KLASIFIKASI KECEPATAN MOTOR ARUS SEARAH (DC) MENGGUNAKAN FUZZY LOGIC

KLASIFIKASI KECEPATAN MOTOR ARUS SEARAH (DC) MENGGUNAKAN FUZZY LOGIC Syamsurijal & Abdul Muis Mapplotteng Jurusan Pendidikan Teknik Elektro FT UNM ABSTRAK Tujuan penelitian ini untuk mengetahui cara menghitung arus dan tegangan keluaran berdasarkan klasifikasi kecepatan motor arus searah (DC) dengan fuzzy logic. Penelitian ini merupakan penelitian eksperimen dengan terlebih dahulu menentukan spesifikasi motor yang akan dianalisis. Pengumpulan data dilakukan dengan observasi dalam bentuk eksperimen. Untuk mendefinisikan keanggotaan himpunan samar digunakan definisi secara fungsional dengan menggunakan fungsi segitiga, dilanjutkan dengan strategi fuzzifikasi dan defuzzifikasi dengan metode center of maximum (COM). Berdasarkan hasil penelitian dapat disimpulkan, bahwa kecepatan motor arus searah dapat dikelompokkan dalam tiga bagian linguistik yakni: lambat, sedang dan cepat. Penggunaan logika samar ini tidak memerlukan persamaan matematis yang kompleks, melainkan hanya dengan mendefinisikan variabel masukan dan keluaran serta menetapkan himpunan samar untuk tiap variabel serta aturan-aturan yang diperlukan. Logika samar pada pengaturan kecepatan motor DC digunakan untuk mengetahui hubungan antara variable masukan dan keluaran, dalam hal ini variable masukan adalah putaran, sedangkan variable keluaran adalah arus dan tegangan. Tahap-tahap yang dilalui untuk memperoleh gambaran tentang pengaturan kecepatan motor DC adalah tahap fuzzifikasi, tahap inferensi, dan tahap defuzzifikasi. Dalam strategi pengambilan keputusan diperoleh aturan-aturan bahwa putaran berbanding lurus dengan arus dan tegangan. Kata Kunci: kecepatan motor DC, fuzzy logic, fuzzifiksi, defuzzifiksi, inferensi.

A. PENDAHULUAN Alasan utama memilih mesin DC dalam industri modern adalah karena kecepatan kerja motor-motor DC mudah diatur dalam suatu rentang kecepatan yang lebar, serta banyak metode lain yang dapat digunakan. Di samping itu, motor listrik arus searah (DC) yang memiliki karakteristik putaran dan torsi yang baik, sangat cocok digunakan pada industri yang membutuhkan pengaturan yang halus. Pengaturan yang dilakukan berupa pengaturan arus mula, pengaturan putaran, pengaturan tegangan, pengaturan frekuensi, serta pengaturan posisi. Pengaturan ini dilakukan karena dalam proses industri sering dibutuhkan besaranbesaran yang memerlukan kondisi atau persyaratan yang khusus seperti ketelitian yang tinggi, harga yang konstan untuk selang waktu tertentu, harga yang bervariasi dalam suatu rangkuman tertentu, perbandingan yang tetap antara dua besaran atau variabel atau suatu besaran sebagai fungsi dari besaran lainnya (Sahat Pakpahan, 1994).

Klasifikasi kecepatan motor dc menggunakan fuzzy logic

65

Untuk memudahkan klasifikasi kecepatan motor arus searah digunakan konsep logika samar yang lebih dikenal dengan sebutan logika fuzzy. Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Salah satu aplikasinya adalah pada tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang. Sistem fuzzy digunakan untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci (Kusumadewi, 2003). Berdasarkan uraian di atas, dapat dilakukan pengelompokan terhadap kecepatan motor DC yang dikehendaki dengan menggunakan konsep logika samar atau logika fuzzy. Pengelompokan kecepatan motor dilakukan agar lebih mudah menggambarkan perbedaan sifat kecepatan motor listrik seperti cepat, sedang, ataupun lambat. Ada beberapa alasan untuk menggunakan logika fuzzy, antara lain: konsep logika fuzzy mudah dimengerti, logika fuzzy sangat fleksibel, memiliki toleransi terhadap data-data yang tidak tepat, mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks, didasarkan pada bahasa alami, serta dapat bekerjasama dengan teknik-teknik kendali secara konvensional. Tahap-tahap yang dilalui untuk memperoleh gambaran tentang pengaturan kecepatan motor DC adalah tahap fuzzifikasi, tahap inferensi, dan tahap defuzzifikasi. Pada tahap fuzzifikasi, untuk setiap himpunan bagian ditentukan fungsi distribusinya untuk menentukan derajat keanggotaannya. Dalam hal ini, digunakan distribusi trapesium untuk fungsi keanggotaan pertama dan terakhir dari variabel masukan dan distribusi segitiga untuk fungsi keanggotaan lainnya. Setiap variabel masukan dicari harga linguistik beserta derajat keanggotaannya. Dalam hal ini tegangan DC hasil konversi putaran rotor menjadi variabel masukan Fuzzy Logic Controller (FLC). Untuk variabel keluaran yang merupakan tegangan masukan motor DC, fungsi keanggotaannya dipilih bentuk distribusi segitiga dan trapesium. Pada tahap inferensi, strategi pengambilan kesimpulan merupakan realisasi proses penalaran operator, yang umum melibatkan unsur pengalaman. Dari hasil penalaran operator dibuat kombinasi aturan kendali yang memungkinkan pengaturan sistem menjadi optimal. Defuzzifikasi didefinisikan sebagai proses pemetaan dari himpunan fuzzy hasil inferensi ke dalam aksi kendali non fuzzy. Pada tahap defuzzifikasi, keluaran dari tahap inferensi umumnya terdiri dari beberapa besaran linguistik, masing-masing dengan derajat keanggotaan tertentu. Untuk bisa digunakan sebagai masukan bagi sistem maka besaran linguistik ini harus dikonversikan menjadi besaran numerik.


