UAS

Ujian Akhir Semester (Aplikasi Fuzzy logic)

TRACKING SOLAR CELL MENGGUNAKAN  METODE FUZZY LOGIC CONTROL

1. Pendahuluan

   Pada saat ini, solar cell sudah banyak sekali digunakan sebagai sumber energi energi listrik, baik itu di PLTS maupun di perumahan penduduk yang dijadikan sebagai sumber listrik milik pribadi tanpa menggunakan jasa PLN. Pada sistem pembangkitan di solar cell ini sangat ditentukan oleh intensitas dan posisi dari matahari agar bisa diperoleh daya maksimum (MPP) dari solar cell. Untuk mendapatkan nilai MPP tersebut dikembangkanlah sistem maximum power point tracking (MPPT).  Di sini, untuk pen-tracking-an digunakanlah logika fuzzy dengan inisialisasi sensor LDR dan input waktu sebagai parameter agar MPPT bisa diperoleh.

2. Struktur dasar Kontrol Fuzzy

UTS

Ujian Tengah Semester 

APLIKASI LOGIKA FUZZY PADA PENENTUAN JUMLAH PRODUKSI BARANG

sumber :http://ojanpunya.blogspot.co.id/2012/12/tutorial-matlab-menentukan-produksi.html

      Pada tahap ini kita terlebih dahulu membuka matlab dengan toolbox Fuzzy . dimana kita akan membuat rancangan untuk nilai nilai yang akan kita masukkan kedalam fuzzy toolbox nantinya. Untuk yang pertama kita lihat diagram alirnya sebagai berikut : 

 

      Untuk pengaplikasian metode Mamdani menggunakan MATLAB , kita mengambil sebuah contoh masalah seperti berikut : Suatu perusahaan akan memproduksi suatu barang. Pada 3 bulan terakhir biaya produksi untuk barang tersebut rata-rata Rp. 500,- per unit dan maksimum mencapai Rp. 1.000,- per unit. Banyak permintaan perhari rata-rata 30.000 unit dan maksimum mencapai 60.000 unit. Sampai saat ini perusahaan mampu memproduksi barang sebanyak 100.000 unit perhari. Proses produksi menggunakan 3 aturan fuzzy sebagai berikut :  

Ø jika biaya produksi rendah dan permintaan naik maka produksi barang bertambah,  

Ø jika biaya produksi standart maka produksi barang normal, atau  

Ø jika biaya produksi tinggi dan permintaan turun maka produksi barang berkurang.

Yang kita prediksi sebagai berikut.

        Untuk pertama kita liat bentuk script dari Fuzzy logic terlebih dahulu untuk inputan menggunakan metode mamdani . 

[System]

Name='tugas'

Type='mamdani'

Version=2.0     

NumInputs=2

NumOutputs=1

NumRules=4

AndMethod='min'

OrMethod='max'

ImpMethod='min'

AggMethod='max'

DefuzzMethod='centroid'

[Input1]

Name='BiayaProduksi'

Range=[0 1000]

NumMFs=3

MF1='Rendah':'zmf',[0 500]

MF2='Standar':'pimf',[0 500 500 1000]

MF3='Tinggi':'smf',[500 1000] 

[Input2]

Name='Permintaan' 

Range=[0 60]

NumMFs=3 

MF1='Turun':'trapmf',[0 0 10 30]

MF2='Cukup':'trimf',[10 30 50]

MF3='Naik':'trapmf',[30 50 60 60]

[Output1]

Name='ProduksiBarang'

Range=[0 100]

NumMFs=3

MF1='Berkurang':'trapmf',[0 0 10 50]

MF2='Normal':'trimf',[30 50 70]

MF3='Bertambah':'trapmf',[50 90 100 100]

[Rules] 

1 3, 3 (1) : 1

2 0, 2 (1) : 1

3 1, 1 (1) : 1

2 2, 2 (1) : 1  

      Dari script yang diatas dapat kita atur sesuai keinginan kita . berapa jumlah produksi dan biaya beserta permintaan. Langkah – langkahnya : 

1. Membuka ToolBox Fuzzy Kita input nama nama serta range range untuk menentukan jumlah produksi barang pada Gui fuzzy tersebut. 

2. Buat Member Function untuk Input Biaya Produksi Kita disini membuat untuk biaya produksi sebesar Rp. 1000,- . jadi kita membuat range nya yaitu [0 1000] pada member function BiayaProduksi , serta mengatur pilihan pilihan untuk tiap tiap rangenya. Dengan memberikan opsi untuk biaya produksi “Rendah, Standar, Tinggi” 

3. Member Function Input Permintaan Untuk permintaan hampir sama dengan biaya produksi, Permintaan kita ambil dengan nilai 60.000. Pada kotak range kita masukan nilainya dengan nilai range 60 saja [0 60]. Dan memuat opsi seperti berikut “Turun , Cukup, Naik”. 

