Tugas ke 8 Pembahasan Aplikasi Fuzzy Logic

PENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY – MAMDANI

ABSTRAK
Permasalahan yang timbul di dunia ini seringkali mengandung ketidakpastian, logika fuzzy merupakan salah satu metode untuk melakukan analisis sistem yang mengandung ketidakpastian. Pada penelitian ini digunakan metode mamdani atau sering juga dikenal dengan metode Min – Max. Perancangan sistem untuk mendapatkan output dilakukan dalam tahap – tahap (a) pembentukan himpunan fuzzy, (b) Aplikasi fungsi implikasi, (c) membentuk aturan – aturan, (d) penegasan (defuzzifikasi). Pada penelitian ini defuzzifikasi dilakukan dengan menggunakan metode centroid. Pada metode ini nilai defuzzyfikasi bergerak secara halus, sehingga perubahan pada himpunan fuzzy juga akan bergerak dengan halus. Dari hasil penelitian yang telah dilakukan, dengan memasukkan variabel input pada bulan juli 2005, yaitu jumlah permintaan sebesar 21.945 unit dan jumlah persediaan sebesar 1.824 unit menghasilkan output jumlah produksi sebesar 20.300 unit.
Kata Kunci : Ketidakpastian, Jumlah produksi, Logika fuzzy.

Pendahuluan
Pada saat ini hampir semua perusahaan yang bergerak dibidang industry dihadapkan pada suatu masalah yaitu adanya tingkat persaingan yang semakin kompetitif. Hal ini mengharuskan perusahaan untuk merencanakan atau menentukan jumlah produksi, agar dapat memenuhi permintaan pasar dengan tepat waktu dan dengan jumlah yang sesuai. Sehingga diharapkan keuntungan perusahaan akan meningkat. Pada dasarnya penentuan jumlah produksi ini direncanakan untuk memenuhi tingkat produksi guna memenuhi tingkat penjualan yang direncanakan atau tingkat permintaan pasar. Logika fuzzy (logika samar) itu sendiri merupakan logika yang berhadapan dengan konsep kebenaran sebagian, dimana logika klasik menyatakan bahwa segala hal dapat di ekspresikan dalam istilah binary (0 atau 1). Logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1. Berbagai teori didalam perkembangan logika fuzzy menunjukkan bahwa pada dasarnya logika fuzzy dapat digunakan untuk memodelkan berbagai sistem.
Logika fuzzy dianggap mampu untuk memetakan suatu input kedalam suatu output tanpa mengabaikan faktor–faktor yang ada. Logika fuzzy diyakini dapat sangat fleksibel dan memiliki toleransi terhadap data-data yang ada. Dengan berdasarkan logika fuzzy, akan dihasilkan suatu model dari suatu sistem yang mampu memperkirakan jumlah produksi. Faktor–faktor yang mempengaruhi dalam menentukan jumlah produksi dengan logika fuzzy antara lain jumlah permintaan dan jumlah persediaan.

Rumusan Masalah
Berdasarkan uraian dari latar belakang, dapat dirumuskan permasalahan dari penelitian yang akan dilakukan yaitu: memperkirakan jumlah produksi berdasarkan logika fuzzy dengan memperhatikan faktor jumlah permintaan dan jumlah persediaan.
Adapun batasan masalah dalam penelitian ini adalah:
1. Produk yang diteliti adalah kloset jongkok.
2. Faktor–faktor yang mempengaruhi penentuan jumlah produksi adalah jumlah permintaan dan jumlah persediaan.
3. Penalaran fuzzy menggunakan metode mamdani
4. Penegasan (defuzzyfikasi) dengan metode centroid.
5. Pengolahan data menggunakan bantuan software matlab 6.1
6. Data lain tidak diteliti atau dianggap tetap.

Dasar Teori

Logika Fuzzy
Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya berada diluar model matematis dan bersifat inexact. Konsep ketidakpastian inilah yang menjadi konsep dasar munculnya konsep logika fuzzy. Pencetus gagasan logika fuzzy adalah Prof. L.A. Zadeh (1965) dari California University. Pada prinsipnya himpunan fuzzy adalah perluasan himpunan crisp, yaitu himpunan yang membagi sekelompok individu kedalam dua kategori, yaitu anggota dan bukan anggota.
Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µ A [x], memiliki 2 kemungkinan, yaitu ( Kusumadewi, 2003: 156 ) :
• 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 ( Kusumadewi, 2003: 159 ) .
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy (Kusumadewi, 2001: 12 ).
Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik 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 fungsi. Ada beberapa fungsi yang bisa digunakan diantaranya :
1. representasi linear
2. representasi segitiga
3. representasi trapesium
4. representasi kurva bentuk bahu
5. representasi kurva S
6. representasi bentuk lonceng

Sistem Inferensi Fuzzy Metode Mamdani
Metode mamdani sering juga dikenal dengan nama metode min–max. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output diperlukan 4 tahapan, diantaranya :
1. Pembentukan himpunan fuzzy
Pada metode mamdani baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy.
2. Aplikasi fungsi implikasi
Pada Metode Mamdani, fungsi implikasi yang digunakan adalah min.
3. Komposisi aturan
Metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu Metode max (maximum). Secara umum dapat dituliskan :



dengan :
µsf[Xi] = nilai keanggotaan solusi fuzzy sampai aturan ke i
µkf [Xi]) = nilai keanggotaan konsekuan fuzzy aturan ke i
4. Penegasan (defuzzy)
Defuzzifikasi pada komposisi aturan mamdani dengan menggunakan metode centroid. Dimana pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat daerah fuzzy.
Secara umum dirumuskan (Bo Yuan, 1999) :
Ada dua keuntungan menggunakan metode centroid, yaitu (Kusumadewi, 2002):
1. Nilai defuzzyfikasi akan bergerak secara halus sehingga perubahan dari suatu himpunan fuzzy juga akan berjalan dengan halus.
2. Lebih mudah dalam perhitungan.

Metode Penelitian

Identifikasi Data
Identifikasi data dilakukan dengan penentuan variabel yang diperlukan dalam melakukan perhitungan dan analisis masalah. Perusahaan dalam melakukan proses produksi dipengaruhi oleh beberapa faktor, diantaranya :
1. Jumlah Permintaan
2. Jumlah Persediaan
3. Jumlah Produksi

Pembentukan himpunan fuzzy
Pada metode mamdani baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy.

Aplikasi fungsi implikasi
Pada metode mamdani, fungsi implikasi yang digunakan untuk tiap – tiap aturan adalah fungsi min.

Penegasan (defuzzy)
Proses penegasan (defuzzyfikasi) menggunakan bantuan software matlab dengan menggunakan fasilitas yang disediakan pada toolbox fuzzy.

