Terbit online pada laman web jurnal: http://journal.
id/index.
php/JASENS JOURNAL OF APPLIED SMART ELECTRICAL
NETWORK AND SYSTEMS (JASENS)
Vol.
6 No.
97 - 109
ISSN Media Elektronik: 2723-5467
Implementasi Metode Fuzzy dan PID dalam Perancangan Sistem Kontrol
Kecepatan Motor Chain Conveyor
1, 2, 3
Sofi Berliana Rizky1.
Isa Rachman2.
Ii Munadhif3 Jurusan Teknik Kelistrikan Kapal.
Program Studi Teknik Otomasi.
Politeknik Perkapalan Negeri Surabaya sofiberlianarizky@gmail.
com*, 2isarachman@ppns.
id, 3iimunadhif@ppns.
Abstract In industrial production systems, chain conveyors are critical components for efficiently transferring materials.
However, dynamic load variations can cause disturbances in the performance of the driving motor, such as increased current and temperature, which may lead to damage.
This study aims to design a motor speed control system for a chain conveyor using the Sugeno fuzzy and PID methods to address these issues.
The system relies on inputs from Load Cell sensors .
aterial weigh.
PT100 .
otor temperatur.
, and PZEM-004T .
lectric curren.
, which are processed using fuzzy rules to determine the inverter frequency setpoint, allowing the motor speed to adjust according to load variations.
PID control is employed to maintain the stability of the motor speed to match the determined setpoint.
The design incorporates sensor integration.
ESP32, and actuators such as relays and servo motors, with PWM signals converted into analog voltage.
System simulations using Matlab software demonstrate that the Sugeno fuzzy method can accurately determine the inverter frequency setpoint based on actual inputs.
In testing with a material weight of 900 grams, a motor temperature of 33.
2AC, and an electric current of 1.
1 A,
the system successfully generated a motor frequency of 15 Hz.
Meanwhile, the PID auto-tuning results yielded optimal parameters with Kp = 0.
Ki = 0.
166618, and Kd = 0.
The system showed a rise time of 0.
158 seconds, a settling time of 2.
79 seconds, and an overshoot of 11.
These results indicate that the combination of Fuzzy and PID methods is effective in maintaining motor performance stability, adaptively adjusting the speed according to load variations, and minimizing the risk of overload during operation.
Keywords: fuzzy, control, speed, motor.
PID Abstrak Dalam sistem produksi industri, chain conveyor merupakan komponen penting untuk memindahkan material secara efisien.
Namun, variasi beban secara dinamis dapat menyebabkan gangguan pada kinerja motor penggerak, seperti peningkatan arus dan suhu yang berisiko menyebabkan kerusakan.
Penelitian ini bertujuan merancang sistem kontrol kecepatan motor chain conveyor menggunakan metode fuzzy Sugeno dan PID untuk mengatasi permasalahan tersebut.
Sistem mengandalkan input dari sensor Load Cell .
erat materia.
PT100 .
uhu moto.
, dan PZEM-004T .
rus listri.
yang diproses menggunakan aturan fuzzy untuk menentukan set point frekuensi inverter sehingga kecepatan motor dapat disesuaikan dengan perubahan Sedangkan kontrol PID digunakan untuk menjaga kestabilan kecepatan motor agar sesuai dengan nilai set point yang Perancangan dilakukan dengan integrasi sensor.
ESP32, serta aktuator seperti relay dan motor servo, dengan pengaturan sinyal PWM yang dikonversi menjadi tegangan analog.
Simulasi sistem menggunakan software Matlab menunjukkan bahwa metode fuzzy Sugeno mampu menentukan set point frekuensi inverter yang digunakan untuk mengatur kecepatan motor secara akurat berdasarkan input aktual.
Pada pengujian dengan berat material 900 gram, suhu motor 33,2AC, dan arus listrik 1,1 A, sistem berhasil menghasilkan frekuensi motor sebesar 15 Hz.
Sementara itu, hasil auto tuning PID memberikan parameter optimal dengan Kp = 0,16423.
Ki = 0,166618, dan Kd = 0,0030726.
Sistem menunjukkan rise time 0,158 detik, settling time 2,79 detik, dan overshoot 11,6%.
Hasil ini menunjukkan bahwa kombinasi metode Fuzzy dan PID efektif dalam menjaga kestabilan performa motor, menyesuaikan kecepatan secara adaptif terhadap perubahan beban, serta meminimalkan risiko overload selama operasi.
Kata kunci: fuzzy, kontrol, kecepatan, motor.
PID Diterima Redaksi : 14-05-2025 | Selesai Revisi : 08-07-2025 | Diterbitkan Online : 31-12-2025 Pendahuluan melalui penerapan sistem transportasi material yang andal seperti chain conveyor.
Chain conveyor Industri merupakan sistem pemindahan material secara meningkatkan keandalan proses produksi, salah satunya horizontal atau miring yang terdiri dari rantai yang Sofi Berliana Rizky1.
Isa Rachman2.
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
97 Ae 109 bergerak dalam rel tertutup dan digerakkan oleh motor beban listrik.
Hasil dari metode fuzzy digunakan roda gigi yang terhubung ke sproket melalui kopling sebagai referensi frekuensi inverter, yang selanjutnya fleksibel atau poros roda gigi heliks .
Salah satu distabilkan menggunakan pengendali PID.
Fokus utama tantangan utama dalam pengoperasian chain conveyor penelitian adalah menganalisis efektivitas sistem dalam adalah menjaga kinerja motor penggerak tetap stabil mengatur kecepatan motor secara adaptif terhadap meskipun terjadi perubahan beban secara dinamis.
variasi beban, serta memastikan motor bekerja secara Beban berlebih dapat menyebabkan peningkatan arus, efisien dan aman tanpa mengalami overloading.
kenaikan suhu, dan bahkan kerusakan motor, sehingga Metode Penelitian diperlukan sistem kontrol yang adaptif terhadap variasi kondisi operasi.
Penelitian ini mengimplementasikan metode fuzzy tipe Sugeno yang dikombinasikan dengan kontrol PID Dalam upaya mengatasi tantangan tersebut, dibutuhkan (Proportional-Integral-Derivativ.
sistem kontrol kecepatan motor yang mampu kendali kecepatan motor induksi pada aplikasi chain menyesuaikan diri secara fleksibel terhadap perubahan Pemilihan metode Sugeno didasarkan pada Salah satu pendekatan yang efektif untuk tujuan keunggulannya dalam menghasilkan output yang ini adalah dengan menerapkan metode fuzzy.
Metode berbentuk linier atau konstan, sehingga lebih mudah fuzzy dikenal memiliki kemampuan dalam menangani diintegrasikan dengan sistem kontrol digital seperti data yang bersifat tidak pasti serta mampu membuat Sementara itu, kontrol PID digunakan untuk keputusan berdasarkan himpunan aturan linguistik, menjaga kestabilan kecepatan motor agar tetap sesuai sehingga sangat sesuai digunakan pada sistem dengan dengan set point yang dihasilkan oleh sistem fuzzy.
variabilitas tinggi dan ketidakpastian data .
Dalam konteks sistem kontrol kecepatan motor, metode fuzzy Sistem ini dirancang untuk merespons variasi beban dapat digunakan untuk menentukan set point frekuensi secara dinamis menggunakan data dari beberapa sensor, inverter berdasarkan input seperti berat material, suhu, yaitu Load Cell sebagai pengukur berat material secara dan arus motor.
