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

Transkripsi

1 Pengaturan Proses Tekanan pada Sstem Pengaturan Berjarngan Menggunakan Kontroler Fuzzy Neural Network Rende Ramadhan, 0800 Bdang Stud Sstem Pengaturan, Jurusan Teknk Elektro FTI - ITS Emal : rende.ramadhan@gmal.com Abstrak Delay yang terjad pada Sstem Pengaturan Berjarngan (SPB) dapat mengganggu knerja sstem. Hal n dapat berdampak pada penurunan performa dan terjadnya ketdakstablan pada sstem. Dalam konsep pengaturan menggunakan jarngan komunkas, gangguan n tdak bsa dhlangkan. Namun, suatu metode kontrol dapat dberkan untuk mempertahankan knerja sstem. Dalam peneltan Tugas Akhr n drancang sebuah kontroler Fuzzy Neural Network (FNN) untuk mengendalkan proses tekanan melalu jarngan komunkas. Jarngan komunkas yang dgunakan berupa Ethernet. Kontroler FNN tersebut merupakan hbrda antara dua konsep kecerdasan buatan, yatu sstem fuzzy dan artfcal neural network (ANN). Peneltan n akan dujkan terhadap Temperature Process Rg 8-74 sebaga plant dengan memberkan perlakuan yang berbeda untuk setap gangguan yang akan datas. Untuk pembebanan nomnal dengan varas delay dperoleh respon dapat mengkut nla set pont akan tetap memlk overshoot terbesar senla %M p = 6% pada delay 0.68 detk dan e ss = ± 0.%. Pada pembebanan mnmal dengan varas delay dperoleh respon sstem dengan nla %M p = ± 60.% dan e ss = ± 0.%. Pada pembebanan maksmal dengan varas delay dperoleh nla overshoot dan error keadaan steady terbesar dperoleh pada nla delay 0.68 detk sebesar %M p = ± 4.% dan e ss = ± 0.%. Kata Kunc - SPB, kontroler FNN, Pengaturan Tekanan, delay. T I. PENDAHULUAN eknolog komunkas saat n telah berkembang pesat dan dgunakan dalam aspek kehdupan yang luas, sepert bdang lmu pengetahuan, ndustr, ekonom, sosal, bahkan poltk. Beberapa tpe jarngan komunkas, sepert Ethernet, Feldbus, dan Wreless, telah dgunakan dalam aplkas prakts yang luas dan selalu berkembang dengan munculnya generas-generas baru dar masng-masng tpe. Ethernet yang merupakan jens skenaro pengkabelan dan pemrosesan snyal untuk data jarngan komputer awalnya dkembangkan pada tahun 97 oleh perusahaan Xerox d Palo Alto Research Center (PARC) dengan nama Xerox Ethernet. Teknolog tersebut dgunakan untuk menghubungkan 00 komputer pada kecepatan,94 Gbps melalu kabel sepanjang satu klometer. Sejak saat tu, teknolog Ethernet berkembang sangat. Serng dengan perkembangan teknolog komunkas tersebut, bdang lmu sstem pengaturan telah mengalam perluasan lngkup. Konsep sstem pengaturan umpan balk yang dahulu memlk konfguras jarngan pengkabelan kontrol terdedkas, saat n menyspkan jarngan komunkas real-tme sebaga jalur komunkas. Sstem pengaturan umpan balk dmana sstem lup tertutup menggunakan jarngan real-tme dsebut Sstem Pengaturan Berjarngan (Networked Control System) []. SPB memungknkan komunkas antara sensor, aktuator, kontroler, dan plant berada pada node tunggal jarngan komunkas. Penggunaan jarngan komunkas semacam tu menghaslkan arstektur yang fleksbel dan mengurang baya nstalas dan perawatan. Penerapan jarngan komunkas ke dalam skema sstem pengaturan menyebabkan permasalahan yang ada pada jarngan komunkas berlaku juga pada SPB. Permasalahan yang terjad pada SPB berada pada persmpangan antara teor pengaturan dan komunkas. Secara tradsonal, teor pengaturan berfokus pada stud dnamka sstem yang terhubung melalu saluran deal sedangkan teor komunkas mempelajar transms nformas melalu jarngan tak deal []. Permasalahan yang dhadap pada SPB adalah permasalahan yang muncul karena adanya delay (waktu tunda) jarngan yang dsebabkan oleh kepadatan lalu lntas jarngan. Keberadaan waktu tunda pada jarngan menyebabkan penurunan pada performans sstem. Bahkan, dalam beberapa kasus kehadran waktu tunda tersebut menggerakkan performans sstem menuju ketdakstablan. Berdasarkan permasalahan tersebut, peneltan Tugas Akhr n berfokus pada penyelesaan masalah yang ada pada SPB dalam sudut pandang lmu sstem pengaturan. Perancangan