PENGATURAN POSISI MOTOR DC MENGGUNAKAN KONTROLER PID BERBASIS GENETIK ALGORITMA (GA)
|
|
- Yuliani Sudirman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENGATURAN POSISI MOTOR DC MENGGUNAKAN KONTROLER PID BERBASIS GENETIK ALGORITMA (GA) Nama mahasiswa : Bambang Siswanto NRP : Pembimbing : Dr. Ir. Mochammad Rameli ABSTRAK Kontroler Proportional-Integral-Diferensial (PID) adalah kontroler yang paling popular abad ini karena keefektifannya, sederhana dalam implementasi dan luas penggunaannya. Konfigurasi standar kontroler PID memiliki parameter-parameter K p, K i dan K d yang dipilih atau ditentukan agar karakteristik plant sesuai dengan kriteria desain yang diharapkan. ini diimplementasikan secara langsung karena menyediakan aturan tuning yang sederhana untuk menentukan parameter-parameter PID. ini menggunakan asumsi bahwa proses yang dikontrol memiliki dinamika minimum, linear, tidak ada noise, dan sebagainya. Pada kenyataanya, banyak proses kontrol yang nonlinear, time-variant dan sangat kompleks. Algoritma genetika merupakan metode yang banyak dipergunakan oleh para ilmuwan untuk meyelesaikan permasalahan-permasalahan tak linier. Algoritma ini mengadopsi mekanisme seleksi alam dan evolusi genetik sebagai dasar pemikirannya. Di dalam tesis ini, diusulkan untuk kontroler disetel menggunakan teknik Genetic Algorithm (Algoritma Genetika). Genetic algorithm telah ditunjukkan untuk mampu ditempatkan pada area capaian tinggi pada daerah kompleks tanpa mengalami berbagai kesulitan dihubungkan dengan dimensi tinggi atau optima dengan teknik kepantasan gradien. Dengan demikian pencapaian hasil penelitian ini lebih baik dari tuning kontroler PID konvensional pada pengaturan posisi motor DC dengan nilai rise-time, settling-time, maximum overshot dan mean square error yang lebih kecil. Kata kunci : Motor DC, Kontroler PID, Algoritma Genetika. PENDAHULUAN Motor DC (Direct Current) atau motor arus searah termasuk dalam kategori jenis motor yang paling banyak digunakan baik dalam lingkungan industri, peralatan rumah tangga hingga ke mainan anak-anak ataupun sebagai piranti pendukung sistem instrumen elektronik. Motor DC memiliki jenis yang beragam mulai dari tipe magnet permanen, seri, shunt ataupun jenis magnet kompon. Tipe motor DC diimplementasikan berdasarkan jenis magnet yang digunakan. Kelebihan motor DC memiliki torsi yang tinggi, tidak memiliki kerugian daya reaktif dan tidak menimbulkan harmonisa pada sistem tenaga listrik yang mensuplainya. Selain torsi motor DC juga memiliki akurasi kontrol yang tinggi sehingga motor DC sering digunakan untuk aplikasi servo seperti pengendali kecepatan pemintal benang atau pengendali posisi antena penerima satelit. Kemampuan mengetahui kondisi sistem yang sebenarnya akan memberikan hasil perencanaan yang baik dan optimal. Proses interpretasi atau menafsirkan perilaku sistem bukan merupakan pekerjaan yang mudah karena akan berkaitan dengan perilaku statik dan dinamik sistem. Permodelan dan simulasi harus dilakukan secara iteratif dan trial-error. Penggunaan perangkat lunak komputer juga akan menentukan akurasi model yang diambil. Kontroler Proportional-Integral-Derivative (PID) adalah kontroler yang paling popular abad ini karena keefektifannya, sederhana dalam implementasi dan luas penggunaannya. Konfigurasi standar kontroler PID memiliki parameter-parameter K p, K i dan K d yang dipilih atau ditentukan agar karakteristik plant sesuai dengan kriteria desain yang diharapkan. Spesifikasi umum dalam desain adalah rise-time, settling-time, maximum overshoot dan mean square error terhadap masukan yang diberikan. Seperti halnya pada kontroler PID untuk mengatur posisi motor DC shunt dengan kemampuan motor DC yang mudah dikendalikan. Karenanya bagaimana cara mengoptimalkan kontroler PID? Apakah masih perlu menyetel parameter PID sebagai contoh menggunakan teknik yang klasik yang telah diajar yaitu metoda Ziegler-Nichols? Atau digunakan perhitungan komputasi untuk penyetelan PID secara stokastik? Genetic algorithm (GA) adalah suatu stokastik metoda pencarian global yang meniru proses dari evolusi alami. Genetic algorithm telah ditunjukkan untuk mampu ditempatkan pada area capaian tinggi pada daerah kompleks tanpa mengalami berbagai kesulitan dihubungkan dengan dimensi tinggi atau optima dengan teknik kepantasan gradien. Penggunaan Genetic algorithm untuk melakukan penyetelan parameter-parameter kontroler yang mengakibatkan jumlah maksimum kontroler yang dievaluasi untuk sistem setiap kali. Model Plan Motor DC yang dipergunakan adalah motor DC shunt, dengan spesifikasi yang telah ditentukan. Model motor DC yang digunakan adalah model motor DC standar, model ini akan dituning parameter gain kontrolnya dengan menggunakan algoritma genetika untuk memperoleh nilai parameter rise-time, settlingtime, maximum overshot dan mean square error yang lebih kecil dibandingkan dengan model plan yang dituning menggunakan ZN. Sebelum menerapkan metoda algoritma genetika, akan dibuat terlebih dahulu dengan metode perhitungan ZN secara manual dari model plan yang ada dan dibandingkan dengan
2 Amplitude Amplitude motode ZN dari perhitungan orang lain dengan nilai yang sudah tersedia. Model dinamik motor DC dapat dilihat seperti pada gambar 2.2. Rangkaian motor terdiri dari kumparan jangkar disuplai dengan tegangan terminal V t, sedangkan kumparan medan disuplai dengan tegangan tetap V f untuk mendapatkan fluktasi tetap. Model plant yang digunakan memiliki spesifikasi dan parameter sebagai berikut : Spesifikasi : 2 HP, 230 volt, 8.5 ampere, 1500 rpm Parameter : Ra = 2.45 ohm, La = H, Kb = 1.2 volt/(rad/sec), J = Kg-m 2 /rad, B = 0.5*10^- 3N-m/(rad/sec). Maka : Maksimum overshoot = ± 59.6 % Settling time = sec Dengan menggunakan hasil perhitungan yang sudah ditentukan yaitu untuk nilai kontroller PID Kp = 18, Ki = dan Kd = , maka didapat hasil respon sbb : Step Response Peak amplitude: 1.09 Overshoot (%): 9.09 At time (sec): Settling Time (sec): Rise Time (sec): Final Value: Terdapat beberapa penyelesaian untuk desain kontroler berdasarkan nilai gain margin dan phase margin yaitu analisa kestabilan routh. Tujuan dari analisis kestabilan routh adalah