Hasil Pencarian  ::  Simpan CSV :: Kembali

"Untuk meningkatkan kinerja pengendali PI, maka pengendali PI dibuat adaptif dengan menambahkan pengendali fuzzy. Pengendali fuzzy akan menghitung nilai ΔKp dan ΔKi, sehingga nilai Kp dan Ki di pengendali PI akan terus diperbaharui seiring dengan masukan error di pengendali fuzzy maupun PI. Dengan potensi tersebut, pengendali ini akan diterapkan pada salah satu sistem multivariabel yang ada di proses industri kimia, yaitu kolom distilasi. Model kolom distilasi yang digunakan dalam simulasi ini adalah model kolom distilasi linier 2 × 2 McAvoy dan Weischedel seperti yang ditunjukkan dalam Marlin. Simulasi akan dilakukan dengan piranti MATLAB/Simulink dengan bahasa pemrograman C (C MEX S-function). Parameter kinerja pengendali yang digunakan adalah overshoot, settling time, dan IAE (integral absolute error). Berdasarkan hasil pengujian perubahan set point dan gangguan, pengendali fuzzy-PI berhasil meningkatkan kinerja pengendali yang berupa penurunan nilai IAE. Hal ini disebabkan karena Kp dan Ki yang berubah sesuai kondisi sistem, walaupun perubahan yang terlihat tidak signifikan karena penyetelan parameter Kp dan Ki awal yang sudah agresif.

---

To improve the PI controller performance, the PI controller is made to be adaptive by adding a fuzzy controller. The fuzzy controller will calculate the values of ΔKp and ΔKi, so that the values of Kp and Ki in the PI controller will always be updated based on the error input in both PI and fuzzy controller. With these potentials, this controller will be implemented in one of the multivariable systems in chemical processes, which is distillation column. The distillation column model used in this simulation is linear distillation column 2 × 2 by McAvoy and Weischedel as mentioned in Marlin. The simulation will be done with the MATLAB/Simulink software and the program routines are made with C (C MEX S-function). Verification of the control performance improvement will be reviewed from three parameters, which are overshoot, settling time, and IAE (integral absolute error). Based on the set point and disturbance change test, the fuzzy-PI controller succeeded in improving the control performance, which can be seen by the lower values of IAE. This is due to the change in the values of Kp and Ki based on the systems condition, even though the change did not seem to be significant because of the initial values of Kp and Ki used is already aggressive enough.

"

"Bagi para pengusaha tempat umum seperti mal, bioskop, dan lainnya, data jumlah pengunjung dibutuhkan untuk berbagai keperluan. Selama ini proses penghitungan pengunjung dilakukan secara manual oleh para petugas yang bersiaga di pintu masuk. Proses penghitungan secara manual rawan akan kesalahan (human error), mengingat petugas tersebut harus siaga sepanjang waktu operasional tempat tersebut. Dalam Tugas Akhir ini, dikembangkan prototipe sistem yang mampu melakukan penghitungan jumlah pengunjung. Sistem ini disebut dengan Sistem Penghitung Pengunjung (SiPP). Sistem tersebut dikembangkan dengan menggunakan dua metode, yaitu metode jarak Euclidian dan metode pengukuran fuzzy. Jarak Euclidian digunakan untuk menjejaki seseorang berdasarkan hasil pengukuran jarak pergerakannya antar dua buah frame. Sementara pengukuran fuzzy menjejaki seseorang berdasarkan nilai derajat kepercayaan. Kedua sistem tersebut telah dibandingkan kinerjanya dari segi akurasi penjejakan objek dan akurasi hasil penghitungan. Berdasarkan hasil eksperimen yang di lakukan dengan masukan berupa video rekaman pada Multimedia Understanding Lab 1237 dan Stasiun UI, baik metode jarak Euclidian maupun metode pengukuran fuzzy memiliki kinerja akurasi yang sama. Metode jarak Euclidian memiliki sedikit keunggulan dari segi waktu komputasi, namun perbedaannya tidak signifikan. Sistem yang di hasilkan dari Tugas Akhir ini dapat digunakan oleh pihak yang me - merlukan data jumlah pengunjung. Untuk penelitian lebih lanjut, sistem ini dapat dikembangkan untuk menghitung objek ? objek lain."

