Makalah Seminar Tugas Akhir

Transkripsi

1 Pengaturan Kecepatan Motor DC Menggunaan Jaringan Syaraf Tiruan Feedforward Bacpropagation Sorihi *, Wahyudi **, Iwan Setiawan ** Abstra - Jaringan syaraf bacpropagation merupaan aringan syaraf yang telah umum digunaan dalam beragam apliasi ontrol. Dari segi arsitetur, bacpropagation merupaan aringan syaraf perceptron dengan banya layer (multilayer), sehingga aringan syaraf ini dienal uga sebagai aringan syaraf perceptron multilayer. Nama bacpropagation diambil dari proses pembelaaran yang melibatan penghantaran bali sinyal error dari output layer menuu layer dibawahnya hingga layer sebelum input layer. Pada tugas ahir ini, aringan syaraf bacpropation digunaan sebagai ontroler dalam pengaturan ecepatan motor DC. Sema yang digunaan dalam pengontrolan adalah fix stabilizing controller. Dalam sema ini, aringan syaraf berperan sebagai controller dimana sinyal training yang digunaan berasal dari sinyal eluaran penguat proporsional. Dengan menggunaan bobot dan bias awal 0,05, pengaruh parameter aringan syaraf serta parameter pada sema ontroler fix stabilizing controller dapat diamati. Learning rate aan berpengaruh terhadap ecepatan plant mencapai ondisi tuna. Momentum uga mempunyai pengaruh yang sama dengan learning rate. Pengamatan uga dilauan terhadap pengaruh umlah hidden layer dalam aringan serta pengaruh nilai penguat proporsional. Dari hasil percobaan diperoleh bahwa aringan dengan satu hidden layer lebih cepat mencapai ondisi tuna dibandingan aringan dengan dua hidden layer. Nilai penguat proporsional dimana respon plant masih stabil adalah 2. Kata unci : aringan syaraf tiruan, bacpropagation, fix stabilizing controller, plant motor DC. Kata Kunci : aringan syaraf tiruan, bacpropagation, fix stabilizing controller, plant motor DC. I. PENDAHULUAN 1.1 Latar Belaang Beragam sistem ontrol melibatan manusia sebagai pengendalinya, sehingga semain banya peralatan ontrol aan mengaibatan besarnya biaya pengoperasian. Berangat dari permasalahan tersebut muncul gagasan untu memindahan eahlian dari manusia e dalam sistem ontrol. Kontrol lasi (P, PI, PID) merupaan dasar dari sistem ontrol sederhana. Kesederhanaannya merupaan alasan utama enapa ontrol ini begitu luas diterapan di industri. Kontrol lasi merupaan ontroler penguatan umpan bali tetap, oleh arena itu ontroler ini tida mampu mengompensasi variasi parameter dalam plant dan tida dapat beradaptasi terhadap perubahan lingungan. Dalam teni lasi, modelan plant secara matemati dan penalaan parameter dari ontroler harus dilauan terlebih dahulu sebelum mengimplementasian ontrolernya. Kebanyaan sistem ontrol mempunyai perilau non linier, lebih auh, untu memodelan sistem ini seringali mengalami esulitan, adangala mustahil untu penggunaan huum-huum fisia. Oleh arena itu, penggunaan ontrol lasi tidalah coco untu apliasi ontrol non linier. Dalam tiga deade terahir telah dienalan teni ontrol alternatif, seperti neural networ (aringan syaraf tiruan), adaptif, serta fuzzy ontrol sebagai alternatif teni ontrol lasi. Perembangan aringan syaraf tiruan (JST) telah menginspirasi munculnya teni ontrol yang lebih bai dan efisien. JST mempunyai emampuan mempelaari ondisi dinamis sistem dengan mengestimasi fungsi input-output sistem. Dengan menggunaan JST, aan didapat suatu ontroler tanpa harus memodelan plant secara matemati serta penalaan parameter ontroler. 1.2 Tuuan Tuuan tugas ahir ini adalah untu mengetahui unu era aringan syaraf tiruan bacpropagation yang diterapan secara on line pada pengaturan ecepatan plant motor DC. 1.3 Batasan Masalah Dalam pembuatan tugas ahir ini penulis membatasi permasalahan sebagai beriut: 1. Plant yang digunaan pada tugas ahir ini adalah plant motor DC tanpa pembebanan. 2. Jaringan syaraf tiruan yang digunaan adalah feedforward bacpropagation dengan umlah neuron pada input layer sebanya dua buah, empat buah pada hidden layer, serta satu buah neuron pada output layer. 3. Jumlah hidden layer pada aringan syaraf yang diuian adalah aringan syaraf dengan satu hidden layer, dan aringan syaraf dengan dua hidden layer. 4. Miroontroler AT89S51 pada plant hanya digunaan sebagai sarana omuniasi serial. 5. Tida aan membahas mengenai proses handshaing pada omuniasi serial. 6. Bahasa pemrograman yang digunaan menggunaan Visual Basic 6.0. * Mahasiswa Jurusan Teni Eletro UNDIP ** Staff Pengaar Jurusan Teni Eletro UNDIP