Pengumpulan dan Pengolahan Data

Pengumpulan Data
Data yang dikumpulkan dalam penelitian ini meliputi data permintaan, data persediaan dan data jumlah produksi untuk kurun waktu antara bulan Juli 2004 sampai dengan bulan Juni 2005. Data tersebut dapat dilihat pada tabel 1. Untuk menentukan jumlah produksi pada bulan juli 2005, juga dibutuhkan data permintaan dan persediaan bulan juli 2005. Data permintaan untuk bulan juli 2005 adalah sebesar 21.945 unit. Sedangkan untuk data persediaan pada bulan juli 2005 adalah sebesar 1.824 unit. Dan sampai saat ini perusahaan mampu memproduksi barang maksimum 25.000 produk tiap bulannya.
Pengolahan Data
Pengolahan data dilakukan dengan menentukan variabel dan semesta npembicaraan, dilanjutkan dengan membentuk himpunan fuzzy. Penentuan variabel dan semesta pembicaraan dari hasil pengambilan data dapat diperoleh pada tabel 2. Sedang himpunan fuzzy ditampilkan pada tabel 3.
Langkah selanjutnya adalah membuat fungsi keanggotaan untuk tiap variable permintaan, persediaan dan jumlah produksi. Fungsi keanggotaan variabel persediaan, meliputi kurva bentuk S penyusutan untuk himpunan sedikit dan kurva bentuk S pertumbuhan untuk himpunan banyak.
Sedangkan kurva PI untuk himpunan sedang. Hal ini dapat dilihat pada gambar 1. Fungsi keanggotaan variabel permintaan, meliputi kurva bentuk S penyusutan untuk himpunan sedikit dan kurva bentuk S pertumbuhan untuk himpunan banyak. Sedangkan kurva PI untuk himpunan sedang. Hal ini dapat dilihat pada gambar 2. Fungsi keanggotaan variabel jumlah produksi, meliputi kurva bentuk S penyusutan untuk himpunan sedikit dan kurva bentuk S pertumbuhan untuk himpunan banyak. Sedangkan kurva PI untuk himpunan sedang. Hal ini dapat dilihat pada gambar 3.

Setelah penentuan fungsi keanggotaan variabel, maka dilakukan pembentukan aturan logika fuzzy. Berdasarkan data – data yang ada, dapat dibentuk aturan – aturan sebagai berikut :
1. if (Permintaan is Sedikit) and (Persediaan is Sedikit) then (Jumlah Produksi is Sedikit)
2. if (Permintaan is Sedikit) and (Persediaan is Sedikit) then (Jumlah Produksi is Sedang)
3. if (Permintaan is Sedikit) and (Persediaan is Sedang) then (Jumlah Produksi is Sedikit)
4. if (Permintaan is Sedikit) and (Persediaan is Sedang) then (Jumlah Produksi is Sedang)
5. if (Permintaan is Sedikit) and (Persediaan is Sedang) then (Jumlah Produksi is Banyak)
6. if (Permintaan is Sedikit) and (Persediaan is Banyak) then (Jumlah Produksi is Sedikit)
7. if (Permintaan is Sedikit) and (Persediaan is Banyak) then (Jumlah Produksi is Sedang)
8. if (Permintaan is Sedang) and (Persediaan is Sedikit) then (Jumlah Produksi is Sedikit)
9. if (Permintaan is Sedang) and (Persediaan is Sedikit) then (Jumlah Produksi is Sedang)
10. if (Permintaan is Sedang) and (Persediaan is Sedikit) then (Jumlah Produksi is Banyak)
11. if (Permintaan is Sedang) and (Persediaan is Sedang) then (Jumlah Produksi is Sedikit)
12. if (Permintaan is Sedang) and (Persediaan is Sedang) then (Jumlah Produksi is Sedang)
13. if (Permintaan is Sedang) and (Persediaan is Sedang) then (Jumlah Produksi is Banyak)
14. if (Permintaan is Sedang) and (Persediaan is Banyak) then (Jumlah Produksi is Sedikit)
15. if (Permintaan is Sedang) and (Persediaan is Banyak) then (Jumlah Produksi is Sedang)
16. if (Permintaan is Sedang) and (Persediaan is Banyak) then (Jumlah Produksi is Banyak)
17. if (Permintaan is Banyak) and (Persediaan is Sedikit) then (Jumlah Produksi is Sedang)
18. if (Permintaan is Banyak) and (Persediaan is Sedikit) then (Jumlah Produksi is Banyak)
19. if (Permintaan is Banyak) and (Persediaan is Sedang) then (Jumlah Produksi is Sedang)
20. if (Permintaan is Banyak) and (Persediaan is Sedang) then (Jumlah Produksi is Sedang)
21. if (Permintaan is Banyak) and (Persediaan is Banyak) then (Jumlah Produksi is Sedang)
22. if (Permintaan is Banyak) and (Persediaan is Banyak) then (Jumlah Produksi is Banyak)

Langkah terakhir adalah penegasan (defuzzyfikasi). Penegasan dilakukan dengan bantuan software matlab 6.1 toolbox fuzzy. Hasil pengujian dengan metode centroid dengan input jumlah permintaan sebesar 21.945 unit dan jumlah persediaan sebesar 1.824 unit menghasilkan output jumlah produksi sebesar 20.300 unit. Penalaran fuzzy dengan menggunakan metode centroid digambarkan seperti pada gambar 4.
Pembahasan Kelompok

Dalam makalah ini hal yang pertama dilakukan adalah pengumpulan dan identifikasi data. Identifikasi data dilakukan dengan penentuan variabel yang diperlukan dalam melakukan perhitungan dan analisis masalah. Pengolahan data dilakukan dengan menentukan variabel dan semesta pembicaraan, dilanjutkan dengan membentuk himpunan fuzzy. Pada metode mamdani baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy. Langkah selanjutnya adalah membuat fungsi keanggotaan untuk tiap variable.
Setelah penentuan fungsi keanggotaan variabel, maka dilakukan pembentukan aturan logika fuzzy. Pada metode mamdani, fungsi implikasi yang digunakan untuk tiap – tiap aturan adalah fungsi min. Langkah terakhir adalah penegasan (defuzzyfikasi). Penegasan dilakukan dengan bantuan software matlab 6.1 toolbox fuzzy. Pengujian dilakukan dengan metode centroid dengan input jumlah permintaan dan jumlah persediaan menghasilkan output jumlah produksi. Penalaran fuzzy dengan menggunakan metode centroid digambarkan seperti pada gambar 4. Dari gambar tersebut data diketahui input dan output yang ditampilkan sesuai dengan aturan logika yang telah dibuat.

Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan, serta uraian – uraian yang telah dikemukakan, maka dapat diambil kesimpulan yaitu : Untuk menentukan jumlah produksi pada bulan juli 2005, dilakukan pengolahan data dengan menggunakan bantuan software Matlab 6.1 Toolbox Fuzzy, dimana pada penegasan (defuzzyfikasi) dengan menggunakan metode centroid. Dengan memasukkan variabel input, yaitu jumlah permintaan sebesar 21.945 unit dan jumlah persediaan sebesar 1.824 unit, maka hasil yang didapatkan untuk jumlah produksi pada bulan juli 2005 sebesar 20.300 unit.