Output dari sistem fuzzy kemudian real time, sensor PT100 untuk mengukur suhu motor, digunakan sebagai referensi untuk pengaturan dan sensor PZEM-004T guna mengukur tegangan, arus, kecepatan motor agar tetap bekerja dalam kondisi dan daya listrik.
Tahapan penelitian ini terdiri atas beberapa proses Penelitian bahwa utama yang saling terintegrasi.
Proses pertama adalah peningkatan beban pada motor induksi dapat memicu fuzzifikasi terhadap input yang diperoleh dari sensor, kenaikan arus rotor, meningkatkan slip, serta yaitu mengubah nilai numerik menjadi representasi menurunkan kecepatan rotor .
Dalam konteks ini, linguistik berdasarkan fungsi keanggotaan tertentu.
metode fuzzy memungkinkan sistem menjadi lebih Proses selanjutnya adalah inferensi fuzzy, di mana responsif, menghindari kondisi overload, serta menjaga sistem menggunakan aturan IF-THEN berdasarkan motor tetap beroperasi dalam batas aman.
Selain itu, kombinasi kondisi input untuk menentukan output beberapa studi juga menunjukkan bahwa kontrol PID berupa nilai frekuensi.
Pada metode fuzzy tipe Sugeno, (Proportional-Integral-Derivativ.
mampu menjaga setiap aturan memiliki output linier yang langsung kestabilan sistem secara presisi.
PID digunakan untuk dihitung melalui perhitungan matematis berbobot meminimalkan kesalahan antara kecepatan aktual dan terhadap hasil inferensi.
Output akhir dari sistem set point yang ditentukan, serta mempercepat respons digunakan untuk mengatur frekuensi inverter sehingga sistem tanpa menimbulkan overshoot yang berlebihan kecepatan motor dapat disesuaikan dengan perubahan .
Sistem ini akan mampu meningkatkan keandalan beban.
dan stabilitas motor chain conveyor secara signifikan.
Nilai frekuensi yang dihasilkan dari sistem fuzzy terutama dalam lingkungan produksi yang dinamis.
digunakan sebagai set point bagi kendali PID.
Dengan menggabungkan metode fuzzy yang adaptif dan Pengendali PID berfungsi menjaga kecepatan motor PID yang presisi, sistem kontrol kecepatan motor dapat tetap stabil dengan meminimalkan error antara dirancang untuk responsif sekaligus stabil.
Metode kecepatan aktual dan nilai set point.
Kecepatan aktual fuzzy digunakan untuk menentukan set point frekuensi motor diperoleh melalui pembacaan dari rotary inverter yang digunakan untuk mengatur kecepatan encoder atau feedback sinyal inverter.
Keseluruhan motor berdasarkan kondisi aktual, sedangkan PID sistem ini dijalankan oleh mikrokontroler ESP32 yang bertugas memastikan kecepatan motor tetap stabil berperan dalam membaca data sensor, menjalankan terhadap set point tersebut.
metode fuzzy, menghitung respon PID, serta menghasilkan sinyal PWM untuk mengendalikan Penelitian ini bertujuan untuk merancang sistem frekuensi inverter.
Selain itu, sistem dilengkapi dengan kontrol kecepatan motor chain conveyor berbasis fitur pemantauan real-time Melalui LCD, sehingga metode fuzzy dan PID.
Sistem ini dirancang pengguna dapat memantau performa motor dan status menggunakan sensor load cell untuk mengukur berat sistem secara berkala.
material, sensor suhu PT100 untuk mengukur suhu motor, dan sensor arus PZEM-004T untuk mengukur Journal of Applied Smart Electrical Network and Systems (JASENS) Sofi Berliana Rizky1.
Isa Rachman2.
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
97 Ae 109 Penelitian ini mengacu pada karya Muhammad Isnan ESP32 sebagai pengendali utama.
Sistem menerima Saichoni .
dalam proyek akhirnya yang berjudul input dari sensor PZEM-004T .
, sensor suhu AuSistem Proteksi Motor Induksi Tiga Fasa pada Mesin PT100 .
uhu moto.
, rotary encoder .
ecepatan moto.
Hot Press dengan Metode Fuzzy LogicAy berfokus pada Load Cell .
erat materia.
, sensor infrared proximity pengembangan sistem proteksi motor induksi tiga fasa .
eberadaan materia.
, dan push button .
emicu prose.
dari kerusakan akibat arus lebih, tegangan tidak stabil.
Output dari ESP32 berupa sinyal PWM dikonversi dan suhu berlebih.
Sistem menggunakan sensor menjadi tegangan analog oleh modul PWM to Voltage ACS712.
ZMPT101B, dan thermocouple tipe K, serta untuk mengontrol inverter, yang mengatur kecepatan memutus daya saat parameter melebihi batas .
motor induksi.
ESP32 juga mengontrol relay untuk Meskipun efektif, sistem hanya berfungsi sebagai mengaktifkan Magnetic Contactor, serta berkoordinasi proteksi dan belum mengatur kecepatan motor secara dengan Thermal Overload Relay sebagai proteksi suhu.
Motor servo digunakan untuk membuka-tutup pintu penimbang berdasarkan berat material.
Data sensor Penelitian serupa juga dilakukan oleh Muhammad Nur ditampilkan secara real-time melalui LCD dan pilot Ramadani .
dalam skripsinya berjudul lamp sebagai indikator status sistem.
Perancangan ini AuImplementasi Kendali Kecepatan Motor Induksi Tiga mendukung implementasi metode fuzzy Sugeno untuk Fasa Menggunakan Kontroler PIDAy.
Penelitian ini menentukan set point frekuensi inverter berdasarkan menerapkan kontrol PID untuk mengatur kecepatan kondisi beban aktual, yang kemudian disempurnakan motor induksi menggunakan inverter .
Pengujian melalui kendali PID agar kecepatan motor tetap stabil menunjukkan respons sistem yang baik terhadap dan presisi.
perubahan set point, namun belum mampu menyesuaikan kecepatan motor secara otomatis 2.
Motor Induksi Tiga Fasa terhadap variasi beban.
Motor induksi tiga fasa merupakan perangkat yang Berbeda dari kedua penelitian tersebut, penelitian ini mengubah energi listrik menjadi energi mekanik mengombinasikan metode fuzzy dan PID untuk menggunakan prinsip induksi elektromagnetik.
Arus merancang sistem kontrol kecepatan motor yang lebih pada kumparan stator menghasilkan medan magnet Sistem tidak hanya berfungsi sebagai proteksi, berputar, yang kemudian menginduksi arus pada rotor tetapi juga mampu menyesuaikan kecepatan motor dan menyebabkan rotor berputar .
Kecepatan sinkron secara real-time berdasarkan beban aktual melalui motor dipengaruhi oleh frekuensi sumber listrik dan integrasi sensor, sehingga dapat menjaga performa jumlah kutub motor, dengan persamaan motor tetap optimal dan terhindar dari risiko overload dalam kondisi operasional industri yang dinamis.
Ns = 120 y 1 Diagram Blok Sistem Pada motor dengan daya 0,55 kW dan kecepatan 2790 RPM, torsi nominal berkisar 1,883 Nm, dan saat starting dapat mencapai 2,82 hingga 4,71 Nm .
ekitar 1,5Ae2,5 kali torsi nomina.
Motor induksi tiga fasa pada penelitian ini berfungsi sebagai aktuator utama untuk menggerakkan chain Motor induksi tiga fasa yang digunakan ditampilkan pada Gambar 2, sedangkan spesifikasinya dapat dilihat pada Tabel 1.