2 II. DASAR TEORI 2.1 Jaringan Syaraf Tiruan [2] Jaringan syaraf tiruan adalah sistem pengolahan informasi yang mempunyai arateristi unu era tertentu sebagaimana aringan syaraf biologis. Jaringan syaraf tiruan didasaran pada beberapa asumsi : 1. Pengolahan informasi teradi pada neuron. 2. Sinyal-sinyal dilewatan antar neuron melalui rantai penghubung. 3. Masing-masing rantai penghubung aan mengalian sinyal yang ditransmisian. 4. Masing-masing neuron menggunaan fungsi ativasi pada aringan masuannya untu menentuan sinyal eluaran. Jaringan syaraf tiruan dicirian oleh (1) hubungan pola antar neuron, (2) metode untu menentuan bobot dan (3) fungsi ativasinya. Sebuah aringan syaraf terdiri dari banya elemen pengolah sederhana yang disebut neuron, unit, cell, atau node. Masing-masing neuron dihubungan e neuron yang lain oleh rantai omuniasi terarah dengan masing-masing bobot yang beraitan dengannya. Bobot merepresentasian informasi yang digunaan oleh aringan untu memecahan sebuah masalah. Masing-masing neuron mempunyai state internal, disebut sebagai ativasi atau level pengatifan (activation or activity level) yang merupaan fungsi masuan. Biasanya, sebuah neuron mengirim ativasinya sebagai sebuah sinyal e beberapa neuron. Sebagai catatan bahwa neuron hanya dapat mengirim satu sinyal pada suatu watu, mesipun sinyal itu diirim e beberapa neuron yang lain. Gambar 1 menunuan sebuah neuron Y yang menerima input dari neuron X 1, X 2, dan X 3. Pengativan (sinyal eluaran) dari neuron ini adalah x 1, x 2, dan x 3, secara berturut-turut. Bobot pada hubungan dari X 1, X 2, dan X 3 e neuron Y adalah w 1, w 2, dan w 3. Jaringan masuan, y_in, e neuron Y adalah umlah dari sinyal terboboti (weighted signal) dari X 1, X 2, dan X 3, yaitu : y_in = w 1 x 1 + w 2 x 2 + w 3 x 3. X 1 X 2 X 3 w 1 w 2 w 3 Gambar 1 Neuron sederhana. Ativasi y dari neuron Y diberian oleh suatu fungsi dari aringan masuannya, y = f(y_in), sebagai contohnya adalah fungsi sigmoid logistic ( sebuah urva berbentu S) yang memenuhi persamaan : 1 f x 1 exp x atau fungsi ativasi yang lain, semisal fungsi linier serta fungsi threshold [2][3]. Dalam banya asus, digunaan fungsi ativasi non linier. Fungsi non linier digunaan pada aringan Y multilayer arena hasil pengumpanan sinyal melalui dua atau lebih layer dengan menggunaan fungsi linier aan diperoleh hasil yang tida berbeda dengan apa yang diperoleh ia menggunaan single layer (lapis tunggal). Gambar 2 menunuan fungsi ativasi sigmoid logistic. Gambar 2 Fungsi ativasi sigmoid logistic Jaringan Syaraf Tiruan Tipe Perceptron Gambar 3 menunuan sebuah aringan syaraf perceptron sederhana dengan n masuan dan satu eluaran, tanpa hidden layer (lapis tersembunyi). Gambar 3 Perceptron sederhana. Neuron mempunyai sebuah bias b, yang diumlahan dengan masuan terboboti untu membentu masuan aringan y_in: y_in = w 1 x 1 + w i x w n x n + b Jumlah masuan e dalam sebuah aringan ditentuan oleh spesifiasi esternal dari suatu permasalahan yang aan dipecahan. Umumnya satu neuron, bahan dengan banya masuan, emunginan tidalah memadai untu memecahan suatu permasalahan. Oleh arena itu dibutuhan umlah neuron lebih dari satu yang dioperasian secara paralel, dimana biasa disebut sebagai sebuah layer (lapis). Gambar 4 menunuan aringan syaraf sangat sederhana yang terdiri dari tiga neuron pada input layer, satu neuron pada hidden layer, serta dua neuron pada output layer. Gambar 4 Jaringan syaraf sangat sederhana.