untuk mencari nilai range Kp sedemikian hingga pada batas nilai Kp tersebut pada kondisi stabil. Kontruksi blok diagram sistem loop tertutup digambarkan pada gambar 3.1 Gambar 3.1 Blok Diagram Sistem Loop Tertutup Batas minimal nilai Kp sedemikian hingga sistem dapat dikatakan stabil, maka nilai range ke Kp yang harus dipenuhi adalah : 0 < Kp < Maka persamaan karakteristis yang diperoleh adalah : s = 0 Tipe Kp Ti Td P PI PID Peak amplitude: 1.6 Overshoot (%): 59.6 At time (sec): Rise Time (sec): Step Response Time (sec) Settling Time (sec): Final Value: 1 Rise time waktu yang ditempuh antara 10 s/d 90 % nilai akhir = sec Peak time ditempuh pada waktu sec dengan peak amplitudonya = 1.6 sys Time (sec) Gambar 3.7 Respon Step untuk Nilai = 18, Ki = dan Kd = Rise time waktu yang ditempuh antara 10 s/d 90 % nilai akhir = sec Peak time ditempuh pada waktu 0.176sec dengan peak amplitudonya = 1.09 Maksimum overshoot = ± 9.09 % Settling time = sec Model Penyelesaian Algoritma Genetika Sebelum memasuki pokok penelitian ada baiknya untuk mengetahui perbedaan antara metoda Algoritma genetika dengan metoda Ziegle-Nichols. Mengapa demikian karena akan membantu memahami mengapa GA jadi lebih efisien dibanding metoda ZN. Algoritma genetika pada hakekatnya berbeda pada teknik optimisasi dan pencarian. Ada lima perbedaan utama adalah: 1. Algoritma Genetika mencari suatu populasi poinpoin secara paralel, bukan dari poin tunggal. 2. Algoritma Genetika tidak memerlukan informasi derivative atau alat bantu pengetahuan lain, hanya objective function dan tingkatan fitness mempengaruhi arah pencarian. 3. Algoritma Genetika menggunakan aturan transisi probabilistik, bukan aturan deterministik. 4. Algoritma Genetika bekerja pada suatu pengkodean dari suatu parameter tidak menetapkan parameternya sendiri ( kecuali jika individu realvalued digunakan). 5. Algoritma Genetika boleh menyediakan sejumlah solusi potensi ke masalah ditentukan dan pilihan dari akhir diserahkan ke pemakai. Model penyelesian permasalahan modeling motor DC menggunakan algoritma genetika adalah dengan mentuning gain Kp, Ki dan Kd untuk menghasilkan nilai system requirment untuk maximum overshot, rise-time, setling-time dan mean square error dengan menggunakan spesifikasi sebagai berikut :
3 System specification Tabel 4.1 Spesifikasi sistem yang akan dicari Maximum Risetime(sec) overshoot (%) Settlingtime(sec) 10 < 0.08 < 0.25 Dengan ditentukan spesifikasi sistem yang dicari harus lebih baik dari hasil perhitungan ZN, maka perlu adanya perhitungan baru yang dapat menghasilkan nilai tuning parameter yang lebih baik lagi. Diagram proses GA untuk mentuning parameter PID pada plan motor DC terlihat pada gambar 4.1 dan gambar 4.2 untuk desain kontrol GA-PID. input t + - error Inisialisasi Populasi Dekodekan Kromosom Gambar 4.1 Proses Algoritma Genetika Genetik Algorti ma Evaluasi Individu Linier Fitness Ranking Roulette Wheel Pindah Silang Mutasi Optimum Solusi Kontrol PID Non Optimum Solusi Gambar 4.2 Desain sistem kontrol GA-PID pada motor DC output Inisialisasi Populasi : Tujuan dari fungsi ini adalah membangkitkan sebuah populasi yang berisi sejumlah kromosom. Setiap kromosom berisi sejumlah gen. Masukan untuk fungsi ini adalah sejumlah kromosom dan jumlah gen.pada kode program, nama fungsi dinyatakan oleh InisialisasiPopulasi. Masukan untuk fungsi tersebut adalah UkPop yang menyatakan ukuran populasi (jumlah kromosom dalam populasi), dan JumGen yang menyatakan jumlah gen dalam suatu kromosom. Sedangkan keluaran dari fungsi tersebut adalah variabel populasi, berupa matrik dua dimensi Kp Ki Kd Motor DC berukuran UkPop x JumGen yang bernilai biner (0 dan 1) Dekodekan Kromosom : Fungsi ini bertujuan mendekodekan sebuah kromosom yang berisi bilangan biner menjadi individu x yang bernilai real dalam interval yang diinginkan. Proses pendekodean dilakukan berdasarkan persamaan : dimana N adalah jumlah gen dalam kromosom (panjang kromosom). Pada fungsi ini istilah kromosom mengacu pada vektor baris yang berisi bilangan biner, sedangkan individu mengacu pada variabel x yang berisi bilangan real. Kedua istilah ini akan terus dipakai secara konsisten. sebuah matrik berukuran 1 x JumGen atau biasa dikenal sebagai vektor baris. Nvar adalah jumlah variabel yang terdapat pada fungsi yang dioptimalkan. Sedangkan Nbit adalah jumlah bit yang digunakan untuk mengkodekan satu variabel. Ra adalah batasan atas interval, sedangkan Rb adalah batas bawah interval. Keluaran dari fungsi ini adalah x, yaitu sebuah individu yang bernilai real dalam interval [Ra,Rb]. Jika Nvar sama dengan 3 dan Nbit sama dengan 10, maka individu x terdiri dari tiga kolom, x(1), x(2) dan x(3). Dengan skema ini, x(1) adalah hasil dekode dari kromosom(1) sampai kromosom(10). x(2) adalah hasil dekode dari kromosom (11) sampai kromosom(20), sedangkan x(3) adalah hasil dekode dari kromosom(21) sampai kromosom(30). Evaluasi Individu : Fungsi ini bertujuan untuk menghitung nilai fitness dari suatu individu x. Fungsi ini sangat bergantung pada masalah yang akan diselesaikan. Kode program berikut ini digunakan khusus untuk menyelesaikan masalah minimasi untuk fungsi h dalam hal ini yang dicari pada fungsi fitness adalah mean square error. Karena tujuannya adalah minimasi, maka nilai fitness yang digunakan adalah f = 1 / ((h + a) dimana h adalah fungsi yang diminimasi, dan a adalah sebuah bilangan yang dianggap cukup kecil untuk menghindari pembagian dengan 0. Pada fungsi fitness tersebut, a direpresentasikan oleh bilangan kecil (BilKecil). Untuk menjaga agar individu bernilai fitness tidak hilang selama evolusi, maka perlu dilakukan posedur elitisme, dengan cara membuat satu atau dua kopi dari individu bernilai fitness tertinggi tersebut. Pada kode program elitisme ini dilakukan suatu prosedur pencarian individu bernilai fitness tertinggi dan terendah yang disimpan sebagai variabel MaxF dan MinF. Sedangkan indeks dari individu berniali tertinggi disimpan dalam variabel IndeksIndividuTerbaik. Agar tidak tertimpa, populasi baru tersimpan di dalam variabel TemPopulasi. Elitisme dilakukan dengan mengkopi satu atau dua individu terbaik dari populasi dan disimpan dalam TemPopulasi.