4. Member Function output Produksi Barang Untuk biaya produksi barang kita membuat nilai 100.000 untulk produksi barang perharinya. Pada range kita cukup membuat nilai 100 [0 100]. Dengan opsi “berkurang,normal, Bertambah”. 

5. Mengatur Rule-nya untuk metode Mamdani. Fungsinya sebagai berikut : 

- If(biayaproduksi is Rendah) and (permintaan naik) then (produksibarang is bertambah) 

- If(biayaproduksi is normal) then (produksibarang is normal) 

- If(biayaproduksi is tinggi) and (permintaan is turun) then (produksibarang is berkurang) 

- If(biayaproduksi is standar) and (permintaan is cukup) then (produksibarang is normal) 

6. Menginputkan nilai nilai yang dibuat pada tabel sebelumnya Dan kita dapat melihat ruler view yang kita buat sebelumnya. Untuk input biaya produksi = Rp. 500,- dan permintaan = 30000 perunitnya. 

Surface Viewer 

Pada command window Matlab ada berapa cara untuk menentukan nilainya. - Pertama kita membuka Fuzzy toolbox yang kita buat sebelumnya. Ketikaan >> Fuzzy - Ketik >>fis=readfis(‘tugas’)

fis =

name: 'tugas'

type: 'mamdani'

andMethod: 'min'

orMethod: 'max'

defuzzMethod: 'centroid'

impMethod: 'min'

aggMethod: 'max'

input: [1x2 struct]

output: [1x1 struct]

rule: [1x4 struct] 

Menentukan nilai yang akan kita cari Ketik >>out=evalfis([biayaproduksi permintaan], fis) Contohnya : out=evalfis([500 30],fis)

Hasilnya :

out =

             50  

Jadi Hasil yang kita dapatkan berdasarkan yang kita cari pada tabel adalah seperti berikut :

 tabel

APLIKASI LOGIKA FUZZY PADA SISTEM KONTROL FREKUENSI PUTAR KIPAS ANGIN

sumber : UTS Sistem Cerdas tahun 2015 (Jeny Kembar dan Yosita Anggraini)

1.      Pendahuluan

       Untuk mengatur frekuensi putar kipas angin secara otomatis digunakan sistem kontrol yang dapat mengontrol sumber frekuensi putar kipas angin.  Sistem kontrol ini dipengaruhi oleh tiga variabel yaitu: kecepatan putar kipas angin, suhu ruangan, dan sumber frekuensi putar kipas angin. 

        Berdasarkan data spesifikasi dari pabrik,, kecepatan putar kipas angin terkecil 1000 rpm (rotary permenit) dan terbesar 5000 rpm, kemampuan sensor suhu ruangan berada dalam interval 100 Kelvin hingga 600 Kelvin,sedangkan sumber frekuensi putar kipas angin hanya mampu menyediakan frekuensi sebesar 2000 rpm hingga 7000 rpm.

• Apabila sistem kontrol ruagan tersebut menggunakan 4 rule berikut,

[R1] IF kecepatan LAMBAT And suhu   TINGGI THEN frekuensi KECIL;

[R2] IF kecepatan LAMBAT And suhu   RENDAH THEN frekuensi KECIL;

[R3] IF kecepatan CEPAT And suhu       TINGGI THEN frekuensi BESAR;

[R4] IF kecepatan LAMBAT And suhu   RENDAH THEN frekuensi BESAR;

• Berapa sumber frekuensi putar kipas angin yang dihasilkan sistem kontrol tersebut bila pada saat itu sensor suhu menunjukkan anga 300 Kelvin, sedangakan kipas angin berputar dengan kecepatan 4000 rpm?

• Selesaikan masalah tersebut dengan menggunakan metode:

-          Tsukamoto

-          Mamdani

-          Sugeno, tetapi rule-rulenya berubah menjadi seperti berikut:

[R1] IF kecepatan LAMBAT And suhu TINGGI THEN frekuensi = 0,5*kecepatan+1700;

[R2] IF kecepatan LAMBAT And suhu RENDAH THEN frekuensi =2*kecepatan-4000;

[R3] IF kecepatan CEPAT And suhu TINGGI THEN frekuensi = 0,5*kecepatan+2000;

[R4] IF kecepatan CEPAT And suhu RENDAH THEN frekuensi = kecepatan+700;

SOLUSI: Metode Tsukamoto

a. Tahap 1: Fuzzifikasi

     Berdasarkan kriteria dalam persoalan tersebut, ada 3 variabe lfuzzy yang dapat dimodelkan menjadi grafik keabggotaan seperti berikut:

 1.       Kecepatan; terdiri atas 2 himpunan fuzzy, yaitu LAMBAT DAN CEPAT

         

    Derajat keanggotaan untuk kecepatan 4000 rpm adalah:

 2.  Suhu; terdiri atas 2 himpunan fuzzy, yaitu RENDAH dan TINGGI

      Derajat keanggotaan untuk suhu 300 Kelvin adalah:

3.   Frekuensi; terdiri atas 2 himpunan fuzzy, yaitu KECIL dan BESAR 

b. Tahap 2: Pembentukan rule

Tahap 3: Mesin Inferensi

                Pada mesin inferensi, kita terapkan fungsi MIN untuk setiap aturan pada aplikasi fungsi implikasinya.

