Tugas VIII (Aplikasi Fuzzy Logic Control)

Makalah :Makalah

"Perancangan Logika Fuzzy Untuk Penilaian Mutu The Hitam Orthodox”

­­­­

Pembahasan kelompok :

Aplikasi Logika Fuzzy yang digunakan metode Smallest of Maximum (SOM). Metode ini dipilih karena dapat memberikan hasil yang lebih baik dibandingkan dengan metode defuzzifikasi yang lain. Metode SOM memiliki karakteristik lebih ketat dalam memberikan nilai, sehingga nilai – nilainya cenderung lebih kecil dari pada metode yang lain. Metode SOM ini akan memberikan nilai yang besar apabila varibel – variabel inputnya memang layak untuk diberi nilai yang besar.

Kualitas teh merupakan sekumpulan sifat-sifat yang dikehendaki dari the diantaranya kenampakan fisik the kering (outer quality) dan kualitas dalam (inner quality).  Menurut ketentuan SNI-1902-2000 (Badan  Standarisasi Industri, 2000), syarat mutu dari teh hitam ditentukan berdasarkan karakteristik :

1.  Ukuran partikel

2.  Kenampakan (appearance) teh hitam, yang meliputi :

• Bentuk, ukuran serta beratnya

• Tip (jumlah, warna dan keadaan)

• Warna partikel

• Kebersihan

3.  Air seduhan (liquor), yang meliputi :

• Warna 

• Rasa

• Bau

4.  Kenampakan ampas seduhan teh (infusion), yang meliputi :

• Warna 

• Kerataan

Salah satu cara untuk menterjemahkan uji mutu inderawi dari tester teh ke dalam proses uji mutu mekanik adalah menggunakan pendekatan metode fuzzy. Alur sistem logika fuzzy dapat dilihat pada Gambar 1. Sistem logika fuzzy digolongkan menjadi empat modul, yaitu :

•  Fuzzifier

•  Defuzzifier

•  Inference Engine

•  Rule Base

 Gambar 1. Struktur Dari Sistem Logika Fuzzy

Data masukan (input) bagi model logika  fuzzy berasal dari hasil penginderaan manusia (tester) terhadap komoditas teh hitam orthodox. Tester yang digunakan untuk membentuk sistem logika  fuzzy ini berjumlah dua orang. Kedua tester memiliki pengalaman lebih dari 10 tahun dalam pengujian mutu teh hitam orthodox. Himpunan  fuzzy yang dibentuk dapat dilihat pada Tabel 1. dan alur input dan outputnya dapat dilihat pada Gambar 2. 

Tabel 1

Dimana himpunan [A,B,C,D,E] memiliki nilai definisi untuk kemudahan proses hitung pada aturan fuzzy atau proses fuzzifikasi sebagai berikut :

Kelas mutu A = 5; kelas mutu B = 4; kelas mutu C = 3; kelas mutu D = 2 dan kelas mutu E = 1.

Gambar 2. Variabel dari setiap criteria

Membuat Aturan Fuzzy (Rule Base)

• Aturan kriteria appeareance :

Dengan penentuan Batas Atas (BA) dan Batas Bawah (BB) pada variabel mutu ini didasarkan pada penilaian mutu teh hitam orthodox.

Jumlah aturan appeareance, yaitu sebanyak 5 x 5 x 5 x 5 = 625 aturan. Contoh bentuk aturan, yaitu :

IF Warna 5 AND Kerataan 5 AND Kebersihan 5 AND Ukuran & Bentuk 5 THEN Mutu 5

IF Warna 5 AND Kerataan 5 AND Kebersihan 5 AND Ukuran & Bentuk 4 THEN Mutu 5

IF Warna 5 AND Kerataan 5 AND Kebersihan 5 AND Ukuran & Bentuk 3 THEN Mutu 5

IF Warna 5 AND Kerataan 5 AND Kebersihan 5 AND Ukuran & Bentuk 2 THEN Mutu 4

• Aturan kriteria liquor :

Penentuan BA dan BB pada variabel mutu ini didasarkan pada penilaian mutu teh hitam orthodox.

