APLIKASI KONTROL LOGIKA FUZZY PADA
SISTEM TRACKING MATAHARI (SUN TRACKING SYSTEM)
PANEL PHOTOVOLTAIC
Photovoltaic
atau
PV merupakan teknologi konversi dari radiasi matahari menjadi energi listrik
secara
langsung (Sihana, 2006). Operasi sistem PV dapat diwujudkan secara ekonomis
terutama untuk sistem supply daya rendah sampai dengan beberapa kilowatt pada
daerah yang tidak terjangkau jaringan listrik. Photovoltaic menggunakan
proses konvers langsung dari cahaya atau ( energi elektromagnetik) menjadi aliran
listrik dengan menggunakan sel surya. Energi listrik yang dihasilkan oleh sel
surya selain dipengaruhi oleh intensitas surya juga oleh efisiensinya. Secara
teoritis, efisiensi yang dapat dicapai oleh sel surya maksimal sekitar 30 – 40%
tergantung pada tipe dan konstruksinya, namun umumnya hanya mencapai efisiensi
antara 7 – 17%. Atas dasar efisiensi tersebut, pengendalian posisi dari panel PV
(yang merupakan kumpulan dari modul sel PV) menjadi penting agar intensitas
matahari dapat diserap secara optimal. Sistem yang diterapkan disebut sistem tracking
matahari (Sun Tracking System).
Gambar 1. Photovoltaic
Sistem
tracking matahari terdiri dari sirkuit penangkap cahaya langsung (directional
light detecting circuit ), amplifier circuit, dan sebuah magnet
permanen motor step DC untuk menyesuaikan arah dari modul PV terhadap arah tegak
lurus cahaya matahari (Louvros dan Kaplanis, 2006). Input dari sistem adalah
posisi cahaya matahari dan outputnya berupa arah dari modul PV tersebut dalam
besaran radian.
Gambar 2. Sistem Tracking
matahari pada PV
Perancangan
yang dibangun pada makalah ini terkait sistem pengontrol Logika Fuzzy. Perlu diketahui
terlebih dahulu bahwa model logika Fuzzy merupakan hubungan input-output yang
berisi fuzzifier, mesin inference, defuzzifier dan sebuah basis
aturan fuzzy (fuzzy rule base). Diagram hubungan antar komponen tersebut
ditunjukkan pada gambar 3.
Gambar
3. Diagram hubungan antar komponen
Pada fuzzifier input akan difuzzifikasi ke dalam nilai
linguistik (Linguistik
values) untuk diasosiasikan
menjadi variable input linguistik. Setelah fuzzyfikasi, mesin interference akan
menunjuk fuzzy rule base yang berisi
aturan fuzzy IF-THEN untuk memperoleh nilai linguistik dari variable intermediate dan variabel output linguistik. Sekali
nilai variabel linguistik didapatkan, defuzzifier akan
menghasilkan nilai akhir dari nilai output linguistik. Dasar dari Fuzzy
Logic controller (FLC) ditunjukkan pada Gambar 4, terdiri dari empat
komponen dasar, yaitu :
a.
Fuzzy interface, berupa A/D converter pada Kontrol digital
b.
Pembuat logika keputusan (decisionmaking logic, DML), berfungsi
layaknya pengontrol digital.
c.
Defuzzification interface (DFI), yang berfungsi seperti teorema digital.
d.
Knowledge base (KB), yang terdiri dari pengetahuan tentang aplikasi
domain dan hasil dari pengontrolan.
Gambar 4. Diagram Fuzzy
Logic controller.
Pada
perancangan pengontrol konvensional seperti pengontrol PID, dimana yang menjadi
objek dari model adalah sistem atau proses yang dikontrol. Namun pada
perancangan pengontrol logika fuzzy, fokusnya adalah kebiasaan (behavior)
dari operator manusia. Fungsi keanggotaan menyatakan sejauh mana batasan suatu
elemen untuk masuk ke dalam suatu keanggotaan dalam suatu sistem . Besarnya
peluang suatu elemen masuk ke dalam keanggotaan suatu sistem disimbolkan dengan
“μ”. Contoh fungsi keanggotaan ditunjukkan pada Gambar 5.
Gambar 5. Diagram contoh fungsi keanggotaan
metode
Fuzzy Inference Sugeno yang memiliki kesamaan dengan metode Fuzzy Inference
yang sering digunakan yaitu Mamdani. Dua bagian pertama dari proses Fuzzy
Inference, yaitu memfuzzykan input dan penggunaan operator Fuzzy secara
umum sama. Perbedaan utama antara Mamdani dan Sugeno adalah fungsi keanggotaan
output dari sugeno adalah linear dan konstan. Tipe aturan (rule) dari
model Fuzzy Sugeno memiliki bentuk :
If
Input 1 = x and Input 2 = y,
then
Output is z = ax + by + c
Untuk
model Sugeno berorde nol (zeroorder output level z adalah a konstan (a=b=0).