66

Berdasarkan uraian di atas, yang menjadi inti permasalahan adalah:

Bagaimana

menghitung arus dan tegangan keluaran berdasarkan klasifikasi kecepatan motor DC dengan fuzzy logic ?

B. TINJAUAN PUSTAKA 1. Motor Arus Searah (DC) Motor dc adalah peralatan yang berfungsi mengubah daya listrik menjadi daya mekanik. Konstruksi motor dc terdiri atas stator, rotor, dan bagian lain yang merupakan rangkaian listrik. Prinsip kerjanya berdasarkan pada penghantar yang dialiri arus listrik dan ditempatkan pada suatu medan magnet. Penghantar tersebut akan mengalami gaya yang menimbulkan torka untuk menghasilkan rotasi mekanik, sehingga motor akan berputar. Berdasarkan rangkaian penguat magnetnya, motor dc dibedakan atas: a. Motor dc penguat terpisah, yaitu bila arus penguat magnet diperoleh dari sumber dc di luar motor. b. Motor dc penguat sendiri, yaitu bila arus penguat magnet berasal dari motor itu sendiri. Selanjutnya, motor dc penguat sendiri dibedakan atas motor deret atau seri, motor shunt, motor kompon yang terdiri atas kompon pendek dan kompon panjang (Zuhal, 1995 dan Sumanto, 1991). Kecepatan putaran motor dc (n) dijelaskan melalui persamaan:

n=

VTM − I A R A Kφ

………………............. (Zuhal, 2002)

VTM merupakan tegangan terminal, IA arus jangkar motor, RA adalah hambatan jangkar motor, K adalah konstanta motor, dan φ merupakan fluks magnet yang terbentuk pada motor. 2. Konsep Dasar Logika Samar a. Himpunan Samar Manusia mengenal objek dengan memberikan klasifikasi seperti besar, kecil, tinggi, rendah, dan sebagainya. Batas antara unsur kebenaran dan kebenaran lainnya tidak tegas dan sering mengandung unsur ketidakpastian. Misalnya, dengan mengatakan langit cerah, bukan berarti tidak ada sedikitpun awan di langit. Dapat pula dikatakan bahwa langit cerah pada saat langit tertutup awan 50%. Adalah wajar bila dikatakan bahwa langit cerah pada saat awan menutupi langit sekitar 10% atau 20%. Masalah yang muncul adalah bagaimana menentukan batas pemisah, kapan dikatakan langit cerah atau tidak cerah. Dimana batas pemisah


