PROCEEDING SEMINAR TUGAS AKHIR JUNI

Abstrak— Hybrid Electric Vehicle (HEV’s) adalah kendaraan yang menggabungkan tenaga mesin pembakaran dalam (ICE) dan motor listrik yang menggunakan energi yang tersimpan dalam baterai. HEVs memberikan manfaat ekonomi bahan bakar yang tinggi dan emisi yang rendah bila dibandingkan dengan kendaraan konvensional. Sistem hibrida paralel, yang paling sering diproduksi pada saat ini, memiliki mesin pembakaran internal ( ICE ) dan sebuah motor listrik, jika bergabung secara parallel dalam satu sumbu , kecepatan di sumbu ini menjadi identik dan torsi yang dihasilkan semakin bertambah. Dengan tipe ini , daya yang dihasilkan menjadi lebih besar untuk mempertahankan kecepatan kendaraan yang disebut masalah regulator, sehingga HEV dianggap lebih baik daripada mesin konvensional yang menggunakan ICE saja. Dalam tugas akhir ini , Algoritma Genetika digunakan dalam kontroler Proportional - Integral - Derivatif untuk pengaturan kecepatan yang akan dilakukan di simulator Paralel Hybrid Electric Vehicle ( PHEV ) . Dengan menggunakan optimasi algoritma genetika pada kontroler PID diharapkan bisa mendapatkan parameter Kp , Ki dan Kd yang optimal serta penggunaan rem mekanik tidak memberikan efek pengurangan kecepatan HEV sehingga dapat mencapai kecepatan yang diinginkan . Dengan metode kontrol ini sinyal kesalahan dapat dikurangi menjadi 98,8 % pada beban yang berlebih pada kisaran 20-60 VDC beban nominal elektromagnetik rem.

Kata Kunci—Hybrid Electric Vehicle, Proportional Integral Derivative, Genetic Algorithm, Internal Combustion Engine, motor listrik

I. PENDAHULUAN

enggunaan bahan bakar minyak untuk kendaraan yang semakin meningkat menyebabkan semakin menurunnya stok bahan bakar minyak di dunia. Hal itu menyebabkan terjadinya krisis energi di dunia. Selain itu, semakin banyaknya penggunaan bahan bakar minyak pada kendaraan menyebabkan semakin meningkatnya polusi udara. Dalam upaya menanggulangi masalah ini maka diciptakan suatu kendaraan listrik hibrida (Hybrid Electric Vehicle atau HEV) yang merupakan jenis kendaraan yang menggabungkan sistem daya gerak mesin pembakaran dalam konvensional dengan sistem daya gerak listrik [1].

Pemberian powertrain listrik bertujuan untuk mendapatkan penghematan bahan bakar atau performa yang lebih baik daripada kendaraan konvensional.

Teknologi ini masih sulit diterapkan karena terdapat beberapa permasalahan dalam pembagian kerja antara ICE dan motor DC. Pembagian kerja pada HEV dibedakan berdasar konfigurasi sumber daya nya. Dalam Tugas Akhir ini HEV yang digunakan merupakan simulator jenis PHEV

dimana kinerja antara ICE dan motor DC dapat digunakan bersama ataupun sendiri-sendiri. Simulator HEV memadukan dua buah pembangkit torsi untuk menanggung beban yang terjadi, dimana ICE bertindak sebagai penggerak utama dan motor DC bertindak sebagai penggerak pembantu. Simulator PHEV yang telah dihasilkan pada penelitian sebelumnya terdiri dari mesin pemotong rumput sebagai ICE, motor DC paralel sebagai motor listrik, rem elektromagnetik sebagai beban pengereman. Permasalahan lain terjadi pada saat akselerasi atau pada saat terjadi penambahan beban berupa rem elektromagnetik pada motor bakar yang dapat mempengaruhi kinerja PHEV dan juga performansi kecepatan putarnya, permasalahan ini akan cepat merusak motor. [4][5]

Metode kontrol Proportional-Integral-Derivative (PID) digunakan untuk mengatur kecepatan motor listrik, sehingga dapat membantu ICE saat terjadi pembebanan yang dapat menurunkan kecepatan kendaraan. Untuk mendapatkan indeks performansi dan nilai kesalahan yang minimum dapat diperoleh dengan menentukan parameter Kp, Ki, Kd yang optimal berdasarkan Genetic Algorithm (GA). Metode tersebut diharapkan mampu mengatur motor listrik untuk mempertahankan kecepatan kendaraan saat respon mesin bakar ICE menurun sehingga PHEV dapat mencapai kecepatan yang diinginkan dengan adanya pembagian kerja antara kedua sumber penggerak [1].