Tugas ke 7 Program Fuzzy Logic

Pengaturan Mesin Pengering Pakaian Otomatis dengan menggunakan Fuzzy Logic Control.

INPUT

BERAT (KG)
KADAR AIR (%)




OUTPUT


LAMA PENGERINGAN (MENIT)

SIMULASI MATLAB

Input Bobot (Kg)

Input Kadar Air (%)

RULE EDITOR

RULE BASE

TAMPILAN TIGA DIMENSI

OUTPUT

LAMA PENGERINGAN (Menit)

KETERANGAN :

INPUT

KETERANGAN :

INPUT

BOBOT: (0 - 6 Kg)

*Ringan (0 - 2 Kg)

*Sedang (2 - 4.5 Kg)

*Berat (4.5 - 6 Kg)

KADAR AIR: (0 - 100 %)

*Lembab (0 - 20 %)

*Sedang (20 - 60 %)

*Basah (60 - 100 %)

OUTPUT

WAKTU: (0 - 10 Menit)

*Cepat (0 - 3 Menit)

*Sedang (3- 7 Menit)

*Lambat (7 - 10 Menit)

Kesimpulan

1. Semakin basah suatu pakaian maka akan semakin lama waktu pengeringannya
2. Semakin lembab suatu pakaian maka akan semakin cepat waktu pengeringannya
3. Semakin berat jumlah pakaian yang dikeringkan maka akan semakin lama waktu pengeringannya
4. Semakin ringan jumlah pakaian yang dikeringkan maka akan semakin cepat waktu pengeringannya

Tugas ke 6, Makalah Fuzzy

Aplikasi Kendali Fuzzy Logic untuk Pengaturan Kecepatan
Motor Universal

Thiang, Resmana, Wahyudi
Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra
e-mail : thiang@petra.ac.id, resmana@petra.ac.id

Abstrak
Dalam makalah ini disajikan aplikasi kendali fuzzy logic untuk pengaturan kecepatan motor universal. Kendali
fuzzy logic diimplementasikan pada komputer dan programnya dibuat dengan bahasa Pascal. Pengaturan
kecepatan motor dilakukan dengan mengatur tegangan motor dan menggunakan metode Pulse Width Modulation
(PWM). Pembebanan pada motor dilakukan dengan cara pengereman secara mekanik. Feedback sistemnya
adalah sinyal frekuensi dari tacho dan sinyal frekuensi ini diubah menjadi tegangan untuk diinputkan pada
komputer melalui ADC.Sistem fuzzy logic mempunyai 2 crisp input yaitu error dan perubahan error kecepatan
motor dan mempunyai 1 crisp output yaitu perubahan tegangan. Metode defuzzifikasi yang digunakan adalah
metode mean of maxima dan center of area. Jumlah label dari membership function bervariasi 3 label, 5 label dan
7 label. Jumlah rule bervariasi tergantung dari jumlah label yang digunakan. Respon sistem ditampilkan dalam
bentuk grafik kecepatan motor terhadap waktu. Hasil pengujian menunjukkan membership function dengan
bentuk segitiga atau trapezoid tidak memberikan pengaruh yang cukup besar terhadap respon sistem. Metode
defuzzifikasi center of area lebih baik dibandingkan dengan metode mean of maxima. Respon sistem akan lebih
baik bila menggunakan membership function dengan jumlah label yang lebih banyak.
Kata Kunci : Kendali Fuzzy Logic, Fuzzy Inference, Motor Universal

Abstract
This paper present the application of fuzyy logic control for universal motor speed control. Fuzzy logic control is
implemented on a personal computer, while the program is made in Pascal. The speed control is done by
adjusting motor voltage and using Pulse Width Modulation (PWM) Method. The loading on the motor is
executed mechanical braking. The system feedback is a signal frequency from tacho, which is, then changed into
voltage for computer input through ADC. Fuzzy logic system applies two crisps of input: error and error chage
of the motor speed; and an output crisp, i.e. voltage change. The dufuzzification methods used are mean of
maxima and center of area. The numbers of rules vary based on the numbers of the label used. The system
response is displayed by graphic of the motor speed toward time. The testing result showed that the membership
functions in triangle and trapezoid forms did not contribute significant influence to the system response; between
the two methods of defuzzification, the center area was better than the mean of maxima; and the system response
will be much bettter if more membership functions were used.
Keywords: Fuzzy Logic Control, Fuzzy Interference, Universal Motor

