http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/download/5084/2400
[KEMBALI KE MENU SEBELUMNYA]
- Mahasiswa mampu membuat rangkaian sederhana dengan visual studio.
- Mahasiswa mampu memecahkan kasus terkait perancangan fuzzy logic controller.
2. Alat dan Bahan [back]
Alat yang digunakan yaitu Software Matlab dan Aplikasi Proteus(Visual Studio).
3. Dasar Teori [back]
MATLAB merupakan bahasa pemrograman tingkat tinggi yang dikembangkan oleh MathWorks dan dikhususkan untuk komputasi numerik, visualisasi, dan pemrograman.
Beberapa teknik pendeteksian dan sistem
kontrol otomatis banyak menggunakan teknik
komparasi ataupun logika fuzzy dalam
pengolahan datanya. Penalaran Fuzzy sering
disebut dengan analogi samar yaitu nilai yang
dipakai berada diantara 0 dan 1. Jika diterapkan
dalam sistem akan mendapatkan hasil yang
dinamis dan akurat. Output
sistem merupakan hasil dari reaksi suhu, api
dan asap serta jika terjadi indikasi kebakaran
maka pemadaman dengan cara menjalankan
pompa penyemprot air dan exhaustfan yang
bekerja secara on-off dan proporsional. Maka
dari itu dengan pengolahan data menggunakan
fuzzy diharapkan lebih akurat dalam
penanganannya.
Parameter yang digunakan dalam menjaga pendeteksian api dan asap adalah sebagai berikut:
- Suhu
- Asap
- Api
Pada percobaan control fuzzy yang akan dilakukan, setiap variabel yang menjadi parameter pertumbuhan cabai diberikan rentang nilai sesui kondisi pada tabel berikut :
1. Suhu (derajat Celcius)
sangat dingin = 0 - 8
Dingin = 8 - 16
agak Dingin = 16 - 25
Normal = 10 - 30
Sedikit Panas = 25 - 35
Panas = 35 - 42
Sangat Panas = 42 - 50
2. Asap (ppm)
sangat tipis = 0 - 15
tipis = 15 - 30
agak tipis = 30 - 50
sedang = 25 - 75
sedikit tebal = 50 - 70
tebal = 70 - 90
sangat tebal = 90 - 100
3. Api (mm)
sangat dekat = 0 - 150
lumayan dekat = 150 - 300
dekat = 100 - 350
agak jauh = 350 - 600
jauh = 400 - 650
sangat jauh = 650 - 900
tidak ada api = 700 - 1000
1. Kecepatan Kipas
sangat lambat = 0 - 40
lambat = 40 - 80
agak lambat = 80 - 125
sedang = 65 - 125
agak cepat = 125 - 185
cepat = 125 - 200
sangat cepat = 200 - 215
2. Durasi Pompa
sangat singkat = 0 - 20
singkat = 20 - 30
lumayan singkat = 40 - 60
agak lama = 30 - 60
sedikit lama = 60 - 90
lama = 60 - 90
sangat lama = 90 - 120
Berikut adalah kondisi yang iklim yang di atur di dalam greenhouse
Adaptive Neuro Fuzzy Infererence System (ANFIS)
A. Gambaran Umum ANFIS
Adaptive Neuro Fuzzy Inference System (ANFIS) adalah jaringan yang berbasis pada system inference fuzzy. Parameter ANFIS dapat dipisahkan menjadi dua, yaitu parameter premis dan konsekuen yang dapat diadaptasikan dengan pelatihan hybrid.
ANFIS (Adaptive Neuro Fuzzy Inference System atau Adaptive Networkbased Fuzzy Inference System) adalah arsitektur yang secara fungsional sama dengan fuzzy rule base model Sugeno.
B. Arsitektur ANFIS
ANFIS adalah penggabungan mekanisme fuzzy inference system yang digambarkan dalam arsitektur jaringan syaraf. Sistem inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy modelSugeno orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi.
Model Sugeno orde satu dengan dua aturan fuzzy if-then adalah sebagai berikut.
 |
| Gambar 2. ANFIS dengan Model Sugeno |
 |
| Gambar 3.Arsitektur Jaringan ANFIS |
Lapisan 1:
Lapisan ini merupakan lapisan fuzzifikasi. Pada lapisan ini tiap neuron adaptif terhadap parameter suatu aktivasi. Output dari tiap neuron berupa derajat keanggotaan yang diberikan oleh fungsi keanggotaan input. Misalkan fungsi keanggotaan Generalized Bell diberikan sebagai.
Lapisan 2:
Lapisan ini berupa neuron tetap (diberi simbol П) merupakan hasil kali dari semua masukan, sebagai berikut.
Biasanya digunakan operator AND. Hasil perhitungan ini disebut firing strength dari sebuah aturan. Tiap neuron merepresentasikan aturan ke-i.
Lapisan 3:
Tiap neuron pada lapisan ini berupa neuron tetap (diberi simbol N) merupakan hasil perhitungan rasio dari firing strength ke-i (wi) terhadap jumlah dari keseluruhan firing strength pada lapisan kedua, sebagai berikut:
Hasil perhitungan ini disebut normalized firing strength.
Lapisan 4:
Lapisan ini berupa neuron yang merupakan neuron adaptif terhadap suatu output, sebagai berikut.
Lapisan 5:
Lapisan ini berupa neuron tunggal (diberi simbol sigma ) merupakan hasil penjumlahan seluruh output dari lapisan keempat, sebagai berikut.
4. Rangkaian Simulasi[back]
5. Percobaan[back]
Langkah 1.
Buat tabel kondisi iklim (343 kondisi) pada workspace matlab sesui tabel yang tertera yang sebelumnya.
Langkah 2. Buka Toolbox Neuro Fuzzy Controller
Langkah 3
Load data dari workspace yang telah kita buat sebelumnya dengan menginptkan nama file dari workspace. kemudian atur seperti gambar berikut
Untuk number of MF kita buat sesuia jumlah member function. Disini kita buat 7 7 7 = 343 jumlah data. dengan type trimf.
Langkah 5.
Klik Structute untuk melihat ANFIS Model Structur yang telah dibuat.
Pada structur diatas terdapat sebanyak 343 Rule.
Langkah 6.
Atur Train FIS dengan metode hybrid,toleransi = 0, dan Epochs = 50.
maka setelah itu klik Train Now. Maka akan tampil seperti berikut
Pada hasil di tas di dapatkan nilai error sebesar 0.00011235. Nilai nya mendekati 0. artinya sesui dengan pegaturan yag kita buat.
Eksport file ANFIS ke FIS type Sugeno dengan cara klik file > Export> To File.
Keudian buat nama file sesuia yg diinginkan. Maka setelah di eksport file tersebut akan seperti berikut
Langkah 8.
Cek Membership Function dan Rule pada sugeno apakah sudah sesuia dengan rule pada ANFIS.
Langkah 9.
Lakukan uji coba kecocokan data menggunkaan simulink matlab Fuzzy Logic Controller.
Gunakan file FIS Sugeno yang telah kita Eksport sebelumnya dari ANFIS pada Fuzzy Logic Controller. kemudian Masukkan nilai untuk masing-masing konstanta dan sesuaikan dengan tabel yang kita buat di awal (343 data tabel).
6. Video[back]
7. Link Download[back]
ANFIS (Sugeno) [Download]
Simulink MATLAB [Download]
File Rangkaian Simulasi Proteus [Download]
Video Rangkaian Simulasi Proteus [Download]
Video ANFIS MATLAB [Download)
HTML [Download]
No comments:
Post a Comment