Seta Samsiana Jurusan Teknik Elektro, FTE Universitas Islam 45 Bekasi Jl. Cut Meutia No.83 Bekasi

Ошибка! Только основной документ.

Flow switch digunakan untuk mendeteksi aliran air pada pipa output dari pompa. Ketika pompa bekerja namun tidak ada air yang mengalir maka timer akan memutus kontak ketika mencapai t seting + 0.33 detik untuk mematikan motor pompa.

SARAN Penggunaan sensor-sensor pada sistem kendali pompa air bersih ini memegang peranan penting dalam keberhasilan penyediaan dan pensuplayan air. Untuk mendapatkan hasil maksimal maka perlu dibuat sistem kontrol air bersih pada gedung bertingkat dengan sistem monitoring yang tersentralisasi.

DAFTAR PUSTAKA Abdul Aziz , Abu Umar. Bekasi.2011. Relay dan Kontaktor Alif, Toto Nur.Bojonegoro. 2011. Dasar Kontrol Konvensional Depdiknas .Jakarta. 2003. Pompa dan Sistem Perpipaan Handayani ,Sri Utami. 2003. Pompa dan Kompresor Setiawan, Iwan. Fatek Universitas Diponegoro.2009.Sensor dan transduser Sunarno.2005.Mekanikal Elektrikal Tyler, Hicks G. and Edwards,T. W.Jakarta. 1996.Teknologi Pemakaian Pompa UNEP. Jakarta. 2006. Pompa dan Sistem Pemompaan .

PERBANDINGAN PENGATURAN GAS METERING STATION MENGGUNAKAN PID DAN NEURO FUZZY

Seta Samsiana Jurusan Teknik Elektro, FTE Universitas Islam 45 Bekasi Jl. Cut Meutia No.83 Bekasi 17113 E- mail : [email protected] JREC Journal of Electrical and Electronics Vol 2. No.1

JREC Journal of


ABSTRAK PID dan Neuro Fuzzy merupakan dua metode yang sering digunakan untuk melak ukan perancangan pengendalian pada suatu plant. Kedua komponen dari metode ini bukanlah merupakan pesaing satu dengan yang lainnya, karena masing- masing memiliki kelebihan dan kekurangan yang berbeda. Pada penelitian ini akan dilakukan perancangan pengendalian tekanan dengan metode PID dan Neuro Fuzzy untuk mengetahui perbandingan akurasi dari kedua metode tersebut dalam melakukan pengendalian tekanan pada Gas Metering Station berdasarkan parameter-parameter yang mempengaruhi. Selanjutnya akan dilakukan simulasi dan pembandingan antara PID dan Logika Fuzzy untuk mendapatkan optimasi dan keakurasian dalam pengendalian tekanan. Kata Kunci: PID, Neuro Fuzzy, Gas metering station

PENDAHULUAN Sistem kontrol adalah proses pengaturan/pengendalian terhadap satu atau beberapa besaran (variabel, parameter) sehingga berada pada suatu harga atau dalam suatu rangkuman harga (range) tertentu. Dalam istilah lain disebut juga teknik pegaturan, sistem pengendalian atau pengontrolan. Ditinjau dari segi peralatan, sistem kontrol terdiri dari berbagai susunan komponen fisis yang digunakan untuk mengarahkan aliran energi ke suatu mesin atau proses agar dapat menghasilkan proses yang diinginkan. Tujuan utama dari suatu sistem adalah untuk mendapatkan optimasi dimana hal ini dapat diperoleh berdasarkan fungsi daripada sistem kontrol itu sendiri, yaitu pengukuran (measurenment), membandingkan (comparison), pencatatan dan perhitungan (computation), dan perbaikan. Secara umum sistem kontrol dapat dikelompokkan sebagai berikut: 1. Dengan operator (manual) dan otomatik 2. Jaringan tertutup (closed-loop) dan jaringan terbuka (open-loop) 3. Kontinu (analog) dan diskontinu (digital, diskrit) 4. Servo dan regulator Gas metering ini terletak pada off site unit produksi. Fungsi dari gas metering adalah mengukur seberapa besar gas alam yang diterima .,dimana gas metering ini juga sebagai cross chek besarnya gas alam yang diterima dari supplier ke suatu unit produksi. Untuk menganalisa pengendalian tekanan gas alam dalam gas metering, terdapat parameter - parameter proses yang berpengaruh, diantaranya laju aliran, tekanan dan bukaan valve/port area. Apabila ketiga parameter diatas tidak bekerja pada daerah capabilitynya atau melebihi dari spec yang ditetapkan, maka akan mempengaruhi proses dan terjadi off spec pada unit lainnya. Besarnya tekanan gas alam sebagai variabel kontrol sedangkan laju aliran gas alam dan bukaan valve merupakan variabel termanipulasi. Aksi pengendalian gas metering yang JREC Journal of Electrical and Electronics Vol 2. No.1

JREC Journal of


ada masih menggunakan kontroller konvensional atau PID. Pada penelitian saat ini akan dilakukan simulasi pengendali PID dan neuro fuzzy sebagai pengendali tekanan pada Gas Metering Station. Hasil dari simulasi akan di analisa dan dilakukan perbandingan. Berdasarkan hasil perbandingan dihasilkan metode yang lebih optimal untuk mengendalikan tekanan pada Gas Metering Station.

