 Sytematic... 4 elevance... 5 CHAPTE COUPLED TANKS CONTOL SYSTEM... 7 Control Sytem... 7 Control Sytem Configuration... 8 Single loop... 8 Cacade... 9 Coupled Tank... Modelling Sytem Coupled Tank... Pump Modelling... 3 Pipe Modelling... 3 Tank Modelling... 4 Senor Level Modelling... 8 Flow Plant Coupled Tank Modelling... 0 Senor Flow Modelling... 0 PID Controller... 0 Diturbance... Load Diturbance... Meaurement Noie... Artificial Neural Network... 3 Baic Concept Neural Network Modelling... 3 Learning in Neural Network... 4 xiii

11 PID Neural Network... 4 CHAPTE 3 SYSTEM DESIGN... 7 Sytem Deign Preview... 7 Sytem Coupled Tank Modelling... 8 Pump Gain Tranfer Function... 8 Pipe Tranfer Function... 8 Tank Tranfer Function... 8 Senor Level Tranfer Function... 9 Tranfer function All... 9 Flow Modelling... 9 Deign Controller Deign PID Controller uing oot locu Deign PID Controller uing Milue Viteckova Method Deign PID-Neural Network Controller Deign Human Machine Interface (HMI) CHAPTE 4 EXPEIMENT and ANALYSIS Sytem Simulation without Controller Cloed Loop Level Proce epon Open Loop Flow Proce Sytem Simulation uing PID Controller Simulation Level Control Single Loop Set point Variation Simulation Level Control Single Loop Controller Parameter Variation (K p, i, dan d ) Simulation Level Control Single Loop with Diturbance Simulation Level Control Single Loop Noie variation Simulation Flow Control Sytem... 5 Simulation Water Level Control Sytem with Cacade Configuration... 5 Simulation Water Level Control Sytem with Cacade Configuration with noie... 5 Sytem Simulation uing PID Neural-Network Controller Simulation Water Level Control Sytem Simulation Uing Learning ate Variation Sytem Simulation with Diturbance BAB 5 CONCLUSION and SUGGESTION... 6 Concluion... 6 Suggetion... 6 BIBLIOGAPHY ENCLOSUE xiv

12 DAFTA GAMBA Gambar. Diagram blok item pengaturan... 7 Gambar. Sitem pengaturan level ingle loop... 8 Gambar.3 Diagram blok item pengaturan level ingle loop... 9 Gambar.4 Diagram blok item pengaturan konfigurai cacade... 9 Gambar.5 Sitem pengaturan level air dengan konfigurai cacade 0 Gambar.6 Model plant coupled tank... Gambar.7 Diagram blok pemodelan item pengaturan level... Gambar.8 Alur pemodelan flow... 9 Gambar.9 Model ump tank... 9 Gambar.0 Diagram blok kontroler PID... Gambar. Diagram blok item pengaturan dengan diturbance... Gambar. Model neuron... 3 Gambar.3 Diagram blok item pengaturan dengan kontroler PID Neural Network... 5 Gambar 3. Diagram blok item pengaturan level plant coupled tank... 7 Gambar 3. oot locu dari item G... 3 Gambar 3.3 oot locu plant etelah penambahan kontroler PID... 3 Gambar 3.4 Struktur Neural Network untuk autotuning PID Gambar 3.5 Image Navigator pada DSC Module Gambar 3.6 HMI dari plant coupled tank... 4 Gambar 3.7 Program imulai pengaturan level dengan menggunakan Control and Simulation Module... 4 Gambar 4. epon cloed loop item Gambar 4. epon open loop proe flow Gambar 4.3 epon plant dengan perubahan etpoint Gambar 4.4 epon plant dengan variai nilai K p untuk item G Gambar 4.5 epon plant dengan variai nilai i untuk item G Gambar 4.6 epon plant dengan variai nilai d untuk item G Gambar 4.7 epon plant dengan pemberian beban Gambar 4.8 epon plant dengan diberi noie Gambar 4.9 epon proe flow etelah diberi kontroler... 5 Gambar 4.0 epon pengaturan level konfigurai cacade dibandingkan dengan konfigurai ingle loop... 5 Gambar 4. Diagram blok item pengaturan konfigurai cacade dengan diturbance... 53

13 Gambar 4. epon dengan diturbance pada pengaturan level dengan konfigurai cacade dan konfigurai ingle loop Gambar 4.3 Efek pemberian beban pada repon plant Gambar 4.4 epon plant item pengaturan level dengan kontroler PID Neural Network Gambar 4.5 Perubahan parameter kontroler keluaran Neural Network Gambar 4.6 epon plant dengan variai learning rate Gambar 4.7 Simulai item pengaturan level dengan pemberian beban untuk konfigurai ingle loop dengan kontroler PID-NN 57 Gambar 4.8 Simulai item pengaturan level dengan pemberian beban untuk konfigurai cacade dengan kontroler PID-NN Gambar 4.9 Perubahan parameter kontroler keluaran Neural Network untuk PID Neural Network dengan konfigurai ingle loop Gambar 4.0 Perubahan parameter kontroler keluaran Neural Network untuk PID Neural Network dengan konfigurai cacade 59

14 DAFTA TABEL Tabel. Paramater pemodelan plant... 3 Tabel 3. Nilai Parameter dan C pemodelan tangki... 8 Tabel 3. Tuning Parameter Kontroler PID dengan metode Milue Viteckova Tabel 3.3 Iniiai weight input layer menuju hidden layer Tabel 3.4 Iniiai weight hidden layer menuju output layer... 39

15 Halaman ini engaja dikoongkan

16 BAB PENDAHULUAN Pada Bab ini beriikan penjelaan awal mengenai penelitian yang akan dilakukan. Penjelaan terebut meliputi latar belakang maalah, permaalahan yang diangkat, bataan maalah yang digunakan, tujuan dari penelitian ini, itematika penulian, penyuunan laporan dan juga relevani. Latar Belakang Pada indutri proe eperti indutri petro-chemical, pembuatan kerta, dan indutri pengolahan air yang melibatkan cairan, uatu cairan akan dipompa dan dialirkan dari atu tangki ke tangki yang lain untuk diolah. Ada beberapa jeni tangki yang banyak digunakan pada indutri proe. Ada jeni tangki yang tidak terhubung dengan tangki yang lain (ingle tank) dan ada yang teruun dari beberapa tangki yang aling berhubungan (coupled tank) []. Coupled tank digolongkan pada plant dengan item Multi Input Multi Output (MIMO) atau proe multivariable. Pengaturan pada plant MIMO lebih ulit dibanding plant dengan item Single Input Single Output (SISO). Karena adanya interaki ilang antara variabel maukan dan keluaran, ehingga metode kontrol yang diterapkan pada item SISO bia tidak dapat digunakan ecara baik pada item MIMO []. Pada pengaturan level air di coupled tank, level pada tangki kedua akan dipengaruhi oleh aliran cairan dari tangki pertama. Pemindahan cairan dari atu tangki ke tangki yang lain meyebabkan berubahnya level cairan dalam tangki. Dalam pengaturan level, pemindahan cairan biaa diebut ebagai pembebanan pada level. Perubahan beban ini dapat mempengaruhi dari kinerja kontroler. Kontroler yang umum digunakan pada indutri adalah kontroler PID karena keederhanaan trukturnya dan kehandalanya [3]. Pada etiap perangkat kontrol di indutri eperti programmable logic controller (PLC) teredia kontroler PID dengan tambahan fitur autotuning untuk memudahkan operator menjalankan item kontrol umpan balik dengan PID. Tuning parameter kontroler PID dilakukan dengan menyeuaikan nilai proportional gain (Kp), integral time (Ʈ i ), derivative time (Ʈ d ) agar tercapai peifikai yang diinginkan. Pada prakteknya di dunia indutri tuning parameter PID ering dilakukan dengan cara trial and error.

17 Proedur ini akan memakan banyak waktu dan membutuhkan eorang operator yang handal [4]. Akan tetapi apabila plant ering mengalami perubahan beban maka kontroler PID perlu dilakukan tuning parameter ulang agar tetap memenuhi peifikai kontrol yang diharapkan. Sehingga perlu diterapkan metode autotuning parameter kontroler PID yang dapat meminimumkan akan adanya error bila tuning dilakukan dengan proedur trial and error dan tetap menjaga peifikai kontrol yang diharapkan. Metode autotuning yang akan digunakan adalah penggunaan algoritma cerda Neural Network. Algoritma Neural Network ini digunakan untuk mempelajari perubahan beban pada plant dan akan melakukan tuning parameter kontroler PID ecara otomati elama proe berlangung ehingga dapat memenuhi peifikai kontrol yang diinginkan. Perumuan Maalah Permaalahan yang ering muncul adalah perubahan parameter plant akan menyebabkan performa kontroler PID tidak euai dengan kondii parameter mula-mula. Untuk mememuhi peifikai kontroler yang diinginkan pada etiap nilai parameter plant, maka parameter kontroler PID haru dilakukan tuning ulang etiap kali terjadi perubahan plant. Pada prakteknya tuning parameter kontroler PID ering dilakukan dengan cara trial and error, akan tetapi cara terebut memiliki reiko cukup tinggi yang dapat berdampak pada plant apabila error dalam melakukan tuning parameter, dan juga proedur ini akan memakan banyak waktu dan membutuhkan operator yang handal atau telah berpengalaman. Sehingga diperlukan uatu metode autotuning parameter kontroler PID yang dapat memperbarui parameter kontroler PID untuk tetap menjaga peifikai kontrol euai dengan yang diharapkan Bataan Maalah Plant coupled tank merupakan plant dengan dua tangki atau lebih yang bia digolongkan pada plant MIMO, SISO atau SIMO. Pada tuga akhir ini yang akan dibaha adalah mengenai pengaturan level dengan Sitem SISO. Implemantai kontroler pada imulator plant yang dibuat pada LabVIEW, belum hingga ke implementai pada plant real. Pengendalian level air diterapakan pada tangki dua dari plant coupled tank. Dalam pengujian noie pada item pengaturan level coupled tankini digunakan Additive White Gauian Noie (AWGN).