Pendahuluan
Salah satu bagian yang penting dalam mendesain
sistem kendali konvensional seperti Proporsional
(P), Proporsional-Integral (PI) dan Proporsional-
Integral-Derivatif (PID) adalah model matematika
dari sistem. Model matematika untuk
sistem linier masih bisa didapatkan tetapi pada
sistem non-linier, tidak mudah menurunkan
model matematika dari sistem.
Kendali fuzzy logic memberikan alternatif lain
dalam sistem kendali. Dalam kendali fuzzy logic
tidak diperlukan model matematika dari sistem
karena kendali fuzzy logic bekerja berdasarkan
rule-rule yang diekstrak sesuai dengan pemikiran
dan pengetahuan manusia baik sebagai operator
atau ahli.
Dalam penelitian ini disajikan implementasi
kendali fuzzy logic untuk pengaturan kecepatan
motor universal. Proses fuzzy inference dalam
kendali fuzzy logic terdiri atas 3 bagian yaitu
fuzzifikasi, evaluasi rule dan defuzzifikasi.
Catatan : Diskusi untuk makalah ini diterima sebelum tanggal 1
Mei 2001. Diskusi yang layak muat akan diterbitkan pada Jurnal
Teknik Elektro volume 1 nomor 2 September 2001
Jurnal Teknik Elektro Vol.1, No.1 Maret 2001 : 33 – 42
34
Fuzzifikasi mengubah nilai crisp input menjadi
nilai fuzzy input. Proses evaluasi rule mengolah
fuzzy input sehingga menghasilkan fuzzy output.
Defuzzifikasi mengubah fuzzy output menjadi
nilai crisp output. Gambar 1 menunjukkan
struktur dasar dari kendali fuzzy logic.
Gambar 1. Struktur Dasar Kendali
Fuzzy Logic
Sistem fuzzy yang didesain mempunyai 2 input
yaitu error dan perubahan error dan 1 output
yaitu perubahan tegangan motor. Jumlah label
untuk masing-masing input dan output
membership function (MF) dibuat bervariasi,
demikian juga untuk bentuk membership
function. Hal ini dilakukan untuk menguji
bagaimana pengaruh jumlah label terhadap
respon sistem kendali. Ada dua metode
defuzzifikasi yang diterapkan yaitu center of
area (COA) dan mean of maxima (MOM). Dari
dua metode ini akan dibandingkan yang mana
menghasilkan respon sistem yang lebih baik.
Deskripsi Sistem
1. Perangkat Keras Sistem
Blok diagram sistem kendali kecepatan motor
universal dapat dilihat pada gambar 2.
Spesifikasi motor universal yang digunakan
adalah 85 watt, 200/220 volt, 6000 rpm. Sebagai
sensor untuk membaca kecepatan motor
digunakan tachometer. Gambar rangkaian
tachometer dapat dilihat pada gambar 3. Output
dari rangkaian tachometer berupa sinyal
frekuensi diubah menjadi tegangan oleh
rangkaian pengubah frekuensi menjadi tegangan.
Tegangan output rangkaian ini oleh Analog to
Digital Converter (ADC) diubah menjadi data
digital yang akan dibaca oleh komputer. Gambar
rangkaian pengubah frekuensi menjadi tegangan
dan rangkaian ADC dapat dilihat pada gambar 4
dan gambar 5. ADC yang digunakan adalah
ADC MAX 191 yang mempunyai data output 12
bit sehingga dapat diperoleh respon kendali yang
lebih baik.
Pengaturan kecepatan motor dilakukan oleh
rangkaian driver motor. Rangkaian ini bekerja
berdasarkan metode Pulse Width Modulation
(PWM). Output dari PWM akan menggerakkan
optocoupler MOC 3020 yang selanjutnya
memberikan trigger pada triac. Gambar
rangkaian driver motor dapat dilihat pada
gambar 7.
Rangkaian driver motor mendapat input dari
output Digital to Analog Converter (DAC).
Rangkaian driver motor mengolah sinyal analog
yang berupa tegangan dari DAC untuk
menghasilkan putaran motor yang sesuai. DAC
yang digunakan adalah DAC 1210 yang
memiliki ketelitian 12 bit. Gambar 6
menunjukkan rangkaian DAC 1210.
Gambar 2. Blok Diagram Sistem Kendali Kecepatan Motor Universal
Fuzzy Output
Fuzzy Input
Crisp Output
Crisp Input
Proses
Kendali
Fuzzifikasi
Evaluasi
Rule
Defuzzifikas
i
INTERFACE
IBM PC
+
_ FLC DAC
ADC
DRIVER
F to V
MOTOR
TACHO
Setting
Point
Aplikasi Kendali Fuzzy Logic untuk Pengaturan Kecepatan Motor Universal
[ Thiang et al. ]
35
Gambar 3. Rangkaian Tachometer
Gambar 4. Rangkaian pengubah Frekuensi Menjadi Tegangan
Gambar 5. Rangkaian ADC
Jurnal Teknik Elektro Vol.1, No.1 Maret 2001 : 33 – 42
36
Gambar 6. Rangkaian DAC
Gambar 7. Rangkaian Driver Motor
2. Desain Sistem Kendali Fuzzy Logic
Sistem kendali fuzzy logic yang dikembangkan
dalam penelitian ini mempunyai dua crisp input
yaitu error dan perubahan error kecepatan motor
dan satu crisp output yaitu perubahan tegangan.
Error dan perubahan error didefinisikan dengan
perumusan sebagai berikut:
Error = PV – SP
Derror = Error(n) – Error(n-1)
PV adalah kecepatan motor aktual sedangkan SP
adalah kecepatan motor yang dinginkan. Derror
didefinisikan sebagai selisih error sekarang
dengan error sebelumnya.
Aplikasi Kendali Fuzzy Logic untuk Pengaturan Kecepatan Motor Universal
[ Thiang et al. ]
37
Gambar 8. Membership Function Bentuk Segitiga 3 Label
Gambar 9. Membership Function Bentuk Segitiga 5 Label
Gambar 10. Membership Function Bentuk Segitiga 7 Label
Dalam sistem ini didesain membership function
untuk input dan output dengan jumlah label
bervariasi yaitu 3, 5 dan 7 label dan dengan
bentuk yang bervariasi yaitu segitiga dan
trapezoid. Gambar 8 sampai dengan gambar 13
menunjukkan membership function untuk input
dan output yang telah didesain.
Jurnal Teknik Elektro Vol.1, No.1 Maret 2001 : 33 – 42
38
Gambar 11. Membership Function Bentuk Trapezoid 3 Label
Gambar 12. Membership Function Bentuk Trapezoid 5 Label
Gambar 13. Membership Function Bentuk Trapezoid 7 Label
Fuzzy if-then – rule didesain dengan mengekstrak
dari pengalaman operator atau
pengetahuan para ahli. Rule yang telah didesain
dapat dilihat pada tabel 1, 2 dan 3.
Aplikasi Kendali Fuzzy Logic untuk Pengaturan Kecepatan Motor Universal
[ Thiang et al. ]
39
Tabel 1. If-Then Rule untuk Bentuk Segitiga/Trapezoid 3 Label
Error
DV Neg Zero Pos
Neg Pos Pos Neg
Zero Pos Zero Neg
Derror
Pos Pos Neg Neg
Tabel 2. If-Then Rule untuk Bentuk Segitiga/Trapezoid 5 Label
Error
DV NB NS ZE PS PB
NB PB PB ZE NS NS
NS PB PB ZE NS NS
ZE PB PB ZE NS NS
PS PS PS NS NS NS
DError
PB PS ZE NB NB NB
Tabel 3. If-Then Rule untuk Bentuk Segitiga/Trapezoid 7 Label
Error
DV NB NM NS ZE PS PM PB
NB PB PM PS PM NS NS NM
NM PB PM PS PS NS NS NM
NS PB PM PS PS NS NS NM
ZE PB PM PS ZE NS NS NM
PS PB PM PS NS NS NS NB
PM PB PS ZE NS NM NM NB
DError
PB PB PS NS NM NM NM NB
3. Desain Program Kendali Fuzzy Logic
Proses kendali fuzzy logic dilakukan oleh
program yang dibuat dengan bahasa pascal
menggunakan kompiler turbo pascal
7.0.Program ini melakukan pembacaan data
aktual dari ADC yang merepresentasikan
kecepatan motor kemudian dibandingkan dengan
setting point dan melakukan proses fuzzy
inference yang meliputi fuzzifikasi, evaluasi
rule dan defuzzifikasi. Hasil fuzzy inference
dioutputkan ke DAC untuk mengendalikan
kecepatan motor. Respon dari sistem
ditampilkan dalam bentuk grafik terhadap waktu.
Diagram alir program kendali fuzzy logic dapat
dilihat pada gambar 14.
Y
T
Start
Input Setting Point
Baca ADC (RPM Aktual)
Menghitung Error dan DError
Fuzzy Inference System
·  Fuzzifikasi, Evaluasi Rule,
Defuzzifikasi
Output ke DAC
Stop ?
End
Jurnal Teknik Elektro Vol.1, No.1 Maret 2001 : 33 – 42
40
Gambar 14. Diagram Alir Program Kendali Fuzzy Logic
Pengujian Sistem
Pengujian sistem dilakukan dengan melihat
respon sistem terhadap fungsi waktu. Selama:
selang waktu tertentu akan diamati respon sistem
terhadap pemberian beban dan pelepasan beban
dengan berbagai kondisi meliputi
1. Variasi bentuk membership function
2. Variasi jumlah label membership function
3. Variasi metode defuzzifikasi
Berikut adalah grafik-grafik respon sistem
terhadap waktu, hasil dari pengujian yang telah
dilakukan. Dalam pengujian ini, beban yang
diberikan adalah sebesar 100 gr dan ditentukan
setting point 5000 rpm.
Gambar 15. Respon Sistem dengan MF Segitiga,
3 Label, Metode COA
Gambar 16. Respon Sistem dengan MF Segitiga,
5 Label, Metode COA
Gambar 18. Respon Sistem dengan MF
Trapezoid, 3 Label, Metode COA
Gambar 19. Respon Sistem dengan MF
Trapezoid, 5 Label, Metode COA
Gambar 20. Respon Sistem dengan MF Segitiga,
3 Label, Metode MOM
Gambar 21. Respon Sistem dengan MF Segitiga,
5 Label, Metode MOM
Gambar 17. Respon Sistem dengan MF Segitiga,
7 Label, Metode COA
MF Segitiga, 3 Label, COA
MF Segitiga, 5 Label, COA
MF Segitiga, 7 Label, COA
MF Trapezoid, 3 Label, COA
MF Trapezoid, 5 Label, COA
MF Segitiga, 3 Label, MOM
MF Segitiga, 5 Label, MOM
Aplikasi Kendali Fuzzy Logic untuk Pengaturan Kecepatan Motor Universal
[ Thiang et al. ]
41
Gambar 22. Respon Sistem dengan MF
Segitiga, 7 Label, Metode MOM
Gambar 23. Respon Sistem dengan MF
Trapezoid, 3 Label, Metode MOM
Gambar 24. Respon Sistem dengan MF
Trapezoid, 5 Label, Metode MOM
Gambar 25. Respon Sistem dengan MF
Trapezoid, 7 Label, Metode MOM
Dari grafik respon sistem terlihat bahwa secara
umum motede Center of Area menghasilkan
kendali yang lebih baik dibandingkan dengan
metode Mean of Maxima. Metode Center of
Area tidak memberikan perbedaan respon
sistem yang signifikan untuk variasi bentuk
membership function dan variasi jumlah
label. Metode Mean of Maxima memberikan
perbedaan respon sistem yang signifikan
untuk variasi jumlah label. Respon yang
ditunjukkan oleh membership function
dengan 7 label adalah yang terbaik,
kemudian 5 label dan 3 label.