"Pengontrol aliran banyak digunakan di berbagai industri, seperti di industri perminyakan untuk mengalirkan minyak dari minyak lepas pantai ke darat atau digunakan untuk distribusi minyak. Pengontrol aliran yang paling banyak digunakan dalam industri adalah pengontrol berbasis PID konvensional yang diimplementasikan menggunakan PLC. PLC banyak digunakan dalam industri karena kekompakannya, memiliki konektivitas standar dan memiliki keandalan yang tinggi. Dalam penelitian ini, pengontrol non-konvensional, yaitu pengontrol Neuro-Fuzzy, diterapkan pada pabrik prototipe yang mengandung air sebagai agen alirannya. Pabrik prototipe terdiri dari tangki air, pompa air, katup gerbang, katup kontrol, flow meter, dan sistem perpipaan. Kontroler Neuro-Fuzzy dalam penelitian ini dirancang berdasarkan algoritma ANFIS, dengan input berupa kesalahan dan perubahan kesalahan dari variabel proses yang diamati, dalam hal ini aliran air pada pipa keluaran pabrik prototipe. Pengontrol dioperasikan di lingkungan MATLAB/SIMULINK pada PC, yang memperoleh informasi laju aliran berasal dari flow meter yang terhubung ke PLC. PLC berkomunikasi dengan pengendali melalui fasilitas OPC. Output dari pengontrol, yang berupa bukaan katup kontrol, akan dikirim ke PLC melalui OPC, oleh karena itu PLC dapat mengontrol bukaan katup sesuai dengan laju aliran air yang diinginkan. Setelah menjalani proses pelatihan, pengendali berbasis ANFIS yang dikembangkan diuji dengan berbagai titik setel debit air untuk mendapatkan informasi kinerjanya. Dari penelitian ini ditemukan bahwa pengontrol berbasis ANFIS adalah pengontrol dengan kinerja yang baik, yang memiliki waktu naik rata-rata 16,88 detik, waktu penyelesaian 30,68 detik, dan dengan overshoot 0% dan 35,65%, dan memiliki relatif kecil kesalahan 2,59%.

---

Flow control is widely used in various industries, such as in the oil industry to flow oil from offshore to onshore oil or used for oil distribution. The most widely used flow controller in the industry is conventional PID-based controller which is implemented using PLC. PLCs are widely used in industry because of their compactness, standard connectivity and high reliability. In this study, a non-conventional controller, the Neuro-Fuzzy controller, is applied to a prototype plant that contains water as its flow agent. The prototype plant consists of a water tank, a water pump, a gate valve, a control valve, a flow meter, and a piping system. The Neuro-Fuzzy controller in this study was designed based on the ANFIS algorithm, with input in the form of errors and error changes of the observed process variables, in this case the flow of water in the prototype factory output pipe. The controller is operated in a MATLAB / SIMULINK environment on a PC, which gets flow rate information from a flow meter connected to the PLC. PLC communicates with controllers through OPC facilities. The output from the controller, which is the control valve opening, will be sent to the PLC via OPC, therefore the PLC can control the valve opening according to the desired flow rate. After undergoing the training process, the ANFIS-based controller that was developed was tested with various water discharge set points to obtain performance information. From this study it was found that ANFIS-based controller is a controller with good performance, which has an average rise time of 16.88 seconds, a completion time of 30.68 seconds, and with 0% and 35.65% overshoot, and has relatively small errors 2.59%."

