e (t) = sinyal kesalahan

Transkripsi

1 KENDALI SELF TUNING FUZZY PI PADA PENGENDALIAN WEIGHT FEEDER CONVEYOR 1 A. Chandra Saputro [1], Sumardi, ST. MT. [2], Budi Setiyono, ST. MT. [2] Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro, Jln. Prof. Sudharto, Tembalang, Semarang, Indonesia Abstrak Dalam industri, weight feeder conveyor memiliki peranan dalam menjaga suatu faktor kualitas produk yang akan dihasilkan dalam suatu proses produksi dengan feedrate yang konstan (misalnya dalam proses produksi makanan, zat kimia, plastik dll). Untuk mendapatkan tanggapan sistem weight feeder yang akurat maka diperlukan pengendalian tepat untuk sistem weight feeder conveyor. Kendali Fuzzy PI merupakan salah satu kendali dimana mengabungkan Kendali PID dengan Kendali Logika Fuzzy. Dalam perkembangannya kendali Fuzzy PID dikembangkan menjadi banyak bentuk salah satunya adalah kendali Self Tuning Fuzzy PI. Dengan menggunakan kendali Self Tuning Fuzzy PI pada pengendalian weight feeder conveyor didapatkan hasil tanggapan yang memiliki waktu naik yang cepat dan kesalahan tunak yang kecil. Pada pengujian sistem dengan tanki penuh dengan pasir didapatkan waktu naik 3,5 s dan kesalahan tunak sebesar 9,51 %. Kata kunci : Weight Feeder Conveyor, Fuzzy PI, dan Self-Tuning. I. PENDAHULUAN Dalam industri, weight feeder conveyor memiliki peranan dalam menjaga suatu faktor kualitas dari produk yang akan dihasilkan dalam suatu proses produksi dengan feedrate yang konstan (misalnya dalam proses produksi makanan, zat kimia, plastik dll). Weight feeder conveyor adalah suatu konveyor yang memiliki timbangan yang akan menentukan berat material yang akan diumpankan ke proses berikutnya dengan mengendalikan laju konveyor. Untuk mendapatkan tanggapan weight feeder yang akurat maka diperlukan pengendalian tepat untuk sistem weight feeder conveyor. Kendali Fuzzy PID diklasifikasikan secara garis besar dapat dibagi menjadi dua kategori berdasarkan bentuk modelnya. Kategori pertama adalah kendali Fuzzy PID yang terdiri dari himpunan-himpunan logika fuzzy dengan masukan perubahan error dan integral error yang memiliki karakteristik sinyal kendali yang mirip dengan kendali PID atau dapat juga disebut kendali Fuzzy PID-like. Kategori lainnya dari kendali Fuzzy PID terdiri dari kendali konvensional PID yang dihubungkan secara bertingkat dengan logika fuzzy yang berperan sebagai penala penguatan PID secara on-line. Dalam Tugas Akhir ini digunakan kendali Fuzzy PI dengan pengembangan penambahan penguatan Alpha sehingga dapat disebut kendali Self Tuning Fuzzy PI. Kendali Self Tuning Fuzzy PI memiliki struktur model kendali Fuzzy PI yang terdiri dari kendali P-like ditambah kendali Integral sehingga secara umum menyerupai kendali PI yang memiliki keunggulan dalam laju waktu naik / turun yang cepat. Pengendalian feedrate yang memiliki tanggapan yang cepat serta plant yang nonlinear dapat menggunakan Kendali Self Tuning Fuzzy PI diharapkan memiliki waktu naik / turun yang cepat dan tanggapan keluaran yang stabil. II. DASAR TEORI 2.1 Pengendali PI Pengendali PI adalah sistem pengendali gabungan antara pengendali proporsional, integral, dan differensial. Dalam waktu