Kesimpulan
Dari percobaan yang dilakukan dalam
pengujian respon sistem kendali baik dengan
variasi bentuk membership function, variasi
jumlah label membership function dan
variasi metode defuzzifikasi, dapat diambil
kesimpulan sebagai berikut :
·  Kendali fuzzy logic relatif mudah
diimplementasikan karena tidak membutuhkan
model matematika tetapi
bekerja berdasarkan rule yang dapat
diekstrak dari pengalaman dan keahlian
seorang operator.
·  Bentuk membership function antara
segitiga dan trapezoid tidak memberi
pengaruh yang cukup besar dalam
menentukan respon sistem.
·  Metode defuzzifikasi Center of Area
menghasilkan kendali yang lebih baik
dibandingkan dengan metode mean of
maxima
·  Semakin banyak jumlah label dalam
membership function memungkinkan
untuk menghasilkan kendali yang lebih
baik terutama untuk metode defuzzifikasi
mean of maxima
MF Segitiga, 7 Label, MOM
MF Trapezoid, 3 Label, MOM
MF Trapezoid, 5 Label, MOM
MF Trapezoid, 7 Label, MOM
Jurnal Teknik Elektro Vol.1, No.1 Maret 2001 : 33 – 42
Daftar Pustaka
[1]. Evans, Gerald W. Application of Fuzzy
Set Methodologies in Industrial Engineering,
Amsterdam : Elsevier Science
Publisher B.V, 1989.
[2]. Klir, George J and Yuan Bo. Fuzzy Sets
and Fuzzy Logics: Theory and Applications.
New Jersey , Prentice-Hall Inc.,
1995.
[3]. Sugeno, Michio. Industrial Applications
of Fuzzy Control. Amsterdam , Elsevier
Science Publisher B.V, 1992.
[4]. Terano, Toshiro. Fuzzy System Theory
and It’s Applications. London, Academic
Press, Inc., 1992.
[5]. Terano, Toshiro. Applied Fuzzy Systems.
London, Academic Press Inc.,
1994.

Tugas ke 5, Makalah JST

SIMULASI JARINGAN SYARAF TIRUAN BERBASIS METODE BACKPROPAGATION

1.        Pendahuluan

Latar Belakang

Seiring  perkembangan  jaman  peran  komputer semakin   mendominasi   kehidupan.   Lebih   dari   itu, komputer  saat  ini  diharapkan  dapat  digunakan  untuk mengerjakan  segala  sesuatu  yang bisa  dikerjakan  oleh manusia   baik  di  rumah   tangga,   industri   bahkan   di lingkungan  pendidikan.  Untuk  memecahkan  masalah dengan   komputer,   program   harus    dibuat   terlebih dahulu   kemudian   akan   diproses   selanjutnya.   Tanpa program,  komputer  hanyalah  sebuah  kotak  besi  yang tidak berguna.

Motor  DC  banyak  digunakan  dalam  kehidupan sehari-hari.  Baik  dalam  dunia  industri  maupun  rumah tangga.   Motor   DC   yang   beredar   sebenarnya   sudah menggunakan   bahasa   logika   sederhana   ada    yang dikendalikan manual oleh manusia, sebagian sudah ada yang  menggunakan  mikrokontroller,  algoritma  fuzzy maupun  algortim dan kendali lainya yang menggunakan   bahasa   pemrograman   yang   berbeda. Motor yang    beredar    di    masyarakat    akan    lebih menghasilkan produk yang bagus dan memiliki tingkat presisi  tinggi  apabila  kesalahan  dari  faktor  manusia dapat diperkecil.

Dari beberapa pengendalian yang menggunakan algoritma  fuzz  dan  mikrokontroller  atau  yang  lainnya, error  yang  dihasilkan  terlalu  besar  berkisar  antara  3-10%.

