Proceeding SITIA 2005 Jurusan Teknik Elektro FTI - ITS
Perancangan Sistem Pengaturan Perbandingan Udara dan Bahan Bakar (Air-Fuel Ratio) Menggunakan Metode ANFIS Koko Joni1) dan Jos Pramudijanto2) 1)
Laboratorium Komputasi Jurusan Teknik FTI, Universitas Trunojoyo Kampus Unijoyo, Bangkalan. Email:
[email protected] 2) Laboratorium Teknik Pengaturan Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Surabaya 60111, Indonesia. Email:
[email protected] Abstrak: Pembakaran yang terjadi di ruang bakar pada silinder mesin terdiri dari unsur bahan bakar dan udara. Perbandingan bahan bakar dan udara (A/F ratio) yang tepat akan menghasilkan pembakaran yang sempurna, perbandingannya adalah 1 : 14,7 (1 kg bahan bakar memerlukan 14,7 kg udara) [1]. Pada penelitian ini dilakukan pengaturan perbandingan bahan bakar dan udara untuk berbagai macam bukaan trotle dan lamanya injektor menyemprot pada mesin Toyota Kijang 1300 CC berinjektor tunggal dengan metode ANFIS[2][3]. Dengan metode ANFIS ini diharapkan dapat memberi sumbangsih terhadap metode pengaturan perbandingan udara dan bahan bakar. 1. Pendahuluan Perkembangan teknologi dibidang automotive mengalami kemajuan yang sangat pesat khususnya pada mesin bakar bensin (spark-ignition engine) yang sering digunakan pada sepeda motor, mobil, pesawat dan industri kecil. Pengembangan teknologi dari spark ignition engine secara umum mengarah pada tiga tujuan yaitu mengefisiensikan pemakaian bahan bakar, meningkatkan efisiensi kerja (daya) dari mesin serta membuat gas buang yang dihasilkan oleh mesin dapat ramah lingkungan [1]. Pada spark ignition engine parameter yang sangat menentukan kinerja dari mesin adalah air fuel ratio (A/F ratio). A/F ratio merupakan campuran antara bahan bakar dan bensin. Ketidaktepatan nilai A/F ratio akan menyebabkan terjadinya ketidak optimalan kinerja mesin dan terjadinya gas buang mesin yang dapat merusak lingkungan. Oleh karena itu, dalam beberapa tahun terakhir banyak dilakukan penelitian yang mengarah pada pengaturan AFR dari suatu spark ignition engine [2]. A/F ratio diatur sehingga nilai yang dihasilkan diharapkan dapat mendekati nilai stokiometri. Untuk itu pada penelitian ini dicoba dengan metode ANFIS untuk mengatasi perubahan paramater mesin yang nonlinier. ANFIS (Adaptive Neuro Fuzzy Inference System ) adalah kontroler logika fuzzy yang merupakan salah satu bagian dari sistem pengaturan cerdas [3]. ANFIS pernah diujicobakan pada pengaturan kecepatan pada motor DC dengan hasil memuaskan [4]. Kontroler yang diperkenalkan
oleh Jang [3] 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. 2. Dasar Teori 2.1 Spark-Ignition Engine Spark-Ignition Engine atau Otto Cycle adalah mesin pengubah energi yang terkandung dalam bahan bakar menjadi energi kinetik dengan bantuan pengapian dari luar [1].
