Analisis Tuning Parameter PID Menggunakan Algoritma Genetika pada Pengontrolan Kecepatan Motor DC

Referensi :

Rahma Azira Ichsan, (2025) ANALISIS KINERJA PENGENDALIAN KECEPATAN MOTOR DC MENGGUNAKAN PID DENGAN METODE TUNING TRIAL & ERROR, ZIEGLER-NICHOLS, DAN ALGORITMA GENETIKA

http://scholar.unand.ac.id/487443/8/%5BFinal%5D%20TA%20-%20Rahma%20Azira%20Ichsan.pdf

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. Judul

2. Abstrak

3. Pendahuluan

4. Metode Penelitian

5. Hasil dan Pembahasan

6. Kesimpulan

7. Saran

8. Realisasi Saran

9. Daftar Pustaka

10. Video

11. Download File

1. Judul [Kembali]

Judul yang dibahas adalah "Analisis tuning parametter PID menggunakan Algoritma Genetika pada pengontrolan kecepatan motor dc".

2. Abstrak [Kembali]

Penelitian ini bertujuan untuk menganalisis kinerja pengendalian kecepatan motor DC menggunakan pengendali PID yang dioptimalkan secara khusus dengan metode tuning Algoritma Genetika (GA). Motor DC umum digunakan karena memiliki efisiensi yang tinggi, namun memiliki kelemahan berupa penurunan kecepatan yang membuatnya tidak konstan ketika diberi beban. Untuk memperbaiki dan menstabilkan respon sistem tersebut, diperlukan pengendali PID di mana pencarian nilai parameter penguatan Kp, Ki, dan Kd yang paling optimal dilakukan menggunakan pendekatan Algoritma Genetika

Penelitian ini dilakukan dengan menjalankan simulasi fungsi alih motor DC menggunakan perangkat lunak MATLAB. Kinerja hasil pengendalian kemudian dievaluasi berdasarkan tanggapan sistem pada domain waktu, yang meliputi empat parameter utama: waktu naik (rise time/tr), waktu keadaan mantap (settling time/ts), lewatan maksimum (maximum overshoot/Mp), dan kesalahan keadaan mantap (steady-state error/ess). Berdasarkan hasil pengujian, terbukti bahwa metode tuning Algoritma Genetika (GA) memberikan kinerja pengendalian terbaik, terutama saat diterapkan pada konfigurasi pengendali PD dan PID. 

Pada konfigurasi pengendali PD yang dioptimasi dengan GA, sistem mampu merespon dengan sangat cepat dan stabil, mencatatkan nilai tr = 0,001 s, ts = 0,002 s, Mp = 0,81%, dan ess = 0,0126. Sementara itu, pada konfigurasi pengendali PID dengan GA, sistem berhasil meredam lewatan hingga ke titik nol dengan perolehan nilai tr = 0,023 s, ts = 0,04 s, Mp = 0%, dan ess = 0,0103. Dari hasil tersebut dapat disimpulkan bahwa penggunaan metode Algoritma Genetika sangat efektif dalam memberikan parameter pengendali yang optimal. Metode GA terbukti mampu menghasilkan respon kecepatan motor DC yang cepat, presisi, dan sepenuhnya memenuhi kriteria perancangan yang telah ditetapkan

3. Pendahuluan [Kembali]

Motor listrik arus searah (DC) merupakan komponen penggerak utama dalam berbagai sistem otomasi industri dan robotika karena efisiensinya yang tinggi, kecepatan yang tinggi, serta umur pakainya yang panjang Meskipun demikian, motor DC memiliki kelemahan mendasar, yaitu penurunan kecepatan yang membuatnya tidak konstan ketika terjadi perubahan beban atau fluktuasi tegangan masukan Untuk menjaga agar kecepatan motor DC tetap stabil sesuai dengan yang diinginkan, diperlukan suatu sistem pengendali yang handal, seperti pengendali PID (Proportional, Integral, Derivative)