Jumlah aturan liquor, yaitu sebanyak  5 x 5 x 5 = 125 aturan. Contoh bentuk aturan, yaitu :

IF Warna Air 5 AND Kekuatan 5 AND Aroma 5 THEN Mutu 5

IF Warna Air 5 AND Kekuatan 5 AND Aroma 4 THEN Mutu 5

IF Warna Air 5 AND Kekuatan 5 AND Aroma 3 THEN Mutu 4

IF Warna Air 5 AND Kekuatan 5 AND Aroma 2 THEN Mutu 4

• Aturan kriteria infused:

Penentuan BA dan BB pada variabel mutu ini didasarkan pada penilaian mutu teh hitam orthodox.

Jumlah aturan infused, yaitu sebanyak 5 x 5 = 25 aturan. Contoh bentuk aturan, yaitu :

IF Warna 5 AND Kerataan 5 THEN Mutu 5

IF Warna 5 AND Kerataan 4 THEN Mutu 5

IF Warna 5 AND Kerataan 3 THEN Mutu 4

IF Warna 5 AND Kerataan 2 THEN Mutu 4

• Aturan kriteria mutu akhir:

Penentuan BA dan BB pada variabel mutu ini didasarkan pada penilaian mutu teh hitam orthodox.

Jumlah aturan liquor, yaitu sebanyak  5 x 5 x 5 = 125 aturan. Contoh bentuk aturan, yaitu :

IF Warna Air 5 AND Kekuatan 5 AND Aroma 5 THEN Mutu 5

IF Warna Air 5 AND Kekuatan 5 AND Aroma 4 THEN Mutu 5

IF Warna Air 5 AND Kekuatan 5 AND Aroma 3 THEN Mutu 4

IF Warna Air 5 AND Kekuatan 5 AND Aroma 2 THEN Mutu 4

Kesimpulan :           

1.      Metode logika fuzzy SOM ini dapat lebih mengobjektifkan hasil penilaian mutu teh hitam orthodox dan mengkoreksi hasil penilaian mutu teh hitam orthodox yang dilakukan oleh para tester.

2.      Berdasarkan uji parametrik LSD dan non-parametrik Mann-Whitney, antara hasil penilaian tester dan hasil penilaian dengan menggunakan logika fuzzy tidak berbeda nyata hasilnya.

referensi dapat di download disini

Tugas VII (Merancang fuzzy logic control untuk aplikasi khusus)

• Spesifikasi sistem yang akan dirancang

Berikut ini adalah salah satu contoh aplikasi fuzzy logic yang digunakan untuk pengaturan putaran kipas angin. Dimana kipas akan menyesuaikan putaran nya dengan suhu ruangan dan jumlah orang yang ada di dalam ruangan nya.

• Masukan dan Keluaran

Input yang diberikan adalah suhu udara dan jumlah orang yang ada di dalam ruangan. Output nya adalah kecepatan putaran kipas angin.

 Gambar1. Tampilan Input dan output

• Proses fuzzification

Pada proses fuzzification suatu besaran analog dimasukkan sebagai input (crisp input), lalu input tersebut dimasukkan pada batas scope / domain sehingga input tersebut dapat dinyatakan dengan label (dingin, panas, cepat, dll) dari membership function. Pada program ini input yang diberikan adalah suhu udara dengan label dingin, sedang dan panas , serta jumlah orang dengan label sedikit, sedang dan banyak. 

• Membership Function

Membership Function pada program ini adalah ;

Input    - Suhu udara dengan label : Dingin , Hangat dan Panas dengan range 20-80

-Jumlah orang dengan label : Sedikit, Sedang, dan Banyak dengan range 5-20

Output  - Putaran kipas dengan label : Lambat, Sedang, dan Cepat dengan Range 20-50

Gambar 2. Membership function suhu udara

Gambar 3. Membership Function untuk jumlah orang

• Rule base

Berikut adalah rule base yang digunakan pada program ini

Gambar 4. Rule base

• Defuzzification

Suatu nilai fuzzy output yang berasal dari rule evaluation diambil kemudian dimasukkan ke dalam suatu membership function output. Besar nilai fuzzy output dinyatakan sebagai degree of membership function output. Nilai-nilai tersebut dimasukkan ke dalam suatu rumus yang dinamakan COG (Center Of Gravity) untuk mendapatkan hasil akhir yang disebut crisp output. Crisp output adalah suatu nilai analog yang akan  kita butuhkan untuk mengolah data pada sistem yang telah dirancang. Sehingga didapatkan hasil sebagai berikut : 

Gambar 5. Output yang dihasilkan

Gambar 6. Sistem Keseluruhan fuzzy logic

Kesimpulan 

1.      Fuzzy logic dapat digunakan untuk pengendalian dengan ketelitian yang tinggi.

2.      Pada Gambar 6 terlihat bahwa output dipengaruhi oleh kedua inputnya, yaitu suhu udara dan jumlah orang. Dengan catatan Input 1 (Suhu udara) adalah sumbu X, Input 2 (Jumlah orang) adalah sumbu Y, dan output (Kecepatan putaran kipas) adalah Sumbu Z.