3 Neuron dalam layer yang sama mempunyai arater yang sama. Fator unci dalam menentuan arater neuron tergantung dari fungsi ativasi serta pola onesi terboboti etia suatu layer mengirim serta menerima sinyal. Dalam setiap layer, neuron-neuron biasanya mempunyai fungsi ativasi yang sama dan pola onesi terhadap neuron lain yang sama pula. Penyusunan neuron e dalam layer dan pola onesi dalam dan antar layer disebut sebagai arsitetur aringan. Kebanyaan aringan syaraf mempunyai input layer dengan ativasi setiap unit sama dengan sinyal masuan esternal. Dengan demiian, pada input layer tida terdapat adanya fungsi ativasi. Jaringan syaraf seringali dilasifiasian sebagai single layer atau multilayer. Dalam menentuan umlah layer, unit masuan tida dihitung sebagai layer, arena pada unit ini tida teradi adanya proses omputasi. Dengan demiian, umlah layer dalam suatu aringan dapat ditentuan sebagai umlah layer alur interonesi terboboti antar neuron. Gambar 5 merupaan contoh aringan syaraf single layer. Jaringan syaraf ini mempunyai n neuron pada input layer dan m neuron pada output layer. Pada aringan syaraf ini tida terdapat adanya hidden layer. Gambar 5 Jaringan syaraf single layer. Biasanya dibutuhan lebih dari satu layer untu memecahan suatu permasalahan. Jaringan dengan satu hidden layer sudah mencuupi untu mengaprosimasi pemetaan dari pola masuan terhadap pola eluaran. Aan tetapi, dua hidden layer bisa membuat proses training menadi lebih mudah dalam beberapa situasi. Jaringan yang terlihat pada Gambar 6 merupaan aringan syaraf multilayer dengan satu hidden layer. Gambar 6 Jaringan syaraf multilayer. 2.3 Algoritma Pelatihan Bacpropagation [2] Aturan pembelaaran bacpropagation diembangan dari delta rule dengan menambahan hidden layer. Melatih aringan dengan menggunaan metode bacpropagation melibatan tiga tahapan: feedforward pola pelatihan masuan, bacpropagation terhadap error, serta penyesuain bobot. Algoritma pelatihan bacpropagation adalah sebagai beriut: Langah 0. Inisialisasi bobot. Langah 1. Ketia ondisi berhenti salah, lauan langah 2-9. Langah 2. Untu masing-masing pasangan training, lauan langah 3-8. Feedforward: Langah 3. Masing-masing neuron masuan (X i, i = 1,..., n) menerima sinyal masuan x i dan menghantaran sinyal ini e semua unit dalam layer di atasnya (unit-unit tersembunyi). Langah 4. Masing-masing neuron tersembunyi (Z, J = 1,..., n) menumlahan sinyal masuan terboboti, z _ in v x v, 0 n i1 hitung fungsi ativasi untu menghitung sinyal eluaran, z = f(z_in ), lalu mengirim sinyal ini e semua unit pada layer diatasnya (unit eluaran). Langah 5. Masing-masing unit eluaran (Y, = 1,..., m) menumlahan sinyal masuan terboboti, y _ in w 0 p 1 serta menghitung fungsi ativasinya untu menghitung sinyal eluaran, y = f(y_in ). Bacpropagation of error: Langah 6. Masing-masing unit eluaran (Y, = 1,..., m) menerima pola target terhadap pola masuan, emudian menghitung informasi errornya, ' = (t - y ) f (y_in ), menghitung oresi bobot, w z, Langah 7. i z i w menghitung oresi bias, w 0, dan mengirim e unit di layer dibawahnya. Masing-masing unit tersembunyi (Z, = 1,..., p) menumlahan masuan deltanya (dari unit pada layer di atasnya), m _ in w, 1 alian dengan turunan fungsi ativasi untu menghitung informasi error,

