Tuning Parameter Pengendali PID dengan metode Algoritma Genetik pada Motor DC




ABSTRAK

Saat ini, pengendali Proportional Integral Derivative (PID) digunakan secara umum untuk mendapatkan solusi optimum. Solusi dikatakan optimum apabila output di kehidupan nyata sesuai dengan output yang telah ditentukan. Oleh karena itu, pengendali adalah suatu hal yang dibutuhkan. Tantangan dalam menggunakan pengendali adalah tuning parameter untuk mencari konstanta parameter PID seperti Proporsional Gain (KP), Waktu Integral (KI) dan Waktu Derivatif (KD). Untuk memaksimalkan kinerja motor DC, pengaturan pengendali PID yang tepat merupakan hal yang sangat penting. Desain pengendali PID sebagai pengendali motor DC sudah sering dilakukan. Penggunaan pengendali PID membutuhkan pengaturan parameter yang tepat untuk mendapatkan kinerja yang optimal pada motor. Metode yang umum dalam menentukan parameter pengendali PID adalah trial and error. Namun hasil yang didapat tidak membuat pengendali PID optimal dan justru akan merusak sistem. Oleh karena itu, penelitian ini menggunakan salah satu metode penalaan parameter PID dengan menggunakan metode cerdas berbasis Genetic Algorithm (Algoritma Genetik) untuk mengoptimasi dan menentukan parameter yang tepat dari PID. Algoritma genetik adalah salah satu algoritma yang menggunakan genetika sebagai model algoritmanya. Algoritma genetik terinspirasi dari meniru proses seleksi alam, yaitu proses yang menyebabkan evolusi biologis. Konsep inilah yang diadaptasi dan diterapkan dengan baik untuk menala parameter PID. Penggunaan metode algoritma genetik dapat memberikan hasil yang lebih baik pada setiap iterasinya. Hasil penelitian menunjukkan bahwa overshoot yang dihasilkan karena adanya respon kecepatan setelah penambahan PID adalah kurang dari 10%.

 

Kata Kunci: Pengendali PID, algoritma genetik, motor DC.

 

BAB I

PENDAHULUAN

 

1.1. Latar Belakang

Pengendali Proportional Integral Derivative (PID) merupakan pengendali konvensional yang masih banyak digunakan dalam dunia industri dibandingkan jenis kendali yang lebih modern. Pengendali PID memiliki 3 parameter, yaitu Konstanta Proporsional (KP), Konstanta Integral (KI), dan Konstanta Derivatif (KD). Tujuannya adalah untuk mendapatkan respon sistem yang optimal sesuai dengan spesifikasi perancangan yang diinginkan. Teknik penalaan PID ada beberapa metode, diantaranya metode Ziegler-Nichols, metode Fuzzy, dan metode Astrom-relay. Kebanyakan penalaan metode ini membutuhkan pengetahuan yang luas tentang sistem kontrol sehingga perlunya alternatif untuk otomatisasi penalaan dan praktisi yang tidak memerlukan pengetahuan sistem kontrol secara mendalam. Penggunaan pengendali PID membutuhkan pengaturan parameter yang tepat untuk mendapatkan kinerja yang optimal pada motor. Metode yang umum dalam menentukan parameter pengendali PID adalah trial and error. Namun hasil yang didapat tidak membuat pengendali PID optimal dan justru akan merusak sistem. 


Pada penelitian ini, Algoritma Genetik digunakan untuk menentukan parameter pengendali PID pada motor DC sehingga pengendali dapat menghasilkan tanggapan sistem yang baik (satisfactory response), khususnya pada kasus-kasus plant sample yang memiliki orde tinggi. Algoritma Genetik merupakan suatu teknik optimasi berbasis evolusi alam, yaitu melalui proses mutasi, pindah silang dan seleksi. Setelah mendapatkan model sistem, Algoritma Genetik digunakan secara off-line dengan simulasi untuk menentukan parameter pengendali PID. Hasil yang diperoleh saat pengujian dan simulasi akan dirangkum dalam tabel pengaruh nilai parameter PID dengan metode Algoritma Genetik.