Gambar 1 Siklus Kerja Spark-Ignition Engine empat langkah
Dalam satu kali proses pembakaran pada engine 4 langkah, terdapat 4 langkah kerja yaitu fase induksi. fase kompresi dan pengapian. fase pembakaran. fase pembuangan. Jadi satu siklus pembakaran terjadi dalam dua putaran engine. Pada kondisi operasi, Spark-Ignition Engine membutuhkan campuran antara bahan bakar dan udara yang spesifik. Perbandingan ideal dari udara dan bahan bakar (gasoline) untuk satu proses pembakaran adalah 1:14,7. Kondisi seperti ini dikatakan sebagai kondisi stokiometri yaitu lamda (λ) mempunyai harga 1. Faktor kelebihan udara atau λ mengindikasikan seberapa besar penyimpangan campuran udara dalam bahan bakar dari nilai optimum teori (1:14,7). Ada lima kondisi yang terjadi pada proses pembakaran pada engine yaitu [1]:
Proceeding SITIA 2005 Jurusan Teknik Elektro FTI - ITS • • •
•
min or product
λ = 1 : Massa udara yang dicampurkan pada bahan bakar sesuai dengan teori. λ < 1 : Kondisi dimana massa bahan bakar yang dicampurkan dalam udara sedikit atau campuran dikatakan miskin akan bahan bakar. λ > 1 : Bahan bakar yang dicampurkan pada udara banyak, jika berada pada range λ = 1,05….1,3 maka mesin bekerja pada kondisi hemat bahan bakar akan tetapi terjadi penurunan performansi mesin. λ >1,3 : Campuran bahan bakar dalam udara terlalu banyak sehingga campuran tidak dapat terbakar secara sempurna atau dengan kata lain banyak bahan bakar ikut terbuang bersama gas buang engine.
2.2 Electric Fuel Injection (EFI) Pada sistem Electric Fuel Injection (EFI) bahan bakar disemprotkan lansung pada saluran intake sedangkan banyaknya udara yang dicampurkan pada bahan bakar direpresentasikan dengan besarnya bukaan Trottle (katup gas) Adapun pengertian dari EFI adalah sebuah sistem penyemprotan bahan bakar yang dalam kerjanya dikontrol secara elektronik agar didapatkan nilai campuran udara dan bahan bakar selalu sesuai dengan kebutuhan mesin, sehingga didapatkan daya motor yang optimal dengan pemakaian bahan bakar yang tepat serta mempunyai gas buang yang ramah lingkungan. Pada mesin mobil dengan empat silinder injeksi terpasang pada tiap-tiap saluran masuk dari ruang bakar. Berdasarkan penjadwalan penyemprotan bahan bakar dalam saluran masuk ruang bakar, sistem injeksi dibagi menjadi 3 yaitu sistem injeksi simultan, sistem injeksi grouping dan sistem injeksi sequential. 2.3. Adaptive Neuro Fuzzy Inference System ANFIS merupakan singkatan dari Adaptive networkbased fuzzy inference system atau secara simantik sama dengan, Adaptive Neuro-Fuzzy Inference System, akan digambarkan bagaimana menjabarkan himpunan parameterparameter jaringan adaptif untuk memfasilitasi aturan pembelajaran hybrid untuk arsitektur ANFIS yang dapat mewakili model Fuzzy Sugeno [3]. 2.3.1 Strukur ANFIS Untuk penyederhanaan, diasumsikan bahwa fuzzy inferensi sistem memiliki dua masukan x, y dan satu keluaran z. Untuk model fuzzy sugeno orde pertama, aturan umum dengan dua aturan, fuzzy jika-maka (if-then) adalah sebagai berikut [3]: Aturan 1 : Jika x adalah A1 dan y adalah B1, maka f1 = p1x + q1y + r1 Aturan 2 : Jika x adalah A2 dan y adalah B2, maka f2 = p2x + q2y + r2
µ
µ
A1
B1 w1
X
µ
A
z1 = p1x + q1y + r1
Y
µ
B2
2
w2
z2 = p2x + q2 y + r2 weighted average
X
Y
x
y
z = w1z1 + w2z2 w1 + w2
Gambar 2. Dua Masukan Model Fuzzy Sugeno Orde Pertama
dengan Dua Aturan layer 1
layer 2
layer 4
layer 5
xy
A1
x
layer 3
TT
A2
w1
N
_ w1
_ w1 f 1 Σ
B1
y
TT
w2
N
B2
_ w2
f
_ w2 f2 xy
Gambar 3. Ekivalen Arsitektur ANFIS.