Kinerja dari pengendali PID ini sangat bergantung pada proses penyesuaian parameter atau yang dikenal dengan proses tuning. Tujuan dari proses ini adalah menemukan nilai parameter penguatan yang paling tepat, yaitu Proportional (Kp), Integral (Ki), dan Derivative (Kd), agar sistem mencapai kestabilan secara optimal. Berbagai metode konvensional seringkali kurang efektif atau membutuhkan waktu penyesuaian yang lama untuk mencapai target performa yang ketat. Oleh karena itu, pendekatan optimasi tingkat lanjut yang bersifat metaheuristik, seperti metode Algoritma Genetika (GA), menjadi solusi yang sangat menjanjikan

Algoritma Genetika merupakan teknik optimasi pencarian solusi yang terinspirasi dari teori evolusi Darwin, yang berpegang pada prinsip bahwa "yang terkuatlah yang akan bertahan". Dalam penerapannya pada tuning PID, parameter Kp, Ki, dan Kd direpresentasikan sebagai kromosom individu. Algoritma ini bekerja dengan mengevaluasi sebuah populasi menggunakan fungsi fitness yang dirancang untuk meminimalkan error (selisih) antara titik yang diinginkan (setpoint) dan keluaran aktual sistem. Melalui serangkaian siklus proses genetika buatan, yakni reproduksi, crossover (persilangan), dan mutasi, algoritma ini secara cerdas menyeleksi dan menciptakan generasi parameter baru secara iteratif hingga menemukan solusi yang paling optimal.

Tujuan utama dari penerapan Algoritma Genetika pada sistem ini adalah untuk menghasilkan respon kecepatan motor DC terbaik. Dibandingkan dengan metode analitik atau trial & error, tuning dengan GA secara komputasi telah terbukti mampu memberikan kinerja pengendalian terbaik dan parameter yang paling optimal. Pengendalian dengan GA ini secara efektif mampu menghasilkan waktu naik (rise time) dan waktu tunak (settling time) yang sangat cepat, sekaligus meminimalkan lewatan maksimum (overshoot) dan mengatasi kesalahan keadaan mantap (steady-state error) sesuai dengan kriteria perancangan sistem yang ketat

4. Medote Penelitian [Kembali]

Penelitian ini menggunakan algoritma genetika (GA) untuk mengoptimalkan penentuan nilai parameter pengendali PID pada sistem kecepatan motor DC. Berdasarkan alur penelitian yang dilakukan, metode ini mencakup beberapa langkah sebagai berikut:

    - Pengumpulan Data dan Pemodelan Sistem Data yang digunakan mencakup parameter fisik karakteristik motor DC, yang terdiri dari nilai resistansi jangkar (Ra), induktansi jangkar (La), konstanta gaya gerak listrik (Kb), konstanta torsi (Kt), momen inersia (Jm), dan konstanta gesekan (Bm). Data parameter-parameter ini digunakan untuk memodelkan plant ke dalam bentuk persamaan matematis fungsi alih (transfer function) pada perangkat lunak MATLAB

    - Transformasi ke dalam Algoritma Genetika

Kombinasi parameter PID, yaitu penguatan Proportional (Kp), Integral (Ki), dan Derivative (Kd), direpresentasikan dalam bentuk kromosom yang merepresentasikan individu-individu pembentuk suatu populasi. Populasi awal parameter pengendali dibangkitkan secara acak dalam batasan ruang pencarian yang telah ditetapkan.

    - Tahapan Algoritma Genetika

• Evaluasi Fitness: Mengevaluasi kinerja setiap kromosom (kombinasi parameter Kp, Ki, Kd) dengan fungsi fitness yang dirancang untuk meminimalkan error atau nilai selisih kuadrat antara kecepatan keluaran aktual sistem motor DC dengan kecepatan (setpoint) yang diinginkan.

                                Fitness=∑i=1n​(desire_outputi​−actual_outputi​)2

keluaran aktual sistem ini sendiri didapatkan dari hasil perhitungan sinyal kontrol PID pada domain waktu, yaitu:

                                    U(t)=Kp​e(t)+Ki​∫e(τ)dτ+Kd​dtd​e(t) 

• Seleksi: Menggunakan mekanisme seleksi untuk memilih kromosom (individu) dengan nilai fitness terbaik agar berpeluang lebih besar untuk bertahan dan menjadi induk (parents)