4 imac = _ in ' f (z_in ), menghitung oresi bobot, v x, i i emudian menghitung oresi bias, v 0. Update bobot dan bias: Langah 8. Masing-masing unit eluaran (Y, = 1,..., m) update bias dan bobotnya ( = 0, Langah 9...., p): W (baru) = w (lama) + w Masing-masing unit tersembunyi (Z, = 1,..., p) melauan update bias dan bobotnya (i = 0,..., n): V i (baru) = v i (lama) + Ui syarat henti Fixed Stabilizing Controller [3] Salah satu sema direct learning control yang paling sederhana adalah sebagaimana terlihat pada Gambar 7, dimana sebuah ontroler fixed, stabilizing, linier, feedbac controller digunaan untu melatih aringan syaraf tiruan. Kontroler linier didesain demiian hingga sistem loop tertutup menadi stabil dalam setiap daerah operasi dan sinyal dari ontroler tersebut menadi sinyal training bagi modul pembelaaran. Reference + - Learning Model Simple Gain Feedforward Control + + Learning Signal vi Plant Gambar 7 Fixed Stabilizing Controller [3][8]. Pada sema ini aringan syaraf tiruan berperan sebagai model inverse dinamis dari plant. Model ini menggunaan sinyal referensi dan eluaran atual plant sebagai masuan serta error ontrol umpan bali sebagai algoritma adaptasi. Ketia aringan syaraf tiruan telah terlatih, maa sinyal error aan mengalami onvergensi menuu nol. Dengan demiian ontroler aringan syaraf tiruan aan berlatih mengambil peran ontroler umpan bali. BAB III PERANCANGAN SISTEM Secara umum sistem yang aan dibuat ditunuan pada Gambar 8. Gambar 8 Diagram blo perancangan sistem. Output Penelasan dari masing masing blo adalah sebagai beriut : 1. DAC 0808 Rangaian DAC berfungsi untu mengubah data digital berupa masuan referensi ecepatan motor dari omputer menadi data analog berupa tegangan. 2. Pengondisi sinyal Pengondisi sinyal berfungsi untu menguatan tegangan eluaran dari DAC. Keluaran DAC masimal adalah 5 V, sedangan tegangan masimal yang dibutuhan adalah 13 V sehingga perlu diuatan sebesar 2,6 ali. 3. Driver motor DC Untu menggeraan motor DC diperluan arus yang cuup besar, sedangan output pengondisi sinyal tida memilii arus yang cuup untu menggeraan motor DC. Oleh arena itu, diperluan sebuah penggera motor DC yang tida lain adalah penguat arus untu menguatan tegangan ontrol dari pengonsi sinyal. 4. Motor DC Motor DC yang digunaan dilengapi dengan optoopler beserta piringan berode yang terpasang pada poros motor. 5. Pengubah freuensi e tegangan Rangaian pada blo ini menggunaan LM2917N sebagai omponen utama yang berfungsi mengubah data freuensi dari optoopler menadi tegangan yang sesuai dengan besarnya freuensi masuan. 6. ADC 0804 Rangaian ADC yang digunaan untu mengubah besaran analog dari pengubah freuensi e tegangan menadi data digital sehingga dapat diolah di omputer. 7. Komuniasi serial Miroontroler AT89S51 diposisian sebagai sarana omuniasi serial, yang mengatur aliran data dari ADC e omputer atau dari omputer e DAC. 8. Komputer. Komputer digunaan sebagai unit ontroler untu mengapliasian algoritma aringan syaraf tiruan bacpropagation. Disamping itu, omputer uga digunaan untu menampilan grafi respon dan menyimpan data e dalam file untu eperluan analisis. BAB IV PENGUJIAN DAN ANALISIS Pemilihan bobot dan bias awal aan menentuan ecepatan respon awal plant. Bobot dan bias awal yang dipilih harus dalam nilai yang relatif ecil. Nilai bobot dan bias awal yang dipilih untu analisis adalah 0, Pengaruh Learning Rate terhadap Respon