Gambar 2 mengilustrasikan mekanisme penalaran untuk model Fuzzy Sugeno, sedangkan Gambar 3 menyatakan ekivalensi arsitektur ANFIS, dimana simpulsimpul (node) pada lapisan (layer) yang sama mempunyai fungsi yang sama. Keluaram (output) dari simpul (node) ke-i dalam lapisan (layer) l dituliskan sebagai O l ,i . • Lapisan 1 : Setiap simpul i pada lapisan ini adalah simpul adaptif dengan suatu fungsi simpul. O 1 , i = µ A (x ), i = 1 , 2 , i O 1 ,i = µ B i−2
( y ),i
atau
(1)
= 3,4
Di mana x atau y adalah masukan simpul ke-i dan Ai atau Bi-2 adalah nama linguistik (seperti kecil, sedang, atau besar) yang berhubungan dengan simpul ini. Dengan kata lain Ol,i adalah derajat keanggotaan himpunan fuzzy A (= A1, A2, B1, atau B2). Di sini fungsi keanggotaan untuk A dapat berupa parameter fungsi keanggotaan apa saja, seperti fungsi generalized bell :
µ A (x ) =
1 bi
x − c 2 (2) i 1 + a i Di mana {a i , bi , c i } adalah himpunan parameter, karena nilai dari parameter-parameter ini berubah, maka bentuk fungsi bell ini berubah-ubah. Parameter-parameter pada lapisan ini disebut sebagai parameter premise. i
• Lapisan 2 : Setiap simpul pada lapisan ini adalah simpul tetap yang diberi tanda Π, dimana keluaranya memiliki persamaan sebagai berikut :
Proceeding SITIA 2005 Jurusan Teknik Elektro FTI - ITS O2,i = wi = µAi (x) µBi (x), i= 1,2
(3)
Tiap keluaran simpul mewakili kekuatan tembakan (firing strength) dari suatu aturan. Secara umum, biasanya operator yang dapat dipakai adalah operator fuzzy AND sebagai fungsi simpul pada lapisan ini.
• Lapisan 3 : Setiap simpul i pada lapisan ini adalah simpul non adaptif (tetap) dengan suatu fungsi simpul. wi (4) O = w = , i = 1,2 3 ,i
i
w1 + w 2
Untuk memudahkan, keluaran lapisan ini disebut kekuatan tembakan normalisasi (normalized firing strengths). • Lapisan 4 : Setiap simpul i pada lapisan ini adalah simpul adaptif dengan suatu fungsi simpul. (5) O 4 , i = w i f i = w i ( p i x + q i y + ri )
Jika prosedur pemodelan fuzzy secara adaptif digunakan untuk menyediakan pemodelan proses dalam desain kontroler dilakukan secara online, maka hasilnya adalah berupa suatu kontroler fuzzy adaptive secara tak langung (indirect adaptive fuzzy logic controller). Untuk lebih jelasnya dapat dilihat pada Gambar 4. 3. Perancangan Sistem 3.1 Perancangan Plant Spark Ignition Engine Plant yang dipergunakan dalam penelitian ini adalah Spark-Ignition Engine mobil Toyota 4K 1300 cc dengan sistem karburator yang dimodifikasi menjadi sistem injektor sebagai sistem distribusi bahan bakarnya. Sensor-sensor yang dipasang pada mesin untuk mendapatkan data yang diperlukan dalam penelitian ini adalah sebagai berikut : Sensor Induktif : Sensor ini dipasang dengan tujuan untuk mengetahui kecepatan dari mesin
Di mana wi adalah kekuatan tembakan normal dari lapisan 3 dan {p i , q i , ri } adalah himpunan parameter simpul ini. Parameter-parameter simpul ini disebut parameter konsekuen. • Lapisan 5 : Simpul tunggal pada lapisan ini adalah simpul tetap yang diberi tanda Σ, yang menghitung seluruh keluaran. O 5 ,1 =
∑
wi fi =
i
∑w f ∑w i
(6)
i
•
i
i
