I.

PENDAHULUAN
Temperatur merupakan suatu keadaan udara pada kondisi tertentu yang biasa dinyatakan dalam
ukuran Celcius, Reamur maupun Fahreinheit. Pengaturan temperatur sering digunakan dalam
berbagai permasalahan, baik dalam bidang industri, rumah tangga, kedokteran dan lain lain.
Dalam era modern, perkembangan teknologi semakin pesat seiring dengan bertambahnya waktu.
Penggunaan furnace sebagai alat untuk pemanas tak lagi menggunakan sistem konvensional
berupa tungku yang besar dengan bahan bakar fosil. Saat ini telah ditemukan dan dikembangkan
penggunaan furnace dengan menggunakan sistem elektris, serta pengaturan kestabilan temperatur
yang lebih baik. Akan tetapi, setiap kemajuan teknologi masih terdapat kekurangan yang harus
diperbaiki dalam kestabilan temperatur pada alat tersebut. Ada beberapa metode yang dapat
diterapkan dalam menangani permasalahan tersebut, seperti logika fuzzy, neural network atau
gabungan dari keduanya yakni neuro-fuzzy.

Fuzzy logic pertama kali diperkenalkan oleh Prof. Lotfi Zadeh (1965) sebagai pengendali dan
proses yang samar atau infomasi lingual. Fuzzy logic telah banyak dikembangkan untuk algoritma
proses pengolahan informasi yang halus sekali dengan masukan yang halus dan transformasi
keluaran yang digunakan untuk pengambilan data yang bermanfaat. Dalam hubungannya dengan
neural network, perkembangan dari fuzzy logic mempunyai sejarah yang sama. Teori dasar dan
algoritma fuzzy logic dikembangkan pada akhir tahun 60-an, dan aplikasi kontrol yang pertama
ditemukan oleh Mamdani. Selama tahun 70-an, Mamdani mengembangkan risetnya sehingga
menemukan self-organizing fuzzy control. Selama tahun 80-an, hanya sebagian kecil saja riset
yang dilakukan di Inggris dan Amerika Serikat, tetapi di Jepang aplikasi kontrol fuzzy logic banyak
sekali dikembangkan.

II. PROBLEM STATEMENT

Pada industri pengolahan logam mulia,diperlukan suatu furnace yang memiliki tingkat derajat
temperatur yang tinggi, yakni sekitar 1200C, serta stabilitas temperatur yang terjaga, maka
diperlukan penggunaan suatu metode neuro-fuzzy predictive yang dapat mengatur serta
memprediksikan kejadian atau kesalahan yang akan terjadi disaat mendatang, sehingga kesalahan
atau gangguan kestabilan temperatur dari furnace dapat diminimalisir sesuai dengan harapan yang
diinginkan. Selain itu, pemanasan yang merata dari furnace dapat menghasilkan hasil yang terbaik
dalam proses pemanasan cetakan emas.

2.1. Kontroler Neuro-fuzzy

Neuro-fuzzy merupakan suatu model yang dilatih menggunakan jaringan syaraf, namun
struktur jaringannya diinterpretasikan dengan sekelompok aturan-aturan fuzzy. Pengertian neuro-
fuzzy adalah gabungan dari prinsip belajar neural network dan adaptasi dari fungsi keanggotaan
dari fuzzy. Prinsip belajar yang digunakan adalah menggunakan metode back propagation dengan
tiga lapis neural network. Bobot jaringan direpresentasikan sebagai fungsi keanggotaan (fuzzy set).
Kesalahan yang diperoleh dari sistem, dipropagasi balik untuk mencari bobot jaringan yang baru,
artinya mencari parameter fungsi keanggotaan dari fuzzy set yang lebih baik.

Teori neural network dengan konsep fuzzy pada prinsipnya yaitu, usaha dalam mengeliminasi
kekurangan dan kelebihan dari setiap metode. Dalam hal ini, kemampuan adaptasi dan belajar dari
neural network dimanfaatkan oleh fuzzy untuk melakukan tuning terhadap parameter fuzzy (fuzzy
tidak memiliki kemampuan belajar). Struktur neuro-fuzzy adalah menempatkan parameter fuzzy
yaitu:
1.Parameter fungsi keanggotaan (center,simpangan dan lain sebagainya),
2. Jumlah basis kaidah ke dalam bobot jaringan neural. Proses belajar neural selanjutnya akan
melakukan perubahan terhadap bobot.

