PERANCANGAN DAN IMPLEMENTASI NEUROFUZZY ADAPTIVE BERBASISKAN REAL TIME UNTUK PENGATURAN TEMPERATUR PADA FURNACE

Transkripsi

1 PERANCANGAN DAN IMPLEMENTASI NEUROFUZZY ADAPTIVE BERBASISKAN REAL TIME UNTUK PENGATURAN TEMPERATUR PADA FURNACE Pranata Sulistyawan Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Surabaya Abstrak Pada penelitian ini, furnace digunakan untuk memanaskan cetakan emas yang terbuat dari gips, dengan tujuan untuk mengeluarkan semua sisa sisa bahan paraffin (lilin) yang terdapat didalam cetakan tersebut agar nantinya cetakan tersebut tidak rusak, sehingga dilakukan pola pemanasan tertentu mengikuti fungsi waktu. Dengan demikian, dibutuhkan sebuah kontroler realtime, dengan sistem kendali tracking pada sistem closed loop. Untuk yang non adaptive akan selalu memberikan sinyal keluaran yang selalu terlambat terhadap masukan yang diberikan, walaupun sudah diberikan model following tracking. Agar keluaran selalu mengikuti fungsi waktu tanpa keterlambatan maka diperlukan mekanisme adaptif. Kontrol neurofuzzy berguna untuk mengurangi osilasi pada perubahan atau ketidakstabilan temperatur pada furnace, sedangkan untuk mengatasi ketidak linear dari sistem tersebut digunakan kontrol adaptif. Oleh karena itu, perlu dibuat suatu kontrol adaptif dengan harapan keluaran yang didapatkan tersebut tidak akan terlambat lagi terhadap fungsi waktunya dan menjaga perubahan temperatur pada furnace agar sesuai dengan setpoint yang diinginkan. Kata Kunci: Neural Network, Fuzzy Logic, Neurofuzzy, furnace, adaptive control, backpropagation. 1. PENDAHULUAN Perkembangan dunia teknologi kontrol membawa dampak pada semakin banyaknya aplikasiaplikasi yang dapat dibuat dan dipergunakan pada berbagai macam aplikasi di industri. Aplikasiaplikasi dari teknologi kontrol ini dapat diimplementasikan dan diterapkan pada bidang industri yang berhubungan dengan kecerdasan buatan untuk mengatur temperatur yang tinggi pada furnace. Berdasarkan penelitian sebelumnya, pengujian dan analisa mengenai pemerataan panas yang dihasilkan dalam tungku atau furnace sangat diperlukan untuk meningkatkan akurasi serta mengurangi pengaruh perbedaan hasil pengukuran antara sensor dengan pemanas. Hal ini, menyebabkan waktu naik respon transien sistem menjadi lama. Oleh karena itu, dilakukan pengaturan temperatur dengan menggunakan sistem pengaturan cerdas dengan metode neurofuzzy dengan struktur neuralnetwork dengan aturanaturan fuzzy. Aplikasi neurocontrol yang pertama dikembangkan oleh Widrow dan Smith pada tahun Suatu ADAptive LINear Element (ADALINE) diajarkan untuk membuat kurva peralihan untuk mengatur kestabilan pendulum. Saat tahun 70an, Albus mengusulkan CMAC sebagai model yang tersusun atas fungsifungsi dari otak kecil dan menggunakannya sebagai kontrol manipulator pada robot. Sejak awal tahun 80an, CMAC telah banyak digunakan untuk sistem permodelan dan kontrol yang non linear pada pemrosesan kimia[8]. Pada pertengahan tahun 80an digunakan kembali untuk aplikasi robot[9,10]. Selama periode tahun 80an banyak arsitektur dari Artifial Neural Network (ANN) dan Artificial Intelligent Control (AIC) yang digunakan untuk mengembangkan algoritma ini, sehingga kekuatan pembelajaran dan skema metode adaptif seing dikembangkan melalui riset Fuzzy logic pertama kali diperkenalkan oleh Prof. Lotfi Zadeh (1965) [4] sebagai pengendali dan proses yang samar atau infomasi lingual. Banyak. fuzzy logic telah dikembangkan untuk menyediakan algoritma proses pengolahan informasi yang halus sekali dengan input yang halus dan transformasi output yang digunakan untuk pengambilan data yang bermanfaat. Dalam hubungannya dengan neural network, perkembangan dari fuzzy logic mempunyai sejarah yang sama. Teori dasar dan algoritma fuzzy logic dikembangkan pada akhir tahun 60an, dan aplikasi kontrol yang pertama ditemukan oleh Mamdani. Selama tahun 70an Mamdani mengembangkan risetnya sehingga menemukan selforganizing fuzzy control. Selama