4 Linier Fitness Rangking : Untuk menghindari kecenderungan konvergen pada optimum lokal, maka digunakan penskalaan nilai fitness seperti pada persamaan : Sehingga diperoleh nilai fitness baru yang lebih baik, yaitu memiliki variasi tinggi. Penentuan nilai fitness sangat berpengaruh pada performansi AG secara keseluruhan. Fungsi sort sudah tersedia di Matlab, digunakan untuk mengurutkan nilai fitness dari kecil ke besar (ascending). Variabel SF berisi nilai-nilai fitness hasil pengurutan, sedangkan IndF berisi indeks dari nilai-nilai fitness tersebut. Roulette-Wheel : Fungsi roulette-wheel secara sederhana diimplementasikan. Sebuah perintah yang sudah tersedia dalam Matlab, sum digunakan untuk menjumlahkan semua nilai pada vektor linear fitness. Perintah break digunakan untuk keluar dari suatu pengulangan for atau while. Keluaran dari fungsi ini adalah Pindex yaitu indeks dari individu yang terpilih sebagai orang tua. Gambar 4.3 Respon PID dengan Populasi 20 Dari gambar diatas, analisa respon sistem secara detail diperoleh sebagai berikut : Peak amplitudo = 1.11 Overshot = 10.6% Settling-time = 6.97 Rise-time = sec Untuk ukuran populasi 40 respon yang diperoleh seperti pada gambar 4.4 : Pindah Silang : Sebuah bilangan antara 1 sampai JumGen dibangkitkan secara random dan disimpan dalam variabel TP. Variabel Anak(1,:) menyatakan anak baris ke-1 semua kolom. Baris 1 menunjukan kromosom anak pertama hasil pindah silang. Sedangkan semua kolom menunjukan bahwa kromosom anak tersebut berisi gen-gen gabungan dari bagian depan kromosom bapak dan bagian belakang kromosom ibu. Mutasi : Mutasi bisa terjadi secara random pada setiap gen dalam kromosom. Jika suatu bilangan random [0,1] yang dibangkitkan oleh perintah rand kurang dari probabilitas mutasi, maka gen yang bersesuaian akan diganti dengan nilai kebalikannya (nilai 0 dirubah 1 dan 1 dirubah 0). Dengan probabilitas sebesar Pmutasi (0.1), gen-gen yang terpilih dirubah nilainya 0 menjadi 1 dan 1 menjadi 0. Keluaran adalah mutasi kromosom. Hasil Kontroler Algoritma Genetika - PID Di bagian ini, hasil dari Algoritma Genetika diterapkan kontrol PID akan dianalisa. GA merancang kontrol PID pada awal inisialisasi dengan ukuran populasi 20 dan tanggapan menganalisa. Kemudian inisialisasi dengan ukuran populasi 40, dan 50. Tanggapan dari rancangan GA-PID akan dianalisa untuk nilai paling kecil melampaui, rise-time paling cepat, settling-time yang paling cepat, maximum overshor yang paling kecil yang akan dipilih. Dari respon berikut, rancangan GA-PID akan dibandingkan kepada metode ZN. Keunggulan GA terhadap metoda ZN metoda akan ditunjukkan. Berikut adalah plot rancangan GA-PID dengan ukuran populasi 20. Dari gambar 4.3, respon GA-PID akan dianalisa. Gambar 4.4 Respon PID dengan Populasi 40 Nilai respon yang diperoleh sebagai berikut : Peak amplitudo = 1.07 Overshot = 6.98% Settling-time = 2.2 Rise-time = 0.64 sec Pada saat ukuran populasi sama dengan 50, maka respon sistem dapat terlihat pada gambar 4.5 Nilai respon yang diperoleh sebagai berikut : Peak amplitudo = 1.06 Overshot = 5.74% Settling-time = 1.91 sec Rise-time = sec Dari rancangan dengan berbagai ukuran populasi tersebut dapat diambil kesimpulan bahwa dengan ukuran populasi yang lebih banyak akan dihasilkan nilai respon sisten yang lebih baik dari pada ukuran populasi yang nilainya kecil. Sehingga pada perancangan globalnya untuk algoritma genetik digunakan ukuran populasi 50.