18 Tujuan Penilitian Penerapan metode autotuning kontroler PID menggunakan algoritma cerda Neural Network untuk item pengaturan level pada imulator plant coupled tank dan membandingkan unjuk kerjanya dengan kontroler PID konvenional. Metodologi Dalam melakanakan penilitian ini, dilakukan melalui beberapa tahapan yang dilalui diantaranya:. Studi Literatur Studi literatur ini dilakukan untuk mengenal topik penelitian dengan baik. Studi literatur ini meliputi mencari dan mempelajari literatur, buku-buku, dan paper yang relevan dengan penelitian ini mengenai materi item pengaturan pada plant coupled tank, item pengaturan cacade, jaringan yaraf tiruan (Artificial Neural Network), kontroler PID, dan PID Neural Network.. Pemodelan Plant Pada penelitian ini plant yang digunakan adalah imulator plant coupled tank yang dibangun pada perangkat lunak LabVIEW, ehingga dibutuhkan model untuk dapat memberikan gambaran dari real ytem. Pemodelan plant ini dilakukan dengan menurunkan peramaan matemati dari plant coupled tank. 3. Perancangan Kontroler Berdaarkan model plant yang telah didapat, kemudian model terebut diuji tanpa kontroler. Dari permaalahan yang muncul dari hail pengujian tanpa kontroler terebut maka akan dirancang kontroler euai dengan peifikai repon yang diinginkan. Metode kontroler yang akan digunakan adalah kontroler PID dengan perhitungan gain (K p, i, dan d ) menggunakan metode root locu dan PID Neural Network dengan algoritma pembelajaran Backpropagation. 4. Simulai Hail pemodelan item dan perancangan kontroler diimulaikan terlebih dahulu ebelum diimplementaikan dengan menggunakan bantuan perangkat lunak imulai. 5. Implemantai Hail imulai yang didapat kemudian diimplementaikan pada imulator plant coupled tank. Hail implementai ini kemudian 3

19 dianalia euai dengan teori yang digunakan. Dari hail analia terebut kemudian bia didapatkan mengenai keimpulan dari Tuga Akhir ini 6. Penulian Buku Tuga Akhir Penulian buku Tuga Akhir ini dilakukan ebagai dokumentai dari hail penelitian yang dilakukan. Penulian buku ini berupa laporan ilmiah yang mencakup emua proe pengerjaan penelitian ini Sitematika Penulian Secara keeluruhan, itematika penulian Tuga Akhir ini dibagi menjadi lima bab dengan itematika ebagai berikut: BAB : PENDAHULUAN Bab ini meliputi latar belakang, perumuan maalah, bataan maalah, tujuan penelitian, itematika laporan, dan relevani penulian Tuga Akhir BAB : SISTEM PENGATUAN PLANT COUPLED TANK Teori daar yang digunakan ebagai pendukung dalam penelitian ini akan dibaha pada BAB ini diantaranya plant coupled tank, kontroler PID, dan PID Neural Network BAB 3 : PEANCANGAN SISTEM Tahapan-tahapan dalam perancangan item yang meliputi deain dan perancangan kontroler PID dan autotuning PID dengan Neural Network berdaarkan teori pada BAB. Selain itu dibaha juga mengenai tahapan algoritma kontrol yang dibuat. BAB 4 : HASIL PENGUJIAN DAN ANALISA Pelaporan data hail imulai diertai dengan analii mengenai hail yang didapatkan dari pengujian item yang dilakukan BAB 5 : KESIMPULAN DAN SAAN Penulian keimpulan berdaarkan data yang telah diambil dan dianalia. Selain itu juga diertakan aran mengenai kekurangan dari penelitian ini dan rencana riet elanjutnya yang bia dikembangkan. 4

20 elevani Manfaat yang didapat dari penelitian ini nantinya diharapkan kotroler PID dengan autotuning menggunakan Neural Network mampu diterapkan pada plant coupled tank atau pengaturan proe lainnya dan mampu mengatai permaalahan khuunya perubahan beban pada plant. 5

21 BAB SISTEM PENGATUAN PLANT COUPLED TANK Kegiatan peneilitian dan perancangan merupakan hail mengkaji teori-teori yang udah ada ebelumnya. Seluruh teori yang digunakan kemudian diajikan untuk memperkuat argumen penuli dalam penelitian ini. Pada Bab ini, berii tentang teori penunjang dari berbagai putaka atau literatur eperti buku dan paper yang mendukung peneltian ini. Teori penunjang pada Bab ini meliputi plant coupled tank, Neural Network, kontroler PID, dan kontroler PID-Neural Network. Sitem Pengaturan Sitem merupakan ekumpulan perangkat yang aling bekerja ama untuk mencapai tujuan tertentu. Pengaturan adalah ebuah metode untuk membuat nilai uatu variabel mencapai nilai tertentu yang kita inginkan. Contohnya menjaga ketinggian level air pada tangki pada ketinggian 50 cm. Secara umum, maka item pengaturan adalah ekumpulan perangkat atau elemen yang aling bekerja ama untuk mencapai objektif pengaturan atau kontrol euai dengan yang kita kehendaki. Sitem pengaturan terdiri dari beberapa elemen yang dapat dijelakan lebih detail menggunakan diagram blok eperti pada Gambar.. Gambar. Diagram blok item pengaturan Elemen utama pada item pengaturan euai dengan diagram blok pada Gambar. adalah plant, kontroler, aktuator, dan enor. Plant merupakan elemen yang dikendalikan nilai keluarannya. Kontroler adalah yang bertuga mengendalikan keluaran dari plant dan memperbaiki performa dari uatu item pengaturan. Aktuator atau biaa diebut final 7

22 control element adalah perangkat yang berhubungan langung dengan plant. Senor berfungi untuk membaca nilai keluaran dari plant. Pada item pegaturan ada tiga parameter nilai yaitu et point atau et value (SV), manipulated value (MV), dan proce value (PV). Set point merupakan nilai dari keluaran proe atau plant yang kita kehendaki. Manipulated value (MV) atau biaa diebut dengan inyal kontrol merupakan keluaran dari kontroler, edangkan proce value (PV) merupakan hail pembacaan dari enor terhadap nilai keluaran dari plant. Konfigurai Sitem Pengaturan Sitem pengaturan yang ada pada Gambar. digambarkan ebagai cloed loop ytem dikarenakan adaya umpan balik dari plant menuju kontroler. Keputuan pemilihan konfigurai ini bertujuan untuk objektif kontrol dapat terpenuhi euai dengan peifikai yang dikehendaki. Konfigurai cloed loop ytem yang ering dijumpai adalah ingle loop dan cacade. Single Loop Konfigurai ingle loop merupakan konfigurai item kendali paling ederhana dimana hanya terdapat atu buah loop dengan atu kontroler untuk memenuhi objektif kontrol. Diagram blok dari item pengaturan dengan konfigurai ingle loop ini ama eperti pada Gambar.. Contoh implementai dari konfigurai ini eperti pada Gambar. Gambar. Sitem pengaturan level ingle loop 8

23 Seuai dengan diagram blok pada Gambar. yang bertindak ebagai plant adalah tangki dengan proe yang dikendalikan adalah ketinggian air pada tangki, ebagai kontroler adalah level controler, pneumatic control valve berfungi ebagai aktuator atau final control element, dan level tranmitter berfungi ebagai enor. Apabila direpreentaikan dalam diagram blok maka eperti pada Gambar.3. Gambar.3 Diagram blok item pengaturan level ingle loop Cacade Struktur item pengaturan cacade atau biaa diebut juga dengan mater-lave controller, terdiri ata dua atau lebih loop kontrol yang aling berinteraki dengan diagram blok eperti pada Gambar.4. Proe yang berjalan lebih cepat dijadikan ebagai inner loop, edangkan untuk proe yang berjalan lebih lambat ebagai outer loop. Dalam item pengaturan konfigurai cacade ini terdapat dua kontroler yang digunakan yaitu inner controller dan outer controller, dimana outer controller memberikan et point pada inner controller, dua buah enor atau meaurement device untuk mengukur dua variabel proe yang berbeda, dan hanya atu aktuator atau final control element yang digunakan. Gambar.4 Diagram blok item pengaturan konfigurai cacade 9

24 Salah atu contoh implemantai dari konfigurai ini adalah pengaturan level eperti pada Gambar.5. Proe pengendalian level rentan mengalami gangguan akibat flow rate yang tidak kontan. Gambar.5 Sitem pengaturan level air dengan konfigurai cacade Pada proe pengendalian level air ini yang bertindak ebagai inner loop adalah proe flow karena memiliki repon yang lebih cepat daripada proe level ehingga proe level ditempatkan pada outer loop Kontroler dari proe level ini akan memberikan et point kepada kontroler proe flow yang ditempatkan pada inner loop. Dari Gambar.5 dapat dilihat bahwa aktuator atau final control element yang digunakan hanya atu yaitu pneumatic control valve untuk mengatur laju aliran air yang mauk ke tangki. Untuk enor digunakan dua jeni yang berbeda yaitu level tranmitter yang ditempatkan pada outer loop dan flow tranmitter yang ditempatkan pada inner loop. Konfigurai cacade ini memiliki beberapa kelebihan dibanding dengan ingle loop yaitu: ) Mampu meredam diturbance yang terjadi pada inner loop ehingga tidak berakibat pada outer loop ) Mampu mengkompenai efek non-linear aktuator pada inner loop ehingga bia didapatkan repon yang linear pada outer loop 0

25 Pada konfigurai cacade ini juga memiliki beberapa kelemahan dibanding dengan konfigurai ingle loop yaitu: ) Membutuhkan tambahan enor atau meaurement device untuk bekerja ) Adanya kontroler tambahan yang perlu di tuning parameter kontrolernya 3) Strategi kontrol yang diterapkan lebih komplek. Coupled Tank Plant coupled tank merupakan tangki dengan konfigurai dua tangki atau lebih yang aling berhubungan dengan ebuah pipa atau aluran air eperti pada Gambar.6. Adanya hubungan antara tangki ini membuat level cairan pada etiap tangki aling berinteraki atau berhubungan. Konfigurai tangki eperti ini banyak digunakan pada indutri proe eperti indutri petro-chemical, pembuatan kerta, dan indutri pengolahan air. Gambar.6 Model plant coupled tank

26 Level cairan pada tangki pertama ditunjukkan ebagai H dan H untuk level tangki kedua. Flow cairan yang mauk pada tangki dilambangkan ebagai Q i. Untuk flow cairan yang keluar dari tangki ditunjukkan ebagai Q b untuk tangki pertama, Q c tangki kedua, dan Q a ebagai flow interaki antara tangki pertama dan tangki kedua. Sitem coupled tank dapat dikonfiguraikan ebagai item Single Input Single Output (SISO), Multi Input Multi Output (MIMO), atau Single Input Multi Output (SIMO) berdaarkan manipulai maukan pada pompa dan daerah kerja dari rotary valve yang terdapat pada plant coupled tank. Jika berdaar model pada Gambar. maka plant ini bia digolongkan ebagai item SIMO karena hanya memiliki atu maukan berupa aliran mauk air pada tangki atu dan untuk keluaran adalah level pada kedua tangki. Pemodelan Sitem Pengaturan Level Plant Coupled Tank Sitem yang akan dirancang adalah item pengaturan level dengan konfigurai SISO yaitu pengaturan level pada tangki ke dua, dengan ditunjukkan maukan berupa tegangan pada pompa air untuk memberi aliran air mauk ke tangki dan keluaran berupa level air pada tangki atu atau dua. Model dari plant coupled tank eperti pada Gambar.6. Proe pemodelan dimulai dari pemodelan pompa, pipa, tangki pada plant coupled tank dan enor yang digunakan eperti pada Gambar.7. Gambar.7 Diagram blok pemodelan item pengaturan level Parameter yang digunakan pada pemodelan item pengaturan level ini dapat dilihat pada Tabel.. Dalam pemodelan uatu item diperlukan juga untuk mengetahui karakteritik dari komponen etiap penyuun item. Sebagai contoh pada pompa perlu diketahui berapa tegangan makimal kerja pompa, cara kerja dari pompa. Dengan diketahui dengan detail mengenai karakteritik dari item maka model matemati yang akan dibuat bia lebih akurat dan juga dalam real item maka akan