 

Tugas VI (Makalah Fuzzy Logic)

•  Konsep Dasar Logika Fuzzy

Sistem Fuzzy ditemukan pertama kali oleh Prof. Lotfi Zadeh pada pertengahan tahun 1960 di Universitas California. Sistem ini diciptakan karena boolean logic tidak mempunyai ketelitian yang tinggi, hanya mempunyai logika 0 dan 1 saja. Sehingga untuk membuat sistem yang mempunyai ketelitian yang tinggi maka kita tidak dapat menggunakan boolean logic. Bedanya fuzzy dengan boolean logic dapat diilustrasikan pada gambar 1.

Dari contoh gambar 1, pada saat suhu berada pada 75° maka sistem yang pertama akan bingung karena batas kondisi dingin < 75 dan kondisi panas > 75°, pada fuzzy logic, suhu 75° dapat dinyatakan dengan 0.50 dingin dan 0.50 panas. Pengambilan nilai 0.50 berasal dari proses fuzzifikasi yang akan diterangkan pada proses fuzzification.

• Blok Diagram Fuzzy logic Control

 Gambar 2. Blok Diagram Fuzzy Logic Control

• Fuzzification

Gambar 3. Proses Fuzzification

Fuzzifikasi yaitu suatu proses untuk mengubah suatu masukan dari bentuk tegas (crisp) menjadi fuzzy (variabel linguistik) yang biasanya disajikan dalam bentuk himpunan-himpunan fuzzy dengan suatu fungsi kenggotaannya masing-masing. Contoh dari proses Fuzzification adalah seperti yang ditunjukkan di gambar 4. Sebuah sistem fuzzy untuk mengukur suhu mempunyai 5 buah membership function yang mempunyai label sangat dingin, dingin, hangat, panas, sangat panas. Kemudian input yang diperoleh dari crisp input adalah 47° maka pengambilan fuzzy input-nya adalah seperti pada gambar 4.

Gambar 4. Proses perubahan dari crisp input menjadi fuzzy input

Sehingga didapat 2 fuzzy input yang masing-masing adalah: dingin (x2) dan hangat (x1). Nilai x1 dan x2 dapat dicari dengan rumus persamaan garis. Yang menentukan sistem anda sensitif atau tidak adalah membership function ini. Jika membership function-nya banyak maka sistem anda menjadi sensitif. Yang dimaksud dengan sensitif dalam hal ini adalah jika input-nya berubah sedikit saja maka sistem akan cepat merespon dan menghasilkan suatu output lain. Output dari proses fuzzification ini adalah sebuah nilai input fuzzy atau yang biasanya dinamakan fuzzy input.

• Membership Function

Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya yang memiliki interval antara 0 sampi 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. 

• Rule Base

Gambar 5. Diagram blok proses Rule Evaluation

Basis aturan berisi aturan-aturan fuzzy yang digunakan untuk pengendalian sistem. Aturan-aturan ini dibuat berdasarkan logika dan intuisi manusia, serta berkaitan erat dengan jalan pikiran dan pengalaman pribadi yang membuatnya. Jadi tidak salah bila dikatakan bahwa aturan ini bersifat subjektif, tergantung dari ketajaman yang membuat. Aturan yang telah ditetapkan digunakan untuk menghubungkan antara variabel-variabel masukan dan variabel-variabel keluaran. Aturan ini berbentuk ‘JIKA – MAKA’ (IF ± THEN). Prosesnya adalah sebagai berikut: suatu nilai fuzzy input yang berasal dari proses fuzzification kemudian dimasukkan kedalam sebuah rule yang telah dibuat untuk dijadikan sebuah fuzzy output.