5 Gambar 4.5 Respon PID dengan Populasi 50 Dengan demikian dihasilkan nilai tuning parameter kontrol PID yang optimal dengan hasil nilai rise-time, settling-time dan maximum overshot yang kecil dan bisa dibandingkan dengan hasil perhitungan/ respon sistem metode ZN. Performansi yang dibentuk dalam metoda Algoritma Genetika ini sebagai berikut : Tabel 4.1 Parameter Algoritma Genetika Proferti Algoritma Nilai Genetika Populasi 60 Jumlah Generasi 30 Indeks Mean Tuning ZN GA- PID 1 GA- PID 2 Performansi/Fitness Seleksi Square Error Roulette- Wheel Probabilitas Seleksi 0.05 Pindah Silang Uniform Crossover Mutasi Mutasi Uniform Probabilitas Mutasi 0.1 Tabel 4.2 Tabel Perbandingan Kp Ki Kd Maximum Overshoot Rise- Time Settlingtime Mean Square Error Dengan melakukan beberapa percobaan pada program GA ini didapat nilai optimum dari parameter kontroler GA-PID2 dengan nilai tertera pada tabel 4.2 diperoleh nilai parameter yang lebih kecil bila dibandingkan dengan nilai parametr ZN dan GA- PID1. Dengan demikian penggunaan metode GA- PID2 menghasilkan nilai optimum. Sedangkan proses dari program dapat dilihat pada gambar 4.6 Kesimpulan Respon yang dihasilkan pada rancangan kontroler PID dengan menggunakan ZN menghasilkan respon yang kurang optimal bila dibandingkan dengan metode GA-PID. Ini terlihat dengan perbandingan respon yang menggunakan rancangan GA-PID. Respon yang dibandingan antara rise-time,settlingtime,maximum overshot dan mean square error menunjukan perbandingan yang lebih baik antara metode ZN dan GA-PID1. Dan bila dibandingkan dengan metode GA-PID2, maka metode ZN dan GA- PID1 nilai parameternya lebih besar dibandingkan dengan metode GA-PID2. Hal ini akibat adanya perubahan parameter setingan pada program GA. Penunjukan besarnya populasi juga akan mempengaruhi performansi dari pada hasil perhitungan. Dengan besarnya nilai populasi akan menghasilkan parameter yang lebih baik lagi terbukti dengan mencoba memasukan ukuran populasi mulai dari nilai 20 sampai dengan nilai 50 terlihat perbaikan performansi pada nilai parameter rise-time, settlingtime, maximum overshoot, dan mean square error lebih bagus. Penggunaan seting parameter GA dengan menggunakan beberapa metode parameter juga mempengaruhi hasil performa respon keluaran seperti contohnya penggunaan probabilitas seleksi, metode seleksi atau juga probabilitas mutasi akan mempengaruhi hasilnya. Saran Perlu adanya penelitian lagi tentang penggunaan seting algoritma genetika pada penggunaan plan lainnya dan percobaan penggunan setingan dari berbagai metode. Dan perlu juga penggunaan metode ini dibandingkan dengan metode lain untuk membandingkan performansi apakah metode GA lebih baik dibanding metode lainnya dengan penggunaan plan yang sama. Perlu mencoba ukuran populasi yang lebih banyak dan merubah seting algoritma genetik agar proses runing tidak terlalu lama. Sehingga diharapkan menghasilkan performa yang lebih baik lagi dengan nilai rise-time, settling-time, maximum overshot dan mean square error lebih kecil lagi. Dan diharapkan penggunaan metode algortima genetika akan lebih sempurna. DAFTAR PUSTAKA David E. Goldberg, Genetic Algorithms in Search, Optimization and Machine Learning. The University of Alabama, Addison-Wesley Publishing Company Inc, 1989 K Ogata, Modern Control Systems, University of Minnesota, Prentice Hall, 1987 T. O..Mahony, C J Downing and K Fatla, Genetic Algorithm for PID Parameter Optimization: Minimizing Error Criteria, Process Control and Instrumentation July 2000, University of Stracthclyde, pg Chipperfield, A. J., Fleming, P. J., Pohlheim, H. and Fonseca, C. M., A Genetic Algorithm Toolbox for MATLAB, Proc. International Conference on Systems Engineering, Coventry, UK, 6-8 September, Q.Wang, P Spronck and R Tracht, An Overview Of Genetic Algorithms Applied To Control Engineering Problems, Proceedings of the Second International Conference on Machine Learning And Cybernetics, 2003.
Bambang Siswanto Pasca Sarjana Teknik Pengaturan
Bambang Siswanto 2208202004 Pasca Sarjana Teknik Pengaturan Latar Belakang Motor DC banyak dipakai pada proses industri Penggunaan kontroler PID pada motor industri Penggunaan metode Algoritma Genetik
Lebih terperinciLAMPIRAN A TABEL KONSTANTA UNTUK MOMEN DISTRIBUSI
71 LAMPIRAN A TABEL KONSTANTA UNTUK MOMEN DISTRIBUSI 72 73 74 LAMPIRAN B PROGRAM ALGORITMA CONTOH SEDERHANA 75 == Algoritma Genetika Standar (dengan grafis 2D) terdiri dari: 1. Satu populasi dengan UkPop
Lebih terperinciOPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN
OPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN MENGGUNAKAN ALGORITMA GENETIKA Azimatul Khulaifah 2209 105 040 Bidang Studi Sistem Tenaga Jurusan Teknik Elektro FTI ITS Dosen Pembimbing : Dosen
Lebih terperinciBAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Motor DC (Direct Current) Brushless atau disebut dengan Motor BLDC (Brushless Direct Current Motor) sangat banyak digunakan dalam berbagai macam aplikasi industri saat
Lebih terperinciperalatan-peralatan industri maupun rumah tangga seperti pada fan, blower, pumps,
1.1 Latar Belakang Kebutuhan tenaga listrik meningkat mengikuti perkembangan kehidupan manusia dan pertumbuhan di segala sektor industri yang mengarah ke modernisasi. Dalam sebagian besar industri, sekitar
Lebih terperinciBAB III PERANCANGAN DAN PEMBUATAN SISTEM
BAB III PERANCANGAN DAN PEMBUATAN SISTEM Pada bab ini menjelaskan tentang perancangan dan pembuatan sistem kontrol, baik secara software maupun hardware yang digunakan untuk mendukung keseluruhan sistem
Lebih terperinciSISTEM PENGATURAN MOTOR DC MENGGUNAKAN PROPOTIONAL IINTEGRAL DEREVATIVE (PID) KONTROLER
SISTEM PENGATURAN MOTOR DC MENGGUNAKAN PROPOTIONAL IINTEGRAL DEREVATIVE (PID) KONTROLER Nursalim Jurusan Teknik Elektro, Fakultas Sains dan Teknik, Universitas Nusa Cendana Jl. Adisucipto-Penfui Kupang,
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA HASIL SIMULASI. III, aspek keseluruhan dimulai dari Bab I hingga Bab III, maka dapat ditarik
BAB IV PENGUJIAN DAN ANALISA HASIL SIMULASI Pada bab ini akan dibahs mengenai pengujian control reheat desuperheater yang telah dimodelkan pada matlab sebagaimana yang telah dibahas pada bab III, aspek
Lebih terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih terperinciSISTEM KENDALI POSISI MOTOR DC Oleh: Ahmad Riyad Firdaus Politeknik Batam
SISTEM KENDALI POSISI MOTOR DC Oleh: Ahmad Riyad Firdaus Politeknik Batam I. Tujuan 1. Mampu melakukan analisis kinerja sistem pengaturan posisi motor arus searah.. Mampu menerangkan pengaruh kecepatan
Lebih terperinciSimulasi Control System Design dengan Scilab dan Scicos
Simulasi Control System Design dengan Scilab dan Scicos 1. TUJUAN PERCOBAAN Praktikan dapat menguasai pemodelan sistem, analisa sistem dan desain kontrol sistem dengan software simulasi Scilab dan Scicos.
