DESAIN KONTROL AERATOR PADA INSTALASI PENGOLAHAN AIR LIMBAH SUWUNG DENGAN FUZZY LOGIC
on
Desain Kontrol Aerator …
I Made Mataram
DESAIN KONTROL AERATOR PADA INSTALASI PENGOLAHAN AIR LIMBAH SUWUNG DENGAN FUZZY LOGIC
I Made Mataram
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Udayana Kampus Bukit Jimbaran, Bali, 80361
Email: [email protected]
Abstrak
Limbah merupakan buangan yang dihasilkan dari suatu proses produksi baik industri maupun domestik (rumah tangga) dan harus dikelola agar tidak menimbulkan pencemaran dan penurunan kualitas lingkungan. Instalasi Pengolahan Air Limbah (IPAL) merupakan suatu tempat pengolahan limbah yang bertempat di daerah Suwung. Pengolahan limbah cair dilakukan dengan menggunakan sistem kolam aerasi dan kolam sedimentasi.
Pada proses aerasi yaitu proses reduksi BOD (Biological Oxygen Demand) dan COD (Chemical Oxygen Demand) secara aerob digunakan aerator sebagai penghasil oksigen yaitu dengan cara menempatkan aerator di dalam kolam aerasi sehingga menghasilkan oksigen berupa buih udara yang tercampur dengan air. Untuk IPAL Suwung pengoperasian aerator masih dengan cara manual yaitu dioperasikan pada jam tertentu sehingga input jumlah oksigen terkadang tidak sesuai dengan karakteristik input limbah yang diolah, maka diperlukan suatu sistem kontrol pengoperasian aerator yang dapat menghasilkan oksigen guna mereduksi COD secara tepat sesuai baku mutu limbah
Dalam penelitian ini dilakukan perencanaan desain kontrol pengoperasian aerator dengan fuzzy logic. Desain pengontrolan dengan menggunakan logika fuzzy pada pengoperasian aerator sudah dapat dibuat dan dapat bekerja sesuai dengan karateristik input/ouput limbah, ini terlihat dari lama operasi aerator yang bekerja sudah sesuai dengan input limbah. Penggunaan energi listrik dengan pengontrolan fuzzy pada pengoperasian aerator lebih rendah dibandingkan dengan penggunaan energi listrik pengoperasian secara manual, ini terlihat dari penggunaan energi pengoperasian aerator manual dan fuzzy pada bulan Oktober 2010 yang memiliki selisih sebesar 6.693 kWh, bulan November 2010 memiliki selisih sebesar 11.275,9 kWh, dan pada bulan Desember 2010 memiliki selisih sebesar 12.429,7 kWh.
Kata kunci : Sistem Kontrol Aerator, IPAL, Fuzzy Logic
Limbah merupakan buangan yang dihasilkan dari suatu proses produksi baik industri maupun domestik (rumah tangga). Dimana masyarakat bermukim, disanalah berbagai jenis limbah akan dihasilkan. Limbah terdiri dari berbagai macam jenis yaitu limbah padat, gas dan cair. Agar limbah yg merupakan sisa buangan dapat dimanfaatkan kembali maka diperlukan suatu proses yang dapat merubah limbah menjadi suatu hal yang dapat dimanfaatkan. Di pulau Bali yang setiap hari masyarakatnya melakukan berbagai aktivitas yang menghasilkan berbagai macam limbah, maka diperlukan suatu sistem pengolahan limbah agar limbah tersebut tidak mencemari lingkungan.
Instalasi Pengolahan Air Limbah (IPAL) merupakan suatu tempat instalasi pengolahan limbah yang bertempat di daerah Suwung. Pengolahan limbah cair dilakukan dengan menggunakan sistem kolam aerasi dan kolam sedimentasi. Sistem aerasi digunakan dengan maksud untuk mengurangi kebutuhan luas lahan dan meningkatkan proses pengolahan menjadi lebih cepat sekaligus meniadakan bau yang mungkin timbul akibat proses oksidasi yang tidak sempurna.