Transien Plant Untu mengetahui pengaruh nilai learning rate pada unu era aringan syaraf dilauan dengan cara membandingan dua nilai learning rate yang berbeda, yaitu 0,3 dan 0,7, sementara parameter lainnya diberian dengan nilai tetap. Pada percobaan ini nilai momentum, umlah hidden layer, dan penguat proporsional adalah 0,2, 2, dan 1,3. Pada saat awal, respon plant mengalami overshoot sebesar 43,75 % dan watu yang dibutuhan untu mencapai ondisi tuna pada ecepatan referensi 2000 RPM seitar 5,6 deti. Dengan menggunaan

5 bobot-bobot hasil pembelaaran, dibutuhan watu seitar 2,25 deti untu mencapai ondisi tuna pada ecepatan 1000 RPM. Gambar 9 menunuan bagaimana respon transien plant pada saat awal dan pada saat ecepatan referensi diturunan. Gambar 12 Respon transien plant dari 1000 RPM e 2000 RPM dengan nilai learning rate = 0,7, momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,3. Gambar 9 Respon transien plant dari 2000 RPM e 1000 RPM dengan nilai learning rate = 0,3, momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,3. Gambar 10 Respon transien plant dari 1000 RPM e 2000 RPM dengan nilai learning rate = 0,3, momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,3. Gambar 10 menunuan pengaruh learning rate terhadap respon plant etia ecepatan motor dinaian dari 1000 RPM menadi 2000 RPM. Dengan menggunaan bobot-bobot hasil pembelaaran, respon plant mengalami overshoot 5 % dengan watu seitar 6,1 deti. Gambar 11 Respon transien plant dari 2000 RPM e 1000 RPM dengan nilai learning rate = 0,7, momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,3. Gambar 11 menunuan perubahan respon transien plant dengan nilai learning rate = 0,7. Pada saat awal, respon plant mengalami overshoot sebesar 47,5 % dan watu yang dibutuhan untu mencapai ondisi tuna seitar 3,5 deti. Gambar 12 menunuan pengaruh learning rate etia ecepatan motor dinaian dari 1000 RPM menadi 2000 RPM. Respon plant mengalami overshoot 5 % dengan watu seitar 2,7 deti. Tabel 1 Parameter unu era Learning rate = 0,3 Learning rate = 0,7 Pengaruh nilai learning rate terhadap respon plant pada saat nilai momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,3. Respon awal plant mencapai referensi Respon plant dari ecepatan 1000 RPM e 2000 RPM 43,75 % 5,6 deti 5 % 6,1 deti 47,5 % 3,5 deti 5 % 2,7 deti Berdasaran Tabel 1 dan gambar respon transien plant, dapat disimpulan bahwa penambahan nilai learning rate aan berpengaruh terhadap ecepatan respon transien plant, semain besar nilai learning rate semain cepat plant mencapai ondisi tuna. Penambahan nilai learning rate uga aan menambah overshoot plant awal serta teradinya undershoot yang lebih besar. 4.2 Pengaruh Momentum terhadap Respon Transien Plant Momentum adalah parameter tambahan yang sebenarnya tida harus ada dalam algoritma bacpropagation, aan tetapi dengan adanya penambahan momentum telah terbuti semain meningatan ecepatan pembelaaran aringan syaraf mencapai sinyal terharap yang diinginan. Untu mengetahui pengaruh langsung dari momentum terhadap respon transien plant, dilauan penguian terhadap dua aringan syaraf dengan nilai momentum yang berbeda. Nilai momentum yang diuian pada percobaan ini adalah 0,3 dan 0,6. Pada percobaan ini, untu nilai learning rate, umlah hidden layer, dan penguat proporsional secara berturut-turut adalah 0,7, 2, dan 1,4.