67

dikatakan sesuatu itu besar atau kecil, tinggi atau rendah, dan sebagainya. Untuk membatasi kontradiksi ini, perlu diberikan perubahan transisi secara bertahap pada derajat jumlah keadaan cerah menjadi tidak cerah. Pada tahun 1965 diperkenalkan suatu teori, yaitu pendekatan himpunan samar (fuzzy sets theory) oleh salah seorang tokoh dari India, yaitu Prof. Lotfi A. Zadeh (Rachmaniar dk., 2005). Teori tersebut merupakan perluasan teori himpunan konvensional (klasik), yaitu himpunan yang membagi sekelompok individu ke dalam dua kategori: anggota atau bukan anggota bilangan riil antara 0 dan 1. Menurutnya, definisi himpunan samar (fuzzy sets theory) adalah sebuah kumpulan samar (A) dalam sebuah ruangan titik-titik X = (x) yang merupakan sebuah kelas kejadian (class of events) dengan sebuah derajat keanggotaan kontinyu (grade of membership) dan ditandai dengan sebuah fungsi keanggotaan µA(x) yang dihubungkan dengan setiap titik dalam X oleh sebuah bilangan riil dalam interval [0,1] dengan nilai µA(x) pada x yang menyatakan derajat keanggotaan x dalam A. b. Logika Samar Pada Buku Manual Program Aplikasi Matlab R14 (2005) dijelaskan bahwa logika samar merupakan pengembangan dari logika multi-nilai (multivalue). Tujuannya menyediakan dasar untuk pertimbangan pendekatan (approximate reasoning) dengan dalil-dalil yang tidak pasti dengan menggunakan teori himpunan samar sebagai alat prinsipil. Pengetahuan yang termasuk dalam pemikiran samar diekspresikan sebagai aturan dalam bentuk “Jika x adalah A, maka y adalah B”, dimana x dan y adalah variabel samar, serta A dan B adalah nilai samar. Kalimat pada bagian anteseden atau konsekuen dari aturan-aturan dapat dihubungkan dengan “AND” dan “OR”. Implementasi pengetahuan dengan menggunakan logika samar memuat aturan-aturan samar yang diekspresikan dalam bentuk yang memungkinkan aturan-aturan itu dapat dengan mudah diprogram. Contoh sistem pengambilan keputusan dalam logika samar dapat diproses sebagai berikut: Pengetahuan

: Jika air sangat panas, maka tambahkan air dingin yang banyak.

Fakta

: Air cukup panas

Kesimpulan

: Tambahkan sedikit air dingin.

Kekuatan logika samar berasal dari kemampuannya untuk mengkombinasikan operasioperasi kombinatorial yang sangat banyak dengan kalimat-kalimat linguistik yang sederhana dan tidak pasti. Logika samar mengekspresikan hubungan dengan mengelompokkan nilai-nilai yang sangat banyak ke dalam himpunan samar yang digambarkan oleh kata-kata sifat seperti


68

“kecil”, “agak lambat”, “hangat”, “panas”, “dan berusia parobaya”. Tiap kata sifat ini mencakup suatu range nilai dan disainer atau programmer memutuskan dalam batas mana suatu kata sifat termasuk. Pendekatan logika samar melalui pengendali-pengendali logika samar dapat memberikan

pengontrolan

yang

lebih

“halus”

dibandingkan

pengendali-pengendali

konvensional. Juga mampu memecahkan masalah-masalah yang tidak dapat dipecahkan dengan teknik-teknik konvensional. Pengendali fuzzy secara umum merupakan pengendali kalang tertutup. Struktur dasar pengendali logika fuzzy terdiri atas unit fuzzifikasi, mekanisme penentuan keputusan dan basis aturan (inference system), dan unit defuzzifikasi. Ada dua cara untuk mendefinisikan keanggotaan himpunan fuzzy, yaitu secara numerik dan fungsional. Definisi secara numeris menyatakan derajat fungsi keanggotaan suatu himpunan fuzzy sebagai vektor bilangan yang dimensinya tergantung pada level diskretisasi (cacah elemen diskret di dalam semesta). Definisi fungsional menyatakan fungsi keanggotaan suatu himpunan fuzzy dalam ekspresi analitis yang memungkinkan derajat keanggotaan setiap elemen dapat dihitung di dalam semesta wacana yang didefinisikan (Thomas, 2005). Definisi fungsional menotasikan fungsi keanggotaan dalam bentuk seperti fungsi n, fungsi segitiga dan fungsi trapesium. Kedua definisi ini digunakan untuk menentukan tingkat keanggotaan himpunan samar dalam pengendali logika samar. 1) Fungsi Segitiga Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear) seperti terlihat pada Gambar 1. µ 1,0

0,5

a

b

c

u

Gambar 1. Fungsi keanggotaan Segitiga Fungsi segitiga memiliki parameter a, b, c (Kusumadewi, 2002). Fungsi segitiga didefinisikan sebagai berikut:


69

T (u; a, b, c)

=0

untuk u ≤ a

= (u - a) / ( b - a)

untuk a ≤ u ≤ b

= (c - u) / ( c - b)

untuk b ≤ u ≤ c

=0

untuk u ≥ c

(1)

2) Fungsi Trapesium Menurut Kusumadewi (2002), Fungsi Trapesium dapat memiliki dua bentuk seperti Gambar 2(a) dan 2(b). Fungsi trapesium seperti Gambar 2(a) didefinisikan sebagai berikut: T (u; a, b, c)

=1

untuk 0 ≤ u ≤ a

= (b - u) / (b - a) untuk a ≤ u ≤ b

(2)

Untuk gambar 2(b) didefinisikan sebagai berikut: T (u; a, b, c)

= (u - a) / (b - a) untuk 0 ≤ u ≤ a =1

untuk a ≤ u ≤ b

(3)

µ

µ

(a)

(b)