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciTUGAS AKHIR RESUME PID. Oleh: Nanda Perdana Putra MN / 2010 Teknik Elektro Industri Teknik Elektro. Fakultas Teknik. Universitas Negeri Padang
TUGAS AKHIR RESUME PID Oleh: Nanda Perdana Putra MN 55538 / 2010 Teknik Elektro Industri Teknik Elektro Fakultas Teknik Universitas Negeri Padang PROPORSIONAL INTEGRAL DIFERENSIAL (PID) Pendahuluan Sistem
Lebih terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Metode Penelitian Metode yang digunakan oleh penyusun dalam melakukan penelitian skripsi ini antara lain: 1. Studi Pustaka, yaitu dengan cara mencari, menggali dan mengkaji
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI SKRIPSI
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI
Lebih terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
Lebih terperinciBAB III PEMBAHASAN. menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian
BAB III PEMBAHASAN Dalam bab ini akan dibahas mengenai pembentukan portofolio optimum menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian model Fuzzy Mean Absolute Deviation (FMAD)
Lebih terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciBAB I. PENDAHULUAN 1.1 Latar Belakang
BAB I. PENDAHULUAN 1.1 Latar Belakang Generator merupakan peralatan utama dalam proses pembangkitan tenaga listrik. Poin penting dalam menyuplai daya ke suatu sistem (beban). Proses pembangkitan tenaga
Lebih terperinci4. BAB IV PENGUJIAN DAN ANALISIS. pengujian simulasi open loop juga digunakan untuk mengamati respon motor DC
4. BAB IV PENGUJIAN DAN ANALISIS 4.1 Pengujian Open Loop Motor DC Pengujian simulasi open loop berfungsi untuk mengamati model motor DC apakah memiliki dinamik sama dengan motor DC yang sesungguhnya. Selain
Lebih terperinciBAB III PERANCANGAN DAN PEMBUATAN SISTEM. Gambar 3. 1 Diagram Blok Sistem Kecepatan Motor DC
BAB III PERANCANGAN DAN PEMBUATAN SISTEM Bab ini menjelaskan tentang perancangan dan pembuatan sistem kontrol, baik secara software dan hardware yang akan digunakan untuk mendukung keseluruhan sistem yang
Lebih terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
Lebih terperinciTabel 3.5 Kapasitas Aliran Air Q rata-rata setiap hari dari jam 00 sampai dengan jam05[pdam].
Tabel 3.5 Kapasitas Aliran Air Q rata-rata setiap hari dari jam 00 sampai dengan jam05[pdam]. Gambar 3.2 Panel Kontrol Pompa Air PDAM Karang Pilang II Surabaya. Formulasi Matematika Optimisasi Konsumsi
Lebih terperinciUJI PERFORMANSI PADA SISTEM KONTROL LEVEL AIR DENGAN VARIASI BEBAN MENGGUNAKAN KONTROLER PID
UJI PERFORMANSI PADA SISTEM KONTROL LEVEL AIR DENGAN VARIASI BEBAN MENGGUNAKAN KONTROLER PID Joko Prasetyo, Purwanto, Rahmadwati. Abstrak Pompa air di dunia industri sudah umum digunakan sebagai aktuator
Lebih terperinciBAB I PENDAHULUAN. Analisis penerapan Kontroler PID Pada AVR Untuk Menjaga Kestabilan Tegangan di PLTP Wayang Windu
BAB I PENDAHULUAN A. Latar Belakang Energi listrik merupakan kebutuhan yang sangat penting bagi umat manusia. Tanpa energi listrik manusia akan mengalami kesulitan dalam menjalankan aktifitasnya sehari-hari.
Lebih terperincipengendali Konvensional Time invariant P Proportional Kp
Strategi Dalam Teknik Pengendalian Otomatis Dalam merancang sistem pengendalian ada berbagai macam strategi. Strategi tersebut dikatakan sebagai strategi konvensional, strategi modern dan strategi berbasis
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir OPTIMASI KONTROLER PID BERBASIS ALGORITMA PARTICLE SWARM OPTIMIZATION UNTUK PENGENDALIAN KECEPATAN MOTOR INDUKSI TIGA FASE Oleh: Suhartono (2209 105 008) Pembimbing: Ir. Ali Fatoni,
Lebih terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
Lebih terperinciANALISIS PENERAPAN PID CONTROLLER PADA AVR (AUTOMATIC VOLTAGE REGULATOR)
ANALISIS PENERAPAN PID CONTROLLER PADA AVR (AUTOMATIC VOLTAGE REGULATOR) Indar Chaerah Gunadin Dosen Jurusan Teknik Elektro Universitas Hasanuddin Abstrak Perubahan daya reaktif yang disuplai ke beban
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam pembangkit tenaga listrik, kestabilan tegangan merupakan hal yang sangat penting untuk diperhatikan karena dapat mempengaruhi sistem tegangan. Ketidakstabilan
Lebih terperinciPENGOPTIMALAN UMPAN BALIK LINEAR QUADRATIC REGULATOR PADA LOAD FREQUENCY CONTROL MENGGUNAKAN PARTICLE SWARM OPTIMIZATION
PENGOPTIMALAN UMPAN BALIK LINEAR QUADRATIC REGULATOR PADA LOAD FREQUENCY CONTROL MENGGUNAKAN PARTICLE SWARM OPTIMIZATION Oleh : Febriana Kristanti NRP. 1208201011 Dosen Pembimbing : 1. Dr. Erna Apriliani,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciSIMULASI OPTIMASI PENEMPATAN KAPASITOR MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA PADA SISTEM TEGANGAN MENENGAH REGION JAWA BARAT
SIMULASI OPTIMASI PENEMPATAN KAPASITOR MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA PADA SISTEM TEGANGAN MENENGAH REGION JAWA BARAT Gahara Nur Eka Putra NRP : 1022045 E-mail : bb.201smg@gmail.com ABSTRAK
