blog fuzzy

8/8/2019 Blog Fuzzy

1/17

Fuzzy ControlDitulis oleh asro di/pada 27 Maret 2009

Anda pernah mendengar istilah kecerdasan buatan (artificial intelligence atau disingkat AI)?AI merupakan suatu aplikasi yang meniru kecerdasan manusia untuk digunakan dalammesin-mesin atau peralatan-peralatan cerdas. Konon katanya otak manusia memiliki 2 fungsiutama, yaitu fungsi berpikirdan fungsi belajar. Fungsi berpikir manusia tercermin darikemampuannya untuk berlogika, sedangkan fungsi belajar membuat manusia bisa mengingatsesuatu melalui pembentukan pola-pola di otaknya.

Sejalan dengan fungsi otak manusia tersebut, maka AI juga dikelompokan menjadi 2kelompok, yaitu AI yang meniru fungsi berpikir dan AI yang meniru fungsi belajar. Salahsatu contoh AI yang meniru fungsi berpikir adalah logika fuzzy (fuzzy logic), sedangkancontoh AI yang meniru fungsi belajar adalah neural network (NN). Tulisan ini akanmembahas fuzzy logic dan salah satu aplikasinya di bidang kontrol proses.

Logika Fuzzy. Logika fuzzy pertama kali diperkenalkan oleh Prof Lotfi Zadeh tahun 1965.

Saat ini logika fuzzy sudah banyak digunakan dalam berbagai bidang, salah satunya adalahdalam bidang kontrol (proses kontrol). Fuzzy yang diperkenalkan oleh Zadeh didasarkan

pada teori possibility yang berbeda dari teori probability yang sudah lebih umum dikenal.

Secara umum, logika fuzzy terdiri dari beberapa komponen, yaituFuzzifier,Fuzzy Rule Base,Fuzzy Inference Engine danDefuzzifier, seperti diperlihatkan pada gambar berikut.

Yang menjadi inti dari logika fuzzy adalahFuzzy Rule Base, yang berisi pernyataan-pernyataan logika.Fuzzy Inference Engine merupakan komponen fuzzy yang menerjemahkanpernyataan logika yang ada di Rule Base menjadi perhitungan-perhitungan matematika.Fuzzifierdigunakan untuk memetakan nilai/harga variable di dunia nyata kedalam himpunanfuzzy (fuzzy sets), sedangkanDefuzzifiermengembalikan hasil perhitungan fuzzy (himpunanfuzzy) menjadi variable sesuai rentang nilainya di dunia nyata.

Fuzzy Rule Base. Fuzzy rule base berisi pernyataan-pernyataan logika fuzzy (fuzzystatement), yang berbentuk pernyataan IF-THEN. Bentuk umum pernyataan fuzzy adalah:

IF x1 is A1l

and and xn is Anl

THEN y is B

l

,A1

l dan Bl adalah himpunan fuzzy dalam Ui R dan V R, sedangkan x = (x1, x2, , xn)T

U dan y V adalah input dan output dari variable fuzzy.

Fuzzy Inference Engine. Fuzzy inference engine menerjemahkan pernyataan-pernyataanfuzzy dalalm rule base menjadi perhitungan matematika (fuzzy combinational). Terdapat

beberapa metode inference engine, 5 diantaranya yaitu:

1. Product Inference Engine.

2. Minimum Inference Engine.

3. Lukasiewicz Inference Engine.

4. Zadeh Inference Engine.5. Dienes-Rescher Inference Engine.
http://asro.wordpress.com/2009/03/27/fuzzy-control/http://asro.wordpress.com/2009/03/27/fuzzy-control/

8/8/2019 Blog Fuzzy

2/17

Berikut adalah formula untuk masing-masing inference engine tersebut.

Fuzzifier. Fuzzifierdigunakan untuk memetakan nilai/harga variable di dunia nyatakedalam himpunan fuzzy (fuzzy sets). Pemetaannya dilakukan dengan menggunakan fungsiyang disebut membership function. Terdapat beberapa metode fuzzifier, 3 diantaranya yaitu:Singleton fuzzifier, Gausian fuzzifierdan Triangular fuzzifier. Berikut adalah formulanya.