Gambar 2. Fungsi Trapesium a. Strategi Fuzzifikasi Fuzzifikasi merupakan proses untuk memetakan hasil pengamatan masukan-masukan ke himpunan-himpunan samar dalam himpunan semesta dari berbagai variabel masukan. Dalam proses kontrol, data hasil observasi biasanya tepat dan fuzzifikasi dibutuhkan untuk memetakan hasil observasi dari range masukan-masukan tepat ke nilai-nilai samar yang bersesuaian untuk variabel-variabel masukan sistem. Dalam metode ini, jika data dimasukkan adalah nilai tunggal samar, maka selanjutnya tidak perlu mencari derajat penyesuaian antara data masukan dengan himpunan-himpunan samar untuk variabel sistem yang telah dikarakteristikkan dengan fungsi-fungsi keanggotaan sesuai bentuknya masing-masing. Tetapi jika data masukan sebenarnya bukan merupakan nilai samar tunggal, strategi fuzzifikasi ini


70

diterapkan untuk mencari bagian-bagian linguistik hasil pemetaan data masukan. Kemudian dilanjutkan mencari derajat penyesuaian dari data-data masukan dengan himpunan-himpunan samar sesuai dengan bentuk-bentuk fungsi keanggotaannya. Derajat penyesuaian ini yang akan menunjukkan derajat keanggotaan dari sebuah bagian linguistik pada sebuah variabel linguistik masukan. Proses fuzzifikasi adalah proses perubahan masukan variabel fuzzy menjadi variabel fuzzy yang disajikan dalam bentuk himpunan-himpunan fuzzy dengan suatu fungsi keanggotaannya masing-masing. Oleh karena itu, langkah pertama yang harus dilakukan adalah mendesain himpunan-himpunan fuzzy yang disajikan dalam bentuk fungsi keanggotaan. Fuzzifikasi adalah proses pemetaan dari variabel masukan ke dalam himpunan fuzzy dalam suatu semesta wacana. Persamaan:

X = fuzifier (Xo)

Xo merupakan vektor masukan himpunan tegas, x adalah vektor himpunan fuzzy hasil proses fuzzifikasi, dan fuzifier adalah operator fuzzifikasi. Fuzzifikasi merupakan suatu proses untuk mengubah suatu peubah masukan dari bentuk tegas (crisp) menjadi peubah fuzzy (variable linguistik) yang biasanya disajikan dalam bentuk himpunan-himpunan fuzzy dengan fungsi keanggotaannya masing-masing. Unit fuzzifikasi melakukan proses fuzzifikasi dari data masukan tegas (crisp) dengan cara sebagai berikut: 1)

Pemetaan nilai tegas variabel masukan ke semesta wacana yang sesuai.

2)

Konversi dari data yang terpetakan tersebut ke istilah linguistik yang sesuai dengan himpunan fuzzy yang telah didefinisiskan untuk variabel tersebut. Evaluasi aturan merupakan proses pengambilan keputusan yang berdasarkan aturan-

aturan yang ditetapkan pada basis aturan untuk menghubungkan antar peubah-peubah fuzzy masukan dan peubah fuzzy keluaran. Aturan-aturan ini berbentuk jika… maka (IF …THEN). b. Teknik–Teknik Pertimbangan Ada berbagai cara dimana nilai-nilai masukan hasil observasi dapat digunakan untuk mengidentifikasi aturan yang mana yang seharusnya digunakan untuk menyimpulkan tindakan kontrol fuzzy yang tepat. Metode pengambilan keputusan fuzzy yang digunakan yaitu metode Compositional Rule of Inference (CRI), yaitu: 1) Metode inferensi fuzzy MAX – MIN 2) Metode inferensi MAX – DOT


71

Proses menginferensi atau pengambilan keputusan dikenal dengan pertimbangan pendekatan, karena proses industri bersifat alami, maka sering data masukan bersifat tepat. Fuzzifikasi memberlakukan data ini menjadi nilai-nilai tunggal fuzzy yang kemudian dilanjutkan dengan metode Inferensi fuzzy MAX – MIN atau MAX – DOT. µ A1

µ C1

µ B1

µC

µ A2

µC 2

µ B2

Gambar 3. Pertimbangan Fuzzy MAX-MIN dengan masukan-masukan tepat Teknik pengambilan keputusan yang digunakan adalah metode max-min yang pengambilan keputusan didasarkan pada aturan operasi menurut Mamdani. Solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy dan mengaplikasikannya ke keluaran dengan menggunakan operator OR (union). Jika semua proposisi telah dievaluasi, keluaran akan berisi suatu himpunan fuzzy yang merefleksikan kontribusi tiap-tiap proposisi. Fungsi implikasi yang digunakan yaitu MIN. Keputusan yang diambil berdasarkan aturan ke-i dapat dinyatakan dengan α1 ∧ µci (z), sehingga keanggotaan C adalah titik yang diberikan oleh: µc (z) = (α1 ∧ µc1(z)) ∨ (α2 ∧ µc2(z)) ∨ … ∨ (α1 ∧ µci (z)) atau: µc(z) = max {min (α1, µc1 (z)), min (α2, µc2 (z)), … , min (αi, µci (z))}. Gambar 3 memperlihatkan proses inferensi MAX-MIN untuk nilai-nilai masukan tetap xo dan yo yang diberlakukan sebagai nilai-nilai tunggal fuzzy. c. Strategi Defuzzifikasi Defuzzifikasi merupakan proses pengubahan besaran fuzzy yang disajikan dalam bentuk