Lebih terperinciDesain PI Controller menggunakan Ziegler Nichols Tuning pada Proses Nonlinier Multivariabel
Desain PI Controller menggunakan Ziegler Nichols Tuning pada Proses Nonlinier Multivariabel Poppy Dewi Lestari 1, Abdul Hadi 2 Jurusan Teknik Elektro UIN Sultan Syarif Kasim Riau JL.HR Soebrantas km 15
Lebih terperinciPERANCANGAN SISTEM PENGENDALIAN PEMBAKARAN PADA DUCTBURNER WASTE HEAT BOILER (WHB) BERBASIS LOGIC SOLVER
PERANCANGAN SISTEM PENGENDALIAN PEMBAKARAN PADA DUCTBURNER WASTE HEAT BOILER (WHB) BERBASIS LOGIC SOLVER Oleh : AMRI AKBAR WICAKSONO (2406 100 002) Pembimbing: IBU RONNY DWI NORIYATI & BAPAK TOTOK SOEHARTANTO
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 1.1 Metode Pengasapan Cold Smoking Ikan asap merupakan salah satu makanan khas dari Indonesia. Terdapat dua jenis pengasapan yang dapat dilakukan pada bahan makanan yaitu hot smoking
Lebih terperinciAnalisis Pengaturan Kecepatan Motor DC Menggunakan Kontrol PID (Proportional Integral Derivative)
Vol. 2, 2017 Analisis Pengaturan Kecepatan Motor DC Menggunakan Kontrol PID (Proportional Integral Derivative) Rosalina *, Ibnu Qosim, Mohammad Mujirudin Program Studi Teknik Elektro, Fakultas Teknik Universitas
Lebih terperinciPENDAHULUAN. Latar Belakang. Tujuan Penelitian
PENDAHULUAN Latar Belakang Fungsi Cobb-Douglas dengan galat aditif merupakan salah satu fungsi produksi yang dapat digunakan untuk menganalisis hubungan antara hasil produksi dan faktor-faktor produksi.
Lebih terperinciDESAIN PENGATURAN PUTARAN MESIN DC MENGGUNAKAN PID (PROPORTIONAL INTEGRAL DERIVATIVE) DENGAN METODE ZIEGLER-NICHOLS
Desain Pengaturan Putaran Mesin DC Menggunakan PID-ZN..(M. Agil Haikal) DESAIN PENGATURAN PUTARAN MESIN DC MENGGUNAKAN PID (PROPORTIONAL INTEGRAL DERIVATIVE) DENGAN METODE ZIEGLER-NICHOLS Oleh : M. AGIL
Lebih terperinciL1-1 Universitas Kristen Maranatha
Langkah-langkah dalam Algoritma Genetika: 1. Buka Program Matlab. 2. Pada Command Window, ketik edit. 3. Pada Matlab Editor masukkan Inisialisasi Populasi dengan mengetikkan: %-----------------------------------------------------------------
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA HASIL SIMULASI
BAB IV PENGUJIAN DAN ANALISA HASIL SIMULASI Pada bab ini akan dijelaskan hasil analisa perancangan kontrol level deaerator yang telah dimodelkan dalam LabVIEW sebagaimana telah dibahas pada bab III. Dengan
Lebih terperinciRoot Locus A. Landasan Teori Karakteristik tanggapan transient sistem loop tertutup dapat ditentukan dari lokasi pole-pole (loop tertutupnya).
Nama NIM/Jur/Angk : Ardian Umam : 35542/Teknik Elektro UGM/2009 Root Locus A. Landasan Teori Karakteristik tanggapan transient sistem loop tertutup dapat ditentukan dari lokasi pole-pole (loop tertutupnya).
Lebih terperinciDESAIN KONTROL PID UNTUK MENGATUR KECEPATAN MOTOR DC PADA ELECTRICAL CONTINUOUSLY VARIABLE TRANSMISSION (ECVT)
DESAIN KONTROL PID UNTUK MENGATUR KECEPATAN MOTOR DC PADA ELECTRICAL CONTINUOUSLY VARIABLE TRANSMISSION (ECVT) Oleh : Raga Sapdhie Wiyanto Nrp 2108 100 526 Dosen Pembimbing : Dr. Ir. Bambang Sampurno,
Lebih terperinciPerancangan Sistem Kontrol PID Untuk Pengendali Sumbu Azimuth Turret Pada Turret-gun Kaliber 20mm
A512 Perancangan Sistem Kontrol PID Untuk Pengendali Sumbu Azimuth Turret Pada Turret-gun Kaliber 20mm Danu Wisnu, Arif Wahjudi, dan Hendro Nurhadi Jurusan Teknik Mesin, Fakultas Teknik Industri, Institut
Lebih terperinciKontrol PID Pada Miniatur Plant Crane
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Kontrol PID Pada Miniatur Plant Crane E. Merry Sartika 1), Hardi Sumali 2) Jurusan Teknik Elektro Universitas Kristen
Lebih terperinciBAB 4 SIMULASI DAN ANALISA
6 BAB 4 SIMULASI DAN ANALISA Pada bab ini akan dilakukan simulasi pembangkit dalam hal ini adalah sebuah model pembangkit pada gambar. yang menghasilkan gambar kurva terlihat pada gambar.4. Dan seperti
Lebih terperinciPenjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Jurnal Telematika, vol.9 no.1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-251 Penjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Lebih terperinciOptimisasi Penempatan Turbin Angin di Area Ladang Angin Menggunakan Algoritma Genetika
Optimisasi Penempatan Turbin Angin di Area Ladang Angin Menggunakan Algoritma Genetika Azimatul Khulaifah, Heri Suryoatmojo, ST, MT, Ph.D, Vita Lystianingrum Budiharto Putri, ST, M.Sc Jurusan Teknik Elektro
Lebih terperinciPEMBELAJARAN SISTEM KONTROL DENGAN APLIKASI MATLAB
Jurnal Teknika ISSN : 85-859 Fakultas Teknik Universitas Islam Lamongan Volume No. Tahun PEMBELAJARAN SISTEM KONTROL DENGAN APLIKASI MATLAB Affan Bachri ) Dosen Fakultas Teknik Prodi Elektro Universitas
Lebih terperinciPERANCANGAN KONTROLER PI ANTI-WINDUP BERBASIS MIKROKONTROLER ATMEGA 32 PADA KONTROL KECEPATAN MOTOR DC
Presentasi Tugas Akhir 5 Juli 2011 PERANCANGAN KONTROLER PI ANTI-WINDUP BERBASIS MIKROKONTROLER ATMEGA 32 PADA KONTROL KECEPATAN MOTOR DC Pembimbing: Dr.Ir. Moch. Rameli Ir. Ali Fatoni, MT Dwitama Aryana