kontroler Self-tunng Fuzzy dengan mekansme kontroler Fuzzy bertngkat pada SPB telah dbahas pada []. Penerapan kontroler FNN, dkenal juga sebaga Neuro-Fuzzy (NF), pada sstem pengaturan proses ndustr dan Motor DC untuk memperoleh performans yang dngnkan telah dbahas pula pada [,6]. Pada peneltan Tugas Akhr n dajukan penerapan kontroler FNN pada SPB untuk memperoleh performans yang dngnkan. Kontroler FNN tersebut dgunakan sebaga drect controller pada SPB. Perancangan Kontroler FNN mengacu pada [4,,], sedangkan penurunan rumus dar mekansme adaptas fuzzy berbass neural network dalam Tugas Akhr n mengacu pada [4,9,0]. II. TEORI DASAR A. Sstem Pengaturan Berjarngan SPB merupakan sstem pengaturan umpan balk lup tertutup dmana pertukaran nformas antar komponen dlakukan dalam bentuk paket data melalu jarngan realtme. SPB memungknkan komunkas antara sensor, aktuator, kontroler, dan plant berada pada node tunggal jarngan komunkas. Arstektur SPB pada dasarnya

2 memlk lma komponen dasar sepert dtunjukkan pada Gambar. Penyspan jarngan komunkas pada SPB memungknkan pelaksanaan beberapa tugas dar jarak jauh. Keunggulan yang dtawarkan oleh SPB tentunya drng muncul beberapa masalah yang tmbul akbat penggunaan jarngan komunkas. Pemasangan jarngan komunkas d lup umpan balk membuat perancangan dan analss SPB menjad lebh kompleks. Hal n dsebabkan penggunaan jarngan komunkas yang dpengaruh oleh beberapa gangguan, yatu waktu tunda dan packet dropout. Aktuator Plant Kontroler Sensor Jarngan Komunkas Aktuator Gambar. Arstektur SPB dan Alran Informas []. Plant Kontroler Sensor Waktu tunda jarngan dalam SPB dapat dkategorkan ke dalam dua bentuk yatu waktu tunda yang dakbatkan karena transms snyal dar sensor ke kontroler yang dnotaskan τ sc dan tunda waktu dar kontroler ke aktuator yang dnotaskan τ ca. Waktu yang dbutuhkan oleh kontroler dalam memproses snyal (τ c ) dan waktu tunda yang ada dalam jarngan dapat djadkan sebaga satu kesatuan waktu tunda total (τ) waktu tunda n dapat dabakan karena umumnya lebh kecl jka dbandngkan dengan waktu tunda jarngan. Waktu tunda τ sc dan τ ca terdr atas beberapa bagan, yatu : watng tme delay (τ w ) yatu waktu tunda pada kontroler atau lup plant akbat proses antran dan ketersedaan jarngan sebelum kontroler mengrmkan paket data, frame tme delay (τ f ) yatu waktu yang dbutuhkan untuk konvers snyal kontrol menjad paket data sebelum sap dtransmskan melalu jarngan, dan propagaton delay (τ p ) adalah waktu yang dbutuhkan oleh paket data untuk melalu meda transms. Besarnya waktu tunda n bergantung pada kecepatan transms meda serta jarak antara sumber dan tujuan. tunda dar snyal kontrol dan hasl pengukuran sensor terjad akbat adanya proses antran paket data bak pada swtch, router maupun hub. Waktu tunda τ sc dan τ ca juga bergantung kepada faktor lan sepert spesfkas bandwdth maksmum pada protokol yang dpaka dan besarnya ukuran paket data. B. Fuzzy Neural Network Sstem hbrda yang menggabungkan logka fuzzy, neural network, algortma genetka, dan konsep kecerdasan buatan lannya membuktkan efektvtasnya dalam beragaman aplkas penyelesaan masalah. Setap konsep kecerdasan buatan memlk kemampuan khusus dalam penyelesaan masalah tertentu. Sebaga contoh, neural network memlk kemampuan yang bak dalam mengenal suatu pola, fuzzy memlk kemampuan dalam teknk pengamblan keputusan, dan algortma genetka memlk kelebhan dalam hal optmalsas. FNN merupakan sstem hbrda yang menggabungkan dua konsep kecerdasan buatan, yatu sstem fuzzy dan neural network. Permasalahan dalam hal pengamblan keputusan dapat dselesakan dengan menerapkan konsep dar logka fuzzy. Sedangkan, adaptas dlakukan dengan kemampuan belajar yang dmlk neural network. Gambar menggambarkan topolog dar FNN dmana sstem fuzzy dekspreskan dalam struktur neural network. Lapsan Node Lapsan 4 Node akumulas aturan fuzzy dengan varabel lngustk keluaran yang sama Lapsan Node kombnas Aturan Fuzzy Lapsan Node Fuzzfkas Lapsan Node n x n n n U n I I Forward