TINJAUAN PUSTAKA PID (Proportional Integral Derivative) Pengontrol PID (Proportional Integral Derivative) merupakan salah satu jenis pengontrol yang paling banyak digunakan di industri sekarang ini. Pengontrol PID terdiri dari tiga komponen, yaitu komponen Proporsional (P), komponen Integral (I) dan komponen Derivatif (D).

Kontroler Proporsional (P) Komponen P (Proporsional) mengeluarkan sinyal kontrol yang besarnya proporsional Pengaruh pada sistem : 1. Menambah atau mengurangi kestabilan. 2. Dapat memperbaiki respon transien khususnya : rise time, settling time 3. Mengurangi (bukan menghilangkan) Error steady state Kontroler Proporsional memberi pengaruh langsung (sebanding) pada error.Semakin besar error, semakin besar sinyal kendali yang dihasilkan kontroler. Untuk lebih jelasnya maka lihat gambar berikut.

Kontroler Integral (I) Komponen integral berfungsi untuk menghilangkan offset untuk kondisi beban atau gangguan yang berubah. Aksi integral lazim juga disebut automatic reset (automatic bias setting). Seperti telah dibahas sebelumnya bahwa pengontrol P akan memberikan aksi kontrolnya apabila ada masukan sinyal kesalahan. Aksi integral akan menyebabkan akan menyebabkan pengontrol untuk mengeluarkan sinyal kontrol yang sebanding dengan besarnya error. Pengontrol akan terus mengeluarkan sinyal, walaupun error telah mencapai nol. Pengaruh pada sistem : 1. Menghilangkan Error Steady State 2. Respon lebih lambat (dibandingkan dengan P) 3. Dapat Menambah Ketidakstabilan (karena menambah orde pada sistem) . Kontroler Derivatif (D) JREC Journal of Electrical and Electronics Vol 2. No.1

JREC Journal of


Pada dasarnya, pengontrol PI saja tidaklah cukup untuk menghasilkan respons pengontrol yang lebih cepat. Oleh karena itu, masih diperlukan skema pengontrolan yang dapat memberikan respons pengontrol yang lebih cepat. Pengontrol PI lebih lambat karena komponen I harus menunggu dalam selang waktu tertentu agar dapat mengeluarkan output. Penggunaan komponen D, yang dinyatakan dengan besaran Td (derivative time) berbanding lurus dengan besarnya output pengontrol. Komponen D tidak dapat berdiri sendiri, karena komponen D

memerlukan input agar dapat

mengeluarkan output. Untuk itu komponen D biasanya dikombinasikan dengan P dan PI. Akan tetapi, komponen D, tidak dapat dipakai untuk Process Variable yang beriak (mengandung banyak noise). Sehingga didalam aplikasinya, pengontrol PD atau PID tidak sebanyak pengontrol P atau PI Pengaruh pada sistem : 1.

Memberikan efek redaman pada sistem yang berosilasi

2.

Memperbaiki respon transien

3.

D hanya berubah saat ada perubahan error, sehingga saat ada error statis D tidak beraksi.Sehingga D tidak boleh digunakan sendiri

Besarnya sinyal kontrol sebanding dengan perubahan error (e)Semakin cepat error berubah, semakin besar aksi kontrol yang ditimbulkan. Lebih jelasnya maka lihat gambar berikut.

Didalam operasinya, parameter-parameter pengontrol PID harus terlebih dulu diatur untuk mendapatkan respons pengontrol sesuai dengan yang diinginkan. Setiap kekurangan dan kelebihan dari masing-masing pengontrol P, I dan D dapat saling menutupi dengan menggabungkan ketiganya secara paralel menjadi pengontrol proporsional plus integral plus diferensial (pengontrol PID). Elemen-elemen pengontrol P, I dan D masing-masing secara keseluruhan bertujuan : 1. mempercepat reaksi sebuah sistem mencapai set point-nya 2. menghilangkan offset 3. menghasilkan perubahan awal yang besar dan mengurangi overshoot.

Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses tersendiri, akan tetapi tetap dapat dipadukan sehingga menghasilkan performa kerja yang selaras. Dalam hal ini, penggunaan neuro computing dan fuzzy logic dapat dipadukan menghasilkan Neuro Fuzzy atau Fuzzy Neural Network. Penggabungan ini dilakukan karena manusia memiliki nalar dan proses pembelajaran yang bisa dikatakan memiliki nilai kekaburan. Nilai kekaburan ini membuat penilaian manusia akan suatu hal menjadi tidak terlalu konstan atau kaku untuk sebuah kondisi atau objek. Dengan hal ini, komputer akan mampu untuk melakukan proses pembelajaran yang lebih baik lagi. JREC Journal of Electrical and Electronics Vol 2. No.1

JREC Journal of


Model Neuro Network Model Neuro-Fuzzy terdiri dari jaringan neuron, masing-masing neuron bekerja dengan input vektor, weight vektor yang sesuai dengan input vektor, bias skalar, fungsitransfer, dan sebuah output vektor. Artificial Neural Network mungkin terdiri dari satu ataulebih neuron di masing-masing layer. Di sebuah network, lapisan terakhir disebut outputlayer, dan semua layer sebelumnya disebut hidden layer. Pada hidden layer, output layer menjadi input layer dari layer selanjutnya. Fungsi operasi dari sebuah neuron mengubahinput menjadi output. Dalam analisis ini model Neuro-Fuzzy adalah sebuah hubugan arsitektur Feed Forward dengan 5 layer neuron dan 4 layer penghubung. Gambar 1menampilkan arsitektur dari model Neuro-Fuzzy yang digunakan dalam penelitian ini. ModelNeuroFuzzy mempunyai layer input dan output dan 3 hidden layer yang mengevaluasifungsi keanggotaan dan menjelaskan aturan fuzzy.

Gambar 2 1.Arsitektur Neuro-Fuzzy dan keanggotaan

Layer-1: Input ke dalam sistemLayer-2: Produksi hasil tengahLayer-3: Normalisasi untuk menghapus anomali dalam data, jika adaLayer-4: penyajian terakhirLayer-5: Output Defuzzifikasi. Layer pertama pada model ini dinamakan input crisp. Masing-masing neuron pada layer ini mentransmisikan langsung sinyal crisp terluar menuju layer selanjutnya. Layer ke dua dari neuron adalah berupa input fungsi keanggotaan layer, dimana pada analisis ini terdapat 251 neuron. Layer ini menghitung derajat keanggotaan fuzzy ke dalam nilai input yang mana yang termasuk padafungsi keanggotaan output telah ditetapkan, sebagai contoh rendah, tinggi, dan rendah.Neuron pada layer ini menunjukkan himpunan fuzzy yang digunakan dalam aturan fuzzysebelumnya. Sebuah fuzzifikasi neuron menerima sebuah input crisp dan menentukan derajat input yang mana yang termasuk dalam himpunan neuron fuzzy. Layer ke tiga adalah aturan fuzzy dimana aturan tersebut mewakili gabungan antara fungsi keanggotaan inputdan output. Masing-masing neuron pada layer ini menghubungkan kepada sebuah aturan fuzzy. Sebuah aturan fuzzy menerima input dari fauzzifikasi neuron yang mewakili himpunan fuzzy di aturan sebelumnya. Selain itu, weight antara layer 3 dan 4 mewakili derajat normalisasi kepercayaan dari aturan fuzzy yang sesuai. Weight tersebut disesuaikan padapelatihan sistem NeuroJREC Journal of Electrical and Electronics Vol 2. No.1

JREC Journal of


Fuzzy, dari aturan fuzzy tersebut, lapisan keempat dari sistemNeuro-Fuzzy yang merupakan keluaran keanggotaan fungsi layer menghitung derajat yangfungsi keanggotaan outputnya cocok dengan input data. Sebuah output keanggotaanneuron menerima input dari penyesuaian aturan fuzzy neuron dan mengombinasika NeuralNetwork menggunakan operasi fuzzy. Yang terakhir, layer ke lima atau layer deffuzzifikasi,langkah ini menghitung nilai dari variable output. Masing-masing neuron pada layer mewakili sebuah output dari Sistem Neuro-Fuzzy.