himpunan-himpunan

fuzzy

keluaran

dengan

fungsi

keanggotaannya

untuk

mendapatkan kembali bentuk tegasnya. Hal ini diperlukan karena plant hanya mengenal nilai tegas sebagai besaran sebenarnya untuk regulasi prosesnya. Masukan proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan


72

keluaran yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai keluaran. Terdapat beberapa metode defuzzifikasi yang sering digunakan yaitu: •

Metode Mean of Maximum (MOM) Pada metode ini, solusi nilai tepat (crisp) diperoleh dengan cara mengambil nilai rata-

rata domain yang memiliki nilai keanggotaan maksimum. Pada metode MOM mula-mula ditentukan bagian linguistik yang memiliki derajat fungsi keanggotaan maksimum dari himpunan fuzzy variable keluaran hasil proses fuzzifikasi dan inferensi. Kemudian nilai tepat dari variable keluaran diperoleh dengan: W = max (A), dimana max (A) menunjukkan nilai A, yang merupakan bagian variable linguistik yang bersangkutan. •

Metode Center of Maximum (COM) Pada metode COM, untuk sebuah sistem samar MISO, misalnya jumlah aturan

dinotasikan oleh n. Tinggi maksimum dari sebuah himpunan samar yang terdefinisi untuk aturan ke-i kontrol keluaran dinotasikan oleh Hi. Nilai kontrol keluaran tepat maksimum bersesuaian dengan himpunan semesta pada variabel keluaran yang dinotasikan oleh I1 dan misalkan fire strength dari tiap aturan oleh α1, maka nilai kontrol tepat I yang didefinisikan dengan metode COM diberikan oleh: n

∑α H I

i 1

i

W=

i =1 n

(Kusumadewi, 2005)

∑α H i

i

i =1

Karena nilai tepat I1 merupakan nilai bagian linguistik dari variabel keluaran yang memiliki fungsi keanggotaan mencapai tinggi maksimum H1 (H1 sama dengan 1), fungsi keanggotaan yang simetris dibutuhkan untuk bagian konsekuen pada aturan himpunan samar. Pada metode COM, perubahan kecil pada data masukan tidak akan menyebabkan keluaran non-samar menghasilkan perbedaan yang besar dari sebelumnya. Hal ini membuktikan bahwa metode COM adalah kontinyu. Sifat kontinuitas sangat penting untuk pengaturan kalang tertutup. Jika keluaran sistem logika samar secara langsung mengatur variabel dari proses, maka adanya lompatan atau perubahan besar menyebabkan ketidakpastian pada sistem.


73

•

Metode Center of Gravity / Center of Area (COG /COA) Metode COG / COA menghasilkan pusat gravitasi dari distribusi yang mungkin dari

tindakan kontrol. Contoh dapat diambil pada sebuah sistem fuzzy MISO. Misalnya jumlah aturan dinotasikan n; misalkan momen (sekitar aksis nol sepanjang himpunan semesta) fungsi keanggotaan sebuah himpunan fuzzy yang terdefinisi untuk aturan

ke-I. Kontrol keluaran

dinotasikan oleh MI dan daerahnya dinotasikan oleh AI, maka nilai kontrol tepat W yang di defuzzifikasi dengan metode COG / COA diberikan oleh: n

∑α M i

W=

i

i =1 n

(Kusumadewi, 2005)

∑ α i Ai i =1

Perbandingan ketiga metode Defuzzifikasi Tabel 1 memperlihatkan perbandingan ketiga metode defuzzifikasi di atas: Tabel 1. Perbandingan metode defuzzifikasi

