BAB I PENDAHULUAN1.1 Gambaran Laboratorium Kendali dan MIkroprosesor

1.1.1. Sejarah Laboratorium Kendali dan Mikroprosesor merupakan salah satu laboratorium yang di miliki oleh Jurusan Teknik Elektro Universitas Islam Indonesia yang telah berdiri sejak tahun 2003. Laboratorium ini merupakan pengganti ruang praktikum control atau kendali instrumentasi yang ada pada saat itu berada di BATAN ( Badan Nasional Tenaga Nuklir ) yang berlokasi di babarsari. Pada awalnya Laboratorium Kendali dan Mikroprosesor ini berada di lantai 3 gedung Fakultas Teknologi Industri yang sekarang berubah fungsi menjadi laboratorium untuk jurusan informatika.Kemudian sekitar akhir tahun 2004 laboratorium ini berpindah ke lantai 3 sayap timur Gedung Fakultas Teknologi Industri yang lama dan digunakan sampai sekarang. Pada tahun 2003 Laboratorium Kendali dan instrumentasi ini di kepalai oleh bapak RM. Sisdarmanto Adinandra ST, M.Sc dengan Laboran Hery Suryantoro A.Md.

lalu pada tahun 2006 Labratorium ini berpindah tangan dan selanjutnya kepalai oleh Dwi Ana Ratna Wati ST.,M.Eng dengan laboran yang sama yaitu Hery Suryantro A.Md.

1

1.1.2 Fasilitas Beberapa fasilitas yang di miliki Lab Kendali dan Mikroprosesor, antara lain : 1. Laboratorium ini terdapat mikroprosesor at mel yang dapat di gunakan untuk mengendalikan berbagai macam besaran fisis seperti kecepatan motor, pengaturan suhu dan lift. 2. Beberapa buah lengan robot sebagai sarana untuk lebih memahami system robotika. 3. PLC omron (CPM1-30CDR) dan siemen (S2700) du gunakan untuk mengendalikan traffic light, kendali konveyor, kendali level cairan, dll. 4. LabVIEW ( Laboratory Virtual Instrument Engineering Workbench) merupakan bahasa pemrograman grafis yang dapat di gunakan untuk membuat berbagai aplikasi. 5. NI-DAQmx (National Instrument Data Acquisitin), merupakan sebuah hardware yang berfungsi sebagai akusisi data baik analog maupun digital. 1.1.3 Jenis Praktikum Lab. Kendali dan Mikroprosesor merupakan laboratorium yang memiliki beberapa jenis praktikum, diantaranya yaitu : 1. Praktikum Kendali. Materi yang di bahas yaitu: a. Pengenalan Matlab ( Dasar Teknik Kendali ) b. Pengenalan PID c. PLC untuk pengaturan Trfic Light dan Lift d. Kendali sudut picu SCR dengan PWM untuk mengendalikan motor DC e. Penguat dan converter

2

f. Sensor suhu dan pengkondisi isyaratnya 2. Praktikum Mikroprosesor Materi yang di bahas yaitu: a. Pengenalan Mikroprosesor b. Operasi Transfer Data c. Instruksi pengolahan data d. Instruksi Kendali ( Control Flow Instruction ) e. Port Input dan Output f. Pewaktu dan pencacah ( Timer dan Counter ) g. Pengendali Lampu Lalu Lintas

3

1.1.4 Struktur Oraganisasi

JURUSAN TEKNIK ELEKTRO UNIVERSITAS ISLAM INDONESIA

LAB TELKOM

Lab DTE

Lab DPK

Lab Kendali & Mikroprosesor

Lab Elektronika Digital

LG CORNER

Labratorium IMEL

Kepala Laboratorium Dwi Ana Ratna Wati ST.,M.Eng

Laboran Hery Suryantoro A.Md

Asisten Laboratorium Praktikum Mikroprosesor

Asisten Laboratorium Praktikum Kendali

Gambar 1.1 Struktur Oraganisasi Laboratorium Kendali dan Mikroprosesor

4

BAB II FUZZY SYSTEM2.1 Fuzzy Logic Logika fuzzy merupakan bagian turunan kecerdasan buatan, yang berfungsi melakukan pemrosesan terhadap factor ketidak pastian secara baik, dan berhubungan dengan deskripsi karakteristik dari suatu objek yang digunakan, dan kebanyakan deskripsi objek berdasarkan fakta yang ada.. Model logika fuzzy bekerja dngan menggunakan derajat keanggotaan dari sebuah nilai, kemudian di guakan untuk menentukan hasil yang di inginkan, berdasarkan aturan aturan yang telah di tetukan. Proses logika fuzzy adala suatu proses yang brdsarkan basis pnetahuan ataua basis aturan, adapun aturan logika fuzzy terdiri dari pernyataan IF-THEN dalam sebuah fungsi keanggotaan.