kontinyu, sinyal keluaran pengendali PI dirumuskan sebagai : t Kp u ( t ) = Kp e ( t ) + e( t) dt... (2.1) Ti dengan : u (t) = sinyal kendali K p = konstanta proporsional T i = waktu integral e (t) = sinyal kesalahan 2.2 Logika Fuzzy Struktur dasar pengendali logika fuzzy terdiri dari 4 komponen utama yaitu : 1. Unit fuzzifikasi (Fuzzification unit) 2. Basis pengetahuan (Knowledge base) 3. Mekanisme pertimbangan fuzzy (Fuzzy reasoning) 4. Unit defuzzifikasi (Defuzzification unit) [1] [2] Mahasiswa Jurusan Teknik Elektro UNDIP Dosen Jurusan Teknik Elektro UNDIP

2 2 Gambar 2.1 Struktur dasar pengendali logika fuzzy 2.3 Kendali Fuzzy PID Teknik kendali Fuzzy PID adalah teknik kendali yang menggabungkan kendali PID dan Fuzzy untuk pengendalian suatu proses. Aksi kendali pada hibrid PID Fuzzy banyak digunakan untuk kendali sistem linier maupun nonlinier. Kendali Fuzzy PID telah dipelajari secara luas dan banyak tipe dari kendali Fuzzy PID telah dikembangkan. Secara garis besar kendali Fuzzy PID dapat dibagi dalam dua macam berdasarkan bentuknya. Salah satu bentuk dari kendali Fuzzy PID adalah kendali Fuzzy yang terdiri dari basis aturan yang tanggapannya memiliki kemiripan dengan kendali PID, sehingga kendali Fuzzy ini dapat juga disebut sebagai kendali Fuzzy PID-like. Sedangkan bentuk yang lain dari kendali Fuzzy PID adalah sistem dimana kendali utamanya adalah kontroler PID dan kendali Fuzzy menala penguatan PID secaral online. beberapa jam sekali sebelum dilakukan pengemasan. Pengujian ini meliputi persentase dari bahan baku dan apabila terdapat penyimpangan maka akan dilakukan koreksi terhadap komposisi bahan-bahan tersebut. Untuk menunjang hal tersebut di atas, maka digunakan weight feeder. Secara garis besar, prisip kerja weight feeder conveyor adalah sebagai berikut : material atau bahan yang lewat pada belt conveyor akan dideteksi oleh load cell (sensor berat). Pengendali berfungsi untuk memberikan nilai pembanding yang berasal dari pembacaan data. Masukannya adalah sinyal yang berasal load cell dan speed sensor berupa kecepatan konveyor. Kemudian kedua masukan ini dikalikan di kontroler menghasilkan sinyal feedrate dengan formula sebagai berikut : Feedrate = Berat x Kecepatan... (2.2) Sistem pengaturan jumlah komponen bahan/material dilakukan dengan mengurangi atau menambah kecepatan pada motor driver belt conveyor. Sensor Kecepatan Silo Sensor berat X Motor DC DC Driver Controller Set Point Gambar 2.3 Sistem kalang tertutup pada weight feeder III. PERANCANGAN Rancangan plant weight feeder conveyor dapat dilihat pada Gambar 3.1. Gambar 2.2 Blok diagram Kendali Fuzzy PID-like Gambar 2.3 Kendali Fuzzy PI dengan Fuzzy sebagai penala penguat pada kendali PI 2.4 Weight Feeder Conveyor Terdapat beberapa metode dalam menjaga kualitas produk yang dihasilkan dan nantinya akan dipasarkan ke konsumen. Salah satunya dengan melakukan pengujian bahan di laboratorium setiap Gambar 3.1. Perancangan plant weight feeder conveyor dimensi 68 x 25 x 53 cm 3.1 Perancangan Perangkat Keras (Hardware) Secara umum blok diagram perancangan perangkat keras weight feeder conveyor pada tugas akhir ini ditunjukkan oleh diagram blok pada Gambar 3.2.