"Proses Thermal Mixing adalah jenis dari proses pencampuran yang penting di berbagai industri, seperti industri pangan, pupuk, farmasi, material sampai petrochemical. Proses Thermal Mixing merupakan proses Multi input multi ouput (MIMO), karena bekerja dengan mengendalikan dua flow air panas dan air dingin untuk mengendalikan temperatur dan level campuran. Meskipun memiliki respon yang kurang baik untuk mengendalikan MIMO, namun PID masih banyak digunakan karena kesederhanaannya. Algoritma non konvensional yang lebih baik seperti fuzzy control memiliki kerumitan yang tinggi dibanding PID. Algoritma Adaptive Fuzzy PID Controller (AFPIDC) merupakan gabungan dari keduanya, memiliki basis PID yang cukup sederhana namun ditambahkan aspek Fuzzy untuk mempercepat pengendalian dengan cara mengubah konstanta PID secara real-time (on the fly). Algoritma AFPIDC ini diterapkan pada simulasi sistem pengendalian temperatur dan level air pada proses water Thermal Mixing dan dilakukan pada program MATLAB/SIMULINK di PC. Fuzzy yang digunakan memiliki dua input berupa error dan perubahan error, dan memiliki tiga output berupa perubahan nilai konstanta PID. Pengujian sistem dilakukan dengan simulasi perubahan setpoint dan gangguan berupa kebocoran flow. Dari hasil pengujian sistem, pengendali AFPIDC memiliki performa yang lebih baik dari PID dalam mengendalikan temperatur dan level pada sistem. Dalam pengendalian temperatur, didapatkan nilai settling time PID sebesar 830 detik, AFPIDC sebesar 328 detik dan untuk nilai overshoot PID 6,3% dan AFPIDC 0%. Untuk pengendalian level didapatkan settling time PID 3221 detik dan AFPIDC 235 detik dengan nilai overshoot PID 10,5% dan AFPIDC 0%. Dari pengujian sistem terhadap gangguan kebocoran, pengendali temperatur membutuhkan waktu untuk kembali stabil pada PID 780 detik, AFPIDC 250 detik. Sedangkan untuk pengendalian level untuk kembali stabil membutuhkan waktu PID 4510 detik, AFPIDC 225 detik.

---

The Thermal Mixing Process is a type of mixing process that is important in various industries, such as the food, fertilizer, pharmaceutical, material to petrochemical industries. The Thermal Mixing Process is a multiple-input multiple-output process (MIMO), because it works by controlling hot water and cold-water flows to control the temperature and level of the mixture. Although it has a poor response to control MIMO system, PID is still widely used because of its simplicity. There are some better control algorithm, such as fuzzy control, but have higher complexity than PID. The Adaptive Fuzzy PID Control (AFPIDC) algorithm is a combination of the two, has a simple PID basis with added Fuzzy aspects to speed up control by changing the PID constant in realtime. The AFPIDC algorithm is applied to the simulation of temperature and water level control systems in the process of water Thermal Mixing and is done on the MATLAB/SIMULINK program on a PC. The fuzzy algorithm uses two inputs in the form of errors and changes in errors and has three outputs in the form of changes in the value of the PID constant. System testing is done by simulating setpoint changes and disruption in the form of leakage flow. From the results of system testing, AFPIDC controllers have better performance than PID in controlling temperature and level in the system. In temperature control, the PID settling time is 830 seconds, AFPIDC is 328 seconds and the PID overshoot is 6,3% and AFPIDC is 0%. In level control, the settling time of PID is 3221 seconds while AFPIDC is 235 seconds with PID overshoot is 10,5% while AFPIDC 0%. From testing the system with leakage disturbance, the temperature controller needs time to regain stability at PID 780 seconds, AFPIDC 250 seconds. Meanwhile the level controlling stabilizes at PID 4510 seconds, and AFPIDC at 225 seconds."