6 Gambar 13 menunuan respon plant pada saat awal. Plant mengalami overshoot sebesar 55 % dan watu yang dibutuhan untu mencapai ondisi tuna pada ecepatan 2000 RPM seitar 3,8 deti. Gambar 16 Respon transien plant dari 1000 RPM e 2000 RPM dengan nilai learning rate = 0,7, momentum = 0,6, umlah hidden layer = 2, dan penguat proporsional = 1,4. Gambar 13 Respon transien plant dari 2000 RPM e 1000 RPM dengan nilai learning rate = 0,7, momentum = 0,3, umlah hidden layer = 2, dan penguat proporsional = 1,4. Gambar 15 dan Gambar 16 menunuan perubahan respon transien plant untu nilai momentum 0,6. Pada saat awal, respon plant mengalami overshoot sebesar 55 % dan watu yang dibutuhan untu mencapai ondisi tuna seitar 2,5 deti. Ketia ecepatan motor dinaian dari 1000 RPM menadi 2000 RPM, respon plant mengalami overshoot 10 % dengan watu yang dibutuhan seitar 1,5 deti. Tabel 2 Parameter unu era Momentu m = 0,3 Pengaruh nilai momentum terhadap respon plant pada saat nilai learning rate = 0,7, umlah hidden layer = 2, dan penguat proporsional = 1,4. Respon awal plant mencapai referensi Respon plant dari ecepatan 1000 RPM e 2000 RPM 55 % 3,8 deti 10 % 2,5 deti Gambar 14 Respon transien plant dari 1000 RPM e 2000 RPM dengan nilai learning rate = 0,7, momentum = 0,3, umlah hidden layer = 2, dan penguat proporsional = 1,4. Pengaruh nilai momentum sebesar 0,3 dapat dietahui etia ecepatan motor dinaian dari 1000 RPM menadi 2000 RPM. Dengan menggunaan bobotbobot hasil pembelaaran, respon plant mengalami overshoot 10 % dengan watu yang dibutuhan seitar 2,5 deti. Gambar 14 menunuan pengaruh respon transien plant dengan nilai momentum sebesar 0,3. Gambar 15 Respon transien plant dari 2000 RPM e 1000 RPM dengan nilai learning rate = 0,7, momentum = 0,6, umlah hidden layer = 2, dan penguat proporsional = 1,4. Momentu m = 0,6 55 % 2,5 deti 10 % 1,9 deti Dari Tabel 2 dan gambar respon transien plant dapat disimpulan, pertambahan nilai momentum aan berpengaruh terhadap respon plant mencapai ondisi tuna. Semain besar nilai momentum, semain cepat plant mencapai ondisi tuna. Penambahan momentum uga aan berdampa terhadap pertambahan undershoot dari plant. 4.3 Pengaruh Jumlah Hidden Layer terhadap Respon Transien Plant Dalam beberapa referensi, penentuan umlah hidden layer yang diperluan dalam menyelesaian suatu asus tida dielasan secara mendetail. Dalam hal ini tida ada panduan yang elas mengenai berapaah umlah hidden layer yang paling optimal untu memecahan suatu permasalahan. Ada yang mengataan bahwa satu hidden layer sudah mencuupi, namun dua hidden layer aan menadian fungsi aringan syaraf sebagai aprosimator menadi lebih bai [2]. Ada pula yang mengataan bahwa pemilihan umlah hidden layer lebih ditentuan secara empiris daripada perhitungan matematis [13]. Pada percobaan ali ini, parameter aringan syaraf yang dipilih untu nilai-learning rate, momentum, dan penguat proporsional secara berturut-turut adalah 0,6, 0,5, 1,2. Jumlah hidden layer yang dibandingan adalah 1 dan 2.

7 Gambar 17 Respon transien plant dari 2000 RPM e 1000 RPM dengan nilai learning rate = 0,6, momentum = 0,5, umlah hidden layer = 1, dan penguat proporsional = 1,2. Gambar 20 Respon transien plant dari 1000 RPM e 2000 RPM dengan nilai learning rate = 0,6, momentum = 0,5, umlah hidden layer = 2, dan penguat proporsional = 1,2. Gambar 19 dan Gambar 20 menunuan perubahan respon transien plant dengan dua hidden layer. Pada saat awal, respon plant mengalami overshoot sebesar 50 % dan watu yang dibutuhan untu mencapai ondisi tuna pada ecepatan 2000 RPM seitar 2 deti. Pada saat ecepatan motor dinaian dari 1000 RPM menadi 2000 RPM, respon plant mengalami overshoot 1 % dengan watu yang dibutuhan seitar 1,6 deti. Gambar 18 Respon transien plant dari 1000 RPM e 2000 RPM dengan nilai learning rate = 0,6, momentum = 0,5, umlah hidden layer = 1, dan penguat proporsional = 1,2. Gambar 17 dan Gambar 18 menunuan respon transien plant pada aringan syaraf dengan satu hidden layer. Respon