 

1.2. Rumusan Masalah

1.     Bagaimana Algoritma Genetik dapat digunakan untuk menyesuaikan parameter pengendali PID pada motor DC sehingga menghasilkan respons sistem yang optimal?

2.     Apakah Algoritma Genetik mampu memberikan hasil yang lebih baik dibandingkan metode trial and error dalam penentuan parameter PID, terutama pada plant sample yang memiliki orde tinggi?

3.     Seberapa efektif penerapan Algoritma Genetik dalam simulasi untuk menghasilkan parameter PID yang optimal pada motor DC?


1.3. Tujuan Penelitian

1.   Mengembangkan metode optimasi parameter PID menggunakan Algoritma Genetik untuk menghasilkan respons sistem yang optimal pada motor DC.

2.  Menganalisis dan membandingkan hasil parameter PID yang diperoleh melalui Algoritma Genetik dengan metode konvensional trial and error.

3.  Menguji efektivitas Algoritma Genetik dalam menyesuaikan parameter PID pada motor DC melalui simulasi plant sample dengan orde tinggi.


1.4. Manfaat Penelitian

1.   Memberikan alternatif metode penentuan parameter PID yang lebih otomatis dan akurat, sehingga memudahkan praktisi yang kurang memahami sistem kontrol secara mendalam.

2.  Mengurangi waktu dan usaha dalam proses penalaan parameter PID pada motor DC melalui pendekatan Algoritma Genetik yang lebih efisien dibandingkan trial and error.

3.    Menyediakan kontribusi ilmiah dalam bentuk data dan hasil simulasi yang dapat menjadi acuan dalam penerapan teknik optimasi pada sistem kontrol motor DC dan sistem kontrol industri lainnya.

  

BAB II

TINJAUAN PUSTAKA

 

2.1. Pengendali PID

Pengendali Proportional Integral Derivative (PID) adalah jenis pengendali umpan balik yang paling banyak digunakan dalam industri, terutama untuk sistem dengan dinamika yang relatif sederhana. Pengendali PID memiliki tiga parameter utama: konstanta proporsional (Kp), konstanta integral (Ki), dan konstanta derivatif (Kd). Ketiga parameter ini mempengaruhi respons sistem secara keseluruhan, seperti kecepatan respons, stabilitas, dan tingkat osilasi (Ogata, 2010).

 

Menurut Astrom dan Hagglund (2006), pengendali PID memiliki keunggulan dalam kesederhanaan struktur dan kemampuannya untuk memberikan kinerja yang memadai dalam beragam aplikasi. Namun, efektivitas pengendali PID sangat bergantung pada akurasi parameter yang ditentukan. Pemilihan parameter yang tepat seringkali dilakukan dengan teknik trial and error yang membutuhkan waktu dan tidak menjamin hasil optimal.

 

2.2. Teknik Penalaan PID

Teknik penalaan PID bertujuan untuk menentukan nilai optimal dari parameter Kp, Ki, dan Kd agar sistem kontrol bekerja sesuai spesifikasi yang diinginkan. Salah satu metode klasik yang banyak digunakan adalah metode Ziegler-Nichols, yang diperkenalkan pada tahun 1942. Metode ini memberikan aturan penalaan berbasis eksperimen, namun sering kali tidak cukup akurat untuk sistem dengan karakteristik kompleks (Ziegler & Nichols, 1942).

 

Sebagai alternatif, metode penalaan lain seperti metode Fuzzy Logic dan Astrom-Relay telah dikembangkan untuk meningkatkan akurasi parameter PID (Astrom & Hagglund, 1995). Akan tetapi, metode-metode ini tetap memerlukan pengetahuan yang cukup mendalam tentang dinamika sistem, yang tidak selalu dimiliki oleh praktisi di lapangan.

 

2.3. Algoritma Genetik untuk Optimasi PID

Algoritma Genetik (Genetic Algorithm atau GA) adalah salah satu metode optimasi berbasis teori evolusi yang bekerja dengan prinsip seleksi alamiah. Algoritma ini menggunakan proses seperti seleksi, mutasi, dan crossover untuk menemukan solusi optimal dari masalah tertentu (Goldberg, 1989). Dalam konteks pengendali PID, Algoritma Genetik dapat digunakan untuk mengoptimalkan parameter Kp, Ki, dan Kd tanpa memerlukan pengetahuan mendalam tentang karakteristik sistem kontrol.