8/8/2019 Blog Fuzzy

3/17

Defuzzifier. Defuzzifiermengembalikan hasil perhitungan fuzzy (himpunan fuzzy) menjadivariable sesuai rentangnya di dunia nyata. Sama dengan fuzzifier, defuzzifier juga

menggunakan membership function untuk memetakan nilai himpunan fuzzy menjadi variablenyata. Terdapat beberapa metode defuzzifier, 3 diantaranya yaitu:

1. Center of gravity defuzzifier. Center of gravity yang dinyatakan dengan y*,menunjukan pusat area yang diliputi oleh membership function B.

2. Center average dufuzzifier. Center average menunjukan weight average dari titiktengah (center) masing-masing membership function.

3. Maximum defuzzifier. Maximum defuzzifier memilih nilai tertinggi sebagai y*. Ada 3pilihan,smallest of maxima, largest of maxima atau mean of maxima.

Berikut adalah formulanya.

8/8/2019 Blog Fuzzy

4/17

Fuzzy PID Gain Scheduling Control. Kontrol PID merupakan algoritma kontrol yang banyakdigunakan di industri proses karena bentuknya yang sederhana dan mudahdiimplementasikan. Pada kondisi operasi tertentu (seperti misalnya sering terjadi gangguan

8/8/2019 Blog Fuzzy

5/17

pada proses atau parameter proses yang berubah-ubah), parameter control ini harus sering di-tuned agar kinerjanya tetap baik. Salah satu teknik dalam sistem kontrol yang seringdilakukan untuk mengatasi permasalahan ini adalah dengan menggunakan metodePID GainScheduling, dimana parameter kontrol diubah secara otomatis jika terjadi perubahan kondisioperasi yang menyebabkan kinerja kontrol menurun.

Dalam rangka memberikan contoh penggunaan fuzzy logic di bidang kontrol proses, makaselanjutnya akan dibahas salah satu metode PID gain scheduling dengan menggunakan fuzzylogic. Metode ini dinamakanFuzzy PID gain scheduling.

Pada aplikasi ini, fuzzy berfungsi menghitung parameter kontrol PID (Kp, Ti dan Td),berdasarkan kondisi signal error (E) dan perubahan error ( E).

Secara umum, diagram fuzzy PID gain scheduling control dapat digambarkan seperti berikut.

Khusus untuk fuzzy system, diagramnya adalah sbb:

Fuzzifier, menerjemahkan informasi input, dalam hal ini error E dan perubahan error Emenjadi informasi fuzzy (0,1), yang bernilai antara 0 dan 1. Penerjemahannyamenggunakan triangular membership function (triangular fuzzifier), seperti pada gambar

berikut.

NB adalah negative big, NM adalah negative medium, NS adalah negative small, ZO adalahzero, PS adalah positive small, PM adalah positive medium dan PB adalah positive big;kesemuanya ini merupakan linguistic term dari fuzzy logic. Sebagai contoh, signal E sebesar50 memiliki nilai fuzzy 0.5 untuk PS dan PM, sedangkan fuzzy term lainnya bernilai nol.

Rule Base, berisi sekumpulan pernyataan fuzzy dalam bentuk IF THEN .. Disini

akan digunakan rule berikut:

8/8/2019 Blog Fuzzy

6/17

Selengkapnya pernyataan fuzzy tersebut dapat ditabelkan sebagai berikut:

8/8/2019 Blog Fuzzy

7/17

Inference Engine. Fuzzy inference engine bertugas melakukan proses fuzzy reasoning yaitumenerjemahkan fuzzy statement berdasarkan nilai input dari hasil fuzzifier menjadi suatunilai output yang kemudian akan dikirim ke defuzzifier.