Propagaton FNN Back Propgataon FNN Gambar. Dagram Waktu tunda dar SPB []. Gambar mengambarkan proses pengrman paket data dar plant kontroler aktuator pada SPB dengan waktu tunda. Secara umum, terdapat tga bagan fundamental dar waktu tunda yang terjad d dalam sebuah jarngan. Waktu Gambar. Topolog dar Model Fuzzy Neural Network. Teknk adaptas FNN berdasarkan pada metode pembelajaran back propagaton pada neural network. Topolog FNN tersebut terdr dar lma lapsan dmana fungs dar setap lapsan dbahas dalam subbab n. FNN terdr dar dua tahap, yatu forward propagaton dan back propagaton. Pada tahap forward propagaton masukan dar sstem FNN dgunakan sebaga nformas untuk mengambl suatu keputusan. Tahap n sebenarnya merupakan proses perhtungan sstem fuzzy yang drepresentaskan ke dalam lma lapsan layaknya pada neural network. Jad, pada tahap forward propagaton melaksanakan fungs-fungs yang dlaksanakan sstem fuzzy, sepert fuzzfkas, aturan nferens, hngga defuzzfkas. Setelah proses pengamblan keputusan pada tahap forward propagaton, keputusan yang dperoleh

3 dbandngkan dengan keluaran yang dharapkan. Dengan perbandngan tersebut, maka dperoleh nla error. Nla error tersebut dgunakan sebaga nformas untuk melakukan perbakan parameter-parameter dar fuzzy. Proses adaptas parameter-parameter dar setap lapsan tersebut dlakukan pada tahap n, yatu back propagaton. Algortma learnng back propagaton dperoleh sama halnya pada neural network, yatu dengan memnmalkan energ error pada persamaan (). E n T O Dengan T dan O berturut-turut adalah keluaran yang dngnkan dan keluaran aktual. Untuk merepresentaskan aturan learnng, perlu dlakukan perhtungan E / O dar lapsan per lapsan FNN dmula dar lapsan terluar. A. Arstektur SPB III. PERANCANGAN SISTEM Arstektur SPB yang drancang pada peneltan Tugas Akhr n memlk lma elemen utama, yatu kontroler, aktuator, plant, sensor, dan jarngan komunkas. Kelma elemen tersebut dbangun dalam suatu konfguras sstem pengaturan lup tertutup. Gambar 4 menunjukkan blok dagram SPB yang dgunakan dalam perancangan peneltan Tugas Akhr n. Pemberan set pont, perhtungan nla error (selsh nla set pont dengan keluaran plant), serta desan kontroler dlakukan pada komputer dengan program LabVIEW. Snyal kontrol dkrm melalu jarngan Ethernet ke perangkat DAM dalam bentuk paket-paket data dgtal. Kemudan, perangkat DAM memproses paket data tersebut untuk dkonvers menjad snyal analog yang bersesuaan, yatu tegangan atau arus. Snyal kontrol yang telah dkonvers tersebut dkrm ke aktuator untuk mengatur varabel yang dkontrol pada plant, msal: tekanan. Keluaran dar plant kemudan dkrm kembal ke perangkat DAM untuk kemudan dkonvers menjad snyal dgtal yang bersesuaan dan dkrm ke komputer melalu jarngan Ethernet. () Berkutnya, snyal kontrol dkrm ke ADAM 000L/TCP untuk dproses melalu jarngan Ethernet. Modul AO-04 kemudan mengrm snyal kontrol tersebut dalam bentuk arus 4 0 ma. Sensor tekanan kemudan mendeteks tekanan yang terukur dan mengrm sebaga umpan balk dalam bentuk arus. Snyal keluaran tersebut kemudan dubah menjad tegangan 0.4 V pada process nterface. Snyal tersebut kemudan masuk ke ADAM 000L/TCP dan dubah menjad 0 V melalu fungs scalng yang datur pada perangkat lunak antarmukanya. Set Pont x(t) e(t) Kontroler u(t) + - FNN Gambar. Konfguras Fsk SPB. Snyal keluaran yang telah d-scalng tersebut kemudan dkrm melalu jarngan Ethernet dalam bentuk paket-paket data dan pada akhrnya dolah pada LabVIEW. B. Identfkas Sstem Orde dengan Delay Pemodelan matemats hasl dentfkas sstem pada jarngan yang memlk delay dlakukan dengan pendekatan sstem orde dengan delay. Respon sstem orde dengan delay tersebut dtunjukkan pada Gambar 6. K 0.6 K y (t) 0 y(t τ sc ) Komputer dengan: LabVIEW OPC KEPServerEx ADAM 000TCP Utlty T d τ transen t a t s t r Jarngan Komunkas ADAM 000L/TCP u steady state u(t - τ ca ) y(t) e ss t s (±%) = τ t s (±%) = 4τ t s (±0.