Lebih terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI TRANSFER DAYA PADA SISTEM SENSOR GAS. Muthmainnah
TESIS PENEAPAN ALGOITMA GENETIK UNTUK OPTIMASI TANSFE DAYA PADA SISTEM SENSO GAS Muthmainnah 1108201008 DOSEN PEMBIMBING Dr. Melania Suweni Muntini, MT PENDAHULUAN Sensor gas yang sering ditemui dipasaran
Lebih terperinciKONTROL PROPORSIONAL INTEGRAL DERIVATIF (PID) UNTUK MOTOR DC MENGGUNAKAN PERSONAL COMPUTER
KONTROL PROPORSIONAL INTEGRAL DERIVATIF (PID) UNTUK MOTOR DC MENGGUNAKAN PERSONAL COMPUTER Erwin Susanto Departemen Teknik Elektro, Institut Teknologi Telkom Bandung Email: ews@ittelkom.ac.id ABSTRACT
Lebih terperinciBAB I PENDAHULUAN. jumlah ketersediaan yang semakin menipis dan semakin mahal, membuat biaya
BAB I PENDAHULUAN 1.1 Latar Belakang Pembangkit Listrik di Indonesia pada umumnya merupakan pembangkit listrik thermal. Kebutuhan pembangkit thermal terhadap bahan bakar fosil dengan jumlah ketersediaan
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Pada bab ini akan membahas tentang pemodelan perancangan sistem, hal ini dilakukan untuk menunjukkan data dan literatur dari rancangan yang akan diteliti. Selain itu, perancangan
Lebih terperinciLEMBAR PENGESAHAN HALAMAN PERNYATAAN HALAMAN UCAPAN TERIMA KASIH ABSTRAK DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN
DAFTAR ISI LEMBAR PENGESAHAN... i HALAMAN PERNYATAAN... ii HALAMAN UCAPAN TERIMA KASIH...iii ABSTRAK... v DAFTAR ISI... vii DAFTAR TABEL... x DAFTAR GAMBAR... xi DAFTAR LAMPIRAN... xiii BAB I PENDAHULUAN...
Lebih terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinciBAB IV ANALISIS KINERJA PENGENDALI
BAB IV ANALISIS KINERJA PENGENDALI Pada tahap ini akan diperlihatkan kinerja kinerja PML menggunakan simulasi[1] dan realisasi pada plant sesungguhnya yaitu manipulator. Pada tahap simulasi akan diperlihatkan
Lebih terperinciOptimasi Parameter Kontroler PID Berbasis Particle Swarm Optimization untuk Pengendalian Kecepatan Motor Induksi Tiga Fase
Optimasi Parameter Kontroler PID Berbasis Particle Swarm Optimization untuk Pengendalian Kecepatan Motor Induksi Tiga Fase Suhartono Jurusan Teknik Elektro, Fakultas Teknologi Industri Institut Teknologi
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM
IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra Jl. Siwalankerto 121-131,
Lebih terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
Lebih terperinciController. Fatchul Arifin
PID Controller Fatchul Arifin (fatchul@uny.ac.id) PID Controller merupakan salah satu jenis pengatur yang banyak digunakan. Selain itu sistem ini mudah digabungkan dengan metoda pengaturan yang lain seperti
Lebih terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Konsep Umum Optimasi Optimasi merupakan suatu cara untuk menghasilkan suatu bentuk struktur yang aman dalam segi perencanaan dan menghasilkan struktur yang
Lebih terperinciIV. PERANCANGAN SISTEM
SISTEM PENGATURAN KECEPATAN PUTARAN MOTOR PADA MESIN PEMUTAR GERABAH MENGGUNAKAN KONTROLER PROPORSIONAL INTEGRAL DEFERENSIAL (PID) BERBASIS MIKROKONTROLER Oleh: Pribadhi Hidayat Sastro. NIM 8163373 Jurusan
Lebih terperinciPENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA
PENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA Bagus Priambodo Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Mercu Buana e- mail : bagus.priambodo@mercubuana.ac.id
Lebih terperinciDosen Pembimbing : Hendro Nurhadi, Dipl. Ing. Ph.D. Oleh : Bagus AR
Dosen Pembimbing : Hendro Nurhadi, Dipl. Ing. Ph.D. Oleh : Bagus AR 2105100166 PENDAHULUAN LATAR BELAKANG Control system : keluaran (output) dari sistem sesuai dengan referensi yang diinginkan Non linear
Lebih terperinciRESPON SISTEM DITINJAU DARI PARAMETER KONTROLER PID PADA KONTROL POSISI MOTOR DC
RESPON SISTEM DITINJAU DARI PARAMETER KONTROLER PID PADA KONTROL POSISI MOTOR DC Dwiana Hendrawati Prodi Teknik Konversi Energi Jurusan Teknik Mesin Politeknik Negeri Semarang Jl. Prof. H. Sudarto, SH.,
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Dalam beberapa tahun terakhir ini, peranan algoritma genetika terutama untuk masalah optimisasi, berkembang dengan pesat. Masalah optimisasi ini beraneka ragam tergantung dari bidangnya. Dalam
Lebih terperinciOPTIMISASI KONTROL PID UNTUK MOTOR DC MAGNET PERMANEN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION
OPTIMISASI KONTROL PID UNTUK MOTOR DC MAGNET PERMANEN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION Muhammad Ruswandi Djalal 1, Rahmat 2 1,2 Jurusan Teknik Mesin, Program Studi Teknik Energi, Politeknik Negeri
Lebih terperinciOPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN 1907-5022 OPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK Manahan Siallagan, Mira Kania Sabariah, Malanita Sontya Jurusan Teknik
Lebih terperinciKONTROL KECEPATAN MOTOR DC MENGGUNAKAN PID KONTROLER YANG DITUNNING DENGAN FIREFLY ALGORITHM
Kontrol Kecepatan Motor DC Menggunakan PID..(.Machrus Ali) KONTROL KECEPATAN MOTOR DC MENGGUNAKAN PID KONTROLER YANG DITUNNING DENGAN FIREFLY ALGORITHM Oleh : Machrus Ali Teknik Elektro Universitas Darul