2.     Dasar Teori

Jaringan  Syaraf  Manusia  sebagai    Dasar Jaringan Syaraf Tiruan

Beberapa hal   yang mendasari kerja Jaringan   Syaraf   Manusia   (JSM),   diantaranya mengenai penyimpanan informasi dan daya ingat, dimana bila suatu sinyal tertentu melalui sinapsis secara   berulang-ulang,   maka   sinapsis   tersebut menjadi lebih mampu menghantarkan sinyal pada

kesempatan   berikutnya.   Hal   ini   mendasari   adanya proses belajar atau pelatihan (learning), jadi JST yang akan  digunakan  pasti  melalui  proses  pelatihan  secara berulang-ulang terlebih dahulu. Dalam   JSM,   akson   dan   dendrit   bercabang- cabang   sedemikian   banyaknya   yang      menunjukan bahwa  adanya  sistem  paralel  dan  terdistribusi.  Akson dan  dendrit  pada  JSM  bercabang-cabang  dengan  pola yang  tidak  teratur,  sedangkan  pada  JST,  keparalelan dan kedistribusian cabang-cabang itu membentuk pola tertentu. JST         merupakan bagian dari Artificial Intelligence (AI)  yang berbasis hubungan,  karena cara kerjanya  melihat  pada  JSM.  Secara  garis  besar  dapat dijelaskan   sebagai berikut:   beberapa   bongkol   (baik eksitasi maupun inhibisi) masuk ke suatu neuron, oleh neuron masukan tersebut dijumlahkan, kemudian dibandingkan dengan nilai ambangnya. Hasil penjumlahan  baru  bisa  berarti  jika  besarnya  kecilnya bobot hubungan telah teratur.

2.2  Algoritma Backpropagation

JST  backpropagataion  atau  rambat  balik (JST- BP)  adalah  metode  yang  paling sederhana  dan  mudah dipahami dari  metode-metode  yang lain. JST-BP  akan merubah  bobot  biasnya  untuk  mengurangi  perbedaan antara   output   jaringan   dan   target   output.   Setelah pelatihan selesai, dilakukan pengujian terhadap jaringan   yang   telah   dilatih.   Pembelajaran  algoritma jaringan  syaraf  membutuhkan  perambatan  maju  dan diikuti  dengan perambatan mundur. Keduanya dilakukan untuk semua pola pelatihan

 

2.3  Motor DC

Motor  DC  adalah  sistem  mesin  yang  berfungsi mengubah  tenaga  listrik  arus  searah  menjadi  tenaga gerak atau mekanis. Motor DC hampir dapat dijumpai di   setiap   peralatan   baik   rumah   tangga,   kendaraan bahkan   dalam   dunia   industri   sekalipun,   dari   yang beukuran mikro sampai motor yang memiliki kekuatan ribuan daya kuda.

2.3.1   Karakteristik Motor DC

Pada motor shunt eksitasi       terpisah, bertambahnya  kopel arus jangkar (Ia) mengakibatkan   kecepatan   (n)   menurun.   Pada motor   seri,   bertambahnya   kopel   (arus)   akan menyebabkan   bertambahnya   harga   fluks   (   ), karena fluks pada motor  seri     merupakan merupakan fungsi Ia

Ea  = Vt  – Ia  Ra,                                        

(1) Ea  = C n                                            

(2) n =  Vt – Ia Ra / C     ,                  

Untuk  harga  Ia  =  0,  harga  fluks  juga  nol sehingga  dari  persamaan  3,  diperoleh  harga  n menuju tak terhingga.  Sedangkan untuk harga  Ia yang  cukup  besar,  harga  n  akan  mendekati  nol. Dengan  demikian  karakteristik  kecepatan-kopel untuk  motor  shunt  dan  seri  dapat  digambarkan sebagai berikut:

 

2.3.2   Pengaturan Kecepatan Motor DC

Tiga parameter yang biasa diatur adalah:

a.     Medan    shunt    (   ),    dengan    menyisipkan tahanan variabel yang dipasang seri terhadap kumparan medan (motor shunt), maka dapat diatur  arus  medan  dan  fluksnya.  Rugi  panas yang  ditimbulkan  sangat  kecil  pengaruhnya. Karena   besarnya   fluks   yang   dicapai   oleh kumparan  medan  terbatas,  kecepatan  yang diaturpun akan terbatas.

b.    Tegangan (Vt), dikenal dengan metode Ward Leonard.   Menghasilkan   suatu   pengaturan kecepatan   yang   sangat   halus   dan   banyak dipakai untuk lift, mesin bubut dan lain-lain. Satu-satunya    kerugian    dalam    sistem    ini adalah  biaya  untuk  penambahan  generator dan penggerak awal
c.   Tahanan     (Ra),    dengan     menyisipkan     tahanan variabel terhadap tahanan jangkar. Cara ini jarang dipakai, karena penambahan tahanan seri terhadap tahanan   jangkar   menimbulkan  rugi  panas   yang cukup besar.

3.        Perancangan Sistem

Proses belajar JST dilakukan  secara   on- line/continue, sehingga JST memerlukan  hasil pengendaliannya   (kecepatan   yang  dihasilkan   motor) untuk memperbaiki tanggapan motor. Dalam perancangan  sistem,  masukan  JST  adalah  berupa  set point  kecepatan,  sedangkan  keluarannya   yang   juga berfungsi sebagai masukan motor adalah tegangan DC. Sebagai  keluaran  motor  dan  sebagai  hasil  akhir  dari sistem adalah kecepata modelmotor. Untuk mengetahui  lebih  jelas  perancangan  sistem  ini  dapat dilihat pada diagram blok berikut:

Pelatihan  dari  sistem  pengendalian   dirancang dengan        menggunakan metode inverse, dimana masukan dari plant adalah sebagai target atau keluaran dari       JST, sehingga         skenario     keluarannya akan digunakan   kembali   sebagai   masukan.   Karena   pada pelatihan menggunakan metode           inverse, maka masukan   dan   keluaran   dari   sistem   kendali   yang sebenarnya akan dibalik pada saat pelatihan. Pada saat pelatihan   masukan   dari   JST   adalah   keluaran   dari motor,   yaitu   kecepatan   atau   putaran   dari   motor, sedangkan  keluaran  atau target dari JST   adalah merupakan masukan motor, yaitu tegangan.

 

Pelatihan  dari  sistem  pengendalian   dirancang dengan        menggunakan metode inverse, dimana masukan dari plant adalah sebagai target atau keluaran dari       JST, sehingga         skenario     keluarannya akan digunakan   kembali   sebagai   masukan.   Karena   pada pelatihan menggunakan metode           inverse, maka masukan   dan   keluaran   dari   sistem   kendali   yang sebenarnya akan dibalik pada saat pelatihan. Pada saat pelatihan   masukan   dari   JST   adalah   keluaran   dari motor,   yaitu   kecepatan   atau   putaran   dari   motor, sedangkan  keluaran  atau target dari JST   adalah merupakan masukan motor, yaitu tegangan.