Output level zi pada masing-masing rule dibebankan oleh
nilai daya (firing strength) wi pada aturan rule). Sebagai contoh, untuk sebuah
aturan (rule) AND dengan Input 1 = x and Input 2 = y, nilai firing
strength adalah :
wi
= AndMethod (F1(x), F2(y))
dimana
F1,2 (.) adalah fungsi keanggotaan untuk input 1 dan 2 .
Output akhir dari sistem adalah daya rata-rata (weighted average)
dari semua aturan output, dikomputasikan sebagai :
Operasi dari aturan Sugeno terlihat
pada gambar diagram 44 (Mathworks, 2007) :
Gambar 6. Diagram
operasi Sugeno.
Sistem Sugeno lebih lengkap dan memiliki
representasi komputasional yang lebih efisien daripada sistem mamdani. Sistem
Sugeno memberikan kemungkinan untuk penggunaan teknik-teknik yang adaptif dalam
membangun model Fuzzy. Teknik-teknik adaptif tersebut dapat digunakan untuk
merancang fungsi keanggotaan (membership function), sehingga sistem
Fuzzy dapat memberikan model data yang terbaik. Kelebihan dari penggunaan
sistem Sugeno adalah dapat dikomputasikan secara efisien, bekerja dengan baik
pada teknik linear (pada kontrol PID), lebih optimal dan adaptif. Selain itu
sistem Sugeno memiliki kontinuitas pada output serta sesuai dengan analisis
secara matematis. Sedangkan pada Mamdani, kelebihan yang dimiliki adalah
memiliki persebaran yang lebih luas, intuitif, dan sesuai dengan input manusia.
Sistem
Tracking Matahari ( Sun
Tracking System) memiliki blok diagram seperti pada
Gambar 7.
Gambar 7. Blok diagram sistem tracking matahari.
Sistem tersebut terdiri dari :
1. Rangkaian pendeteksi cahaya
langsung, yang terdiri dari dua photo-resistor yang ditempelkan ke dalam panel
untuk melakukan perbedaan pengukuran dari arah datangnya radiasi matahari
2. Rangkaian penguat untuk menguatkan perbedaan
tegangan dan mengendalikan motor
3. Sebuah magnet permanen motor step DC
untuk meluruskan arah dari panel PV menjadi radiasi tegak lurus cahaya
matahari. Model persamaan matematis dari
motor step DC yang dikaji dalam makalah ini adalah (Louvros dan Kaplanis, 2006)
:
dengan
Va(s) adalah transformasi laplace dari input tegangan yang memotong coil
armatur, Wa(s) adalah transformasi dari kecepatan rotasional armature
motor, Induktansi (La) diserikan dengan resistansi (Ra) membentuk
persamaan elektrik dari armature coil. kv merupakan kecepatan konstan
yang diturunkan oleh kerapatan (density) flux dari magnet permanen,
reluktansi dari inti besi armatur, dan nilai dari perubahan lilitan armatur
motor. kt adalah torsi konstan yang bergantung pada kerapatan flux dari magnet,
reluktansi inti besi dan nilai perubahan dari lilitan armatur motor. I,
menunjukkan inersia motor dan D koefisien peredam (damper) yang disinkronkan dengan sistem rotasi dari rotor.
Blok diagram dari sistem tersebut Menghasilkan:
Gambar
8. Blok
diagram penuh sistem tracking
matahari.
Berikut
adalah blok diagram dari system tracking matahari menggunakan logika
Fuzzy yang dirancang pada makalah ini :
Gambar
9. Blok
diagram sistem tracking matahari menggunakan kontrol Fuzzy
Fungsi
transfer dari persamaan matematis motor step DC memiliki nilai-nilai tetapan
sebagai berikut :
Hasil
simulasi dari sistem tracking matahari yang telah dilakukan ditunjukkan pada
Gambar 10, 11 dan 12.
Gambar 10. Output sistem kontrol fuzzy pada
posisi matahari 3 radian (171o)
Gambar
11. Output
sistem kontrol fuzzy pada
Gambar 13. Output sistem kontrol fuzzy pada
posisi
matahari 1 radian (57o)
Sebagai
pembanding, dilakukan system tracking matahari tanpa menggunakan
pengontrol yang hasilnya ditunjukkan pada Gambar 14, 15 dan 16.
Gambar
14. Output
sistem tanpa pengontrol pada posisi matahari 3 radian (171o)
Gambar
15. Output
sistem tanpa pengontrol pada
posisi
matahari 2 radian (114o).
Gambar
16. Output
sistem tanpa pengontrol pada posisi matahari 1 radian (57o).
KESIMPULAN
Sistem
tracking dengan menggunakan control logika Fuzzy memiliki respon yang
lebih cepat jika dibandingkan dengan sistem tanpa pengontrol. Hal ini terlihat
pada settling time untuk posisi matahari 3 radian (171o), 2
radian (114o), dan 1 radian (57o) adalah 0,25 detik.
Sebagai perbandingan system tracking matahari tanpa menggunakan pengontrol memiliki
settling time 2 detik untuk posisi matahari 3 radian (171o),
2 radian (114o), dan 1 radian (57o).