Gambar 2.
Motor Induksi Tiga Fasa Tabel 1.
Spesifikasi Motor Induksi Tiga Fasa Gambar 1.
Diagram Blok Sistem
Parameter Spesifikasi
Tipe
Output
Tegangan Ampere
RPM
Keterangan A-Y3A-71M2-2 B3 0,75HP/0.
220/380V 50/60Hz 2,4/1,4 2790/3348 Gambar 1 menunjukkan diagram blok sistem kontrol mengintegrasikan berbagai sensor dan aktuator dengan Journal of Applied Smart Electrical Network and Systems (JASENS) Sofi Berliana Rizky1.
Isa Rachman2.
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
97 Ae 109 Number 3 Inverter Kedua, jika nilai f adalah konstan, maka sistem disebut sebagai model Sugeno orde nol, di mana keluaran berupa nilai tetap tanpa tergantung pada input .
Keunggulan utama dari model Sugeno terletak pada Inverter merupakan komponen penting dalam sistem kemampuannya menghasilkan output yang lebih presisi, penggerak motor listrik karena berfungsi mengubah responsif, dan sesuai untuk sistem pengendalian arus searah (DC) menjadi arus bolak-balik (AC) dengan maupun optimasi yang memerlukan respon waktu nyata.
frekuensi yang dapat diatur sesuai kebutuhan.
Penerapan sistem inferensi fuzzy memerlukan tahapan Kemampuan ini memungkinkan inverter mengontrol awal berupa identifikasi parameter masukan .
dan kecepatan motor secara efisien, sehingga sangat keluaran .
dari sistem.
Tahap ini krusial untuk bermanfaat dalam sistem industri dan aplikasi memastikan setiap input dapat dikonversikan menjadi kendaraan listrik.
Inverter digunakan sebagai variable output yang sesuai dengan tujuan kendali sistem.
speed drive (VSD), yang mampu meningkatkan Adapun variabel input dan output yang digunakan efisiensi operasi motor, menurunkan konsumsi energi, dalam penelitian ini ditunjukkan pada Tablel 3.
serta mengurangi emisi gas buang .
Keunggulan Tabel 3.
Variabel Input dan Output Sistem utama inverter terletak pada presisi pengaturan torsi dan kecepatan motor sesuai dengan beban yang Input Output diterima, yang berkontribusi pada usia pakai motor Sensor Load Cell (Berat Materia.
Set Point Frekuensi yang lebih panjang.
Seiring perkembangan teknologi.
Sensor PT100 (Suhu Moto.
Inverter inovasi inverter kini telah dilengkapi dengan sistem Sensor PZEM-004T (Arus Moto.
kendali berbasis mikrokomputer, yang membuat kinerja Dengan Setiap variabel input dan output pada sistem dan keandalan sistem semakin meningkat.
diklasifikasikan ke dalam beberapa himpunan fuzzy Dalam penelitian ini, inverter tipe VSD digunakan berdasarkan domain nilainya.
Untuk pembentukan sebagai pengatur kecepatan motor induksi tiga fasa himpunan fuzzy, digunakan fungsi keanggotaan yang yang menjadi penggerak utama chain conveyor.
sesuai dengan karakteristik masing-masing variabel.
Spesifikasi Inverter VSD yang digunakan dapat dilihat Fungsi keanggotaan yang digunakan akan berpengaruh pada Tabel 2.
langsung pada sensitivitas sistem dalam merespon perubahan kondisi input.
Tabel 2.
Spesifikasi Inverter VSD
Parameter Spesifikasi
Manufacture Model
Input Voltage Output Voltage Applied Motor/Power Rated Current
Frequency Input
Frequency Output
4 Metode Fuzzy Sugeno
Keterangan FGI
FD100M-0R7G-S2
1 Phase 220VAC 3 Phase 220VAC 0,75kW/1HP 50Hz/60Hz 0-1000Hz Dalam implementasinya, metode fuzzy Sugeno ini dirancang untuk mengendalikan kecepatan motor induksi tiga fasa secara adaptif berdasarkan kondisi nyata sistem.
Sistem fuzzy mengolah data dari sensorsensor tersebut dan menghasilkan set point frekuensi inverter yang optimal guna menjaga kinerja motor Dengan struktur aturan fuzzy yang disesuaikan, sistem ini diharapkan mampu memberikan respons yang cepat dan akurat terhadap perubahan parameter Metode fuzzy merupakan pendekatan logika yang 2.
5 Propotional Integral Derivative (PID) menggunakan aturan berbentuk IF-THEN.
Pada bagian Pengendali Proportional Integral Derivative (PID) IF .
, kondisi dinyatakan dalam himpunan merupakan teknik kendali yang digunakan untuk fuzzy, sementara bagian THEN .
menjaga kestabilan sistem dengan mengoreksi selisih memberikan keluaran dalam bentuk nilai tegas .
antara nilai set point dan nilai aktual.
Dalam penelitian Dalam model Sugeno, output sistem fuzzy diperoleh ini, pengendali PID diterapkan untuk mengatur melalui fungsi matematis yang tergantung pada nilai kecepatan motor induksi tiga fasa yang menggerakkan Secara umum, aturan dasar dalam fuzzy Sugeno chain conveyor.
Set point kecepatan berasal dari output dapat dituliskan sebagai berikut:
sistem fuzzy, yang kemudian dibandingkan dengan nilai aktual untuk menghasilkan sinyal error.
Ea = f (, ) .
Dalam rumus tersebut.
A dan B merupakan himpunan Sinyal error tersebut diolah oleh pengendali PID yang fuzzy pada bagian antecedent, sedangkan z = f.
tertanam pada mikrokontroler ESP32, menggunakan adalah fungsi tegas pada bagian konsekuen .
parameter proportional (K.
, integral (K.
, dan Berdasarkan bentuk fungsi f.
, model Sugeno derivative (K.
yang telah ditentukan.
Hasil kendali terbagi menjadi dua jenis.
Pertama, apabila f.
PID kemudian digunakan untuk mengatur tegangan merupakan polinomial orde satu, maka model tersebut input motor melalui konversi sinyal PWM ke tegangan PWM-to-voltage.
disebut model fuzzy Sugeno orde satu karena output analog Kecepatan dihitung berdasarkan hubungan linear antara input.
Journal of Applied Smart Electrical Network and Systems (JASENS) Sofi Berliana Rizky1.
Isa Rachman2.
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
97 Ae 109 rotary encoder, yang memberikan umpan balik ke 3 sistem untuk proses penyesuaian berkelanjutan hingga 4 error mendekati nol.
Pada Tabel 4 menunjukkan hasil pengambilan data yang dilakukan secara berkala setiap 5 menit dengan variasi beban material dalam kelipatan 300 gram.
Pengujian dilakukan dengan kecepatan motor yang Gambar 3.
Diagram Blok Kontrol PID diatur melalui inverter pada frekuensi tetap sebesar 10 Diagram blok kendali PID menunjukkan alur sistem Hz.
Tujuan dari pengambilan data ini adalah untuk yang dimulai dari pemberian set point, pemrosesan memperoleh gambaran yang lebih akurat mengenai sinyal error, hingga pengaturan kecepatan motor pengaruh variasi beban terhadap suhu dan arus listrik berdasarkan feedback sensor.
Proses ini berlangsung pada motor induksi tiga fasa yang digunakan dalam secara real-time dan berulang guna memastikan sistem chain conveyor.
Berdasarkan hasil pengukuran, kecepatan motor tetap stabil sesuai kebutuhan.
suhu motor tercatat paling rendah sebesar 30,3AC.