• [R1]       IF kecepatan LAMBAT And suhu TINGGI THEN frekuensi KECIL;

Lihat himpunan KECIL pada grafik keanggotaan variabel frekuensi,

(7000-z)/5000=0,25   -------à z1=5750 (rpm)

• [R2]       IF kecepatan LAMBAT And suhu RENDAH THEN frekuensi KECIL;

Lihat himpunan KECIL pada grafik keanggotaan variabel frekuensi,

(7000-z)/5000=0,25   -------à z2=5750 (rpm)

• [R3]       IF kecepatan CEPAT And suhu TINGGI THEN frekuensi BESAR;

Lihat himpunan KECIL pada grafik keanggotaan variabel frekuensi,

(z-2000)/5000=0,4   -------à z3=4000 (rpm)

• [R4]       IF kecepatan CEPATAnd suhu RENDAH THEN frekuensi BESAR;

Lihat himpunan KECIL pada grafik keanggotaan variabel frekuensi,

(z-2000)/5000=0,6  -------à z4=5000(rpm)

Tahap 4: Defuzzyfikasi

                Nilai tegas z dapat dicari menggunakan rata-rata terbobot, yaitu:

Jadi, sumber frekuensi putar kipas angin yang dihasilkan sistem kontrol haruslah 4983 rpm.

SOLUSI: Metode Mamdani

Tahap 3: Mesin Inferensi

kita terapkan fungsi MIN untuk setiap aturan pada aplikasi fungsi implikasinya.

• [R1]       IF kecepatan LAMBAT And suhu TINGGI THEN frekuensi KECIL;

• [R2]       IF kecepatan LAMBAT And suhu RENDAH THEN frekuensi KECIL;

• [R3]       IF kecepatan CEPAT And suhu TINGGI THEN frekuensi BESAR;

• [R4]       IF kecepatan CEPATAnd suhu RENDAH THEN frekuensi BESAR;

Komposisi rule menggunakan fungsi max

Kemudian, daerah hasil komposisi kita bagi menjadi 3 bagian yaitu A1,A2, dan A3, sehingga menjadi himpunan fuzzy baru. Carilah nilai a1 dan a2:

(a1-2000)/5000=0,25àa1=3250

(a2-2000)/5000=0,60àa2=5000

Dengan demikian, fungsi keanggotaan untuk himpunan fuzzy baru adalah:

Tahap 4: Defuzzyfikasi

Pada tahap ini metode Centroid digunakan.

Jadi, sumber frekuensi putar kipas angin yang dihasilkan sistem kontrol haruslah 4247,74 rpm

SOLUSI: Metode Sugeno

Tahap 3: Mesin Inferensi

Mencari -predikat dan nilai z setiap aturan

• [R1]       IF kecepatan LAMBAT And suhu TINGGI THEN frekuensi=0,5*kecepatan+1700;

Nilai z1:               z1=0,5*4000+1700=2000+1700=3700

• [R2]       IF kecepatan LAMBAT And suhu RENDAH THEN frekuensi =2*kecepatan-400;

Nilai z2:               z2=2*4000-4000=4000

• [R3]       IF kecepatan CEPAT And suhu TINGGI THEN frekuensi =0,5*kecepatan+2000;

Nilai z3:               z3=0,5*4000+2000=4000

• [R4]       IF kecepatan CEPATAnd suhu RENDAH THEN frekuensi BESAR;

Nilai z4:               z4=4000+700=4700

Tahap 4: Defuzzyfikasi

Nilai z dicari dengan persamaan berikut:

Jadi, sumber frekuensi putar kipas angin yang dihasilkan sistem kontrol haruslah 4230 rpm

JARINGAN SYARAF TIRUAN

BAB III

Jaringan Syaraf Tiruan

Pengenalan Jaringan Syaraf Tiruan

Bagian penting jaringan syaraf secara biologis, yaitu :

1. Dendrit

2. Soma

3. Axon

Jaringan Syaraf Tiruan  adalah sebuah system pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Dengan asumsi :

• Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron);
•  Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung;
•  Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal;
•  Untuk menentukan output, setiap neuron menggunakan funsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan input yang diterima . Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang.

