1. Tujuan
[back]
a. Mahasiswa mampu memahami konsep dasar Fuzzy Kontrol Sisten
b. Mahasiswa mampu merancang Fuzzy Kontrol Sistem
2. Alat dan Bahan
[back]
Alat yang dibutuhkan pada pembelajaran ini yaitu software MATLAB
MATLAB merupakan bahasa pemrograman tingkat
tinggi yang dikembangkan oleh MathWorks dan dikhususkan untuk komputasi
numerik, visualisasi, dan pemrograman.
Tampilan MATLAB:
FUZZY CONTROL SYSTEM
I.
Classical Programmable Logic Control
Programmable Logic
Controller ( PLC ) adalah suatu rangkaian micro controller yang terdiri dari
beberapa bagian, yaitu CPU, Memory, Power suplay, Data Register, Internal
relay, Input / Output Counter dan Timer yang terintegrasi dalam satu perangkat.
Figure
1.
Programmable Logic Controller
Untuk melihat cara
kerja PLC, mari kita perhatikan contoh sederhana pada arm robot yang meletakkan dan mengambil sesuatu benda
dan bekerja dalam siklus otomatis di bawah kendali PLC.
A0: rotate the
base counterclockwise (CCW),
A1: rotate the
base clockwise (CW),
A2: lift the
arm,
A3: lower the
arm,
A4: extend the
arm,
A5: retract the
arm,
A6: close the
gripper,
A7: open the
gripper.
Figure 3. Time duration of activities of the robot arm.
Time duration diatas dapat juga dinyatakan dalam tabel berikut
Ladder Diagram Symbols
II. Fuzzy Logic Control (I):
A. A General Model-Free Approach
Kontroler
fuzzy umumnya dapat digambarkan dengan diagram blok seperti yang ditunjukkan
pada figure 5
B. Design Principle of Fuzzy Logic Controllers (Konsep Desain Kontrol Logika Fuzzy)
Tahapan dalam perancangan Fuzzy Logic Controller (FLC), diantaranya.
1. The Fuzzification Module (Proses Fuzifikasi)
Fuzifikasi merupakan tahapan untuk mengubah nilai fisik (posisi, tegangan, derajat, dll.) sinyal proses, sinyal kesalahan yang merupakan input ke pengontrol logika fuzzy, menjadi fuzzy yang dinormalisasi subset yang terdiri dari subset (interval) untuk rentang input nilai dan fungsi keanggotaan yang dinormalisasi.
2. The Fuzzy Logic Rule Base (Basis Aturan Logika Fuzzy)
Prosedur umum dalam mendesain Fuzzy Logic Rule Base termasuk yang berikut:
a. Determining the process states and control variables (Menentukan status proses dan variabel control)
Contoh : pelacakan Temperature set-point.
.
b. Determining input variables to the controller (Menentukan variabel input ke controller)
c. Establishing a fuzzy logic IF-THEN rule base (Membangun logika fuzzy IF-THEN rule base)
Aturan yang digunakan pada himpunan fuzzy adalah aturan if-then. Aturan fuzzy IF-THEN merupakan pernyataan yang direpresentasikan dengan
IF < proposisi Fuzzy > THEN < proposisi fuzzy >
d. Establishing a fuzzy logic inference engine (membangun inferensi Logika Fuzzy)
Inferensi fuzzy merupakan tahap evaluasi pada aturan fuzzy. Tahap evaluasi dilakukan berdasarkan penalaran dengan menggunakan input fuzzy dan aturan fuzzy sehingga diperoleh output berupa himpunan fuzzy.
Dalam FIS terdapat dua proses yaitu:
1. Implikasi yaitu proses mendapatkan consequent keluaran sebuah IF-THEN rule
2. Agregasi yaitu proses mengkombinasikan keluaran semua IF THEN rule menjadi sebuah fuzzy set tunggal.
Metode inferensi fuzzy diantaranya :
· Metode Mamdani
Metode Mamdani menggunakan fungsi implikasi min dan agregasi max sehingga metode Mamdani juga disebut dengan metode MIN-MAX (min-max inferencing). Keluaran untuk aturan metode Mamdani didefinisikan sebagai
· Metode Tsukamoto
Metode Tsukamoto merupakan metode dimana konsekuen dari aturan fuzzy-nya direpresentasikan dengan fungsi keanggotaan yang monoton. Pada metode Tsukamoto, implikasi setiap aturan berbentuk implikasi “Sebab Akibat”/Implikasi “Input-Output” dimana antara anteseden dan konsekuen harus ada hubungannya.
· Metode Sugeno
Jika pada metode Mamdani proses defuzzifikasi menggunakan agregasi daerah kurva, maka pada metode Sugeno agregasi berupa singleton-singleton.
3. The Defuzzification Module (Proses Defuzzifikasi)
Defuzzifikasi merupakan proses yang berkebalikan dengan proses pada fuzzifikasi. Defuzzifikasi didefinisikan sebagai pemetaan dari himpunan fuzzy ( ) ke himpunan tegas.
Berikut adalah beberapa metode yang digunakan untuk proses defuzzifikasi.
a. Metode Centroid (Center of Grafity)
Proses defuzzifikasi
pada metode Centroid adalah
dengan mengambil nilai
titk pusat (
) dari daerah
pada fungsi keanggotaan B.
b. Metode Bisektor
Metode bisektor mengambil nilai pada doamin himpunan fuzzy yang memiliki nilai keanggotaan pada daerah fuzzy sebagai solusi tegas, dan didefinisikan sebagai:
Dengan 
sedangkan p = x yang membagi daerah inferensi
menjadi dua bagian yang sama besar.
c. Metode Mean of Maximum (MOM)
Solusi tegas diperoleh dengan cara mengambil nilai rata-rata domain yang memiliki nilai keanggotaan maksimum.
d. Metode Largest of Maximum (LOM)
Solusi tegas diperoleh dengan cara mengambil nilai terbesar dari domain yang memiliki nilai keanggotaan maksimum.
e. Metode Smallest of Maximum (SOM)
Solusi tegas diperoleh dengan cara mengambil nilai terkecil dari domain yang memiliki nilai keanggotaan maksimum
Kasus : Parkir truk
Tujuannya adalah untuk merancang pengontrol logika fuzzy, tanpa asumsi model matematis truk, untuk memarkir truk di mana saja disumbu x. Misalkan : Truk dapat bergerak maju dengan kecepatan konstan v =0,5 m/s dan diasumsikan truk dilengkapi dengan sensor yang dapat mengukur lokasi (x,y) dan orientasi (sudut) setiap saat.
Maka:
· Logika fuzzycontroller adalah untuk memberikan input, u, untuk memutar roda kemudi dan, akibatnya, untuk manuver truk
· Variabel input adalah sudut truk dan koordinat posisi vertikal, y,
· Variabel output adalah sudut kemudi (sinyal), u.
Rentang variabel telah ditetapkan sebelumnya sebagai
Linguistic term yang digunakan pada desain ini adalah
Langkah pertama adalah memilih fungsi keanggotaan.
Fungsi keanggotaan untuk posisi y
Fungsi keanggotaan pada sudut 
Fungsi keanggotaan untuk sinyal control u
Langkah kedua : Basis aturan yang digunakan
Langkah ketiga : defuzzifikasi
Sebanyak 12 simulasi komputer dilakukan. Berikut ini adalah model matematika sederhana untuk gerak truk. Model ini digunakan untuk membuat data untuk simulasi tetapi tidak digunakan dalam desain pengontrol. Model ini langsung mengikuti dari geometri truk
Hasil Desain control fuzzy pada parkir truk terlihat pada gambar dibawah