Sementara itu, arus listrik yang mengalir pada motor Hasil dan Pembahasan menunjukkan nilai minimum sebesar 1,1A dan 1 Data Penelitian Metode Fuzzy maksimum mencapai 1,2A.
Data ini menjadi acuan Bagian ini menyajikan data yang diperoleh secara penting dalam mengevaluasi kinerja sistem kontrol langsung dari pengukuran pada motor induksi tiga fasa kecepatan motor, khususnya dalam penerapan metode yang digunakan dalam penelitian ini.
Data yang pengendalian yang dirancang pada penelitian ini.
dikumpulkan meliputi waktu pengukuran, berat 3.
2 Pengolahan Sistem Fuzzy material yang dibawa oleh chain conveyor, suhu motor, dan arus listrik yang mengalir pada motor selama Pengolahan sistem kendali berbasis fuzzy dilakukan Pengambilan data dilakukan untuk melalui beberapa tahap yang saling berkaitan untuk mengetahui respon motor terhadap berbagai kondisi menjamin sistem bekerja secara optimal.
Tahapan pertama yang dilakukan adalah menentukan variabel beban yang diberikan.
fuzzy, yaitu parameter-parameter yang memengaruhi sistem, seperti berat material, suhu motor dan arus listrik pada motor induksi.
Setelah variabel-variabel tersebut ditetapkan, langkah selanjutnya adalah menetapkan variabel linguistik, yaitu istilah-istilah yang digunakan untuk mendeskripsikan nilai dari setiap variabel fuzzy.
Sebagai contoh, untuk berat material digunakan istilah seperti AuRinganAy.
AuSedangAy, dan AuBeratAy, sedangkan suhu motor digunakan istilah seperti "Dingin", "Normal", dan "Panas", dan untuk Gambar 4.
Pengambilan Data Metode Fuzzy arus motor digunakan istilah seperti "Rendah".
Gambar 4 menunjukkan proses pengambilan data "Sedang", dan "Tinggi".
dalam kegiatan penelitian ini.
Pengukuran berat Tahap berikutnya adalah fuzzifikasi, yakni proses material dilakukan dengan memanfaatkan sensor load mengubah nilai numerik dari masing-masing variabel cell yang dipasang pada bagian penyangga material.
menjadi nilai fuzzy dengan bantuan fungsi keanggotaan.
Sementara itu, suhu motor diperoleh dari sensor PT100 Fungsi ini berperan dalam menentukan tingkat yang ditempelkan langsung pada rangka motor, keanggotaan suatu nilai terhadap masing-masing sedangkan data arus listrik motor diambil dari sensor kategori linguistik.
Misalnya, suhu motor sebesar 35AC pzem-004T, yang secara langsung mengukur besarnya dapat memiliki tingkat keanggotaan tertentu dalam arus yang mengalir ke motor selama sistem beroperasi.
kategori AuNormalAy dan AuDinginAy secara bersamaan.
Proses ini bertujuan untuk memperoleh data input yang Selanjutnya, dibentuk aturan-aturan fuzzy dalam bentuk diperlukan dalam pengujian dan analisis sistem kontrol.
Aujika-makaAy (IF-THEN).
Tabel 4.
Hasil Pengambilan Data Penelitian Metode Fuzzy menghubungkan kondisi input dengan aksi output yang No.
Waktu Berat Material Suhu Motor Arus Motor diharapkan.
Sebagai contoh, aturan seperti AuJika berat material sedang, suhu motor panas dan arus sedang, (G.
(AC) (A) maka kecepatan motor diturunkanAy.
Journal of Applied Smart Electrical Network and Systems (JASENS) Sofi Berliana Rizky1.
Isa Rachman2.
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
97 Ae 109 Tahap inferensi dilakukan dengan menggabungkan Adapun untuk variabel output, yaitu set point frekuensi aturan-aturan fuzzy tersebut berdasarkan input yang inverter, dibagi menjadi tiga kategori linguistik, yaitu sudah difuzzifikasi.
Mesin inferensi akan memproses "kondisi pelan", "kondisi normal", dan "kondisi cepat", semua aturan dan menghasilkan kesimpulan dalam dengan nilai kecepatan yang ditetapkan sebagai berikut:
bentuk Output fuzzy.
Terakhir, dilakukan proses Kondisi Pelan : 5 Hz defuzzifikasi, yaitu tahap mengubah hasil Output fuzzy Kondisi Normal : 10 Hz menjadi nilai numerik yang dapat diterapkan secara Kondisi Cepat : 15 Hz nyata dalam sistem.
Misalnya, sistem akan menentukan nilai kecepatan motor dalam satuan frekuensi (H.
Nilai-nilai ini merupakan representasi dari kecepatan setelah tahap inferensi memberikan Output dalam motor yang akan dikirim sebagai perintah ke inverter bentuk linguistik seperti Au10HzAy atau Au15HzAy.
Melalui untuk mengatur kecepatan kerja motor.
seluruh tahapan ini, metode fuzzy mampu menangani ketidakpastian dan memberikan keputusan yang Melalui penetapan variabel linguistik ini, sistem fuzzy dapat menganalisis kondisi motor berdasarkan input fleksibel serta adaptif dalam sistem pengendalian motor sensor dan memberikan keputusan pengaturan pada chain conveyor.
kecepatan secara adaptif.
1 Variabel Linguistik 2 Fuzzifikasi Pada tahap ini, ditentukan nilai-nilai linguistik dari setiap variabel fuzzy yang digunakan dalam sistem Fuzzifikasi adalah proses awal dalam sistem fuzzy pengendali kecepatan motor.
Penentuan variabel yang bertujuan mengubah input numerik dari sensor menjadi nilai fuzzy berdasarkan derajat keanggotaan linguistik ini dilakukan dengan mengacu pada hasil pada masing-masing himpunan linguistik.
Dalam analisis data penelitian yang diambil, dan kemudian penelitian ini, tiga input utama yang difuzzifikasi diklasifikasikan ke dalam tiga kategori untuk tiap meliputi berat material .
ari sensor load cel.
, suhu motor .
ari sensor PT.
, dan arus motor .
ari sensor Variabel pertama adalah berat material, yang diukur PZEM-004T).
Masing-masing nilai input dikonversi menggunakan sensor load cell.
Variabel ini dibagi ke menggunakan fungsi keanggotaan segitiga ke dalam dalam tiga himpunan linguistik, yaitu "ringan", kategori linguistik.
"sedang", dan "berat", dengan rentang nilai sebagai Tabel 5.
Data Pengujian Fuzzy Ringan Sedang Berat : 0 Ae 1500 gr : 1000 Ae 2000 gr : 1500 Ae 3000 gr Dingin Normal Panas : 30 Ae 35AC : 33 Ae 42AC : 40 Ae 45AC Berat Material (G.
Suhu Motor (AC) Arus Motor (A) Tabel 5 menunjukkan data input berupa berat material, suhu motor, dan arus motor yang akan diuji Rentang nilai ini diperoleh dari pengamatan langsung menggunakan software MATLAB serta melalui pada proses uji coba sistem dengan variasi bobot perhitungan manual.
Hasil dari proses fuzzifikasi material pada chain conveyor.
terhadap data tersebut akan digunakan pada tahap Variabel kedua adalah suhu motor, yang diukur inferensi fuzzy untuk menentukan output berupa menggunakan sensor suhu PT100.
Suhu motor kecepatan motor.
