2 TEORI 1 PENDAHULUAN

(1)

1 Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS

PERANCANGAN SISTEM PENGENDALIAN KECEPATAN PUTAR

MOTOR INDUKSI MENGGUNAKAN KONTROLER NEURO PID

Moh. Muhaimin – 2206.100.200

Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember email : [email protected]

Abstrak-Pada pengoperasian motor induksi,

kecepatan motor berubah-ubah mengikuti perubahan beban, sehingga untuk mengatasi perubahan kecepatan diperlukan suatu kontroler. Kontroler konvensional yang sering digunakan adalah kontroler PID (proporsional integral derivatif). Kelemahan kontroler ini terletak pada penentuan parameter kontroler, Untuk mengatasi hal tersebut digunakan metode jaringan saraf tiruan (Artificial neural network). Kontroler PID akan dimodelkan menjadi jaringan saraf tiruan (Neuro PID), penentuan bobot melalui proses pembelajaran yang memenuhi fungsi kriteria, trayektori error minimum mengikuti respon waktu tertentu. Harga dari konstanta kontroler berubah mengikuti perubahan dinamika proses, sehingga sistem bersifat adaptif. Pada penelitian ini akan dirancang kontroler Neuro PID dan mengintegrasikan kontroler tersebut dengan plant motor induksi sehingga dihasilkan output plant menyerupai model yang diinginkan.

Kata Kunci : Artificial neural network, Motor

induksi 3 fasa, Speed Control, Neuro PID.

1 PENDAHULUAN

Perubahan kecepatan motor induksi dipengaruhi oleh berbagai macam faktor pengganggu, diantaranya perubahan beban [1,4]. Oleh karena itu, dibutuhkan suatu kontroler untuk menjaga kecepatan motor induksi tetap konstan. Selain itu, dengan tujuan menjaga kestabilan sistem, kontroler ini harus mampu bekerja secara effektif dan effisien pada setiap terjadinya perubahan beban. Kontroler PID merupakan closed loop control yang sering digunakan dalam proses kontrol, namun kontroler ini memiliki kelemahan dalam penentuan parameter yang sesuai ketika terjadi perubahan dinamika proses, sehingga kurang effektif dan effisien dalam penerapan dalam sistem kontrol.

Kontroller PID dapat dimodelkan menjadi struktur jaringan saraf tiruan (neural network), yang merupakan metode pengembangan dari salah satu kontrol cerdas (Artificial Inteligent). Pemodelan kontroler PID dalam neural network disebut kontroler

Neuro PID. Kontroler PID akan dimodelkan menjadi neural network dan konstanta dari parameter kontroler

dinyatakan sebagai bobot [2,7]. Dengan pemodelan

tersebut, kontroler bersifat adaptif. Pada tugas akhir ini akan dibahas metode pengendalian kecepatan motor induksi 3 fasa menggunakan kontroler Neuro PID.

2 TEORI

2.1 Konstruksi Motor Induksi 3 Fasa

Motor induksi 3 fasa merupakan motor AC (Alternating Current) asinkron, yang dicatu oleh arus bolak-balik pada statornya secara langsung. Sedangkan rotornya dicatu oleh imbasan atau induksi dari stator [1,4]. Motor induksi memiliki rotor yang tidak terhubung dengan sumber tegangan. Terdapat dua jenis rotor motor induksi yaitu rotor belitan (wound rotor) dan rotor sangkar (squirrel-cage rotor), jenis rotor yang digunakan dalam tugas akhir ini adalah rotor sangkar. Ciri khusus dari squirrel-cage rotor adalah ujung-ujung rotor terhubung singkat secara permanen [1]. Konstruksi motor induksi 3 fasa diperlihatkan pada gambar di bawah ini.

Gambar 2.1 Konstruksi motor induksi 3 fasa

2.2 Sistem Koordinat

Transformasi vektor adalah transformasi koordinat dari sistem koordinat stasioner tiga fasa menjadi sistem koordinat rotasi dua fasa dq0. Transformasi ini dilakukan dalam dua tahap yaitu :

1. Mentransformasikan sistem koordinat stasioner tiga fasa ke sistem koordinat dua fasa atau sistem koordinat αβ0. Biasanya disebut transformasi clarke.