Hal
tersebut memperlihatkan bahwa system tracking matahari dengan
menggunakan control logika Fuzzy memberikan nilai kestabilan dan respon yang
lebih baik untuk mengoptimalisasikan kinerja panel PV.
PENGATURAN LAMPU LALU LINTAS
BERBASIS FUZZY LOGIC
MENGGUNAKAN
KOMPUTER IBM PC-XT 8088
Logika Fuzzy
untuk Sistem Pengaturan Lalulintas Berikut ini adalah beberapa istilah yang
sering digunakan dalam pengendalian lampu lalu lintas, antara lain :
a.
Sebaran banyaknya kendaraan di jalan
raya
Adapun
sebaran banyaknya kendaraan di jalan raya adalah :
1.
Tidak Padat (TP).
2.
Kurang Padat (KP).
3.
Cukup Padat (CP).
4.
Padat (P).
5.
Sangat Padat (SP).
b. Lama lampu lalu lintas menyala
Adapun lama
lampu lalu lintas menyala adalah :
1. Cepat (C).
2. Agak Cepat
(AC).
3. Sedang (S).
4. Agak Lama
(AL).
5. Lama (L).
Jelas
istilah-istilah tersebut dapt menimbulkan kemenduaan (ambiguity) dalam pengertiannya.
Logika fuzzy dapat mengubah kemenduaan tersebut ke dalam model matematis
sehingga dapat diproses lebih lanjut untuk dapat diterapkan dalam sistem
kendali. Menggunakan teori himpunan fuzzy, logika bahasa dapat diwakili
oleh sebuah daerah yang mempunyai jangkauan tertentu yang
menunjukkan
derajat keanggotaannya. Untuk permasalahan disini, sebut saja derajat
keanggotaan itu adalah u(x) untuk x adalah jumlah kendaraan. Derajad keanggotaan
tersebut mempunyai nilai yang bergradasi sehingga mengurangi lonjakan pada
sistem. Sistem pengendalian fuzzy yang dirancang mempunyai dua masukan (input)
dan satu keluaran (output). Masukan adalah jumlah kendaraan pada suatu
jalur yang sedang diatur dan jumlah kendaraan pada jalur lain, dan keluaran
berupa lama nyala lampu hijau pada jalur yang diatur. Penggunaan dua masukan dimaksudkan
supaya sistem tidak hanya memperhatikan sebaran kendaraan pada
jalur
yang sedang diatur saja, tetapi juga memperhitungkan kondisi jalur yang sedang
menunggu. Pencuplikan dilakukan pada setiap putaran (melalai kedelapan sensor
yang dipasang pada semua jalur). Satu putaran dianggap selesai apabila semua
jalur telah mendapat pelayanan lampu. Masukan berupa himpunan kepadatan
kendaraan oleh logika fuzzy diubah menjadi fungsi keanggotaan masukan
dan fungsi keanggotaan keluaran (lama lampu hijau). Bentuk fungsi keanggotaan
dapat diatur sesuai dengan distribusi data kendaraan. Menerapkan logika fuzzy
dalam sistem pengendalian, membutuhkan tiga langkah, yaitu :
a. Fusifikasi (Fuzzyfication).
b. Evaluasi
kaidah.
c. Defusifikasi
(Defuzzyfication).
Fusifikasi
adalah proses mengubah masukan eksak berupa jumlah kendaraan menjadi masukan fuzzy
berupa derajat keanggotaan u(x). Setelah fusifikasi adalah evaluasi kaidah.
Kaidah-kaidah yang akan digunakan untuk mengatur lalu lintas ditulis secara
subyektif dalam Fuzzy Associate Memory (FAM), yang terdiri dari hubungan
antara kedua masukan yang menghasilkan keluaran tertentu. Kaidah kaidah ini
terlebih dahulu dikonsultasikan kepada mereka yang berpengalaman
dalam
bidang yang akan dikendalikan, yaitu misalnya kepada pihak Kepolisian Republik
Indonesia (POLRI) khususnya bagian lalu lintas (Polisi Lalulintas) dan pihak Dinas
Lalu Lintas dan Anggukan Jalan Raya (DLLAJR). Disini dipakai kaidah hubungan
sebab akibat dengan dua masukan yang digabung menggunakan operator AND, yaitu :
Jika masukan-1 AND masukan-2, maka keluaran, dan dibuat dalam tabel dalam Tabel
Fuzzy Associate Memory (FAM). Sebagai contoh, jika TP(0,25) dan
KP(0,75), maka AC(0,25). Di sini keluaran fuzzy adalah Agak Cepat yaitu
AC(0,25). Tabel 2.1 Fuzzy Associate Memory (FAM) untuk kepadatan
Lalulintas
Gambar
1 Ridge (bukit) dan valley (lembah) pada citra sidik jari.
Gambar 2- Jaringan
saraf tiruan merupakan jaringan dari unit pemroses kecil yang saling terhubung,
yang dimodelkan berdasar jaringan saraf (neuron)
jaringan
saraf
Gambar 3– SVM berusaha menemukan hyperplane terbaik yang memisahkan
kedua class –1 dan +1
