net/publication/279478527
CITATIONS READS
2 2,747
2 authors:
Some of the authors of this publication are also working on these related projects:
Desain kandang kambing portable sebagai income generator ibu rumah tangga View project
All content following this page was uploaded by Romi Wiryadinata on 17 October 2015.
ABSTRAK
Motor DC dan komputer banyak digunakan dalam kehidupan sehari-sehari, baik di rumah tangga,
industri maupun lingkungan pendidikan yang sangat membutuhkan ketelitian dan penggunan yang serba
otomatis. Jaringan Syaraf Tiruan merupakan salah satu kendali motor DC yang dapat disimulasikan
menggunakan neural network toolbox pada software Matlab 6.5. Dengan menggunakan metode Backpropagation
dan fungsi Gradient Descent Momentum diperoleh struktur jaringan yang terbaik, terdiri dari 5 sel neuron
lapisan input, 3 sel neuron lapisan tersembunyi dan 1 sel neuron lapisan output. Fungsi aktivasi pada setiap
lapisan menggunakan fungsi identitas, dengan learning rate 0.1 dan momentum coefisient 0.9 menghasilkan
Mean Square Error (MSE) 0.0070382. Persentase MSE pengujian adalah 1.645 %. Banyaknya jumlah data
masukan berpengaruh terhadap banyaknya iterasi dan MSE yang dihasilkan. Penelitian ini juga membuktikan
bahwa dasar teori pengaturan kecepatan motor DC metode Ward Leonard tentang penggunaan 2 motor dapat
lebih efisien dengan Artificial Intellegence menggunakan Neural Network (Jaringan Syaraf Tiruan).
C-29
Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005) ISBN: 979-756-061-6
Yogyakarta, 18 Juni 2005
Torsi motor
shunt
seri
Kecepatan
Gambar 3. Karakteristik kecepatan-kopel motor
C-30
Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005) ISBN: 979-756-061-6
Yogyakarta, 18 Juni 2005
C-31
Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005) ISBN: 979-756-061-6
Yogyakarta, 18 Juni 2005
nomor 15 lebih kecil 2e-7 dari MSE pada tabel nomor dengan 1 lapisan tersembunyi. Nilai gradient
10. Tetapi jumlah iterasi 2 kali lebih besar dari iterasi menggunakan nilai default fungsi newff yaitu 1e-
pada tabel nomor 10, sehingga untuk pengujian 10.
jaringan akan digunakan struktur pada tabel nomor 10. Nilai gradient yang dihasilkan dan
Pada tabel nomor 5, pelatihan berhenti karena ditampilkan akan selalu dipengaruhi oleh
gradient sudah mencapai target, artinya MSE yang perubahan nilai MSE. Penentuan nilai momentum
dihasilkan sudah mencapai nilai yang paling minimum coefisient (MC) akan berpengaruh langsung
untuk arsitektur JST sebagai pengendali motor DC kepada perubahan bobot.
Purelin = Fungsi identitas atau linear, digunakan terlalu kecil, maka akan menyebabkan
Logsig = Fungsi Sigmoid biner, pelatihan lebih lama mendekati nilai error minimum
Tansig = Fungsi Sigmoid Bipolar. yang ditentukan dan iterasi semakin besar. Berbeda
dengan nilai MC, semakin kecil nilai MC yang
Fungsi aktivasi identitas dapat menghasilkan digunakan maka semakin banyak iterasi yang
MSE hampir mendekati target, yang disebabkan dibutuhkan untuk mencapai error minimum.
karena input dan target dari JST memiliki nilai yang Sehingga nilai yang digunakan untuk pelatihan tidak
sebanding, hal ini sesuai dengan fungsi aktivasi terlalu besar dan tidak terlalu kecil, sesuai dengan
identitas dimana masukan fungsi sama dengan variasi nilai antara LR dan MC.
