BAB III

PERANCANGAN SISTEM

Pada bab perancangan sistem ini terdiri dari beberapa alur penelitian mulai

dari studi literatur, perancangan hardware ELC , dan perancangan Software ELC,

,Analisa Hasil Percobaan. Masing-masing tahapan akan menjelaskan tentang

konsep dan perancangan yang digunakan .

Untuk melakukan rancang bangun ELC dapat dilakukan menggunakan

ilustrasi blok diagram Gambar 3.1.

Mulai

Simulasi

Proteus

Cetak PCB

Studi

Literatur

Stop

Desain

Skematik

ELC

Uji Coba di

Lab Elektro

UMM

Analisa Hasil

Percobaan

Perbaiki

Skematik

Tidak

Berhasil

Gambar 3.1 Flowchart Perancangan dan Pembuatan Sistem

3.1 Studi Literatur

Langkah pertama dalam penelitian ini yaitu dengan melakukan studi literatur

pada buku-buku yang membahas tentang ELC, jurnal, dan penelitian yang telah

dilakukan yang berkaitan dengan ANFIS. Data yang didapat dari studi literatur ini

akan digunakan sebagai acuan untuk membuat sistem yang optimal.

Sistem yang akan dibuat bertujuan untuk menjaga frekuensi generator sinkron

konstan pada frekuensi 50 Hz dengan mengatur penggunaan beban melalui sudut

penyalaan Triac menggunakan algoritma ANFIS.

Gambar3.2 Single Line Diagram ELC

3.2 Perancangan Skematik ELC

Pada perancangan Electronic Load Controller ini memerlukan rangkaian-

rangkaian elektronika yang menunjang dari sistem kerja dan sistematisnya.

Berikut merupakan rangkaian-rangkaian yang digunakan :

Gambar 3.3 Skema Rangkaian ELC

Pada rangkaian electronic load controller ini terbagi menjadi 3 bagian

utama yaitu power supply, pembacaan frekuens, dan sudut penyalaa TRIAC.

3.2.1 Rangkaian Power Supply

Dibawah ini merupakan gambar dari skema rangkaian catu daya pada

Electronic Load Controller.

Gambar 3.4 Skema Rangkaian Power Supply

Pada rangkaian catu daya menggunakan komponen utama Hi-link AC

220 V/DC 12 V sebagai converter tegangan dan IC 7805 sebagai penurun

tegangan dari 12 V ke 5 V agar sesuai dengan daya yang dibutuhkan

3.2.2 Skema Rangkaian Pembacaan Frequensi

Pada rangkaian pembacaan frekuensi menggunakan sensor tegangan

ZMPT101 B dengan rasio 1:1 sehingga diperlukan rangkaian offset tegangan pada

sisi output agar tegangan berkisar antara 0 s/d 3.3v.

Gambar 3.5 Skema Rangkaian Sudut Penyalaan TRIAC

3.2.3 Skema Rangkaian Sudut Penyalaan TRIAC

Pada Rangkaian susut penyalaan Triac menggunakan komponen utama

MOC3041 agar controller dengan tegangan AC tidak terhubung secara langsung.

Gambar 3.6 Skema Rangkaian Sudut Penyalaan TRIAC

3.2.3 Perancangan Layout PCB Electronic Load Controller

Perancangan layout PCB pada tugas akhir ini menggunakan softwar

EAGLE dan pembuatannya menggunakan PCB jenis fiber single layer dengan

ukuran panjang 13.5 cm dan lebar 9.5cm. Hasil perancangan layout PCB

menggunakan software EAGLE dapat dilihat pada gambar 3.6.

Gambar 3.7 Layout PCB Electronic Load Controller

3.3 Perancangan ANFIS

Untuk menjelaskan perancangan ANFIS pada kontrol kestabilan frekuensi,

nilai input referensi berdasarkan nilai error frekuensi dan derivvative error

frekuensi sedangkan untuk output adalah besar sudut penyalaan pada gate triac.

Pada perancangan ANFIS kali ini menggunakan inferensi fuzzy model sugeno orde

satu karena dinilai lebih ringan pada proses komputasi. Metode inferensi fuzzy

sugeno orde satu dapat dirumuskan seperti persmaan :

Rule i: If x is Ai and y is Bi, then fi = pi ∗ x + qi ∗ y + ri, ........ (3.1)

Dimana :

Ai = input himpunan fuzzy dari nilai error ke-i

Bi = input himpunan fuzzy dari nilai derivative error ke-i

𝑓1 = output ke-i

pi, qi, ri = parameter consequent pada inferensi fuzzy sugeno orde satu

Arsitektur ANFIS yang digunakan untuk mengimplementasikan Sembilan

Rule pada perancangan ini ditunjukkan aturan pada Gambar 3.7 dan struktur ANFIS

terdiri dari lima layer yang dapat dijelaskan pada sub bab berikut[].