Matlab Sebuah sistem kontrol yang dirancang, perlu dianalisa terlebih dahulu untuk mendapatkan gambaran respon sistemnya. Gambaran tersebut meliputi : 1. Respon sistem terhadap berbagai macam input (step function, rampfunction, dan impulse function, dll), termasuk jika adanya gangguan dari luar. 2. Kestabilan sistem (metode : root locus, frekuensi respon, state space). 3. Respon sistem terhadap berbagai macam jenis kontroler (P, I, D, dan/atau kombinasinya). Matlab sebagai bahasa komputasi teknis memberikan berbagai kemudahan dalam mempelajari dan mendisain suatu sistem control. Matlab memberikan keluaran yang berupa analisis grafik dari perilaku suatu sistem control berdasarkan metode yang digunakan. Beberapa kelebihan Matlab jika dibandingkan dengan program lain seperti Fortran, dan Basic adalah : a. Mudah dalam memanipulasi struktur matriks dan perhitungan berbagai operasi matriks yang meliputi penjumlahan, pengurangan, perkalian, invers dan fungsi matriks lainnya. b. Menyediakan fasilitas untuk memplot struktur gambar (kekuatan fasilitas grafik tiga dimensi yang sangat memadai). c. Script program yang dapat diubah sesuai dengan keinginan user. d. Jumlah routine-routine powerful yang berlimpah dan terus berkembang. e. Kemampuan interface (misal dengan bahasa C, word dan mathematica). f. Dilengkapi dengan toolbox, simulink, stateflow dan sebagainya, serta mulai melimpahnya source code di internet yang dibuat dalam matlab ( contoh toolbox misalnya : signal processing, control system, neural networks dan sebagainya).

Simulink Pada Matlab Pada program Matlab tersedia fasilitas Simulink, dengan simulink kita bisa mensimulasikan plant, sistem, dan lain sebagainya, kita dapat menganalisa error dari model yang kita buat dengan melihat tampilan grafik yang merupakan hasil komputasi dari fungsi transfer yang kita rancang Dengan simulink ini pula penulis dapat membuat simulasi fuzzy logic dan neuro fuzzy gas metering station. JREC Journal of Electrical and Electronics Vol 2. No.1

JREC Journal of


METODELOGI Metode penelitian yang digunakan dalam penelitian ini adalah metode penelitian deskriptif korelasional

dengan pendekatan kuantitatif

berupa pengumpulan dan pengukuran data yang

berbentuk angka atau pendekatan kualitatif berupa hasil simulasi. Metode deskriptif lebih luas dari metode survey, sehingga metode survey merupakan bagian dari penelitian deskriptif. Terkait dengan ini Sukmdiana, N.S, (2011), berpendapat bahwa : 1.

Deskripsi merupakan hal alamiah sesuai kenyataan kehidupan.

2.

Deskriptif mencakup makna lebih luas (kuantitaif dan kualitatif).

3.

Lebih lengkap dari metode survey dengan observasi dan studi dokumenter.

4.

Deskriptif merupakan penelitian paling dasar dari peneitian eksperimen.

5.

Cocok bagi peneliti pemula dalam pengembangan kemampuan penelitian.

Mulai

Studi literature dan tinjauan pustaka Pengolahan data

Perancangan dan simulasi PID

Perancangan dan simulasi Neuro Fuzzy

Logika Pengolahan dan Analisa hasil perancangan dan simulasi

Kesimpulan

SELESAI Gambar 2.. Flow chart diagram alir penelitian. Langkah-langkah dalam penelitian yang meliputi pemahaman secara teoritis metode pengendalian hal-hal yang berkaitan dengan penelitian,khususnya referensi pengembangan penelitian yang JREC Journal of Electrical and Electronics Vol 2. No.1

JREC Journal of


berkenaan dengan gas metering dan tekanan. Pada tahapan tinjuan pustaka ini juga akan dilakukan pengolahan data primer maupun sekunder [kuantatif- kualitatif] yang diperoleh dan tahap penelitian bahan ( bukaan valve, tekanan, arus dst) dalam tahapan ini juga perlu diperhitungan bagaimana dinamika proses plant. Pada analisa atau pengolahan data, kebutuhan sistem dan penyelesaiannya akan akan diketahui. Pada tahap rancangan meliputi rancangan control PID dan pengendalian neuro fuzzy Hasil perancangan yang telah dilakukan akan diterapkan secara sirnulasi software dengan menggunakan Mathlab for windows yang akan menampilakan respon keluaran dan plant yang dimodelkan. Pada tahap pengolahan dan analisa ini dilakukan analisa terhadap hasil simulasi software yang telah dilakukan pada pada tahap perancangan pengendalian. Untuk mengetahui sejauh mana performansi sistem dalam mengatasi permasalahan. Setiap kali diumpankan masukan sinyal pengendali apakah program mampu menghasilkan keluaran sinyal kendali yang diharapkan atau sesuai dengan kebutuhan pengguna.. Proses ini dilakukan untuk mengetahui bahwa program benarbenar dapat berjalan tanpa mengalami gangguan. Selanjutnya akan diakukan perbandingan terhadap hasil

pengendalian PID

dengan pengendalian neuro fuzzy. Dari perbandingan ini diperoleh

pengendali yang optimal sebagai pengendali tekanan pada Gas Metering Station.