2. Mentransformasikan sistem koordinat αβ ke sistem koordinat dq0 atau disebut transformasi park.

2.2.1 Transformasi Clarke

Dari sistem koordinat tiga fasa (abc) ke dua fasa ( αβ0) : ...(2.1)      2 - 3/                           c b a 1/2 1/2 1/2 2 /2 3 0 1/2 1/2 1 3 / 0 

(2)

2.2.2 Transformasi Park

Dari sistem koordinat αβ0 ke dalam sistem koordinat putar dq0 :

2 Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS ………...…(2.2)

Dengan menggabungkan kedua transformasi, didapat matrik transformasi dari tiga fasa abc ke dua fasa berputar dq0:                                    c b a c q d 1/2 1/2 1/2 ) 3 / 2 sin( ) 3 / 2 sin( sin -) 3 / 2 cos( ) 3 / 2 cos( os 3 / 2 0           ..(2.3)

2.3 Jaringan Saraf Tiruan

Kecerdasan buatan (artificial intelligen atau disingkat AI) merupakan suatu aplikasi yang meniru kecerdasan manusia untuk digunakan dalam mesin-mesin atau peralatan-peralatan cerdas. Konon katanya otak manusia memiliki 2 fungsi utama, yaitu fungsi berpikir dan fungsi belajar. Sejalan dengan fungsi otak manusia tersebut, maka AI juga dibagi menjadi 2 kelompok, yaitu AI yang meniru fungsi berpikir dan AI yang meniru fungsi belajar [3]. Contoh AI yang meniru fungsi belajar adalah neural

network (NN).

Jaringan saraf tiruan (JST), artificial neural

network (ANN), adalah jaringan dari sekelompok unit

pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia (JST). JST merupakan sistem adaptif, yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan [5].

Seperti halnya otak manusia, jaringan saraf tiruan juga terdiri dari beberapa neuron, dan ada hubungan antara neuron-neuron tersebut.

Neuron-neuron tersebut akan mentransformasikan informasi

yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan saraf, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut [3]. Gambar 3. menunjukkan struktur neuron pada jaringan saraf.

Gambar 2.2 Struktrur neuron

Jaringan input y_in pada neuron merupakan

penjumlahan dari perkalian neuron-neuron input dengan masing-masing pembobot yang bersesuaian, dimana :                          0 1 0 0 0 os sin -0 sin os 0       c c q d y in  xi.wi ………(2.4) Fungsi aktivasi sigmoid dari neuron Y (f(y_in))

diberikan sebagai fungsi input jaringannya (y_in) : ………(2.5)

3 PERANCANGAN SISTEM

Penelitian ini dilakukan dengan mengembangkan metodologi yang berbasis pada perancangan dengan uraian sebagai berikut:

1. Melakukan pemodelan sistem fisik motor induksi dengan model ’rekaan’ ke dalam bentuk matematis, hingga diperoleh sebuah fungsi alih motor induksi.

2. Merancang kontroler Neuro PID berdasarkan algoritma jaringan saraf tiruan (ANN), kemudian mengintegrasi dengan plant motor induksi.

3. Melakukan pengujian dengan menempatkan subsistem plant motor induksi terhadap kontroler

Neuro PID menggunakan Matlab 6.5 dan

Simulink. Pengujian terdiri dari pengujian pada sistem tanpa kontroler dan pengujian sistem dengan kontroler Neuro PID hasil perancangan, agar dapat diketahui apakah ada perbaikan spesifikasi keluaran sistem setelah diberi kontroler Neuro PID.

3.1 Pemodelan Sistem Motor Induksi

Pada bagian ini digunakan sebuah model tinjauan baku motor induksi.

3.1.1 Rangkaian Equivalen dan Parameter Motor Induksi

Motor induksi identik dengan transformator, dimana kumparan primer sebagai kumparan stator dan kumparan sekunder sebagai kumparan rotor. Dengan demikian, rangkaian ekuivalen motor induksi hampir sama seperti rangkaian pada transformator. Rangkaian ekuivalen perfasa motor induksi dapat dilihat pada gambar 3.1 dibawah ini. Dalam pembahasan kali ini, penurunan model matematis motor induksi dilakukan dalam sistem koordinat putar dq0.

