Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPengendali Fuzzy yang digunakan dalam aplikasi industri memiliki kelemahan jika diterapkan pads sistem yang mengandung komponen noniinier deadzone. Keluaran sistem akan memiliki galat tunak dan tanggapan waktu yang kurang baik. Berdasarkan a.nalisa keadaan tunak dapat diketahui bahwa galat tunak yang ada bila muncul dea&one dapat dihilangkan dengan menambahkan suatu nilai pada masukan Pengendali Fuzzy. Hal ini yang mendasari ditambahkannya suatu prekompensator berbasis frazy ke dalam sistem. Fuzzy Prekompensator ini dapat langsung ditambahkan ke sistem tanpa mengubah Pengendali Fuzzy yang telah ada. Dalam Tugas Akhir ini dibahas perancangan dan simulasi Pengendali Fuzzy Lapis Dua dengan menggunakan program simulasi Visual Basic versi 3.0. Lapis pertam,a adalah Fuzzy Prekompensator yang akan mengkompensasi galat tunak yang tnuneul bila ads deadzone dalam sistem. Lapis kedua adalah Pengendali Fuzzy biasa yang Bering digunakan dalam aplikasi. Ujicoba simulasi dilakukan pada enam model plant Tiga model plant or& dua yang masing-masing memilild tanggapan waktu dengan redaman kurang, redaman lcbk dan osilasi, dan tiga model plant orde tiga Pada setiap model plant diujicoba dengan tiga macam iebar dea&-one untuk besar kemiringan yang tetap, dan dengan tiga nacam besar kemiringan untuk lebar deadzone yang tetap. Masukan yang diberikaa adalah fungsi langkah. Hasil simulasi pads keenam model plant menunjukkan bahwa penambahan fuzzy Prekompensator ini dapat meaakukan perbaikan pads settling time, mengurangi overshoot dan menghilangkan galat tunak.

---

"

"Fuzzy Model Reference Learning Control merupakan suatu teknik kendali yang dapat mengatasi keterbatasan pengendali fuzzy yang tidak memiliki suatu algoritma untuk mengkompensasi perubahan kondisi tau variasi yang besar dari sistem yang dikendalikannya, Fuzzy Model Reference Learning Control memiliki kemampuan untuk mengatasi adanya perubahan parameter sistem dengan menggunakan mekanisme pembelajaran. Sistem pengereman mobil merupakan sistem dengan parameter yang bervariasi, yaitu specific torque sehingga metoda Fuzzy Model Reference Learning Control diaplikasikan pada pengendali sistem ini. Pengendali menggunakan suatu model referensi pada mekanisme pembelajarannya yang merepresentasikan bagaimana suatu sistem perngereman diharapkan untuk berlaku. Hasil simulasi menunjukkan pengendali mampu memaksa sistem pengereman mobil yang dikendalikannya berlaku seperti model referensi walaupun dengan specific torque yang bervariasi."

"Tugas Akhir ini merancang suatu pengendali berbasis NeuroFuzzy dan mengujicobanya pada perangkat lunak sederhana untuk sistem linier orde dua. Pada akhir pengendalian diharapkan diperoleh tanggapan sistem yang lebih baik. Tanggapan ini berupa settling time, rise time, overshoot dan galat tunak, yang diharapkan men jadi lebih cepat, lebih singkat, dan lebih kecil. Pengendali yang dirancang adalah suatu pengendali yang menggabungkan Jaringan Saraf Buatan dengan pengendali Logika Fuzzy. Jaringan saraf buatan mempunyai kemampuan belajar dan dilatih dengan sekumpulan data pelatihan. Pada pengendali ini jaringan saraf buatan dilatih untuk menentukan nilai keanggotaan error dan selisih error sebagai masukan pengendali, ke dalam nilai linguistik yang bersesuaian. Pengendali ini juga membutuhkan Fuzzy Assosiative Memory (FAM). Uji cobs perangkat lunak dilakukan terhadap lima model sistem linier orde dua, yang diharapkan mampu mewakili suatu sistem linier orde dua secara keseluruhan. Perangkat lunak tersebut dibuat dengan bahasa pemrograman Visual Pascal, menggunakan Borland Delphi versi 1.0. Tanggapan waktu model sistem linier orde dua tanpa pengendali NeuroFuzzy kemudian akan dibandingkan dengan tanggapan hasil pengendalian dengan pengendali berbasis NeuroFuzzy. Dari hasil perbandingan diharapkan terjadi perbaikan tanggapan. yang menandakan keberhasilan pengendalian."