"Dalam penelitian ini dilakukan simulasi pengendalian temperatur dan level air (multivariable) pada proses pencampuran dalam suatu tangki berkapasitas 80 liter menggunakan MATLAB Simulink. Tujuan dari penelitian ini adalah menjaga temperatur dan level air di set point pada sebuah proses dengan mengendalikan debit air dingin dan panas yang masuk ke tangki pencampuran. Keterkaitan antara satu variabel dengan variabel lainnya dapat direduksi menggunakan decoupling. Sistem akan diuji dengan banyak perubahan set point dan diberikan input gangguan berupa ketidakakuratan temperature transmitter dalam membaca temperatur air campuran. Pengujian sistem dilakukan menggunakan pengendali PI dan ANFIS. Pengendali PI digunakan sebagai data training ANFIS. Pada penelitian ini diberikan batasan bahwa debit maksimal yang digunakan adalah 15 l/min, temperatur maksimum pada tangki campuran adalah 90℃, dan level air maksimum tangki adalah 75 cm. Performa dari kedua pengendali akan dibandingkan dengan melihat parameter-parameter seperti RMSE, rise time, settling time, dan %Overshoot sebagai data kualitatif. Penelitian ini menunjukkan bahwa pengendali ANFIS secara keseluruhan lebih baik daripada pengendali PI dalam pengujian perubahan set point yang dapat dilihat dari nilai RMSE ANFIS untuk kendali temperatur berada di angka rata-rata 0.174 dan level pada angka 0.196. RMSE pengendali PI untuk kendali temperatur adalah 0.21 dan level 0.2. Pemberian input gangguan menunjukkan pengendali ANFIS lebih baik daripada pengendali PI dalam menangani adanya kesalahan pembacaan sensor oleh temperature transmitter.

---

In this research, a simulation program for temperature and level control on a liquid (water) mixing process with assumed to have a tank volume 80 liter is proposed using MATLAB Simulink. The purpose of this study is to maintain the temperature and water level at the set point in a process by controlling the flowrate of cold and hot water that enters the mixing tank. The influence of one variable with others can be reduced using decoupling technique. The system will be tested with many set point changes and given input an inaccurate transmitter temperature in reading the temperature of the mixed water. System testing is performed using a PI and ANFIS Controller. PI Controller is used to generate the ANFIS training data. In this research, a limit is given that the maximum discharge used is 15 liters/min, the maximum temperature and level in the mixed tank is 90℃ and 75 cm. The performance of those two controllers will be compared by observing parameters such as RMSE, rise time, settling time, and %Overshoot as qualitative data. This research shows that ANFIS controllers are generally better than PI controllers when tested with set point changes which can be seen from the ANFIS RMSE values ​​for temperature control at an average rate of 0.174 and a level of 0.196. The RMSE of the PI controller for temperature control is 0.21 and level 0.2. Tests with disturbance input show that ANFIS controllers are better at handling inaccurate transmitter temperature in reading the temperature of the mixed water than PI Controller."

"Kepadatan penduduk di Indonesia yang terpusat di pulau Jawa mengakibatkan tingginya kebutuhan energi. Sebagian besar kebutuhan ini masih dipenuhi dari bahan bakar diesel yang bersubsidi yang juga mahal. Penggunaan gas bumi sebagai pengganti diesel sangat potensial untuk mengurangi kerugian negara dengan turunnya konsumsi bahan bakar bersubsidi. Suplai gas lokal dari pulau Jawa sendiri tidak cukup untuk memenuhi kebutuhan energi yang tinggi ini sehingga gas bumi sebagai bahan baku pembangkit diimpor dari luar pulau Jawa dalam bentuk cair (LNG). Pabrik regasifikasi LNG untuk mengubah kembali LNG menjadi fasa gas dibangun untuk memfasilitasi penerimaan LNG bagi daerah konsumen. Pengendalian proses pada operasi pabrik LNG dirancang untuk menjaga keamanan operasi dan memastikan proses berjalan dengan optimal untuk mendapat produk yang baik. Pengendalian dalam penelitian ini dilakukan dengan menggunakan pengendali PI (Proportional Integral). Lingkup perancangan pengendalian dilakukan dari pemilihan elemen pengendalian berupa sensor dan valve serta melakukan penyetelan pengendali. Penyetelan pengendali dilakukan dengan dua metode yaitu Ziegler Nichols dan Lopez dan kemudian dibandingkan kinerjanya berdasarkan parameter kinerja pengendali. Sebagai hasilnya, pengendalian yang optimum pada pengendali laju alir dan ketinggian pada tangki LNG, laju alir booster pump, tekanan kompresor, dan suhu vaporizer menggunakan Ziegler Nichols. Sementara tekanan tangki LNG menggunakan Lopez. Pengendali anti surge kompresor menggunakan default.