Disini akan digunakan metode minimum inference engine. Untuk setiap statement di atas,baik untuk Kp , Kd maupun , hasil proses reasioningnya adalah:

(Kp) = Kp (E, E) = min ( (E), ( E)

(Kd) = Kd (E, E) = min ( (E), ( E)

( ) = (E, E) = min ( (E), ( E)

Defuzzifier. Defuzzifier merupakan kebalikan dari fuzzifier, yaitu menerjemahkan informasifuzzy (Kp), (Kd) dan ( ) yang merupakan hasil dari proses reasioning yang bernilaiantara 0 dan 1 menjadi Kp, Kd dan .

Proses defuzzifier ini juga dilakukan dengan menggunakan triangular membership function,

seperti pada gambar berikut.

8/8/2019 Blog Fuzzy

8/17

Dengan S adalah small, MS adalah medium small, M adalah medium dan B adalah big.

Di sini proses defuzzifier dilakukan dengan menggunakan metode centeraverage defuzzifier,dengan formula berikut:

Kp = ( (Kp) Kp)/ ( (Kp))

Kd = ( (Kd) Kd)/ ( (Kd))

= ( ( ) )/ ( ( ))

Selanjutnya nilai parameter kontrol PID yaitu Kp, Ti dan Td dapat diperoleh denganpersamaaan:

Kp = Kp (Kpmax Kpmin) + Kpmin.

Ti = Td

Td = Kd (Kdmax Kdmin) + Kdmin

Untuk menguji kinerja dariFuzzy PID gain scheduling controlini, saya membuatsimulasinya dengan menggunakan excell. Dalam simulasi ini saya membandingkanFuzzy

PID gain scheduling controldenganIdeal PID control. Front-End simulasi yang saya buatseperti gambar berikut.

8/8/2019 Blog Fuzzy

9/17

Ideal PID di-tuned secara manual ke Proportional gain Kp = 0.1, Integral time Ti = 0.5 danDerivative time Td = 1.5. Sedangkan Fuzzy PID gain scheduling akan menghitung sendiriparameter PID berdasarkan kondisi error (E) dan perubahan error ( E), yang menghasilkanharga Kp = 0.1, Ti = 3 dan Td = 1. Hasilnya, response yang diberikan Fuzzy PID gainschedulling sedikit lebih bagus dibandingkan dengan ideal PID.

Ketika saya ubah proses gain P dari 2 menjadi 7.5, responsenya akan berubah menjadi sepertigambar berikut.

8/8/2019 Blog Fuzzy

10/17

Perhatikan gambar ini. Dengan tuning parameter yang sama dengan sebelumnya, Ideal PIDtidak mampu lagi mengontrol plant dengan baik (response menjadi tidak stabil). SedangkanFuzzy PID gain scheduling menghitung ulang parameter PID berdasarkan kondisi error (E)dan perubahan error ( E), yang menghasilkan harga Kp = 0.1, Ti = 3.03 dan Td = 1.02.Hasilnya, response yang diberikan Fuzzy PID gain scheduling masih stabil walaupun sedikit

berosilasi.

Entri ini dituliskan pada 27 Maret 2009 pada 3:12 pm dan disimpan dalam Instrument &Kontrol. Anda bisa mengikuti setiap tanggapan atas artikel ini melaluiRSS 2.0 pengumpan.Anda bisa tinggalkan tanggapan, atau lacak tautan dari situsmu sendiri.

LikeBe the first to like this post.

21 Tanggapan - tanggapan ke Fuzzy Control

1.

wiznu berkata

6 April 2009 pada 1:12 pm

selamat siang, Pak

Pak saya mo tanya ni,
http://id.wordpress.com/tag/instrument-kontrol/http://id.wordpress.com/tag/instrument-kontrol/http://asro.wordpress.com/2009/03/27/fuzzy-control/feed/http://asro.wordpress.com/2009/03/27/fuzzy-control/feed/http://asro.wordpress.com/2009/03/27/fuzzy-control/trackback/http://asro.wordpress.com/2009/03/27/fuzzy-control/?like=1&_wpnonce=822d6a0d2bhttp://id.wordpress.com/tag/instrument-kontrol/http://id.wordpress.com/tag/instrument-kontrol/http://asro.wordpress.com/2009/03/27/fuzzy-control/feed/http://asro.wordpress.com/2009/03/27/fuzzy-control/trackback/http://asro.wordpress.com/2009/03/27/fuzzy-control/?like=1&_wpnonce=822d6a0d2b

8/8/2019 Blog Fuzzy

11/17

1. Bgm dengan penentuan fungsi keanggotaan :a. eror

b. delta erorc. Kp, Ti, Tdkayaknya Bp blm menuliskan d, disitupleasse

2. bagaimana menentukan nilai akhir untuk Kp, Ti, Td??

