SEMINAR NASIONAL ELECTRICAL, INFORMATICS, AND IT’S EDUCATIONS 2009
Implementasi Adaptive Neuro-Fuzzy Inference System (ANFIS) pada Pengaturan Kecepatan Motor Sistem Stabilized Peluncur Roket Untuk Persenjataan TNI BUDI HARIJANTO, ST. Program Magister Teknik Elektro Universitas Brawijaya Malang Jl. Mayjend Haryono 169 Malang 65145 (HP 08122160422) Email :
[email protected] ABSTRAK Perancangan Kontroler Adaptive Neuro-Fuzzy Inference System / ANFIS untuk Pengendalian Sistem Stabilized pada Peluncur Roket Untuk Persenjataan TNI. Tesis Jurusan Teknik Elektro, Fakultas Teknik, Universitas Brawijaya. Dosen Pembimbing : M. Aziz Muslim, ST., MT, Ph.D. dan Dr. Eng. Agus Naba, MT. Keseimbangan benda dalam bergerak maupun mempertahankan posisinya merupakan salah satu aplikasi di bidang mekatronika yang sedang dikembangkan. Atas dasar ini diperlukan perancangan suatu alat dan kontrolernya, dalam hal ini kontroler yang digunakan adalah berupa kontroler Proporsional Integral Deferensial (PID), yang dapat menunjang pengembangan dan penelitian di bidang mekatronika. Algoritma pengaturan kecepatan servomotor DC sudah banyak dikembangkan dan salah satunya adalah menggunakan Adaptive Neuro-Fuzzy Inference System (ANFIS). Kontroler ini adalah salah satu dari kontroler cerdas yang mampu mengatasi perubahan yang disebabkan oleh menurunnya kinerja motor akibat adanya pertambahan beban. Perancangan ANFIS menggunakan model fuzzy dengan bentuk fungsi keanggotaan gaussian serta metode backpropagation sebagai pembelajaran parameterparameter fuzzy-nya, sehingga keluaran yang dihasilkan dari hasil penerapannya dapat menanggulangi masalah kecepatan motor. Disimpulkan bahwa kontroler ini dapat diaplikasikan dalam pengendalian keseimbangan/stabilized peluncur roket. Kata Kunci : Kontroler, Adaptive Neuro-Fuzzy Inference System, Backpropagation, Peluncur Roket. I. PENDAHULUAN 1.1. Latar Belakang Stabilized launcher roket merupakan persenjataan yang dapat diatur arah sudut elevasi maupun sudut azimut, bertujuan untuk mengarahkan roket pada sasaran yang diinginkan. Untuk menyakinkan akurasi tembakan perlu dilakukan kalibrasi secara akurat dan berkala pada sudut-sudut tersebut. Salah satu metode pengontrolan yang dapat digunakan untuk menunjang kerja sistem adalah kontroler dengan metode Adaptive Neuro-Fuzzy Inference System atau yang lebih dikenal dengan ANFIS. ANFIS adalah kontroler logika fuzzy yang merupakan salah satu bagian dari sistem pengaturan cerdas. Kontroler ANFIS sebenarnya memiliki banyak keunggulan dalam penerapannya. Kontroler ini dapat beradaptasi jika terjadi perubahan input sistem secara tiba-tiba, karena pada kontroler ini dilengkapi dengan metode pembelajaran. Metode pembelajaran ini adalah metode pembelajaran untuk parameter fuzzy, yang digunakan dalam metode ANFIS. Konsep ANFIS ini sendiri dikemukakan oleh J.S.R. Jang, 1997 dalam bukunya Neuro-Fuzzy and Soft computing. Sebenarnya konsep yang dikemukakan oleh J.S.R. Jang, 1997 ini tidak jauh dari konsep sistem Adaptive Fuzzy yang sudah ada, bahkan bisa dikatakan sama. Hanya saja mungkin berbeda pada strukturnya saja. Pembelajaran untuk
parameter dari logika fuzzy dengan menggunakan metode pembelajaran backpropagation. 1.2. Tujuan Penulisan Tujuan dari penulisan ini adalah untuk meneliti dan merancang kontroler Proporsional Integral Deferensial (PID) dalam pengendalian keseimbangan pada peluncur roket sehingga diperoleh keseimbangan peluncur dengan menerapkan Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk pengaturan kecepatan motor DC supaya dihasilkan aksi kontrol yang baik jika terjadi perubahan pada beban pada motor DC. II. 2.1.