keluarannya. Jumlah lapisan dan sel neuron pada Penentuan jumlah target iterasi (epoch)
masing-masing lapisan tersembunyi tidak dilihat dari struktur pelatihan jaringan. Jika jaringan
berpengaruh besar terhadap MSE, kecuali jika memiliki HL dan jumlah neuron yang banyak, maka
variasi dari nilai learning rate (LR) dan MC yang target iterasi di set tidak terlalu besar agar pelatihan
digunakan sesuai dengan arsitektur JST. Tetapi tidak menggunakan memori pada personal computer
hampir semua pelatihan yang menggunakan fungsi (PC) terlalu banyak. Semakin banyak jumlah lapisan
aktivasi sigmoid bipolar pada hidden layer (HL) dan dan jumlah sel neuron pada masing-masing lapisan,
lapisan keluaran tidak dapat mencapai target iterasi semakin banyak komputasi, semakin besar memori
dan MSE, disebabkan karena fungsi aktivasi PC yang digunakan dan akan semakin lama waktu
sigmoid bipolar memiliki nilai range antara 1 yang ditempuh untuk mencapai error minimum.
sampai -1. Sedangkan pada pelatihan, nilai input dan Dari tabel diatas maka struktur jaringan yang akan
target sudah di normalisasi agar menghasikan digunakan adalah strukur jaringan pada tabel nomor
kecepatan yang lebih cepat, sehingga target 10. Dimana struktur jaringan terdiri dari 2 sel
memiliki nilai antara 0 sampai 1. neuron input. Input pertama adalah set point, sel
Nilai LR dan MC akan berpengaruh terhadap neuron kedua adalah perubahan dari kecepatan yang
perubahan MSE pada setiap iterasi. Semakin besar dihasilkan motor. Lapisan input (v) terdiri dari 5 sel
nilai LR, akan semakin cepat pelatihan mendekati neuron, sedangkan lapisan tersembunyi terdiri dari 2
nilai error minimum, tetapi menghasilkan lapisan. Lapisan tersembunyi pertama (w) terdiri
perubahan MSE yang tidak stabil. Jika nilai LR dari 3 sel neuron dan sesuai dengan target sistem
C-32
Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005) ISBN: 979-756-061-6
Yogyakarta, 18 Juni 2005
JST, maka HL kedua atau lapisan output (w_out) pengujian online dilakukan menggunakan set
terdiri dari 1 sel neuron. Fungsi aktivasi yang point Berikut ini adalah grafik hasil dari
digunakan pada setiap lapisannya adalah fungsi pengujian offline.
identitas.
Struktur terbaik jaringan kemudian di uji
dengan menggunakan masukan step. Perlu diketahui
waktu (t) adalah dalam satuan detik Matlab, bukan
dalam real time. Berikut ini adalah grafik hasil
pengujiannya:
C-33
Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005) ISBN: 979-756-061-6
Yogyakarta, 18 Juni 2005
mengikuti, tetapi dengan selisih yang cukup kecil. lapisan, dimana HL pertama memiliki 3 sel
Sesuai dengan karakteristik dari motor DC (gambar neuron, lapisan tersembunyi kedua terdiri dari 1
3), kecepatan yang dihasilkan motor DC tidak bisa sel neuron. (Mean Square Error) MSE yang
langsung mengikuti disebabkan karena kecepatan dihasilkan adalah 0.007382 dengan fungsi
berbanding terbalik dengan torsi motor dan torsi aktivasi setiap lapisan menggunakan fungsi
motor saat keadaan awal akan lebih besar. purelin (fungsi identitas).
Berikut ini adalah tabel perbandingan hasil d. Persentase MSE untuk selisih kecepatan
pengujian menggunakan simulink, dimana nilai pengujian adalah sebesar 1.645 %.
input kecepatan dipilih atau ditentukan secara acak. e. Membuktikan bahwa dasar teori tentang
pengaturan kecepatan motor DC metode Ward
Tabel 3. Perbandingan kecepatan set point dengan Leonard tentang penggunaan 2 motor dapat
kecepatan motor lebih efisien dengan Artificial Intellegence
No Masukan Keluaran Selisih menggunakan Neural Network.