                                           Kumulatifi​=Kumulatifi−1​+Pi

• Proses elitisme juga diterapkan dengan menyalin kromosom fitness tertinggi agar tidak terjadi penurunan performa solusi pada generasi berikutnya
• Crossover (Persilangan): Menyilangkan kromosom dari dua individu induk untuk membentuk kromosom individu baru (offspring) dengan menggabungkan solusi yang berpotensi lebih baik. Proses ini ditetapkan dengan probabilitas crossover sebesar 0,8.
• Mutasi: Mengubah atau memodifikasi satu atau lebih nilai gen dalam kromosom secara acak berdasarkan probabilitas mutasi sebesar 0,06 untuk menjaga keanekaragaman dan variasi populasi parameter

Kriteria Berhenti Siklus proses iterasi reproduksi algoritma genetika ini berakhir ketika jumlah iterasi generasi maksimum telah tercapai, yakni sebanyak 100 iterasi generasi dari 50 jumlah populasi yang ada.

- Simulasi dan Analisis Program optimasi algoritma genetika ini diimplementasikan dan disimulasikan menggunakan perangkat lunak MATLAB

- Hasil simulasi berupa penemuan nilai parameter PID (Kp, Ki, Kd) yang paling optimal. Parameter terbaik ini kemudian dianalisis berdasarkan tanggapan domain waktu yang meliputi empat hal: waktu naik (rise time/tr), waktu keadaan mantap (settling time/ts), lewatan maksimum (maximum overshoot/Mp), dan kesalahan keadaan mantap (steady-state error/ess) untuk disesuaikan dengan kriteria perancangan sistem yang stabil

Gambar 1. Flowchart Penelitian

5. Hasil dan Pembahasan [Kembali]

Gambar 2. Hasil Percobaan matlab ke 1

1. Hasil Tuning Parameter Menggunakan Algoritma Genetika Pencarian parameter pengendali dilakukan dengan mengevaluasi fungsi fitness untuk meminimalkan error antara kecepatan aktual dan kecepatan yang diinginkan (setpoint). Melalui proses reproduksi, persilangan (crossover), dan mutasi, Algoritma Genetika berhasil menemukan nilai parameter terbaik untuk berbagai konfigurasi pengendali sebagai berikut:

Pengendali P: Kp = 15,0065

Pengendali PI: Kp = 9,4871 dan Ki = 4,0454e-05

Pengendali PD: Kp = 20 dan Kd = 30

Pengendali PID: Kp = 11,3678, Ki = 24,7629, dan Kd = 1,6365

2. Pembahasan Analisis Peralihan (Transient Analysis) Kinerja parameter yang didapatkan dari Algoritma Genetika diuji pada domain waktu untuk melihat respon peralihan sistem. Hasilnya menunjukkan bahwa: Waktu Naik (Rise Time/tr): Semua konfigurasi pengendali (P, PI, PD, dan PID) berhasil memenuhi kriteria perancangan (< 0,15 detik). Hal ini dikarenakan keberadaan aksi kontrol Proporsional (P) yang mampu mempercepat respon sistem.

Waktu Keadaan Mantap (Settling Time/ts): Konfigurasi PD dan PID mampu mencapai kestabilan dengan sangat cepat, masing-masing mencatatkan waktu 0,002 detik dan 0,040 detik. Lewatan Maksimum (Maximum Overshoot/Mp): Kriteria lewatan maksimum (< 20%) hanya berhasil dipenuhi oleh konfigurasi pengendali PD dan PID. Pengendali PD menghasilkan overshoot sebesar 0,81%, sedangkan pengendali PID berhasil meredam overshoot hingga 0%. Konfigurasi P dan PI gagal memenuhi kriteria ini (masing-masing 69,39% dan 58,89%) karena ketiadaan aksi kontrol Diferensial (D) yang berfungsi meredam osilasi.

3. Pembahasan Analisis Kesalahan (Steady-State Error Analysis) Analisis kesalahan dilakukan untuk melihat seberapa presisi kecepatan motor DC mencapai target akhir. Berdasarkan pengujian, nilai kesalahan keadaan mantap (steady-state error/ess) yang dihasilkan adalah:

Pengendali P: 0,0167

Pengendali PI: 6304,9316

Pengendali PD: 0,0126

Pengendali PID: 0,0103

Hasil tersebut menunjukkan bahwa pengendali P, PD, dan PID berhasil memenuhi kriteria presisi (ess < 0,1). Sebaliknya, konfigurasi pengendali PI mengalami kegagalan ekstrem karena Algoritma Genetika menghasilkan nilai Ki yang sangat kecil (4,0454e-05), sehingga pengendali Integral (I) kehilangan kemampuannya untuk menghilangkan kesalahan steady-state.