27 diketahui permaalahan yang timbul apabila ada karakteritik dari etiap komponen yang diabaikan. Tabel. Paramater pemodelan plant Simbol Keterangan Satuan Debit air yang Q i mauk ke tangki 3 cm / Q a Q keluar dari 3 cm / c tangki dan Debit air yang Debit air yang Q b keluar dari tangki menuju tangki Ketinggian air dalam tangki dan 3 cm / cm H, H A, A Lua ala tangki cm a Diameter pipa cm eitani control valve L Panjang pipa cm Kapaitani C tangki cm / cm Pemodelan Pompa Pompa yang digunakan dalam item ini adalah pompa DC dengan rentang maukan tegangan 0 0 V dan debit air keluar dengan rentang l/menit. Dari pemodelan ini akan didapatkan nilai penguatan yang dilambangkan dengan K. K dirumukan dengan debit air keluar dari pompa terhadap maukan berupa tegangan eperti pada Peramaan (.) entang debit air yang keluar dari pompa (cm /) K (.) entang tegangan maukan (V) 3 3

28 Pemodelan Pipa Pemodelan pipa pada item pengaturan level ini untuk mencari tahu bearnya waktu tunda yang dilambangkan dengan yang diakibatkan volume pipa yang digunakan. Semakin bear volume pipa maka aliran air dari pompa menuju ke tangki akan emakin lama ehingga waktu tunda dalam item juga emakin bear. Hubungan waktu tunda dengan panjang pipa dapat dirumukan pada Peramaan (.) Volume pipa (cm ) θ (.) 3 Debit air yang mauk ke pipa (cm /) Pemodelan Tangki Konfigurai tangki pada plant coupled tank ini merupakan tangki yang aling berhubungan. Parameter utama dalam item tangki air adalah kapaitani tangki dan reitani jalur pembuangan. Kapaitani tangki ini mirip eperti pada kapaitor. Yaitu ketika proe pengiian air pada tangki mirip dengan proe charge, dan ketika pembuangan air eperti proe dicharge pada kapaitor. eitani ini didefiniikan ebagai hambatan pada aat proe pembuangan air dikarenakan debit air yang keluar dipengaruhi oleh bukaan dari valve. Pemodelan matemati pada tangki ini berdaarkan hukum keetimbangan maa eperti pada Peramaan (.3) 3 Q Q in Q out (.3) Berdaarkan Peramaan (.3) maka perubahan level air pada tangki dan tangki di plant coupled tank eperti pada Peramaan (.4) dan Peramaan (.6). C dh Qi Qa Qb (.4) dt dh C Q a Q (.5) c dt 4

29 Dimana C, C adalah efek kapaitani pada tangki. Kapaitani uatu tangki ama dengan lua permukaan penampang tangki. Tangki yang dimodelkan ini memiliki bentuk ala yaitu peregi dengan ukuran iinya 7 cm. Sehingga didapat parameter untuk C, C eperti pada Peramaan (.6). Dimana A merupakan lua penanpang dari tangki. 3 Perubahan volume air (cm ) C A (.6) Perubahan ketinggian air (cm) Untuk dan 3 didefiniikan ebagai reitani atau hambatan aat terjadi proe pembuangan air melalui control valve. Hal ini dikarenakan debit air yang keluar bergantung pada bukaan dari control valve. Peramaan untuk, dan 3 ini eperti pada Peramaan (.7) Perubahan ketinggian air (cm ) (.7) 3 Perubahan debit air yang keluar (cm /) Dari Peramaan (.7) dapat diketahui debit air yang keluar eperti pada Peramaan (.8) 3 h0 Q0 (.8) Dari Peramaan (.8) didapat peramaan untuk maing-maing debit air yang keluar dari etiap tangki eperti pada Peramaan (.9), (.0), dan (.) Q a h h (.9) h Q c (.0) 5

30 6 3 h Q b (.) Kemudian diubtituikan Peramaan (.9), (.0) dan (.) pada Peramaan (.4) dan (.5) ehingga didapat Peramaan eperti pada Peramaan (.) dan (.3) 3 h Q h h dt dh C i (.) h h h dt dh C (.3) Dari Peramaan (.) dan (.3) kemudian dilakukan Tranformai Laplace ehingga diperoleh Peramaan (.4) dan (.5) ) ( ) ( ) ( 3 H Q H C i (.4) ) ( ) ( H H C (.5) Dari Peramaan (.4) diperoleh peramaan untuk ) ( H eperti pada Peramaan (.6) 3 ) ( ) ( ) ( C H Q H i (.6) Dari Peramaan (.6) diubtituikan ke Peramaan (.5) ehingga diperoleh Peramaan (.7)

31 7 3 ) ( ) ( ) ( C H Q H C i (.7) Kemudian dilakukan perhitungan dari Peramaan (.7) didapatkan Peramaan (.8), (.9), dan (.0) 3 ) ( ) ( ) ( C H Q H C i (.8) H Q H C C i 3 ) ( ) ( ) ( (.9) ) ( ) ( ) ( Q H C C C C C C i.(.0) Dari Peramaan (.0) diperoleh peramaan fungi alih antara ) ( H dan ) ( Q i eperti pada Peramaan (.) ) ( ) ( C C C C C C Q H i...(.) Untuk pemodelan level air pada tangki, maka diperoleh Peramaan untuk ) ( H eperti pada Peramaan (.)

32 8 a Q H C H i ) ( ) ( ) ( 3 (.) Dari Peramaan (.) ini kemudian diubtitui ke Peramaan (.5) ehingga didapatkan Peramaan (.3). Dengan melakukan perhitungan pada Peramaan (.3) maka bia didapatkan Peramaan (.4) mengenai hubungan antara H yaitu lever air pada tangki atu dengan Q i, aliran mauk air ke tangki atu. ) ( ) ( ) ( 3 H Q H C C i (.3) ) ( ) ( Q C H C C C C C C i...(.4) Didapat fungi alih untuk pemodelan level air tangki eperti pada Peramaan (.5) ) ( ) ( C C C C C C C Q H i...(.5) Pemodelan Senor Level Senor level yang akan dimodelkan ini bertipe floating dengan keluaran dari enor berupa tegangan dengan rentang 0 0 V dan rentang ketinggian antara 0-8 cm. Dari pemodelan ini akan didapat nilai gain / penguatan K. K dirumukan berupa perbandingan rentang kerja dari pompa terhadap maukan berupa tegangan eperti pada Peramaan (.6)

33 entang tegangan keluaran ( V ) K (.6) entang ketinggian air dalam tangki ( cm) Pemodelan Sitem Pengaturan Flow Plant Coupled Tank Konfigurai kontrol yang digunakan pada penelitian ini adalah konfigurai cacade antara proe level dan flow. Proe flow ini dimodelkan euai dengan alur eperti pada Gambar.8. Proe pemodelan dimulai dari pemodelan flow yang keluar dari tangki ump tank, pemodelan pompa, pipa, dan enor flow. Gambar.8 Alur pemodelan flow Pemodelan matemati flow ini diturunkan dari model ump tank pada Gambar.9 Gambar.9 Model ump tank 9

34 Dari model ump tank ini didapat peramaan matemati plant eperti pada Peramaan (.7) C dh ( q q ) dt (.7) i Dari Peramaan.7 dapat diturunkan peramaan dari h eperti pada Peramaan.8 o h qo. (.8) Kemudian dari Peramaan (.8) ini diubtituikan ke Peramaan (.7) eperti pada Peramaan (.9). Dari Peramaan (.9) ini kemudian di tranformai Laplace ehingga didapatkan Peramaan (.30) C dq dt 0 q 0 q i (.9) C Q o Qi (.30) Dari Peramaan (.30) kemudian didapatkan peramaan fungi alih untuk flow eperti pada Peramaan (.3) Qo (.3) Q C i Pemodelan Senor Flow Elemen terakhir yang perlu dimodelkan euai alur pemodelan pada Gambar.3 adalah enor flow. Senor flow ini memiliki rentang pembacaan flow ltr/menit dengan rentang keluaran 0-0 V. Satuan 3 dari pembacaan flow ini dirubah kedalam atuan cm /. Pemodelan untuk enor flow ini eperti pada Peramaan (.3) 0 V entang tegangan keluaran enor K 3 3 (.3) entang flow air cm /

35 Kontroler PID [5] Kontroler PID merupakan alah atu jeni kontroler konvenional yang terbukti handal dan banyak digunakan di indutri. Sebagai contoh di Jepang, ekitar 84% dari proe indutri menggunakan kontroler PID [6]. Keederhanaan truktur kontroler PID juga menjadi alah atu alaan mengapa kontroler ini angat mudah diimplementaikan di mana aja. Kontroler PID memiliki tiga komponen penyuun utama yaitu kontanta proporional yang dilambangkan dengan K p, kontanta waktu integral dengan i, dan kontanta waktu differenial dengan d eperti pada Gambar.0. Gambar.0 Diagram blok kontroler PID Dalam peramaan matemati, keluaran dari kontroler PID dapat dirumukan pada Peramaan (.33). t u( t) K p e( t) e( t) dt d i 0 d( e( t)) dt (.33) Ketiga kontanta terebut yang kemudian diebut dengan parameter kontroler PID. Kelebihan dari kontroler PID alah atunya adalah menghilangkan kealahan keadaan tunak yang belum bia diatai apabila hanya menggunakan kontroler proporional. Performa kontroler PID angat ditentukan oleh nilai parameter PID. Untuk memenuhi peifikai item pengaturan yang diharapkan, parameter PID haru dihitung terlebih dahulu. Ada berbagai macam

36 metode perhitungan nilai parameter PID, yaitu metode analiti, Zieger Nichol, Cohen-Coon, dan lain ebagainya. Diturbance [6] Dalam item pengaturan elalu terdapat gangguan yang dapat mengakibatkan repon dari item berubah dari nilai yang diinginkan. Gangguan pada item pengaturan in dibedakan menjadi tiga yaitu, perubahan etpoint ( y ), gangguan pembebanan ( l ), dan noie p pengukuran ( n ). Diagram blok dari item pengaturan dengan adanya diturbance dan meaurement noie eperti pada Gambar.. Gambar. Diagram blok item pengaturan dengan diturbance Load Diturbance Gangguan berupa beban biaanya didominai gangguan berfrekueni rendah. Seperti contoh adalah pengaturan kecepatan pada mobil yang bebannya berupa gaya gravitai yang diebabkan oleh perubahan kemiringan jalan. Gangguan ini berubah ecara perlahan dikarenakan perubahan kemiringan jalan berubah ecara lambat ketika kita mengendarai mobil. Sinyal tep dan ramp banyak digunakan pada imulai atau prototype ebagai gangguan beban. Meaurement Noie Berdaarkan pengertiannya, noie merupakan komponen yang tidak diinginkan pada inyal atau variabel. Meaurument noie dapat meruak informai mengenai variabel proe yang dikirim oleh enor yang terdapat pada plant. Gangguan berupa meaurement noie biaanya didominai gangguan berfrekueni tinggi. ata-rata nilai dari daya pectral noie ini biaanya nol, jika tidak maka enor dapat mengirimkan inyal informai yang alah atau tidak akurat ehingga menyulitkan