ANALISA DAN PEMBAHASAN Pada off site unit produksi terdapat gas metering station yang terfungsi mengukur besarnya gas alam yang diperoleh dari PT. Pertamina yang selanjutnya didistribusikan pada pabrik amonia Urea Chemical Plant.

PI PIC 504

PI

PT

PT

PT

PT

PT

SSV

PCV

PT PT

Gambar 3. PID Gas Metering Station

JREC Journal of Electrical and Electronics Vol 2. No.1

JREC Journal of


Pemodelan Matematik Pemodelan matematis adalah proses perhitungan sistem fisik menjadi model matematis agar dapat dianalisa dengan alat bantu komputasi. Perilaku dan sifat sistem dapat diwakili dengan model matematis. Model matematis akan memberikan gambaran hubungan fungsional antara masukan dan keluaran suatu proses. Dari model matematis yang diperoleh dibuat fungsi alih yang berguna dalam tahap analisa. Setelah model matematis selesai dibuat, tahap selanjutnya adalah mengujinya dengan bantuan Matlab. Dalam penurunan model matematis ,digunakan persamaan model matematis untuk laju aliran dan aktuator valve yang ditransformasikan dalam domain laplace Qs(s) U(s)

=

GV ťv. S+1

Karena PC 504 menggunakan Cv dengan equal percentage maka laju aliran sebanding dengan posisi stem,

KV = Qs ln (∂) 15 - 9

selanjutnya dicari gain transduser sebagai pengubah sinyal listrik unit pengendali menjadi tekanan yang diinginkan. Kip = 15 - 9 = 0,75 psi/mA 20 - 12 Dengan melakukan interpolasi lagrange diperoleh persamaan time konstan kontrol valve Tv(x) = ∑Tv (xk) .Lk (x). Selanjutnya diperoleh time respon PC 504 yang didapat dari hubungan volume diafragma ,panjang tubing dan diameter tubing yang menghubungkan PC 504 dengan unit pengendali. Dari data dilapangan untuk volume diafragma valve 120 in³ jarak kontrol valve dari unit pengendali 1 m serta diameter tubing ¼ in. Dari laju aliran yang masuk, KV = 0.086. Grafik respon waktu transien diperoleh data lagrange Xo=100ft; To=11dtk ; X1=200ft ;T1=15dtk ; X2=250ft ;T2=17,5dtk. Dengan menggunakan interpolasi lagrange diperoleh persamaan derajat dua dengan masukan time konstan dengan panjang tubing, T(x)=3,3 10³x ² + 0,02x + 8,32 sehingga diperoleh besar kontrol valve dengan panjang tubing 3.3 ft adalah 8.5 detik . Persamaan model matematis kontrol valve menjadi : P2(s) = U(s)

0,4 8,5s + 1 JREC Journal of Electrical and Electronics Vol 2. No.1

JREC Journal of


Perubahan tekanan yang terjadi pada PC504 menyebabkan terjadinya resistansi pada sensor yang akan dikonversikan menjadi arus listrik oleh transmitter. Elemen transmitter tekanan merupakan interface antara proses dengan sistem kontrol. Transmitter yang digunakan dalam perancangan ini adalah gauge pressure transmitter dimana sensing elemen diafragmanya mempunyai hubungan linear antara besaran yang diukur dengan range tranmiter. Perubahan tekanan yang terjadi pada PC 504 menyebabkan terjadinya resistansi pada sensor yang akan dikonversikan menjadi arus listrik oleh transmitter. Fungsi transfer dari sensor dan transmitter tekanan didekati dengan sistem orde satu: Pc (s) = Pt (s)

GTp tp.s + 1

Gain transmitter :

Gtp = span sinyal keluaran = 2 Span tek

Fungsi transfer transmitter = 2 o.2S + 1

Persamaan model matematis dan diagram blok kontrol valve dan transmiter sebagai berikut : 2 0.2S + 1 Gambar 4. Diagram blok fungsi transfer transmitter

Pc(s)

U(s)

E(s)

CV1

Pt(s)

0.4 0.26

Kc mA

8.5s + 1

kg/cm²

2 4.6 mA

0.2S S + +5 1

Gambar 5. Diagram blok sistem pengendalian JREC Journal of Electrical and Electronics Vol 2. No.1

JREC Journal of


Perancangan PID Fungsi alih H(s) pada sistem kontrol PID :