---

Indonesia's high population density which centralized in Java island results in high demand of energy. Most of the demand is still fulfilled from diesel fuel which is subsidized by the government and also expensive. Utilization of natural gas as a substitute for diesel fuel is potential to minimize the country’s deficit by decreasing the use of subsidized fuel. Local gas supply from Java itself cannot fulfill the whole Java energy demand so that gas is imported from outside of Java in liquid form (LNG). LNG Regasification plant is designed to change the form of the product back into it's natural state, gas. The plant is designed to facilitate LNG receiving in consumer’s area. Process control in LNG Regasification plant is designed to ensure operation safety and to make sure the whole process works optimally to maintain the best product quality.

The process control design in this research is using PI (Proportional-Integral) controller. The scope of control design is done from the selection of the control element which are sensors and control valves, to the tuning of the controller. Controller tuning is done in two methods, Ziegler Nichols and Lopez. The tuning result of those two methods then compared based on controller performance parameters. As a result, optimum control in flow and level control in LNG tank, flow control in booster pump, pressure control in compressor, and temperature control in vaporizer are using Ziegler Nichols tuning. On the other side, pressure control in LNG tank is using Lopez tuning. Anti surge control in compressor is using default tuning value."

"Perkembangan ilmu dibidang kontrol diiringi pula dengan aplikasinya yang sejalan pada dunia industri. Sehingga, kendala-kendala aplikasi pada industri juga menjadi dasar dioptimasinya sistem-sistem pengendali. Salah satunya adalah sistem logika fuzzy (fuzzy logic) yang secara luas sudah banyak digunakan untuk pengendalian, sebagai salah satu alternatif selain PID kontroler. Fuzzy logic controller sebagai jawaban terhadap sistem yang membutuhkan output dengan ketelitian tinggi, yang tentunya sistem pengendaliannya cukup kompleks. Salah satu penerapan pengendali logika fuzzy di industri adalah untuk pengendalian tangki pengontro! density, yang merupakan sub sistem dalam suatu proses pengolahan bahan pembuatan atap asbes. Aplikasi pengendaliannya dilakukan terhadap target pencapaian set point density dan level kapasitas bahan pada tangki tersebut. Pengendalian sistem ini dapat dikatakan mempunyai multi input-multi output (MIMO), yaitu dengan set point input density dan level kapasitas, output yang diharapkan adalah tercapainya density dan level bahan sesuai yang ditargetkan pada tangki. Pencapaian salah satu set point akan mempengaruhi set point lainnya, dimana ketika pencapaian target density diupayakan maka level bahan juga terpengaruh atau berlaku sebaliknya. Pada tugas akhir ini, dibahas konsep dan rancangan proses dengan simulasi pengendalian pada tangki pengontrol density berbasis fuzzy logic controller dengan menggunakan simulink pada program matlab versi 6.1."