 

Beberapa penelitian telah membuktikan keefektifan Algoritma Genetik dalam optimasi parameter PID. Misalnya, penelitian oleh Rashid dan Hussain (2014) menunjukkan bahwa GA dapat memberikan hasil penalaan PID yang lebih baik dibandingkan metode konvensional dalam beberapa kasus tertentu, terutama pada sistem orde tinggi yang kompleks. Dalam penelitian lain, Wahyudi dan Pranoto (2020) menemukan bahwa penggunaan GA pada sistem kontrol motor DC meningkatkan stabilitas dan kecepatan respons sistem.

 

2.4. Penggunaan Algoritma Genetik dalam Sistem Motor DC

Motor DC banyak digunakan dalam industri karena kemampuannya untuk menyediakan kecepatan dan torsi yang stabil serta kontrol yang relatif mudah. Namun, untuk memastikan performa yang optimal, parameter pengendali PID pada motor DC harus disesuaikan dengan karakteristik beban dan kondisi operasi (Bolton, 2015). Beberapa studi telah menggunakan Algoritma Genetik untuk optimasi pengendalian pada motor DC dan menunjukkan peningkatan signifikan dalam performa sistem (Sun et al., 2016).

 

Menurut penelitian oleh Tan dan Zheng (2018), penggunaan Algoritma Genetik dalam tuning PID pada motor DC berhasil mengurangi kesalahan steady-state dan mempercepat waktu respon sistem. Hal ini menunjukkan bahwa GA memiliki potensi besar dalam memperbaiki kualitas sistem kontrol pada berbagai jenis motor, termasuk motor DC.

 

2.5. Simulasi dan Evaluasi Parameter PID

Dalam aplikasi Algoritma Genetik pada tuning PID, simulasi sangat penting untuk menguji efektivitas parameter yang diperoleh. Simulasi umumnya dilakukan secara offline untuk memastikan bahwa hasil parameter tuning dari GA sesuai dengan kondisi nyata tanpa harus melakukan eksperimen langsung pada hardware (Johnson et al., 2017). Metode ini memberikan gambaran awal performa sistem dan mengurangi risiko kerusakan perangkat keras akibat penalaan yang kurang tepat.

  

 

BAB III

METODE PENELITIAN

             3.1. Desain Sistem

Dalam desain sistem ini, digunakan algoritma genetik untuk menentukan parameter pengendali PID. Diagram blok pengendali PID dengan fungsi alih ditunjukkan pada Gambar 1.

 


Gambar 1. Diagram blok tuning pengendali PID.

 

Gambar 1 menunjukan bahwa input sistem berupa sebuah tuning parameter PID dengan menggunakan Algoritma Genetik (GA) sebagai metode pengendalinya untuk mencari konstanta parameter PID. Plant yang digunakan ialah sebuah sistem kendali umpan balik yang keluarannya berupa sebuah kecepatan dari motor DC.

 

            3.2. Diagram Blok Hardware

Selain adanya diagram blok tuning pengendali PID, pada penelitian ini dibuat juga diagram blok hardware serta wiring hardware untuk menunjukkan penjelasan perangkat keras yang digunakan. Diagram blok hardware ditunjukkan pada Gambar 2.

 


Gambar 2. Diagram blok hardware.

 

Pada Gambar 2 diperlihatkan diagram blok pemodelan motor DC yang menggunakan board Arduino Uno R3 sebagai pengendali sistem. Board Arduino mendapat supply tegangan dari power supply yang sudah disiapkan sebesar 12 volt yang disalurkan pada driver motor untuk menggerakkan motor DC. Selanjutnya gerakan putar motor DC akan dicatat oleh encoder yang akan diberikan pada Arduino Uno R3 agar dapat dilihat hasilnya pada software Arduino Ide pada menu serial monitor dan serial plotter.

 

            3.3. Diagram Pengkabelan Hardware

Wiring diagram atau diagram pengkabelan dari sistem yang dibuat dapat dilihat pada Gambar 3.

 


Gambar 3. Wiring hardware.