Pada proses aerasi yaitu proses reduksi BOD (Biological Oxygen Demand) dan COD (Chemical Oxygen Demand) secara aerob digunakan aerator sebagai penghasil oksigen yaitu dengan cara menempatkan aerator di dalam kolam aerasi sehingga menghasilkan oksigen berupa buih udara yang tercampur dengan air. Untuk IPAL Suwung pengoperasian aerator masih dengan cara manual yaitu dioperasikan pada jam tertentu sehingga input jumlah oksigen terkadang tidak sesuai dengan karakteristik input limbah yang diolah, maka diperlukan suatu sistem kontrol pengoperasian aerator yang dapat menghasilkan oksigen guna mereduksi COD secara tepat sesuai baku mutu limbah.
Dengan semakin pesatnya perkembangan teknologi semakin banyak peralatan yang memanfaatkan kercerdasan buatan sebagai pengaturan kendalinya. Salah satu kecerdasan buatan adalah fuzzy logic. Kelebihan dari logika fuzzy adalah kemampuan dalam proses penalaran secara bahasa. Sehingga dalam perancangannya tidak memerlukan persamaan matematik dari objek yang akan dikendalikan. Fuzzy logic memiliki langkah sederhana untuk mendapatkan suatu nilai output yaitu fuzzyfikasi, rules evaluation, dan defuzzyfikasi. Fuzzyfikasi mengubah crisp input menjadi fuzzy
input dalam bentuk variabel fuzzy. Rules evaluation bertujuan mengolah fuzzy input berdasarkan if-then rules untuk menentukan keputusan. Bagian ketiga, defuzzyfikasi yang bertujuan mengubah fuzzy output yang merupakan hasil rules evaluation menjadi crisp output sebagai suatu nilai akhir. Dengan mengaplikasikan fuzzy logic pada pengaturan aerator di IPAL Suwung diharapkan dapat mengatur pengoperasian aerator agar sesuai dengan input/output limbah yaitu mereduksi COD secara tepat.
Untuk dapat mengaplikasikan fuzzy logic pada pengaturan aerator dalam penelitian ini akan dilakukan suatu pemodelan sistem yang akan digunakan yaitu dengan cara mensimulasikan suatu sistem pengaturan aerator. Sehingga didapat pengetahuan tentang pengaturan aerator yang baik guna mereduksi COD, dapat mengurangi kesalahan ketika akan membuat suatu sistem nyata.
Instalasi pengolahan air limbah (IPAL) Suwung merupakan usaha pengolahan limbah cair yang dibangun menggunakan sistem aerated lagoon dengan sedimentation pond guna mengolah air limbah rumah tangga pada daerah sekitar Denpasar, Sanur, dan Kuta.
Pengolahan air limbah pada IPAL Suwung menggunakan sistem aerated lagoon dan sedimentation pond. Gambar 2.1 merupakan diagram sistem tersebut.
Gambar 1. Diagram sistem Aerated Lagoon dan Sedimentation Pond
Biological Oxygen Demand (BOD) adalah banyaknya oksigen yang dibutuhkan oleh mikroorganisme pada waktu melakukan proses dekomposisi bahan organik yang ada diperairan. Nilai BOD tidak menunjukkan jumlah bahan organik yang sebenarnya, tetapi hanya mengukur secara relatif jumlah oksigen yang dibutuhkan untuk mengoksidasi bahan - bahan buangan tersebut. Jika konsumsi oksigen tinggi yang ditunjukkan dengan semakin kecilnya sisa oksigen terlarut, maka berarti
kandungan bahan - bahan buangan yang membutuhkan oksigen tinggi.
Sedangkan COD atau Chemical Oxygen Demand adalah jumlah oksigen yang diperlukan untuk mengurai seluruh bahan organik yang terkandung dalam air (Boyd, 1990). Hal ini karena bahan organik yang ada sengaja diurai secara kimia dengan menggunakan oksidator kuat kalium bikromat pada kondisi asam dan panas dengan katalisator perak sulfat (Boyd, 1990; Metcalf & Eddy, 1991), sehingga segala macam bahan organik, baik yang mudah urai maupun yang kompleks dan sulit urai, akan teroksidasi. Dengan demikian, selisih nilai antara COD dan BOD memberikan gambaran besarnya bahan organik yang sulit urai yang ada di perairan. Bisa saja nilai BOD sama dengan COD, tetapi BOD tidak bisa lebih besar dari COD. Jadi COD menggambarkan jumlah total bahan organik yang ada.