Gambar 3.1 Rangkaian Equivalen MotorInduksi    

_

1 ( ) 1 exp( ) in in f y y   

(3)

3 Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS ds dr s dr



L .

i



M

.

i



qs qr s qr



L

.

i



M

.

i



3.1.2 Model Matematis Motor Induksi

Model matematika motor induksi diperoleh melalui proses analisa dinamik dari motor induksi. Berikut persamaan dasar motor induksi :

...(3.1) ...(3.2) ... (3.3) ...(3.4) dr

V

, = 0 karena jenis motor yang digunakan adalah motor squerrel caqe (rotor sangkar tupai).

qr

V

Persamaan medan putarnya adalah

dr ds s ds



L

.

i



M

.

i



………...(3.5) qr qs s qs



L

.

i



M

.

i



………(3.6) . …..………..…….(3.7) ...(3.8) Torsi elektromagnetiknya adalah

...(3.9) Sementara persamaan elektrodinamiknya adalah :

L T e T r B r r dt d r J   .   ……...(3.10) ...(3.11) ...(3.12)

Persamaan state space motor induksi 3 fasa sebagai berikut:

Persamaan dasar diatas dapat diimplementasikan bentuk SIMULINK seperti blok diagram dibawah ini :

Gambar 3.2 Subsistem motor induksi 3 fasa

3.1.3 Model Pembebanan Motor Induksi

Bentuk pembebanan motor induksi dinyatakan sebagai persamaan berikut [2,8]:

...(3.13)

Gambar 3.3 Model dinamik beban motor induksi Sedangkan persamaan torsi pada poros beban (damper beban) sebagai berikut:

...(3.14) Dengan mensubstitusikan persamaan (3.14) kedalam persamaan (3.13) diperoleh:

....(3.15) Persamaan (3.15) dapat diimplementasikan dalam SIMULINK seperti blok diagram dibawah ini :

Gambar 3.4 Blok diagram pembebanan motor induksi

3.1.4 Motor Induksi Squerrel Caqe (Sangkar Tupai) 3 Phase

Pada tugas akhir ini plant yang digunakan adalah motor induksi 3 fasa rotor sangkar dengan parameter sebagai berikut:

Tabel 1 Spesifikasi Fisis Motor Induksi Squerrel Caqe

V Tegangan sumber 380 Volt.

P Jumlah pole 2 -

fs Frekuensi stator 60 Hz

Jr Momen inersia stator 1.05e-5 Kg.m2

Rs Tahanan stator 176 Ohm

Rr Tahanan rotor 190 Ohm

Ls Induktansi stator 3.79 mH Lr Induktansi rotor 3.31 mH M Induktansi magnetik 3.21 mH Br Koefisien gesekan 1.49e-5 Nm/rad/s

ec

3.2 Kontroler Neuro PID

Secara umum kontroler PID kontinyu dalam bentuk kontroler PID diskrit sebagai berikut:

. d d R i L i M i ds s ds s ds dr V dt dt  . qs s qs s qs d d V R i L i M iqr dt dt 0 R i_r._dr L_r di_dr M d i_ds _r. .L i_r _qr _rM i._qs dt dt        0 r.qr r qr qs r. .r dr r .ds d d R i L i M i  L i M i      dt dt ) ( 2 / 3 pM i_dri_qs i_dsi_qr e T   p r n   2 60  ) ( ) (t _m t m dt d    Pada Beban Jm Jr n1 Pada Motor n2 ) ( _m d  )2(  2 1 m dt J m m B n n load    r dt d J r B d _ _  (   r d r r r load e      dt J B  .  τl τe Br τl* B r r m dt m J m m B n n e )2(    ) 2 1                                            qr i dr i qs i ds i x r L r R r L r s r s r L r s r L r R r s M M s s L s R s L s M s s L s s L s R Vqr Vdr Vqs Vds p ) -( pM )M -( ) -( p )M -( pM p p pM p            

(4)

4 Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS …...(3.16) …...(3.16) Dimana : Dimana :

Dengan mendelay dan mengurangkan persamaan (3.16), maka diperoleh persamaan berikut:

....(3.18) ....(3.18) Dimana: Dimana:

Dari persamaan (3.18) dapat dilihat bahwa kontroler PID dapat dimodelkan dalam bentuk neural

network:

Dari persamaan (3.18) dapat dilihat bahwa kontroler PID dapat dimodelkan dalam bentuk neural

network:

...(3.19) ...(3.19) Berdasarkan prosedur desain kontroler

Neural Network, kontroler Neuro PID memiliki 4

variabel input yaitu e(k), e(k-1), e(k-2) dan u(k-1). Dimana e(k) merupakan input relatif yang berasal dari

error antara setpoint dan sinyal keluaran, dan u(k))

adalah sinyal kontrol. Neural network diajarkan dengan cara menjalankan plant yang diberi input random dengan target output orde satu.