1 250 253.4 (rad/s)
3.4
6. Saran
2 500 500.04 0.04
3 1750 1740.3 10.3 a. Jaringan dilakukan dengan metode yang
berbeda, agar menghasilkan nilai Mean Square
4 1000 996.9 3.1 Error yang lebih kecil lagi.
5 1400 1393.4 6.6 b. Dilakukan perbandingan simulasi sistem
6 800 798.6 1.4 jaringan menggunakan S-Function dan dengan
blok-blok terpisah.
Diperoleh rata-rata selisih kecepatan sebesar c. Mengganti dengan model motor yang lain,
4.14 rad/s. Hasil penelitian ini membuktikan bahwa tetapi dengan struktur jaringan syaraf yang
simulasi JST sebagai kendali kecepatan motor DC sama untuk membuktikan apakah jaringan
sudah cukup baik, dengan persentase MSE mampu beradaptasi dengan data motor yang
kecepatan pengujian sebesar 1.645% atau tingkat berbeda.
keberhasilan mencapai 98.355. d. Dilakukan aplikasi terhadap motor DC real
menggunakan xPC target dengan interface
selisih (4) serial port RS 232.
selisih rata − rata = e. Diadakan penelitian lanjutan yang lebih
banyak data
mendetail dengan proses aplikasi sesuai metode
MSE selisih =
(selisih) ×
2
100 % (5) Ward Leonard untuk mempertegas hasil dari
banyak data nilai data max
penelitian ini.
Persentase ini belum mencapai nilai Daftar Pustaka
minimum karena struktur yang digunakan saat
pengujian adalah hasil pelatihan yang berhenti [1] Brooks/Cole, Simulations of Machines.
disebabkan Karena MSE minimum pelatihan belum [2] Fausett, Laurance, Fundamental Of Neural
mencapai target MSE. Hal ini juga disebabkan Network, 1994, Prentice Hall International
keterbatasan komputer yang digunakan saat Edition.
pelatihan dan simulasi, sehingga dengan data [3] Floyd, Thomas L., Electronics Fundamentals,
masukan yang banyak, perlu dicoba menggunakan 1995, Prentice Hall International Edition
komputer dengan tingkat proses komputasi yang [4] Harvey, Robert L., Neural Network Principles,
lebih tinggi atau dengan menggunakan metode 1993, Prentice Hall International Edition.
pembelajaran yang lebih cepat agar dapat mencapai [5] Kung, S.Y., Digital Neural Networks, 1993,
MSE target yang sekecil mungkin. Prentice Hall International Edition.
[6] Kuo, Benjamin C., Automatic Control System,
5. Kesimpulan edisi bahasa indonesia jilid 1, 1995, Prentice
Hall International Edition.
a. Pelatihan dan pengujian akan lebih cepat jika [7] Kusumadewi, Sri, Artificial Intelligence, 2003,
data yang dihitung dalam jaringan Graha Ilmu.
menggunakan operasi matriks. [8] Lin, Chin-Theng & Lee, C.S George, Neural
b. Banyaknya data yang dijadikan sebagai data Fuzzy Sistems, 1996, Prentice Hall International
pelatihan, berpengaruh terhadap lamanya waktu Edition.
iterasi untuk mencapai taget error minimum, [9] Ogata, Katsuhiko, Teknik Kontrol Automatik,
jumlah iterasi akan semakin banyak dan nilai jilid 1, 1997, Erlangga.
MSE yang dihasilkan. [10] Suwandi, Adang, dkk, Sistem Penggerak
c. Struktur terbaik JST untuk sistem kendali Cerdas Berbasis Jaringan Syaraf Tiruan,
kecepatan motor DC terdiri dari 5 sel neuron Tabloid Elektron, No. 49, Th XVIII.
lapisan input. Lapisan tersembunyi terdiri dari 2
C-34
Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005) ISBN: 979-756-061-6
Yogyakarta, 18 Juni 2005
Lampiran
C-35