%) = τ t r (% - 9%) = τ ln 9 t (detk) Set Pont x(t) + - e(t) y(t τ sc ) Kontroler FNN Snyal Kontrol u(t) Gambar 4. Blok Dagram SPB. Jarngan Komunkas Data Acquston Module (DAM) u(t - τ ca ) Aktuator Sensor PLANT Output y(t) Konfguras fsk dar SPB dengan menggunakan kontroler FNN pada plant pressure process rg 8-74 dtunjukkan pada Gambar. Snyal kontrol dan keluaran plant yang dolah pada LabVIEW dkrm atau dambl dar data modul I/O melalu perangkat lunak antarmuka ADAM 000L/TCP. Komunkas antara kedua perangkat lunak tersebut dlakukan melalu OPC KEPServerEx sebaga jembatannya. Oleh karena tu, perlu dlakukan pengalamatan agar data tersebut dapat dgunakan secara nteroperabltas. Gambar 6 Respon Sstem Orde dengan dengan delay untuk Snyal Uj Step. Persamaan matemats untuk sstem pada Gambar 6 dtunjukkan pada persamaan (). Y X T s Ke d s s s Dar persamaan () dapat dlhat bahwa terdapat tga parameter yang harus dtentukan, yatu gan (K), konstanta waktu (τ), dan waktu delay (T d ). Nla K, τ, dan T d dapat dtentukan sesua pada persamaan (), (4), dan () Y X SS () SS K () y t a y Td 0. 6 Yss (4) ta T d ()

4 Persamaan (! Reference source not found.) menunjukkan nla τ merupakan selsh dar t a dengan T d yang merupakan delay dar jarngan. Hasl dentfkas sstem melalu jarngan menghaslkan respon sstem sepert pada Gambar 7. Dar Gambar 7 dperoleh persamaan model matemats dar plant yang mengacu pada persamaan (), sebaga berkut: H s 0.6s e 0.68s Persamaan matemats dar plant tersebut memlk nla RMSE sebesar ps. Tekanan (ps) 6 4 Respon Hasl Identfkas Plant (Jarngan) Set Pont Respon Plant Respon Hasl Pemodelan Waktu (detk) Gambar 7 Respon Sstem Hasl Identfkas Plant Pressure Process Rg 8-74 Melalu Jarngan. C. Perancangan Kontroler FNN Setelah melakukan dentfkas terhadap plant yang akan dgunakan pada SPB, maka tahap selanjutnya adalah merancang kontroler. Pada peneltan Tugas Akhr n dlakukan perancangan kontroler FNN untuk dmplementaskan pada SPB. Mengacu pada topolog dar model FNN pada Gambar, dapat drancang struktur dar algortma kontroler FNN sepert pada Gambar 9. Lapsan Node Defuzzfkas (Terdr dar node keluaran: Up, V) Lapsan 4 Node akumulas aturan fuzzy. Melaksanakan Operas OR (Max) (Terdr dar nodes) Lapsan Node kombnas Aturan Fuzzy. Melaksanakan Operas AND (Product) (Jumlah Aturan FNN x = ) Lapsan Node Fuzzfkas (Setap masukan memlk Nla Lngustk) Lapsan Node Masukan (Terdr dar node) Gambar 8. Struktur Algortma Kontroler FNN. 4 I Up Kontroler FNN merupakan hbrda dar konsep fuzzy dan neural network. Sehngga, struktur dar algortma FNN dapat drepresentaskan sepert struktur dar neural network dmana setap node pada masng-masng lapsan V I Forward Propagaton FNN (6) Back Propgataon FNN melaksanakan fungs layaknya sebuah sstem fuzzy. Struktur kontroler FNN pada Gambar 8 drancang dengan memlk dua varabel lngustk masukan dengan masng-masng memlk lma nla lngustk. Sehngga, terdapat kombnas aturan pada sstem nferens aturan fuzzy-nya. Sstem FNN tersebut memlk dua varabel keluaran dengan masng-masng memlk lma nla lngustk. Blok dagram dar sstem pengaturan dengan kontroler FNN dtunjukkan pada Gambar 9. Terlhat error dan delta error dgunakan sebaga masukan dar kontroler FNN tersebut. Set Pont x(t) Gambar 9. Blok Dagram Kontroler FNN. Persamaan snyal kontrol yang dkeluarkan dar kontroler FNN dbangun berdasarkan struktur keluaran kontroler fuzzy PID. Kontroler fuzzy PID merupakan gabungan dar sstem fuzzy PD dengan fuzzy PI. Struktur blok dagram dar fuzzy PID yang dgunakan pada kontroler FNN dtunjukkan pada Gambar 0. e(t) Gambar 0. Struktur Snyal Kontrol dar Kontroler FNN. Terdapat dua buah sstem fuzzy, yatu sstem fuzzy PD dan sstem fuzzy PI, dmana masng-masng memlk masukan error dan delta error. Kedua sstem fuzzy tersebut memberkan keluaran, yatu u p (t) dan v (t). Persamaan untuk u p (t) dan u (t) tersebut dnyatakan pada persamaan berkut: t t u p u p (7) u t u t K v t (8) Sehngga, snyal kontrol u(t) dar kontroler FNN adalah u + - d dt d dt t u t u t p e(t) Sstem Fuzzy Sstem Fuzzy Parameter Adjustment Kontroler FNN up(t) v(t) (9) Penggunaan struktur snyal kontrol tersebut sesua dengan representas dar struktur algortma kontroler FNN pada Gambar 8, dmana FNN memlk dua buah keluaran yang bertndak sebaga u p (t) dan v (t). Algortma FNN terdr dar dua tahap, yatu forward propagaton dan back propagaton. () Forward Propagaton K Fuzzy PD Fuzzy PI Control Sgnal u(t) Sebelum membahas perancangan dar kontroler FNN u(t) + + Z - PLANT u(t) + + Output y(t) 4