DASAR TEORI Pengaturan Kecepatan Motor DC Sistem yang akan digunakan untuk pengujian adalah sistem pengaturan kecepatan motor DC dengan ANFIS sebagai kontroler. Blok diagram sistem selengkapnya tampak pada gambar 1 di bawah.
Sensor
Gambar 1. Blok diagram sistem
A2-28
SEMINAR NASIONAL ELECTRICAL, INFORMATICS, AND IT’S EDUCATIONS 2009
Dari gambar di atas, input sistem berasal dari tacho generator dimana tacho generator ini mengeluarkan besaran yaitu tegangan yang diperoleh dari perhitungan kecepatan motor DC. Tegangan dari tacho generator inilah yang akan masuk ke A/D channel PCL-712 sebagai data analog yang kemudian akan dikonversi menjadi data digital. Data ini adalah indikasi dari kecepatan motor DC yang akan diatur kecepatannya. Setelah melalui proses pengaturan kecepatan yang dilakukan oleh kontroler ANFIS, sinyal kontrol dari kontroler ANFIS akan dikeluarkan kembali melalui channel D/A dari PCL712. Sinyal kontrol tersebut merupakan aksi kontrol yang dikeluarkan dari PCL712 berupa tegangan yang berkisar antara 0 – 5 volt, untuk menggerakan motor DC kembali. Penambahan beban (load) pada motor sebenarnya berfungsi untuk mengurangi kecepatan motor, tetapi dengan seting point yang sudah diseting pada program sehingga berkurangnya kecepatan motor seharusnya dapat ditanggulangi oleh kontroler sehingga kecepatan motor diharapkan stabil kembali setelah penambahan beban tersebut. Beban yang digunakan adalah rem magnetik dengan skala 0 – 10 yang diletakkan diantara putaran motor. Beban yang digunakan tersebut untuk mengetahui keefektifan dari kontroler ANFIS dalam mengendalikan kecepatan motor DC. 2.2.
Adaptive Neuro-Fuzzy Inference System Pada penelitian ini digunakan arsitektur ANFIS untuk model fuzzy sugeno, di mana berat normalisasinya terdapat pada lapisan paling akhir. Strukturnya adalah sebagai berikut : w1
w1 ∏
w1l1
w2 ∏
w2l1
w2
Gambar 2. Struktur ANFIS [Jang,1997] Operasi-operasi yang dilakukan pada tiap layer untuk membentuk sistem Adaptive NeuroFuzzy Inference System (ANFIS) adalah : Lapisan 1 : Pada layer berikut mentransmisikan secara langsung input yang masuk, setiap node pada layer ini adalah node adaptive dengan fungsi node : O1,I = mAi (x), untuk i = 1, 2, atau O1,I = mBi (x), untuk i = 3, 4, (1) Node-node layer ini berperan sebagai membership function untuk menyatakan istilah linguistik dari variabel masukan. Untuk fungsi Gaussian :
µ = exp [ − (x − x j ) / σ 1 j 2 ] 2
(1) Lapisan 2 : Setiap simpul pada lapisan ini adalah simpul tetap yang diberi tanda P, di mana keluarannya memiliki persamaan sebagai berikut :
A2-29
Ο 2,i = wi = µ Ai ( x) µ Bi ( x), i =1, 2 (2) Tiap keluaran simpul mewakili kekuatan tembakan (firing strength)dari suatu aturan. Secara umum, biasanya operator yang dapat dipakai adalah operator fuzzy DAN (AND) sebagai fungsi simpul pada lapisan ini. Lapisan 3 : Setiap simpul pada layer ini adalah adaptif node dengan fungsi node sebagai berikut :
Ο 3,i = wi f i (3) di mana wi merupakan hasil output pada layer 2 sedangkan fi merupakan nilai konsekuen. Lapisan 4 : Pada layer ini, setiap simpul pada layer ini merupakan fixed node, hasil dari penjumlahan seluruh output dari layer 2 dan hasil dari penjumlahan seluruh output dari layer 3. Penjumlahan output dari layer 2 :
Ο 4, i = ∑ Wi f i i
(4) Penjumlahan output dari layer 3 :
Ο 4,i = ∑ Wi i
(5) Lapisan 5 : Pada layer ini merupakan fixed node, pada layer ini disebut berat ternormalisasi.