Pada tahun 1965, Lotfi A. Zadeh memodifikasi teori himpunan, dimana setiap anggotanya memiliki derajat keanggotaan yang bernilai kontinyu antara 0 sampai 1. Himpunan ini disebut dengan Himpunan Kabur (Fuzzy Set). Ada beberapa alasan digunakannya logika fuzzy, antara lain :
-
a) Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
-
b) Logika fuzzy sangat fleksibel.
-
c) Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
-
d) Logika fuzzy mampu memodelkan fungsi-fungsi nonlinier yang sangat kompleks.
-
e) Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
-
f) Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
-
g) Logika fuzzy didasarkan pada bahasa alami.
Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µA [x], memiliki 2 kemungkinan, yaitu :
-
• Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau
-
• Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.
Himpunan fuzzy didasarkan pada gagasan untuk memperluas jangkauan fungsi karakteristik sedemikian hingga fungsi tersebut akan mencakup bilangan real pada interval [0,1]. Nilai keanggotaannya menunjukkan bahwa sutu item dalam semesta pembicaraan tidak hanya berada pada 0 atau 1, namun juga nilai yang terletak diantaranya.
Dengan kata lain, nilai kebenaran suatu item tidak hanya bernilai benar atau salah. Nilai 0 menunjukkan salah, nilai 1 menunjukkan benar, dan masih ada nilai-nilai yang terletak antara benar dan salah (Kusumadewi, 2004). Himpunan fuzzy memiliki 2 atribut, yaitu :
-
a. Linguistik, yaitu penamaan suatu grup yang mewakili sutu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti: NORMAL, HANGAT, PANAS.
-
b. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari sutu variabel seperti: 24, 32, 40, dsb.
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan riil yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif.
Contoh domain himpunan fuzzy:
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy, seperti: temperatur, persediaan, permintaan, dsb.
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan riil yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya.
Contoh:
– Semesta pembicaraan untuk variabel umur: [0 +∞]
– Semesta pembicaraan untuk variabel temperatur: [0 40]
Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaanya sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan (fuzzifikasi) adalah dengan melalui pendekatan fungsi.
-
2.10 Aturan Fuzzy (Fuzzy Rule)
Aturan fuzzy memegang peranan yang terpenting dalam sistem fuzzy, bisa dibilang aturan fuzzy adalah otak dari sistem fuzzy. Dengan aturan fuzzy inilah segala pengetahuan dan pengalaman manusia dapat direpresentasikan melalui sebuah bahasa alami yang disebut aturan IF-THEN sepreti berikut ini (Wang, 1997).
IF x is A THEN y is B
Dengan x dan y adalah sebuah variabel, serta A dan B adalah himpunan fuzzy. Pernyataan yang mengikuti IF disebut sebagai antecedent, sedangkan pernyataan yang mengikuti THEN disebut sebagai consequent. Proposisi ini dapat diperluas dengan menggunakan operator fuzzy, misalnya AND atau OR (ο), seperti berikut ini:
IF (x1 is A1) ο (x2 is A2) ο (x3 is A3) ο ….. ο (xN is AN) THEN y is B
-
2.11 Fuzzy Inference System (FIS)
Fuzzy Inference System (FIS) adalah proses pemetaan variabel input ke variabel output dengan menggunakan logika fuzzy. Struktur dari FIS terdiri dari variabel input, aturan fuzzy, variabel output dan defuzzification (penegasan). Dalam metode FIS kita menggunakan pengetahuan dan pengalaman berdasarkan kumpulan fakta untuk mengambil atau menduga suatu kesimpulan atau keputusan yang beralasan.
Proses fuzzy inference system terdiri dari beberapa langkah-langkah seperti terlihat pada gambar berikut :
Input Tegas
Fuzzifikasi
⅜ :
Input Fuzzy
Fuzzy Operator t
Fungsi Implikasi i
Komposisi aturan
⅜
Output Fuzzy ⅛
Defuzzifikasi
t
Output Tegas
Gambar 2. Blok diagram Fuzzy Inference System
Fuzzifikasi adalah membuat fungsi keanggotaan masing-masing variabel fuzzy serta membangkitkan nilai keanggotaan input tegas, dengan cara memetakan input tegas yang ada pada domain himpunan fuzzy melalui fungsi keanggotaannya menuju ke nilai keanggotaannya. Sehingga didapatkan nilai keanggotaan antara interval 0-1.