5 lapsan per lapsan secara detl, dperkenalkan smbol-smbol yang akan dgunakan dalam membangun kontroler algortma kontroler tersebut. net,l O,L c,l, σ,l W j : nla masukan dar node ke- pada lapsan L. : nla keluaran dar node ke- pada lapsan L. : nla center dan wdth dar membershp functon model bellshaped. : bobot dar lnk yang menghubungkan Perancangan detl dar fungs masng-masng lapsan pada struktur algortma FNN dbahas sebaga berkut: Lapsan : Lapsan n terdr dar dua buah node yang masng-masngnya mengrm snyal masukan secara langsung ke node yang terhubung pada lapsan berkutnya. Node pertama meneruskan snyal error dan node kedua meneruskan snyal delta error sebaga varabel lngustk dan. Persamaan untuk tap node adalah sebaga berkut: O, I,, I O (0) Bobot dar lnk pada lapsan n adalah. Lapsan : Lapsan n terdr dar sepuluh node. Setap node pada lapsan n melakukan perhtungan membershp functon nla-nla lngustk dar setap varabel lngustknya. Lma node pertama melaksanakan perhtungan untuk nla-nla lngustk dar varabel lngustk pertama. Sedangkan, lma node terakhr melakukan perhtungan nlanla lngustk untuk varabel lngustk kedua. Lapsan n melaksanakan proses fuzzfkas. Bentuk membershp functon yang dgunakan adalah fungs bellshaped. Persamaan masukan dan keluaran setap node pada lapsan n dengan menggunakan fungs bell-shaped tersebut adalah sebaga berkut: O, untuk,,,4, net, () O, untuk 6,7,8,9,0 IF x s O m, AND x s O n, THEN y s O, Lapsan 4 : Setap node pada lapsan 4 melaksanakan operas OR dar fuzzy untuk mengakumulas aturan-aturan yang memlk nla lngustk dar varabel keluaran yang sama. Fungs operas setap node pada lapsan n dnyatakan sebaga berkut: n et w O (4),4 j j j, O, m,4 mn(, net, m, 4) () Dengan =,,, dan m =,. Persamaan tersebut sedkt berbeda dengan adanya ndeks m. Indeks tersebut muncul karena pada rancangan FNN Tugas Akhr n terdapat dua buah keluaran, yatu u p dan v, yang masng-masng memlk lma nla lngustk. Bobot lnk w j pada lapsan n mengekspreskan hubungan dar aturan ke-j dengan nla lngustk keluaran ke-. nla bobot tersebut hanya terdr dar dua nla, yatu 0 dan. Bobot tersebut bernla apabla node ke-j pada lapsan memlk hubungan dengan node ke-. Sama halnya dengan varabel lngustk masukan dengan lma nla lngustk, varabel lngustk keluaran juga memlk lma nla lngustk, yatu NB, NS, Z, PS, PB. TABEL I menyajkan desan dar Rule Base yang dgunakan kontroler FNN. Terlhat kedua varabel keluaran memlk krtera yang sama. Akan tetap, keduanya memlk nla numerk yang berbeda. TABEL I DESAIN RULE BASE DARI FNN UNTUK KELUARAN U P DAN V I NILAI LINGUISTIK UNTUK UP NILAI LINGUISTIK UNTUK VI NB NS Z PS PB NB NS Z PS PB NB NB NB NS NS Z DELTA ERROR NB NB NB NS NS Z NS NB NS NS Z PS NS NB NS NS Z PS Z NS NS Z PS PS Z NS NS Z PS PS PS NS Z PS PS PB PS NS Z PS PS PB PB Z PS PS PB PB PB Z PS PS PB PB net, c O, exp,, untuk =,,, 0 () Lapsan : Lapsan n memlk node yang merupakan kombnas aturan-aturan varabel-varabel lngustk masukannya. Kontroler FNN drancang memlk dua buah masukan (error, delta error) sehngga untuk setap node pada lapsan n akan memlk dua buah masukan yang berasal dar lapsan sebelumnya. Setap node akan melaksanakan operas AND terhadap kedua masukan tersebut. Dar beberapa fungs operas AND yang terserda, perancangan kontroler FNN n menggunakan fungs operas algebrac product. Persamaan untuk fungs operas tersebut dnyatakan sebaga berkut: O O O, untuk m = n =,,, 4, (), m, n, Keseluruhan kombnas aturan tersebut dapat dsajkan dalam bentuk aturan lngustk sebaga berkut: ERROR ERROR Lapsan : Tahap perhtungan pada lapsan n merupakan proses terakhr pada tahap forward propagaton FNN. Lapsan memlk jumlah node sebanyak dmana masngmasng node tersebut terhubung ke lma node pada lapsan sebelumnya. Setap node melaksanakan operas defuzzfkas sehngga dperoleh nla keluaran pada hmpunan crsp. Membershp functon keluaran yang dgunakan pada proses defuzzfkas tersebut adalah sngleton. Persamaan untuk keluaran node pada lapsan adalah sebaga berkut: s j, m j m, j O j, m,4 j, m,4 O untuk m =,. (6) O Dengan demkan, bobot lnk ke- pada lapsan n adalah s. Dmana, u p t O, dan t O, v (7)