Karakteristik linguistik Kontinuitas Efisiensi perhitungan Contoh aplikasi

COG /COA Berkompromi terbaik Ya Sangat Rendah

Kontrol, decision support, analisis data Sumber: Rachmaniar dkk., 2005

COM Berkompromi terbaik Ya Tinggi

MOM Solusi paling masuk akal

Kontrol, decision support, analisis data

Pengenalan pola, decision support, analisis data

Ya Tinggi

Hal yang sangat penting dalam proses defuzzifikasi adalah kontinuitas. Adapun pengertian kontinuitas dalam hal ini adalah: Misalkan sebuah sistem logika fuzzy memiliki jumlah aturan yang lengkap (untuk tiap kombinasi variabel masukan, memiliki satu aturan sendiri) dan fungsi-fungsi keanggotaan masukan yang tumpah tindih. Dalam hal ini suatu metode defuzzifikasi dapat dikatakan kontinyu apabila perubahan yang sangat kecil pada variabel masukan tidak menghasilkan perubahan yang besar pada variabel keluaran. Salah satu cara untuk menggambarkan fungsi keanggotaan fuzzy logic, digunakan sebuah hardware yang dikenal dengan nama DT-51 Petrafuz. DT-51 Petrafuz merupakan sebuah hardware yang di dalamnya berisi kernel fuzzy dengan bahasa Assembly MCS-51. Jumlah maksimal crisp masukan adalah 5 dan jumlah maksimal crisp keluaran adalah 3. Jumlah


74

maksimal membership function masukan dan keluaran adalah 8. Untuk membership function masukan digunakan 4 point karena bentuknya adalah segitiga dan 1 point per keluaran-nya.

C. METODE PENELITIAN Penelitian ini merupakan penelitian eksperimen untuk mengambil data-data berupa kecepatan motor, arus dan tegangan. Penelitian ini dilaksanakan di Laboratorium Teknik Elektro Fakultas Teknik Universitas Negeri Makassar. Dalam penelitian ini terlebih dahulu ditentukan spesifikasi motor yang akan dianalisis, kemudian dilakukan analisis dengan metode fuzzifikasi, defuzzifikasi, dan disertai analisis hasil uji coba. Variabel penelitian ini adalah tegangan, arus, dan kecepatan putaran rotor. Variabel tersebut diperoleh dengan mengubah atau mengatur beban, sehingga perubahan beban akan berpengaruh terhadap putaran rotor. Data-data pengukuran yang terkumpul, diolah dengan terlebih dahulu mendefinisikan keanggotaan himpunan samar secara fungsional, yaitu menggunakan fungsi segitiga. Untuk strategi fuzzifikasi, prosesnya dapat diekspresikan sebagai: X = fuzzifier (xo), Untuk strategi defuzzifikasi dapat dinotasikan sebagai berikut: yo = defuzzifier (y), Metode defuzzifikasi yang digunakan adalah metode center of maximum (COM). Nilai kontrol tepat I yang didefinisikan dengan metode COM diberikan oleh: n

∑α W=

i

H i I1

i =1 n

∑α

i

Hi

i =1

D. HASIL PENELITIAN 1. Data Hasil Pengukuran Setelah melakukan pengukuran terhadap kecepatan motor arus searah, maka didapatkan hasil-hasil sebagai berikut:


75

a. Untuk tegangan konstan, Vm = 24 Volt Tabel 2. Pengukuran kecepatan motor DC Tahap

N (rpm)

Im (mA)

Tahap

N (rpm)

Im (mA)

1 2 3 4 5

5900 5345 4305 3365 2590

225 210 180 160 120

6 7 8 9 10

1065 475 210 55 10

105 80 40 20 10

b. Untuk arus konstan, Ia = 300 mA Tabel 3. Pengukuran kecepatan motor DC Tahap

N (rpm)

V (Volt)

Tahap

N (rpm)

V (Volt)

1 2 3 4 5

5045 4885 4500 3750 3360

24 22 20 18 16

6 7 8 9 10

2850 2200 1790 1270 570

14 12 10 8 6

2. Data-Data Hasil Pengolahan Dengan Fuzzy Logic Berdasarkan data-data yang diperoleh dengan menggunakan fuzzy logic kita dapat mengklasifikasikan kecepatan motor sebagai berikut: a. Klasifikasi kecepatan motor DC dengan tegangan tetap Pada klasifikasi kecepatan motor DC dengan tegangan tetap variabel masukan adalah putaran rotor dan variabel keluaran adalah arus. Hasil klasifikasi variabel masukan dan variabel keluaran masing-masing dapat dilihat pada Tabel 4 dan 5, sedangkan hasil fuzzifikasi, inferensi, dan defuzzifikasi pengaturan kecepatan motor pada Tabel 6. Tabel 4. Bagian Linguistik dan data fungsi keanggotaan variabel masukan No

Bagian Linguistik

Rendah

Sedang

Tinggi

1 2 3

Lambat Sedang Cepat

10 1482,5 2955

1482,5 2955 4427,5

2955 4427,5 5900


76

y

1

Lambat

Sedang

1482.5

2955

Cepat

x 10

4427.5

5900

Gambar 4. Fungsi keanggotaan variabel putaran dengan tegangan konstan Tabel 5. Bagian Linguistik dan data fungsi keanggotaan variabel keluaran No

Bagian Linguistik

Rendah (mA)

Sedang (mA)