"Dengan berkembangnya pembangunan perkotaan dan kebutuhan industri, semakin pipa panjang diperlukan. Untuk kebutuhan industri diperlukan suatu sistem system pengendalian yang kuat, adaptif, efisien, dan ramah lingkungan untuk memenuhi kebutuhan yang sangat besar. Pada penelitian ini telah dirancang sebuah sistem kendali berdasarkan kecerdasan buatan dengan logika fuzzy pada kontrol aliran air berdasarkan PLC. Pada penelitian ini sistem logika fuzzy menggunakan 2 input himpunan fuzzy yaitu error dan perubahan kesalahan. Setiap himpunan fuzzy menggunakan 5 fungsi keanggotaan yang bernilai negatif besar (NB), negatif sedang (NM), nol (ZO), positif sedang (PM), besar positif (PB). Sistem dapat melakukan kontrol debit sesuai kebutuhan. Sistem ini terletak pada komputer yang berfungsi sebagai pusat kendali dan mengambil data dari server OPC tempat data diambil dari PLC menggunakan komunikasi Ethernet yang terhubung langsung ke plant. Sistem kontrol berbasis logika fuzzy dioperasikan pada pabrik prototipe pada skala lab, dan analisis kinerja diverifikasi secara eksperimental. Data dapat langsung diambil dan dilihat menggunakan MATLAB SIMULINK. Berdasarkan hasil percobaan dapat disimpulkan kontrol menggunakan logika fuzzy lebih baik dari kontrol konvensional PID. Hasil kontrol menggunakan logika fuzzy mencapai kondisi tunak lebih cepat yaitu 24,24 detik tanpa overshoot dibandingkan dengan menggunakan PID yaitu ID 48,6 detik dengan overshoot 16,2%.

---

With the development of urban development and industrial needs, more and more long pipes are needed. For industrial needs, a strong, adaptive, efficient, and environmentally friendly control system is needed to meet enormous needs. In this research, a control system based on artificial intelligence has been designed with fuzzy logic on water flow control based on PLC. In this study, the fuzzy logic system uses 2 input fuzzy sets, namely error and error change. Each fuzzy set uses 5 membership functions with large negative values ​​(NB), medium negative (NM), zero (ZO), moderate positive (PM), large positive (PB). The system can perform discharge control as needed. This system is located on a computer that functions as a control center and retrieves data from the OPC server where data is retrieved from the PLC using Ethernet communication that is connected directly to the plant. Fuzzy logic based control system is operated in a prototype factory on a lab scale, and performance analysis experimentally verified. Data can be directly retrieved and viewed using MATLAB SIMULINK. Based on the experimental results, it can be concluded that the control using fuzzy logic is better than conventional PID control. The results of the control using fuzzy logic reached steady state faster, namely 24.24 seconds without overshooting compared to using PID, namely ID48.6 seconds with 16.2% overshoot."

"Motor Induksi di dalam perindustrian sangat banyak dibandingkan dengan motor lainnya, karena harga dan kemudahan operasi motor induksi tersebut. Banyaknya aplikasi yang menggunakan motor induksi menyebabkan cukup banyak research mengenai pengendalian motor induksi agar dapat berjalan lebih efektif, efisien, dan ekonomis.Pada penelitian ini dibahas mengenai bagaimana menala proposional gain dan integral gain bila kecepatan referensi diubah dengan menggunakan adaptif fuzzy. Pada perancangan sistem kendali adaptif fuzzy disini menggunakan Observer Model reference adaptif system (MRAS) untuk melakukan estimasi kecepatan motor induksi. Pemodelan motor induksi tiga phasa dan MRAS dilakukan dalam kerangka acuan direct-quadrature (dq), ini ditujukan agar tidak diperlukan lagi melakukan banyak transformasi, karena bagian pengendali, fluks model, serta banyak besaran lainnya berada pada sumbu dq.Hasil simulasi dengan C-MEX Sfunction Matlab/Simulink 6.5 menunjukkan bahwa penggunaan kendali Adaptif Fuzzy untuk self tuning PI dapat menala gain proporsional dan gain integral dengan ketepatan 97%. Respon kecepatan rotor dengan menggunakan observer MRAS lebih baik dari Observer full order, pada kecepatan referensi 140 rad/det tidak mengalami overshoot di t = 3 detik. Pada parameter motor yang sama, motor dengan nilai momen inersia besar memiliki putaran lebih stabil.