Dengan demikian, sistem dapat dikategorikan ke dalam tiga kondisi linguistik, yaitu menyesuaikan respons secara otomatis berdasarkan "dingin", "normal", dan "panas".
Rentang masing- kondisi yang terdeteksi oleh sensor.
masing kategori adalah sebagai berikut:
1 Variabel Berat Material Rentang ini didasarkan pada karakteristik suhu kerja normal motor induksi tiga fasa.
Variabel ketiga adalah arus motor, yang diukur menggunakan sensor PZEM-004T.
Nilai arus motor diklasifikasikan ke dalam tiga himpunan linguistik, yaitu "rendah", "sedang", dan "tinggi", dengan rincian sebagai berikut:
Rendah Sedang Tinggi : 1 Ae 1,1 A : 1,08 Ae 1,16 A : 1,14 Ae 1,2 A Gambar 5.
Membership Function Berat Material Nilai ini diperoleh dari hasil pengujian arus listrik pada Gambar 5 menunjukkan kurva keanggotaan pada variabel berat material yang dibentuk menggunakan saat motor bekerja dengan beban berbeda.
Journal of Applied Smart Electrical Network and Systems (JASENS) Sofi Berliana Rizky1.
Isa Rachman2.
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
97 Ae 109 software MATLAB.
Nilai derajat keanggotaan dari variabel ini dapat dihitung menggunakan rumus AA = keanggotaan sebagai berikut:
AA =
O 1000
1500Oe1000
1000 < O 1500
> 1500
Himpunan sedang ( .
) AA = Oe1000
< 1000
1500Oe1000
2000 Oe
2000Oe1500
1000 O < 1500
1500 O < 2000
Oe1500
2500Oe1500
1500 < O 2500
2500 O O 3000
> 3000
AA =
AA =
Himpunan berat ( .
) AA = .
32 < O 35
Oe33
< 33
37,5Oe33 42 Oe 42Oe37,5 33 O < 37,5 .
37,5 O < 42
Ou 42 Himpunan panas ( .
) Ou 2000
O 1500
35Oe32
> 35
Himpunan normal ( .
) Himpunan ringan ( .
) 1500Oe
O 32
< 40
Oe40
43Oe40
40 O O 43
43 O 45
> 45
Berdasarkan nilai suhu motor sebesar 37,4AC, dilakukan simulasi perhitungan derajat keanggotaan, maka diperoleh hasil sebagai berikut:
Dingin AA.
35Oe33,2 = 35Oe32 = 3 = 0,6 33,2Oe33 Berdasarkan nilai berat material sebesar 900 Gr.
Normal AA.
= 37,5Oe33 = 4,5 = 0,044 dilakukan simulasi perhitungan derajat keanggotaan.
Panas AA.
maka diperoleh hasil sebagai berikut:
Dengan demikian, pada suhu motor sebesar 33,2AC.
Ringan AA.
= 1 nilai derajat keanggotaan adalah:
Sedang AA.
= 0 Dingin = 0,6.
Normal = 0,044, dan Panas = 0.
Berat AA.
Dengan demikian, pada berat material sebesar 900 Gr, 3.
3 Variabel Arus Motor nilai derajat keanggotaan adalah:
Ringan = 1.
Sedang = 0, dan Berat = 0.
2 Variabel Suhu Motor Gambar 7.
Membership Function Arus Motor Gambar 6.
Membership Function Suhu Motor Gambar 7 menunjukkan kurva keanggotaan pada variabel arus motor yang dibentuk menggunakan aplikasi MATLAB.
Nilai derajat keanggotaan dari variabel ini dapat dihitung menggunakan rumus keanggotaan sebagai berikut:
Gambar 6 menunjukkan kurva keanggotaan pada variabel suhu motor yang dibentuk menggunakan Himpunan rendah ( .
) software MATLAB.
Nilai derajat keanggotaan dari O 1,06 variabel ini dapat dihitung menggunakan rumus 1,1Oe AA = 1,1Oe1,06 .
1,06 < O 1,1
keanggotaan sebagai berikut:
Himpunan dingin ( .
) > 1,1 Himpunan sedang ( .
) Journal of Applied Smart Electrical Network and Systems (JASENS) .
Sofi Berliana Rizky1.
Isa Rachman2.
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
97 Ae 109
AA =
< 1,08
Oe1,08 1,12Oe1,08 1,16Oe 1,16Oe1,12 1,08 O < 1,12 .
1,12 O < 1,16 Ou 1,16 Himpunan tinggi ( .
) AA = < 1,14 Oe1,14 1,18Oe1,14 1,14 O < 1,18 .
1,18 O O 1,2 > 1,2 Berdasarkan nilai arus motor sebesar 1,1A, dilakukan simulasi perhitungan derajat keanggotaan, maka diperoleh hasil sebagai berikut:
Rendah AA.
1,1Oe1,1 Sedang AA.
= 1.
1Oe1,06 = 0,04 = 0 Tinggi AA.
1,1Oe1,08 0,02 = 1.
12Oe1,08 = 0,04 = 0,5 Dengan demikian, pada arus motor sebesar 2,29A, nilai derajat keanggotaan adalah:
Rendah = 0.
Sedang = 0,5, dan Tinggi = 0.
Tabel 6.
Hasil Fuzzifikasi Data Penelitian Variabel
Berat Material Ringan = 1
Sedang = 0
Berat = 0
Suhu Motor
Dingin = 0,6 Normal = 0,044 Panas = 0
Arus Motor
Rendah = 0
Sedang = 0,5 Tinggi = 0
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
Ringan Ringan Ringan Ringan Ringan Ringan Ringan Ringan Sedang Sedang Sedang Sedang Sedang Sedang Sedang Sedang Sedang Berat Berat Berat Berat Berat Berat Berat Berat Berat Dingin Dingin Normal Normal Normal Panas Panas Panas Dingin Dingin Dingin Normal Normal Normal Panas Panas Panas Dingin Dingin Dingin Normal Normal Normal Panas Panas Panas Sedang Tinggi Rendah Sedang Tinggi Rendah Sedang Tinggi Rendah Sedang Tinggi Rendah Sedang Tinggi Rendah Sedang Tinggi Rendah Sedang Tinggi Rendah Sedang Tinggi Rendah Sedang Tinggi Tabel 7 menunjukkan keseluruhan aturan fuzzy yang digunakan dalam sistem ini.
Sebagai contoh, jika berat material termasuk ringan, suhu motor dalam kondisi normal, dan arus motor tergolong sedang, maka Tabel 6 menunjukkan hasil fuzzifikasi dari tiga variabel kecepatan motor yang dihasilkan adalah 15 Hz (R.
penelitian, yaitu berat material, suhu motor, dan arus Setiap kombinasi dari ketiga input menghasilkan Nilai-nilai numerik dari setiap variabel diubah keluaran menjadi derajat keanggotaan fuzzy menggunakan pengetahuan sistem.
metode fuzzy.
Pada variabel berat material, keanggotaan tertinggi berada pada himpunan sedang.
Penerapan aturan fuzzy ini memungkinkan sistem sementara suhu motor menunjukkan keanggotaan mengatur kecepatan motor secara otomatis berdasarkan tertinggi pada himpunan panas.
Untuk arus motor, kombinasi kondisi aktual dari parameter yang diamati.
keanggotaan tertinggi berada pada himpunan rendah.
Hal ini penting untuk menjaga kinerja motor.
Proses ini merupakan tahap penting dalam sistem fuzzy menghindari overheat, serta memperpanjang umur karena memungkinkan pengambilan keputusan yang operasional motor.