Kemampuan dari JST akan dipergunakan untuk mengidentifikasikan  motor.  Selanjutnya  hasil  proses identifikasi    digunakan    pada    proses    pengendalian kecepatan   motor.   Perangkat   lunak   yang   digunakan dalam  perancangan  sistem  adalah  Matlab  6.5  release

13,  karena  memiliki  bahasa   tingkat  tinggi  dan  dapat digunakan untuk komputasi   teknik,   penghitungan, visualisasi dan pemrograman. Selain itu juga memiliki neural  network  (NN)  toolbox,  sehingga  memudahkan dalam perancangan program   JST          maupun pensimulasian dari sistem yang telah dilatih. Beberapa kegunaan  lain  dari  Matlab  di  antaranya  adalah  untuk pengembangan   algoritma,   pemodelan,   simulasi dan  pembuatan  antarmuka  GUI (Graphical  User Interface).

Kemampuan dari JST akan dipergunakan untuk mengidentifikasikan  motor.  Selanjutnya  hasil  proses identifikasi    digunakan    pada    proses    pengendalian kecepatan   motor.   Perangkat   lunak   yang   digunakan dalam  perancangan  sistem  adalah  Matlab  6.5  release

13,  karena  memiliki  bahasa   tingkat  tinggi  dan  dapat digunakan untuk komputasi   teknik,   penghitungan, visualisasi dan pemrograman. Selain itu juga memiliki neural  network  (NN)  toolbox,  sehingga  memudahkan dalam perancangan program   JST          maupun pensimulasian dari sistem yang telah dilatih. Beberapa kegunaan  lain  dari  Matlab  di  antaranya  adalah  untuk pengembangan   algoritma,   pemodelan,   simulasi dan  pembuatan  antarmuka  GUI (Graphical  User Interface).

4.        Analisis Kelompok

Berikut ini kelompok kami akan menampilkan tabel perbandingan yang didapat dari keadaan motor real dengan tegangan medan tetap (100 volt).

Pada   saat   tegangan   jangkar   150   volt kecepatan   maksimum   mencapai   1913.3   rpm, tetapi  pada  data  board  pada  motor  sebenarnya, kecepatan  maksimum  saat  tegangan  jangkar  150 volt adalah 1750 rpm. Hal ini banyak terjadi pada keadaan   motor   sebenarnya,    yang   disebabkan karena    usia    motor     yang    cukup    lama    dan penggunaan   yang   sering   dilakukan,   sehingga menyebabkan  perubahan  pada  beberapa  piranti pada   motor   yang   sudah   tidak   sesuai   dengan standarisasi pada saat motor diproduksi.

Dengan mengunakan data yang sama pada motor sebenarnya, data input dan output dari hasil simulasi   disimpan   kedalam   workspace   Matlab untuk dijadikan sebagai masukan dan target pada pelatihan   JST   sebagai   pengendali   motor   DC Pelatihan  dengan  menggunakan  for-while  loopskurang mendapatkan hasil yang lebih maksimum, disebabkan   karena   data   input   dan   target   JST terlalu  banyak,  kurang  lebih  sebanyak  150676 data   input   dan   150676   data   output.   Sebagai perbandingan,   untuk   melakukan   1000   iterasi dengan 1 HL dan 7 sel neuron menggunakan for- while  loops,  membutuhkan  waktu  kurang  lebih selama    18    jam.    Berbeda    dengan    pelatihan menggunakan  fungsi  newff  yang disediakan  oleh Matlab. Dengan menggunakan struktur JST yang sama,  1000  iterasi  dapat  dilakukan  hanya  dalam hitungan   menit.   Pelatihan   dan   pengujian   JST menggunakan Matlab akan lebih cepat jika semua data   input,    output   dan   bobot-bias    dijadikan kedalam  bentuk  perhitungan  matrik  seperti  yang terdapat pada fungsi newff.

Hasil pelatihan terbaik adalah adalah pada tabel  nomor  10.  Pelatihan  berhenti  ketika  iterasi yang   ditentukan   sudah   tecapai   dengan   Mean Square Error (MSE) 0.0070382. MSE pada tabel nomor 15 lebih kecil 2e-7 dari MSE pada tabel nomor 10.  Tetapi  jumlah iterasi 2 kali lebih besar dari iterasi pada   tabel   nomor   10,   sehingga   untuk   pengujian jaringan akan digunakan struktur pada tabel nomor 10. Pada  tabel  nomor  5,  pelatihan  berhenti  karena gradient  sudah  mencapai  target,  artinya  MSE  yang dihasilkan sudah mencapai nilai yang paling minimum untuk  arsitektur  JST  sebagai  pengendali  motor  DC Fungsi aktivasi identitas dapat menghasilkan MSE   hampir   mendekati   target,   yang   disebabkan karena input dan target dari JST  memiliki nilai yang sebanding,   hal   ini   sesuai   dengan   fungsi  aktivasi identitas   dimana   masukan   fungsi   sama   dengan keluarannya.  Jumlah  lapisan  dan  sel  neuron  pada masing-masing    lapisan       tersembunyi       tidak berpengaruh   besar   terhadap   MSE,   kecuali   jika variasi  dari  nilai  learning  rate  (LR)  dan  MC  yang digunakan   sesuai   dengan   arsitektur   JST.   Tetapi hampir  semua  pelatihan  yang  menggunakan  fungsi aktivasi sigmoid bipolar pada hidden layer (HL) dan lapisan  keluaran tidak dapat  mencapai  target  iterasi dan    MSE,    disebabkan    karena    fungsi    aktivasi sigmoid   bipolar   memiliki   nilai   range   antara   1 sampai -1. Sedangkan pada pelatihan, nilai input dan target   sudah    di   normalisasi   agar    menghasikan kecepatan yang lebih cepat, sehingga target memiliki nilai antara 0 sampai 1.

Nilai LR dan MC akan berpengaruh terhadap perubahan  MSE  pada  setiap  iterasi.  Semakin  besar nilai  LR,  akan  semakin  cepat  pelatihan  mendekati nilai error minimum, tetapimenghasilkan perubahan  MSE  yang  tidak  stabil.  Jika  nilai  LR  dengan   10   lapisan   tersembunyi.   Nilai   gradient menggunakan nilai default fungsi newff yaitu 1e-10.Nilai     gradient   yang dihasilkan  dan ditampilkan akan selalu dipengaruhi oleh perubahan nilai MSE. Penentuan nilai momentum coefisient   (MC)  akan    berpengaruh    langsung kepada perubahan bobot.

digunakan  terlalu  kecil,  maka  akan  menyebabkan pelatihan lebih lama mendekati nilai error minimum yang ditentukan dan iterasi  semakin besar. Berbeda dengan   nilai   MC,  semakin  kecil   nilai   MC   yang digunakan    maka    semakin    banyak    iterasi    yang dibutuhkan       untuk       mencapai  error minimum. Sehingga nilai yang digunakan untuk pelatihan tidak terlalu  besar  dan  tidak  terlalu kecil,  sesuai  dengan variasi nilai antara LR dan MC.