• Defuzzifikasi 

 Gambar 6. Proses Defuzzification

Defuzzifikasi dapat didefinisikan sebagai proses pengubahan besaran fuzzy yang disajikan dalam bentuk himpunan-himpunan fuzzy keluaran dengan fungsi keanggotaannya untuk mendapatkan kembali bentuk tegasnya (crisp). Hal ini diperlukan sebab dalam aplikasi nyata yang dibutuhkan adalah  nilai tegas (crisp). Prosesnya adalah sebagai berikut: suatu nilai fuzzy output yang berasal dari rule evaluation diambil kemudian dimasukkan ke dalam suatu membership function output. Bentuk bangun yang digunakan dalam membership function output adalah bentuk singleton yaitu garis lurus vertikal ke atas, seperti yang ditunjukkan pada gambar 6. Besar nilai fuzzy output dinyatakan sebagai degree of membership function output. Nilai-nilai tersebut dimasukkan ke dalam suatu rumus yang dinamakan COG (Center Of Gravity) untuk mendapatkan hasil akhir yang disebut crisp output. Crisp output adalah suatu nilai analog yang akan  kita butuhkan untuk mengolah data pada sistem yang telah dirancang.          

Tugas V (Makalah Aplikasi JST)

1. Makalah yang akan dibahas oleh kelompok 4, berjudul :

Aplikasi Jaringan Saraf Tiruan pada Shunt Active Power Filter Tiga Fasa

2. Pembahasan kelompok :

Aplikasi Jaringan Syaraf Tiruan yang digunakan dengan metode kompensasi dapat digunakan sebagai rangkaian control untuk menghasilkan arus referensi untuk Shunt Active Power Filter yang diperoleh dari arus beban.

Shunt Active Power Filter adalah Current Controlled Voltage Source Inverter (CC-VSI) tiga fasa yang dihubungkan pada Point of Common Coupling (PCC), yang digunakan untuk mengatasi timbulnya harmonisa pada system tenaga listrik dan digunakan untuk mengatasi terjadinya penurunan kualitas daya listrik akibat dari banyaknya pengoperasian peralatan beban non linear. Agar rangkaian dapat bekerja dengan stabil dan arus dapat mengalir, maka tegangan CC-VSI pada sisi DC harus lebih besar daripada tegangan peak-to- peak pada sisi AC.

Beberapa sinyal periodik dapat digambarkan sebagai penjumlahan komponen sinus dan cosinus. Berikut ini merupakan gambar arsitektur Jaringan Syaraf Tiruan yang digunakan :

                        Gambar 1. Arsitektur Jaringan Syaraf Tiruan

Jaringan saraf tiruan memiliki N pasang input arus konstan dimana setiap pasang input terdiri atas input sinus dan cosinus dan merepresentasikan komponen fundamental dan komponen harmonisa dari arus beban. Bobot setiap input dari jaringan saraf tiruan merepresentasikan amplitudo dari arus fundamental atau arus harmonisa. Output dari jaringan saraf tiruan adalah arus beban estimasi (i_est)dan arus beban fundamental estimasi (i_p).  Pemodelan rangkaian kontrol pada Matlab Simulink untuk memperoleh nilai bobot W dengan algoritma Widrow-Hoff dapat digambarkan sebagai berikut:

Gambar 2. Rangkaian Kompensasi Jaringan Syaraf Tiruan dalam Matlab Simulink

Hasil simulasi

Konsep Shunt Active Power Filter dengan metoda kompensasi jaringan saraf tiruan telah dibuktikan dengan simulasi komputer menggunakan gabungan PSIM dan Matlab Simulink.

Gambar 3. Arus Input Beban

Arus input di atas merupakan arus beban tak linier yang telah terdistorsi oleh harmonisa.

 Gambar 4. Arus kesalahan

 Gambar 5. Arus estimasi

Arus estimasi merupakan selisih antara arus input dan kesalahan. Semakin kecil nilai kesalahan, maka arus estimasi akan semakin menyerupai arus input.

Dengan menggunakan jaringan saraf tiruan, diperoleh arus referensi 3 fasa bagi CC-VSI. Dari operasi CC-VSI sebagai Shunt Active Power Filter diperoleh arus sumber 3 fasa yang berbentuk sinusoidal dan seimbang. Dari sini dapat diketahui bahwa jaringan saraf tiruan mampu menyesuaikan arus referensi terhadap perubahan beban.

3. Kesimpulan :

·        Dengan mengatur learning rate, jaringan saraf tiruan mampu mengatur bobot W sehingga terbentuk arus referensi.

·        Hasil simulasi menunjukkan bahwa rangkaian Shunt Active Power Filter tiga fasa dengan metode kompensasi jaringan saraf tiruan secara efektif mampu mengatasi arus harmonisa beban.

referensi download disini

nilai tugas mandiri