Dengan demikian, fuzzy rules dalam lebih fleksibel terhadap perubahan kondisi operasional sistem ini berperan besar dalam menentukan logika pengambilan keputusan yang adaptif dan responsif terhadap perubahan kondisi lapangan.
3 Fuzzy Rules 4 Fuzzy Inference System (FIS) Aturan fuzzy .
uzzy rule.
merupakan inti dari system Tabel 8.
Kombinasi aturan IFAeTHEN fuzzy fuzzy yang menghubungkan input dan output berdasarkan pengetahuan atau pengamatan terhadap Jenis Rules Dalam penelitian ini, telah dirancang sebanyak If Berat Material .
is Ringan .
AND Suhu Motor 27 aturan fuzzy yang menggambarkan hubungan antara R1 .
is Dingin .
AND Arus Motor .
is Rendah .
tiga variabel input, yaitu berat material, suhu motor.
THEN Kecepatan Motor = 15 Hz dan arus motor, dengan satu variabel output, yaitu R2 If Berat Material .
is Ringan .
AND Suhu Motor .
is Dingin .
AND Arus Motor .
is Sedang .
kecepatan motor.
Himpunan Tabel 7.
Fuzzy Rules Inpput Rule Berat Material Ringan Output Suhu Motor Arus Motor Dingin Rendah Kecepatan Motor THEN Kecepatan Motor = 15 Hz If Berat Material .
is Ringan .
AND Suhu Motor .
is Dingin .
AND Arus Motor .
is Tinggi .
THEN Kecepatan Motor = 10 Hz If Berat Material .
is Ringan .
AND Suhu Motor .
is Normal .
AND Arus Motor .
is Rendah .
THEN Kecepatan Motor = 15 Hz If Berat Material .
is Ringan .
AND Suhu Motor Journal of Applied Smart Electrical Network and Systems (JASENS) Sofi Berliana Rizky1.
Isa Rachman2.
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
97 Ae 109
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
is Normal .
AND Arus Motor .
is Sedang .
THEN Kecepatan Motor = 15 Hz If Berat Material .
is Ringan .
AND Suhu Motor .
is Normal .
AND Arus Motor .
is Tinggi .
THEN Kecepatan Motor = 10 Hz If Berat Material .
is Ringan .
AND Suhu Motor .
is Panas .
AND Arus Motor .
is Rendah .
THEN Kecepatan Motor = 10 Hz If Berat Material .
is Ringan .
AND Suhu Motor .
is Panas .
AND Arus Motor .
is Sedang .
THEN Kecepatan Motor = 10 Hz If Berat Material .
is Ringan .
AND Suhu Motor .
is Panas .
AND Arus Motor .
is Tinggi .
THEN Kecepatan Motor = 5 Hz If Berat Material .
is Sedang .
AND Suhu Motor .
is Dingin .
AND Arus Motor .
is Rendah .
THEN Kecepatan Motor = 15 Hz If Berat Material .
is Sedang .
AND Suhu Motor .
is Dingin .
AND Arus Motor .
is Sedang .
THEN Kecepatan Motor = 15 Hz If Berat Material .
is Sedang .
AND Suhu Motor .
is Dingin .
AND Arus Motor .
is Tinggi .
THEN Kecepatan Motor = 10 Hz If Berat Material .
is Sedang .
AND Suhu Motor .
is Normal .
AND Arus Motor .
is Rendah .
THEN Kecepatan Motor = 15 Hz If Berat Material .
is Sedang .
AND Suhu Motor .
is Normal .
AND Arus Motor .
is Sedang .
THEN Kecepatan Motor = 10 Hz If Berat Material .
is Sedang .
AND Suhu Motor .
is Normal .
AND Arus Motor .
is Tinggi .
THEN Kecepatan Motor = 5 Hz If Berat Material .
is Sedang .
AND Suhu Motor .
is Panas .
AND Arus Motor .
is Rendah .
THEN Kecepatan Motor = 10 Hz If Berat Material .
is Sedang .
AND Suhu Motor .
is Panas .
AND Arus Motor .
is Sedang .
THEN Kecepatan Motor = 5 Hz If Berat Material .
is Sedang .
AND Suhu Motor .
is Panas .
AND Arus Motor .
is Tinggi .
THEN Kecepatan Motor = 5 Hz If Berat Material .
is Berat .
AND Suhu Motor .
is Dingin .
AND Arus Motor .
is Rendah .
THEN Kecepatan Motor = 10 Hz If Berat Material .
is Berat .
AND Suhu Motor .
is Dingin .
AND Arus Motor .
is Sedang .
THEN Kecepatan Motor = 10 Hz If Berat Material .
is Berat .
AND Suhu Motor .
is Dingin .
AND Arus Motor .
is Tinggi .
THEN Kecepatan Motor = 5 Hz If Berat Material .
is Berat .
AND Suhu Motor .
is Normal .
AND Arus Motor .
is Rendah .
THEN Kecepatan Motor = 10 Hz If Berat Material .
is Berat .
AND Suhu Motor .
is Normal .
AND Arus Motor .
is Sedang .
THEN Kecepatan Motor = 5 Hz If Berat Material .
is Berat .
AND Suhu Motor .
is Normal .
AND Arus Motor .
is Tinggi .
THEN Kecepatan Motor = 5 Hz If Berat Material .
is Berat .
AND Suhu Motor .
is Panas .
AND Arus Motor .
is Rendah .
THEN Kecepatan Motor = 5 Hz If Berat Material .
is Berat .
AND Suhu Motor .
is Panas .
AND Arus Motor .
is Sedang .
THEN Kecepatan Motor = 5 Hz If Berat Material .
is Berat .
AND Suhu Motor .
is Panas .
AND Arus Motor .
is Tinggi .
THEN Kecepatan Motor = 5 Hz Tabel 8 menunjukkan daftar kombinasi aturan fuzzy berbasis logika IFAeTHEN yang digunakan dalam sistem kontrol kecepatan motor induksi tiga fasa.
Dalam sistem ini, terdapat tiga variabel input utama, yaitu berat material, suhu motor, dan arus motor.
Masing-masing variabel memiliki nilai linguistik yang telah difuzzifikasi sebelumnya.
Terdapat total 27 aturan fuzzy yang mengarahkan sistem dalam menentukan kecepatan motor, dengan tiga kemungkinan output, yaitu 5 Hz untuk kecepatan rendah, 10 Hz untuk kecepatan sedang, dan 15 Hz untuk kecepatan tinggi.
Aturan-aturan ini dibangun untuk menyesuaikan respon motor terhadap perubahan kondisi beban, suhu, dan arus, guna mencegah terjadinya overload sekaligus menjaga kerja sistem chain conveyor.
5 Defuzzifikasi Setelah proses inferensi dilakukan, langkah selanjutnya adalah mengubah nilai fuzzy menjadi nilai tegas yang dapat digunakan secara langsung dalam sistem kendali.
Proses ini disebut defuzzifikasi.
Defuzzifikasi merupakan tahapan dalam fuzzy yang bertujuan untuk mengonversi hasil inferensi yang berupa nilai fuzzy ke dalam bentuk nilai crisp atau pasti, sehingga dapat diaplikasikan dalam pengendalian sistem nyata .
Dalam penelitian ini, metode yang digunakan adalah metode fuzzy Sugeno dengan operator logika AND yang diwakili oleh fungsi minimum (MIN).
Proses perhitungan dilakukan berdasarkan derajat keanggotaan terkecil dari setiap aturan yang berlaku.