Kesimpulan Hasil Uji Berdasarkan analisis peralihan dan kesalahan, metode Algoritma Genetika secara konsisten mampu memberikan parameter yang sangat optimal, khususnya saat diimplementasikan pada pengendali PD dan PID. Konfigurasi ini terbukti memberikan respon yang sangat cepat, presisi, minim osilasi, dan sepenuhnya memenuhi seluruh kriteria perancangan sistem pengendalian kecepatan motor DC

6. Kesimpulan [Kembali]

Keberhasilan Optimasi Parameter: Penerapan metode Algoritma Genetika terbukti berhasil secara komputasi menemukan nilai parameter penguatan (Kp, Ki, Kd) yang optimal. Proses ini dicapai melalui evaluasi fungsi fitness yang dirancang khusus untuk meminimalkan error antara kecepatan keluaran aktual dan target yang diinginkan

Secara keseluruhan, dapat ditarik kesimpulan bahwa Algoritma Genetika (GA) merupakan metode tuning yang sangat efektif. Metode ini terbukti mampu mendesain parameter pengendali yang optimal untuk menghasilkan respon kecepatan motor DC yang cepat, stabil, minim osilasi, dan sepenuhnya sesuai dengan spesifikasi perancangan yang diharapkan

7. Saran [Kembali]

Saran yang dapat penulis berikan untuk penelitian selanjutnya ialah melakukan pengembangan metode tuning lainnya agar mampu memberikan respon sistem yang lebih baik lagi dalam pengendalian kecepatan motor DC serta melakukan implementasi pada perangkat keras.

8. Realisasi Saran [Kembali]

Dalam implementasi saran, berikut adaalah langkah-langkah yang digunakan

1. Program dan hasil untuk analisis peralihan kecepatan motor DC tanpa

pengendali

Program:

clc

clear all

close all

close all hidden

%

% Fungsi Alih Lingkar Terbuka Motor DC

num_ol = [0.067];

den_ol = [0.00113 0.00785 0.017089];

%

%Tanpa Pengendali

%Fungsi alih lingkar terbuka

disp('Fungsi Alih Lingkar Terbuka')

sys_ol = tf(num_ol,den_ol)

% Fungsi Alih Lingkar Tertutup

disp('Fungsi Alih Lingkar Tertutup')

[num_cl,den_cl] = cloop(num_ol,den_ol,-1);

sys_cl = tf(num_cl,den_cl)

% Informasi Analisa Peralihan Sistem Tanpa Pengendali

fprintf('\n')

disp('Informasi Analisa Peralihan Tanpa Pengendali')

P_cl = stepinfo(sys_cl);

Tr_cl = P_cl.RiseTime;

Tp_cl = P_cl.PeakTime;

Ts_cl = P_cl.SettlingTime;

M_p_cl = P_cl.Peak;

Mp_cl = P_cl.Overshoot;

%

fprintf('Nilai Waktu Naik = %10.5g detik\n',Tr_cl)

fprintf('Nilai Waktu Puncak = %10.5g detik\n',Tp_cl)

fprintf('Nilai Waktu Keadaan Mantap = %10.5g detik\n',Ts_cl)

fprintf('Nilai Puncak = %10.5g \n',M_p_cl)

fprintf('Nilai Lewatan Maksimum = %10.5g Persen\n',Mp_cl)

% Tanggapan Peralihan Sistem Kendali Motor DC Terhadap Masukan

Undak Satuan

t = 0.000 : 0.001 : 20;

figure

stepplot(sys_cl,t );

48

ylabel('Kecepatan (\omega)')

xlabel('Waktu')

grid on

title('Tanggapan Peralihan Sistem Kendali Kecepatan Motor DC')

hleg = legend('Tanpa Pengendali');

Hasil:

Informasi Analisa Peralihan Tanpa Pengendali

Nilai Waktu Naik = 0.17032 detik

Nilai Waktu Puncak = 0.39775 detik

Nilai Waktu Keadaan Mantap = 0.97482 detik

Nilai Puncak = 0.99684

Nilai Lewatan Maksimum = 25.109 Persen

2. Program dan hasil untuk analisis kesalahan kecepatan motor DC tanpa

pengendali

Program:

clc

clear all

close all

close all hidden

%

% Fungsi Alih Lingkar Terbuka Motor DC

num_ol = [0.067];

49

den_ol = [0.00113 0.00785 0.017089];

%Konfigurasi Tanpa Pengendali

%Konfigurasi Tanpa Pengendali

%Fungsi Alih lingkar Terbuka

disp('Fungsi Alih Lingkar Terbuka')

sys_ol = tf(num_ol,den_ol)

%

% Fungsi Alih Lingkar Tertutup

disp('Fungsi Alih Lingkar Tertutup')

[num_cl,den_cl] = cloop(num_ol,den_ol,-1);

sys_cl = tf(num_cl,den_cl)

%

% Informasi Analisa Kesalahan

fprintf('\n')

disp('Informasi Analisa Kesalahan Tanpa Pengendali ')

[num_ol,den_ol] = tfdata(sys_ol,'v');

[num_cl,den_cl] = tfdata(sys_cl,'v');

sys_e = tf(1,den_cl);

Errortf(num_ol,den_ol);

%

% %Tanggapan Kesalahan Sistem Terhadap Masukan Undak Satuan

% t = 0.000 : 0.001 : 20;

% figure

% stepplot(sys_cl,t);

% ylabel('Kecepatan')

% xlabel('Waktu')

% grid on

% title('Tanggapan Kesalahan Sistem Kendali Kecepatan Motor DC')

% hleg = legend('Tanpa Pengendali');

Hasil:

Informasi Analisa Kesalahan Tanpa Pengendali

Tipe Sistem adalah 0

Konstanta Kesalahan Posisi (Kp) adalah 3.9207

Konstanta Kesalahan Kecepatan (Kv) adalah 0.0000

Konstanta Kesalahan Percepatan (Ka) adalah 0.0000

Kesalahan Keadaan Mantap Untuk Masukan Undak adalah 0.2032

Kesalahan Keadaan Mantap Untuk Masukan Laju adalah Inf

Kesalahan Keadaan Mantap Untuk Masukan Parabolik adalah Inf 

1. Program dan hasil untuk analisis peralihan kecepatan motor DC dengan

pengendali PID metode Algoritma Genetika

Program:

clc;

clear all;

close all;

close all hidden;

% Defenisi variabel laplace

s = tf('s');

% Fungsi alih plant

num_ol = [0.067];

den_ol = [0.00113 0.00785 0.0171];

sys_ol = tf(num_ol, den_ol);

[num_cl,den_cl] = cloop(num_ol,den_ol,-1);

sys_cl = tf(num_cl,den_cl);

% Parameter Pengendali (sesuaikan dengan hasil optimasi atau

nilai yang diinginkan)

% Parameter Pengendali P

Kp_P = 15.0065;

% Parameter Pengendali PI

Kp_PI = 9.4871;

Ki_PI = 4.0454e-05;

% Parameter Pengendali PD

Kp_PD = 20;

Kd_PD = 30;

% Parameter Pengendali PID

Kp_PID = 11.3678;

Ki_PID = 24.7629;

Kd_PID = 1.6365;

% Fungsi alih pengendali

cont_P = Kp_P;

cont_PI = Kp_PI + Ki_PI/s;

cont_PD = Kp_PD + Kd_PD*s;

cont_PID = Kp_PID + Ki_PID/s + Kd_PID*s;

% Fungsi alih lingkar tertutup

69

closed_loop_P = feedback(sys_ol * cont_P, 1);

closed_loop_PI = feedback(sys_ol * cont_PI, 1);

closed_loop_PD = feedback(sys_ol * cont_PD, 1);

closed_loop_PID = feedback(sys_ol * cont_PID, 1);