Berdasarkan prosedur desain kontroler

Neural Network, kontroler Neuro PID memiliki 4

variabel input yaitu e(k), e(k-1), e(k-2) dan u(k-1). Dimana e(k) merupakan input relatif yang berasal dari

error antara setpoint dan sinyal keluaran, dan u(k))

adalah sinyal kontrol. Neural network diajarkan dengan cara menjalankan plant yang diberi input random dengan target output orde satu.

Dengan memberikan input random pada

plant, diharapkan dapat mengajarkan neural network

sehingga robust terhadap perubahan input. Proses

learning dilakukan berdasarkan error relatif antara output plant real dan output sistem orde satu. Untuk hidden layernya, terdiri atas 2 layer, masing-masing

untuk hidden layer pertama memiliki 5 neuron dan

hidden layer kedua memiliki 2 neuron, sedangkan output plant memiliki 1 neuron yaitu masuk ke

tegangan dan frekuensi motor. Fungsi aktifasi yang akan digunakan pada hidden layernya adalah fungsi aktifasi linier, sedangkan pada output layernya menggunakan fungsi aktifasi sigmoid. Berikut struktur

Neuro PID:

Dengan memberikan input random pada

plant, diharapkan dapat mengajarkan neural network

sehingga robust terhadap perubahan input. Proses

learning dilakukan berdasarkan error relatif antara output plant real dan output sistem orde satu. Untuk hidden layernya, terdiri atas 2 layer, masing-masing

untuk hidden layer pertama memiliki 5 neuron dan

hidden layer kedua memiliki 2 neuron, sedangkan output plant memiliki 1 neuron yaitu masuk ke

tegangan dan frekuensi motor. Fungsi aktifasi yang akan digunakan pada hidden layernya adalah fungsi aktifasi linier, sedangkan pada output layernya menggunakan fungsi aktifasi sigmoid. Berikut struktur

Neuro PID:

Gambar 3.5 Struktur Neuro PID Gambar 3.5 Struktur Neuro PID

Berikut implementasi struktur Neuro PID dalam SIMULINK seperti blok diagram dibawah ini : Berikut implementasi struktur Neuro PID dalam SIMULINK seperti blok diagram dibawah ini :

Gambar 3.6 Blok diagram struktur Neuro PID Gambar 3.6 Blok diagram struktur Neuro PID

3.3 Estimasi kontroler Neuro PID 3.3 Estimasi kontroler Neuro PID

Dalam perhitungan mundur (backforward) sering terjadi error simulasi, hal ini dikarenakan proses revisi bobot untuk proses selanjutnya bergantung pada perubahan keluaran output kontroler sebelumnya. Dengan menggunakan metode atau pendekatan sistem linier, output kontroler dapat diprediksi sebagai masukan plant. Berikut analitik

estimasi output kontroler:

Dalam perhitungan mundur (backforward) sering terjadi error simulasi, hal ini dikarenakan proses revisi bobot untuk proses selanjutnya bergantung pada perubahan keluaran output kontroler sebelumnya. Dengan menggunakan metode atau pendekatan sistem linier, output kontroler dapat diprediksi sebagai masukan plant. Berikut analitik

estimasi output kontroler:

...(3.19) ...(3.19)

Karena dianggap sebagai sistem linier berlaku kausalitas:

Karena dianggap sebagai sistem linier berlaku kausalitas: ...(3.20) ...(3.20)

Mendelay persamaan (3.20) untuk

memperoleh u(k-2), u(k-3) kemudian dijadikan dalam bentuk matrik:

Mendelay persamaan (3.20) untuk

memperoleh u(k-2), u(k-3) kemudian dijadikan dalam bentuk matrik:  ….(3.21) ….(3.21)                                  3 2 1 2) -(k 1) -(k (k) 3) -(k 2) -(k 1) -(k 4) -(k 3) -(k 2) -(k ) 1 ( ) 2 ( ) 3 (    y y y y y y y y y k u k u k u                                   3 2 1 2) -(k 1) -(k (k) 3) -(k 2) -(k 1) -(k 4) -(k 3) -(k 2) -(k ) 1 ( ) 2 ( ) 3 (    y y y y y y y y y k u k u k u

Berikut integrasi plant motor induksi dan

kontroler Neuro PID yang diimplementasikan dalam MATLAB SIMULINK:

Berikut integrasi plant motor induksi dan

kontroler Neuro PID yang diimplementasikan dalam MATLAB SIMULINK:

Gambar 3.7 Blok integrasi plant dan kontroler

4. SIMULASI DAN ANALISA

Kontroler berperan dalam menstabilkan kecepatan pada saat diberi gangguan dengan cara menaikkan atau menurunkan besar tegangan kontrol sehingga dicapai batas kestabilan yang dikehendaki.