37 pengaturan pada proe atau plant. Salah atu contoh noie adalah Additive White Gauian Noie (AWGN) Noie AWGN merupakan noie yang pati terjadi dalam jaringan nirkabel manapun, memiliki ifat-ifat additive, white, dan Gauian. Sifat additive artinya noie ini dijumlahkan dengan inyal, ifat white artinya noie tidak bergantung pada frekueni operai item dan memiliki rapat daya yang kontan, dan ifat Gauian artinya bearnya tegangan noie memiliki rapat peluang terditribui Gauian. Jaringan Syaraf Tiruan (Artificial Neural Network) [7] Artificial Neural Network dimulai ketika tahun 940-an para ilmuwan menemukan bahwa pikologi otak manuia ama dengan mode pemroean yang dilakukan oleh komputer. Tahun 943 McCulloch dan Pitt memperkenalkan model Neural Network untuk pertama kalinya. Pada tahun 954 Farley dan Clark yang pertama kali berhail menjalankan imulai komputer Neural Network, kemudian pada tahun 958 Frank oenblat mengembangkan konep daar tentang perceptron untuk klaifikai pola. Artificial Neural Network bekerja menurut prinip kerja jaringan yaraf manuia. Sebuah neuron mendapatkan maukan dari dendrit dan memberikan keluaran melalui akon. Informai mauk kedalam yaraf melalui dendrit. Dendrit ini bertuga mengumpulkan informai dan menerukannya ke badan el. Pada badan el, informai yang telah dikumpulkan diolah dengan proe tertentu dan menghailkan inyal keluaran. Keluaran dari badan el diterukan ke el yaraf berikutnya melalui akon. Akon ini akan terhubung dengan dendrit el yaraf berikutya. Sambungan akon el yaraf atu dengan dendrit el yaraf lainnya diebut inapi. Kekuatan ambungan pada inapi menentukan eberapa bear informai yang diterukan oleh el yaraf ebelumnya dapat diterima oleh el yaraf berikutnya, yang kemudian diebut dengan bobot. Konep Daar Pemodelan Neural Network Tiruan neuron dalam truktur Neural Network adalah ebagai elemen proe yang dapat berfungi eperti halnya ebuah neuron. Model dari neuron pada Neural Network ini eperti pada Gambar., dimana p i merupakan maukan pada neuron dan w i merupakan bobot atau weight. Sinyal maukan p i ini akan dikalikan dengan nilai w i. Nilai keluaran dari neuron ini dapat dirumukan eperti pada Peramaan (.34) 3

38 Gambar. Model neuron a n f ( z) f p i w i (.34) i Dimana merupakan nilai bia, dan f merupakan fungi aktivai pada neuron. Tingkat aktivai dari neuron dapat berharga dikrit yaitu 0 dan, atau kontinyu yaitu antara 0 dan. Hal terebut bergantung pada fungi aktivai yang digunakan. Ada berbagai macam fungi aktivai yang digunakan yaitu: ) Trehold function ) Hard limit function 3) Sigmoid function 4) Linear Function Dari macam-macam fungi aktivai pada neuron, yang paling ering digunakan adalah igmoid function karena dianggap lebih mendekati dari kinerja inyal pada otak manuia. Learning pada Neural Network Learning pada ANN dilakukan dengan merubah bobot agar mencapai target yang diinginkan. Ada tiga metode dalam learning, yaitu. a. Supervied learning Supervied learning adalah metode pembelajaran yang diarahkan untuk mempelajari contoh-contoh yang telah diediakan. b. Unupervied learning 4

39 Unupervied learning mempelajari pola informai dari maukan namun tidak ada feedback yang ecara tega menjelakan target yang akan dicapai. c. einforced learning einforced learning mempelajari pola maukan dan keluaran berdaarkan konep reward and punihment. Jika keluaran bergerak menuju target yang diinginkan, maka diberikan reward. Namun jika keluaran bergerak menjauhi target yang diinginkan, maka diberikan punihment. PID Neural Network Kontroler PID-Neural Network terdiri ata kontroler PID ebagai kontroler utama dan Neural Network ebagai algoritma cerda yang dapat melakukan tuning parameter kontroler PID dengan diagram blok eperti pada Gambar.4 Gambar.3 Diagram blok item pengaturan dengan kontroler PID Neural Network Algoritma dari kontroler PID berbai backpropagation ini dapat ditulikan ebagai berikut: ) Memilih truktur dari backpropagation Neural Network, jumlah layer, jumlah neuron pada etiap layer, memberi iniialiai weight 5

40 pada jaringan etiap layer, memilih learning rate dan koefiien ineria ) Mendapatkan nilai r(k) reference dari dan e(k) dari ampling, dan kemudian menghitung error e(k)=r(k)-y(k), dimana i=k, k-,, k-p 3) Normaliai dari etiap nilai proe r(i), y(i), u(i-) dan e(i) yang kenudian digunakan ebagai maukan pada Neural Network 4) Menghitung etiap nilai pada maukan value dan keluaran value etiap layer pada Neural Network, dan output layer dari Neural Network ebagai nilai parameter Kp, Ki, dan Kd 5) Melakukan training ecara on-line, dengan merubah bobot pada etiap neuron dengan menggunakan algoritma pembelajaran Backpropagation 6) Pada iterai berikutnya atau k=k+ maka kembali ke langkah nomor Pada domain waktu kontinyu Peramaan kontroler PID eperti pada Peramaan (.35) t d( t) u( t) K p[ e( t) e( t) dt Td ] (.35) T dt i 0 Karena kontroler ini akan diproe di komputer maka diubah kedalam bentuk dikrit eperti pada Peramaan (.36) u( n) u( n ) Kp( e( n) e( n )) K e( n) K ( e( n) e( n ) e( n ) i...(.36) Dengan Kp, Ki, dan Kd merupakan proportional, integral, dan derivative gain. U(n) melambangkan maukan plant pada nt dan e(n) merupakan error antara nilai yang diinginkan atau et point dengan nilai aktual dari item eperti pada Peramaan (.37) 6 d e( n) r( n) y( n) (.37) Setiap layer terdiri ata N, N, dan N 3 neuron, dimana untuk neuron N, N dapat dipilih ecara trial dan error tergantung pada komplekita dari plant dan N 3 bernilai ama dengan jumlah parameter PID. Metode

41 Backpropragtion ini memerlukan nilai E atau indek performani yang perlu diminimalkan. Peramaan indek performani yang digunakan eperti pada Peramaan (.38). E ( r( n) y( n)) (.38) 7

42 BAB 3 PEANCANGAN SISTEM Pada Bab ini dibaha mengenai perancangan item pengaturan level fluida pada imulator plant coupled tank. Dimulai dari pemodelan plant coupled tank, perancangan kontroler PID dengan root locu dan kontroler PID- Neural Network, dan perancangan HMI. Gambaran Umum Sitem Sitem yang akan dibangun pada penelitian ini merupakan item pengaturan level cacade dengan flow yang akan diterapkan pada imulator plant coupled tank. Diagram blok dari item ini eperti pada Gambar 3.. Dalam pengaturan cacade terdapat inner loop dan outer loop. Untuk item pengaturan cacade level ini yang menjadi objektif kontrol adalah pengendalian level liquid pada tangki. Maka proe level liquid berada pada outer loop. Pada outer loop ini kontroler yang digunakan adalah PID-Neural Network. Sitem pengaturan flow diletakkan pada inner loop dikarenakan juga proe flow memiliki repon yang lebih cepat dan pada aplikainya level liquid pada tangki dipengaruhi oleh flow yang mauk pada tangki. Pada inner loop kontroler yang akan digunakan adalah kontroler PID. Gambar 3.. Diagram blok item pengaturan level plant coupled tank Simulator plant coupled tank ini akan dibangun menggunakan perangkat lunak LabVIEW dengan menggunakan tambahan modul Control & Simulation dan DCS. Simulator ini akan dibangun berdaarkan permodelan matemati dari plant. Pada perangkat lunak LabVIEW ini tidak hanya dibangun imulator dari plant ini aja, tetapi algoritma kontrol yang akan digunakan juga dibangun di LabVIEW. 7

43 Pemodelan Sitem Pengaturan Level Plant Coupled Tank Pemodelan Pompa Pompa yang digunakan pada plant ini adalah pompa air DC. entang debit air yang ada dalam atuan liter/menit diubah dulu kedalam atuan ehinngga didapatkan rentang debit air keluar dari pompa ebear Dengan memaukkan nilai parameter ke Peramaan (.) pemodelan pompa ini didapatkan nilai K eperti pada Peramaan (3.) K 5.83cm / V (3.) 0 0 Pemodelan Pipa Diameter pipa yang digunakan pada item ini ebear cm dengan 3 panjang 90 cm dan debit air yang mauk ebear 6.67cm /. Dari data ini kemudian dimaukkan pada Peramaan (.) didapat waktu tunda eperti pada Peramaan (3.) (3.) 6.67 Pemodelan Tangki Dalam pemodelan tangki coupled tank ini dibutuhkan nilai parameter dari,, 3, C dan C. Nilai dari parameter ini eperti tertera pada Tabel 3. Tabel 3. Nilai Parameter dan C pemodelan tangki Simbol Nilai Satuan 0.5 / cm, 3 0. / cm C, C 89 cm Setelah mendapatkan nilai parameter dan C maka nilai terebut dimaukkan pada Peramaan (.) dan (.5) maka didapatkan fungi alih dari item eperti pada Peramaan (3.3) dan (3.4) 8

44 H( ) G ( ) Q ( ) i (3.3) H ( ) G ( ) Q ( ) i (3.4) Pemodelan Senor Level Senor yang digunakan pada plant ini adalah enor level dengan tipe floating. Dari pemodelan enor ini akan didapat nilai gain atau penguatan K. K dirumukan berupa perbandingan rentang kerja dari pompa terhadap maukan berupa tegangan eperti pada Peramaan (.6) Dengan memaukkan rentang tegangan keluaran antara 0 0 V dan rentang ketinggian air dalam tangki antara 0 8 cm didapatkan pemodelan enor level eperti pada Peramaan (3.5). 0 0 K 0.55V/cm (3.5) 8 0 Fungi Alih Keeluruhan Berdaarkan pemodelan dari etiap komponen penyuun item ini eperti pada Gambar. didapatkan fungi alih keeluruhan dari item eperti pada Peramaan (3.7) untuk G () dan (3.8) untuk G () G K G K. e total ( ). ( ). (3.6) G G total total ( ) e (3.7) ( ) e (3.8) Pemodelan Sitem Pengaturan Flow Plant Coupled Tank Pada pemodelan matemati flow ini nilai yang digunakan ebear 0.5 dan C yang digunakan adalah lua penampang pipa ebear 0.78, 9

45 kemudian nilai terebut dimaukkkan pada Peramaan (.3) ehingga didapatkan eperti pada Peramaan (3.9) Q Q o i 0.39 (3.9) Pemodelan Senor Flow Senor flow ini memiliki rentang pembacaan flow ltr/menit dengan rentang keluaran 0-0 V. Satuan dari pembacaan flow ini 3 dirubah kedalam atuan cm /. Nilai terebut kemudian dimaukkkan pada peramaan (.3) ehingga didapatkan penguatan K 3 eperti pada Peramaan (3.0) V 0 0 K (3.0) cm / Fungi Alih Keeluruhan Proe Flow Dari emua elemen kemudian didapatkan fungi alih keeluruhan dari item eperti pada Peramaan (3.) G total ( ). ( ). 3 K G K. e (3.) Untuk nilai K digunakan nilai penguatan dari pompa eperti pada peramaan (3.) ehingga didapat fungi alih keeluruhan dari proe flow eperti pada Peramaan (3.) Qo Q i e (3.) 0.39 Perancangan Kontroler Perancangan Kontroler PID dengan oot Locu Speifikai deain dari kontroler PID ini adalah overhoot 0% dan kealahan keadaan tunak ama dengan 0. Pertama fungi alih dari delay pada item dirubah eperti Peramaan (3.3) dengan menggunakan orde pertama dari deret Taylor 30