Seperti halnya himpunan konvensional, ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama fire strength atau α-predikat. Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu (Kusumadewi, 2004): a. Operator AND
Operator ini berhubungan dengan operasi interaksi pada himpunan. α-predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan.
µA∩B = min(µA[x], µB[y])
Operator ini berhubungan dengan operasi union pada himpunan. α-predikat sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada himpunan-himpunan yang bersangkutan.
µA∪B = max(µA[x], µB[y])
Operator ini berhubungan dengan operasi komplemen pada himpunan. α-predikat sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1.
µA' = 1 - µA[x]
Fungsi implikasi didefinisikan sebagai pemotongan consequent fuzzy berdasarkan antecedent yang telah dikombinasi dengan operator fuzzy. Output dari fungsi implikasi ini adalah sebuah himpunan fuzzy. Fungsi implikasi ini diterapkan pada masing-masing aturan fuzzy.
Komposisi aturan adalah menggabungkan semua output (himpunan fuzzy) hasil implikasi masing-masing aturan secara paralel, kemudian dikombinasikan menjadi satu himpunan fuzzy.
Salah satu metode yang dapat digunakan dalam komposisi aturan adalah metode Max (maximum).
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan mengaplikasikannya ke output dengan menggunakan operator OR (union). Jika semua proposisi telah dievaluasi, maka output akan berisi suatu himpunan fuzzy yang mereflesikan kontribusi dari tiap-tiap proposisi (Kusumadewi, 2004).
Proses defuzzifikasi bertujuan untuk mengubah output komposisi aturan menjadi sebuah nilai tegas (crisp). Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Jika diberikan suatu himpunan fuzzy dengan range tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai output.
Penelitian tugas akhir ini dilakukan di Instalasi Pengolahan Air limbah (IPAL) Suwung, Denpasar Bali, dengan waktu penelitian yang dimulai pada bulan Oktober 2010.
Data yang digunakan dalam penelitian ini didapatkan dari Instalasi Pengolahan Air Limbah (IPAL) Suwung.
Data-data yang dipakai dalam penyusunan tugas akhir ini berupa data sekunder yang diperoleh dari Instalasi Pengolahan Air limbah (IPAL) Suwung antara lain data harian COD, volume, jumlah aerator, standar baku mutu limbah, spesifikasi aerator, denah bangunan lengkap, diagram segaris sistem tenaga listrik lengkap dengan penjelasannya, dan data-data lain yang nantinya dianggap perlu.
Metode yang digunakan dalam analisis hasil penelitian ini adalah dengan langkah-langkah sebagai berikut :
-
1. Menentukan Objek pengontrolan.
-
2. Menentukan input/output pengontrolan.
-
3. Membuat blok diagram
-
4. Menentukan Membership Function dari masing-masing input.
-
5. Menentukan Membership Function dari output yang diinginkan
-
6. Menentukan Rule Evaluation dari semua input.
-
7. Pemodelan sistem pengaturan aerator dengan Sistem Fuzzy Logic dalam simulink
Analisis dilakukan sesuai yang tergambar dalam bagan alir pada gambar 3 :
![](https://jurnal.harianregional.com/media/3099-2.jpg)
Gambar 3. Alur analisis
Untuk dapat memodelkan kebutuhan oksigen yang diperlukan pada kolam aerasi maka data lapangan yang diperlukan adalah data COD, jumlah aerator yang beroperasi dan Volume kolam sebagai parameter input sehingga dapat dihitung output berapa lama aerator bekerja agar menghasilkan oksigen sesuai dengan kebutuhan guna mereduksi
COD agar sesuai dengan nilai ambang batasnya yaitu maksimum 100 mg/l. Selain lama operasi, ratio reduksi juga di hitung pada sisi output yang nantinya akan digunakan untuk mencari besar nilai COD hasil fuzzifikasi. Ratio reduksi merupakan perbandingan antara COD input dengan besar reduksi COD (selisih COD). Sehingga dengan parameter tersebut dapat disusun fungsi keanggotaan dari input/output serta rule evaluation dari sistem fuzzy.