4.1

Identifikasi Sistem

4.1

Identifikasi Sistem

Identifikasi dilakukan untuk menguji validasi

plant, dengan memberikan sinyal step berupa

Identifikasi dilakukan untuk menguji validasi

plant, dengan memberikan sinyal step berupa

      K_IT kei T k e D K k e p K k) . ( ) ( ) () (  i u 0 ng timesampli T   ) 2 ( ) 1 ( ) ( . ₂ ₃ 1     K ek Kek Kek ) 1 ( ) (k  ku  u s T D K K₃  s T D K s T I K p K K₁   s T D K p K K₂ 2 )} 2 ( ) (k  u f{u(k1),e(k),e(k1),e k ) 1 ( ) 2 ( ) 1 ( ) ( 2 1      ayk a yk buk k y ) 2 (k y a k y a k y k u 2 ) 1 ( ) ( 1 ) 1 (    1   2 b b b ( ) 1 ( ) ( 1 ) 1 ( 3 2       yk yk yk k u    ) Wij e(k) z-1 Wjk e(k-1) u(k) z-1 Z-1 Wk e(k-2) u(k-1)

(5)

tegangan phase per phase 380 volt dan frekuensi 60 Hz. Dan memasukkan parameter yang telah didapat pada tabel 1. diperoleh grafik hasil identifikasi sebagai berikut:

5 Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS Gambar 4.1 Respon kecepatan plant motor induksi

Maksimum slip pada motor induksi antara 3-5 %: ns= 1800 rpm

Untuk menghasilkan maksimum slip 3 %, dilakukan dengan merubah parameter beban gesek (Bm), sehingga kecepatan rotor (rpm) turun menjadi

1746 rpm. Selanjutnya, akan dihitung effisiensi, daya

input dan output motor induksi dengan formula

sebagai berikut:

Untuk maksimum slip 3 % :

4.2 Fase Pembelajaran

Kontoler Neural Network merupakan

kontroler adaptif. Bobot , input dan output merupakan kondisi awal (initial condition) sangat mempengaruhi hasil learning keluaran plant terhadap output model. Berikut hasil learning dan bobot yang dihasilakan kontroler Neuro PID :

Gambar 4.2Respon learning neural network

Dari hasil simulasi yang telah dilakukan, pembobot (tabel 2) mengalami perubahan atau terupdate secara sendiri. Hal itu dikarenakan dinamika

plant mengikuti model referensi yang diberikan. Hasil

learning kecepatan motor induksi yang ditunjukkan

pada gambar 4.2, neural network dapat mengikuti model referensi, fase respon sudah sama dan dinamika respon dari sinyal kontrol sudah mengikuti dinamika

referensi. Tetapi, terdapat perbedaan atau selisih magnitud, untuk puncak terdapat offset 0.2. dan untuk

lembah terdapat offset 0.15.

0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0 500 1000 1500 2000 2500 Waktu (detik) Ke c e p a ta n ( R PM

) Tabel 2. Pembobot hasil learning dengan masukan sinus

Hasil learning pada gambar 4.2 dilakukan pengkajian ulang karena error simulasi dan waktu yang lama, dengan menambahkan estimasi didapatkan hasil learning kontroler dan plant terhadap model sebagai berikut:

\

Gambar 4.3 Respon learning neural network

Lamda=0.9,alpa=0.00005,epoh=1:100, error =0.0015

λ=0.4,α=0.00005,epoh=1:100, error =0.0050

Sedangkan keluaran dan estimasi keluaran kontroler sebagai berikut:

λ=0.9,α=0.00005,epoh=1:100, error =0.0004 wih ₁ ₂ ₃ ₄ ₅ 1 _{0.2234 0.1104 0.1181 0.1226 0.2015} 2 _{0.2229 0.1699 0.1622 0.3222 0.2009} 3 _{0.2238 0.0252 0.2509 0.1086 0.2079} 4 _{0.2113 0.1754 0.1686 0.1890 0.0898} woh ₁ ₂ ₃ ₄ ₅ 1 _{0.2617 0.2224 0.25000 0.2917 0.2742} % 100 x n r n s n S s   0 10 20 30 40 50 60 70 80 90 10 -1 -0.5 0 0.5 1 1.5 WAKTU OU T P U T p la n t output model output kontroler dan plant

 cos . . . 3 rms I rms V input P  P_output _e. 728 . 0 Watt 49 . 138  4109 . 0 7 . 268 3x x x  0.2152x152.4 Watt 779648 . 32  % 100 x input P output P effisiensi % 100 49 . 138 78 . 32 x  0 10 20 30 40 50 60 70 80 90 100 -1.5 -1 -0.5 0 0.5 1 1.5 waktu ou tp ut p la nt model plant % 6 . 23  0 10 20 30 40 50 60 70 80 90 100 -0.2 -0.1 0 0.1 0.2 0.3 waktu v al ue k ont rol er

output kontroler estimasi output kontroler

(6)