 

Perancangan perangkat keras dibuat untuk mengontrol motor DC, dan driver motor untuk melihat respon sistem dan juga sebagai alat pengambilan data yang diperlukan untuk memodelkan motor DC menggunakan pendekatan pemodelan identifikasi sistem, data yang akan digunakan berupa tegangan dan kecepatan putar motor DC.

 

                3.4. Algoritma Genetik

Prosedur Algoritma Genetik digambarkan dalam bentuk flowchart yang ditunjukkan pada Gambar 4.



Gambar 4. Flowchart program algoritma Genetik.

 

Berdasarkan Gambar 4, standar utama Algoritma Genetik mencakup empat operator sebagai berikut:

a. Seleksi GA adalah operasi seleksi yang akan memilih solusi induk.

b. Selama fase reproduksi GA, individu dipilih dari populasi dan direkombinasi, menghasilkan keturunan yang pada gilirannya akan terdiri dari generasi berikutnya.

c. Crossover mengambil dua induk dan memotong string kromosom induk di beberapa posisi yang dipilih secara acak, untuk menghasilkan dua segmen “kepala” dan dua segmen “ekor”.

d. Mutasi diterapkan pada setiap anak secara individual, setelah crossover.

 

 BAB IV

HASIL DAN PEMBAHASAN

 

            4.1. Pemilihan Model Transfer Function

Motor DC Model TF Motor DC tersebut diambil dari jurnal, yaitu

 


 

            4.2. Pengujian menggunakan Metode Trial and Error

 Pengujian dengan metode trial and error atau metode coba-coba pada nilai KP, KI dan KD dilakukan untuk mengetahui perbandingan parameter PID yang didapatkan. Pengujian dengan metode tersebut menggunakan plant motor DC pada Matlab seperti ditunjukkan pada Gambar 5.



Gambar 5. Plant motor DC pada matlab.

 

Hasil dari pengujian menggunakan metode trial and error ini ditunjukkan pada Tabel 1.

 



Pengujian dilakukan sebanyak lima kali dengan hasil berupa grafik pada plant motor DC seperti yang ditunjukkan pada Gambar 6 dan Gambar 7.



 

Berdasarkan pengujian yang dilakukan, diperoleh nilai overshoot yang sangat besar yaitu 85,6825% untuk Gambar 6 dan 49,2620% untuk Gambar 7. Nilai settling time yang didapat bernilai NaN. NaN adalah singkatan dari Not a Number (bukan angka). NaN ialah nilai tipe data numerik yang mewakili nilai yang tidak ditentukan atau tidak terwakili, terutama dalam aritmatika titik-mengambang. Dalam pengujian menggunakan metode trial and error ini menunjukkan bahwa semua percobaan yang dilakukan bernilai NaN dan terjadi pada data settling time. Pengujian menggunakan metode trial and error tidak efektif dalam mencari parameter PID yang diinginkan.

 

            4.3. Pengujian menggunakan Metode Algoritma Genetik (GA)

Pengujian menggunakan metode Algoritma Genetik dilakukan dengan tiga macam pengujian yang dipengaruhi oleh fungsi Algoritma Genetik itu sendiri. Fungsi Algoritma Genetik di antaranya adalah proses mutasi, proses pindah silang dan jumlah generasi variasi. Proses pengujian dijalankan dengan Matlab.

 

                4.3.1. Pengujian menggunakan GA dengan Pengaruh Pmutasi

Pengaruh Pmutasi dilakukan dengan proses memasukkan nilai Pmutasi 0,8 dan 1. Selanjutnya memasukkan nilai Psilang 0,6 pada semua data yang dicobakan dan menggunakan jumlah generasi 100. Hasil simulasi untuk transfer function motor DC pada persamaan pemilihan model ditampilkan pada Gambar 8 dan Gambar 9.



 Pengujian selanjutnya ialah memasukkan nilai parameter PID (KP, KI, KD) yang didapatkan dari hasil simulasi Pmutasi pada plant motor DC Matlab. Hasil yang ditampilkan dari pengujian tersebut berupa grafik yang ditunjukkan pada Gambar 10 dan Gambar 11.