Gambar 4. Pemodelan Fuzzy Pengoperasian Aerator
Parameter BOD tidak digunakan sebagai input karena dengan parameter COD sudah mewakili kebutuhan oksigen yang dibutuhkan, hal ini didasari pada pembuktian pakar bahwa
COD = 1,64 x BOD +11,36 (Ademoroti, 1986)
Untuk fungsi keanggotaan dilakukan dengan menentukan nilai maksimum dan minimum dari data yang ada, kemudian membagi dan mengelompokkan menjadi beberapa kelompok yang memiliki parameter tertentu. Sisi input yang berupa COD, Volume dan Jumlah Aerator serta sisi output berupa Lama Operasi dari aerator dan Ratio Reduksi akan dikelompokkan sesuai dengan parameternya masing-masing.
Untuk input COD yang digunakan adalah fungsi keanggotaan berupa representasi segitiga karena lebih mudah diterima logika manusia. Input COD dibagi menjadi 8 kuantisasi sesuai data lapangan dari nilai terkecil dan terbesar yang dibagi menjadi range -range nilai tertentu yaitu seperti gambar 5.
![](https://jurnal.harianregional.com/media/3099-4.jpg)
Gambar 5. Fungsi keanggotaan Input COD
![](https://jurnal.harianregional.com/media/3099-5.jpg)
Gambar 6. Fungsi keanggotaan Input volume
Untuk input volume (m3) yang digunakan adalah fungsi keanggotaan berupa representasi segitiga dengan jumlah kuantisasi sebanyak 7 kuantisasi sesuai data terkecil dan terbesar yang dibagi menjadi range-range nilai tertentu yaitu seperti gambar 6.
Untuk input jumlah unit aerator yang beroperasi (unit) adalah fungsi keanggotaan berupa representasi segitiga yang dibagi menjadi 6 kuantisasi yaitu seperti gambar 7.
Pada sisi output yaitu berupa waktu kerja (jam) aerator yang digunakan adalah fungsi keanggotaan berupa representasi segitiga dengan kuantisasi sebanyak 6 kuantisasi yaitu seperti gambar 8.
Sisi output ratio reduksi yang digunakan adalah fungsi keanggotaan berupa representasi segitiga dengan kuantisasi sebanyak 3 kuantisasi yaitu sepeerti gambar 9.
![](https://jurnal.harianregional.com/media/3099-6.jpg)
Gambar 7. Fungsi keanggotaan Input Jumlah Aerator
![](https://jurnal.harianregional.com/media/3099-7.jpg)
Gambar 8. Fungsi keanggotaan Output lama operasi
![](https://jurnal.harianregional.com/media/3099-8.jpg)
Gambar 9. Fungsi keanggotaan Output Ratio reduksi
Setelah proses fuzzifikasi input dan output, tahap selanjutnya adalah membuat rule evaluation yang menunjukkan hubungan antara ketiga parameter input dan parameter output yang dinamakan interfacing. Rule evaluation diperoleh dari perhitungan serta penalaran terhadap data IPAL dari bulan Oktober-Desember 2010 berupa Volume harian, COD_in, COD_out, jumlah aerator yang beroperasi seperti terlihat pada lampiran A-C, kemudian diurutkan berdasarkan jumlah aerator yang digunakan.
Pada proses interfacing ini hubungan antara ketiga variabel input dan variabel output dapat diatur yaitu dengan menghubungkan ketiga variabel input dan variabel output menjadi IF-THEN seperti berikut ini :
-
1. If (COD is tB) and (Volume is D) and (Jumlah_Aerator is 6) then (Lama_0perasi is AL) (Ratio_Reduksi is medium) (1)
-
2. If (COD is tC) and (Volume is D) and (Jumlah_Aerator is 6) then (Lama_0perasi is L)(Ratio_Reduksi is low) (1)
-
3. If (COD is tD) and (Volume is D) and (Jumlah_Aerator is 6) then (Lama_0perasi is L)(Ratio_Reduksi is medium) (1)
-