Sistem kontrol PID terdiri dari tiga buah cara pengaturan yaitu kontrol P (Proportional), D (Derivative) dan I (Integral). Dalam perancangan sistem kontrol PID adalah mengatur parameter P, I atau D agar tanggapan sinyal keluaran sistem sesuai dengan yang diiginkan. Dalam sistem kontrol PID, digunakan trial & error. Hal ini disebabkan karena parameter Kp, Ki dan Kd tidak independent. Untuk mendapatkan aksi kontrol yang baik diperlukan langkah coba-coba dengan kombinasi antara P, I dan D sampai ditemukan nilai Kp, Ki dan Kd sesuai dengan respon system mencapai set point 25 kg/m2 . Dalam perancangan di ujikan penggunaan nilai Kp 1, Ki 2 dan Kd 1 dengan hasil antara karakteristik aksi pengontrolan proporsional

mengurangi waktu naik, menambah overshoot, dan

mengurangi kesalahan keadaan tunak. Penambahan aksi kontrol P mempunyai pengaruh mengurangi waktu naik dan kesalahan keadaan tunak, tetapi konsekuensinya overshoot naik cukup besar. penggunaan control Proporsional Derivative (PD)

mengurangi overshoot dan waktu turun, tetapi

kesalahan keadaan tunak tidak mengalami perubahan yang berarti.Integral Controller memiliki karakteristik mengurangi waktu naik, menambah overshoot dan waktu turun, serta menghilangkan kesalahan keadaan tunak berikut table tanggapan yang sudah diuji cobakan Tabel .1 Tanggapan system control PID terhadap perubahan parameter Tanggapan

Waktu naik

Overshoot

Waktu turun

Proporsional

Menurun

Meningkat

Perubahan kecil

Integral

Menurun

Meningkat

Meningkat

Derivative

Perubahan kecil

Menurun

Menurun

Pada uji nilai Kp. 2, Ki 1 dan Kd 0 dihasilkan grafik sisem kontrol yang diinginkan.

Perancangan Neuro Fuzzy Data yang akan dilatih: Tabel 2.1 Data training JREC Journal of Electrical and Electronics Vol 2. No.1

JREC Journal of


Jangkauan error

Perubahan error

Aksi katup

56

1

1.74

45

1

1.74

32

1

1.71

29

1

1.68

28

1

1.67

15

0

1.33

10

0

1.25

0

0

0.90

-8

0

0.72

-15

0

0.62

-28

-1

0.3

-30

-1

0.3

Kolom paling kanan merupakan aksi katup, yakni membuka, menutup setengah, dan menutup berturut-turut dengan angka 1, 0.5 dan 0. Kolom ditengah menggambarkan laju perubahan error yang menyatakan tinggi, tidak berubah dan menurun berturut-turut diisi dengan nilai 1, 0, dan -1. Kolom pertama menyatakan jangkauan error antara masukan aliran gas (flow) dengan keluaran. Training dilakukan dengan anfis edit pada Matlab:

Gambar 6. Editor ANFIS

Masukkan data training tersebut dilanjutkan dengan menentukan Fuzzy yang akan dihasilkan. Disini dipilih tiga Fungsi keanggotaan di tiap-tiap masukan.


JREC Journal of


Gambar 7. Perencanaan Fuzzy yang Akan Dilatih

Fuzzy yang dihasilkan lewat mekanisme ANFIS tampak pada gambar di bawah ini:

Gambar 8. Struktur ANFIS neuron yang berisi rule terbentuk berdasarkan data pelatihan.

Gambar 9. Training error

Setelah proses training error selesai, menghasilkan Fuzzy hasil dari ANFIS. Hasil perancangan yang telah dilakukan akan diterapkan secara simulasi dengan menggunakan Matlab.7.7.0 for windows dengan menampilkan hasil keluaran dari plant yang telah dimodelkan. Perancangan sistem kontrol ini diperlukan untuk menunjukkan gambaran tanggapan sistem dengan sinyal masukan dan aksi pengontrolan yang meliputi : (1)Tanggapan sistem terhadap masukan yang JREC Journal of Electrical and Electronics Vol 2. No.1

JREC Journal of


dapat berupa fungsi step, (2) Kestabilan sistem yang dirancang, (3)Tanggapan sistem terhadap berbagai jenis aksi pengontrolan.