II. DASARTEORI A. Hybrid Electriv Vehice (HEV) [4]

Hybrid Electric Vehicle (HEV) merupakan kendaraan yang menggunakan dua jenis teknologi untuk sumber tenaganya antara Internal Combustion Engine (ICE) yang menjadi sumber daya utama dan motor listrik yang lainnya berfungsi sebagai cadangan. Dalam situasi tertentu kendaraan mungkin menggunakan hanya satu sumber dan menggunakan yang lain dalam situasi yang berbeda.

TeknologiIni menghemat lebih banyak bahan bakar dan dapat mencapai jarak yang lebih jauh dibandingkan dengan kendaraan konvensional, sehingga dianggap sebagai solusi yang sangat menjanjikan untuk permasalahan krisis energi dan polusi udara khususnya pada daerah perkotaan.

Berdasarkan konfigurasinya HEV dapat dibagi menjadi tiga yaitu Series Hybrid Electric Vehicle (SHEV), Parallel Hybrid Electric Vehicle (PHEV), dan Series-Parallel Hybrid Electric Vehicle (SPHEV) dimana konfigurasi ini berpengaruh terhadap pembagian kerja antara dua motor yaitu ICE dengan motor DC sebagai sumber energi [3].

Pengaturan Kecepatan pada Parallel Hybrid Electric Vehicle (PHEV) Menggunakan Self Tuning Proportional

Integral Derivative Berdasarkan Genetic Algorithm

Ahmad Thonthowi, Rusdhianto Effendie A.K.

Jurusan Teknik Elektro, Fakultas Teknologi Indutri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia

e-mail: rusdhi@elect-eng.its.ac.id

P

a. SHEV, Sistem ini merupakan konfigurasi hybrid yang paling sederhana. ICE tidak terhubung secara langsung ke rangkaian kereta penggerak, tetapi generator listrik sebagai gantinya.

b. Pada konfigurasi PHEV, pembakaran di ruang mesin merupakan penghasil tenaga utama, sedangkan tenaga aki merupakan tenaga pendukung. Sistem ini menggunakan mesin pembakaran internal dan sebuah motor listrik untuk menggerakkan kendaraan. motor listrik juga berfungsi sebagai generator sehingga ketika motor listrik digunakan, aki tidak dapat melakukan pengisian, Pengisian aki hanya dapat dilakukan pada saat mobil tidak menggunakan tenaga listrik untuk bergerak, tetapi menggunakan tenaga yang dihasilkan dari pembakaran yang terjadi pada mesin [3].

c. Konfigurasi jenis SPHEV menggabungkan ICE dan motor listrik untuk langsung memutar roda pada saat terjadi perubahan kecepatan, dari kecepatan rendah ke tinggi, kendaraan dapat melaju meskipun hanya menggunakan tenaga listrik saja. Proses ini akan menghasilkan efisiensi yang besar.

B. Metode Identifikasi Strejc [5]

Identifikasi dengan menggunakan metode Strejc melakukan pendekatan pada sistem yang tidak stabil tanpa ada penundaan waktu dengan bantuan perhitungan waktu TU

dan TN yang didapat dari garis singgung yang dibuat bersinggungan dengan respon sistem yang ditunjukkan pada Gambar 1

Gambar 1. Respon Step Sistem dengan t1, t2, ti, TU, dan TN [7]

(1)

Berdasar nilai , perkiraan pendekatan dari permodelan sistem dapat ditentukan sebagai berikut:

a. Jika nilai , maka pada sistem dapat dilakukan pedekatan model orde ke-2 seperti pada (2).

( )

₍

)( ) (2)

dengan nilai dapat ditentukan dengan cara berikut:

1) Cari parameter t1 dengan mencari waktu pada saat respon sistem mencapai 72% dari (Gambar 1), lalu tentukan jumlah dari menurut (3).

(3)

2) Tentukan parameter t2 dari (4).

( ) (4)

3) Temukan nilai dari y(t2) dari respon sistem menururt Tabel 1 dan tentukan rasio T untuk (5).

(5)

4) Tentukan nilai untuk dengan aturan (3) dan (5).