Terdapat dua cara pendekatan untuk adaptive fuzzy controller, yaitu direct adaptive control dan indirect adaptive control. Dalam penelitian ini akan digunakan indirect adaptive fuzzy controller. Pada indirect adaptive fuzzy controller dilakukan identifikasi on line untuk mengestimasi parameter-parameter plant dan bagian “desain kontroler” akan mengubah atau men-tuning parameter dari kontroler. Jika parameter plant berubah, identifier akan mengestimasi parameter plant dan controller designer akan men-tuning parameter kontroler. Pendekatan ini dinamakan indirect adaptive control karena kita men-tune kontroler secara tidak langsung melainkan terlebih dahulu harus mengestimasi parameter plant. 2.4. Indirect Adaptive Fuzzy Control x(k) ANFIS u(k)
x(k+1)
Plant
xd(k+1)
+ eu
Gambar 5. Hasil Modifikasi Engine mobil Toyota kijang
x(k) ANFIS
Z-1
Gambar 4. ANFIS Sebagai Identifikasi dan Kontroler
Magnitude Absolut Pressure Sensor : Sensor ini dipasang pada saluran masuk udara sebelum memasuki masing-masing silinder ruang bakar. Tegangan keluaran dari sensor merereprentasikan besarnya tekanan udara pada saluran intake mesin. • Trottle Position Sensor : Trottle position sensor (TPS) dipasangkan pada trottle mesin. Sensor ini berupa potensio meter linier yang diberi tegangan referensi tertentu, tegangan keluaran dari potensio meter merepresentasikan besarnya sudut bukaan trottle. • Sensor oksigen (sensor lamda) : sensor ini dipasang pada saluran keluaran dari mesin. Besarnya tegangan yang keluar dari sensor mempresentasikan besar kecilnya kadar oksigen yang keluar dari silinder mesin. Berdasarkan hal ini dapat ditentukan AFR dari mesin. Pada saat pengambilan data, sistem injeksi pada mesin yang telah dimodifikasi ini dikendalikan oleh driver injektor dimana waktu ‘on’ dari injektor merepresentasikan banyaknya bahan bakar yang dialirkan menuju ruang bakar engine, selain itu saat penginjeksian ditentukan oleh sinyal dari sensor induktif. Dalam hal ini sensor induktif berpengaruh terhadap frekuensi penyemprotan injektor. Semakin besar kecepatan mesin, semakin tinggi frekuensi penyemprotannya. Sedangkan lamanya penyemprotan ditentukan oleh lebar pulsa yang diberikan pada engine.
Proceeding SITIA 2005 Jurusan Teknik Elektro FTI - ITS Banyak sedikitnya bahan baker yang disemprotkan oleh injektor berpengaruh terhadap perubahan nilai A/F ratio. 3.2. Perancangan ANFIS Dari hasil algoritma diatas maka dirancang logika fuzzy beserta pembelajarannya dengan backpropagation, dimana perancangan ini menggunakan metode yang disampaikan LiXin Wang [5][6] tetapi tidak mengubah struktur yang dikemukakan oleh Jang. Sistem Logika Fuzzy yang digunakan adalah menggunakan : • Fuzzyfikasi singelton • Defuzzyfikasi rata-rata tengah ( center average defuzzifier ) • Aturan penalaran produk ( produk inference engine ) • Fungsi Keanggotaan Gaussian Sistem Fuzzy yang akan didesign mempunyai bentuk persamaan sebagai berikut : N y l ∏ µ A l ( x i ) i f ( x ) = l = 1M Ni = 1 ∏ µ A l ( x i ) ∑ i l =1 i =1 M
∑
(7)
dari Persamaan 7 disubstitusikan persamaan gaussian, sehingga persamaan menjadi :
x − x l 2 N y ∏ i =1 exp − i l i ∑ σ i l =1 f ( x) = 2 M x − x l ∏ iN=1 exp − i l i ∑ σ i l =1 M