tahun 80an, hanya sebagian kecil saja riset yang dilakukan di Inggris dan Amerika Serikat, tetapi di Jepang aplikasi kontrol fuzzy logic banyak sekali dikembangkan[8]. Produk yang telah digunakan menggunakan metode tersebut meliputi ruang lingkup kontrol kereta api bawah tanah, kontrol helikopter, mekanisme autofocus kamera, kontroler mesin cuci modern dan juga digunakan dalam jumlah yang sangat besar di industri otomotif[self 1990]. Kontroler fuzzy mempunyai performansi kestabilan jauh lebih baik daripada tuning PID controller. Segala aplikasi tersebut terjadi di Inggris, tetapi selama tahun 80an eksploitasi teknik ini sangat bekembang di Jepang[5,8]. Dengan segala keterangan atas perkembangan algoritma ANN dan fuzzy logic maka kita dapat mengkombinasikan kedua metode tersebut untuk permodelan sistem yang sangat bermanfaat[6, 9, 10]. Neurofuzzy dengan metode pendekatan fuzzy neuralnetwork akan dibahas pada Bagian 2. Struktur kontroler yang digunakan pada sistem, berdasar sebuah fungsi waktu kontinyu untuk mengatur derajat akurasi, sesuai dengan model yang diinginkan dan untuk menjaga kestabilan temperatur pada furnace akan dijelaskan pada Bagian 3. Pada Bagian 4 dibahas tentang hasil dan analisa sistem. Proceeding Tugas Akhir Bidang Studi Teknik Sistem Pengaturan Jurusan Teknik Elektro FTIITS 1

2 Hasil dari pengujian sistem dengan metode control neurofuzzy adaptif dibahas pada Bagian KONTROLER PI DAN NEUROFUZZY Dalam setiap perancangan kontroler, diperlukan suatu spesifikasi kontrol yang akan digunakan sebagai acuan perancangan. Parameterparameter yang diperlukan untuk menganalisa karakteristik performansi sistem kontrol adalah sebagai berikut: 1. Waktu tunda(delay time) t d : adalah waktu yang diperlukan respon mencapai setengah harga akhir yang pertama. 2. Waktu naik(risetime) t r : adalah waktu untuk respon naik dari 10% sampai 90%, 5% sampai 90%, atau 0% sampai 100% dari harga akhirnya. 3. Waktu puncak(peaktime) t p : adalah waktu untuk mencapai puncak lewatan (overshoot pertama). 4. Lewatan maksimum(maksimum overshoo M p : adalah puncak lewatan maksimum respon transien atau secara matematis diberikan sebagai berikut: Persen lewatan maksimum = {c() c() / c()} x 100% Besarnya (persen) lewatan maksimum secara langsung menunjukkan kestabilan relatif sistem. 5. Waktu penetapan (settlingtime) t s : adalah waktu untuk respon mencapai dan menetap pada fraksi harga akhir yang ditentukan yaitu 5% atau 2%. Dengan demikian kurva respon transien secara virtual dapat diperoleh dengan menentukan hargaharga t d, t r, t p, t s, M p yang dapat dilihat pada gambar 2.1. C( td tp Mp tr ts 0.05 atau 0.02 Gambar 2.1. Spesifikasi respon transien himpunan A, yang sering ditulis dengan μ A [x], memiliki 2 kemungkinan: Satu (1) yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan. Nol (0) yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. Pada himpunan crisp, nilai keanggotaan ada 2 kemungkinan, yaitu 0 atau 1. Sedangkan pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titiktitik input data kedalam nilai keanggotaan yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan beberapa fungsi, diantaranya : 1. representasi linear 2. representasi segitiga 3. representasi trapesium Metode mamdani sering juga dikenal dengan nama metode min max. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun Untuk mendapatkan keluaran diperlukan 4 tahapan, diantaranya : 1. Pembentukan himpunan fuzzy Pada metode mamdani baik variabel input maupun variable keluaran dibagi menjadi satu atau lebih himpunan fuzzy. 