Penentuan    jumlah    target    iterasi    (epoch) dilihat dari struktur pelatihan jaringan. Jika jaringan memiliki HL dan jumlah neuron yang banyak, maka target iterasi di set tidak terlalu besar agar pelatihan tidak menggunakan memori pada personal computer(PC) terlalu banyak. Semakin banyak jumlah lapisan dan jumlah sel neuron pada masing-masing lapisan, semakin  banyak  komputasi,  semakin  besar  memori PC  yang  digunakan  dan  akan  semakin  lama  waktu yang   ditempuh   untuk   mencapai   error   minimum. Dari  tabel  diatas  maka  struktur  jaringan  yang  akan digunakan adalah strukur jaringan pada tabel nomor 10.   Dimana   struktur   jaringan   terdiri   dari   2   sel neuron    input.  Input  pertama  adalah  set  point,  sel neuron kedua adalah perubahan dari kecepatan yang dihasilkan motor. Lapisan input (v) terdiri dari 5 sel neuron, sedangkan lapisan tersembunyi terdiri dari 2 lapisan.   Lapisan  tersembunyi  pertama  (w)   terdiri dari  3  sel  neuron  dan  sesuai  dengan  target  system JST,  maka  HL  kedua  atau  lapisan  output  (w_out) terdiri   dari   1   sel   neuron.   Fungsi   aktivasi   yang digunakan   pada   setiap   lapisannya   adalah   fungsi identitas. Struktur  terbaik   jaringan   kemudian   di   uji dengan menggunakan masukan step. Perlu diketahui waktu  (t)  adalah  dalam  satuan  detik  Matlab,  bukan dalam  real  time. 

Karakteristik   respon   transien   dari   JST   sebagai pengendali         kecepatan                motor      DC          dengan menggunakan step input adalah sebagai berikut :

a. Waktu tunda (td) adalah waktu yang diperlukan oleh tanggapan untuk mencapai setengah (50%) dari nilai akhirnya yaitu selama 1.9   detik.

b. Waktu  naik  (tr)  adalah  waktu  yang  diperlukan oleh  tanggapan  untuk  naik  dari  0%  menjadi

100% dari nilai akhir yaitu selama 18.7 detik.

c. Maksimum overshoot (mp) adalah nilai puncak kurva   tanggapan   diukur   dari   satuan   waktu, digunakan  untuk  mengukur   kestabilan  relatif dari  sistem.  Pada  grafik  tidak  terlihat  adanya overshoot, disebabkan karena   pelatihan menggunakan LR  yang keci  dan juga disebabkan  karena  karakteristik dari  motor  DC dimana  kecepatan  berbanding  terbalik  dengan torsi.

d. Waktu  puncak  adalah  waktu  yang  diperlukan tanggapan       untuk       mencapai puncak    atau maksimum       overshoot.              Karena     tidak           ada overshoot,  maka  waktu  puncak  (tp)  juga  tidak ada.

e. Waktu turun (ts) adalah waktu yang diperlukan untuk  menanggapi  kurva  agar  dapat  mencapai dan  tetap  berada  dalam  persentase  nilai  akhir tertentu  dan  biasanya  digunakan  batasan  5%. Seperti  telihat  pada  gambar  4.16  diatas,  grafik kecepatan     yang         dihasilkan                sudah       stabil, sehingga  waktu  turun  (ts)  sama  dengan  waktu naik (tr).

Kemudian pengujian jaringan dilakukan dengan data   offline   dan  data   online.  Pengujian  data offline               dilakukan dengan     data         input menggunakan  data  masukan  (tegangan)  yang digunakan    juga    saat    pelatihan.    Sedangkan

pengujian  online  dilakukan  menggunakan  set point  

Grafik   hasil   dari   pengujian   (biru)   sudah hampir    mengikuti    dari    grafik    target    tegangan pelatihan (merah). Pada data awal, grafik pengujian menunjukan  proses  adaptasi  yang  akan  diperbaiki untuk  data  berikutnya.  Proses  adaptasi  akan  terus dilakukan   pada   setiap  awal   perubahan   nilai   dari tegangan.   Hasil   pengujian   tersebut   membuktikan bahwa,  pelatihan  jaringan  sudah  cukup  baik  dan akan digunakan lebih lanjut dalam pengujian online menggunakan   toolbox   simulink  pada   Matlab   dan pengujian    menggunakan    GUI    (Graphical    User Interface).

Pengujian online dilakukan dengan memberikan set point kecepatan (input pertama) dan menghasilkan  keluaran  jaringan  berupa  tegangan, tegangan  inilah  yang  akan  memberi  masukan  pada motor untuk menghasilkan  keluaran  berupa kecepatan  motor.  Kemudian  kecepatan  motor  akan di-feedback menjadi input jaringan kedua.

Set point  yang berupa  kecepatan di masukan melalui  blok  step.  Kecepatan  dari  motor  mampu mengikuti   kacepatan   dari   set   point,   hanya   pada kecepatan-kecepatan   tertentu   motor   tidak   dapat mengikuti,  tetapi  dengan  selisih  yang  cukup  kecil. Sesuai dengan karakteristik dari motor DC (gambar 3),  kecepatan  yang  dihasilkan  motor  DC  tidak  bisa langsung  mengikuti  disebabkan   karena   kecepatan berbanding  terbalik  dengan  torsi  motor  dan  torsi motor saat keadaan awal akan lebih besar. Berikut  ini  adalah  tabel  perbandingan  hasil pengujian   menggunakan   simulink,   dimana   nilai input kecepatan dipilih atau ditentukan secara acak

5.        Kesimpulan

Berdasarkan pembahasan kelompok maka dapat ditarik kesimpulan sebagai berikut : 

a.  Pelatihan  dan  pengujian  akan  lebih  cepat  jika data  yang dihitung   dalam jaringan menggunakan operasi matriks.

b. Banyaknya  data  yang  dijadikan  sebagai  data pelatihan, berpengaruh terhadap lamanya waktu iterasi  untuk  mencapai  taget  error  minimum, jumlah  iterasi  akan  semakin  banyak  dan  nilai MSE yang dihasilkan.

c. Struktur   terbaik   JST   untuk   sistem   kendali kecepatan  motor  DC  terdiri  dari  5  sel  neuron lapisan input. Lapisan tersembunyi terdiri dari 2 lapisan,  dimana  HL  pertama  memiliki  3  sel neuron, lapisan tersembunyi kedua terdiri dari 1 sel  neuron.  (Mean  Square  Error)  MSE  yang dihasilkan    adalah    0.007382    dengan    fungsi aktivasi   setiap   lapisan   menggunakan   fungsi purelin (fungsi identitas).

d. Persentase     MSE     untuk    selisih     kecepatan pengujian adalah sebesar 1.645 %.

e.    Membuktikan     bahwa     dasar     teori     tentang pengaturan kecepatan motor DC   metode Ward Leonard   tentang   penggunaan  2   motor   dapat lebih   efisien   dengan   Artificial   Intellegence menggunakan Neural Network.