 



 Dari hasil simulasi Pmutasi 0,8 dan Pmutasi 1, diperoleh nilai overshoot yang sama, yaitu sebesar 0%. Hasil yang ditunjukkan pada grafik di atas bisa dianggap lebih baik dari grafik dengan metode trial and error. Akan tetapi, nilai overshoot tersebut belum tentu mutlak saat pengujian menggunakan alat. Hasil dari pengujian menggunakan metode GA dengan pengaruh Pmutasi ini ditunjukkan pada Tabel 2.

 



 Dari hasil pengujian 2 ini diperoleh nilai overshoot 0 pada seluruh data. Overshoot yang didapatkan sudah optimal dengan nilai parameter PID yang sudah memenuhi syarat, yaitu KP ≥ KI ≥ KD.

 

    4.3.2 Pengujian menggunakan GA dengan Pengaruh Psilang

 Pengaruh Psilang dilakukan dengan proses memasukkan nilai Psilang 0,2; 0,4. Selanjutnya memasukkan nilai Pmutasi 0,6 pada semua data yang dicobakan dan menggunakan jumlah generasi 100. Hasil simulasi untuk transfer function motor DC pada persamaan pemilihan model ditampilkan pada Gambar 12 dan Gambar 13.

 


 

Pengujian selanjutnya ialah memasukkan nilai parameter PID (KP, KI, KD) yang didapatkan dari hasil simulasi Psilang pada plant motor DC Matlab. Hasil yang ditampilkan dari pengujian tersebut berupa grafik yang ditunjukkan pada Gambar 14 dan Gambar 15.



 

Hasil yang diperoleh dari simulasi Psilang 0,2 memiliki nilai overshoot yang besar, yaitu 36,1315%. Sedangkan simulasi Psilang 0,24 menghasilkan nilai overshoot sebesar 0%. Hasil yang ditunjukkan pada grafik di atas bisa dianggap lebih baik dari grafik dengan metode trial and error, tetapi belum lebih baik dari grafik metode GA Pmutasi yang menampilkan grafik tanpa overshoot lebih banyak. Hasil dari pengujian menggunakan metode GA dengan pengaruh Psilang ini ditunjukkan pada Tabel 3.

 


 

Dari hasil pengujian 3 ini diperoleh nilai overshoot 0 pada data nomor 2. Overshoot yang didapatkan sudah optimal dengan nilai parameter PID yang sudah memenuhi syarat, yaitu KP ≥ KI ≥ KD.

 

    4.3.3 Pengujian menggunakan GA dengan Pengaruh Jumlah Generasi Variasi

Pengaruh jumlah generasi sangat menentukkan parameter PID, jumlah generasi ini tidak mutlak harus lebih besar ataupun lebih kecil karena ditentukan dengan pergerakan dari nilai fitness terbaik. Jumlah generasi yang digunakan pada simulasi ini terdiri dari lima data, yaitu jumlah generasi 120 dan jumlah generasi 150. Selanjutnya memasukkan nilai Pmutasi dan Psilang 0,6 pada semua data yang dicobakan. Hasil simulasi untuk transfer function motor DC pada persamaan pemilihan model ditampilkan pada Gambar 16 dan Gambar 17.



Pengujian selanjutnya ialah memasukkan nilai parameter PID (KP, KI, KD) yang didapatkan

dari hasil simulasi jumlah generasi variasi pada plant motor DC Matlab. Hasil yang ditampilkan

dari pengujian tersebut berupa grafik yang ditunjukkan pada Gambar 18 dan Gambar 19.




Hasil yang diperoleh dari simulasi jumlah generasi 120 dan jumlah generasi 150 memiliki nilai overshoot yang sama, yaitu 0%. Hasil yang ditunjukkan pada grafik di atas bisa dianggap lebih baik dari grafik dengan metode trial and error dan grafik dengan metode GA Pmutasi karena menampilkan overshoot yang lebih banyak. Akan tetapi, nilai overshoot tersebut belum tentu

mutlak saat pengujian menggunakan alat. Hasil dari pengujian menggunakan metode GA dengan

pengaruh jumlah generasi variasi ini ditunjukkan pada Tabel 4.