3 3 Gambar 3.2 Diagram blok perancangan perangkat keras weight feeder conveyor Rangkaian DAC 88 berfungsi untuk mengubah data digital berupa masukan sinyal kendali dari komputer menjadi data analog berupa tegangan. Pengkondisi sinyal yang mengarah ke driver motor dc berfungsi untuk mengubah level tegangan keluaran DAC 88 dari 5 Volt menjadi level tegangan 15 Volt. Kemudian sensor kecepatan motor dc menggunakan rangkaian optocopler dan schmitt trigger dengan keluaran pulsa dengan level tegangan 5 Volt yang akan dicounter oleh counter eksternal dari mikrokontroler. Pengkondisi sinyal dari sensor berat berfungsi untuk mengkonversi dari hambatan menjadi tegangan dan membagi tegangan keluaran sensor berat FlexyForce 15 Volt sehingga diperlukan pembagi sebesar 15 / 5 = 3 kali untuk referensi ADC adalah 5 Volt. Rangkaian ADC 84 digunakan untuk mengubah besaran analog dari pengkondisi sinyal ke data digital sehingga dapat diolah di komputer. Mikrokontroler digunakan untuk mengatur aliran data dari ADC ke komputer atau dari komputer ke DAC. Komunikasi yang digunakan adalah komunikasi serial melalui RS 232. Mikrokontroler menerjemahkan perintah dari komputer apakah mengirim data ke DAC atau mengambil data dari ADC dan counter dan mengirimkannya ke komputer. Komputer digunakan sebagai unit kendali untuk mengaplikasikan algoritma kendali Self Tuning Fuzzy PI. Disamping itu, komputer juga digunakan untuk menampilkan grafik tanggapan dan menyimpan data ke file untuk keperluan analisis. Gambar 3.4 DAC, pengkondisi sinyal, driver dan sensor kecepatan motor DC Gambar 3.5 ADC dan pengondisi sinyal sensor berat 3.2 Perancangan Perangkat Lunak (Software) Blok diagram dan diagram alir perangkat lunak pengendalian weight feeder conveyor dengan kendali Self Tuning Fuzzy PI terlihat pada Gambar 3.6 dan Gambar 3.7 Gambar 3.6 Diagram blok kendali Self Tuning Fuzzy PI Gambar 3.3 Rangkaian minimum mikrokontroler dan RS 232 (a)

4 4 Dengan persamaan PI sebagai berikut: Kp Δun = Kp( en en 1 ) + ents Ti dengan pendekatan diskrit menjadi: 1 Δ u ( = K p( Δe( + e( Ts )... (3.7) T i Hubungan antara penguat PI dengan Fuzzy adalah: GDE * GU = K p... (3.8) GIE 1 =... (3.9) GDE T i Jumlah aturan yang digunakan pada kendali P- like adalah sebanyak 5 aturan dengan masukan Δerror dan keluarannya sinyal kendali (FuzzyOut). Adapun basis aturan diperlihatkan sebagai berikut: (b) Gambar 3.7 (a) Diagram alir program utama (b) Diagram alir program pengendalian Logika Fuzzy Kendali PI Dalam perancangan kendali PI yang digunakan dalam Tugas Akhir ini kendali proporsional yang digunakan kendali Logika Fuzzy memiliki aksi kendali seperti kendali proporsional dan ditambah kendali integeral atau dapat dikatakan kendali proporsional-like (P-like) plus integral. IF ΔError is Negatif Besar THEN FuzzyOut is Negatif Besar IF ΔError is Negatif Kecil THEN FuzzyOut is Negatif Kecil IF ΔError is Zero THEN FuzzyOut is Zero IF ΔError is Positif Kecil THEN FuzzyOut is Positif Kecil IF ΔError is Positif Besar THEN FuzzyOut is Positif Besar Batas-batas variabel linguistik himpunan fuzzy masukan dan keluaran seperti terlihat pada Tabel 3.1 Tabel 3.1 Batas-batas variabel linguistik kendali Proporsional-like pada kendali Self Tuning Fuzzy PID Gambar 3.8 Blok diagram penguatan pada kendali Fuzzy PI e( = referensi keluaran... (3.1) Δe ( = e( e( k 1)... (3.2) Δ E( = GDE * Δe(... (3.3) IE ( = GIE * ie(... (3.4) dimana ie ( = e( * T s dan Ts = waktu cuplik Δ u( = GU * ΔU (... (3.5) Δ u ( = [ f ( GDE * Δe( ) + GIE * ie( ] * GU dengan pendekatan linier maka u ( = [ GDE * Δe( + GIE * ie( ] * GU GIE = GDE * GU *[ Δe( + * ie( ].. (3.6) GDE Dengan mekanisme pertimbangan fuzzy menggunakan metode MAX-MIN nilai keluaran Fuzzy yang didapatkan selanjutnya akan melalui defuzzifikasi yang menggunakan metode COA (Center of Area), yaitu tahapan untuk mendapatkan suatu nilai crisp dari keluaran Fuzzy berupa perubahan sinyal kendali.