2.2. Kontroler PI (Proporsional dan Integral)

Kontroler PI merupakan kontroler feedforward yang berfungsi mengolah sinyal kesalahan
menjadi sinyal kontrol. Kontroler proporsional ditambah integral (PI) merupakan kontroler yang
aksi kontrolernya mempunyai sifat proporsional dan integral terhadap sinyal kesalahan.
1. Kontroler tipe Proporsioanl Hubungan sinyal kesalahan dan sinyal kontrol pada kontroler
tipe-P dapat dinyatakan sebagai berikut:
() = ()
2. Kontroler tipe Proporsional Integral hubungan sinyal kesalahan dan sinyal kontrol pada
kontroler tipe-PI dapat dinyatakan :
1
() = [() + () ]
1
atau dalam bentuk transfer function,
() (1 + 1)
=
() 1
Perancangan suatu kontroler PI pada dasarnya adalah menentukan dari nilai parameter dan
1 sehingga respon sistem hasil desain sesuai dengan spesifikasi performansi yang diinginkan.
Oleh karena itu, pada perancangan kontroler PI secara analitik, selalu dilakukan dengan beberapa
tahapan antara lain:
1. Menentukan model matematik Plant, model matematik plant dapat diturunkan melalui
hubungan fisik antar komponen atau dengan menggunakan metode identifikasi. Orde dari
model matematik ini hanya boleh orde satu atau dua. jika sistem / plant memiliki orde
tinggi, maka model matematik harus disederhanakan menjadi bentuk orde satu atau dua
2. Menentukan spesifikasi performansi, karena perancangan ini tergolong perancangan
dengan pendekatan respon waktu dan hanya untuk sistem orde satu dan dua, maka ukuran
kualitas respon yang digunakan ukuran kualitas respon waktu. Biasanya digunakan Settling
Time dan persentase kesalahan Steady State untuk pendekatan respon orde satu atau
Settling Time, persentase Overshoot dan persentase kesalahan Steady State untuk
pendekatan respon sistem orde dua.
 3. Merancang kontroler PI, merupakan tahapan akhir dari perancangan meliputi pemilihan
tipe kontroler dan menghitung nilai parameter kontroler. Pemilihan tipe ini erat
hubungannya dengan model dari plant, yaitu jika model plant adalah orde satu, maka tipe
kontroler yang dipilih PI. jika model plant adalah orde dua, maka tipe kontroler yang dipilih
PID.

Sebuah Plant orde I dengan kontroler PI, membentuk sistem umpan balik dengan masukan
R(s) dan keluaran C(s). Closed Loop Transfer Function (CLTF) sistem dapat dituliskan :

() ( + 1)
=
() ( + 1) + ( + 1)
Dari persamaan (4), menunjukkan bahwa orde dari sistem hasil desain tergantung pada
pemilihan harga . Jika dipilih = , maka sistem hasil desain adalah orde satu. Sebaliknya, jika
dipilih , maka sistem hasil desain adalah orde dua.
a. Jika dipilih = , CLTF sistem hasil desain menjadi
() 1
= =
() +
+ 1
Atau
() 1
= = +1 ; Dengan =
()

Sistem hasil desain adalah orde satu, zero offset (%ESS = 0%), dengan time constant
yang baru * Dengan demikian, dapat disimpulkan bahwa: Suatu plant orde kesatu
dengan kontroler PI jika dipilih = , sistem hasil desain adalah sistem orde I dengan
time constant * dan zero off-set.
Berdasarkan hubungan formulasi di atas, parameter dapat dituliskan,

= dan =
Adalah spesifikasi dari

b. Jika , CLTF sistem hasil desain menjadi

Atau dengan

Menujukkan hasil desain adalah orde kedua dengan delay dan zero off-set. Parameter
sistem hasil desain adalah frequency natural, keofisien redaman dan faktor delay . Dapat
disimpulkan bahwa; suatu plant orde satu dengan kontroler PI, jika , sistem hasil
 desain adalah sistem orde kedua , zero off-set, dengan parameter sistem
.Berdasarkan hubungan formulasi di atas,
parameter kontroler dapat di tuliskan

III. NEURO FUZZY PREDICTIVE CONTROL

Dalam perancangan dan desain kontroler dari suatu plant meliputi dari perangkat keras dan
perangkat lunak. Dalam alur proses yang terjadi dapat dilihat pada Gambar 3.1.

