Peningkatan Kinerja Sistem Kendali Otomatis Robot Beroda berbasis Neural Network.
View/ Open
Date
2019Author
Daini, Aprilian Nur Wakhid
Priandana, Karlisa
Hardhienata, Medria Kusuma Dewi
Metadata
Show full item recordAbstract
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.
Collections
- UT - Computer Science [2254]