4. If (COD is tA) and (Volume is Sdkt) and (Jumlah_Aerator is 6) then (Lama_0perasi is S)(Ratio_Reduksi is medium) (1)
-
5. If (CODistB) and (VolumeisSdkt) and (Jumlah_Aerator is 6) then (Lama_Operasi is C)(Ratio_Reduksi is low)(1)
-
6. If (COD is tC) and (Volume is Sdkt) and (Jumlah_Aerator is 6) then (Lama_0perasi is AL)(Ratio_Reduksi is low) (1)
-
7. If (COD is tD) and (Volume is Sdkt) and (Jumlah_Aerator is 6) then (Lama_0perasi is L)(Ratio_Reduksi is low) (1)
-
8. If (COD is tB) and (Volume is Ckp) and (Jumlah_Aerator is 6) then (Lama_0perasi is C)(Ratio_Reduksi is medium) (1)
-
9. If (COD is tE) and (Volume is Ckp) and (Jumlah_Aerator is 6) then (Lama_0perasi is L)(Ratio_Reduksi is low) (1)
-
10. If (COD is tA) and (Volume is Sd) and (Jumlah_Aerator is 6) then (Lama_0perasi is C)(Ratio_Reduksi is high) (1)
-
11. If (COD is tB) and (Volume is Sd) and (Jumlah_Aerator is 6) then (Lama_0perasi is C)(Ratio_Reduksi is low) (1)
-
12. lf(COD is tE) and (Volume is Sd) and (Jumlah_Aerator is 6) then (Lama_Operasi is L)(Ratio_Reduksi is low)(1)
-
13. If (COD is tC) and (Volume is Bnyk) and (Jumlah_Aerator is 6) then (Lama_0perasi is L)(Ratio_Reduksi is high) (1)
-
14. (COD is tB) and (Volume is SnBnyk) and (Jumlah_Aerator is 6) then (Lama_Operasi is C)(Ratio_Reduksi is low)(1)
-
15. lf(COD is tB) and (Volume is D) and (Jumlah_Aerator is 7 ) then (Lama_Operasi is AL)(Ratio_Reduksi is medium)(1)
-
16. lf(COD is tC) and(Volume is D) and (Jumlah_Aerator is 7) then (Lama_Operasi is L)(Ratio_Reduksi is low)(1)
-
17. lf(COD is tE) and (VolumeisD) and (Jumlah_Aeratoris7) then (Lama_OperasiisL) (Ratio_Reduksi is low)(1)
-
18. lf(COD is tA) and (Volume is Sdkt) and (Jumlah_Aerator is 7) then (Lama_0perasi is C)(Ratio_Reduksi is medium) (1)
-
19. If (COD is IB) and (Volume is Sdkt) and (Jumlah_Aerator is 7) then (Lama_0perasi is AL)(Ratio_Reduksi is medium) (1)
-
20. If(COD is tC) and( Volume is Sdkt) and (Jumlah_Aerator is 7) then (Lama_Operasi is L)(Ratio_Reduksi is low)(1)
-
21. If (COD is tF) and (Volume is Sdkt) and (Jumlah_Aerator is 7) then (Lama_0perasi is L)(Ratio_Reduksi is low) (1)
-
22. If (COD is tC) and (Volume is Ckp) and (Jumlah_Aerator is 7) then (Lama_0perasi is L)(Ratio_Reduksi is medium) (1)
-
23. If (COD is tD) and (Volume is Ckp) and (Jumlah_Aerator is 7) then (Lama_0perasi is L)(Ratio_Reduksi is low) (1)
-
24. If (COD is tC) and (Volume is LbSd) and (Jumlah_Aerator is 7) then (Lama_0perasi is C)(Ratio_Reduksi is low) (1)
-
25. If (COD is tA) and (Volume is Bnyk) and (Jumlah_Aerator is 7) then (Lama_0perasi is S)(Ratio_Reduksi is low) (1)
-
26. lf(COD is tB) and (Volume is SnBnyk) and (Jumlah_Aerator is 7) then (Lama_Operasi is S)(Ratio_Reduksi is low) (1)
-
27. If (COD is tB) and (Volume is D) and (Jumlah_Aerator is 8) then (Lama_0perasi is C)(Ratio_Reduksi is medium) (1)
-
28. lf(COD is tC) and (Volume is D) and (Jumlah_Aerator is 8) then (Lama_Operasi is L)(Ratio_Reduksi is low)(1)
-
29. If (COD is tH) and (Volume is D) and (Jumlah_Aerator is 8) then (Lama_0perasi is L)(Ratio_Reduksi is low) (1)
-
30. lf(COD is tA) and (Volume is Sdkt) and (Jumlah_Aerator is 8) then (Lama_0perasi is C)(Ratio_Reduksi is high)(1)
-
31. If (COD is tB) and (Volume is Sdkt) and (Jumlah_Aerator is 8) then (Lama_0perasi is AL)(Ratio_Reduksi is high) (1)