2.2

Pengertian logika fuzzy Teori himpunan logika fuzzy di kembangkan oleh Prof Lofti Zadeh pada tahu

1965. Ia berpendapat bahwa logika benar dan salah dari logika bolean tidak dapat mengatasi masalah gradasi yang tida kterhingga tersebut, zadeh mengembangkan sebuah himpunan fuzzy. Tidak seperti logika bolean, logika fuzzy mempunyai nilai yang kontinu. Fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat di katakana sebagian benar dan sebagian salah pada waktu yang sama.

5

Contoh berikut akan menjelaskan bagaimana konsep umur yang di golongkan tua dalam pengertian fuzzy/samar dan crisp (tegas). Misalnya di berikan suatu definisi bahwa setiap orang yang berumur 60 tahun atau lebih adalah tua

derajat keanggotaan

0 Gambar 2.1

40

45

50

60

65

70

Konsep tua dalam pengertian tegas (crisp)

Dalam pengertian crisp (tegas), batas batas antara tua dan tidak tua sangat jelas, setiap orang yang berumur 60 adalah tua , sedangkan yang lainnya (40,41,,,55) adalah tidak tua tua . tidak ada derajat ketuaan, sedangkan dalam fuzzy setiap anggota memiliki nilai berdasarkan pada derajat anggotaan. Adapun konsep umur yang di golongkan tua dalam pengertian fuzzy :

derajat keanggotaan

0

40

45

50

60

65

70

Gambar 2.2 Konsep tua dalam pengertian fuzzy

6

Dari gambar 2.3 diatas memperlihatkan, bahwa anggota yang berumur 55 tahun, derajat keanggotaannya 0,7, sedangkan anggota yang berumur 60 tahun derajat keanggotaannya 1. Untuk yang berumur 60 tahun mewakili secara tepat konsep tua yaitu berderajat 1, sedangkan yang < 60 tahun memiliki derajat yang berlainan >control design and simulation>>fuzzy system designer

Gambar 3.4 langkah menampilkan Fuzzy System Designer

Gambar 3.5 Tampilan awal pada fuzzy sistem designer

16

halaman variable mengkonfigurasi variable linguistic pada system o kolom input variable untuk daftar input dan output variable yang ada pada system o tombol add variabel untuk menambah variable pada system serta menambahkan fungsi keanggotaan pada variable system. o tombol edit untuk mengedit variable o tombol delete untuk menghapus variable

Gambar 3.6 Tampilan Halaman Edit Variabel

17

3.2.2

Fuzzy System VI

Langkah menampilkan Function palette Fuzzy logic : Pilih View>>Function Palette>>control design and simulation>>fuzzy logic

Gambar 3.7 langkah menampilkan Function pallete

Gambar 3.8 Fuzzy logic Function palette

18

Object pallete

Deskripsi

Mengimplementasikan fuzzy logic controller untuk sistem fuzzy yang Anda tentukan. Ada 4 macam jenis dari VI ini yaitu : Load fuzzy system VI

single input single output single input multiple output multiple input single output multiple input multiple output

Vi yang akan memuat suatu system fuzzy dari file berformat Fs.New System Fuzy VI

VI untuk membuat system fuzzy baru

VI untuk menyimpan fuzzy system ke file berformat Fs.

Tabel 1.1 Deskripsi object Pallete

19

3.3.1 Design Fuzzy System Untuk Parkir Mobil Otomatis Sebuah sistem fuzzy terdiri dari tiga bagian utama: variabel linguistik fungsi keanggotaan aturan.

3.3.1.1 Membuat Variabel Linguistik Bila Anda membuat sebuah variabel linguistik untuk mewakili variabel input atau output, anda harus menentukan berapa banyak istilah linguistik, atau kategori nilai dari variabel linguistik yang anda ingin buat. Variabel linguistik biasanya memiliki jumlah ganjil istilah linguistik, dengan jangka waktu menengah dan istilah linguistik linguistik simetris pada setiap ekstrim.

Pada kebanyakan aplikasi, cukup digunakan tiga sampai tujuh istilah linguistik untuk mengelompokkan nilai-nilai dari variabel linguistik. Pada contoh ini Anda ingin mengotomatisasi kendaraan untuk parkir secara otomatis dari posisi yang acak . Seorang pengemudi dapat mengontrol kendaraan dengan terus mengevaluasi posii dari kendaraan tersebut, seperti jarak dari posisi target dan orientasi kendaraan, untuk memperoleh sudut kemudi yang benar.