Simulasi Simulasi dilakukan untuk mengetahui sejauh mana performansi sistem dalam mengatasi permasalahan yang akan dihadapi, sistem

akan disimulasikan dengan menggunakan PID dan

pengendali neuro fuzzy. Dalam perancangan sistem control PID

yang perlu dilakukan adalah

mengatur parameter P, I dan D agar tanggapan sinyal keluaran sistem terhadap masukan sesuai yang diinginkan. Nilai Proportional 2, Integral 1 dan Derivative 0. Simulasi, dengan

menggunakan

SIMULINK pada Matlab, sebagai berikut:

Gambar 10. Sistem Pengendalian PID pada GMS

Gambar 11. Respon Sistem Pengendalian PID pada GMS


JREC Journal of


Gambar 12. Hasil Simulasi Pengendalian PID pada GMS Respon yang dihasilkan saat menggunakan PID, menunjukkan respon pada detik ke 6 respon telah mencapai setpoint tetapi diikuti juga adanya overshoot detik ke 8 dengan tekanan maxovershoot mencapai 31 kg/cm2 Tabel 3.. Tanggapan sistem kontrol PID terhadap perubahan parameter P, I dan D Time Respon Tanggapan Lup Tertutup

Overshoot

Settling

Set Point

Time 7 detik

31 kg/cm2

28 detik

25 kg/cm2

Selanjutnya untuk mengetahui kestabilan sistem maka akan dilakukan pengujian terhadap nosie pada pengendali PID

Gambar 13. Respon Sistem Pengendalian PID pada GMS JREC Journal of Electrical and Electronics Vol 2. No.1

JREC Journal of


Gambar 14. Respon Sistem Pengendalian PID pada GMS

Gambar 15. Sistem Pengendalian Neuro Fuzzy pada GMS


JREC Journal of


Gambar 16. Hasil Simulasi Pengendalian Neuro Fuzzy pada GMS Hasil simulasi menunjukkan settling time pada detik ke 8, respon sistem dijaga pada keluaran sekitar 25 kg/cm2 atau sesuai dengan nilai setpoint yang dikendalikan dan tidak terjadi overshoot.

Time Respon

Overshoot

Settling

Tanggapan Lup Tertutup

Set Point

Time 14 detik

-

14 detik

25 kg/cm2

Selanjutnya untuk mengetahui kestabilan sistem maka akan dilakukan pengujian terhadap nosie pada pengendali Neuro Fuzzy

Gambar 17. Respon Sistem Pengendalian pada Neuro GMS


JREC Journal of


Gambar 18. Respon Sistem Pengendalian Neuro pada GMS

Gambar 19. Perbandingan Sistem Pengendalian PID dan Neuro Fuzzy pada GMS


JREC Journal of


Gambar 20. Hasil Simulasi Perbandingan Pengendalian PID dan Neuro Fuzzy pada GMS Berdasarkan simulasi perbandingan, menunjukkan PID mempunyai time respon yang lebih cepat, tetapi terjadi overshoot. Sedangkan dimana sistem dapat

Neuro Fuzzy lebih bagus dalam mencapai keadaan steady,

mengikui set point yang di berikan. Dengan demikian perancangan

pengendalian dengan neuro fuzzy

menghasilkan kontrol tekanan yang lebih baik dari sistem

sebelumnya.

Tabel 4. Respon Perbandingan pengendali PID, Neuro dan Tanpa Kontroler PENGENDALI

Time Respon

Overshoot

Settling

Set Point

Time 2

PID

7 detik

31 kg/cm

28 detik

25 kg/cm2

Neuro Fuzzy

14 detik

-

14 detik

25 kg/cm2

Selanjutnya untuk mengetahui perbandingan kestabilan sistem maka akan dilakukan pengujian terhadap nosie pada masing-masing pengendali PID dan Neuro Fuzzy sebagai berikut:


JREC Journal of


Gambar 21. Simulasi perbandingan noise pada pengendali

Hasil simulasi uji noise menunjukkan grafik perbandingan ketiga pengendali dalam merespon gangguan (noise) yang diberikan.

Gambar 22. Grafik Respon perbandingan uji noise pada tiga pengendali Berdasarkan respon simulasi dengan uji noise pada pengendali Neuro, grafik menunjukkan Neuro fuzzy menunjukkan respon yang bagus pada gangguan yang diumpankan pada sistem, baik pada 3,-3 maupun 6,-6. Pada pengendali PID, menunjukkan respon grafik yang tidak mengikuti trend dari noise, karena masih terlihat adanya overshoot (ditunjukkan pada gambar 4.18). Pada pengendali neuro fuzzy menunjukkan respon grafik yang dapat mengikuti trend dari noise. Hal ini menunjukkan pengendali neuro fuzzy mampu bertahan dalam mengatasi gangguan dengan waktu penetapan 17 detik, sedangkan respon tanpa pengendali tidak bisa merespon sistem (setpoint) dan tidak bisa JREC Journal of Electrical and Electronics Vol 2. No.1

JREC Journal of


merespon gangguan yang diberikan.

Sesuai dengan

teori s istem kontrol yang baik

apabila

mempunyai tanggapan yang baik terhadap sinyal masukan serta mempunyai kestabilan system yang handal, maka sistem kontrol Neuro Fuzzy menunjukkan performansi yang lebih baik untuk mengendalikan tekanan pada Gas Metering Station.