6 Persamaan tersebut merupakan hasl dar tahap forward propagaton dar FNN. Dar keluaran snyal kontrol tersebut akan mengeluarkan respon dar sstem. Proses tersebut terjad terus menerus setap teras. () Back Propagaton Proses adaptas parameter-parameter dar setap lapsan tersebut dlakukan secara mundur dmula dar lapsan palng akhr menuju lapsan pertama. Lapsan : Pada tahap n dlakukan perbakan bobot dar lnk lapsan. Persamaan adaptas parameter yang dgunakan tersebut sesua persamaan (! Reference source not found.). O, j,4 s, j, (8) O Dengan j =,. t s, j,t st t O t, j,4 Lapsan 4 : Tdak ada parameter yang perlu dlakukan adaptas pada lapsan n. Hanya dlakukan perhtungan error, yatu sebaga berkut:,4 s, j,o, j,4 s, T t O t O, j,4 j,o, j,4 (9) Dengan j =,. Lapsan : Tdak ada parameter yang perlu dlakukan adaptas pada lapsan n. Hanya dlakukan perhtungan error dengan persamaan (9). (0),,4 Lapsan : Pada lapsan n perlu dlakukan adaptas parameter-parameter setap node-nya. Adaptas parameter center dan wdth dlakukan dengan persamaan berkut n: Berkut n persamaan untuk adaptas parameter center: c, exp net, c, net, c, t c, t c T t O t (),, Sedangkan, berkut n persamaan untuk adaptas parameter wdth: net c, exp,,,, t, t T t O t,, net c () Lapsan : Tdak ada parameter yang perlu dlakukan adaptas pada lapsan n. Karena hanya berfungs sebaga penerus nla masukan. IV. ANALISIS DAN PEMBAHASAN Pengujan kontroler FNN untuk sstem pengaturan tekanan pada SPB dlakukan dengan beberapa konds sstem. Knerja kontroler FNN danalss terhadap lma konds pengujan sstem, yatu perubahan set pont, pembebanan nomnal, pembebanan mnmal, pembebanan maksmal, serta varas delay terhadap setap pembebanan. A. Pengujan Sstem pada Jarngan dengan Varas Delay Terhadap Beban Mnmal. Pengujan beban mnmal dlakukan dengan menambahkan delay sebesar 0. detk pada SPB sehngga total delay yang dalam sstem sebesar 0.8 detk. Sstem tersebut menghaslkan respon sepert pada Gambar. Respon sstem mencapa 6.% dar keadaan steady pada τ =.0 detk. Respon sstem mengalam overshoot pada saat konds transen beban nomnalnya sebesar 9.98% pada t p =.4 detk. Dengan pemberan nla delay tersebut, terlhat pada Gambar tersebut respon mengalam delay sebesar 0.4 detk pada awal transen. Settlng tme sstem dcapa pada t s (±%) =.8 detk sedangkan rse tme drah selama t r (%-9%) = 0.6 detk. Nla settlng tme dan rse tme pada pemberan delay 0.8 detk lebh cepat dbandngkan pada pemberan delay yang lebh kecl akbat adanya skema ntegral pada struktur kontroler FNN. Semakn cepatnya t s dan t r mengakbatkan overshoot yang terjad semakn besar. Keadaan steady dcapa sstem pada t =. detk dengan e ss = ps atau sebesar 0.%. Tekanan (ps) Respon Sstem dengan Delay pada Jarngan (Beban Mnmal). Mp Set Pont Respon Sstem FNN Waktu (detk) Gambar. Respon Sstem dengan Kontroler FNN pada Jarngan dengan Delay 0.8 detk dan Beban Mnmal. Beban mnmal dberkan pada sstem pada saat t = 7 detk. Terlhat pada Gambar respon sstem mengalam oslas yang cukup besar dan lama ketka berusaha mengkut set pont. Dengan perubahan parameter sstem tersebut, kontroler FNN mula melakukan adaptas parameterparameternya. Pada t = 7.6 detk, sstem kembal ke keadaan steady dengan nla mnmal overshoot (%M p ) sebesar 60.%. Sstem membutuhkan waktu 0.6 detk untuk kembal ke keadaan steady ketka beban mnmal dberkan. Hal tu berart dbutuhkan 06 data teras untuk melakukan adaptas sehngga sstem dapat menghlangkan oslas. Perubahan parameter kontroler FNN pada saat beban mnmal dberkan dtunjukkan pada TABEL II. TABEL II ADAPTASI PARAMETER KONTROLER FNN TERHADAP BEBAN MINIMAL DAN DELAY 0.8 DETIK. Beban Mnmal Dberkan pada Sstem center wdth