Gambar 3.8 Perancangan struktur menggunakan dua input, satu output, dan 9 rule

3.3.1 Layer Pertama

Layer ini berfungsi mengkonversi angka crisp menjadi himpunan fuzzy

yang sesuai berdasarkan variable linguistik dengan persamaan seperti berikut :

Oi1 = μAi(x), for i = 1,2 ........................................... (3.2)

Dimana :

Oi1 = Output ke i dan layer ke satu

μAi(x) = Himpunan fuzzy dari variable linguistik A ke i (panas, dingin, dll.)

3.3.2 Layer Kedua

Pada layer ini setiap input atau node menuju setiap node pada layer

berikutnya guna mengetahui kekuatan penyalaan (firing strength). Himpunan fuzzy

dikalikan antara satu input dengan input lainnya dengan hubungan sebagai berikut

Oi2 = wi = μAi(x) ∗ μbi(y), for i = 1,2 .............................. (3.3)

Dimana :

Oi2 = Output ke i dan layer ke dua

μAi(x) = variable linguistic Ai (panas, dingin, dll.)

μbi(x) = variable linguistic Bi (panas, dingin, dll.)

3.3.3 Layer Ketiga

Pada lapis ketiga firing strengths yang dievaluasi di lapisan sebelumnya

dilakukan pembobotan ulang dengan normalisasi agar total/max bernilai satu agar

komputasi lebih ringan dan pada layer ini rasio firing strenghs dari rule ke i

terhadap total friring strength dari semua rule.

Oi3 = w̅i =

𝑤𝑖

𝑤1+𝑤2, for i = 1,2 .................................... (3.4)

Dimana :

Oi3 = Output ke i dan layer ke tiga

𝑤𝑖 = firing strength ke i

w̅i = firing strength normalisai ke i

3.3.4 Layer Keempat

Output dari layer ini adalah inferensi fuzzy dari nilai normalisasi firing

strength layer ketiga menggunakan fungsi Takagi-Sugeno orde 1 dengan

persamaan sebagai berikut

Oi4 = w̅i ∗ 𝑓𝑖 = w̅i(pi ∗ x + qi ∗ y + ri) ......................... (3.5)

Dimana :

Oi4 = Output ke i dan layer ke empat

w̅i = firing strength normalisai ke I atau output layer tiga

𝑓𝑖 = output ke i

pi, qi, ri = parameter consequent pada inferensi fuzzy sugeno orde satu

3.3.5 Layer Kelima

Pada layer ini setiap node dari layer sebelumnya diagregasikan sehingga

menghasilkan output pada layer kelima atau bisa didefinisikan sebagai

penjumlahan dari semua sinyal yang masuk dari layer sebelumnya:

Oi5 = ∑ w̅i𝑖 ∗ 𝑓𝑖 =

∑ w̅i∗𝑓𝑖𝑖

∑ w̅i𝑖 ................................... (3.6)

Dimana :

Oi5 = Output ke i dan layer ke empat

w̅i = firing strength normalisai ke I atau output layer tiga

𝑓𝑖 = output ke i

3.3.6 Perbaikan Nilai Parameter (Backpropagation)

Untuk memperkecil tingkat error dengan cara menyesuaikan bobotnya

berdasarkan perbedaan output dan target yang diinginkan menggunakan Mean

Absolute Percentage Error (MAPE) karena dinilai mampu melakukan peramalan

sangat baik jika memiliki nilai MAPE kurang dari 10%[], nilai MAPE didapatkan

dari error absolut setiap periode dibagi dengan nilai observasi yang nyata lalu

merata-rata kesalahan persentase absolut tersebut. MAPE menhitung presentase

error penyimpangan antara data aktual dengan data peramalan. Nilai MAPE dapat

dihitung dengan persamaan sebagai berikut.

MAPE = (100%

𝑛) 𝛴𝑡=1

𝑛 |A𝑡−Ft

At| ..................................... (3.7)

Dimana :

A𝑡 = Data aktual pada periode t

Ft = Data peramalan pada periode t

𝑛 = banyak data