Peningkatan Kinerja Sistem Kendali Otomatis Robot Beroda berbasis Neural Network.

Abstract

Salah satu permasalahan dalam pengembangan sistem kendali otomatis berbasis neural network adalah akurasi data. Penelitian ini bertujuan untuk meningkatkan akurasi data robot beroda yang digunakan untuk melatih sistem kendali dalam skema direct inverse control berbasis backpropagation neural network. Peningkatan akurasi dilakukan dengan cara memperhitungkan sampling time untuk mengakomodir delay time pada sinyal GPS, mengubah skema gerak robot dari kecepatan konstan menjadi kecepatan dapat diatur, dan menambahkan kemampuan bergerak mundur pada robot. Setelah data yang akurat diperoleh, kendali neural network dilatih dengan algoritme backpropagation. Untuk mendapatkan konfigurasi neural network yang terbaik, pelatihan dilakukan dengan beberapa variasi jumlah neuron yaitu: 13 dan 16 input neuron; 10, 20, dan 26 hidden neuron; dan 2 output neuron. Hasil simulasi menunjukkan bahwa akurasi kendali yang terbaik diperoleh dengan 13 input neuron, 10 hidden neuron, dan 2 output neuron dengan nilai normalized Mean Square Error (MSE) pelatihan sebesar 1.22 × 10−2. Hasil pelatihan terbaik ini kemudian diuji dengan menggunakan data uji. Hasil perhitungan neural network diimplementasikan ke robot, kemudian trajectory yang dihasilkan oleh robot dibandingkan dengan trajectory data uji. Pengujian menghasilkan nilai normalized MSE yang cukup baik yaitu sebesar 1.26 × 10−2.