7 Delta center wdth Center dar fuzzy sngleton Sngleton U p Sngleton V Beban Mnmal Dhlangkan dar Sstem center wdth Delta center wdth Center dar fuzzy sngleton Sngleton U p Sngleton V Pada saat t = 9.07 detk, beban mnmal tersebut dhlangkan. Sehngga, sstem mengalam perubahan parameter kembal. Sstem memlk nla mmmal overshoot sebesar 6.% dan kembal ke keadaan steady dengan pada saat t =. detk. Pengujan dengan pemberan delay total sebesar 0.8 detk pada SPB terbukt mash dapat datas kontroler FNN. Akan tetap, dbutuhkan waktu yang lebh lama untuk beradaptas menyesuakan perubahan parameter yang terjad pada sstem dengan pembebanan mnmal dan delay yang cukup besar. Waktu yang dbutuhkan untuk mencapa keadaan steady sebandng dengan penambahan nla delay pada SPB tersebut. B. Pengujan Sstem pada Jarngan dengan Varas Delay Terhadap Beban Maksmal. Pengujan beban maksmal dlakukan dengan menambahkan delay sebesar 0. detk sehngga total delay dar sstem adalah sebesar 0.8 detk. Sstem tersebut menghaslkan respon sepert pada Gambar. Respon sstem mencapa 6.% dar keadaan steady pada τ =. detk. Respon sstem mengalam maksmal overshoot pada saat konds transen beban nomnalnya sebesar 4.6% pada t p =.66 detk. Dengan pemberan nla delay tersebut, terlhat pada Gambar tersebut respon mengalam delay sebesar 0.67 detk pada awal transen. Settlng tme sstem dcapa pada t s (±%) =.8 detk sedangkan rse tme drah selama t r (%-9%) = 0.6 detk. Keadaan steady dcapa sstem pada t = 4. detk dengan e ss = ps atau sebesar 0.%. Beban maksmal dberkan pada sstem pada saat t = 8.8 detk. Terlhat pada Gambar respon sstem mengalam oslas ketka berusaha mengkut set pont. Dengan perubahan parameter sstem tersebut, kontroler FNN mula melakukan adaptas parameter-parameternya. Tekanan (ps) Respon Sstem dengan Delay pada Jarngan (Beban Maksmal) Dber Beban Set Pont Respon Sstem FNN Waktu (detk) Gambar. Respon Sstem dengan Kontroler FNN pada Jarngan dengan Delay 0.8 detk dan Beban Maksmal. Pada t = 6. detk, sstem kembal ke keadaan steady dengan nla maksmal overshoot (%M p ) sebesar.%. Sstem membutuhkan waktu 7.7 detk untuk kembal ke keadaan steady ketka beban mnmal dberkan. Perubahan parameter kontroler FNN pada saat beban mnmal dberkan dtunjukkan pada TABEL III. TABEL III Beban Dlepas ADAPTASI PARAMETER KONTROLER FNN TERHADAP BEBAN MAKSIMAL DAN DELAY 0.8 DETIK. Beban Maksmal Dberkan pada Sstem center wdth Delta center wdth Center dar fuzzy sngleton Sngleton U p Sngleton V Beban Maksmal Dhlangkan dar Sstem center wdth Delta center wdth Center dar fuzzy sngleton Sngleton U p Sngleton V Pada saat t = 0. detk, beban mnmal tersebut dhlangkan. Sehngga, sstem mengalam perubahan parameter kembal. Sstem memlk nla mnmal overshoot sebesar 9.64% dan kembal ke keadaan steady dengan pada saat t = 8. detk. Pada penambahan delay tersebut, kontroler FNN juga mash dapat mengatas terjadnya pembebanan maksmal pada sstem dengan melakukan adaptas parameter V. KESIMPULAN Berdasarkan hasl pengujan dan analss, dapat dperoleh beberapa kesmpulan. Pengaruh delay pada SPB dapat 7

8 dkompensas melalu penggunaan konroler FNN. Akan tetap, jka pengaruh delay lebh besar dan lebh cepat dar kecepatan adaptas FNN, respon sstem tdak dapat berada pada konds tetap. Untuk respon sstem dengan perubahan set pont dapat mengkut nla set pont tersebut dengan e ss = ± 0.% dan M p = ±.%. Sstem dengan beban nomnal dan delay konds normal SPB dapat mengkut nla set pont dengan e ss = ± 0.% dan %M p = ± 0%. Untuk pembebanan nomnal dengan varas delay dperoleh respon dapat mengkut nla set pont akan tetap memlk overshoot terbesar senla %M p = 6% pada delay 0.68 detk dan e ss = ± 0.