"Navigasi merupakan hal yang sangat penting dalam setiap pelayaran kapal laut, yaitu untuk mengetahui posisi kapal dalam koordinat geografis. Pengendalian pada sistem kemudi kapal laut dimaksudkan untuk melepaskan diri dan ketergantungan kemudi kapal terhadap seorang nakhoda dan kapal laut dapat tiba di tempat tujuan dengan kesalahan posisi yang tidak terlalu besar.Pada skripsi ini akan dibahas perbandingan dua pengendali yang akan digunakan untuk mengendalikan kemudi kapal laut, yaitu pengendali logika fuzzy dan pengendali ANFIS (Adaptive-Network-Based Fuzzy Inference System). Pengendali logika fuzzy menggunakan metoda basis aturan berdasarkan pengalaman seorang pakar (dalam hal ini nakhoda) untuk mengendalikan kemudi kapal yang diambil dari acuan[2] , sementara pengendali ANFIS merupakan pengendali neuro fuzzy yang rnenggunakan proses learning dari basis data untuk menghasilkan basis aturannya. Kedua jenis pengendali ini akan menghasilkan kinerja yang berbeda."

"Pembangkitan listrik hams memperhatikan pengendalian kecepatan putar turbin generator agar Iistrik yang dibangkitkan memiliki frekuensi yang stabil dan daya sinkron yang besar.Pengendalian kecepatan putar pada turbin uap menggunakan Auromatic Generation Control (AGC) bertujuan agar response deviasi frekuensi tidak memiliki error steady-state serta mampu mengembalikan kepada kecepatan sinkronnya secepat mungkin sehingga daya sinkron sistem bertambah tinggi. Pembahasan meliputi pemodelan sistem steam turbine-generator yang sederhana, konsep dasar Iogika fuzzy dan penerapannya sebagai pengendali. Analisis dilakukan terhadap transient stability dan steady-state strability pada sistem dengan pengendali Iogika fuzzy sebagai AGC yang mengalami gangguan (disturbance) pada beban dan tegangan. Serta unjuk kerjanya dibandingkan dengan sistem dengan pengendali PI.Simulasi pengendali logika FLIZZY sebagai AGC dilakukan dengan bantuan perangkat lunak Simulink pada Matlab versi 5.3. Dari simulasi didapat bahwa pengendali logika Fuzzy tipe PFD sebagai AGC mampu menghilangkan error steady-state response deviasi frekuensi dengan cepat dan memiliki daya sinkron yang relatif bertambah tinggi dibandingkan pengendali PI."

"Skripsi ini bertujuan untuk mengenali dan menganalisa penyakit darah Leukimia dengan citra darah menggunakan metode Logika Fuzzy. Proses pengenalan penyakit darah dilakukan dengan beberapa operasi pengolahan citra. Penentuan parameter karakteristik citranya berdasarkan warna (hue) dan kecerahan (value) yang akan digunakan dalam proses cropping dan pembentukan FIS membership function. Input citra darah akan dilakukan cropping pada ROI yang tetap, yaitu pada daerah [ 300 272 520 448]. Kemudian diambil nilai pixel koordinat pusatnya untuk dilakukan identifikasi dengan ukuran dan jenis penyakit darah yang berbeda-beda. Hasil data-data tersebut dikumpulkan menjadi suatu database yang digunakan dalam proses pengenalan dengan FIS. Pengenalan dengan FIS dilakukan dengan tiga metode berdasarkan membership function-nya, yaitu FIS dengan fungsi keanggotaan Gaussian, FIS dengan fungsi keanggotaan Trapesium, dan FIS dengan fungsi keanggotaan Segitiga. Pengenalan dilakukan dengan mengidentifikasi tiga jenis penyakit darah Leukimia, yaitu Acute Lympotic Leukimia (ALL), Acute Myelogenous Leukimia (AML), dan Burkitts Lympoma (BL). Dari hasil simulasi dengan ketiga metode, diperoleh tingkat akurasi pengenalan penyakit darah yang mampu dikenali yaitu 100 % dan 66.67. Dimana, akurasi tertinggi dicapai oleh metode FIS fungsi keanggotaan tipe Gaussian dengan nilai akurasi 100 %.

---

This paper was made for recogning and analyzing the blood disease with blood images using Logic Fuzzy method. The identification blood disease process to use many operation emage processing. Determine the parameter chractheristic its image based on colour (hue) and brightness (value) which will using in the process cropping and formatting FIS membership function. The input blood image will conduct cropping at ROI which fixed, that is at region [ 300 272 520 448]. Then is taked the value pixel its coordinate center for is done identifity with size and kinds blood disease which different each order from coordinate center.

Result of data is collected to be a databese which will used in the process of recognition by FIS. The recognition by FIS is conducted to use three methods that based on its membership function, there are FIS by Gaussian membership function, FIS by Trapesium membership function, and FIS by Signoid membership function.

The recognition is conducted by to identify of three kinds Leucimia blood disease, involve Acute Lympotic Leukimia (ALL), Acute Myelogenous Leukimia (AML), and Burkitts Lympoma (BL). Based on the rezult simulation by 3th method, is gotten rate acuration of identification blood disease which can is recogned, that is 100 % and 66.67 %. Where, the highth acuration is reached by FIS membership function type Gaussian method with its value acuration 100 %."