plant mengalami overshoot sebesar 55 % dan watu yang dibutuhan untu mencapai ondisi tuna pada ecepatan 2000 RPM seitar 2,5 deti. Pengaruh satu hidden layer terhadap unu era aringan dapat dietahui etia ecepatan motor dinaian dari 1000 RPM menadi 2000 RPM sebagaimana ditunuan Gambar 18. Respon plant mengalami overshoot 12,5 % dengan watu yang dibutuhan seitar 1 deti. Gambar 19 Respon transien plant dari 2000 RPM e 1000 RPM dengan nilai learning rate = 0,6, momentum = 0,5, umlah hidden layer = 2, dan penguat proporsional = 1,2. Tabel 3 Parameter unu era Hidden layer = 1 Hidden layer = 2 Pengaruh umlah hidden layer terhadap respon plant pada saat nilai learning rate = 0,7, umlah momentum = 0,5, dan penguat proporsional = 1,4. Respon awal plant mencapai referensi Respon plant dari ecepatan 1000 RPM e 2000 RPM 55 % 2,5 deti 12,5 % 1 deti 50 % 3 deti 1 % 1,6 deti Dari Tabel 3 dapat disimpulan, aringan dengan satu hidden layer mempunyai watu yang lebih cepat dibandingan dengan aringan dengan dua hidden layer. Pada aringan dengan satu hidden layer, respon plant mengalami overshoot yang lebih besar ia dibandingan aringan dengan dua hidden layer. 4.4 Pengaruh Penguat Proporsional terhadap Respon Transien Plant Dengan menggunaan sema ontroler fix stabilizing controller, maa peranan penguat proporsional sangat menentuan ondisi plant secara eseluruhan. Diataan sangat menentuan, arena sinyal terharap dari plant merupaan umlah dari eluaran penguat proporsional dengan eluaran aringan syaraf. Parameter-parameter aringan syaraf yang dipilih pada percobaan ini untu learning rate, momentum, dan umlah hidden layer secara berturut-turut adalah: 0,8, 0,2, dan 2. Penguat proporsional yang diuian pada percobaan ini adalah 1,1 dan 1,5. Pada saat awal, respon plant mengalami overshoot sebesar 49,9 % dan watu yang dibutuhan untu mencapai ondisi tuna referensi 2000 RPM seitar 3,2 deti. Setelah diperoleh bobot-bobot hasil pembelaaran, ecepatan motor diturunan menadi 1000 RPM. Keadaan ini dielasan pada Gambar 21.

8 Ketia ecepatan motor dinaian dari 1000 RPM menadi 2000 RPM, respon plant mengalami overshoot 15 % dengan watu seitar 2,5 deti. Peningatan penguat proporsional aan memberian overshoot yang lebih besar serta ecenderungan sistem mengalami osilasi. Gambar 21 Respon transien plant dari 2000 RPM e 1000 RPM dengan nilai learning rate = 0,8, momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,1. Gambar 24 Respon transien plant dari 1000 RPM e 2000 RPM dengan nilai learning rate = 0,8, momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,5. Gambar 22 Respon transien plant dari 1000 RPM e 2000 RPM dengan nilai learning rate = 0,8, momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,1. Gambar 22 menelasan penggunaan bobotbobot hasil pembelaaran etia ecepatan motor dinaian dari 1000 RPM menadi 2000 RPM. Gambar 22 uga menunuan pengaruh penguat proporsional sebesar 1,1 aan memberian nilai overshoot 1 % dengan watu seitar 2,2 deti. Gambar 23 dan Gambar 24 menunuan perubahan respon transien plant dengan penguat proporsional 1,5. Respon awal plant mengalami overshoot sebesar 55 % dan watu yang dibutuhan untu mencapai ondisi tuna pada ecepatan referensi seitar 3,6 deti. Gambar 23 Respon transien plant dari 2000 RPM e 1000 RPM dengan nilai learning rate = 0,8, momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,5. Tabel 4 Parameter unu era Penguat proporsional = 1,1 Penguat proporsional = 1,5 Pengaruh umlah penguat proporsional terhadap respon plant pada saat nilai learning rate = 0,7, umlah momentum = 0,5, dan umlah hidden layer = 2. Respon awal plant mencapai referensi Respon plant dari ecepatan 1000 RPM e 2000 RPM 49,9 % 3,2 deti 1 % 2,5 deti 55 % 3,6 deti 15 % 2,4 deti Berdasaran Tabel 4, dapat disimpulan bahwa pertambahan penguat proporsional pada plant aan memberian pengaruh semain cepat plant mencapai ondisi tuna dengan disertai pertambahan overshoot plant. Untu nilai penguat proporsional yang mendeati 2, plant cenderung