Tabel 1. Nilai Konstan Rasio T

Y(t2) T Y(t2) T

0,30 0,000 0,22 0,183 0,29 0,023 0,21 0,219 0,28 0,043 0,20 0,264 0,27 0,063 0,19 0,322 0,26 0,084 0,18 0,403 0,25 0,105 0,17 0,538 0,24 0,128 0,16 1,000 0,23 0,154

b. Jika nilai , maka pada sistem dapat dilakukan pendekatan model orde ke-n sperti pada Persamaan (6).

( )

₍

) (6)

dengan nilai dapat ditentukan dengan cara berikut:

1) Menentukan rasio seperti pada (1).

2) Berdasar pada nilai , temukan orde dari pendekatan model yang tepat dan koordinat titik yi yang merupakan titik singgung antara respon sistem dengan garis singgung yang tepat berdasar Tabel 2.

3) Berdasarkan yi, cari ti yang merupakan waktu saat respon sistem mencapai yi pada Gambar 1

4) Tentukan waktu konstan menurut (7).

(7)

Tabel 2. Taksiran dari Orde Ke-n dan Nilai Titik Singgung

n yi n yi n yi

2 0,014 0,264 5 0,41 0,371 8 0,642 0,401 3 0,218 0,327 6 0,493 0,384 9 0,709 0,407 4 0,319 0,359 7 0,57 0,394 10 0,773 0,413 C. Metode Kontrol Proportional-Integral-Derivative [6]

Sistem kontrol memiliki tujuan yaitu memperoleh sinyal aktual yang senantiasa sama dengan sinyal set point.

Semakin cepat reaksi sistem mengikuti sinyal set point dan semakin kecil kesalahan yang terjadi maka semakin baik kinerja sistem kontrol yang diterapkan. Akan dibahas mengenai teori kontroler yang akan digunakan dalam Tugas Akhir ini, yaitu Kontroler Proportional Integral Derivative (PID).

Untuk kontroler proporsional ditambah integral ditambah differensial, sinyal kesalahan e(t) merupakan masukan kontroler sedangkan keluaran kontroler adalah sinyal kontrol u(t). Hubungan antara masukan kontroler e(t) dan keluaran kontroler u(t) dapat dilihat pada Persamaan 8

       











  





^t

0 i d

p dt

t dt de

t 1 e t e K t

u 

 (8)

(2.43)

Atau dalam besaran transformasi Laplace pada Persamaan 9

 

s E

 

s

s 1 1 K s

U _d

p i 

 



  

 

 (9)

Dimana Kp adalah penguatan proporsional dan τi adalah waktu integral dan τd adalah waktu differensial.

Parameter Kp, , dan ketiganya dapat ditentukan sehingga fungsi alih kontroler proporsional ditambah integral ditambah differensial seperti pada Persamaan 10.

    ^ K _ ^{  } s ^{ s} _ ^{ } s

E s

U

d

i

p



 1 1

(10)

    s ^{K Ki Kd} E

s U

p

 



(11)

(2.45)

Diagram blok sistem kontrol PID ditunjukkan pada gambar 2:

Gambar 2. Diagram Blok PID

Untuk desain kontroler LQR, di mana pemilihan matriks bobot Q dan R berpedoman pada:

1. Semakin besar harga Q, maka akan semakin dekat dengan titik minimumnya

2. Semakin besar harga R, maka semakin kecil/minimum energy yang digunakan

Kontroler PID LQR merupakan kontroler optimal LQR yang digunakan untuk menentukan gain Kp, Ki, dan Kd pada kontroler PID.

 

^

_

^



^{ }



0

2 2

2 pu az

y u

J

(12)

J sebagai kriteria optimasi yang meminimumkan indeks performansi kuadratik yang direpresentasikan oleh:

 

^{  }



^t

0 i d

p K ydt

dt K dy y K t

u^* (13)

D. Genetic Algortihm [8]

Genetic Algorithm merupakan metode pencarian yang meniru cara evolusi biologi, dimana individu yang terkuatah yang akan bertahan ke generasi selanjutnya, akan digunakan untuk memperoleh nilai parameter yang optimal dari kontroler PID berupa Kp, Ki dan Kd . Urutan dari proses Algoritma Genetika adalah :

a. Inisialisasi populasi. Inisialisasi ini dilakukan secara random dan hanya satu kali saja sewaktu start pertama kali Algoritma Genetika . Inisialisasi ini menghasilkan populasi awal dengan jumlah chromosome yang sesuai dengan yang kita harapkan.

b. Evaluasi. Ini adalah proses menghitung nilai fitness dari masing-masing chromosome yang ada .

c. Seleksi. Melalui proses ini maka lahirlah genersi baru dimana chromosome diperoleh dari chromosome sebelumnya .

d. Crossover. Proses ini akan menghasilkan offspring yang berbeda dengan psrent/orang tuanya. Untuk proses ini dilakukan dengan mengambil parent secara berpasangan yaitu dua-dua dan akan menghasilkan offspring denganjumlah yang sama dengan parent . Proses Crossover dapat dijelaskan pada Gambar 3

Gambar 3 Proses Crossover dalam Algoritma Genetika e. Mutasi. Pada proses ini juga akan dihasilkan offspring dimana jumlahnya tergantung pada banyaknya bilangan random yang kurang dari probabilitas mutasinya (pm).

