klasifikasi kecepatan motor arus searah (dc)

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.
Klasifikasi kecepatan motor dc menggunakan fuzzy logic
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
Klasifikasi kecepatan motor dc menggunakan fuzzy logic
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
Klasifikasi kecepatan motor dc menggunakan fuzzy logic
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:
Klasifikasi kecepatan motor dc menggunakan fuzzy logic
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
Klasifikasi kecepatan motor dc menggunakan fuzzy logic
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
Klasifikasi kecepatan motor dc menggunakan fuzzy logic
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
Klasifikasi kecepatan motor dc menggunakan fuzzy logic
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.
Klasifikasi kecepatan motor dc menggunakan fuzzy logic
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
Klasifikasi kecepatan motor dc menggunakan fuzzy logic
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:
Klasifikasi kecepatan motor dc menggunakan fuzzy logic
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
Klasifikasi kecepatan motor dc menggunakan fuzzy logic
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
Klasifikasi kecepatan motor dc menggunakan fuzzy logic
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
Arus keluaran:
I = 133,625 mA
Arus keluaran:
I = 155,663 mA
Arus keluaran:
I = 171,25 mA
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
Klasifikasi kecepatan motor dc menggunakan fuzzy logic
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
Klasifikasi kecepatan motor dc menggunakan fuzzy logic
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.
Klasifikasi kecepatan motor dc menggunakan fuzzy logic
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.
Klasifikasi kecepatan motor dc menggunakan fuzzy logic
81