Contoh : Neuron Y

 Y menerima input dari neuron x₁, x₂, dan x₃dengan bobot hubungan masing- masinga dalah w₁, w₂, dan w₃. Ketiga impuls neuron yang ada dijumlahkan.

Besarnyaimpuls yang diterimaoleh Y mengikutifungsiaktivasi y = f(net). Apabilafungsiaktivasicukupkuat, makasiyalakanditeruskan. Nilaifungsiaktivasi (keluaran model jaringan) jugadapatdipakaisebagaidasaruntukmerubahbobot.

Aplikasi Jaringan Syaraf Tiruan

1. Pengenalan Pola (pattern Recognition)

Jaringan syaraf tiruan dapat dipakai untuk mengenali pola (misal huruf, angka, suara atau tanda tangan) yang sudah sedikit berubah.

2. Signal Processing

Jaringan syaraf tiruan (model ADALINE) dapat dipakai unuk menekan noise dalam saluran telepon.

3. Peramalan

Jaringan syaraf tiruan juga dapat dipakai untuk meramalkan apa yang sudah terjadi di masa yang akan datang berdasarkan pola kejadian yang ada di masa lampau. Ini dapat dilakukan mengingat kemampuan jaringan syaraf tiruan untuk mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya.

Dalam syaraf tiruan, prosesnya banyak berhubungan dengan vektor dan matriks.

1. Vektor

Operasi vektor :

- Perkalian vektor dengan skalar

- Penjumlahan 2 buah vektor

- Hasil kali titik 2 vektor

Penjumlahan vektor (matlab)

Perkalian vektor (matlab)

Norma Vektor

Beberapa sifat norma vektor adalah sebagai berikut :

a. Jika c adalah sembarang bilangan rill, maka ||cx|| = |c| ||x||

b. Jarak 2 buah vektor x dan y adalah ||x-y||

c.    adalah vektor searah x dengan panjang = 1

d. Pertidaksamaan Cauchy-Schwartz :

                                                (xy)²≤||x||²||y||²

Matriks ( penjelasaan ada di sub bab Fuzzy Logic )

Model Neuron

—Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian jaringan syaraf tiruan.

3 elemen pembentuk neuron :

1. Himpunan unit unit yang dihubungkan dengan jalur koneksi.

   Dimana memiliki bobot  positif(memperkuat sinyal)dan bobot negative(memperlemah sinyal)

2. Unit penjumlahan,

   Berfungsi untuk menjumlahkan input input sinyal yang sudah dikalikan dengan bobotnya

3. Fungsi aktifasi

    Menentukan apakah sinyal input neuron akan diteruskan ke neuron lain atau tidak.

Arsitektur Jaringan

- Jaringan layar tunggal

- —Jaringan layar jamak

- Jaringan Recurrent (Feedback Loop/output memberikan sinyal pada input)

Fungsi  Aktivasi

Dipakai untuk menentukan keluaran suatu neuron,argumentasi fungsi aktivasi adalah net masukan(kombinasi linier masukan dan bobotnya).

a. fungsi threshold(batas ambang)

            b. fungsi sigmoid

c. Fungsi Identitas

                     f(x) = x

Bias dan Threshold 

—            Bias dapat dipandang sebagai salah sebuah input yang nilainya = 1,yang berfungsi untuk mengubah nilai threshold menjadi 0(bukan = a)

Pelatihan Dengan dan Tanpa Supervisi

Berdasarkan strategi pelatihan,model jaringan di bagi menjadi 2:

a)      Pelatihan dengan supervisi

                contoh model yang masuk dalam kategori ini antara lain model hebbian,perceptron,adaline,dll.

a)      Pelatiahan tanpa supervisi

                contoh model yang masuk dalam kategori ini antara lain model competitive,hebbian,kohonen,dll.

Aplikasi yang telah ditemukan:

◦       Klasifikasi

                Model yang masuk aplikasi ini adalah ADALINE,LVQ,dll.

◦       Pengenalan pola

                Model yang masuk aplikasi ini adalah Art,LVQ,dll.

◦       Peramalam

                Model yang masuk aplikasi ini adalah ADELINE,MADELINE,dll.

◦       Optimisasi

                Model yang masuk aplikasi ini adalah ADELINE,Hepfield,Boltzman,dll.

Neuron Mc Culloch-Pitts (model JST yang pertama kali dotemukan)

- Fungsi aktivasinya biner

- Semua garis yang memperkuat sinyal(bobot positif) ke arah neuron memilik besar boot yang sama.Hal ini juga berlaku untuk garisyang memperlemah sinyal(bobot negatif)

- Setiapneuron memiliki threshold yang sama,apabila total neuron melebihi threshold maka neuron akan meneruskan sinyal.