20

Gambar 3.9 otomatisasi Parkir Kendaraan Anda dapat mendefinisikan variabel masukan dua linguistik untuk contoh ini. Posisi kendaraan x menunjukkan posisi kendaraan dalam kaitannya dengan tujuan. , Orientasi kendaraan mewakili orientasi kendaraan. Anda juga dapat mendefinisikan variabel keluaran linguistik, sudut kemudi untuk mewakili

sudut kemudi kendaraan yang ingin Anda kontrol. Anda dapat mendefinisikan istilah linguistik Kiri, Kiri Tengah, Tengah, kanan tengah, dan kanan untuk input variabel linguistik Posisi Kendaraan x untuk menggambarkan kemungkinan posisi kendaraan dalam kaitannya dengan tujuan. Anda dapat mendefinisikan istilah linguistik Kiri Bawah, Kiri, Kiri Atas, Atas, Kanan Atas, Kanan, dan Kanan Bawah untuk input variabel linguistik Orientasi Kendaraan untuk menggambarkan variabel output kemungkinan linguistik orientasi Sudut kendaraan. Istilah harus Linguistik mewakili dari kedua

Kemudi

arah dan besarnya perubahan sudut kemudi. Oleh karena itu, Anda dapat menggunakan istilah linguistik Negatif Besar, Sedang Negatif, Negatif Kecil, Zero, Positif Kecil, Menengah Positif, dan Positif besar untuk variabel output linguistic.

21

3.3.1.2 Membuat Fungsi keanggotaan Fungsi keanggotaan adalah fungsi numerik sesuai dengan istilah linguistik. Fungsi keanggotaan mewakili derajat keanggotaan dari variabel linguistik dalam istilah linguistik mereka. Anda dapat menerapkan jenis jenis fungsi keanggotaan standar diilustrasikan dalam Gambar 3.10 untuk proses yang paling teknis. Jenis Fungsi-fungsi standard dari fungsi keanggotaan. (bentuk segitiga), (bentuk trapesium), Tipe tunggal (bentuk garis vertikal) sigmoid (bentuk gelombang) Gaussians ( bentuk bell )

Gambar 3.10 Jenis Fungsi-fungsi standard dari fungsi keanggotaan

variabel linguistik Posisi Kendaraan x mungkin memiliki keanggotaan penuh (1) didalam jangka istilah linguistik Tengah pada 5 meter, tidak ada keanggotaan (0) didalam syarat 4 meter atau kurang dan 6 meter atau lebih, dan keanggotaan parsial di semua jarak antara 4 dan 6 meter. Jika Anda plot derajat keanggotaan terhadap nilai dari x Kendaraan Posisi, Anda dapat melihat bahwa fungsi keanggotaan dihasilkan adalah fungsi segitiga.

22

Gambar 3.11 Fungsi keanggotaan segitiga untuk istilah linguistik tengah kadang variabel linguistik memiliki keanggotaan penuh dalam istilah linguistik pada kisaran nilai bukan pada nilai titik. misalnya, jika variabel linguistik Posisi

Kendaraan x memiliki keanggotaan penuh dengan istilah linguistik tengah pada nilai x = 5 0,25 m, fungsi keanggotaan trapesium berlaku, seperti yang ditunjukkan pada Gambar

Gambar 3.12 Fungsi keanggotaan trapesium untuk istilah linguistik tengah

23

Gambar 3.13, 3.14, dan 3.15 menunjukkan fungsi keanggotaan untuk semua input dan output variabel output dari manuver kendaraan dengan system fuzzy.

Gambar 3.13 fungsi keanggotaan variabel input posisi kendaraan

Gambar 3.14 Fungsi Keanggotaan Variabel Input Orientasi Kendaraan

24

Gambar 3.15 Fungsi Keanggotaan Variabel Output Sudut Kemudi

3.3.1.3 Membuat Aturan Untuk membuat aturan, Anda harus menentukan maksud dari ungkapan atau ekspresi , JIKA , MAKA dan konsekuensi, dari aturan. Sebagai contoh, perhatikan aturan berikut: tengah JIKA Posisi Kendaraan x adalah Kiri tengah DAN Orientasi Kendaraan kiri atas, MAKA sudut kemudi adalah positif kecil. Klausul "Kendaraan x Posisi Kiri Center" dan "Kendaraan Orientasi adalah Kiri Atas" adalah ungkapan dari peraturan ini. Klausul "Pengarah Sudut Kecil positif "adalah konsekuensi dari peraturan ini.Asosiasikan variabel input linguistik dengan istilah linguistik yang sesuai untuk membentuk suatu ungkapan. Asosiasi variabel output linguistik dengan istilah linguistik yang sesuai untuk membentuk sebuah konsekuen. konsekuen dari aturan merupakan tindakan yang Anda ingin fuzzy kontrol lakukan apabila istilah linguistik dari variabel input linguistik dalam aturan terpenuhi.

25

Ketika membangun sebuah basis aturan, hindari aturan bertentangan, atau aturan dengan dengan porsi JIKA yang sama tetapi berbeda porsi MAKA. Sebuah aturan konsisten adalah aturan yang tidak memiliki aturan yang bertentangan. Total jumlah aturan N yang memungkinkan bagi sistem fuzzy didefinisikan dengan persamaan berikut: N = p1 p2 pn dimana pn adalah jumlah istilah linguistik untuk variabel linguistik masukan n.

Jika setiap variabel input linguistik memiliki jumlah yang sama dengan istilah linguistik, total jumlah aturan N yang memungkinkan didefinisikan dengan persamaan berikut: N = pm

dimana p adalah jumlah istilah linguistik untuk setiap variabel linguistik input dan m adalah jumlah input variabel linguistik. Sebagai contoh, untuk tiga variabel masukan linguistik dengan lima istilah linguistik masing-masing, jumlah total aturan yang mungkin N = 5 3 =125 .