Ο 5,i =
∑W f ∑W i
i
i
i
i
(6) 2.3. Backpropagation Dari hasil algoritma di atas maka dirancang logika fuzzy beserta pembelajarannya dengan backpropagation, di mana perancangan ini menggunakan referesi lain dari Li-Xin Wang [Wang, 1994] tetapi tidak mengubah struktur yang dikemukakan oleh J. S. R. Jang. Sistem logika fuzzy yang akan digunakan adalah menggunakan pendefuzzyfikasi rata-rata tengah (center of average defuzzief), aturan penalaran produk (product inference rule), fuzzyfikasi singleton dan fungsi keanggotaan gaussian yang dinyatakan dalam bentuk :
x − x1i 2 1 n ∑ i = 1 y Π i = 1a i exp − i 1 σ i f (x) = (7) 2 x − x1i ∑M i = 1 Πni = 1a1i exp − i 1 σ i M
1
Untuk proses pembelajaran parameterparameter fuzzy, pada penelitian ini digunakan proses pembelajaran backpropagation. Berikut adalah proses penurunan teknik backpropagation untuk fungsi gaussian. Untuk melatih i y digunakan :
y 1 (k + 1) = y 1 (k ) − α
(f
−d) 1 z b
di mana l = 1, 2, …, M, k = 0, 1, 2, …
29
SEMINAR NASIONAL ELECTRICAL, INFORMATICS, AND IT’S EDUCATIONS 2009
Untuk melatih
1
xi digunakan,
xi (k + 1) ) = xi (k ) − α 1
Untuk melatih
A2-30
1
) (
Gyroscope
)
2 xi − xi (k ) f −d 1 y − f z1 2 b σ i1 (k )
(
p
1
γ&
θ&
1
xi digunakan:
) (
)
2 xi − xi (k ) f −d 1 y − f z1 σ i (k + 1) = σ i (k ) − α 3 b σ i l (k ) l
l
(
p
1
2
di mana l = 1, 2, …, M, k = 0, 1, 2, … dan i = 1, 2,…, n.
θ
Motor Driver
γ
2.4. Kontroler ANFIS γ&
θ& ECU
Magneto-meter Heading of the ship
Gambar 3. Skema dasar identifikasi sistem [Jang, 1997] Pemilihan nilai parameter merupakan awal penting dalam menentukan hasil identifikasi parameter model yang akan diidentifikasi. Sebelum diimplementasikan maka perlu dilakukan proses identifikasi awal dari bidang kendali yang akan dikendalikan, sehingga ketika diimplementasikan model yang telah teridentifikasi sudah mendekati bidang kendali yang sebenarnya. Hal ini akan mempengaruhi kinerja peralihan sistem kendali.
GPS Tracking Position of the ship in Global Position
Command
Main Computer (Industrial Computer)
Man Interface
θ MotorPitch& Encoder
Command Motor Driver
MotorYaw& Encoder
Command
γ
Dari gambar 4 tampak bahwa proses identifikasi dilakukan sebelum diimplementasikan, di mana kontroler ANFIS merupakan hasil implementasi dari ANFIS identifier. III. 3.1.
PERENCANAAN SISTEM Perencanaan Sistem Perencanaan dan pembuatan sistem terdiri atas dua perencanaan utama, yaitu perencanaan perangkat keras dan perencanaan perangkat lunak. Diagram blok perancangan kontroler PID dilihat dalam Gambar 5.
Low-pass Filter
Gain
Gyro_Y
Low-pass Filter
Gain
Magnetometer
Low-pass Filter
Gain
Temp&volt reference
Low-pass Filter
Gain
Display
ADC BUS of ECU
Gambar 4. ANFIS sebagai kontroler [Jang, 1997].
Gyro_X
ECU
Main Computer
InputCommand
GPS
RS-232 port
Gambar 5. Komponen dan blok diagram sistem kontrol turret Keterangan blok diagram:
30
SEMINAR NASIONAL ELECTRICAL, INFORMATICS, AND IT’S EDUCATIONS 2009
a. Sensor (sudut, laju kecepatan angular, temperatur dan lain sebagainya) b. Gyro (perubahan kecepatan angular suatu benda) c. Global Positioning System/GPS (posisi suatu objek yang terdapat bumi) d. Inclinometer (kemiringan objek terhadap bidang horizontal bumi) e. Kompas/magneto-meter (informasi arah utara bumi) f. Temperatur sensor (mengetahu besar temperatur di ruang kontrol) g. Encoder (mengetahui besar sudut atau gerak angular suatu objek) h. CCD camera (untuk menangkap image yang berada di depan turret) PEMBAHASAN DAN ANALISA Implementasi dan Analisa Pada awal pengamatan akan dilihat bagaimana ANFIS identifier mengidentifikasi output plant, hasilnya tampak seperti gambar 6 di bawah untuk tegangan setpoint (uk) = 2.0 volt dan waktu pembelajaran 500.