Proses Mutasi dapat dijelaskan dalam Gambar 5

Gambar 4 Proses Mutasi biner dalam Algoritma Genetika f. Evaluasi. Proses ini dilakukan kembali untuk menghitung fitness dari masing-masing chromosome.

g. Lakukan pengulangan kembali ke langkah b, bila kriteria berhenti sudah dicapai maka Algoritma Genetika ini sudah selesai. Setelah melakukan beberapa generasi, maka algoritma ini akan konvergen ke kromosom terbaik.

Flowchart dari Algoritma Genetika ditunjukkan pada Gambar 6

Gambar 6 Flowchart Algoritma Genetika

Evaluation Eval (Xk) = h (x11,x12, ...,

x1j,...,x2j,...,xij = Tck

Selection Z’ = [0,1]

Crossover

Mutation

Solution Min : TC’k Gen = Gen + 1

Gen = Max Gen Evaluation Eval (Xk) = h (x11,x12, ...,

x1j,...,x2j,...,xij = Tck Start

Stop Initial Population

Gen = 0 Xk

E. Self-Tuning PID

Karena nilai beban yang diberikan berubah-ubah maka akan digunakan parameter Kp , Ki, Kd sebagai fungsi V load saat implementasi pada sistem, Beban yang akan digunakan terdiri dari 5 macam Tegangan yang berbeda yaitu 20 VDC, 30 VDC, 40 VDC, 50 VDC dan 60 VDC, aturan yang diberikan adalah sebagai berikut :

Kp (n) = a1 + a2 Vload + a3 Vload2

Ki (n) = b1 + b2 Vload + b3 Vload2 (14) Kd (n) = c1 + c2 Vload + c3 Vload2

untuk Kp

[

]

[ ] ||

||

A a Kp A^TA [

] A^T K Sehingga [

] (A^TA)^-1 A^TKp

III. PERANCANGANSISTEM A. Simulator HEV [4]

Simulator pada tugas akhir ini merupakan gabungan antara ICE 2 tak dengan motor DC secara paralel untuk mengatur kecepatan pada saat menanggung beban. Saat ICE diberikan beban berlebih, maka kecepatan putar yang dihasilkan akan berkurang, sehingga motor DC sebagai penggerak tambahan akan membantu ICE untuk mencapai kecepatan putar yang diinginkan. Untuk menguji adanya efek beban pada sistem, maka diberikan rem elektromagnetik sehingga dapat diketahui respon sistem saat diberi efek beban berlebih. Dengan demikian dapat diketahui fungsi dari motor DC untuk membantu kinerja ICE sehingga dapat mencapai kecepatan putar yang diinginkan. Bentuk fisik simulator HEV yang telah dihasilkan pada penelitian sebelumnya [4] [5] ditunjukkan pada Gambar 7.

Gambar 7. Simulator HEV

Blok diagram dari sistem pengaturan HEV dapat dilihat pada Gambar 8

.

Gambar 8 Blok diagram pengaturan simulator HEV

B. Identifikasi Internal Combustion Engine (ICE) [5]

Identifikasi pada ICE dilakukan identifikasi open loop dengan sinyal masukan step dengan menggunakan metode strejc yang diberi beban berbeda, yaitu minimal, nominal, dan maksimal. Sinyal masukan step diberikan secara manual melalui pedal untuk ICE dan melalui auto transformator berupa tegangan DC untuk motor DC. . Pemilihan metode Strejc dilakukan setelah melakukan pengujian dan validasi dari respon open loop motor DC yang lebih stabil daripada respon ICE. Hasil respon plant yang terbaca oleh tacho generator, kemudian dikirimkan ke komputer melalui proses akusisi data oleh mikrokontroler Arduino untuk dapat ditampilkan dalam bentuk grafik pada MATLAB

Gambar 5. Hasil Identifikasi dan Pemodelan ICE

Identifikasi yang digunakan adalah pada pembebanan nominal, dimana pada permasalahan regulasi dengan asumsi akan diberikan beban pada motor bakar sehingga perlu diberikan bantuan dari motor DC.