•
(8)
y ∈V xil ∈ U i l
• σi di mana : • V adalah semesta pembicaraan pada keluaran, l
•
U i adalah semesta pembicaraan pada masing-
• • •
masing masukannya. M adalah banyaknya aturan fuzzy dan N adalah banyaknya masukan. f(x) adalah keluaran sistem fuzzy tersebut. l i
•
Variabel x adalah titik tengah fungsi keanggotaan input
•
Variabel
σ il
adalah lebar dari fungsi keanggotaan
input. •
l
i = 1,…,N;
dan
l = 1,…,M
3.3. Adaptasi Parameter Misalkan dimiliki pasangan masukan-keluaran :
(x
p
, yp
)
x p ∈U ⊂ R n
(9)
y p ∈V ⊂ R Dengan kriteria error sebagai berikut :
[( )
e p = 0.5 f x p − y p
]
2
(10)
Bila diasumsikan bahwa M (jumlah aturan) dapat ditentukan, maka masalahnya adalah bagaimana mendapatkan harga-harga dari parameter sistem logika fuzzy (model fuzzy), sedemikian rupa sehingga kriteria error Persamaan 10, dapat diminimalkan. Untuk mengadaptasikan parameter-parameter dari model fuzzy : • Adaptasi parameter titik tengah fungsi keanggotaan di keluarannya adalah : ∂e y l (k + 1) = y l (k ) − α (11) k ∂y l dimana : l = 1,2,…M; k = 0,1,2,…dan α adalah suatu konstanta pembelajaran. Keluaran Fuzzy didapatkan persamaan sebagai berikut :
l
Parameter yang dapat diubah-ubah (adjustable) dari sistem logika fuzzy di atas adalah : •
•
Variabel y adalah titik tengah fungsi keanggotaan di keluarannya
f =
a b
(12)
∑ (y z ) b = ∑ (z )
di mana: a =
M
l =1 M
l
l
(13)
l
(14)
l =1
x − xl z = ∏ exp − i l i σi
(16)
sehingga akan didapatkan : ∂f ∂a 1 ∂e = ( f − y) = ( f − y) z l l b ∂a ∂y ∂y
(17)
l
2
Mensubstitusi Persamaan (11) ke Persamaan (17) maka akan didapatkan adaptasi parameter titik tengah fungsi keanggotaan di keluarannya adalah :
yl (k +1) = yl (k) − α
( f − y) l z b
(18)
di mana: l = 1, 2, …, M ; dan k = 0, 1, 2, … • Adaptasi parameter titik tengah fungsi keanggotaan di masukannya adalah : ∂e l l xi (k + 1) = xi (k ) − α (19) l k ∂x i sehingga dengan menggunakan dalil rantai (chain Rule) akan didapatkan persamaan :
Proceeding SITIA 2005 Jurusan Teknik Elektro FTI - ITS p
l
yl − f l 2(xi − xi ) (20) ∂e ∂f ∂zl z = ( f − y) = ( f − y) l l l b ∂z ∂xi σil2(k) ∂xi dengan mensubstitusikan Persamaan 19 ke Persamaan 20., maka akan didapatkan adaptasi parameter titik tengah fungsi keanggotaan di masukannya adalah: p
Spesifikasi Setting point awal (uk) Set Point (rk) Beban Jumlah Rule Sampling time
Nilai 1,5 0,7 0 40 0,035
l
2(xi − xi (k)) (21) f −y l (y − f )zl 2 b σil (k) di mana l = 1, 2, …, M; k = 0, 1, 2, …; dan i = 1, 2, …, n. • Adaptasi parameter lebar pita dari fungsi keanggotaan di masukannya adalah xi (k +1) = xi (k) − α l
l
σ i l (k + 1) = σ i l (k ) − α
∂e
(22)
l k
∂σ i dengan cara yang sama akan didapatkan :
Gambar 7. Identifikasi sistem pada percobaan I p
σ i l (k + 1) = σ i l (k ) − α
l
2( xi − xi (k ))2 f −y l ( y − f )z l 3 b σ l (k ) i
(23) di mana l = 1, 2, …, M; k = 0, 1, 2, … ; dan i = 1, 2, …, n. 4. Implementasi dan Analisis 4.1. Hasil Simulasi Sebelum mengimplementasikan hasil rancangan dari kontroler yang dibuat maka terlebih dahulu disimulasikan dahulu terhadap model plant yang dipakai. Dalam simulasi ini kontroler ANFIS bisa menyesuaikan dengan Setpoint yang dinginkan.
