POLITEKNIK ELEKTRONIKA NEGERI SURABAYA

PENDAHULUAN KENDALI
CERDAS

LECTURER

EKA PRASETYONO, S.ST, MT

DIMAS OKKY ANGGRIAWAN, ST, MT
REFERENCES

1. Y. C. Shin, C. Xu, “INTELLIGENT SYSTEM: Modeling, Optimization and Control”,

CRC Press
2. R. E. King, “Computational Intelligence in Control Engineering”
3. S. Kusumadewi, “Membangung Jaringan Syaraf Tiruan”, Graha Ilmu
4. Xin She Yang, “Nature-Inspired Metaheuristic Algorithms”

2
ASSESSMENT

TUGAS 20%
UTS 30%
UAS 40%
ATTITUDE 10%

3
TOPIC

TOPIK 1: Introduction to Intelligent Systems: Tools, Techniques and

Applications
TOPIK 2: Fuzzy Systems
TOPIK 3: Neural Networks
TOPIK 4: Neuro Fuzzy Systems
TOPIK 5: Efficient System Algorithms
TOPIK 6: Metaheuristic Techniques

4
DEFINISI

Kemajuan dalam kecerdasan buatan (AI), soft computing, dan bidang ilmiah
terkait telah membawa peluang dan tantangan baru bagi para peneliti untuk
menangani permasalahan yang kompleks dan tidak pasti, yang tidak dapat
diselesaikan dengan metode tradisional.

Dalam dunia nyata, banyak masalah dari sistem yang terlalu kompleks atau
tidak pasti untuk mewakili mereka dalam model matematika lengkap dan akurat

5
DEFINISI

6
DEFINISI
1. Sebagian besar proses industri
masih dikontrol secara manual.

2. Di Industri, berbagai sub-proses

saling berinteraksi, sehingga
permasalahan control kompleks,
memerlukan skill operator yang
berpengalaman bertahun – tahun.

3. Operator yang tidak

berpengalaman sering kali tidak
bias control industry secara
efektif, dalam keadaan tidak
normal yang tidak pernah
ditemukan sebelumnya.

4. Operator yang sedang stress,

sakit, aksi atau keputusannya
berpotensi berbahaya.

7
DEFINISI NEURAL NETWORK

Neural Network adalah a generic method of mapping or representing input and

output relationships or patterns of nonlinear functions or data through a single
or multiple layers of an interconnected group of artificial neurons. ANNs
consist of processing nodes, called neurons, which collect incoming signals,
process them, and then generate output, and links providing connections
among the layers of neurons.

8
ARSITEKTUR NEURAL NETWORK

9
MACAM-MACAM NEURAL NETWORK

1. SUPERVISED LEARNING
 Backpropagation Neural Network (Multilayer Feedforward Neural
Networks)
 Radial Basis Fuction Networks
 Recurrent Neural Networks
2. UNSUPERVISED LEARNING
 Support Vector Machine
 Learning Vector Quantization
 Hopfield networks

10
DEFINISI FUZZY LOGIC

Fuzzy logic is a logical system, which is a generalization of multivalued logic

(Zadeh, 2007). Due to this reason, the fuzzy theory has been applied to various
engineering problems that are too complex or ill-defined for the conventional
mathematical analysis.

Pada dasarnya Fuzzy logic merupakan logika bernilai banyak/ multivalued logic
yang mampu mendefinisikan nilai diantara keadaan yang konvensional seperti
benar atau salah, ya atau tidak, putih atau hitam dan lain-lain.

11
DEFINISI FUZZY LOGIC

12
DEFINISI METAHEURISTICS

Metaheuristik Technique adalah sebagai metode optimisasi yang dilakukan

dengan memperbaiki kandidat penyelesaian secara iteratif sesuai dengan
fungsi objektifnya.

Metode ini mampu menghasilkan penyelesaian yang baik dalam waktu yang
cepat (acceptable)

13
MACAM-MACAM METAHEURISTICS OPTIMIZATION

 Genetic Algorithms
 Firefly Algorithms
 Particle Swarm Optimization
 Evolutionary Algorithms
 Ant Colony Optimization
 Artificial Bee Colony

14
APPLICATIONS FUZZY

1. Control Systems
2. Identification and Diagnosis
3. Prediction
4. Modelling

15
APPLICATIONS FUZZY

16
APPLICATIONS FUZZY

17
APPLICATIONS FUZZY

18
APPLICATIONS FUZZY

19
APPLICATIONS NEURAL NETWORK

20
APPLICATIONS NEURAL NETWORK

21
APPLICATIONS NEURAL NETWORK

Pemodelan Kurva Rele Arus Lebih

22
APPLICATIONS METAHEURISTIC OPTIMIZATION

Kendali Motor

Firefly Cuckoo Bat Flower Diff. Ant Colony Particle Imperialist

Param.
Algorithm Algorithm Algorithm Algorithm Evolution Optimization Swarm Opt. Competitive Alg.
Kp 40 4.36 25.2082 39.6776 40 39.7801 37.6829 34.7941
Ki 2.8170 9.1 7.2255 2.8930 9.9951 9.1684 1.4529 0.0953
Kd 1 0.59 0.0648 0.0052 1 0.9775 0.4777 1

23
APPLICATIONS METAHEURISTIC OPTIMIZATION

0 .1 4 x T M S j
T j ,m  0 .0 4
 I j ,m 
  1
 PS 

(a) (b)

Optimasi Koordinasi Proteksi

24