Sebuah aturan dengan setidaknya satu aturan aktif untuk setiap kombinasi yang mungkin dari variabel linguistik input dan istilah linguistik adalah basis aturan yang lengkap. Jika anda mendefinisikan suatu peraturan dasar tidak lengkap, Anda harus menentukan sebuah istilah linguistik standar untuk setiap variabel linguistik sehingga keluaran kontroler fuzzy dapat menangani situasi di mana tidak ada peraturan yang aktif.

Posisi Kendaraan x input variabel linguistik memiliki lima istilah linguistik, dan Orientasi Kendaraan variabel linguistik memiliki tujuh istilah linguistik.

Oleh karena itu, peraturan dasar dari contoh manuver kendaraan terdiri dari N = 5 7 = 35 aturan. Anda dapat mengambarkan aturan dasar yang lengkap dalam bentuk matriks, seperti yang ditunjukkan pada Gambar

26

Gambar 3.16 Aturan lengkap dalam bentuk matriks Setiap kolom atau baris merupakan ungkapan atau ekspresi dari sebuah aturan. Istilah di potongan kolom dan baris adalah konsekuensi dari aturan sesuai dengan agregat. Sebagai contoh, aturan berikut ini disorot dalam Gambar

JIKA Kendaraan x Posisi Kiri Pusat DAN Kendaraan Orientasi adalah Kiri, MAKA Steering Angle Negatif Kecil. Merencanakan peraturan dasar dalam bentuk matriks, seperti pada Gambar , sangat membantu untuk mendeteksi inkonsistensi, seperti aturan bertentangan. Namun, merencanakan peraturan dasar dalam bentuk matriks adalah efisien hanya untuk basis aturan kecil. Mendeteksi inkonsistensi dalam basis aturan besar sulit, Untuk sistem fuzzy

27

dengan input kontroler banyak, Anda dapat menggunakan Cascading sistem fuzzy untuk menghindari basis aturan besar. Dalam Cascading sistem fuzzy, output dari sistem fuzzy pertama melayani sebagai masukan untuk sistem fuzzy berikutnya, dan seterusnya. Menentukan suatu penghubung ungkapan Jika aturan memiliki lebih dari satu ungkapan atau ekspesi, Anda harus menentukan sebuah penghubung ungkapan untuk menentukan bagaimana menghitung nilai kebenaran dari aturan yg digabungkan. Karena variabel linguistik dapat memiliki derajat keanggotaan dalam sebagian dari istilah linguistik, Anda tidak dapat menggunakan operator Boolean dari logika ganda konvensional sebagai penghubung ungkapan. Toolkit Logika PID dan Fuzzy menggunakan penghubung berikut sebagai gantinya.

Perhatikan bahwa definisi ini setuju dengan operator logika yang digunakan dalam logika Boolean. Sebuah tabel kebenaran menggunakan operator konvensional untuk menghasilkan hasil yang setara.

DAN (Minimum) penghubung yg menentukan untuk menggunakan tingkat terkecil dari keanggotaan anteseden sebagai nilai kebenaran agregat aturan, sedangkan DAN (Product) menentukan untuk menggunakan produk dari derajat keanggotaan dari pendahulunya. OR (Maksimum) penghubung yg menentukan untuk menggunakan tingkat terbesar dari keanggotaan pendahulunya. OR (Probabilistik) penghubung yg menentukan untuk menggunakan jumlah probabilistik dari derajat keanggotaan dari pendahulunya.

28

Asumsikan aturan berikut ini mengeksekusi untuk satu set tertentu dari nilai input.(1) JIKA Kendaraan x Posisi Tengah (derajat keanggotaan = 0,8) DAN (Minimum) Orientasi Kendaraan adalah Kiri Atas (derajat keanggotaan = 1.0) = 0,8

MAKA Sudut kemud Negatif Kecil

(2) JIKA Kendaraan x Posisi Pusat Kanan (derajat keanggotaan = 0,1)

DAN (Minimum)

Orientasi Kendaraan adalah Kiri Atas (derajat keanggotaan = 1.0) = 0,1

MAKA Sudut kemud Negatif menengah

Perhatikan bahwa setiap aturan menggunakan DAN (Minimum) penghubung . Dalam aturan 1, Posisi Kendaraan x memiliki derajat keanggotaan 0,8 dengan istilah linguistic tengah dan Kendaraan memiliki tingkat keanggotaan 1,0 dalam istilah linguistik Kiri Atas. Karena penghubung adalah DAN (minimum), pengontrol fuzzy untuk sistem fuzzy ini menggunakan tingkat terkecil dari keanggotaan ungkapannya , atau 0,8, sebagai nilai kebenaran aturan digabungkan. Demikian pula, tingkat terkecil dari keanggotaan ungkapan dalam Peraturan 2 adalah 0,1. Oleh karena itu, kontroler fuzzy menggunakan 0,1 sebagai nilai gabungan aturan kebenaran. Nilai gabungan

aturan kebenaran adalah setara dengan tingkat kebenaran aturan. Jika kedua aturan adalah aturan hanya dipanggil untuk satu set nilai-nilai input, istilah linguistik lainnya untuk Sudut Kemudi keluaran variabel linguistik memiliki nilai kebenaran 0. Tabel berikut menjelaskan nilai kebenaran akhir untuk setiap istilah linguistik.