Gambaar 8. Respon sistem pada percobaan I
Dari Gambar 7 tampak hasil output ANFIS dalam mengidentifikasi plant dengan Setting awal 1,5 Volt diberikan pada driver injector. Kemudian Gambar 8 menunjukkan bahwa kontroler yang sudah mengalami pembelajaran maka akan membawa pembacaan sensor O2 ke Setpoint yang dinginkan.
Gambar 6. Respon sistem pada simulasi
4.2. Percobaan I Percobaan pertama dilakukan dengan Seting awal yaitu injektor sebesar 2,62 Volt kemudian trotle 3,36 Volt. Pertama yang dilakukan yaitu tanpa memberi beban dab tanpa membuka trotle yang berbeda. Tabel 4.1 Tabel Spesifikasi percobaan 1 Spesifikasi Nilai Injektor 2,62 Trotle 3,36 Waktu pembelajaran 500 0,3 Laju pembelajaran (α)
Gambar 9. Respon sistem pada percobaan I dengan beban
Dari Gambar 9 terlihat bahwa dengan diberi beban yang kecil (mesin tetap jalan/skala 1) tampak bahwa kontroler masih bisa mengikuti dari Setpoint yang diberikan. Tetapi jika diberi beban yang besar (mesin hampir tidak berjalan/beban penuh) maka kontroler tidak bisa mengikuti Setpoint yang diberikan dan mesin menjadi mati. Sekarang dengan mengubah bukaan trotle menjadi 2,9 (udara yang masuk diperbesar), respon dilihat pada Gambar
Proceeding SITIA 2005 Jurusan Teknik Elektro FTI - ITS 10. Ternyata kontroler tidak bisa mengikuti Setpoint yang diberikan.
Gambar 4.13 Respon sistem pada percobaan II dengan beban
Gambar 10 Respon sistem dengan trotle 2,9 Volt. 4.3. Percobaan II Pada percobaan 2 dilakukan dengan mengubah injektor dan trotlenya. Serta parameter-parameter lainnya. Lebih jelasnya dapat dilihat dari Tabel 4.2. Tabel 4.2 Tabel Spesifikasi percobaan 2 Spesifikasi Nilai Injektor 2,81 Trotle 3,12 Waktu pembelajaran 500 0,3 Laju pembelajaran (α) Setting point awal (uk) 1,2 Set Point (rk) 0,7 Beban 0 Jumlah Rule 40 Sampling time 0,023
Gambar 4.11 Identifikasi sistem pada percobaan II
Gambar 4.12 Respon sistem pada percobaan II
Dari Gambar 4.12 terlihat bahwa kontroler membutuhkan waktu yang lama untuk mencapai Setpointnya dan output dari plant berosilasi terus.
Dari Gambar 4.13 terlihat bahwa jika plant diberi beban penuh yaitu hampir mati mesinnya ternyata kontrolernya tidak bisa membawa ke Setpointnya. Ini membuktikan bahwa jika terjadi perubahan yang besar ternyata kontroler ANFIS tidak bisa membawa ke Setpoint yang dinginkan.
Gambar 4.14 Respon sistem dengan trotle 3,01 Volt.