Nilai hasil perhitungan ini kemudian digunakan untuk menentukan output sistem, dalam hal ini adalah set point frekuensi Hasil akhir dari proses defuzzifikasi ini ditampilkan secara rinci dalam Tabel 9.
Tabel 9.
Hasil Perhitungan AND (MIN) Inpput
Rule
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
Berat Material .
Ringan .
Ringan .
Ringan .
Ringan .
Ringan .
Ringan .
Ringan .
Ringan .
Ringan .
Sedang .
Sedang .
Sedang .
Sedang .
Sedang .
Sedang .
Sedang .
Sedang .
Sedang .
Berat .
Berat .
Berat .
Berat .
Berat .
Berat Output Suhu Motor Arus Motor .
Dingin .
Dingin .
Dingin .
Normal .
Normal .
Normal .
Panas .
Panas .
Panas .
Dingin .
Dingin .
Dingin .
Normal .
Normal .
Normal .
Panas .
Panas .
Panas .
Dingin .
Dingin .
Dingin .
Normal .
Normal .
Normal .
Rendah .
Sedang .
Tinggi .
Rendah .
Sedang .
Tinggi .
Rendah .
Sedang .
Tinggi .
Rendah .
Sedang .
Tinggi .
Rendah .
Sedang .
Tinggi .
Rendah .
Sedang .
Tinggi .
Rendah .
Sedang .
Tinggi .
Rendah .
Sedang .
Tinggi Journal of Applied Smart Electrical Network and Systems (JASENS) Kecepatan Motor Sofi Berliana Rizky1.
Isa Rachman2.
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
97 Ae 109 Gambar 8 menunjukkan hasil simulasi menggunakan Software Matlab dengan input berupa berat material sebesar 900 gram, suhu motor 33,2AC, dan arus listrik sebesar 1,1 A.
Dari simulasi tersebut, sistem kendali Tabel 9 menunjukkan hasil perhitungan nilai keluaran fuzzy menghasilkan set point frekuensi inverter sebesar sistem berdasarkan metode fuzzy Sugeno dengan 15 Hz.
yang juga sesuai dengan perhitungna manual menggunakan operator AND (MIN).
Dalam metode ini, yang telah dilakukan.
Hasil ini menunjukkan bahwa nilai minimum dari derajat keanggotaan masing-masing sistem kontrol berbasis fuzzy mampu merespons variasi variabel input yaitu berat material, suhu motor, dan nilai masukan dengan menentukan frekuensi inverter arus motor dipilih untuk setiap aturan fuzzy .
Nilai untuk mengatur kecepatan motor yang sesuai secara tersebut kemudian dikalikan dengan nilai output otomatis.
ecepatan moto.
yang telah ditentukan untuk masingmasing aturan.
Tujuan dari tahapan ini adalah untuk 3.
4 Data Penelitian Metode PID memperoleh keluaran akhir berupa nilai crisp yang Sistem pengendalian PID diterapkan untuk menjaga merepresentasikan frekuensi kerja motor induksi dalam kestabilan kecepatan motor penggerak utama chain sistem kendali.
Proses ini disebut defuzzifikasi, dan conveyor, dengan acuan set point yang berasal dari dilakukan dengan rumus sebagai berikut:
keluaran sistem logika fuzzy.
Nilai set point tersebut R25
R26
R27
Berat .
Berat .
Berat .
Panas .
Panas .
Panas .
Rendah .
Sedang .
Tinggi ( y ) ( ) = = 0,5 y 15 .
,044 y .
AU 0,5 0,044 7,5 0,66AU 0,544 menjadi referensi kecepatan yang akan dibandingkan dengan kecepatan aktual motor yang dibaca melalui sensor rotary encoder.
Selisih antara nilai referensi dan nilai aktual menghasilkan sinyal kesalahan .
rror signa.
yang diolah oleh algoritma PID secara berulang hingga mencapai nilai mendekati nol, yang menandakan bahwa kecepatan motor telah mendekati nilai yang diharapkan.
Untuk menunjang proses identifikasi sistem serta penyetelan parameter kendali PID yang akurat, 8,16AU dilakukan pengumpulan data melalui serangkaian uji
0,544
coba langsung.
Data yang dikumpulkan terdiri atas pasangan nilai frekuensi inverter sebagai input dan = 15 Hz kecepatan putaran motor (RPM) sebagai output.
Dengan demikian, nilai crisp yang diperoleh dari Frekuensi dikendalikan secara bertahap mulai dari 2 Hz proses defuzzifikasi adalah 15 Hz, yang menunjukkan hingga 50 Hz, sementara nilai RPM diperoleh dari hasil kecepatan motor yang disarankan oleh sistem kendali pembacaan sensor rotary encoder yang terpasang pada fuzzy berdasarkan kondisi berat material, suhu motor, poros motor.
dan arus motor saat itu.
Hasil ini mendukung tujuan sistem dalam menyesuaikan kecepatan motor secara adaptif untuk menghindari beban berlebih dan menjaga kerja motor.
3 Simulasi Fuzzy Pada Software Matlab Gambar 9.
Pengambilan Data Metode PID Tabel 10 .
Hasil Pengambilan Data Penelitian Metode PID Gambar 8.
Hasil Simulasi Matlab Frekuensi Inverter (H.
Kecepatan Motor (RPM) Journal of Applied Smart Electrical Network and Systems (JASENS) Sofi Berliana Rizky1.
Isa Rachman2.
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
97 Ae 109 Gambar 10.
Grafik Time Plot Gambar 9 menunjukkan proses pengambilan data yang dilakukan dalam penelitian ini, sedangkan Tabel 10 Gambar 10 menunjukkan grafik time plot yang menyajikan hasil lengkap dari pengujian tersebut.
menggambarkan hubungan sinyal input .
dan output Berdasarkan data yang diperoleh, dapat diamati bahwa .
terhadap waktu.
Grafik ini membantu dalam terdapat hubungan linier antara peningkatan frekuensi menilai konsistensi serta kecocokan respons sistem.
inverter dan kecepatan motor.
Misalnya, pada frekuensi 30 Hz, kecepatan motor tercatat sebesar 1805 RPM, dan meningkat secara konsisten hingga mencapai 2994 RPM pada frekuensi 50 Hz.
Pola ini menunjukkan bahwa motor induksi merespons perubahan frekuensi dengan peningkatan kecepatan yang proporsional, yang merupakan karakteristik penting dalam sistem kendali.
Data ini menjadi fondasi dalam proses identifikasi fungsi alih .
ransfer functio.
dari motor induksi, yang selanjutnya digunakan sebagai dasar dalam simulasi performa sistem.
5 Simulasi PID Pada Software Matlab Simulasi metode kendali Proportional Integral Derivative (PID) dilakukan sebagai tahap lanjutan setelah proses identifikasi sistem berhasil diselesaikan.
Pada tahap ini, model matematis sistem yang diperoleh melalui toolbox System Identification pada software MATLAB digunakan sebagai dasar untuk melakukan Gambar 11.
Model Output simulasi dan analisis sistem kontrol.
Model yang dihasilkan merepresentasikan hubungan antara sinyal Setelah proses identifikasi sistem selesai, hasil validasi masukan berupa nilai frekuensi inverter dan sinyal model divisualisasikan pada Gambar 11.
Dari grafik keluaran berupa kecepatan motor (RPM).