% Respons langkah (step response)

t = 0.000 : 0.001 : 2;

figure;

step(sys_cl, closed_loop_P, closed_loop_PI, closed_loop_PD,

closed_loop_PID, t);

title('Tanggapan Peralihan Sistem Kendali Motor DC');

xlabel('Waktu (s)');

ylabel('Kecepatan');

grid on;

hleg = legend('Tanpa pengendali','Dengan Pengendali P', 'Dengan

Pengendali PI', 'Dengan Pengendali PD','Dengan Pengendali PID');

% Analisis kinerja respons transien

info_P = stepinfo(closed_loop_P);

info_PI = stepinfo(closed_loop_PI);

info_PD = stepinfo(closed_loop_PD);

info_PID = stepinfo(closed_loop_PID);

% Menampilkan hasil analisis transien di Command Window

fprintf('\nAnalisis Respons Transien:\n');

fprintf('\n--- Pengendali P ---\n');

fprintf('Rise Time: %.3f s\n', info_P.RiseTime);

fprintf('Settling Time: %.3f s\n', info_P.SettlingTime);

fprintf('Overshoot: %.2f%%\n', info_P.Overshoot);

fprintf('\n--- Pengendali PI ---\n');

fprintf('Rise Time: %.3f s\n', info_PI.RiseTime);

fprintf('Settling Time: %.3f s\n', info_PI.SettlingTime);

fprintf('Overshoot: %.2f%%\n', info_PI.Overshoot);fprintf('\n--- Pengendali PD ---\n');

fprintf('Rise Time: %.3f s\n', info_PD.RiseTime);

fprintf('Settling Time: %.3f s\n', info_PD.SettlingTime);

fprintf('Overshoot: %.2f%%\n', info_PD.Overshoot);

fprintf('\n--- Pengendali PID ---\n');

fprintf('Rise Time: %.3f s\n', info_PID.RiseTime);

fprintf('Settling Time: %.3f s\n', info_PID.SettlingTime);

fprintf('Overshoot: %.2f%%\n', info_PID.Overshoot);

Hasil

Analisis Respons Transien:

--- Pengendali P ---

Rise Time: 0.038 s

Settling Time: 1.075 s

Overshoot: 69.39%

--- Pengendali PI ---

Rise Time: 0.050 s

Settling Time: NaN s

Overshoot: 58.89%

--- Pengendali PD ---

Rise Time: 0.001 s

Settling Time: 0.002 s

Overshoot: 0.81%

--- Pengendali PID ---

Rise Time: 0.023 s

Settling Time: 0.040 s

Overshoot: 0.00%

9. Daftar Pustaka [Kembali]

1. Arlenny, E. Z., & Zulfahri. (2019). Optimation of Capacitor Bank Placement in Electric Network Using Genetic Algorithm. Journal of Physics: Conference Series, URICSE.
2. Prayogo, C. T., Zebua, O., & Hasan, K. (2019). Optimasi Kapasitas Bank Kapasitor untuk Mereduksi Rugi-Rugi Daya pada Penyulang Wortel Menggunakan Metode Grey Wolf Optimizer (GWO). Jurnal Rekayasa dan Teknologi Elektro, 13(3), September 2019.
3. Saadat, H. (1999). Power System Analysis. Series in Electrical and Computer Engineering. Grainger McGraw-Hill.
4. Yusmartato. (2017). Analisa Peningkatan Stabilitas Tegangan dengan Menggunakan Kapasitor. Buletin Utama Teknik, 13(1), September 2017.
5. Abidin, Z. (2009). Optimalisasi Pengaturan Tegangan dengan Algoritma Genetika. Jurnal Teknika, 1(2).
6. Zulfahri & Zondra, E. (2020). Optimasi Penempatan Peralatan SVC dengan Metode Algoritma Genetika. Jurnal Teknik, 14(1), 114–120.
7. Zulfahri, Tanjung, A., & Monice. (2020). Studi Perbandingan Aliran Daya Optimal Mempertimbangkan Economic Dispatch Menggunakan Artificial Immune System Clonal (AIS)-CSA dengan Algoritma Genetika. Seminar Nasional Pakar ke-3 Tahun 2020.

10. Video [Kembali]

11. Download File [Kembali]

• Download HTML (click here)
• Download Jurnal (click here)
• Download Video (click here)