29

Negatif besar Negatif Sedang Negatif Kecil Nol Positif Kecil Positif Sedang Positif besar

sampai tingkat sampai tingkat sampai tingkat sampai tingkat sampai tingkat sampai tingkat sampai tingkat

0,0 0,1 0,8 0,0 0,0 0,0 0,0

Jika aturan memiliki lebih dari satu konsekuen, controller logika fuzzy harus mengevaluasi gabungan konsekuen aturan. Ketika Anda menerapkan kontroler fuzzy dalam Toolkit Logika Fuzzy PID dan, kontroler fuzzy hanya selalu menganggap

konsekuen yang memiliki derajat keanggotaan terbesar Anda dapat menentukan tingkat dukungan, antara 0 dan 1, untuk setiap aturan dari sistem fuzzy. Tingkat dukungan menunjukkan signifikansi relatif dari setiap aturan dan memungkinkan untuk fine-tuning dari rule base. Dalam kebanyakan kasus, tingkat dukungan adalah 1. Berat aturan terakhir adalah sama dengan tingkat dukungan dikalikan dengan nilai kebenaran dari gabungan ungkapan aturan. Sebuah kontroler fuzzy menggunakan metode implikasi konsekuen untuk skala fungsi keanggotaan dari setiap variabel linguistik output berdasarkan berat aturan yang sesuai sebelum melakukan defuzzification. Dalam Toolkit Logika Fuzzy PID dan, Anda dapat menggunakan salah Minimum atau Produk metode konsekuen implikasinya. Dalam metode implikasi Minimum, logika fuzzy controller memotong output fungsi keanggotaan pada nilai bobot aturan yang sesuai. Sebagai contoh, jika sebuah variabel linguistik output memiliki fungsi keanggotaan tiga dengan bobot, aturan 0,5 0,8, dan 0,3, masing-masing, skala fungsi keanggotaan mungkin muncul seperti Gambar

30

Gambar 3.17 Skala fungsi keanggotaan Dalam metode Produk implikasi, logika kontroler fuzzy menimbang Skala output fungsi keanggotaan pada nilai bobot aturan yang sesuai. Sebagai contoh, jika sebuah variabel linguistik output memiliki tiga fungsi keanggotaan dengan bobot aturan,, 0,5 0,8 dan 0,3, masing-masing, skala fungsi keanggotaan mungkin muncul seperti Gambar dibawah ini

Gambar 3.18 Contoh Skala fungsi keanggotaan

31

3.4.

Defuzzifikasi

Defuzzification adalah proses mengkonversi derajat keanggotaan variabel output linguistik dalam istilah linguistik mereka ke dalam nilai numerik tegas.

(1) JIKA Posisi Kendaraan x tengah (derajat keanggotaan = 0,8)

DAN (Minimum)

Orientasi Kendaraan adalah Kiri Atas (derajat keanggotaan = 1.0) = 0,8

KEMUDIAN Sudut Kemudi Negatif Kecil (2) JIKA Posisi Kendaraan x Pusat Kanan (derajat keanggotaan = 0,1) DAN (Minimum) Orientasi Kendaraan adalah Kiri Atas (derajat keanggotaan = 1.0) = 0,1

KEMUDIAN Pengarah Sudut Menengah Negatif

Kedua aturan menetapkan dua non-nilai nol untuk sudut kemudi variabel keluaran linguistik: Negatif Sedang untuk tingkat 0,1 Negatif Kecil ke tingkat 0,8

Sebuah kontroler fuzzy melakukan defuzzification untuk mengevaluasi kedua nilai linguistik dan mengubahnya menjadi nilai output tunggal numerik. Sebuah kontroler fuzzy dapat menggunakan salah satu dari beberapa metode matematika untuk melakukan defuzzification: 1. Center Of Area ( CoA) , 2. Modified Center Of Area ( CoA ) 3. Center Of Maximum ( CoM) 4. Mean of Maximum

32

3.4.1 Center of Area ( CoA ) Pada metode defuzzifikasi Center Of Area ( CoA ) yang juga di sebut Center Of Grafiti ( CoG ) method, fuzzy kontroller pertama tama mengkalkulasi area di bawah skala fungsi keanggotaan dalam kisaran variable output. controller Logika fuzzy kemudian menggunakan persamaan berikut untuk menghitung pusat geometris dari daerah ini.

CoA X Xmin & Xmax

= Center Of Area = nilai dari variabel linguistik = rentang nilai dari variabel linguistik

Metode defuzzifikasi Center Of Area ( CoA ) efektif menghitung kompromi terbaik antara istilah linguistik dari multiple output.