5 Logika Fuzzy Penguat Alpha Dengan penambahan penguat alpha pada perubahan sinyal kendali maka bentuk ini dapat dikatakan kendali Self Tuning Fuzzy PI. Fungsi dari penguat alpha ini adalah dapat lebih mempercepat respon sistem menuju referensi serta dapat mengurangi kesalahan tunak. Dalam perancangan penguat alpha ini nilainya ditentukan oleh logika Fuzzy dengan batas tertentu sehingga dapat disesuaikan dengan tanggapan sistem secara online. Dengan bentuk kendali Self Tuning Fuzzy PI ini maka persamaan sinyal kendalinya menjadi: u( = u( k 1) + α * Δu(... (3.1) Dalam tugas akhir ini digunakan basis data dengan 2 buah masukan yaitu error dan Δerror serta sebuah buah keluaran yaitu penguat alpha 3 buah variabel linguistik error dan Δerror dapat dilihat pada Tabel 3.2 Tabel 3.2 Basis data penguat alpha Batas-batas variabel linguistik himpunan fuzzy masukan dan keluaran seperti terlihat pada Tabel 3.3 Tabel 3.3 Batas-batas variabel linguistik penguat alpha pada kendali Self Tuning Fuzzy PI IV. ANALISA DAN PEMBAHASAN 4.1 Pengujian Kalang Terbuka Untuk mengetahui karakteristik plant weight feeder conveyor yang akan dikendalikan, maka dapat dilakukan dengan pengujian secara kalang terbuka tanpa beban. Pengujian kalang terbuka ini dilakukan dengan cara mengirimkan tegangan ke motor DC sebagai aktuator dari plant weight feeder conveyor dengan jangkauan antara sampai dengan 15 volt. Tanggapan keluaran pengujian kalang terbuka ditunjukkan pada Gambar 4.1. Kecepatan (cm/s) Waktu (deti. Gambar 4.1 Tanggapan keluaran sistem dengan pengujian kalang terbuka Pengujian kalang terbuka menunjukkan bahwa dengan tegangan 9 volt akan menghasilkan kecepatan motor dc yang stabil pada kecepatan 18,7 cm/s dengan waktu naik sebesar 3,48 s dan kesalahan tunak 6,9%. 4.2 Pengujian Kendali Self Tuning Fuzzy PI Pada pengujian kendali Self Tuning Fuzzy PI pada weight feeder conveyor dilakukan pengujian pada nilai penguat tertentu, pengujian pengaruh penguatan Alpha dan pengujian pada sistem. Pada pengujian nilai penguat tertentu dan pengujian pengaruh penguatan alpha dilakukan dengan berat yang konstan (digunakan tanpa beban) untuk dapat membandingkannya Pengujian pada Nilai Penguatan Tertentu Pengujian dilakukan pada plant tak berbeban dengan referensi kecepatan 2 cm/s dan pemilihan nilai penguat dilakukan dengan metode empiris. Hasil pengujian diperlihatkan pada Gambar 4.3 Dengan mekanisme pertimbangan fuzzy menggunakan metode MAX-MIN nilai keluaran Fuzzy yang didapatkan selanjutnya akan melalui defuzzifikasi yang menggunakan metode COA (Center of Area), yaitu tahapan untuk mendapatkan suatu nilai crisp dari keluaran Fuzzy berupa penguatan alpha. (a) (b)