-
32. lf(COD is tC) and (Volume is Sdkt) and (Jumlah_Aerator is 8) then (Lama_Operasi is L)(Ratio_Reduksi is medium)(1)
-
33. lf(COD is tD) and (Volume is Sdkt)and(Jumlah_Aerator is 8)then(Lama_Operasi is L)(Ratio_Reduksi is low) (1)
-
34. lf(COD is tB) and (Volume is Ckp) and (Jumlah_Aerator is 8) then (Lama_Operasi is C)(Ratio_Reduksi is medium) (1)
-
35. If (COD is tE) and (Volume is Ckp) and (Jumlah_Aerator is 8) then (Lama_0perasi is L)(Ratio_Reduksi is low) (1)
-
36. lf(COD is tB)and(Volume is Sd)and(Jumlah_Aerator is 8)then (Lama_0perasi is C)(Ratio_Reduksi is medium) (1)
-
37. If (COD is tC) and (Volume is D) and (Jumlah_Aerator is 9) then (Lama_0perasi is AL)(Ratio_Reduksi is low) (1)
-
38. If (COD is tC) and (Volume is Sdkt) and (Jumlah_Aerator is 9) then (Lama_0perasi is L)(Ratio_Reduksi is medium) (1)
-
4.1.3 Fuzzy Inference
Fuzzy inference merupakan proses dalam menalar nilai masukan guna penentuan nilai keluaran sebagai bentuk pengambil keputusan yang terdiri dari proses implikasi dan agregasi. Model penalaran yang digunakan adalah penalaran implikasi min - agregasi max. Dalam penalaran max-min proses pertama yang dilakukan adalah melakukan operasi implikasi min sinyal keluaran lapisan fuzzyfikasi. Setelah keluaran IF-THEN rule ditentukan pada tahap implikasi maka tahap selanjutnya adalah melakukan proses agregasi, yaitu proses mengkombinasikan semua keluaran menjadi sebuah fuzzy set tunggal. Untuk mencari nilai keluaran yang selanjutnya akan difuzzifikasikan sebagai bentuk keluaran pengontrol operasional maxmin tersebut.
![](https://jurnal.harianregional.com/media/3099-9.jpg)
Gambar 10. Proses implikasi – agregasi
Jika masukan dari fuzzifikasi adalah sebuah bilangan tunggal, yaitu harga variabel masukan dan keluarannya adalah derajat keanggotaan dalam suatu fuzzy set, maka masukan defuzzifikasi adalah sebuah fuzzy set yaitu hasil dari proses agregasi dan keluarannya adalah sebuah bilangan tunggal untuk diisikan ke sebuah variabel keluaran FIS. Metode yang digunakan adalah metode CoA (Centre of Area). Keluaran dari proses implikasi dan agregasi akan menjadi input pada Defuzzifikasi sehingga menghasilkan ouput lama operasi.
Simulasi dilakukan dengan memasukkan nilai variabel input yaitu berupa COD, Volume serta jumlah Unit Aerator kemudian jalankan (running) simulasi tersebut sehingga diperoleh outpur berupa Lama Operasi aerator, COD out serta Energi Listrik yang digunakan oleh aeraor.
![](https://jurnal.harianregional.com/media/3099-10.jpg)
Gambar 11. Blok Simulink Pengontrolan Lama Operasi Aerator
![](https://jurnal.harianregional.com/media/3099-11.jpg)
Gambar 12. Hasil running 1 simulasi
Pada simulasi yang dilakukan yaitu dengan input 114 mg/l COD, 8556 m3 volume serta 7 unit aerator diperoleh lama operasi yaitu selama 9.811 jam dan memerlukan energi sebesar 1030 kWh.
Aerator yang digunakan pada IPAL Suwung menggunakan daya sebesar 15kW untuk setiap unitnya dan dioperasikan manual selama 11 jam setiap harinya. Jumlah unit yang dioperasikan tergantung dari unit yang layak operasi dan yang
mengalami gangguan. Energi yang digunakan dapat dihitung dengan formula :
E (kWh) = 15 (kW) X 11 (h) X n (unit)
Sehingga jumlah energi yang digunakan tiap bulannya tergantung dari unit yang beroperasi.
