Aplikasi menggunakan logica fuzzy

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 (171^o)

Gambar 11. Output sistem kontrol fuzzy pada

Gambar 13. Output sistem kontrol fuzzy pada

posisi matahari 1 radian (57^o)

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 (171^o)

Gambar 15. Output sistem tanpa pengontrol pada

posisi matahari 2 radian (114^o).

Gambar 16. Output sistem tanpa pengontrol pada posisi matahari 1 radian (57^o).

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 (171^o), 2 radian (114^o), dan 1 radian (57^o) adalah 0,25 detik. Sebagai perbandingan system tracking matahari tanpa menggunakan pengontrol memiliki settling time 2 detik untuk posisi matahari 3 radian (171^o), 2 radian (114^o), dan 1 radian (57^o).

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

CONTOH SVM BERBASIS SVM:

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