6 dapat menyebabkan waktu naik yang semakin cepat tetapi kestabilan sistem menjadi memburuk. 6 (c) Gambar 4.2 Tanggapan keluaran plant (a) GDE=2, GU=2, GIE=1 (b) GDE=5, GU=2, GIE=1 (c) GDE=2, GU=4, GIE=1 (d) GDE=2, GU=2, GIE=2 Pada Gambar 4.2 (a) sampai (d) dapat dilihat perbandingan tanggapan keluaran dari plant berdasarkan pada perubahan penguatan. Pada Gambar 4.2 (a) dan Gambar 4.2 (b) dilakukan pengujian dengan nilai GDE yang berbeda dimana Gambar 4.2 (a) adalah tanggapan keluaran plant dengan GE = 2 dan Gambar 4.2 (b) dengan GDE = 5 dan memiliki GIE dan GU yang sama, dilihat dari waktu naiknya Gambar 4.2 (b) memiliki waktu naik 3,1 s lebih cepat daripada Gambar 4.2 (a) yang memiliki waktu naik sebesar 4,44 s. Sedangkan pada kesalahan tunaknya Gambar 4.2 (a) sebesar 1,3% dari nilai referensinya lebih kecil dari pada Gambar 4.2 (b) memiliki kesalahan tunak sebesar 9%. Maka peningkatan nilai penguatan GDE dapat menyebabkan waktu naik yang semakin cepat tetapi kestabilan sistem menjadi memburuk. Pada Gambar 4.2 (a) dan Gambar 4.2 (c) dilakukan pengujian dengan nilai GU yang berbeda dimana Gambar 4.2 (a) adalah tanggapan keluaran plant dengan GU = 2 dan Gambar 4.2 (c) dengan GU = 4 dan memiliki GDE dan GIE yang sama, dilihat dari waktu naiknya Gambar 4.2 (c) memiliki waktu naik 1,98 s lebih cepat daripada Gambar 4.2 (a) yang memiliki waktu naik sebesar 4,44 s. Sedangkan pada kesalahan tunaknya Gambar 4.2 (a) sebesar 5% dari nilai referensinya lebih kecil dari pada Gambar 4.2 (c) memiliki kesalahan tunak sebesar 14,5%. Maka peningkatan nilai penguatan GU dapat menyebabkan waktu naik yang semakin cepat tetapi kestabilan sistem menjadi memburuk. Pada Gambar 4.2 (a) dan Gambar 4.2 (d) dilakukan pengujian dengan nilai GIE yang berbeda dimana Gambar 4.2 (a) adalah tanggapan keluaran plant dengan GIE = 1 dan Gambar 4.2 (d) dengan GI = 2 dan memiliki GDE dan GU yang sama, dilihat dari waktu naiknya Gambar 4.2 (d) memiliki waktu naik 1,97 s lebih cepat daripada Gambar 4.3 (a) yang memiliki waktu naik sebesar 4,44 s. Sedangkan pada kesalahan tunaknya Gambar 4.2 (a) sebesar 5% dari nilai referensinya lebih kecil dari pada Gambar 4.2 (d) memiliki kesalahan tunak sebesar 9%. Maka peningkatan nilai penguatan GIE (d) Pengujian Pengaruh Penguatan Alpha Pengujian dilakukan pada plant tak berbeban dengan referensi kecepatan 2 cm/s dan variasi referensi dan penguat GDE = 2, GU = 2 dan GIE = 1 serta dengan basis aturan yang sama. Hasil pengujian diperlihatkan pada Gambar 4.3 a dan b. (a) (b) Gambar 4.3Tanggapan keluaran (a) kendali Self Tuning Fuzzy PI dan (b)kendali Fuzzy PI dengan referensi 2 cm/s Pada Gambar 4.3 (a) dan Gambar 4.3 (b) dilakukan pengujian pengaruh penguatan alpha dimana Gambar 4.3 (a) adalah tanggapan keluaran plant dengan dengan penguatan alpha dan Gambar 4.3 (b) tanpa penguatan alpha dan memiliki penguatan yang sama pada referensi 2 cm/s, dilihat dari waktu naiknya Gambar 4.3 (b) memiliki waktu naik 3,56 s lebih cepat daripada Gambar 4.3 (a) yang memiliki waktu naik sebesar 4,44 s. Sedangkan