Tinggi (mA)

1 2 3

Lambat Sedang Cepat

10 63,75 117,5

63,75 117,5 171,25

117,5 171,25 225

y

Sedang Rendah

Tinggi x

10

63,5

117,5

171,25

225

Gambar 5. Fungsi keanggotaan variabel arus dengan tegangan tetap Tabel 6. Hasil fuzzifikasi, inferensi dan defuzzifikasi pengaturan kecepatan motor Fuzzifikasi 1482,5 rpm - Keanggotaan max: Lambat - Keanggotaan min: 1800 rpm - Keanggotaan max: Sedang - Keanggotaan min: Lambat 2400 rpm - Keanggotaan max: Sedang - Keanggotaan min: Lambat

Inferensi Aturan yang memenuhi: Jika putaran lambat maka arus rendah α1 = 1 Aturan yang memenuhi: - Jika putaran sedang maka arus sedang - Jika putaran lambat maka arus rendah, α1 = 0.412 dan α2 = 0.588 Aturan yang memenuhi: - Jika putaran sedang maka arus sedang - Jika putaran lambat maka arus rendah, α1 = 0.2 dan α2 = 0.8


Defuzzifikasi Arus keluaran: I = 63,75 mA Arus keluaran; I = 95,208 mA

Arus keluaran: I = 106,55 mA

77

3400 rpm - Keanggotaan max: Cepat - Keanggotaan min: Sedang 4000 rpm - Keanggotaan max: Cepat - Keanggotaan min: Sedang 4427,5 rpm - Keanggotaan max: Cepat - Keanggotaan min: -

Aturan yang memenuhi: - Jika putaran cepat maka arus tinggi - Jika putaran sedang maka arus sedang, α1 = 0.2 dan α2 = 0.8 Aturan yang memenuhi: - Jika putaran cepat maka arus tinggi - Jika putaran sedang maka arus sedang, α1 = 0.7 dan α2 = 0.3 Aturan yang memenuhi: Jika putaran cepat maka arus tinggi α1 = 1




b. Klasifikasi kecepatan motor DC dengan arus tetap Pada klasifikasi kecepatan motor dengan arus tetap variabel masukan putaran rotor, sedangkan variabel keluaran yaitu tegangan. Hasil klasifikasi variabel masukan dan variabel keluaran masing-masing dapat dilihat pada Tabel 7 dan 8, sedangkan hasil fuzzifikasi, inferensi, dan defuzzifikasi pengaturan kecepatan motor pada Tabel 9. Tabel 7. Bagian Linguistik dan data fungsi keanggotaan variabel masukan No

Bagian Linguistik

Rendah

Sedang

Tinggi

1 2 3

Lambat Sedang Cepat

570 1688,75 2807,5

1688,75 2807,5 3926,25

2807,5 3926,25 5045

y

1

Lambat

Sedang

Cepat x

570

1688.75

2807.5

2807.5

5045

Gambar 6. Fungsi keanggotaan variabel putaran dengan arus konstan


78

Tabel 8. Bagian Linguistik dan data fungsi keanggotaan variabel keluaran No

Bagian Linguistik

Rendah (Volt)

Sedang (Volt)

Tinggi (Volt)

1 2 3

Lambat Sedang Cepat

6 10,5 15

10,5 15 19,5

15 19,5 24

y

Rendah

Sedang

Tinggi

x 6

10.5

15

19.5

24

Gambar 7. Fungsi keanggotaan Variabel tegangan dengan arus konstan Tabel 9. Hasil Fuzzifikasi, inferensi dan defuzzifikasi pengaturan kecepatan motor Fuzzifikasi 1688,75 rpm - Keanggotaan max: Lambat - Keanggotaan min: 2000 rpm - Keanggotaan max: Sedang - Keanggotaan min: Lambat 2500 rpm - Keanggotaan max: Sedang - Keanggotaan min: Lambat 3000 rpm - Keanggotaan max: Cepat - Keanggotaan min: Sedang 3500 rpm - Keanggotaan max: Cepat - Keanggotaan min: Sedang 3926,25 rpm - Keanggotaan max: Cepat - Keanggotaan min: -

Inferensi Aturan yang memenuhi: Jika putaran lambat maka tegangan rendah. α1 = 1 Aturan yang memenuhi: - Jika putaran sedang maka tegangan sedang - Jika putaran lambat maka tegangan lambat, α1 = 0.72 dan α2 = 0.28 Aturan yang memenuhi: - Jika putaran sedang maka tegangan sedang - Jika putaran lambat maka tegangan lambat, α1 = 0.275 dan α2 = 0.725 Aturan yang memenuhi: - Jika putaran cepat maka tegangan tinggi - Jika putaran sedang maka tegangan sedang, α1 = 0.83 dan α2 = 0.17 Aturan yang memenuhi: - Jika putaran cepat maka tegangan tinggi - Jika putaran sedang maka tegangan sedang, α1 = 0.38 dan α2 = 0.62 Aturan yang memenuhi: Jika putaran cepat maka tegangan tinggi α1 = 1