3. sebenarnya apa si relasi eror n delta eror untuk mendapatkan nilai Kp, Ti, Td??

thank u Pak, atas jawabannnya

tolong saya dibantuplease

oya, dikirim kem mail saya [email protected] klo g, Bp publish kan aja jawabbnya

thankkksss

Balas

2.

wiznu berkata


oya satu lg ni pak, ketinggalan

apa yg dimaksud dengan normailzed propotional gain

trus kenapa bisa muncul persamaan

1. Kd2. Kp3. Td4. alpha5. Ti6. kp

persamaan ini dari mana ya..???

thanks

Balas

3.

wiznu berkata


email saya : [email protected]

Balas

4.

asro berkata

7 April 2009 pada 7:59 am
mailto:[email protected]:[email protected]:[email protected]:[email protected]

8/8/2019 Blog Fuzzy

12/17

Untuk Wiznu, terima kasih atas kunjungannya. Berikut jawaban saya ataspertanyaanmu.

Seperti yang sudah dijelaskan diatas, bahwa tujuan fuzzy logic dalam konfigurasicontrol ini adalah untuk menentukan parameter PID, yaitu Kp, Ti (atau Ki=Kp/Ti)dan Td (atau Kd = Kp x Td).

Untuk mendapatkan hasil yang baik, maka nilai Kp dan Kd dibatasi pada rentangtertentu, yaitu Kp pada rentang [Kpmin Kpmax) dan Kd pada rentang [Kdmin Kdmax).

Himpunan fuzzy bekerja pada nilai antara 0 dan 1. Normalisasi nilai Kp menjadi Kpdan Kd menjadi Kd dimaksud untuk merubah kedua parameter PID tersebut kedalamrentang 0 dan 1.Sampai disini kita sudah memiliki formula untuk mendapatkan Kp dan Ti darivariable fuzzy Kp dan Kd, sehingga kita tinggal mendefinisikan satu formula lagiuntuk mendapatkan Ti, yaitu alfa = Ti/Td.

Selanjutnya, seperti apa hubungan antara error dan delta error dengan variable fuzzy

Kp, Kd dan alfa ?Jika error bernilai positive besar (PB = positive big), sedangkan pada saat yang samadelta error bernilai nol (Z=zero) kondisi undershoot, maka diperlukan sinyal kontrolyang besar untuk mengembalikannya ke setpoint. Untuk maksud ini diperlukan Tikecil (atau alfa kecil), Td juga kecil (atau Kd kecil) dan Kp besar.Pada kondisi lainnya, dimana error bernilai Z dan delta error bernilai NB (negative

big), dibutuhkan sinyal kontrol yang kecil untuk mencegah terjadi overshoot,sehingga Kp bernilai S (small), sedangkan Kd dan alfa bernilai B (big).Dan seterusnya,sehingga diperoleh rules seperti pada tabel diatas.

Demikian penjelas saya semoga bisa menjawab pertanyaannya.

Balas

Faruq berkata

3 Juni 2010 pada 1:36 pm

..-kemudian case study di atas bisa juga disebut dengan self tunning Fuzzy-PID...?

begitu kh pak..??

mohon koreksinya.

trims

Balas

5.

wiznu berkata


terima kasih Bp..

Jawaban sangat jelas.

sejauh ini jawaban Bp menjadi algoritma rujukan saya.

8/8/2019 Blog Fuzzy

13/17

meminjam istilah Bp2 POLISI,

Kata sandinya : 86..

Balas

6.