46 3... 4! 3!! e (3.3) Sehingga fungi alih dari item G menjadi eperti pada Peramaan (3.4) ) )( ( ) ( ) ( K G total (3.4) Dimana ) )( ( adalah peramaan karakteritik dari fungi alih. Kontroler PID yang digunakan eperti pada Peramaan (3.5) K E U G d i p c ) ( ) ( ) ( (3.5) Pada tahap ini dilakukan perancangan kontroler PID untuk item pengaturan level pada tangki dua. Peramaan keeluruhan kontroler dari plant ini eperti pada Peramaan (3.6) ) ( ) ( K G G d i p total c (3.6) ) )( ( ) ( K G G d i p total c (3.7) Dari Peramaan (3.7) dapat diketahui pole dari plant ini. Untuk pole terletak pada =0, = , = Dari Peramaan (3.7) didapat root locu dari item eperti pada Gambar 3.. Pada

47 Gambar 3. dapat diamati bahwa locu banyak yang berada di ebelah kanan umbu imajiner, ehingga dapat membuat item tidak tabil. Sehingga diperlukan penambahan zero untuk dapat menarik locu ke ebelah kiri umbu imajiner. Dengan digunakannya kontroler PID maka akan ditambahkan dua zero ke dalam root locu dari plant ini. Gambar 3. oot locu dari item G Kemudian akan ditambahkan zero untuk nilai z diantara nilai pole =0 dan = Dipilih letak z = dan untuk z dipilih pada titik z =-0.. Kemudian untuk penentuan gain dipilih menggunakan diagram root locu eperti pada Gambar 3.3. Gambar 3.3 oot locu plant etelah penambahan kontroler PID 3

48 Dipilih nilai gain ebear 00 karena berdaarkan root locu, nilai gain terebut memiliki overhoot ebear 0%. Sehingga parameter kontroler PID yang didapatkan yaitu i =58.98, K , dan Peramaan kontroler PI yang p digunakan eperti pada Peramaan (3.8). d U( ) G c ( ) E( ) (3.8) Perancangan Kontroler PID dengan Metode Milue Viteckova Metode ini digunakan untuk plant dengan jeni Firt Order Plu Dead Time (FOPDT). Pada metode ini pertama kali diindentifikai parameter dari fungi alih plant. Peraman umum dari FOPDT pada metode ini eperti pada peramaan (3.9). G p k ( ) e T T d (3.9) Tabel 3. Tuning Parameter Kontroler PID dengan metode Milue Viteckova PI PID Tipe T * K * p T * K * p T * D Kontroler Analog T=0, Digital T>0 T T * T k(4 e) T et d ( T k d T)(T T) T 4( T d 4T T) * (4 e ) T e (T T ) T 8( T d d * T ) T T d d 33

49 Dari fungi alih plant pada peramaan (3.) didapatkan parameter k = 0.9, T = 0.39, dan T d = 4.3. Untuk perhitungan parameter kontroler PID pada metode ini euai dengan Tabel 3.. Speifikai dari metode ini adalah kealahan keadaan tunak ama dengan 0 dan tanpa overhoot. Kemudian dilakukan perhitungan parameter kontroler PID eperti pada peramaan (3.0), (3.), dan (3.) dipilih nilai T=0 karena kontroler yang digunakan adalah kontroler analog. * ( Td T)(T T) Td ( Td T) 7.8 T.470 (3.0) * 4T K p 0.00 (3.) k (4 e ) T e T * d T * D (T 8( T d T ) T T ) T d * (3.) Sehingga didapatkan fungi alih kontroler eperti pada Peramaan (3.3) U( ) G c ( ) E( ) (3.3).470 Perancangan Kontroler PID-Neural Network Kontroler PID-Neural Network terdiri ata kontroler PID ebagai kontroler utama dan Neural Network ebagai algoritma cerda yang dapat melakukan tuning parameter kontroler PID. Dalam mendeain kontroler PID-Neural Network adapun langkahnya ebagai berikut:. Menentukan algoritma pembelajaran yang akan digunakan pada Neural Network, algoritma pembelajaran yang digunakan pada perancangan kontroler ini adalah backpropagation.. Menentukan truktur dari Neural Network, eperti jumlah layer yang digunakan dan jumlah neuron pada etiap layer 34

50 3. Melakukan iniialiai nilai bobot yang digunakan pada Neural Network pada bagian antara input layer menuju hidden layer dan hidden layer menuju output layer 4. Menentukan nilai learning rate ( ) dan koefiien ineria ( ) Pada kontroler PID Neural Network yang dirancang terdiri ata tiga layer, yaitu atu input layer, atu hidden layer, dan atu output layer. Jumlah neuron yang digunakan pada input layer terdiri ata empat neuron, pada hidden layer lima neuron, dan tiga neuron pada output layer yang merepreentaikan dari tiga parameter kontroler PID yaitu Kp, Ki, dan Kd. Struktur dari Neural Network yang digunakan eperti pada Gambar 3.4. Gambar 3.4 Struktur Neural Network untuk autotuning PID Pada Neural Network ini terdapat mekanime algoritma feed forward dan algoritma backpropagation. Pada algoritma feed forward dilakukan perhitungan maju dari input layer menuju output layer untuk mendapatkan nilai keluaran dari Neural Network. Nilai keluaran ini kemudian dibandingkan dengan nilai refereni yang digunakan. Pada algoritma feed forward ini pertama dibuat peramaan untuk maukan pada input layer eperti pada Peramaan (3.4) 35

51 O j x( j) ( j,,..., M) (3.4) M merupakan jumlah variabel maukan pada input layer, pada PID-Neural Network ini digunakan empat variabel maukan yaitu error yaitu eliih antara nilai refereni dan keluaran dari plant, Y out yaitu keluaran dari plant, etpoint atau nilai refereni yang diberikan pada plant dan nilai kontanta. Maukan pada hidden layer dapat ditulikan eperti pada Peramaan (3.4) dan keluaran dari hidden layer eperti pada Peramaan (3.5) M () () () net w ij O j (3.5) j0 O i () ( k) f ( net ( k)) ( i,,..., Q) (3.6) Q merupakan jumlah neuron yang terdapat pada hidden layer, dan f merupakan fungi aktivai pada hidden layer, w merupakan nilai bobot pada jaringan antara input layer menuju hidden layer. Fungi aktivai yang digunakan pada hidden layer ini adalah tanh igmoid eperti pada Peramaan (3.6) x x ( e e ) f ( x) x x ( e e ) (3.7) Untuk maukan dan keluaran pada output layer dapat ditulikan dalam peramaan matemati eperti pada Peramaan (3.7) dan (3.8) net (3) Q (3) ij i k i0 (3) () ( k) w O ( ) (3.8) (3) Ol ( k) g( net l ( k)) ( l,,3) (3.9) ji 36

52 Dimana g merupakan fungi aktivai yang digunakan pada (3) output layer. Karena nilai dari ( k) tidak boleh bernilai negatif maka O l digunakan fungi aktivai non-negative igmoid eperti pada Peramaan (3.30) x e g( x) (3.30) x x e e Keluaran dari output layer ini merupakan nilai parameter kontroler PID yaitu Kp, Ki, dan Kd eperti pada Peramaan (3.3) O O O (3) (3) (3) ( k) Kp ( k) Ki ( k) Kd (3.3) Kemudian dilakukan mekanime Backpropagation untuk perubahan nilai bobot pada Neural Network. Pada algoritma ini fungi error atau indek performa pada keluaran item didefinikan eperti pada Peramaan (3.3) E( k) ( r( k) y( k)) e ( k) (3.3) Perubahan bobot pada hidden layer menuju output layer eperti pada Peramaan (3.33) w (3) li E( k) (3) ( k) w ( k ) (3) li (3.33) w li Dimana merupakan learning rate, dan merupakan momentum factor. Learning rate ini merupakan parameter laju pembelajaran pada algoritma Neural Network yang mempengaruhi kecepatan algoritma Neural Network mendapatkan nilai olui minimum. Algoritma pembelajaran untuk merubah bobot pada output layer dapat ditulikan eperti pada Peramaan (3.34), (3.35), dan (3.36) 37

53 w (3) li (3) li (3) li (3) li ( k ) w ( k) w ( k) (3.34) (3) li (3) l () i w ( k) w ( k ) O ( k) (3.35) (3) y( k) u( k) (3) l e( k)... g' ( in ( k)) u( k) (3) l (3.36) O ( k) i (3.37) Dimana turunan pertama dari g(x) eperti pada Peramaan g' ( x) g( x)( g( x)) (3.37) Untuk algoritma pembelajaran perubahan bobot pada hidden layer eperti pada Peramaan (3.38), (3.39), dan (3.40) w (3) ij () ij () ij ( k ) w ( k) w ( k) (3.38) () ij () ij () i w ( k) w ( k ) O ( k) (3.39) () j () l () i 3 f '( in ( k)). w ( k) (3.40) l (3) l (3) li Dalam Neural Network ini perlu dilakukan iniialiai bobot. Iniialiai bobot antara maukan dan hidden layer mengikuti peryaratan pemetaan (r,y) e eperti pada Peramaan (3.4) dan (3.4), edangkan bobot antara hidden layer dan output layer ebaiknya mengambil nilai poitif terkecil [7]. r hidden layer w (0) (3.4) j y hidden layer w (0) (3.4) j 38

54 Iniialiai weight diberikan antara input layer dengan hidden layer eperti yang ditunjukkan pada Tabel 3.3. Tabel 3.3 Iniiai weight input layer menuju hidden layer j w i w i w 3 i w 4 i w w j w j3 w j 4 w j5 Iniialiai weight antara hidden layer dan output layer eperti pada Tabel 3.4. Dengan keterangan w, j merupakan neuron dimana weight itu beraal dan i merupakan jumlah neuron yang dituju weight terebut. Tabel 3.4 Iniiai weight hidden layer menuju output layer ji w i w i w 3 i w 4 i w 5 i w j w j w j3 Perancangan Human Machine Interface (HMI) Human Machine Interface (HMI) merupakan antarmuka antara operator dengan plant yang dikendalikan. HMI ini berfungi untuk memudahkan operator untuk berinteraki dengan proe. Pada umumnya tampilan HMI dibuat dengan creen terpiah-piah dengan fungi maingmaing, mulai dari fungi monitoring, controlling, reporting dan alarm 39

55 maage. Banyak produk yang dapat digunakan untuk membuat HMI ini, contohnya Wonderware, WinCC, SView, LabVIEW dan lain ebagianya. Pada peracangan HMI coupled tankini digunakan perangkat lunak LabVIEW. Keuntungan dari perangkat lunak LabVIEW ini pembuatan HMI dan program yang akan diambungkan ke HMI udah dalam atu program. Perangkat lunak LabVIEW ini terdiri ata dua bagian yaitu front panel dan block diagram. Front panel ini berfungi ebagai UI (Uer Interface) / HMI, edangkan block diagram merupakan tempat dimana program LabVIEW dibuat. Perangkat lunak LabVIEW tandar udah menyediakan gambar eperti knob, led, grap chart, lider untuk pembuatan HMI pada front panel, tetapi untuk gambar tangki, enor, pipa, pompa, dan perangkat aktuator dan intrumen lainnya belum teredia, ehingga diperlukan menambah add on DCS Module pada perangkat lunak LabVIEW ini. HMI yang akan dibuat ini merepreentaikan dari plant coupled tank. Penggambaran dari plant coupled tank ini terdiri ata dua tangki vertikal dan atu tangki penyimpanan, untuk enor dan aktuator yang ditampilkan adalah atu enor flow dan tiga pneumatic control valve. Pemilihan gambar dari tangki, enor dan aktuator melalui menu image navigator pada DSC Module. Menu ini terdapat pada Tool DSC Module Image Navigator. Pada menu image navigator eperti pada Gambar 3.5 terdapat berbagai macam gambar dari mulai boiler, enor, tangki, pompa, conveyor dan gambar lainnya yang banyak digunakan di HMI. Gambar 3.5 Image Navigator pada DSC Module 40