2. Aplikasi fungsi implikasi Pada Metode Mamdani, fungsi implikasi yang digunakan adalah minimum 3. Komposisi aturan Metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu Metode max (maximum). Secara umum dapat dituliskan : μ sf [Xi] = max (μ sf [Xi], μ kf [Xi]) 2.1. Perbandingan metode kontroler PI dengan Neurofuzzy Neurofuzzy merupakan suatu model yang dilatih menggunakan jaringan syaraf, namun struktur jaringannya diinterpretasikan dengan sekelompok aturanaturan fuzzy. Sistem neurofuzzy menggabungkan prinsip belajar dari neural network untuk adaptasi fungsi keanggotaan dari fuzzy. Prinsip belajar yang digunakan adalah menggunakan back propagation dengan tiga lapis neuralnetwork. Bobot jaringan direpresentasikan sebagai fungsi keanggotaan set fuzzy. Selanjutnya kesalahan dari sistem dipropagasikan balik untuk mencari bobot jaringan yang artinya mencari parameter fungsi keanggotaan dari set fuzzy yang optimal. Penerapan kombinasi antara teori neuralnetwork dengan konsep fuzzy, pada prinsipnya adalah mengeliminasi kekurangan konsep yang satu dengan kelebihan yang dimiliki konsep yang lain. Dalam hal ini model yang digunakan pada fuzzy neuralnetworknya adalah model Mamdani, Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu Dimana : μ sf [Xi] = nilai keanggotaan solusi fuzzy sampai aturan ke i μ kf [Xi]) = nilai keanggotaan konsekuan fuzzy aturan ke i 4. Penegasan (defuzzy) Defuzzyfikasi pada komposisi aturan mamdani dengan menggunakan metode centroid. Dimana pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat daerah fuzzy. Ada dua keuntungan menggunakan metode centroid, yaitu: 1. Nilai defuzzyfikasi akan bergerak secara halus sehingga perubahan dari suatu himpunan fuzzy juga akan berjalan dengan halus. 2. Lebih mudah dalam perhitungan. Selain fuzzy neuralnetwork, dalam suatu kontrol proses seperti pengaturan temperatur juga bisa dilakukan perbandingan dengan penggunaan kontroler Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTIITS 2

3 PI(Proporsional dan Integral). Kontroler PI merupakan kontroler umpan maju yang berfungsi mengolah sinyal kesalahan menjadi sinyal kontrol. Kontroler proporsional ditambah integral (PI) merupakan kontroler yang aksi kontrolernya mempunyai sifat proporsional dan integral terhadap sinyal kesalahan. Dari kemampuannya untuk belajar maka sistem neurofuzzy sering disebut neurofuzzy adaptif. Salah satu bentuk struktur yang sudah sangat dikenal adalah seperti terlihat pada Gambar 3.1. Dalam struktur ini, dapat dilihat struktur neurofuzzy adaptif mamdani 1. Kontroler tipep (Proportional Controller) Hubungan sinyal kesalahan dan sinyal kontrol pada kontroler tipep dapat dinyatakan sebagai berikut: u( K e( atau dalam bentuk transfer function, p U ( E( K p 2. Kontroler tipepi (Proportional + Integral Controller) Hubungan sinyal kesalahan dan sinyal kontrol pada kontroler tipepi dapat dinyatakan sebagai berikut: 1 I 2 N 1 u( K p e( e( dt 1 atau dalam bentuk transfer function, U( 1 U( K p ( 1 s 1) K p (1 ) atau E( 1s E( 1s Berdasarkan hubungan formulasi di atas, parameter kontroler dapat di tuliskan sebagai: 1 dan K P 2 N K(2 1) Karena proses pendekatan plant furnace yang sebenarnya merupakan pemanasan orde yang tinggi dan tujuannya untuk mempertahankan kestabilan temperatur pada furnace maka digunakan metode neurofuzzy adaptif. 3. NEUROFUZZY ADAPTIF Dalam hal ini, kemampuan adaptasi dan belajar dari neuralnetwork dimanfaatkan oleh fuzzy untuk melakukan tuning terhadap parameter fuzzy (kekurangan fuzzy yang tidak memiliki kemampuan belajar). Struktur neurofuzzy adalah menempatkan parameter fuzzy yaitu: a) Parameter fungsi keanggotaan (center,simpangan dll), b) Jumlah basis kaidah ke dalam bobot jaringan neural. Proses belajar neural selanjutnya akan melakukan perubahan terhadap bobot. Neurofuzzy adalah gabungan dari dua sistem yaitu sistem logika fuzzy dan jaringan syaraf tiruan.sistem neurofuzzy berdasar pada sistem inferensi fuzzy yang dilatih menggunakan algoritma pembelajaran yang diturunkan dari sistem jaringan syaraf tiruan. Oleh karena itu, sistem neurofuzzy memiliki semua kelebihan yang dimiliki oleh sistem inferensi fuzzy dan sistem jaringan syaraf tiruan. N Gambar 3.1. Struktur Neurofuzzy Mamdani 3.1 Metode Pembelajaran Proses adaptasi yang terjadi dalam sistem Neuro Fuzzy Adaptif dikenal juga dengan pembelajaran. Parameterparameter Neuro (baik premise maupun consequen Selama proses belajar akan diperbaharui menggunakan metode pembelajaran. Metode pembelajaran yang digunakan dalam sistem Adaptive Neuro Fuzzy adalah algoritma pembelajaran hibrid.algoritma ini terdiri dari dua bagian yaitu bagian arah maju dan bagian arah mundur.pada bagian arah maju, proses adaptasi dilakukan menggunakan metode LSE dan terjadi pada parameter consequent. Sedangkan pada bagian arah mundur, proses adaptasi dilakukan menggunakan metode gradientdescent dan terjadi pada parameter premise. 