Selamat datang di sonoku.com

Pengujian Transistor

Transistor

Transistor adalah piranti elektronik yang menggantikan fungsi tabung elektron-trioda, dimana transistor ini mempunyai tiga elektroda , yaitu Emitor, Collector dan Basis. Dengan menganggap transistor adalah gabungan dua buah dioda, maka dapat dilakukan pengujian terhadap kemungkinan kerusakan pada suatu

transistor dengan menggunakan ohmmeter dari suatu multitester.

Kemungkinan penyebab kerusakan pada transistor ada tiga penyebab yaitu :

a. Salah pemasangan pada rangkaian

b. Penanganan yang tidak tepat saat pemasangan

c. Pengujian yang tidak professional

Jenis kerusakan transistor yaitu :

a. Putus (open circuit)

b. Hubung singkat (short circuit)

2. Cara menentukan kaki transistor

2.1. Cara menentukan kaki Base

Atur multimeter pada pengukuran ohmmeter x100.
Lakukan pengukuran seperti gambar dibawah ini.

Gambar 1. Cara menentukan kaki basis transistor

Perhatikan penunjukkan pergerakan jarum. Apabila jarum bergerak ke kanan dengan posisi probe yang satu tetap pada kaki 3 dan probe lainnya pada kaki 1 atau kaki 2 berarti kaki 3 adalah base transistor. Jika probe positif yang berada pada kaki 3 berarti transistor tersebut berjenis NPN, sebaliknya jika probe negatif berada pada kaki 3 berarti transistor tersebut berjenis PNP.

2.3. Cara menentukan kaki Collector dan Emitter

Misal: transistor berjenis NPNPerhatikan penunjukkan jarum, apabila jarum bergerak ke kanan maka kaki 1 (pada probe positif) adalah emitter dan kaki 2 (pada posisi probe negatif) adalah Collector. Atau Jika dipasang kebalikkannya (probe positif pada kaki 2 dan probe negatif pada kaki 1) dan jarum tidak bergerak, maka kaki 1 adalah emitter dan kaki 2 adalah Collector. Untuk transistor jenis PNP dapat dilakukan seperti diatas dan hasilnya kebalikan dari transistor jenis NPN.

2.4. Pengujian transistor

a. Transistor jenis NPN

pengujian dengan jangkah pada x100 , penyidik hitam ditempel pada Basis dan merah pada Collector, jarum harus meyimpang ke kanan. Bila penyidik merah dipindah ke Emitor, jarum harus ke kanan lagi.

b. Transitor jenis PNP

pengujian dilakukan dengan penyidik merah pada Basis dan hitam pada Collector, jarum harus meyimpang ke kanan. Demikian pula bila penyidik merah dipindah ke Emitor, jarum arus menyimpang ke kanan lagi.

2.5. Rangkaian Transistor Tester

Rangkaian sederhana untuk menguji transistor ini menggunakan 2 buah LED untuk mengetahui kondisi transistor. Transistor yang diuji dengan rangkaian ini adalah jenis NPN dan PNP

Lakukan pengukuran seperti gambar dibawah ini.

Gambar 2. Cara menentukan kaki Collector dan Emitor transistor

Gambar 3. Pengujian pada transistor NPN

Kemudian penyidik merah pada Basis dan hitam pada Collector, jarum harus tidak menyimpang dan bila penyidik hitam dipindah ke Emitor jarum juga harus tidak menyimpang. Selanjutnya dengan jangkah pada 1 k , penyidik hitam ditempel pada Collector dan merah pada emitor, jarum harus sedikit menyimpang ke kanan dan bila dibalik jarum harus tidak menyimpang. Bila salah satu peristiwa tersebut tidak terjadi, maka kemungkinan transistor rusak.

.

Gambar 7. Rangkaian Transistor Tester

Empat buah gerbang NAND (NOT AND) 2 input 1 output dari IC CD4011B adalah inti dari rangkaian ini, tetapi yang digunakan hanya 3 gerbang NAND. Gerbang U1a, U1b, variable resistor R1 dan capacitor C1 membentuk rangkaian oscillator dengan keluaran square wave (gelombang kotak/pulsa).

Frekuensi dari oscillator ini dapat diatur menggunakan variable resistor R1. Output dari oscillator di inverting (dibalik) menggunakan gerbang U1c. Kegunaan dari pembalik ini agar gelombang kotak yang dihubungkan antara Emitor dan Basis selalu berlawanan, hal ini sesuai dengan prinsip transistor sebagai switching dimana untuk jenis NPN Emitor dihubungkan dengan Ground (-) dan Basis mendapatkan bias fordward, sedangkan untuk jenis PNP Emitor dihubungkan dengan VCC (+) dan Basis mendapatkan bias reverse.

Gambar 5. Transistor NPN

Gambar 6. Transistor PNP

Status LED D1 dan D2 merepresentasikan kondisi dari transistor yang diuji, jika LED merah ON maka transistor NPN yang diuji dalam kondisi baik (gambar 7), jika LED hijau ON maka transistor PNP yang diuji dalam kondisi baik (gambar 8). Tapi jika kedua LED ON maka transistor tersebut short circuit sedangkan jika kedua LED OFF maka transistor tersebut open circuit atau salah dalam menghubungkan kaki Basis Emitor Collector.