pada kesalahan tunaknya Gambar 4.3 (a) sebesar 5% dari nilai referensinya lebih kecil dari pada Gambar 4.3 (b) memiliki kesalahan tunak sebesar 6%. Maka penambahan penguatan alpha pada kendali Fuzzy PI dapat menyebabkan waktu naik yang lebih lambat tetapi kestabilan sistem menjadi membaik. (a) (b) Gambar 4.4 Tanggapan keluaran (a) kendali Self Tuning Fuzzy PI dan (b) kendali Fuzzy PI dengan variasi referensi Pada Gambar 4.4 (a) dan Gambar 4.4 (b) dilakukan pengujian pengaruh penguatan alpha dimana Gambar 4.4 (a) adalah tanggapan keluaran plant dengan dengan penguatan alpha dan Gambar 4.4 (b) tanpa penguatan alpha dan memiliki penguatan yang sama pada variasi referensi, dilihat dari waktu naik atau turun Gambar 4.4 (a) memiliki waktu naik dant turun lebih cepat daripada Gambar 4.4 (b). Sedangkan pada kesalahan tunaknya

7 7 Gambar 4.4 (a) lebih kecil dari pada Gambar 4.4 (b) memiliki kesalahan tunak yang lebih sebesar. Maka penambahan penguatan alpha pada kendali Fuzzy PI pada variasi referensi dapat menyebabkan waktu naik yang lebih cepat dan kestabilan sistem lebih baik Pengujian Sistem Weight Feeder Conveyor Pengujian dilakukan dengan referensi feedrate 31 gram/s dengan kondisi pasir pada tanki penuh. Hasil pengujian diperlihatkan pada Gambar 4.5. Feedrate (gram/s) Waktu (deti 4 45 Ref erensi 5 55 Keluaran Gambar 4.5 Tanggapan keluaran kendali Self Tuning Fuzzy PI pada Pengendalian weight feeder conveyor dengan tanki penuh Pengujian kendali Self Tuning Fuzzy PI pada pengendalian weight feeder conveyor memperlihatkan bahwa pada referensi 31 gram/s tanggapan keluaran sistem dapat mengikuti referensi dengan waktu naik sebesar 3,5 s dan waktu turun sebesar 4,14 s dan memiliki lonjakan maksimum 25,35 gram/s atau 8,6% dalam kondisi yang masih dapat ditolerasi dan memiliki kesalahan tunaknya sebesar 9,51 %. Berdasarkan hasil perhitungan berat yang didapat dapat dianalisa sebesar 31 gram/s * 14,15 s = 4,386 kg sedangkan jumlah berat yang terukur adalah 5 kg. Kesalahan antara hasil perhitungan dengan berat sebenarnya pada berat hasil pengendalian sebesar 12,28 %. Pengujian selanjutnya dilakukan dengan referensi feedrate yang sama dengan kondisi pasir pada tanki yang dilakukan pengisian ulang. Hasil pengujian diperlihatkan pada Gambar 4.6. Feedrate (gram/s) Waktu (deti Referensi Keluaran Gambar 4.6 Tanggapan keluaran kendali Self Tuning Fuzzy PI pada Pengendalian weight feeder conveyor dengan tanki diisi ulang 6 Pengujian kendali Self Tuning Fuzzy PI pada pengendalian weight feeder conveyor memperlihatkan bahwa pada referensi 25 gram/s Berdasarkan hasil perhitungan berat yang didapat dapat dianalisa sebesar 31 gram/s * 29,21 s = 9,337 kg sedangkan jumlah berat yang terukur adalah 8 kg. perbedaan antara hasil perhitungan dengan berat sebenarnya pada berat hasil pengendalian sebesar 33,2 %. Data hasil pengujian