3.2 Least Square Error Metode Least Square atau Metode Kuadrat Terkecil digunakan untuk mendapatkan penaksir koefisien regresi linier. Model regresi linier sederhana dinyatakan dengan persamaan : Y = X +, model umum Y i = X i + i, model setiap pengamatan Metode least square bertujuan mendapatkan penaksir koefisien regresi,yaitu b 0 dan b 1, yang menjadikan jumlah kuadrat error sekecil mungkin. Kemampuan identifikasi dari neurofuzzy didasarkan pada dua karakteristiknya yaitu: Kemampuan aproksimasi fungsi oleh logika fuzzy, Kemampuan proses belajar oleh jaringan neural Dua kemampuan tersebut memberikan gambaran bahwa neurofuzzy dapat mendekati dinamika sistem dan melakukan proses belajar untuk meminimalisasi error aproksimasi seperti pada Gambar 3.1. Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTIITS 3

4 Temperatur(derajat Celciu y (K) r Desired Model + e(k) Kontroler U(K) PLANT Gambar 3.2 Diagram blok sistem ym(k) + e m (K) y (K) Data yang diperoleh berupa kumpulan variasi tegangan sensor temperatur. Untuk keperluan penelitian ini diperlukan beberapa model matematis yang merepresentasikan karakteristik plant, yaitu model plant perambatan panas pada heater furnace. Pada Realisasi plant seperti pada Gambar 4.2, respon proses kenaikan suhu sangat lambat jika tanpa kontroler, seperti pada Gambar 4.3 yang merupakan respon dari real plant furnace saat diberi gangguan dari blower Struktur jaringan Neuro Fuzzy yang dipakai sebagai kontroler ditunjukkan pada Gambar 3.2. dan desired modelnya seperti pada Persamaan 3.1. Struktur ini menggambarkan proses yang terdapat pada sistem logika fuzzy. Sedangkan proses pembelajaran jaringan saraf tiruannya digunakan untuk mengoptimalkan nilai parameter fuzzyfikasi. Ym( 1 2 Yr( 4s 3s 1 (3.1) Dalam hal ini implementasinya pada suatu kontroler dapat dilihat pada Gambar 3.3, jaringan saraf tiruan sebagai struktur dari metode update nilai parameter yang aktual. Setting dari suatu parameter controller akan digunakan pada suatu sistem pengaturan dengan tracking respons multi step. Performansi dari suatu kontroler dihitung dengan menggunakan suatu metode least square error sehingga output model digunakan untuk tuning parameter kontroler untuk miminimalisasi error. 1 y m (k) Gambar 4.2 Proses kenaikan temperatur funace real plant tanpa kontroler. 4S 2 +3S+1 y r (k) + e(k) e m(k) e(k1) NFC U(k) e(k2) PLANT + y(k) U(k1) Gambar 3.2 Struktur kontroler terintegrasi sistem 4. SIMULASI DAN EKSPERIMEN Untuk mengetahui respon dari furnace, maka dalam penelitian ini dilakukan simulasi pengujian plant furnace sesuai Persamaan 1.1. menggunakan simulasi matlab dengan orde 1. Gambar 4.2 Proses disturbing funace real plant tanpa kontroler. Implementasi pada Gambar 4.3 dan Gambar 4.4 merupakan penggunaan kontroler PI pada furnace dengan disturbance blower untuk mengetahui performansi sitem Time Sampling(meni Gambar 4.1 Simulasi Respon furnace tanpa kontroler Gambar 4.3. Respon dengan kontroler PI dengan sekali disturbance Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTIITS 4