33

Gambar 3.19 mengilustrasikan METODE Center Of Area defuzzification untuk output variabel Linguistik Sudut Kemudi , DENGAN asumsi Minimum

METODE implikasi. BAGIAN Yang diarsir PADA Grafik mewakili Daerah di bawah Skala Fungsi Keanggotaan.

Gambar 3.19 Metode defuzzifikasi CoA

34

Gambar 3.20 merangkum proses pengontrol fuzzy untuk contoh parker kendaraan otomatis , menggunakan metode defuzzifikasi Center Of area (CoA).

Gambar 3.20 Proses Fuzzy Kontroller

3.5.1 Mendesain Fuzzy System dengan Fuzzy System Desiner Lakukan langkah-langkah berikut untuk membuat suatu variabel input linguistik sesuai dengan Posisi Kendaraan variabel x masukan linguistik contoh manuver kendaraan

1. Pilih Tools Kontrol Desain dan Simulasi Sistem Fuzzy untuk memulaiDesigner Designer Sistem Fuzzy. Designer Sistem Fuzzy menampilkan halaman Variabel secara default.35

2. Klik tombol Masukan Variabel Tambahkan ke kanan daftar Masukanvariabel untuk meluncurkan kotak dialog Edit Variabel.

3. Masukkan posisi kendaraan dalam kotak teks Nama. 4. Masukkan nilai minimum 0 dan nilai maksimum 10. Kisaran inimenetapkan bahwa posisi relatif terhadap kendaraan tujuan berkisar 0,010,0 meter.

5. Klik tombol Fungsi Keanggotaan Add untuk membuat fungsi keanggotaanbaru untuk variabel linguistik kendaraan-posisi.

6. Masukkan tersisa di kotak teks Nama 7. Pilih Trapesium dari Shape menu pull-down untuk menentukan bahwafungsi trapesium menentukan derajat keanggotaan untuk variabel linguistik.

8. Pilih warna yang ingin Anda gunakan untuk fungsi keanggotaan diKeanggotaan fungsi grafik dari color picker.

9. Masukkan 0, 0, 1, dan 4 dalam bidang Poin array. Titik-titik menentukannilai dari variabel linguistik sesuai dengan dasar dan titik atas, dalam urutan dari kiri ke kanan dan basis ke atas, fungsi keanggotaan. 10. Ulangi langkah 5 sampai 9 untuk masing-masing fungsi keanggotaan. 11. Klik tombol OK untuk menyimpan perubahan. Perhatikan bahwa variabel input-posisi kendaraan muncul dalam daftar Masukan variabel dan fungsi keanggotaan yang sesuai muncul di Input variabel grafik fungsi keanggotaan.

36

Gambar di bawah menampilkan kotak dialog Edit variabel dengan semua fungsi keanggotaanuntuk variabel masukan posisi kendaraan

Gambar 3.21 Edit Variabel Dialog Box Posisi Kendaraan

37

Anda dapat mengulangi prosedur sebelumnya untuk menciptakan sebuah variabel input linguistik sesuai dengan variabel input linguistik Orientasi Kendaraan

Gambar 3.22 Edit Variabel Dialog Box Orientasi Kendaraan

38

Anda dapat membuat variabel output linguistik sama dengan bagaimana Anda membuat variabel input linguistik dalam Sistem Fuzzy Designer. Lakukan langkahlangkah berikut untuk membuat variabel output linguistik sesuai dengan Pengawas variabel output linguistik Sudut Kemudi dari contoh manuver kendaraan. 1. Klik tombol Tambahkan output Variabel di sebelah kanan daftar variabel output untuk meluncurkan kotak dialog Edit Variabel. 2. Masukkansudut kemudi-dalam kotak teks Nama. 3. Masukkan nilai minimum -30 dan nilai maksimum 30. Kisaran ini menetapkan bahwa jumlah yang roda kemudi bisa berubah berkisar 30,0 ke 30,0 Fungsi derajat. 4. Klik tombol tambahkan untuk membuat fungsi keanggotaan baru untuk variabel output Keanggotaan-sudut kemudi 5. Masukkan NegBig dalam kotak teks Nama. 6. Pilih Segitiga dari Shape menu pull-down untuk menentukan bahwa fungsi segitiga menentukan derajat keanggotaan untuk variabel linguistik. 7. Pilih warna yang ingin Anda gunakan untuk fungsi keanggotaan di Keanggotaan fungsi grafik dari color picker. 8. Masukkan -30, -30, dan 15 di bidang Poin array. Titik-titik menentukan nilai dari variabel linguistik sesuai dengan dasar dan poin atas, dalam urutan dari kiri ke kanan dan basis ke atas, dari fungsi keanggotaan 9. Ulangi langkah 4 sampai 8 untuk membuat masing-masing fungsi keanggotaan. 10. Klick ok untuk menyimpan variable. 11. Pilih FILE>>Save As untuk menyimpan file system fuzzy dengan nama maneuver kendaraan di temppat yang mudah diakses di hard drive anda.