mengalami osilasi (tida stabil). BAB V PENUTUP 5.1 Kesimpulan Berdasaran hasil percobaan yang telah dilauan dapat diambil beberapa esimpulan sebagai beriut: 1. Learning rate pada aringan syaraf bacpropagation berpengaruh terhadap ecepatan plant mencapai ondisi tuna. Pemilihan learning rate yang relatif besar aan memberian ecepatan respon yang lebih bai dibanding learning rate yang lebih ecil. 2. Pertambahan nilai momentum pada aringan syaraf aan mempunyai pengaruh yang sama dengan pertambahan nilai learning rate. Semain besar nilai momentum, aringan syaraf aan semain cepat melauan aprosimasi. 3. Jaringan syaraf dengan satu hidden layer mempunyai respon transien yang lebih cepat dibandingan

9 dengan aringan syaraf dengan dua hidden layer. Respon aringan syaraf dengan satu hidden layer uga memberian nilai overshoot yang lebih besar ia dibandingan dengan aringan syaraf dengan dua hidden layer. 4. Semain besar penguat proporsional, semain cepat plant mencapai ondisi tuna. Pemilihan penguat proporsional tida boleh terlalu besar, arena plant aan mengalami osilasi. Berdasaran percobaan, nilai ritis penguat proporsional pada saat plant masih stabil adalah Berdasaran trial and error, dengan menggunaan bobot dan bias awal sebesar 0,05, nilai-nilai parameter yang memberian respon paling bai adalah learning rate = 0.75, momentum = 0,6, umlah hidden layer = 2 dan penguat proporsional = Saran 1. Untu lebih meningatan unu era aringan syaraf, terait dengan pengaturan nilai learning rate dan momentum dapat digabungan dengan metode ontrol yang lain, seperti misalnya ontrol logia fuzzy. Penggabungan metode ontrol memunginan pengaturan edua parameter ini dapat dilauan secara otomatis, tanpa harus dilauan pengaturan secara manual. 2. Plant motor DC ini dapat diembangan dengan memberi beban, sehingga aan dapat dietahui bagaimana unu era aringan syaraf dalam merespon perubahan lingungan. 3. Perlunya penggunaan PWM (pulse width modulation) sebagai pengganti penguat biasa pada driver motor, sehingga diperoleh respon yang lebih bai pada saat teradi penurunan referensi ecepatan motor. 4. Untu menambah etelitian dalam auisisi data, diperluan adanya interface dengan resolusi yang lebih tinggi. DAFTAR PUSTAKA 1. Coughlin, Robert, Federic, Driscoll, Penguat Operasional dan Rangaian Terpadu Linier, Jaarta, Erlangga. 2. Fausett, Laurene, Fundamentals of Neural Networs: Architecture, Algorithms, and Applications, Prentice Hall Inc., Hagan Martin T., Demuth Howard B., Neural Networ for Control, IEEE Journal. 4. Ibnu Mali, Moh., Anistardi, Beresperimen dengan Miroontroler 8031, Cetaan e-2, Elex Media Komputindo, Malvino, Paul Albert, Eletronia Komputer Digital: Pengantar Miroomputer (ter.), Edisi Ke-6, Erlangga, Ogata, Katsuhio, Teni Kontrol Otomati, Jilid 1, Erlangga, Prasetia, Retna, Widodo, Catur Edi, Interfacing Port Paralel dan Port Serial Komputer dengan Visual Basic 6.0, Andi Yogyaarta Setiawan, Iwan, Jaringan Syaraf Tiruan untu Apliasi Pemodelan dan Pengendalian, Jurusan Teni Eletro Faultas Teni Universitas Diponegoro. 9. Stich, Timothy James, Spoerre, Julie K., Velasco, Thomas, The Application of Artificial Neural Networs to Monitoring and Control of an Induction Hardening Process, Journal of Industrial Technology, Volume16 No. 1, The Official Electronic Publication of the National Association of Industrial Technology, Tocci, Ronald J., Digital Systems: Principles and Application, Edisi e-5, Prentice Hall International Inc., MSDN Library January Microsoft Developer Networ. CD-ROM # al/vol4/cs11/report.html htttp:// x/library/l-neural Pembimbing I Wahyudi, ST, MT. NIP Tanggal... Pembimbing II Iwan Setiawan, ST, MT. NIP Tanggal... BIOGRAFI Sorihi dilahiran di Pemalang tanggal 08 agustus Saat ini sedang menempuh pendidian tinggi di Jurusan Teni Eletro Universitas Diponegoro pada onsentrasi Kontrol. Bidang yang diminati adalah pemrograman omputer untu apliasi ontrol, pemrograman miroontroler. soryc2001@yahoo.com Menyetuui dan Mengesahan