%. Pada pembebanan mnmal dengan varas delay dperoleh respon sstem dapat mengkut set pont dalam waktu yang bervaras sebandng dengan dperbesarnya nla delay jarngan. Nla overshoot dan error keadaan steady terbesar dperoleh pada nla delay 0.4 detk sebesar %M p = ± 60.% dan e ss = ± 0.%. Pada pembebanan maksmal dengan varas delay dperoleh respon sstem dapat mengkut set pont dalam waktu yang bervaras pula. Nla overshoot dan error keadaan steady terbesar dperoleh pada nla delay 0.68 detk sebesar %M p = ± 4.% dan e ss = ± 0.%. [8], Pressure Control Traner Instructon Manual: 874, Vers Manual: 8 Seres, Ed04-000, Feedback Instrument Lmted, England, 00. Rende Ramadhan lahr d kota Tanjung Karang Lampung pada bulan Aprl Tahun 990. Ia menempuh penddkan sampa Sekolah Menengah Atas d dua provns berbeda, yatu Lampung dan Banten. Pencnta flm thrller dan acton n melanjutkan stud ke jenjang Strata- d perguruan tngg neger ternama d kota Surabaya pada tahun 008. D tahun kedua masa perkulahannya, Ia memlh bdang stud Sstem Pengaturan sebaga bdang keahlannya. Saat n, Ia berada pada semester ketujuh dan sedang mengerjakan peneltan Tugas Akhr. Peneltannya d bdang artfcal ntellgence. Pada akhr tahun ketga masa studnya, Ia melaksanakan kerja praktek d salah satu perusahaan kma yang ada d kota Clegon Banten, yatu PT. Asahmas Chemcal. Sebaga seorang mahasswa Teknk Elektro, Ia memlk mnat yang tngg d bdang robotka dan berhasl menduduk perngkat pertama pada kontes robot nasonal Java Robo Contest yang dlaksanakan pada tahun 00. Selan berkecmpung d bdang robotka, Ia juga mula bergelut d duna lngkungan dengan mengkut kompets novas teknolog lngkungan. Dengan ketertarkan barunya tersebut, Ia berhasl mengkut program musm panas Study of Unted States Insttute (SUSI) pada tahun 0. DAFTAR PUSTAKA [] Hespanha, J. P., Naghshtabrz, P. dan Xu Y., A Survey of Recent Result n Networked Control Systems, Proc. of The IEEE, Vol. 9, No., pp. 8-6, Januar, 007. [] Zhang, W., Brancky, M. S. dan Phllps. S. M., Stablty of Networked Control Systems, IEEE Control Systems Magazne, pp , Februar, 00. [] Tan, X., Wang, X. dan Cheng, Y., A Self-tunng Fuzzy Controller for Networked Control System, Internatonal Journal of Computer Scence and Network Securty, Vol. 7, No., Januar, 007. [4] [4] Farag, W. A., Quntana, V. H. dan Torres, G. L., A Genetc-Based Neuro-Fuzzy Approach for Modelng and Control of Dynamcal Systems, IEEE Transacton on Neural Network, Vol. 9, No., pp , September, 998. [] Tpsuwanporn, V., Intajag, S., Wtheephanch K., Koetsam-ang, N. dan Samamag, S., Neuro-Fuzzy Controller Desgn for Industral Process Controls, SICE Annual Conference, pp , Agustus, 004. [6] Sharmla, B. dan Devarajan, N., Neuro-Fuzzy Controller for Networked DC Motor Control, European Journal of Scentfc Research, Vol. 6, No., pp. 9-8, 0 [7] Chou, C. H. dan Lu, H. C., A heurstc self-tunng fuzzy controller, Elsever Scence on Fuzzy Set and System, No. 6, pp , North-Holland, 994. [8] Zengq, S. dan Zhdong, D., A Fuzzy Neural Network and Its Applcaton To Controls, Elsever Scence on Artfcal Intellgence n Engneerng, No. 0, pp. -, 996. [9] Chao, C. T. dan Teng, C. C., Implementaton of A Fuzzy Inference System Usng A Normalzed Fuzzy Neural Network, Elsever Scence on Fuzzy Set, No. 7, pp. 7-, 99. [0] Lee, C. H. dan Teng, C. C., Fne Tunng of Membershp Functons for Fuzzy Neural Systems, Asan Journal of Control, Vol., No., pp. 6-, September 00. [] Jang, J. S. R., Sun, C. T. dan Mzutan, E., Neuro-Fuzzy and Soft Computng: A Computatonal Approach to Learnng and Machne Intellgence, Prentce-Hall, Inc., USA, 997. [] Yan, J., Ryan, M. dan Power, J., Usng Fuzzy Logc, Prentce Hall Internatonal (UK), Cambrdge: Great Brtan, 994. [] Passno, K. dan Yurkovch, S., Fuzzy Logc, Addson-Wesley Longman, Calforna, 998. [4] Haykn, S., Neural Network: A Comprehensve Foundaton, Pearson Prentce Hall, Inda, 00. [] Zadeh, L. Fuzzy Sets, Informaton and Control, pp. 8-, Calforna, 96. [6] Reznk, L., Fuzzy Controllers, Bddles Ltd, Great Brtan, 997. [7] Ross, T. J., Fuzzy Logc wth Engneerng Applcaton, TJ Internatonal Padstow Cornwall, Great Brtan,