Gambar 7. Menguji Transistor NPN


Gambar 8. Menguji Transistor PNP

Rangkaian transistor tester ini meskipun sederhana dan mudah digunakan tapi masih ada kelemahan dimana pada saat menghubungkan kaki-kaki Basis Emitor Collector harus benar, jika tidak maka kondisi transistor tersebut tidak dapat diketahui.

Membuat Adaptive Neuro Fuzzy Inference System (ANFIS) di MATLAB

Akan dibuat rancangan FIS (Fuzzy Inference System) dengan proses training Adaptive Neuro Fuzzy Inference System (ANFIS) di MATLAB.

TRAINING DATA

Untuk membuat training data mulailah dengan membuat matrik pada command window MATLAB sesuai tabel dibawah ini (atau dapat disesuaikan).

Ketik perintah berikut pada command window MATLAB

>> trainData=[1 20 0; 1.1 25.6 0.146;…dst]

Untuk me-load kita bisa lakukan di ANFIS editor. Ketik anfisedit pada command window MATLAB. Kemudian pada kolom Load Data pilih type Training, dan kita bisa ambil dari file atau workspace. Klik Load Data, kemudian pada window kecil yang muncul ketikkan nama file training data yang kita buat tadi (trainData). Hasil plot trainData akan tampak seperti gambar berikut.

GENERATE ANFIS

Selanjutnya menentukan parameter-parameter fungsi keanggotaan dalam ANFIS. Untuk melakukannya, pada kolom generate ANFIS kita pilih GridPartition. Kemudian kita tentukan banyaknya input MF sebanyak 5 dengan type trapesium masing-masing untuk input 1 dan 2, sedangkan type MF ouput kita pilih constant.

Untuk melihat struktur model ANFIS yang kita buat, pada bagian ANFIS info klik Structure. Hasil ANFIS yang kita buat akan tampak seperti berikut.

Pada gambar diatas tampak bahwa ANFIS terdiri dari dua input, dengan masing-masing terdiri dari 5 Membership Function. Terdapat rule sebanyak 25 buah, dengan operator and. ANFIS terdiri dari satu output dengan output MF yang terbentuk sebanyak 25 buah. Garis-garis yang menghubungkan antar node menunjukkan sebuah rule yang bersesuaian.

TRAINING ANFIS

Untuk pelatihan FIS, ANFIS menyediakan dua metode optimasi parameter fungsi keanggotaan yaitu Backpropagation dan Hybrid (gabungan backpropagation dan least square). Untuk kali ini akan dicoba menggunakan optimasi Hybrid.

Untuk menghentikan proses training, ANFIS menggunakan nilai error tolerance, sehingga jika setelah training data error memasuki daerah error tolerance ini maka training akan berhenti. Dipilih error tolerance sebesar 0 (default). Kemudian banyaknya epoch (iterasi) proses training ditentukan sebanyak 40.

Untuk memulai proses training, klik train now. Hasilnya akan seperti gambar berikut.

Jika diperhatikan, training error grafiknya semakin menurun dan mencapai titik erorr tetap pada angka 0.0083152 pada saat epoch mencapai 20. Artinya bahwa proses training menghasilkan error minimum pada nilai 0.0083152 yaitu selisih 0.0016848 dari toleransi error yang kita definisikan (tidak pernah mencapai nilai 0), untuk itu proses training dibatasi dengan banyaknya iterasi (epoch), yaitu 40 kali.

PENGUJIAN PASCA TRAINING ANFIS

Untuk mengetahui performance ANFIS yang telah ditraining dengan data awal (trainData), kita bisa lakukan test dengan melakukan ploting data trainData dan ANFIS dengan nilai input yang sama. Pada kolom Test FIS di ANFIS editor klik Test Now dengan sebelumnya memilih training data.

Jika kita perhatikan gambar diatas tampak bahwa hasil ploting trainData (o) dan ANFIS output (*) pada beberapa nilai berhimpitan. Artinya ANFIS yang kita training telah dapat memetakan masukan terhadap keluaran dengan baik. Pada saat tertentu hasil ploting FIS output tampak bergeser dari trainData, ini menunjukkan ada error yang relatif besar ketika ANFIS diberi masukan pada masukan sekitar nilai tersebut.


Pada perancangan FIS sebelumnya didasarkan pada IF-THEN rules yang sudah didefinisikan sebelumnya. Jadi pendekatan yang dipakai sebelumnya diasumsikan kita sudah memiliki IF-THEN rules, dengan kata lain kita sudah mengetahui lebih dulu bagaimana kelakukan dari sistem yang dimodelkan. Tujuannya adalah mentransfer pengetahuan kita tersebut kedalam sistem fuzzy dalam bentuk FIS.

Sedangkan pada ANFIS, pemodelan didasarkan pada pasangan input dan output. Jadi diasumsikan kita mempunyai data input dan output dari sistem sebelumnya, kemudian baru mencari IF-THEN rules yang bisa memetakan input menjadi output. ANFIS mengandaikan bahwa data input dan output dari suatu Blackbox system telah ada, kemudian kita menebak model apa yang cocok pada blackbox tersebut.

ANFIS dapat mengatasi kesulitan menentukan prameter-parameter fungsi keanggotaan untk mendapatkan FIS yang memetakan input ke output dengan benar pada pemodelan yang didasarkan pada data.