SIMPULAN Berdasarkan analisa

dapat disimpulkan bahwa Pada uji simulasi pengendali PID,

menunjukkan kecepatan respon pada detik ke 6 detik tetapi masih diikuti adanya overshoot 31 kg/cm2 . Settling Time terjadi pada

detik ke 28, set point 25 kg/cm2 Pada simulasi neuro fuzzy

menunjukkan respon sistem pada detik ke 8, settling time dan set point terkendali pada keluaran 25 kg/cm2 atau sesuai dengan nilai setpoint yang dikendalikan dan tidak terjadi overshoot. Pada simulasi uji perbandingan PID dan neuro fuzzy menunjukkan respon sistem neuro fuzzy pada detik ke 8, settling time dan set point terkendali pada keluaran 25 kg/cm2 atau sesuai dengan nilai setpoint yang dikendalikan dan tidak terjadi overshoot. Pada uji noise, grafik yang tidak

pengendali PID menunjukkan respon

mengikuti trend dari noise, karena masih terlihat adanya overshoot. Pada

pengendali neuro fuzzy menunjukkan respon grafik yang dapat mengikuti trend dari noise. Hal ini menunjukkan pengendali neuro fuzzy mampu bertahan dalam mengatasi gangguan dengan waktu penetapan 17 detik, sedangkan respon tanpa pengendali tidak bisa merespon sistem (setpoint) dan tidak bisa merespon gangguan yang diberikan. Pengendali neuro fuzzy

menunjukkan performansi

sistem yang stabil dibandingkan dengan PID, karena tingkat kestabilan bila terjadi gangguan eksternal seperti perubahan set point dan perubahan beban pada sistem maupun gangguan internal seperti peruhahan parameter plant dapat diatasi dengan haik, sehingga kondisi off spec tidak akan terjadi.

SARAN Pada penelitian lebih lanjut terutama gas metering station, selain perancangan dengan pengendali neuro fuzzy juga perlu pengembangan dengan metode-metode yang lain. Disamping itu diperlukan analisa yang lebih cermat menyangkut cost/segi ekonomisnya

DAFTAR PUSTAKA JREC Journal of Electrical and Electronics Vol 2. No.1

JREC Journal of


Seta Samsiana, 2012 Perancangan system pengendalian tekanan pada GMS menggunakan metode neuro fuzzy Frans Guterus, 1994. Falsafah Dasar ; Sistem Pengendalian Proses, Elex Media Computindo,Jakarta. Fuller. R, 2000, Introduction to Neuro Fuzzy System, Advance in Soft ComputingPhysica-VerlagHeidelberg Les Driskell, 1983.Control Valve Selection and Sizing,Instrument Society of America. Shahian B dan M.Hassul. 1993.Control System Design Using mathlab,Prentige Hall , Inc. Imam Abadi, Aulia Siti Aisjah, Riftyanto N.S. 2006. Aplikasi Metode Neuro- Fuzzy Pada Sistem Pengendalian Antisurge Kompresor Jurnal Teknik Elektro Vol. 6, No. 2, September 2006 Defit Sarjon.2013. Perkiraan Beban Listrik Jangka Pendek dengan Metode Adaptive Neuro Fuzzy System.Jurnal Ilmiah Saintikom. Universitas Putra Indonesia “YPTK” Padang,Sumatera Barat. Vol. 12, No. 3, September 2013 Seta Samsiana.2014.Penerapan Neuro Fuzzy pada Pengendali Tekanan Gas Metering Station. JREC. Vol 3. No 2

PID (Proportional-Integral-Derivative) Controller, . https://putraekapermana wordpress.com/2013/11/21/pid/ diakses pada tanggal 20 April 2015

Ratna Ika Putri, Mila Fauziyah, Agus Setiawan. 2009.Penerapan Kontroler Neural Fuzzy Untuk Pengendalian Kecepatan Motor Induksi 3 Fasa Pada Mesin Sentrifugal.Jurnal INKOM, Vol. III, No. 1-2, Nop 2009 Seta Samsiana, 2009. Perancangan sistem pengendalian tekanan pada gas metering station menggunkan metoge logika fuzzy. RESULTAN. 2009 Candra Dewi, Dany Primanita Kartikasari,2014. Yusi Tyroni MursityoPREDIKSI CUACA PADA DATA TIME SERIES MENGGUNAKAN ADAPTIVENEURO FUZZY INFERENCE SYSTEM (ANFIS). Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK). Vol. 1, No. 5, April 2014, hlm. 18-24


JREC Journal of

Seta Samsiana Jurusan Teknik Elektro, FTE Universitas Islam 45 Bekasi Jl. Cut Meutia No.83 Bekasi

Recommend Documents