 



 

            4.4. Pengujian Hardware

Hardware yang digunakan pada pengujian tersebut ditunjukkan pada Gambar 20.

 


 

Pengujian hardware dilakukan setelah proses pengujian 1 sampai pengujian 4 mendapatkan hasil berupa 6 data nilai parameter PID (KP, KI, KD) menggunakan metode trial and error dan GA. Kemudian data tersebut diuji pada alat yang telah dirancang untuk mendapatkan hasil optimal yang sesuai dengan tujuan peneliti. Proses pengujian hardware dijalankan dengan aplikasi Arduino dan untuk menampilkan informasi respon sistem menggunakan Matlab. Hasil dari pengujian hardware ini ditunjukkan pada Tabel 5.

 


 

Pengujian hardware dilakukan sebanyak 8 kali sesuai dengan jumlah data dari pengujian sebelumnya. Urutan dari pengujian tersebut sudah sesuai dengan pengujian 1 sampai 4. Hasil daripengujian hardware berupa grafik kecepatan motor DC yang kemudian akan dibandingkan untuk mendapatkan nilai overshoot terkecil. Grafik tersebut ditunjukkan pada Gambar 21 sampai Gambar 28.

 



 

Dari hasil pengujian hardware menggunakan kecepatan motor DC dengan parameter PID sebagai input, dapat dilihat ada empat data yang sudah menampilkan overshoot minimum 10%, yaitu Gambar 24 dengan nilai Pmutasi 1, Gambar 25 dengan nilai Psilang 0,2, Gambar 26 dengan nilai Psilang 0,4 dan Gambar 27 dengan nilai generasi 120. Tetapi data terbaik tersebut tidak dapat dilihat dari nilai overshoot saja. Peneliti harus membandingkan nilai parameter PID yang dihasilkan apakah sudah memenuhi syarat (KP ≤ KI ≤ KD) dan kecepatan yang didapat sudah stabil (steady state) sampai data ke-100, serta tidak ada kenaikan lonjakan yang signifikan ataupun undershoot yang dinilai kurang baik. Temuan-temuan yang ditemukan pada keseluruhan percobaan ini dapat dilihat dari nilai parameter PID yang didapat serta grafik yang ditampilkan. Ada dua data pengujian terbaik dari segi nilai overshoot maupun nilai parameter PID yang menjadi input, yaitu pada Gambar 24, parameter PID nya adalah KP = 3,7500; KI = 1,3184 dan KD = 0,2051. Untuk nilai overshoot = 2, undershoot = 0 dan untuk waktu tunak (settling time) = 13,5 serta waktu naik (risetime) = 2,7872. Kemudian Gambar 26, parameter PID nya adalah KP = 4,2090; KI = 1,2012 dan KD = 0,2539. Untuk nilai overshoot = 2, undershoot = 0 dan untuk waktu tunak (settling time) = 18 serta waktu naik (risetime) = 2,6462.

 

 

 

Listing Program

 


 


 

BAB V

KESIMPULAN

 

Setelah dilakukan penelitian dan mengolah data pada penelitian ini, algoritma Genetik untuk penalaan parameter pengendali PID ini sudah menemukan solusi optimal dengan overshoot di bawah 10%, dengan jumlah generasi 100 pada pengaruh Pmutasi 0,4 dan Pengaruh Psilang 0,8 serta pengaruh jumlah generasi variasi 120 dan 150. Metode algoritma genetik terbukti memberikan hasil sistem yang memiliki waktu tunak lebih baik dan lonjakan maksimum yang lebih kecil dibandingkan metode trial and error yang digunakan dalam simulasi. Proses pengujian hardware dengan metode algoritma genetik pada motor DC dapat berjalan dengan baik, sehingga didapatkan data terbaik berupa nilai overshoot di bawah 10% dan parameter PID yang memenuhi syarat. Proses pengujian tersebut menghasilkan dua data terbaik dengan nilai overshoot = 2 dan nilai parameter PID terbaik pada Pmutasi 1 ialah KP = 3,7500; KI = 1,3184 dan KD = 0,2051 serta nilai parameter PID terbaik pada Psilang 0,4 ialah KP = 4,2090; KI = 1,2012 dan KD = 0,2539.


No comments:

Post a Comment