Personal Computer (PC) berfungsi dalam pengendalian sistem, dengan penggunaan perangkat
lunak Delphi 7.0 serta penggunaan perangkat keras meliputi dari mikrokontroler, DAC,
Termokopel tipe K, beserta furnace. Sinyal yang dikirim dari PC ke mikrokontroler untuk
pengaturan PWM serta Blower ke bagian furnace.
Pada temperatur furnace mencapai pada yang diinginkan, berdasarkan dari data yang dibaca
oleh thermocouple-K yang dikirimkan ke PC melalui konversi dari analog ke digital. Sehingga
dapat diketahui stabilitas temperatur dari furnace. Penggunaan perangkat keras meliputi dari :
1. Mikrokontroler AVR Atmega 8535
2. Digital Analog Converter 0808
3. Blower (motor DC 12 volt)
4. Termokopel tipe K (- 200oC - + 1200oC)
5. Furnace
Pada plant tersebut, temperatur dari furnace dikendalikan secara otomatis dengan menggunakan
metode kontroler neuro-fuzzy predictive. Penggunaan dari metode kontroler neuro-fuzzy predictive
dapat dilihat pada Gambar 3.2.
Blok diagram neuro-fuzzy predictive terdiri dari 4 bagan penyusun, yakni :
1. Neuro-fuzzy learning
Pada bagan ini meliputi dari peristiwa back propagation, dimana terjadi perbedaan antara
nilai target u(k-1) dengan nilai keluaran estimasi 1 . Perbedaan tersebut menimbulkan
kesalahan, kesalahan digunakan untuk proses back propagasi memperbaiki pembobot yang
baru, agar memiliki nilai yang lebih baik.
2. Neuro-fuzzy mapping
Bagan ini hanya mengalami proses forward sehingga hasil dari neuro-fuzzy mapping secara
langsung dapat dibandingkan dengan sinyal kontrol u(k).
3. Kontroler
Salah satu fungsi komponen kontroler adalah meminimalkan sinyal kesalahan yaitu
perbedaan antara setpoint dan sinyal aktual. Hal ini sesuai dengan tujuan sistem kontrol
yaitu mendapatkan sinyal aktual yang senantiasa (diinginkan) sama dengan sinyal setpoint
4. Plant
Pada prinsipnya, neuro-fuzzy predictive dibangun oleh neural network, fuzzy logic serta
model predictive control. Penggunaan struktur dari neural network serta aturan aturan
dari adaptasi fuzzy logic yang diterapkan pada metode tersebut. Struktur neural network
dengan aturan fuzzy dapat dilihat pada Gambar 3.3.
Model predictive control adalah suatu kontroler yang digunakan untuk mengontrol sekaligus
mengestimasi model matematis dari suatu plant. Secara umum MPC terdiri dari 2 bagian yaitu:
1. Sebagai prediksi eksplisit dari perilaku plant perbaikan yang akan datang.
2. Komputasi perbaikan model sekaligus perbaikan kesalahan plant.
Persamaan umum dari MPC adalah :

kesalahan estimasi dari model matematis dan plant yang terukur adalah:

dimana : e = error vektor

Indeks performansi yang dipilih untuk melihat apakah paramater parameter kontroler tersebut
sudah memenuhi kriteria adalah

dimana : J = indeks performansi minimum

Kebutuhan akan temperatur yang tinggi, serta stabilitas yang harus terjaga ,agar dapat
memenuhi pola pemanasan dari cetakan emas, maka dibutuhkan pengendalian yang dapat
mengurangi osilasi yang terjadi pada saat per ubahan temperatur furnace. Pengaturan dengan
kontrol neuro fuzzy dapat mengurangi terjadinya osilasi. Sedangkan untuk kontrol prediktif
mengatasi ketidaklinearan dari sistem tersebut.