56 Penggambaran dari plant coupled tank eperti pada Gambar 3.6. Pada kedua tangki vertical diberi maing-maing indikator bar ebagai ganti dari gambar enor level dan indikator numerik yang menunjukkan level fluida pada tangki. Indikator bar dan numerik ini diambungkan pada output dari model matemati plant. Pada enor flow diberi indikator numerik untuk mengetahui flow fluida yang lewat, edangkan pada pompa diberi indikator led. Indikator led ini akan berwarna merah ketika pompa mati dan akan menyala berwarna hijau ketika pompa hidup. Graph yang digunakan pada HMI merupakan jeni waveform chart. Pada graph ini yang ditampilkan adalah et point pada plant dan repon dari plant. Untuk pemberian et point dipilih knob dengan tipe lider dengan nilai minimum 0 dan nilai makimum 00. Pada knob pemberian et point diberikan juga numerik indikator untuk nilai dari PV, SV, dan MV Gambar 3.6 HMI dari plant coupled tank Untuk model matemati dari plant coupled tank yang dihubungkan dengan HMI ini dibuat di LabVIEW dengan menggunakan add on Control and Simulation Module. Pada block diagram LabVIEW dipilih dulu Control Simulation Loop untuk dapat memaukkan blok fungi dari fungi alih dan kontroler yang digunakan eperti pada Gambar 3.7. Blok fungi alih dan kontroler yang digunakan dapat dipilih pada menu control and imulation modul pada bagian imulation. 4

57 Gambar 3.7 Program imulai pengaturan level dengan menggunakan Control and Simulation Module 4

58 BAB 4 PENGUJIAN DAN ANALISA Simulai Sitem Tanpa Kontroler epon Cloed Loop Proe Level Pada tahap ini dilakukan imulai item plant coupled tank pada tangki. Dari peraman fungi alih keeluruhan G pada Peramaan (3.37) dilakukan pengujian cloed loop tanpa diberi kontroler terlebih dahulu. Sinyal uji yang diberikan berupa inyal tep dengan nilai et point epuluh. Hail imulai didapatkan repon item eperti pada Gambar 4. Gambar 4.. epon cloed loop item Dari repon item pada Gambar 4. dapat diamati bahwa item G memiliki rie time ebear 9 detik. Dari pengujian ini didapat fungi alih cloed loop G eperti pada peramaan (4.) G total ( ) (4.)

59 Dari peramaan (4.) Untuk item G didapat nilai n = dan nilai Untuk item G ini memiliki repon overdamped dikarenakan memiliki nilai >. epon pada gambar 4. untuk G ini euai dengan perhitungan nilai bahwa memiliki repon overdamped. epon yang dihailkan untuk item G maih memiliki kealahan keadaan tunak yang cukup bear, yaitu ebear Maka diperlukan kontroler yang dapat menghilangkan kealahan keadaan tunak. epon Open Loop Proe Flow Pada tahap ini dilakukan imulai open loop pada proe flow untuk mengetahui repon dari plant. Simulai open loop pada plant flow ini dengan diberi maukan berupa unit tep. Dari hail imulai didapat repon dari plant eperti pada Gambar 4.. Gambar 4. epon open loop proe flow Dari hail repon maih terdapat kealahan keadaan tunak ebear 0.08 dan juga waktu tunda ebear 4.3 detik. Waktu tunda ini bia diebabkan mengalirnya air dalam pipa menuju ke tangki. Sehingga apabila dalam real ytem emakin panjang pipa yang dilalui fluida maka waktu tunda akan emakin bear juga. Berdaarkan hail repon maka 44

60 diperlukan kontroler yang mampu menghilangkan kealahan keadaan tunak terlebih dahulu. Simulai Sitem dengan Kontroler PID Pada tahap ini dilakukan pengujian pada plant coupled tank dengan fungi alih G dengan konfigurai ingle loop dan cacade. Sinyal uji yang diberikan berupa inyal tep dan kontroler yang digunakan adalah kontroler PID hail rancangan dengan menggunakan root locu yang tertera pada Bab 3. Pengujian pada item ini meliputi:. Pengujian dengan variai et point. Pengujian degan variai parameter kontroler (K p, i, dan d ) 3. Pengujian dengan diberi beban 4. Pengujian dengan noie Simulai Pengaturan Level Single loop Variai Set point Gambar 4.3 epon plant dengan perubahan etpoint Pada imulai pengujian dengan perubahan et point ini digunakan inyal tep. Set point awal diberikan nilai epuluh hingga detik ke 450 kemudian et point dinaikkan hingga bernilai 5 ampai detik ke

61 Pengujian terhadap et point ini bertujuan untuk membuktikkan kinerja kontroler terhadap perubahan nilai refereni yang diberikan. Simulai pengujian ini langung dilakukan untuk pengaturan level pada tangki eperti pada Gambar 4.3. Pada Gambar 4.3 waktu yang dibutuhkan oleh repon pengaturan level pada tangki untuk mencapai nilai 63.% dari keadaan tunak atau 6.3 yaitu ebear 49.6 detik, Dari repon pada Gambar 4.3 dapat diamati bahwa kontroler PID mampu mengikuti perubahan etpoint yang diberikan dan kontroler PID mampu menghilangkan kealahan keadaan tunak pada pengaturan level tangki Ini karena adanya komponen integrator yang dapat menghilangkan kealahan keadaan tunak. Simulai Pengaturan Level Single Loop Variai Parameter Kontroler (Kp, i, Dan d ) A. Variai Nilai Kp Gambar 4.4 epon plant dengan variai nilai Kp untuk item G Pada imulai pengujian ini dilakukan variai nilai K p ebanyak empat nilai yaitu untuk nilai K p 0.6, 30, 35, 5, dan 0 dengan et point berupa inyal tep dengan nilai 0. Pada Gambar 4.4 ini merupakan 46

62 repon dengan variai K p pada pengaturan level pada tangki. Variai nilai K p ini tidak diikuti dengan perubahan nilai i, nilai i yang digunakan tetap bernilai Pengujian terhadap perubahan nilai K p ini bertujuan untuk membuktikkan dan memahami pengaruh nilai K p terhadap kecepatan repon dan kealahan keadaan tunak. Dari Gambar 4.4 dapat diamati bahwa emakin bear nilai K p maka repon dari item emakin cepat untuk menuju keadaan tunak, ini dapat dilihat dengan pemberian K p ebear 35 dibanding dengan K p ebear 0. Ini euai dengan teori bahwa K p atau gain proporional memiliki ifat untuk mempercepat repon. Namun nilai dari K p juga tidak boleh terlalu bear karena akan membuat repon beroilai dan membuat item tidak tabil, ini bia diebabkan nilai error akan teru dikali ehingga menuju nilai yang bear. B. Variai Nilai i Simulai pada pengaturan level dengan memberikan variai ini bertujuan untuk mengetahui pengaruh dari komponen parameter i integrator pada kontroler PID ini pada item atau plant. Seuai dengan teori bahwa komponen integrator mampu menghilangkan kealahan keadaan tunak pada plant. Simulai pengujian ini dilakukan dengan memberikan inyal tep dengan et point 0 kemudian dilakukan variai nilai i.. Gambar 4.5. epon plant dengan variai nilai i untuk item G 47

63 Dari repon item pada Gambar 4.5 dapat diamati bahwa item memiliki kealahan keadaan tunak 0, dan karena nilai Kp yang digunakan ama maka nilai dari etiap repon ama. Dapat diamati juga bahwa apabila nilai i emakin kecil pada item akan muncul overhoot, dan penurunan nilai i ini berbanding luru dengan emakin bearnya overhoot pada item. Ini euai dengan teori bahwa emakin kecil nilai i atau emakin bear nilai Ki maka overhoot akan emakin meningkat juga. C. Variai Nilai d Kontanta differenial memberikan aki berdaarkan nilai error yang akan datang. Keuntungan dari kontanta differenial adalah memiliki zero pada origin ehingga jika ditambahkan, item bia menjadi lebih tabil eperti yang ditunjukkan pada Gambar 3.3. Pada Gambar 3.3 locu dari proe level tangki dapat ditarik ke ebelah kiri umbu imajiner. Simulai pada plant dengan variai nilai d pada kontroler PID ini untuk mengetahui pengaruh dari kontanta differenial. epon yang didapat dari pengujian variai nilai d eperti pada Gambar 4.6. Gambar 4.6 epon plant dengan variai nilai d untuk item G 48

64 Dari hail repon dapat diamati bahwa emakin bear nilai d maka repon dari item akan lebih lambat. Apabila repon dari plant memiliki overhoot, dengan emakin bear nilai d dapat juga mereduki overhoot dari repon pada plant, karena kecepatan repon berbanding luru dengan overhoot. Semakin cepat repon maka kemungkinan overhoot juga emakin bear. Ini euai dengan ifat komponen d yang dapat mereduki overhoot. Simulai Sitem Pengaturan Level Single Loop Dengan Diberi Beban Gambar 4.7 epon plant dengan pemberian beban Pada pengaturan level pada tangki gangguan beban ini eperti dibukannya valve aliran keluar dari fluida pada aat pengiian fluida ke dalam tangki. Simulai item pengaturan level dengan diberikannya beban ini bertujuan untuk menguji eberapa cepat kontroler mampu mengembalikan repon menuju ke kondii tabil ketika diberi gangguan. Selain itu juga dilihat eberapa tahan item dengan ebuah kontroler dalam menghadapi pembebanan yang ada, dikarenakan juga pembebanan pada item dapat mengakibatkan perubahan parameter pada plant. Pada 49

65 Gambar 4.7 dapat diamati mengenai pemberian beban pada item. Beban diberikan pada aat repon telah mencapai kondii tunak yaitu pada detik ke 450. Dengan adanya pembebanan terdapat penurunan nilai pada repon item. Untuk analii repon dilakukan dengan perhitungan MSE (oot Mean Square Error), didapat nilai MSE dari repon ebear.78%. Dari repon didapat bahwa kontroler PID tetap mampu meredam beban atau diturbance yang diberikan tetapi membutuhkan waktu yang cukup lama untuk mengembalikan repon ke keadaan emula yaitu dengan waktu 3.5 detik. Simulai Sitem Pengaturan Level Single Loop Dengan Noie Gambar 4.8 epon plant dengan diberi noie Meaurument noie dapat meruak informai mengenai variabel proe yang dikirim oleh enor yang terdapat pada plant. Noie yang diberikan pada imulai ini merupakan noie AWGN. Noie AWGN memiliki ifat-ifat additive, white, dan Gauian. Sifat additive artinya noie ini dijumlahkan dengan inyal, ifat white artinya noie tidak bergantung pada frekueni operai item dan memiliki rapat daya yang 50