6 Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS Gambar 4.6 Respon learning neural network

λ=0.4,α=0.00005,epoh=1:100, error =0.0010

Dapat dilihat pada gambar 4.3 sampai 4.6 kontroler Neuro PID dan Plant dapat mengikuti model, meskipun terdapat perbedaan kecepatan (waktu) untuk mengikuti model. Perbedaan waktu

tunak atau lamanya mengikuti plant dipengaruhi oleh estimasi yang di hasilkan yaitu alfa [α1; α2; α3 ], pada

percobaan Respon learning neural network λ=0.9,α=0.00005,epoh 1:100, error 0.0004 didapatkan alfa [0.1864; 0.0250; -0.0004], sedangkan pada percobaan Respon learning neural network λ=0.4, α=0.00005, epoh=1:100, error 0.0010 didapatkan alfa [0.2121; 0.0019; -0.0022].

5 KESIMPULAN

Dari hasil perancangan sistem pengendalian kecepatan putar motor induksi 3 fasa rotor sangkar menggunakan kontroler Neuro PID, dapat diambil kesimpulan sebagai berikut :

1. Dalam simulasi kontroler Neuro PID menggunakan backpropagation, pemilihan bobot awal menjadi hal yang penting untuk mencegah

error lokal (error blok simulasi), sehingga dapat

membantu hasil learning kontroler dan plant mendekati keadaan sebenarnya.

2. Dalam mencari perbaikan pemberat harus dilakukan berulang-ulang sampai didapatkan pemberat yang baru, yaitu dengan merubah nilai

gain dan learning rate serta epoh.

3. Dengan menggunakan estimasi kontroler dan plant dapat lebih cepat mengejar target yang diinginkan dengan nilai gain rate 0.9, learning

rate 0.00005, epoh 1:100, error plant 0.0015, error estimasi kontroler 0.0004 dan parameter

estimasi alfa [0.1864; 0.0250; -0.0004].

6. DAFTAR PUSTAKA

[1] Zuhal, “ Dasar Tenaga Listrik “, ITB Bandung, 1997

[2] Yugi, L., “ Perancangan dan Simulasi pengaturan kecepatan Motor Induksi 3 fasa dengan menggunakan metode “ Inversion- Based Nonlinier Controllers for SISO System “ ,“. Tugas Akhir, Jurusan Teknik Elektro, FTI-ITS, Surabaya, 2003.

[3] Mirza Ada Hananto, “ Perbedaan Beberapa metode Algoritma JST untuk Pengenalan Pola Gambar”, Tugas Akhir, Jurusan Teknik Elektro ITS, Surabaya,1996.

[4] Rameli Mochammad, “ Pengemudian Mesin Listrik”, Diktat kuliah Teknik Sistem Pengaturan, jurusan Teknik Elektro FTI ITS, Surabaya, Versi 2009.

0.5

0 10 20 30 40 50 60 70 80 90 10 [5] Effendi Rusdhianto AK, “ Sistem Pengaturan

cerdas “, Diktat Kuliah ITS, Surabaya, 2009. [6] Ogata Katsuhira, “ Teknik Kontrol Automatik

“, Alih Bahasa Edi leksamana, ITB, Erlangga, 1994.

[7] Siang, Jong jek, Msc,” Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan

Matlab”, ANDI, Jakarta, 2005.

[8] A.B. Proca, A. Keyhani, Induction Motor

Parameter Identification, 1999

7. RIWAYAT PENULIS

Moh. Muhaimin dilahirkan di

kota Lamongan, Jawa Timur pada tanggal 04 Maret 1988 yang merupakan anak laki-laki satu-satunya dan anak keempat dari lima bersaudara dari pasangan Bapak Kasmari dan Ibu Maria (almarhum) yang bertempat tinggal di Jalan Dukuhtungggal II RT.02 RW.03 No.88 Glagah Lamongan.

0 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 uk estimasi uk out put k ont rol er waktu