Sadewa berkata

6 Juni 2009 pada 9:51 am

Salam.Pak Asro, Sy baru blajar instrumentasi dan control,ada yang mau saya tanyakan:1.Untuk proses yg mengandung setpoint disturbance,dimana controller mendorongcontrolled variable mencapai setpoint baru,bagaimana strategi kontrollernyamenggunakan Fuzzy PID gain Schedulling? Sy pernah menjumpai di Powerplant,

parameter PID tetap,operator memasukkan setpoint secara manual setiap ada

perubahan variabel prosesnya.Bisakah Controller (Fuzzy PID)mengenali perubahantersebut tanpa ada masukan setpoint baru dari operator?2.Untuk setting parameter Kp,Td(Max,Min), nilai parameter tersebut diambil

berdasarkan apa?3.Rule Base yang Bapak tuliskan diatas, itu Rule Base yang baku atau bisa diganti(untuk aksi controlnya)Terima kasih banyak Pak Asro.

Balas

7.

asro berkata


1. Setpoint disturbance/tracking umumnya terjadi pada konfigurasi cascade, dimanacontroller (slave) menerima setpoint dari master-nya. Master bisa berupa controller(bisa fuzzy controller atau PID) atau bisa berupa kalkulasi/fungsi. Dari pada operatormerubah-ubah setpointnya secara manual lebih baik ditambahkan master control ataukalkulasi/fungsi, tapi ini tergantung penggunaannya (memungkinkan atau tidak).

2. Dalam konfigurasi yang saya buat ini, range [min, max] ditentukan secara trial &error (coba-coba)hingga mendapatkan nilai optimal.

3. Rule base tidak harus seperti di atas, bisa yang lain, asalkan tidak bertentangandengan filosofi/karakteristik PID controller. Misalnya pada kondisi undershoot,Tikecil (atau alfa kecil), Td juga kecil (atau Kd kecil) dan Kp besar, tidak bolehsebaliknya. Jumlah role juga bisa lebih banyak atau lebih kurang.

Balas

Sadewa berkata

6 Juli 2009 pada 11:33 am

Terima kasih atas pencerahannya.Mengenai Cascade, seperti yg saya baca di artikel Bapak, bahwa untuk

8/8/2019 Blog Fuzzy

14/17

secondary controller harus mempunyai dinamika proses yang lebih cepatdaripada primary controller. Untuk kasus pengendalian pressure (yg utama)apakah tidak bisa menggunakan strategi cascade? Mengingat pressurememiliki dinamika proses yang paling cepat.Jika Bapak berkenan, Sy berminat dengan simulasi Kontrol diskrit Fuzzy-PID

Scheduling diatas.Terima kasih banyak atas share pengetahuannya.Sangat bermanfaat.

Regards,Sadewa

Balas

asro berkata

9 Juli 2009 pada 6:48 am

Umumnya sebagai master dalam cascade control itu temperature ataulevel, sedangkan slave-nya adalah flow. Akan tetapi, terkadang

pressure juga bisa sebagai master. Sebagai contoh pada sistem fuel gas,dimana tekanan gas dijaga dengan membuang kelebihan tekanan keflare dan menambah LPG jika kekurangan tekanan (splite range).Karena LPG berbentuk cair, maka proses penambahan LPG ke fuelsystem biasanya melalui Heat Exchanger (HE) dengan delay time yangcukup besar. Pada system ini pressure bisa digunakan sebagai master,sedangkan slave-nya adalah LPG flow.

8.

ina berkata

3 Juli 2009 pada 3:30 pm

assalamualaikum, terimakasih artikel bapak banyak membantu. saya minta tolongdijelasin gambar dan rumus ke-3 metode defuzzifikasi di atas (center of gravity,center average dan maximum defuzzifier). saya mahasiswa yang mengambil judulskripsi perancangan program penentuan jumlah produksi dengan menggunakanmetode fuzzy. bisa monta referensi tentang itu. oya pak sekali lagi yang terpentingtolong keterangan gambar dan rumus metode defuzzifikasi diatas. terimakasih. suksesselalu

Balas

asro berkata


Saya sedang siapkan tulisan mengenai Defuzzifier, mudah-mudahan besokselesai.