66 kontan, dan ifat Gauian artinya bearnya tegangan noie memiliki rapat peluang terditribui Gauian. SN pada noie AWGN merupakan perbandingan (ratio) antara kekuatan inyal (ignal trength) dengan kekuatan derau (noie level). Pengujian noie ini bertujuan untuk mengukur eberapa enitif item dengan ebuah kontroler terhadap perubahan kecil. Dari repon pada Gambar 4.8 ini dapat diamati bahwa repon dari item ini dapat tetap menuju ke et point atau inyal refereni walau diberi gangguan noie dengan nilai SN ebear 30,40, 50. Nilai MSE dari repon item dengan SN 30 yaitu ebear 3.48%, untuk SN 40 ebear 5.7 % dan untuk SN ebear 50 didapat nilai.55% Simulai Sitem Pengaturan Flow Single Loop Pada repon open loop pengaturan flow didapat maih terdapat kealahan keadaan tunak pada repon item, ehingga dirancang kontroler PID untuk menghilangkan kealahan keadaan tunak terebut. Kontroler PID dirancang dengan metode tuning dari Milue Viteckova dan Antonin Vitecek dan didapatkan peramaan kontroler PID ini eperti pada Peramaan (3.59). Dengan menggunakan kontroler PID ini didapat repon dari item pengaturan flow ini eperti pada Gambar 4.9. Kealahan keadaan tunak pada plant pengaturan flow ini dapat dihilangkan dan tidak ada overhoot pada repon item. Gambar 4.9 epon proe flow etelah diberi kontroler 5

67 Simulai Sitem Pengaturan Level Konfigurai Cacade Pada tahap ini dilakukan imulai pengaturan level dengan konfigurai cacade dengan proe flow. Dari hail imulai didapat repon eperti pada Gambar 4.0. epon dari pengaturan level dengan konfigurai cacade ini langung dibandingkan dengan repon pengaturan level dengan konfigurai ingle loop. Dari hail perhitungan MSE pada kedual repon, didapat nilai MSE daripengaturan level ingle loop ebear 0.39% edangkan untuk pengatura level dengan konfigurai cacade memiliki nilai MSE ebear 0.35%. Dari hail perhitungn MSE didapatkan MSE pada repon item pengaturan level dengan konfigurai cacade lebih baik, ini bia diebakan dengan dikontrolnya laju aliran air yang mauk ke tangki memiliki repon yang lebih baik yang berpengaruh terhadap level pada tangki. Dari hail imulai, didapat repon dari pengaturan level dengan konfigurai cacade memiliki overhoot ebear.35% Gambar 4.0 epon pengaturan level konfigurai cacade dibandingkan dengan konfigurai ingle loop 5

68 Simulai Sitem Pengaturan Level Konfigurai Cacade Dengan Diberi Diturbance Pada tahap ini dilakukan imulai pada item pengaturan level konfigurai cacade dengan diberi diturbance dan dibandingkan hailnya dengan pengaturan level dengan konfigurai ingle loop. Diagram blok dari imulai ini eperti pada Gambar 4.. Gambar 4. Diagram blok item pengaturan konfigurai cacade dengan diturbance Dari hail imulai didapat repon eperti pada Gambar 4., repon dengan konfigurai cacade mampu meredam diturbance lebih baik daripada dengan konfigurai ingle loop. Efek pemberian beban dapat dilihat lebih jela eperti pada Gambar 4.3. Gambar 4. epon dengan diturbance pada pengaturan level dengan konfigurai cacade dan konfigurai ingle loop 53

69 Gambar 4.3 Efek pemberian beban pada repon plant Dari Gambar 4.3 pada konfigurai Cacade penurunan nilai akibat pemberian beban ebear edangkan untuk ingle loop ebear Dari perhitungan MSE didapat bahwa untuk konfigurai ingle loop memiliki MSE ebear.78 % dan untuk konfiguai Cacade ebear.3%. Ini dikarenakan pada pengaturan cacade, diturbance yang diebabkan pada inner loop yaitu aliran fluida yang mauk ke tangki mampu diredam terlebih dahulu dengan baik oleh adanya kontroler pada inner loop. Simulai Sitem dengan Kontroler PID Neural-Network Pada tahap ini dilakukan imulai pengaturan level pada plant coupled tank dengan menggunakan kontroler PID Neural-Network. Simulai ini dilakukan dengan inyal refereni berupa inyal tep. Simulai yang dilakukan antara lain:. Simulai item pengaturan level air pada Tangki. Simulai dengan learning rate 3. Simulai dengan pemberian beban 54

70 Simulai Pengaturan Level Air Pada Tangki Pada tahap ini dilakukan imulai item pengaturan pengendalian level air pada tangki plant coupled tankdengan menggunakan kontroler PID - Neural Network dengan konfigurai ingle-loop. Gambar 4.4 epon plant item pengaturan level dengan kontroler PID Neural Network Learning rate yang digunakan pada Neural Network bernilai 0.9. epon yang didapatkan dari pengujian ini eperti pada Gambar 4.4. Pada Gambar 4.4 waktu yang dibutuhkan oleh repon item pengaturan level pada tangki untuk mencapai nilai 63.% dari keadaan tunak atau 6.3 yaitu ebear detik. Waktu yang diperlukan ini lebih lama dibanding dengan kontroler PI. Pada Gambar 4.5 merupakan perubahan parameter kontroler PID keluaran dari output layer dari Neural Network yang dideain. Pada Gambar 4.5 dapat diamati bahwa ketika repon dari plant maih pada maa tranien, terjadi perubahan pada parameter kontroler PID, yang ditunjukkan dengan nilai Kp, Ki, dan Kd. Apabila repon plant telah memauki keadaan tunak maka tidak terjadi perubahan pada parameter kontroler PID ini atau nilainya kontan. Dilakukan perhitungan MSE untuk mengetahui bear error pada repon plant. Dari perhitungan MSE 55

71 didapat nilai %. Sehingga bia dikatakan item pengaturan level air dengan kontroler PID- Neural Network mampu menghilangkan kealahan keadaan tunak dengan baik. Gambar 4.5 Perubahan parameter kontroler keluaran Neural Network Simulai Dengan Varaiai Learning ate Learning rate merupakan laju pembelajaran pada algoritma Neural Network untuk mendapatkan nilai olui minimum. Learning rate ini merupakan kontanta perhitungan pada mekanime backpropagation untuk perubahan bobot pada Neural Network. Pada imulai ini dilakukan pengujian dengan variai learning rate bernilai 0.5, 0.05, 0.0, dan. epon yang didapatkan eperti pada Gambar 4.6. Dari gambar 4.5 dapat diamati bahwa emakin bear learning rate maka repon plant emakin cepat dengan dibuktikan nilai time contant atau waktu yang dibutuhkan oleh repon untuk mencapai nilai 63.% dari keadaan tunak dengan learning rate = 0.05 ebear 3.8 detik, untuk learning rate = 0.0 ebear 7.5 detik, dan untuk learning rate = 0.5 ebear 06 detik, dan untuk learning rate = ebear detik. Akan tetapi emakin bear nilai learning rate akan menimbulkan overhoot pada repon item. 56

72 Gambar 4.6 epon plant dengan variai learning rate Simulai Sitem Pengaturan Level Dengan Pemberian Beban Dilakukan pengujian item dengan kontroler PID Neural Network untuk konfigurai ingle loop melalui pemberian beban ketika repon udah mencapai tunak. Dari Gambar 4.7 dapat dilihat beban diberikan aat detik ke 450. Gambar 4.7 Simulai item pengaturan level dengan pemberian beban untuk konfigurai ingle loop dengan kontroler PID-NN 57

73 Pemberian beban diimulaikan eperti pembukaan valve aluran keluar air. Ketika item diberikan beban tetapi dapat kembali ke kondii emula berarti item dapat dikatakan tabil. Hal terebut dikarenakan item mampu beradaptai dengan penurunan nilai yang terjadi. Penurunan nilai akibat pemberian beban pada imulai ini ebear 0.. Kontroler PID Neural Network mampu mengembalikan repon plant ke keadaan tunak dalam waktu 50 detik pada imulai. Dari perhitungan MSE pada pengujian beban ini didapat nilai ebear 3,36 %. Pada pengujian dengan konfigurai cacade didapat repon eperti pada Gambar 4.8. Dengan konfigurai cacade didapat penurunan nilai yang lebih kecil yaitu ebear dan dapat kembali ke teady tate dalam waktu yang lebih cepat 0 detik pada imulai. Dari perhitungan MSE yang dilakukan didapat nilai ebear 5,8 %. Dari perhitungan nilai MSE ini konfigurai ingle loop memiliki nilai yang lebih baik.. Gambar 4.8 Simulai item pengaturan level dengan pemberian beban untuk konfigurai cacade dengan kontroler PID-NN Pada gambar 4.9 dan 4.0 dapat diamati mengenai perubahan parameter kontroler Kp, Ki, dan Kd keluaran dari output layer pada Neural Network untuk PID- Neural Network dengan konfigurai ingle loop dan cacade. Pada waktu terjadinya pembebanan yaitu aat detik ke 450 dapat diamati bahwa tidak terjadi perubahan pada parameter kontroler. Ini bia diebabkan inyal kontrol yang dikeluarkan dari 58

74 kontroler PID Neural Network telah mencapai nilai aturai dan kealahan keadaan tunak yang diakibatkan oleh pembebanan ini bernilai kecil atau dalam bata tolerani nilai kealahan yang maih bia diperbaiki dengan parameter kontroler ebelumnya. Gambar 4.9 Perubahan parameter kontroler keluaran Neural Network untuk PID Neural Network dengan konfigurai ingle loop Gambar 4.0 Perubahan parameter kontroler keluaran Neural Network untuk PID Neural Network dengan konfigurai cacade 59

75 Halaman ini engaja dikoongkan 60

76 BAB 5 PENUTUP Keimpulan. Pada pengujian et point tracking item pengaturan level plant coupled tankdidapat PID Neural Network memberikan nilai error terkecil dengan nilai MSE 0.044%. Pada pengujian diturbance item pengaturan level plant coupled tankdidapat konfigurai cacade dengan kontroler PI memberikan hail yang paling baik dengan nilai MSE.3% 3. Pada pengaturan level tangki pada coupled tank dengan konfigurai Cacade menggunakan kontroler PID didapat repon item yang memiliki overhoot ebear.35% 4. Learning rate mempengaruhi kecepatan dari repon menuju tunak 5. Dengan konfigurai cacade terbukti mampu meredam diturbance pada plant lebih baik daripada konfigurai ingle loop baik menggunakan kontroler PI atau PID Neural Network Saran Saran yang dapat diberikan penuli untuk penelitian elanjutnya adalah:. Pengoptimalan nilai bobot awal pada algoritma Neural Network ehingga bia didapatkan hail yang lebih baik. Dalam melakukan pemodelan matemati pada plant ebaiknya dengan mengambil data langung dari plant dan kemudian dilakukan identifikai plant menggunakan metode parametrik atau non parametrik 6