Pada Bulan Oktober 2010 jumlah aerator yang mengalami gangguan adalah rata-rata berjumlah 4 unit sehingga, hanya 7 unit yang dapat dioperasikan. Dengan membandingkan antara penggunaan energi pengoperasian aerator manual dengan pengoperasian aerator fuzzy logic diperoleh penggunaan energi menggunakan fuzzy logic lebih rendah dibandingkan dengan menggunakan pengoperasian manual yaitu sebesar 6.963 kWh.
Pada Bulan November 2010 jumlah aerator yang mengalami gangguan adalah rata-rata berjumlah 4 unit sehingga dari 11 unit aerator yang tersedia, hanya 7 unit yang dapat dioperasikan. Dengan membandingkan antara penggunaan energi pengoperasian aerator manual dengan pengoperasian aerator fuzzy logic diperoleh penggunaan energi menggunakan fuzzy logic lebih rendah dibandingkan dengan menggunakan pengoperasian manual yaitu sebesar 11.275,9 kWh.
Pada Bulan Desember 2010 jumlah aerator yang mengalami gangguan adalah rata-rata berjumlah 4 unit sehingga dari 11 unit aerator yang tersedia, hanya 7 unit yang dapat dioperasikan. Dengan membandingkan antara penggunaan energi pengoperasian aerator manual dengan pengoperasian aerator fuzzy logic diperoleh penggunaan energi menggunakan fuzzy logic lebih rendah dibandingkan dengan menggunakan pengoperasian manual yaitu sebesar 12.429,7 kWh.
Dari pembahasan di atas, maka dapat ditarik beberapa simpulan sebagai berikut :
-
1. Desain pengontrolan dengan menggunakan logika fuzzy pada pengoperasian aerator sudah dapat dibuat dan dapat bekerja sesuai dengan karateristik input/ouput limbah, ini terlihat dari lama operasi aerator yang bekerja sudah sesuai dengan input limbah.
-
2. Penggunaan energi listrik dengan pengontrolan fuzzy pada pengoperasian aerator lebih rendah dibandingkan dengan penggunaan energi listrik pengoperasian secara manual, ini terlihat dari penggunaan energi pengoperasian aerator manual dan fuzzy pada bulan Oktober 2010 yang memiliki selisih sebesar 6.693 kWh, bulan November 2010 memiliki selisih sebesar 11.275,9 kWh, dan pada bulan Desember 2010 memiliki selisih sebesar 12.429,7 kWh.
-
[1] Abdullah, S. 2007. Operasi dan Pemeliharaan IPAL. ----
-
[2] Ellis, G. 2004. Control System Design Guide A Practical Guide. California : Elsevier Academic Press.
-
[3] Gray, N. F. 2004. Biology of Wastewater Treatment. London : Imperial College Press.
-
[4] Hunt, B. R. 2001. A Guide Matlab for Beginners and Experienced Users.New York : Cambridge University Press.
-
[5] IPAL Suwung, 2010. Presentasi Denpasar Sewerage Development Project.-----
-
[6] Kemmer, F. N. 1988. The NALCO Water Handbook. USA : McGraw-Hill
-
[7] Keputusan Menteri Negara Lingkungan Hidup Nomor 112 Tahun 2003 tentang Baku Mutu Air Limbah Domestik.
-
[8] Kusumadewi, S. 2004. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Yogyakarta : Graha Ilmu
-
[9] Naba, A. 2009. Belajar Cepat Fuzzy Logic Menggunakan Matlab. Yogyakarta : Penerbit ANDI.
-
[10] Ogata, K. 1997. Modern Control Engineering. USA : Viacom Company
-
[11] Robandi, I. 2009. Modern Power System Control Desain, Analisis, & Solusi Kontrol Tenaga Listrik. Yogyakarta : Penerbit ANDI.
-
[12] Sivanandam, S. N. 2007. Introduction to Fuzzy Logic using Matlab. Berlin : Springer.
-
[13] Sutrisno, I. 2009. Pemrograman Komputer Dengan Software Matlab. Surabaya : ITS Press.
-
[14] Tchobanoglous, G. 2003. Wastewater Engineering Treatment and Reuse. Taiwan : McGraw Hill Companies, Inc.
-
[15] Wahid. 2001. Diktat Kendali. Teknik Kimia Universitas Indonesia.
Teknologi Elektro
1 4 2
Vol. 9 No.2 Juli - Desember 2010
Discussion and feedback