Balas

8/8/2019 Blog Fuzzy

15/17

ina berkata


terimakasih, artikelnya sangat mendetail dan sangat membantu.semoga saudara tidak bosan2 menjawab semua pertanyaan kami yangawam ini.

9. Defuzzifier Asro Pun Blogberkata


[...] Terakhir asro on Fuzzy Controlina on Fuzzy Controlina on Defuzzifierasro onFuzzy ControlSadewa on [...]

Balas

10.

Gunawan berkata

2 November 2009 pada 3:58 pm

Mas Asro, bagus sekali artikelnya. Mas, bisa minta file excelnya tidak untuk controlsimulasinya.?

regardsGunawan

Balas

11.

Faruq berkata


salam pak Asrokembali saya baca tulsan Bapakmenarik sekaliada beberapa tanya neh pak :1. plant di atas untuk system apa ya? bisakah kita apply ke MIMO system misalnya..2. bagaimana kl disimulasikan di matlab?

terima kasih atas jawabnnya

salam

Balas

asro berkata


Plant dalam tulisan ini merupakan sistem SISO, sepengetahuan saya, matlabmemiliki banyak fungsi/modul termasuk fuzzy. Kelihatannya Faruq tertarik

dengan sistem MIMO. Salah satu metode yang paling baik untuk sistem
http://asro.wordpress.com/2009/07/07/defuzzifier/http://asro.wordpress.com/2009/07/07/defuzzifier/

8/8/2019 Blog Fuzzy

16/17

MIMO adalah menggunakan MPC (model predictive control), coba pelajarilebih dalam mengenai MPC, matlab juga memiliki modul MPC.

Balas

12.

Faruq berkata


Salam Pak AsroSelamat Pagi

terima kasih atas replay Bpk, memang benar adanya seperti yang Bpk sampaikan,bahwa di Matlab sudah menyediakan tools untuk aplikasi kontrol, saat ini sy pelajaryangmendalami system kontrol khusus nya optimasi MIMO system dengan kontrol PID

dan kontrol cerdas fuzzy, neural ataupun kombinasi dari pada itu.artikel Bpk tentang Multivariable Kontrol sangat membantu saya dalam analisisMIMO system,saya masih butuh banyak refrensi ttg MIMO system (contoh proses dan aplikasinya),mulai dari penyederhanaan system menjadi blok diagram (seperti yang Bpk Asrotulis), sampai pada

bagaimana menemukan transfer functionnya.

Terima Kasih atas replay Bapak Asro..Salam

Balas

13.

ochiberkata


selamat pagi pak, saya sekarang sedang belajar pengaturan kecepatan motor dcdengan menggunakan FUzzy Logic controlleryang saya inginkan adalah :1.saya mempunyai 2 setting point (200rpm dan 250rpm)2.setelah saya melakukan identifikasi terhadap motor, ternyata sinyal yang

dikeluarkan adalah orde dua.dengan kecepatan max 2700rpm.3. saya ingin tahu bagaimana caranya membuat rule base sampai hasil akhir drdefuzzifikasi.4. saya juga ingin bandingkan masing2 setting point tanpa beban dan denganmenggunakan beban sebesar 3kg.terima kasih atas perhatiannya,saya tunggu pak pencerahannya

Balas

14.

fajarberkata

8/8/2019 Blog Fuzzy

17/17

17 Agustus 2010 pada 1:41 am

gan,,, ane minta bahan ttg Fuzzy selengkapnya ad g??? minimal referensi biar anecpet ngerti ttg kendali PID menggunakan Fuzzy logiccoz bwt bahan TA ni trima kasih gan.

Balas

15.

fajarberkata

17 Agustus 2010 pada 1:56 am

gan,, maaf klo mang ad materi nya ttg fuzzy logic control untuk tuning PID kirim [email protected] ya,,, gan ane berharap bgt tuk kriman materi2nya trimakasih banyakgan!!!

BalasTinggalkan sebuah Komentar Cancel reply

Top of Form

Alamat surel anda tidak akan ditampilkan. Required fields are marked *

Nama *

Email *

Situs web

Komentar

Bottom of Form
mailto:[email protected]:[email protected]

blog fuzzy

Documents