77 DAFTA PUSTAKA [] M.S. amli, M.A. Ahmad,.M.T. aja Imail, Comparion of Swarm Adaptive Neural Network Control of a Coupled Tank Liquid Level Sytem, International Conference on Computer Technology and Development, Kinabalu, 3-5 November 009. [] Hector Batida, Pedro Ponce, icardo amirez, and Arturo Molina, Model and Control for Coupled tank uing Labview, International Conference on Mechatronic, Electronic and Automotive Engineering. Morelo, 9- November 03. [3] Sigeru Omatu, Yohiku Kihida, and Michifumi Yohioka, Neuro Control for Single-Maukan Multi Keluaran Sytem,Second International Conference on Knowledge-Baed Intelligent Electronic Sytem, Adelaide, -3 April 998. [4] Hua Ji and Zhiyong Li, Deign of Neural Network PID Controller Baed on Bruhle DC Motor, Second International Conferenve on Intelligent Computation Technology and Automation.Changha, Hunan, 0- October 009. [5] Yun Li, H. A. Kiam, dan Gregory Chong., PID Control Sytem Analyi, Deign, and Technology. Problem, emedie, and Future Direction IEEE CONTOL SYSTEM MAGAZINE, February 006. [6] S. Omatu, M. Yohioka, T. Koaka, H. Yanagimoto dan J. A. Dargham, Neuro-PID Control of Speed and Torque of Electric Vehicle, Advance Engineering Computing and Application in Science, Sliema, Malta, -6 October 009. [7] Haykin, Simon. Neural Network and Learning Machine: Third Edition.United State of America.999.Pearon Prentice Hall. [8] Ogata, Katuhiko, Modern Control Engineering, Prentice Hall, New Jerey, 970 [9] Yang Song, Shenyi Wu, Yuying Yan. Development of Self-Tuning Intelligent PID Controller Baed on BPNN for Indoor Air Quality Control. International Journal of Emerging Technology and Advanced Engineering, Volume 3, Iue, November

78 LAMPIAN Lampiran. Program Autotuning PID Neural Network Backpropagation clear all; clc cloe all; xite=0.9; alfa=0.05; S=; %Signal type IN=4;H=5;Out=3; %NN Structure S==; %Step Signal wi=[ ; ; ; ; ]; %wi=0.50*rand(h,in); wi_=wi;wi_=wi;wi_3=wi; wo=[ ; ; ]; %wo=0.50*rand(out,h); wo_=wo;wo_=wo;wo_3=wo; x=[0,0,0]; u_=0.0;u_=0.0;u_3=0.0;u_4=0;u_5=0; y_=0.0;y_=0.0;y_3=0.0;y_4=0;y_5=0; Oh=zero(H,); %Output from NN middle layer I=Oh; %Input to NN middle layer error_=0; error_=0; t=0; t=0::900; for k=::90 time(k)=k; 65

79 if S== rin(k)=0.0; end %Plant model num=[0.57]; den=[ ]; y=tf(num,den,'inputdelay',4.3); dy=cd(y,t,'z'); [num,den]=tfdata(dy,'v'); yout(k)=-den()*y_-den(3)*y_+num()*u_+ num(3)*u_3 ; % tao/t=n,n> error(k)=rin(k)-yout(k); xi=[rin(k),yout(k),error(k),]; x()=error(k)-error_; x()=error(k); x(3)=error(k)-*error_+error_; epid=[x();x();x(3)]; I=xi*wi'; for j=::h Oh(j)=(exp(I(j))-exp(- I(j)))/(exp(I(j))+exp(-I(j))); %Middle Layer end K=wo*Oh; %Output Layer for l=::out K(l)=exp(K(l))/(exp(K(l))+exp(-K(l))); %Getting kp,ki,kd end kp(k)=k();ki(k)=k();kd(k)=k(3); Kpid=[kp(k),ki(k),kd(k)]; du(k)=kpid*epid; u(k)=u_+du(k); if u(k)>=00 % etricting the output of controller u(k)=00; end if u(k)<=-00 u(k)=-00; end 66

80 dyu(k)=ign((yout(k)-y_)/(u(k)-u_)); E(k)=0.5*(rin(k)-yout(k))^; %Output layer for j=::out dk(j)=k(j)*(-k(j)); end for l=::out delta3(l)=error(k)*dyu(k)*epid(l)*dk(l); end for l=::out for i=::h d_wo=xite*delta3(l)*oh(i)+alfa*(wo_- wo_); end end wo=wo_+d_wo; %Hidden layer for i=::h do(i)=(-(oh(i))^)/; end egma=delta3*wo; for i=::h delta(i)=do(i)*egma(i); end d_wi=xite*delta'*xi; wi=wi_+d_wi; %Parameter Update u_5=u_4;u_4=u_3;u_3=u_;u_=u_;u_=u(k); y_5=y_4;y_4=y_3;y_3=y_;y_=y_;y_=yout(k); wo_3=wo_; wo_=wo_; wo_=wo; wi_3=wi_; wi_=wi_; wi_=wi; error_=error_; error_=error(k); end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%% 67

81 Kp=3; Ti=63.93; =tf(''); C=tf(Kp*(+/(Ti*))); P=feedback(C*y,); B=lim(P,rin,t); % P=tf([0.9],[0.39 ],'inputdelay',4.3); Kp=0.036; Ti=0.39; C=tf(Kp*(+/(Ti*))); T=feedback(C*P,); P=feedback(C*T*y,); B=lim(P,rin,t); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%% %bppid plot figure(); plot(time,rin,'r',time,yout,'b',time,b,'g','lin ewidth',.5); xlabel('time()');ylabel('level(cm)'); figure(); plot(time,error,'r'); xlabel('time()');ylabel('error'); figure(3); plot(time,u,'r'); xlabel('time()');ylabel('u'); figure(4); ubplot(3); plot(time,kp,'r'); xlabel('time()');ylabel('kp'); ubplot(3); plot(time,ki,'g'); xlabel('time()');ylabel('ki'); ubplot(33); plot(time,kd,'b'); xlabel('time()'); ylabel('kd'); figure(5) 68

82 plot(time,rin,'r',time,yout,'b',time,b,'g','lin ewidth',.5); xlabel('time()');ylabel('level(cm)'); figure(6) plot(time,rin,'r',time,yout,'b','linewidth',.5) ; xlabel('time()');ylabel('level(cm)'); 69

83 Lampiran. Program Matlab Sitem Pengaturan Cacade Level pada Tangki %egulate Level in Tank t=0::900 ;% ampling time 0. dengan jumlah data 000 for i = :45; p(i)=0; for i=45:90; p(i)=5; end end for i = :90; q(i)=0; end for i = :90; r(i)=5; end % Tf H/Q P=tf([0.57],[ ],'inputdelay',4.3); % Tf flow P=tf([0.9],[0.39 ],'inputdelay',4.3); %Controller PI for plant P Kp=5; ti=63.93; =tf(''); C=tf(Kp*(+/(ti*))); %Controller PI for plant Flow Kp=0.036; ti=0.39; C=tf([Kp*ti Kp],[ti 0]); %Feedback H/Q A=feedback(C*P,); %Feedback flow E=feedback(C*P,); %Cacade H and flow F=feedback(E*C*P,); %Output A=lim(A,p,t); %ingle loop 6

84 B=lim(F,p,t); %cacade B=0*tep(A,t); %ingle loop A=0*tep(F,t); %cacade figure() plot(t,p,t,b,t,a,'linewidth',),grid on title('epon Pengaturan Level Tangki ','FontWeight','Bold','FontSize',4) xlabel('time(econd)','fontweight','normal','fon tsize',) ylabel('level(cm)','fontweight','normal','fontsi ze',) legend('set Point','Single loop','cacade') figure() plot(t,q,t,b,t,a,'linewidth',),grid on title('epon Pengaturan Level Tangki ','FontWeight','Bold','FontSize',4) xlabel('time(econd)','fontweight','normal','fon tsize',) ylabel('level(cm)','fontweight','normal','fontsi ze',) legend('set Point','Single loop','cacade') figure(3) plot(t,q,t,a,'linewidth',),grid on title('epon Pengaturan Level Tangki ','FontWeight','Bold','FontSize',4) xlabel('time(econd)','fontweight','normal','fon tsize',) ylabel('level(cm)','fontweight','normal','fontsi ze',) legend('set Point','Single loop','cacade') 63

85 Lampiran 3. Program Sitem Pengaturan Level pada Tangki dengan diberi diturbance clear all clc m=0; %% Iniialiai waktu t=0:0.:900; %Waktu Simulai dan banyaknya data yang diambil %% Iniialiai Maukan Maukan(,:900)=0; %Maukan berupa inyal unit tep Maukan(,:70)=0; %Maukan aat pembebanan Maukan(,:65)=0; %Maukan aat pembebanan %% Penyuunan fungi alih item %tanpa beban P=tf([0.57],[ ],'inputdelay',4.3); %fungi alih plant =tf(''); Kp=3; Ti=63.93; C=tf(Kp*(+/(Ti*))); %fungi alih kontroler PI T = feedback(c*p,); %fungi alih loop tertutup %Beban D=[0.75]; B=feedback(P,C); %Pemberian noie na=awgn(maukan,0,'meaured');na=na-maukan; nb=awgn(maukan,30,'meaured');nb=nb-maukan; nc=awgn(maukan,40,'meaured');nc=nc-maukan; T3 = feedback(,c*p); %% Simulai %Pembebanan 64

86 for i = :900; %Iniialiai inyal pi(i)=50; a(i)=; %Noie ignal end for n = : for i = :4500; %Iniialiai inyal da(i,n)=0; %Noie ignal end for i = 450:900; %Iniialiai inyal da(i,n)=d(n); %Noie ignal end for l = : m=m+; P(:,n) = lim(t,a,t); Load=P/(+P*C); SL(:,n)=lim(Load,da(:,n),t); nb(:,m) = (-SL(:,m)+P(:,m))*0; end end %Pemberian noie B(:,) = (0*tep(T,t))+lim(T3,na,t); B(:,) = (0*tep(T,t))+lim(T3,nb,t); B3(:,) = (0*tep(T,t))+lim(T3,nc,t); %% Plotting Hail figure () plot(t,nb,t,maukan,'linewidth',.5),grid on title('epon Sitem dengan Pembebanan','FontWeight','Bold','FontSize',4) ylabel('level (cm)','fontweight','normal','fontsize',) xlabel('waktu(detik)','fontweight','normal','fon tsize',) 65

87 %legend('epon item','setpoint') figure () plot(t,b,t,b,t,b3,t,maukan,'linewidth',), grid on title('epon Sitem dengan Pemberian noie','fontweight','bold','fontsize',4) ylabel('level (cm)','fontweight','normal','fontsize',) xlabel('waktu(detik)','fontweight','normal','fon tsize',) legend('sn = 0','SN = 30','SN = 40','Setpoint') 66

88 IWAYAT PENULIS heza Qahmal Darmawan, 5 Juni 994. Merupakan anak pertama dari beraudara paangan ibu Prihat Aih dan bapak Agu Dwi Swandaru. Penuli menamatkan pendidikan Sekolah Daar di SDI Sabilillah Malang, SMPN 3 Malang, dan SMAN 3 Malang. Setelah menamatkan jenjang SMA, penuli melanjutkan kuliah S Teknik Elektro di Intitut Teknologi Sepuluh Nopember melalui jalur Program Kemitraan dan Mandiri ITS. Penuli mengambil konentrai bidang tudi Teknik Sitem Pengaturan. Pada bulan Januari, penuli mengikuti ujian Tuga Akhir ebagai yarat untuk menyeleaikan maa tudi dan memperoleh gelar Sarjana Teknik Elektro. 75