Data hasil tersebut, diperoleh nilai best fit sebesar 99,24%, yang identifikasi kemudian divisualisasikan dalam bentuk menunjukkan bahwa model yang dihasilkan memiliki grafik time plot untuk menganalisis pola dan kualitas tingkat kesesuaian yang sangat tinggi dan mampu hubungan antara sinyal masukan dan keluaran terhadap merepresentasikan sistem secara akurat.
Journal of Applied Smart Electrical Network and Systems (JASENS) Sofi Berliana Rizky1.
Isa Rachman2.
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
97 Ae 109 .
teady stat.
dalam waktu 2 hingga 3 detik.
Hal ini mengindikasikan bahwa sistem memiliki respon yang cukup cepat dan stabil terhadap perubahan sinyal Gambar 12.
Model Transfer Function Selanjutnya, dilakukan proses identifikasi untuk Gambar 14.
Parameter Kontrol PID memperoleh model fungsi alih sistem .
ransfer functio.
, seperti ditunjukkan pada Gambar 12.
Fungsi Parameter kendali PID yang diperoleh dari hasil auto tuning ditampilkan pada Gambar 14, dengan nilai Kp alih yang dihasilkan adalah:
sebesar 0,16423.
Ki sebesar 0,166618, dan Kd sebesar 62,23 109,7 0,0030726.
Parameter ini menunjukkan bahwa kendali 1,827 telah disesuaikan untuk menghasilkan respon sistem Model tersebut menunjukkan bahwa sistem memiliki yang optimal.
Berdasarkan hasil simulasi, sistem karakteristik orde satu, dengan komponen dinamis memiliki waktu naik sebesar 0,158 detik, waktu tunak sebesar 62,23 pada variabel s, yang mengindikasikan sebesar 2,79 detik, dan overshoot sebesar 11,6%.
Selain kepekaan sistem terhadap perubahan sinyal input.
itu, margin fasa sebesar 86,4 derajat pada frekuensi Sementara itu, konstanta 109,7 mencerminkan bagian 10,6 rad/s menunjukkan bahwa sistem dalam kondisi statis dari sistem.
Nilai pole sebesar 1,827 closed-loop berada dalam keadaan stabil.
Secara menunjukkan parameter redaman dan frekuensi alami keseluruhan, hasil tuning PID menunjukkan bahwa Fungsi alih ini diperoleh dari estimasi sistem sistem mampu mengikuti sinyal referensi secara stabil dengan satu zero dan satu pole menggunakan dan responsif.
MATLAB.
Kesimpulan Penerapan metode Fuzzy Sugeno dan PID pada sistem kontrol kecepatan motor chain conveyor terbukti efektif dalam menjaga kestabilan sistem.
Dalam simulasi menggunakan software MATLAB dengan input berat material 900 gr, suhu motor 33,2AC, dan arus listrik 1,1 A, sistem fuzzy berhasil menentukan set point frekuensi inverter sebesar 15 Hz, yang sesuai dengan perhitungan manual sebelumnya.
Pengendalian PID yang diterapkan dengan set point dari fuzzy mampu menjaga kestabilan kecepatan motor, dengan parameter kontrol Kp = Gambar 13.
Grafik Simulasi Step Response Sistem 0,16423.
Ki = 0,166618, dan Kd = 0,0030726.
Simulasi lebih lanjut dilakukan untuk menganalisis Kombinasi kedua metode ini efektif dalam menjaga respons sistem terhadap perubahan sinyal referensi, kestabilan performa motor, menyesuaikan kecepatan yang divisualisasikan dalam Gambar 13.
Grafik secara adaptif terhadap perubahan beban, serta tersebut menunjukkan step response dari sistem setelah meminimalkan risiko overload selama operasi.
dilakukan proses auto tuning PID menggunakan fitur Daftar Rujukan bawaan MATLAB.
Pada grafik terlihat bahwa sistem and Forbes.
AuInstruction Manual Instruction Manual,Ay merespons perubahan dari 0 ke 1,2 dengan waktu naik Int.
Bus.
, p.
37, 2012.
yang cepat dan overshoot awal sekitar 10Ae15% dari Munthe.
Sitorus.
Gerald.
Manoppo, and nilai referensi.
Setelah itu, sistem menunjukkan sedikit .
Sari.
AuSistem Pakar untuk Identifikasi Risiko Proyek osilasi sebelum akhirnya mencapai kondisi tunak Teknologi Informasi Berbasis Metode Fuzzy Logic,Ay vol.
Journal of Applied Smart Electrical Network and Systems (JASENS) Sofi Berliana Rizky1.
Isa Rachman2.
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
97 Ae 109 13, no.
November, pp.
1710Ae1716, 2024.
Siburian, ) Jumari.
Simangunsong.
Darma, and A.
Medan.
AuStudi Sistem Star Motor Induksi 3 Phasa Dengan Metode Star Delta Pada Pt.
Toba Pulp Lestari Tbk,Ay J.
Teknol.
Energi Uda J.
Tek.
Elektro, vol.
9, no.
2, pp.
81Ae87, .
[Onlin.
Available:
https://ejurnal.
id/index.
php/teknologienergi/ article/view/964 Yafioda et al.
AuPerbaikan Unjuk Kerja Motor 3 Fasa Sebagai Penggerak Konveyor Menggunakan Kontrol PID,Ay Tek.
Elektro, vol.
12, no.
I, pp.
83Ae91, 2023.
MUHAMMAD ISNAN SAICHONI.
AuSistem Proteksi Motor Induksi Tiga Fasa Pada Mesin Hot Press Dengan Metode Fuzzy Logic,Ay ITS Repos.
, 2021, [Onlin.
Available: http://repository.
id/id/eprint/89423 .
Ramadani.
AuImplementasi Kendali Kecepatan Motor Induksi Tiga Fasa Menggunakan Kontroler Pid,Ay 2021, .
[Onlin.
Available:
https://repository.
id/repository/UBT17-12-2021103536.
Baharuddin.
Instrumentasi Industri.
Mechatronic Department, 2021.
Majid.
Nisworo, and A.
Trihasto.
AuStudi Transien
Motor Induksi 3 Fasa Rotor Sangkar Kapasitas 2300V 700
PSGC
Hp Pada Pt.
Pertamina Ru Iv Cilacap,Ay Theta Omega J.
14Ae20, [Onlin.
Available:
https://jurnal.
id/index.
php/thetaomega/article/vie w/5512 Fuad.
Bagus, and D.
Cahyono.
AuPerbandingan Konsumsi Energi Motor Induksi 3 Fasa Antara Kontaktor Dan Variable Frequency Drive (Inverte.
Pada Mesin Moulding Di PT.
Seijin Lestari Furniture,Ay Mult.
Glob.
Multidiscip.
, vol.
2, no.
3, pp.
1446Ae1459, 2024, [Onlin.
Available:
https://journal.
org/index.
php/multiple Mulyana.
AuFuzzy Logics and Its Applications,Ay Univ.
Gadjah Mada, pp.
221Ae240, 2020.
Khalil.
Bahri, and G.
AuPerbandingan Logika Fuzzy Metode Mamdani Dan Sugeno Untuk Memprediksi Jumlah Produksi Roti,Ay Snti, pp.
635Ae645, 2022.
Akbar.
AuSistem Pengambilan Keputusan Untuk Pemilihan Bidang Keahlian Bagi Mahasiswa Teknik Elektro.
UniversitasMataram Menggunakan Logika Fuzzy Mamdani Bertingkat,Ay Dielektrika, vol.
8, no.
1, p.
68, 2021,
doi: 10.
29303/dielektrika.
Journal of Applied Smart Electrical Network and Systems (JASENS)