5 Gambar 4.3. Respon dengan kontroler PI dengan dua kali disturbance Mencoba membuat simulasi dengan input gelombang sinus dengan amplitudo 10 pada tampilan grafik dengan nilai alpha/ learning rate yang dapat diubah untuk mengetahui kecepatan tracking pada sinusnya. Gambar 4.6 Tracking sinus dengan alpha PENUTUP Secara garis besar dari penelitian yang telah dilakukan dapat diperoleh manfaat dari pengembangan metode fuzzy neural network dari seluruh parameter termasuk tuning secara simultan. Pendekatan neurofuzzy diimplementasikan pada plant furnace yang telah banyak diketahui di literaturliteratur dan data pada proses pemanasan yang banyak digunakan di industri. Performansi dari Neurofuzzy adaptive didesain dengan tujuan untuk perbandingan dengan pendekatan yang lainnya. Hasilnya menunjukkan bahwa metodologi yang digunakan sangat efektif untuk membangun linguistik yang akurat dari neurofuzzy model dan dibandingkan dengan pendekatan kontroler lainnya Gambar 4.4. Tampilan set point masukan sinus Dengan masukan sinyal sinus seperti Gambar 4.4 maka simulasi tracking sinyal masukan dengan learning rate yang berbedabeda dapat dilihat pada Gambar 4.5, Gambar 4.6. Dengan demikian maka dapat kita ketahui bahwa Alpha sangat mempengaruhi tracking dari kontrolernya, semakin besar learning ratenya semakin cepat kontroler tracking sinyal sinusnya. Sebaliknya jika learning rate semakin kecil maka semakin lambat kontroler itu melakukan tracking sinyal pada set pointnya(sinyal sinu. Gambar 4.5 Tracking sinus dengan alpha DAFTAR PUSTAKA [1] Curtis D. Johnson, Modern Control Engineering, Prentice Hall, 5 th edition, 2002, pp [2] Curtis D. Johnson, Process Control Instrumentation Technology, University of Houston, Prentice Hall, 7 th edition, 1994, pp [3] Maciejowski J.M, Multivariable Feedback Design, AddisonWesley, Cambridge Unuversity and Pembroke College, 1989, pp [4] Zadeh L A, A New Approach to the Analysis of Complex Systems and Decision Process, IEEE Transaction, System, Man, and Cybernetics, Vol 5, no. 1, 2000 pp [5] Sugeno M, Industrial Applications of Fuzzy Control, Elsevier Science Pub Co., 1985 [6] Tolle H., Ersi E. Neurocontrol: LearningControl Systems Inspired by Neural Architecture and Human Problem Solving, 1999 SpringerVerlag, Berlin. [7] Miller W.T., RealTime Control Aplication of Bipped Walking Robot, Proc. INNSWCCN, Portland OR, Vol 3, 1999 pp [8] Schwartz D. G., Klir G.J., Fuzzy Logic Flower in Japan, IEEE Spectrum, July, 1999, pp [9] Kosko B.(Ed), Neural Network for Signal Processing, Prentice Hall Englewood Cliffs, NJ, Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTIITS 5

6 [10] Kosko B, Neural Network and Fuzzy Systems, Prentice Hall, Englewood Cliffs, NJ, [11] J.M. Mendel, Fuzzy sets for words: A New Beginning, in: Proc. IEEE Int.Conf. on Fuzzy Systems, St. Louis, MO, May 2003, pp [12] Ogunnaike, Babtunde A. and W. Harmon Ray Process Dynamics, Modeling and Control, Oxford University Press, New York RIWAYAT HIDUP Pranata Sulistyawan dilahirkan di Surabaya pada tanggal 30 Agustus 1986 sebagai anak tunggal dari Almarhum Ayahanda Ir. Soemingan dan Ibunda Trias Sulistyowati. Sebagai putra asli kota pahlawan Surabaya, penulis menghabiskan sebagian besar masa hidupnya di kota itu. Memulai riwayat akademis dari SDN Kompleks Perak Barat II no.2, penulis melanjutkan pendidikannya di SLTPN 2 Surabaya dan SMUN 8 Surabaya. Setelah lulus dari SMU, penulis diterima sebagai Mahasiswa Diploma 3 bidang studi computer control di Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Surabaya pada tahun 2004 melalui jalur tes masuk. Setelah lulus pada tahun 2007 penulis melanjutkan studinya untuk mengambil jenjang Sarjana di Bidang Studi Teknik Sistem Pengaturan, Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember. Selama kuliah penulis aktif di beberapa organisasi kemahasiswaan, selama di tingkat jurusan D3 Teknik Elektro. Penulis juga aktif sebagai asisten di laboratorium Sistem Kontrol Bidang Studi Teknik Sistem Pengaturan, Jurusan Teknik Elektro. Pada bulan Januari 2010 penulis mengikuti seminar dan sidang Tugas Akhir di Bidang Studi Teknik Sistem Pengaturan Jurusan Teknik Elektro FTI ITS sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik Elektro. Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTIITS 6