Dari Gambar 4.14 terlihat dengan mengubah sedikit perubahan trotle menjadi 3,01 Volt (membuka agak lebar sedikit) maka kontroler membutuhkan waktu yang lama untuk mencapai Setpointnya. 5. Kesimpulan Dari hasil implementasi dan analisa data pada identifikasi dan pengaturan respon output mesin menggunakan kontroler ANFIS dapat disimpulkan beberapa hal di bawah ini : 1. Kontroler ANFIS di dalam simulasinya dapat memberikan respon yang bagus terhadap plant yang dikontrol. 2. Dari percobaan yang dilakukan jika ada perubahan yang kecil terhadap plant kontroler ANFIS dapat mengikuti Setpoint AFR yang diberikan, dan jika terjadi perubahan yang besar pada plant maka kontroler ANFIS tidak bisa mengikutinya. 3. Ketidakmampuan kontroler ANFIS dalam mengatasi perubahan yang besar kemungkinan terjadi karena kecepatan dari kontroler ANFIS itu sendiri yang lambat selain itu juga bisa disebabkan dari respon plant sendiri dalam hal ini pembacaan sensor O2 yang terus terjadi osilasi. 6. Daftar Pustaka [1] G haryono, 2001. Uraian Praktis Mengenal Motor Bakar, Aneka Ilmu.
Proceeding SITIA 2005 Jurusan Teknik Elektro FTI - ITS [2]
Kasmawi, 2004. Identifikasi Model Emisi Bahan Bakar Pada Spark Ignition Engine Dengan Menggunakan Neural Network, Tugas Akhir, Jurusan Teknik Elektro ITS. [3] Jyh-Shing Roger Jang, 1993. ANFIS: AdaptiveNetwork-Based Fuzzy Inference System, IEEE Transactions on Systems, Man and Cybernetics, Vol. 23, No. 3, pp. 665-685, Mei/Juni 1993. [4] Jos Pramudijanto, Nurul Iman Effendi, dan Mauridhi Hery Purnomo, 2001. ”Implementasi Adaptive NeuroFuzzy Inference System (ANFIS) pada Pengaturan Kecepatan Servomotor MS50DC”, Prosiding IES 2001, Politeknik Elektronika Surabaya, ITS. [5] Li-Xin Wang, 1994. Stable Adaptive Fuzzy Control of Nonlinear Systems, IEEE Transactions Fuzzy System, Vol. 1, No. 1, pp. 146-155, Mei 1993. [6] Li-Xin Wang, 1997. A Course in Fuzzy Systems and Control, Prentice Hall International. [7] Pramudijanto, J. dan Rendra, H., 2004. Ekperimen Tuning Kontroler PID dengan Logika Fuzzy pada PLC C200H, Prosiding Sitia 2004, Jurusan Teknik Elektro FTI ITS, Surabaya. [8] Sri Kusumadewi, 2002. Analisis dan Desain Sistem Fuzzy Menggunakan Toolbox Matlab, Graha Ilmu. [9] Nurlita Gamayanti, 2001. Identifikasi dan Desain Kontroler Logika Fuzzy Adaptif pada Modul Process Control Simulator PCS 327 MK2, Tugas Akhir, Jurusan Teknik Elektro-ITS. [10] Kasmawi, 2004. Identifikasi Model Emisi Bahan Bakar pada Spark Ignition Engine dengan Menggunakan Neural Network, Tugas Akhir, Jurusan Teknik Elektro ITS.
7. Riwayat Penulis
Koko Joni dilahirkan di Magetan dan mulai pendidikan dasar hingga sekolah menengah atas diselesaikan disana. Pada bulan September 2004 diwisuda sebagai Sarjana Teknik Elektro bidang Teknik Sistem Pengaturan. Pada awal Januari 2005 bergabung dengan Universitas Trunojoyo Bangkalan sebagai staf pengajar pada Fakultas Teknik Industri, Jurusan Informatika. Jos Pramudijanto dilahirkan di Pasuruan. Lulus dari bidang studi Teknik Sistem Pengaturan Jurusan Teknik Elektro ITS tahun 1989. Kesempatan mengikuti program S2 di AIT Thailand diselesaikan pada bulan Desember 1997. Bidang PLC merupakan salah satu bidang yang ditekuni saat ini, selain Inteligent Control yang terkait dengan implementasi suatu metoda pada plant riil.