Defuzzifikasi Tegangan keluaran: V = 10,5 V Tegangan keluaran: V = 11,76 V Tegangan keluaran: V = 13,763 V Tegangan keluaran: V = 15,765 V Tegangan keluaran: V = 17,79 A Tegangan keluaran: V = 19,5 V

79

E. SIMPULAN DAN SARAN Penulis dapat memberikan beberapa kesimpulan sehubungan dengan hasil tulisan ini, yaitu : 1. Kecepatan motor dc dapat diklasifikasikan ke dalam tiga bagian linguistik yakni: lambat, sedang dan cepat, sedangkan untuk klasifikasi arus dan tegangan dibagi dalam tiga bagian linguistik yaitu: rendah, sedang dan tinggi. 2. Pada saat tegangan konstan terlihat bahwa rentang kecepatan antara lambat dan sedang, sedang dan cepat sebesar 1472,5 rpm.Daerah fuzzy terletak antara 1482,5 – 2955 rpm yang termasuk dalam fungsi keanggotaan lambat dan sedang serta berada antara 2955 – 5900 rpm yang termasuk dalam fungsi keanggotaan sedang dan cepat. Sedangkan rentang arus antara rendah dan sedang, sedang dan tinggi sebesar 53,75 mA. Daerah fuzzy berada antara 63,75 – 117,5 mA yang termasuk dalam fungsi keanggotaan rendah dan sedang serta berada antara 117,5 – 171,25 mA yang termasuk dalam keanggotaan sedang dan cepat. 3. Pada saat arus konstan terlihat bahwa rentang kecepatan antara lambat dan sedang, sedang dan cepat sebesar 1118,75 rpm. Daerah fuzzy terletak antara 1688,75 – 2807,5 rpm yang termasuk dalam fungsi keanggotaan lambat dan sedang serta berada antara 2807,5 – 3926,25 rpm yang termasuk dalam fungsi keanggotaan sedang dan cepat. Sedangkan rentang tegangan antara rendah dan sedang, sedang dan tinggi sebesar 4,5 Volt. Daerah fuzzy berada antara 10,5 - 15 Volt yang termasuk dalam fungsi keanggotaan rendah dan sedang serta berada antara 15 – 19,5 Volt yang termasuk dalam keanggotaan sedang dan cepat.

DAFTAR PUSTAKA

Anthony, Achmad. 1998. Kamus Lengkap Teknik (Inggris - Indonesia). Surabaya: Gitamedia Press. Asta, Dwi. 2002. ”Fuzi adaptif dengan penalaan fungsi keanggotaan pada pengendali kecepatan Motor DC Berbasis Mikrokontroler AT89C52”. Skripsi. Tidak dipublikasikan. Yogyakarta: Jurusan Teknik Elektro Fakultas Teknik Universitas Gadjah Mada. Fitzgerald, A. E. 1992. Mesin – Mesin Listrik. Jakarta: Erlangga. Kadir, Abdul. 1994. Mesin Arus Searah. Jakarta: Djambatan. Klir, J. George & Folger, A. Tina. 2003. Fuzzy Sets, Uncertainty, and Information. New Delhy: Tarun Offset Printers.


80

Kusumadewi, Sri. 2002. Analisis Desain Sistem Fuzzy Menggunakan Tool Box Matlab. Yogyakarta: Graha Ilmu. Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu. Rachmaniar, Ida & Ainuddin, Yulianti. 2005. ”Perancangan Sistem Kendali Logika Samar Berbasis Mikrokontroler.” Tugas Akhir. Tidak dipublikasikan. Makassar: Jurusan Elektro Fakultas Teknik Universitas Hasanuddin. Sahat Pakpahan. 1994. Kontrol Automatik: teori dan penerapan. Jakarta: Erlangga. Sugiyono. 2001. Metode Penelitian Administrasi. Bandung; Alfabeta. Sumanto. 1995. Mesin Arus Searah. Yogyakarta: Andi Offset. Wahyudi. 2005. “Implementasi Fuzzy Logic Controller pada System Pengereman Kereta Api.” Transmisi, Vol. 10, No.2,([email protected], diakses 9 Mei 2006). Widodo, T.S. 2005. Sistem Neuro Fuzzy untuk Pengolahan Informasi, Pemodelan, dan Kendali. Yogyakarta: Graha Ilmu. Zuhal. 1995. Dasar teknik tenaga listrik dan elektronika daya. Jakarta: Gramedia.


81

KLASIFIKASI KECEPATAN MOTOR ARUS SEARAH (DC) MENGGUNAKAN FUZZY LOGIC

Recommend Documents