IV. HASIL DAN ANALISA

Pengambilan data tidak hanya dapat diambil langsung dari plant nyata, melainkan juga dapat
dilakukan dengan menggunakan simulasi. Penggunaan simulasi dengan bertujuan untuk
membandingkan hasil data simulasi dengan data sebenarnya dari plant. Program simulasi untuk
furnace menggunakan bahasa pemrograman Matlab.
 Dari Gambar 4.1 dapat diketahui variasi kenaikan temperatur terhadap waktu. Saat furnace
diberikan setpoint secara maksimum tanpa gangguan, terlihat grafik respon yang halus setiap
kenaikan derajat temperaturnya. Pengambilan data dilakukan kembali dengan cara simulasi serta
penggunaan gangguan terhadap temperatur furnace, apakah dapat mencapai titik setpoint yang
diberikan dan bersifat stabil. Dapat dilihat pada Gambar 4.2.

Sedangkan, untuk realiisasi plant, respon proses yang terjadi untuk setiap kenaikan temperatur
sangat lambat. Hal itu dapat dilihat pada Gambar 4.3.
 Implementasi pada Gambar 4.4 dan Gambar 4.5 merupakan penggunaan kontroler PI pada
furnace dengan gangguan blower untuk mengetahui performansi sistem.

Mencoba simulasi dengan input gelombang sinus dengan amplitudo 10 pada tampilan grafik
dengan nilai alpha/ learning rate yang dapat diubah untuk mengetahui kecepatan tracking pada
sinusnya.

Diberikan masukan berupa sinyal sinus seperti Gambar 4.6, maka simulasi tracking sinyal
masukan dengan learning rate yang berbeda dapat dilihat pada Gambar 4.7. Dengan demikian
maka dapat kita ketahui bahwa Alpha sangat mempengaruhi tracking dari kontrolernya, semakin
besar learning rate - nya semakin cepat kontroler tracking sinyal sinusnya. Sebaliknya, jika
learning rate semakin kecil maka semakin lambat kontroler itu melakukan tracking sinyal pada set
point-nya (sinyal sinus).

Simulasi untuk neuro-fuzzy predictive dapat ditunjukkan pada Gambar 4.8

Grafik respon keluaran tracking dapat diketahui dari memasukkan waktu yang akan datang,
yakni berupa yr(k+1), yr(k+2), yr(k+3), yr(k+4), yr(k+5), dengan setpoint yang telah ditetapkan
sebelumnya. sedangkan untuk keluaran sinyal Yr(k) dapat dilihat pada Gambar 4.9
V. Kesimpulan

Berdasarkan dari hasil penelitian yang telah dilakukan, diperoleh manfaat dari pengembangan
metode fuzzy neural network untuk seluruh parameter, termasuk untuk parameter tuning secara
simultan. Pendekatan metode neuro fuzzy ini akan diimplementasikan pada plant furnace yang
telah banyak diketahui di literatur dan data - data pada proses pengolahan dan pemanasan logam
yang banyak digunakan dalam dunia industri.
Performansi dari Neuro-fuzzy predictive didesain dengan tujuan untuk memprediksikan
kejadian yang akan datang berdasarkan following tracking, merngetahui dan membandingan antara
neuro-fuzzy predictive dengan pendekatan yang lainnya. Hasilnya menunjukkan bahwa
metodologi yang digunakan sangat efektif untuk membangun linguistik yang akurat dari neuro-
fuzzy control dan dibandingkan dengan pendekatan kontroler lainnya seperti kontroler PI
(Proportional + Integral).
DAFTAR PUSTAKA
[1] Zadeh L A, A New Approach to the Analysis of Complex Systems and Decision Process,
IEEE Transaction, System, Man, and Cybernetics, Vol 5, no. 1, 2000 pp.35-50.
 MAKALAH
PERANCANGAN DAN IMPLEMENTASI NEURO-FUZZY PREDICTIVE
BERBASISKAN REAL TIME UNTUK PENGATURAN TEMPERATUR
PADA FURNACE

OLEH :

1. DIMAS RENGGA (14411700)

2. FAJAR BIMA SAKTI (14411700)
3. MUHAMMAD ABDUL ROZAKI (14411700)
4. RIFDHA HENDIANTI KISDINA (1441170096)

PROGRAM STUDI TEKNIK ELEKTRONIKA

JURUSAN TEKNIK ELEKTRO
POLITEKNIK NEGERI MALANG
2016