39

Gambar 3.23 Edit Variabel Dialog Box sudut Kemudi

Setelah Anda menentukan input dan variabel output linguistik untuk sistem fuzzy, Anda dapat menggunakan variabel linguistik untuk menciptakan basis aturan untuk sistem fuzzy.

40

Ingat bahwa variabel input linguistik posisi kendaraan yang Anda buat di bagian Variabel Linguistik memiliki lima fungsi keanggotaan, dan variabel linguistik orientasi kendaraan memiliki tujuh fungsi keanggotaan. Oleh karena itu, Anda dapat membuat 35 kemungkinan kombinasi aturan untuk menghubungkan istilah linguistik dari variabel masukan linguistik dengan istilah linguistik dari variabel output linguistik sudut kemudi. Lakukan langkah-langkah berikut untuk membuat dasar aturan yang lengkap untuk contoh manuver kendaraan menggunakan Fuzzy Sistem Designer. Anda harus telah membuat kedua variabel linguistik input dan variabel linguistik output untuk menciptakan basis aturan. 1. Klik tab Rule pada Fuzzy Sistem Designer untuk menampilkan halaman Aturan. 2. Pilih OperatePre-Generate Rules untuk menampilkan Pra-Menghasilkan kotak dialog Aturan. 3. Pilih AND (minimum) dari menu pull-down Antecedent connective. Opsi ini menentukan bahwa tingkat terkecil dari keanggotaan anteseden menentukan nilai kebenaran dari aturan yg dikumpulkan untuk setiap aturan. 4. Masukkan Degree of support dari 1. Opsi ini menentukan berat aturan yang ingin Anda berlakukan untuk setiap aturan. Berat aturan akhir untuk setiap aturan sama dengan Degree of support dikalikan dengan nilai kebenaran dari aturan yg dikumpulkan. 5. Pilih Minimum dari consequen impliction menu pull-down.

Opsi ini menentukan bahwa kontroler logika fuzzy memotong output fungsi keanggotaan pada nilai bobot aturan yang sesuai sebelum melakukan defuzzification. 6. Klik tombol OK untuk mengisi daftar Aturan dengan semua

35 kombinasi istilah linguistik dari variabel input. Setiap aturan menggunakan antecedent connective , Degree of support, dan metode implikasi yang sama dengan yang Anda tetapkan dalam kotak dialog Pre-Generate rules.

41

Gambar 3.23 Dialog Box Rules

Perhatikan bahwa akibat dari setiap aturan dalam daftar Aturan adalah "THEN " sudut kemudi 'IS' NegBig '" Namun., seperti yang digambarkan pada Gambar 3.16 Aturan Dasar, istilah linguistik dari variabel output sudut kemudi tergantung pada kombinasi istilah linguistik dari input variabel. Lakukan langkah-langkah berikut untuk memodifikasi aturan pradihasilkan untuk menggunakan consequents yang benar. 1. Pilih Rule 1 dalam daftar Rule. 2. Dalam kolom THEN untuk Rule 1, pilih NegSmall sebagai istilah linguistik. untuk variabel output linguistik sudut kemudi. Perhatikan consequents Rule 1 berubah menjadi THEN steering angle IS Negsmall . 3. Ulangi langkah 1 dan 2 untuk setiap aturan menggunakan consequents pada Gambar 3.16. 4. Pilih File Save untuk menyimpan sistem fuzzy.

42

sistem fuzzy sekarang memiliki basis aturan linguistik lengkap yang dapat digunakan untuk menganalisis data input dan menghasilkan output data. Namun, peraturan dasar mengembalikan data output sebagai istilah linguistik. kontroler fuzzy harus mendefuzzifikasi data output yang ditentukan aturan dasar sebelum output dapat diterapkan untuk struktur kontrol sistem fuzzy otomatis. Karena itu Anda harus menentukan metode defuzzification untuk kontroler fuzzy untuk digunakan. Pada halaman Aturan Designer Sistem Fuzzy, pilih salah satu dari metode defuzzification dari metode Defuzzification menu pull-down. Kemudian pilih File Save untuk menyimpan sistem fuzzy. Sistem fuzzy lengkap. Pada contoh ini pilih Center of Maximum. Sebelum Anda mengintegrasikan sistem fuzzy ke dalam struktur kontrol yang Anda ingin untuk otomatisasi, Anda mungkin ingin melakukan tes fungsionalitas dari sistem. Anda dapat menguji hubungan antara input dan nilai output dari suatu sistem fuzzy untuk memvalidasi aturan dasar dari sistem fuzzy. Gunakan halaman Test System dari Sistem Fuzzy Designer untuk menguji sistem fuzzy yang dibuat dalam bagian sebelumnya. Lakukan langkah-langkah berikut untuk menguji sistem manuver kendaraan fuzzy. 1. Klik tab Test System pada Fuzzy Sistem Designer untuk menampilkan halaman Test System. 2. Masukkan nilai Input Value 5 untuk variabel input linguistik posisi kendaraan. Ingat dari bagian dari Menciptakan Variabel Linguistik dari bab ini bahwa nilai 5 untuk variabel masukan kendaraan-posisi linguistik sesuai dengan istilah linguistik tengah. 3. Masukkan nilai Input Value -30 untuk variabel input linguistik orientasi kendaraan. Ingat dari bagian Menciptakan Variabel Linguistik bab ini bahwa nilai -30 untuk variabel linguistik kendaraan-orientasi masukan sesuai dengan istilah linguistik kiri bawah.