---

Induction motor in industrial is using more than any other motor because the price and the operation of the induction motor is easy. Many application that used induction motor causing many research about the controlling of induction motor so the motor can run more effective, efficient and economist.In this research we are talking about how to tuned the proportional gain dan the integral gain if the motor paramaeter being changed using adaptif fuzzy. On the adaptif fuzzy planning system here we use Observer Model Adaptif System (MRAS) to do the estimating the speed of the induction motor. The using of the observer is being hope to reduce the using of speed sensor, that can reduce the cost. Induction three phases motor modeled and MRAS is done in the references of direct-quadrature (dq), this aim to not doing many transformation, because in the control part, flux model, and many other values is in the dq axis.The simulation results with C-MEX S-function Matlab/Simulink 6.5 shown that the using of adaptive fuzzy for self tuning PI can tuned proportional gain and internal gain with the proximation of 97%. Motor speed response with observer MRSA has the better performance than the full observer order, at the 147 rad/sec reference speed doesn?t have overshoot at t = 3 second. Value of moment inertia is rather then big have rotation be stable with the same motor parameters."

"Dengan berkembangnya konstruksi perkotaan dan kebutuhan industri, maka semakin diperlukannya pipa yang panjang. Untuk Kebutuhan industri diperlukannya sistem pengendalian yang kuat, adaptif, efisien, dan ramah lingkungan untuk memenuhi kebutuhan yang sangat besar. Pada penelitian ini telah dirancang suatu sistem kendali berbasis kecerdasan buatan dengan logika fuzzy pada pengendalian debit air berbasis PLC .Dalam penelitian ini sistem logika fuzzy menggunakan 2 input fuzzy set yaitu error dan perubahan error. Setiap Fuzzy set menggunakan 5 fungsi keanggotaan yaitu negatif besar (NB), negatif medium(NM), zero(ZO), positif medium(PM), positif besar(PB). Sistem dapat melakukan pengendalian debit sesuai yang dibutuhkan.Sistem ini berada pada sebuah komputer yang berfungsi sebagai pusat pengendalian dan mengambil data dari OPC server dimana data tersebut diambil dari PLC menggunakan komunikasi ethernet yang langsung terhubung dengan plant. Sistem pengendalian berbasis logika fuzzy dioperaasikan pada prototype plant dalam skala lab, dan analisis performa diverivikasi secara eksperimental. Data secara langsung dapat diambil dan dilihat menggunakan SIMULINK MATLAB. Berdasarkan hasil eksperimen dapat simpulkan pengendalian menggunakan logika fuzzy lebih baik dibanding pengendalian konvesional PID. Hasil pengendalian menggunakan logika fuzzy lebih cepat mencapai steady state yaitu 24.24 sekon tanpa adanya overshoot dibandingkan dengan menggunakan PID yaitu 48.6 sekon dengan overshoot sebesar 16.2%.

---

With the development of urban construction and industrial needs, the need for long pipes is increasing. For industrial needs, a control system that is strong, adaptive, efficient, and environmentally friendly is needed to meet huge needs. In this study, a control system based on artificial intelligence has been designed with fuzzy logic for PLC-based water flow control. In this study, the fuzzy logic system uses 2 fuzzy set inputs, namely error and error change. Each Fuzzy set uses 5 membership functions, namely large negative (NB), medium negative (NM), zero (ZO), medium positive (PM), large positive (PB). The system can control the discharge as needed.

This system is located on a computer that functions as a control center and retrieves data from the OPC server where the data is retrieved from the PLC using ethernet communication which is directly connected to the plant. The fuzzy logic-based control system was operated on a prototype plant on a lab scale, and the performance analysis was verified experimentally. Direct data can be retrieved and viewed using SIMULINK MATLAB. Based on the experimental results, it can be concluded that controlling using fuzzy logic is better than conventional PID control. The result of controlling using fuzzy logic reaches a steady state faster, which is 24.24 seconds without overshoot, compared to using PID, which is 48.6 seconds with an overshoot of 16.2%."