pada sistem dengan beban pasir memperlihatkan bahwa kendali Self Tuning Fuzzy PI memiliki pengendalian menghasilkan tanggapan keluaran yang cepat mengikuti referensi dan stabil untuk mengendalikan weight feeder conveyor yang memilki nilai tangapan keluaran yang dinamis dan nonlinier. Perbedaan antara hasil perhitungan dengan berat sebenarnya pada berat hasil pengendalian semakin lama waktu pengendalian maka perbedaannya semakin kecil. V. PENUTUP 5.1 Penutup Berdasarkan pengujian dan analisis yang telah dilakukan, maka dapat disimpulkan hal-hal sebagai berikut : 1. Peningkatan nilai penguatan GDE, GIE, dan GU dapat menyebabkan waktu naik yang semakin cepat tetapi kestabilan sistem menjadi memburuk. 2. Dari hasil pemilihan penguatan secara empiris didapatkan penguat GDE sebesar 2, penguat GIE sebesar 1 dan penguat GU sebesar 2 dapat memberikan hasil optimal. 3. Pengaruh penguatan alpha pada kendali Fuzzy PI dengan referensi tetap dapat menyebabkan waktu naik lebih kecil sedangkan pada referensi yang bervariasi (berubah-ubah) dapat menyebabkan waktu naik yang lebih cepat dan kestabilan sistem yang lebih baik. 4. Data hasil pengujian pada sistem dengan beban pasir memperlihatkan bahwa kendali Self Tuning Fuzzy PI memiliki pengendalian menghasilkan tanggapan keluaran yang cepat mengikuti referensi dan stabil untuk mengendalikan weight feeder conveyor yang memilki nilai tangapan keluaran yang dinamis dan nonlinier. Pada pengujian sistem dengan tanki penuh dengan pasir didapatkan waktu naik 3,5 s dan kesalahan tunak sebesar 9,51 %. 5.2 Saran Beberapa hal yang dapat disarankan dari pelaksaan tugas akhir ini adalah :

8 8 1. Untuk lebih memperbesar batas pengaturan weight feeder conveyor sebaiknya digunakan motor yang mempunyai torsi yang lebih besar dan pemilihan sensor berat yang lebih sensitif (disesuaikan dengan perancangan plant). 2. Untuk meningkatkan proses kendali dapat menggunakan model kendali Fuzzy PI atau kendali yang lain untuk mengendalikan weight feeder conveyor sehingga menghasilkan tanggapan sistem yang lebih baik lagi. 3. Untuk pengembangan lebih lanjut pengendalian dapat menggunakan mikrokontroller atau PLC. BIODATA MAHASISWA A. Chandra Saputro (L2F 2 538) Mahasiswa Jurusan Teknik Elektro, Fakultas Teknik Universitas Diponegoro Semarang, dengan pilihan konsentrasi Kontrol. Semarang, April 27 Mengetahui/Mengesahkan, DAFTAR PUSTAKA Pembimbing I Pembimbing II [1] Brown, Martin and Harris, Neurofuzzy Adaptive Modelling and Control, Prentice Hall Inc, 1994 [2] Ogata, Katsuhiko, Teknik Kontrol Otomatik, Jilid 1, Erlangga, Jakarta, [3] Sudjadi, Teori dan Aplikasi Mikrokontroler, Graha Ilmu, Yogyakarta, 25. [4] Theraja, BL, A Text Book of Electrical Technology, Nirja Contruction& Development CO.(P). LTD, Ram Nagar, New Delhi, [5]..., [6]..., ons/fuzzypi22.pdf Sumardi, ST. MT. Budi Setiyono, ST. MT. NIP NIP