Lebih terperinciBAB I PENDAHULUAN. Motor listrik adalah mesin listrik yang mengubah energi listrik ke energi
BAB I PENDAHULUAN 1.1. Latar Belakang Motor listrik adalah mesin listrik yang mengubah energi listrik ke energi mekanik. Motor listrik merupakan salah satu realisasi dari kaidah gaya Lorentz. Apabila muatan
Lebih terperinciOPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG
OPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG Oleh : Ellys Kumala P (1107100040) Dosen Pembimbing Dr. Melania Suweni Muntini, MT JURUSAN
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup[1] Sistem kendali dapat dikatakan sebagai hubungan antara komponen yang membentuk sebuah konfigurasi sistem, yang akan menghasilkan
Lebih terperinciKENDALI KECEPATAN MOTOR DC DENGAN 4 KUADRAN. Skema konverter dc-dc 4-kuadran untuk pengendalian motor dc
KENDALI KECEPATAN MOTOR DC DENGAN 4 KUADRAN Konverter dc-dc 4-kuadran merupakan konverter dc-dc yang dapat bekerja secara bidirectional baik arus maupun tegangan kerjanya, sehingga sangat cocok untuk aplikasi
Lebih terperinciBAB III. Metode Penelitian
BAB III Metode Penelitian 3.1 Diagram Alir Penelitian Secara umum diagram alir algoritma genetika dalam penelitian ini terlihat pada Gambar 3.1. pada Algoritma genetik memberikan suatu pilihan bagi penentuan
Lebih terperinciPENERAPAN FUZZY LOGIC CONTROLLER UNTUK MEMPERTAHANKAN KESETABILAN SISTEM AKIBAT PERUBAHAN DEADTIME PADA SISTEM KONTROL PROSES DENGAN DEADTIME
PENERAPAN FUZZY LOGIC CONTROLLER UNTUK MEMPERTAHANKAN KESETABILAN SISTEM AKIBAT PERUBAHAN DEADTIME PADA SISTEM KONTROL PROSES DENGAN DEADTIME Mukhtar Hanafi Program Studi Teknik Informatika Fakultas Teknik
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP)
Abstrak PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP) Aulia Fitrah 1, Achmad Zaky 2, Fitrasani 3 Program Studi Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penggunaan energi listrik telah menjadi kebutuhan utama bagi industri hingga kebutuhan rumah tangga. Karena itu diperlukan suatu pembangkit tenaga listrik yang kontinu
Lebih terperinciMetode Algoritma Genetika dengan Sistem Fuzzy Logic untuk Penentuan Parameter Pengendali PID
32 Jurnal Rekayasa Elektrika Vol. 10, No. 1, April 2012 Metode Algoritma Genetika dengan Sistem Fuzzy Logic untuk Penentuan Parameter Pengendali PID Bhakti Yudho Suprapto dan Sariman Jurusan Teknik Elektro
Lebih terperinciTugas Mata Kuliah E-Bisnis REVIEW TESIS
Tugas Mata Kuliah E-Bisnis REVIEW TESIS Desain Algoritma Genetika Untuk Optimasi Penjadwalan Produksi Meuble Kayu Studi Kasus Pada PT. Sinar Bakti Utama (oleh Fransiska Sidharta dibawah bimbingan Prof.Kudang
Lebih terperinciPERANCANGAN SISTEM KESEIMBANGAN BALL AND BEAM DENGAN MENGGUNAKAN PENGENDALI PID BERBASIS ARDUINO UNO. Else Orlanda Merti Wijaya.
PERANCANGAN SISTEM KESEIMBANGAN BALL AND BEAM DENGAN MENGGUNAKAN PENGENDALI PID BERBASIS ARDUINO UNO Else Orlanda Merti Wijaya S1 Teknik Elektro, Fakultas Teknik, Universitas Negeri Surabaya e-mail : elsewijaya@mhs.unesa.ac.id
Lebih terperinciAplikasi Algoritma Genetika Untuk Merancang Fungsi Keanggotaan Pada Kendali Logika Fuzzy
Aplikasi Algoritma Genetika Untuk Merancang Fungsi Keanggotaan Pada Kendali Logika Fuzzy Hendry Setiawan, Thiang, Hany Ferdinando Jurusan Teknik Elektro, Universitas Kristen Petra Siwalankerto 121-131,
Lebih terperinciOptimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi
Optimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi Rahman Aulia Universitas Sumatera Utara Pasca sarjana Fakultas Ilmu Komputer Medan, Indonesia Rahmanaulia50@gmail.com Abstract
Lebih terperinciPERANCANGAN PENGENDALI POSISI LINIER UNTUK MOTOR DC DENGAN MENGGUNAKAN PID
PERANCANGAN PENGENDALI POSISI LINIER UNTUK MOTOR DC DENGAN MENGGUNAKAN PID Endra 1 ; Nazar Nazwan 2 ; Dwi Baskoro 3 ; Filian Demi Kusumah 4 1 Jurusan Sistem Komputer, Fakultas Ilmu Komputer, Universitas
Lebih terperinciPEMBELAJARAN PERANCANGAN SISTEM KONTROL PID DENGAN MENGGUNAKAN SOFTWARE MATLAB
ISSN : 1978-6603 PEMBELAJARAN PERANCANGAN SISTEM KONTROL PID DENGAN MENGGUNAKAN SOFTWARE MATLAB Ahmad Yani STT HARAPAN MEDAN E-mail : ahmad_yn9671@yahoo.com Abstrak Abstrak Pembelajaran sistem kontrol
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
Lebih terperinciTabel Data Pendistribusian Raskin di Wilayah Kota Yogyakarta. No Kecamatan Kelurahan Banyak Keluarga
Lampiran 1 Tabel Data Pistribusian Raskin di Wilayah Kota Yogyakarta Raskin No Kecamatan Kelurahan Banyak Keluarga Jumlah Beras (kg) 1 Tegalrejo Bener 266 3.990 2 Kricak 750 11.250 3 Karangwaru 377 5.655
Lebih terperinci1 BAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Mesin arus searah memiliki peranan penting di dalam dunia industri. Mesin-mesin tersebut banyak digunakan karena memiliki efisiensi yang tinggi dan karakteristik
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
Lebih terperinci