43

Dalam tabel Invoked Rules, perhatikan bahwa sistem fuzzy memanggil Peraturan 15: IF 'posisi kendaraan' IS 'pusat' dan 'orientasi kendaraan' IS

'kiri bawah' THEN 'sudut kemudi' IS 'NegMed'

Ingat dari bagian Membuat Variabel Linguistik dari bab ini bahwa istilah linguistik NegMed untuk variabel linguistik output sudut kemudi sesuai dengan kisaran antara -30 dan -5. Perhatikan bahwa nilai Output dari variabel outputsudut kemudi -16,7334, yang berada dalam kisaran ini. kontroler fuzzy menghitung nilai output berdasarkan berat aturan, metode implikasi konsekuen, dan metode defuzzification. Anda juga dapat menggunakan kontrol geser nilai input 1 dan nilai input 2 untuk menukar rentang nilai untuk variabel-variabel masukan linguistik dari sistem fuzzy. Anda kemudian dapat mengamati perubahan yang sesuai dalam grafik hubungan Input / Output. Anda dapat menggunakan grafik Input / Output hubungan untuk memverifikasi bahwa rule base adalah wajar dan lengkap. Sebagai contoh, jika grafik hubungan Input / Output adalah 0 di beberapa titik, aturan dasar mungkin tidak lengkap.

44

Setelah Anda membuat sebuah sistem fuzzy dalam Sistem Fuzzy Designer, Anda dapat menggunakan FL Fuzzy Controler VI untuk mengimplementasikan pengontrol untuk sistem fuzzy. Anda dapat memuat fuzzy system yang telah anda buat dan simpan pada hard drive anda

Gambar 3.24 block diagrarm pada system parkir otomatis dengan fuzzy controller

Gambar 3.25 FL Fuzzy Controller VI parkir otomatis kendaraan

45

BAB IVPENUTUP

Kesimpulan Setelah mahasiswa melakukan kerja praktek di Laboratorium Kendali dan Mikrprosesor Universitas Islam Indonesia maka dapat di simpulkan bahwa kita dapat menggunakan logika fuzzy untuk mempercepat pengembangan dan pengimplementasian pengendalian untuk sistem nonlinier ataupun system yang sangat kompleks. Strategi pengendalian dilaksanakan dengan aturan linguistik intuitif sederhana,.kita juga dapat mendesain pembuatan keputusan cerdas dengan menggunakan perangkat lunak logika fuzzy , seperti pengenalan pola atau diagnosis kesalahan. kita dapat menerapkan pengendali fuzzy kontrol dengan aturan yang mudah dimengerti. Istilah linguistik untuk aturan yang ditetapkan dengan fungsi keanggotaan, dan kemudian satu set aturan yang dihasilkan secara otomatis menggunakan perangkat lunak interaktif logika fuzzy. Output dari setiap aturan secara dipilih manual, dan Anda dapat menetapkan nilai-nilai berat untuk mengontrol tuning. Pada Labview perancangan fuzzy kontroler dapat dilakukan dengan PID and Fuzzy Logic Toolkit. Toolkit ini mempunyai fuzzy system designer dan fuzy logic VI untuk mendesain system fuzzy yng anda inginkan. Perancangan fuzzy system dengan fuzzy system designer pada toolkit ini relative mudah di gunakan, graphic user interface pada fuzzy system designer telah meyediakan konfigurasi untuk pembuatan system fuzzy di mana kita dapat dengan mudah masukan nilai nilai dan menentukan aturan untuk system fuzzy tersebut, dan juga telah di sediakan metode metode dasar defuzifikasi sehingga perancangan fuzzy system dapat dilakukan dengan mudah.toolkit ini juga dapat di integrasikan dengan NI DAQ untuk control system

46

Saran Dalam pengintegrasian control system mengunakan NI DAQ di butuhkan ketekunan dan kehati-hatian dikarenakan untuk akusisi data pada device tersebut mempunyai nilai batas dalam pengukuran. Mengetahui dan memahami obyek yang akan di ukur merupakan keharusan bagi penguna.

47

DAFTAR PUSTAKA

Wang, Lin-Xin, 1997, A Course in Fuzzy System And Control, Prientice-Hall, International, inc Kusumadewi, Sri, Purnomo Hari, 2004, Aplikasi Logika Fuzzy untuk pendukung keputusan, Edisi Pertama, Graha Ilmu Yogyakarta. National Instrument 2010. Expressway USa PID and FUZZY LOGIC toolkit User manual Mopac

48