A2-31
Pengamatan dengan menggunakan beban untuk mengetahui keefektifan kontroler jika terjadi perubahan beban pada motor. Beban yang digunakan adalah rem magnetik dengan skala 0 hingga 10, tetapi dalam pengujian ini hanya ditampilkan skala rem magnetik 10.
IV. 4.1.
Gambar 8. Respon sistem dengan setting point 1.3 volt dan beban (rem magnetik) skala 10. Hasil respon sistemnya tampak pada gambar 8. Pada pengamatan kali ini benar-benar tampak kapan respon sistem kembali ke posisi semula setelah pembebanan. Sistem memerlukan waktu sekitar 10 detik untuk kembali ke posisi semula. 5.
Gambar 6. Identifikasi sistem dengan uk = 2.0 volt Setelah proses identifikasi ANFIS digunakan sebagai kontroler di mana sinyal kontrolnya yang dihasilkan kontroler digunakan untuk men-drive plant sehingga dihasilkan respon output. Data yang didapatkan dari respon tersebut adalah sebagai berikut :
Kesimpulan Setelah dilakukan pengamatan dari pengendalian ANFIS, serta setelah dilakukan analisa terhadap pengendali dengan mencoba memasukan beberapa gangguan yaitu memasang rem magnetik sebagai beban, dapat diambil kesimpulan sebagai berikut : 1. Respon yang dihasilkan memiliki error yang kecil ketika respon sudah mencapai keadaan steady state, walaupun terjadi overshoot. Ess percobaan tanpa beban = 0.003 volt (0.3%). Ess percobaan dengan beban = 0.005 volt (0.5%). 2. Rise time yang dihasilkan masing-masing percobaan menandakan waktu yang dibutuhkan oleh ANFIS untuk mengeluarkan sinyal kontrol. Data yang dihasilkan : tr percobaan tanpa beban = 0.10 detik. tr percobaan dengan beban = 0.8 detik. Hal ini bisa diakibatkan oleh pembelajaran output plant yang berubah dan adanya recovery plant untuk kembali ke respon yang diinginkan. Daftar Pustaka [1] J.S.R.Jang, C.T. Sun, 1997. “Neuro-Fuzzy and Soft Computing”, Prentice Hall. [2] Li-Xing Wang, 1994. “Adaptive Fuzzy Systems and Control”, Prentice Hall. [3] Li-Xing Wang, 1997. “A Course in Fuzzy System and Control”, Prentice Hall. [4] Avci, E. (2008). Comparison of wavelet families for texture classification by using wavelet packet entropy adaptive network based fuzzy inference system. Applied Soft Computing, 8, 225–231. [5] Buragohain, M., & Mahanta, C. (2008). A novel approach for ANFIS modeling based on full
31
SEMINAR NASIONAL ELECTRICAL, INFORMATICS, AND IT’S EDUCATIONS 2009
A2-32
factorial design. Applied Soft Computing, 8, 609–625. [6] Hasçaly´ k, A., & Çaydas_, U. (2004). Experimental study of wire electrical discharge machining of AISI D5 tool steel. Journal of Materials Processing Technology, 148, 362– 367. [7] Kaneko, T., & Onodera, T. (2004). Improvement in machining performance of diesinking EDM by using self-adjusting fuzzy control. Journal of Materials Processing Technology, 149, 204– 211. [8] Kim, C. H., & Kruth, J. P. (2001). Influence of the electrical conductivity of dielectric on machinability of the WEDM. Transactions of the Korean Society of Mechanical Engineers (A), 27, 1800–1808. RIWAYAT PENULIS
Budi Harijanto, lahir di Surabaya pada tanggal 28 Pebruari 1971. Menamatkan pendidikan S1 di Teknik Elektro, Universitas Brawijaya, Malang dalam bidang Elektronika pada tahun 1995. Untuk saat ini sedang menempuh pendidikan S2 di Universitas Brawijaya, Malang dalam bidang Kontrol dan Elektronika. Bekerja di Lemjiantek Kodiklat TNI AD, Karangploso, Batu.
32