Gambar 9. Respon ICE Beban Nominal

( )

( )

(15)

C. Identifikasi Motor DC [5] [7]

Permodelan analitik digunakan untuk mendapatkan model matematika dari plant motor DC yang hanya dilakukan dengan beban minimal atau tanpa beban dari ICE maupun rem magnetik, dengan cara melepas belt untuk menghubungkan gir kedua poros motor. Hasil permodelan untuk motor DC beban minimal dapat dilihat pada Gambar 10

0 1 2 3 4 5 6 7 8 9 10

0 100 200 300 400 500 600 700 800 900 1000 1100

waktu(s)

kecepatan(rpm)

Respon Pengukuran

0 1 2 3 4 5 6 7 8 9 10

0 100 200 300 400 500 600 700 800 900 1000 1100

waktu(s)

kecepatan(rpm

Set Point Respon Pemodelan Respon Pengukuran

Gambar 10 . Respon Kecepatan Motor DC

( )

( ) (13)

D. Perancangan Kontroler Proportional Integral Derrivative

Diberikan model matematika motor DC dari Persamaan 13 ( )

( )

representasi plant dalam state space dapat dibentuk sebagai berikut:

[ ̇ ̇ ̇ ] [

] [ ] [

]

[ ] [ ] [ ]

Untuk mencari parameter kontroler PID berupa Kp, Ki, Kd akan dibangkitkan populasi awal sebanyak empat populasi dengan dibangkitkan bilangan random berupa integer antara 1 – 100 yang akan melalui proses seleksi (Roulette wheel), crossover, dan mutasi.

IV. PENGUJIANDANANALISISSISTEM Pengujian yang dilakukan terhadap sistem bertujuan untuk melihat bagaimana kinerja motor DC sebagai penggerak pembantu pada Hybrid Electric Vehicle.

penelitian ini dilakukan dengan simulasi dan implementasi untuk melihat efek pembebanan berupa rem elektromagnetik pada sistem Hybrid Electric Vehicle.

Pengujian juga diperlukan untuk mengetahui performansi kontroler yang sudah dirancang dalam menyelesaikan masalah pada sistem, yaitu pada saat ICE diberi beban tanpa bantuan motor DC dan pada saat ICE diberi beban dengan dibantu motor DC menggunakan kontroler Proportional – Integral- Derivative. Hasil simulasi terlihat bahwa beban diberikan selama selang beberapa waktu, kemudian setelah beban dihilangkan respons ICE kembali ke nilai steady state, pemberian beban diberikan secara berkala dalam selang waktu 10 detik dan beban dihilangkan selama 10 detik juga seperti yang terlihat pada Gambar 4.6. Sedangkan untuk sinyal kesalahan karena tidak diberikan kontroler, maka sama dengan penurunan kecepatan putar ICE seperti pada Gambar 4.7.

Gambar 11. Respon ICE dengan Beban Yang Berubah

Gambar 12. Sinyal Kesalahan ICE dengan Beban Yang Berubah Berikut diberikan nilai parameter kontroler hasil dari pencarian Algoritma Genetik pada tabel 3

Tabel 4.2 Parameter Kontroler PID yang didapatkan menggunakan Algoritma Genetika

Tegangan

Beban (Volt) Kp Ki Kd

20 1,08 1 0.7589

30 1,12 1,025 0,783

40 1,2 1,083 0,84

50 1,56 1,31 1,06

60 1,72 1,414 1,17

Untuk beban 20 VDC didapat respon ICE, sinyal kesalahan dan sinyal kontrol sebagai berikut

Gambar 13. Respon Kecepatan Putar HEV dengan Kontroler PID Saat Beban 20 VDC

0 10 20 30 40 50 60 70 80 90 100

0 200 400 600 800 1000 1200 1400

Waktu (s)

Kecepatan (rpm)

Set Point Respon ICE Beban

0 10 20 30 40 50 60 70 80 90 100

-200 0 200 400 600 800 1000 1200

Waktu (s)

Kecepatan (rpm)

Sinyal Kesalahan

0 1 2 3 4 5 6 7 8 9 10

-200 0 200 400 600 800 1000 1200

Waktu(s)

Kecepatan (rpm)

Set Point Respon mesin Hybrid Respon ICE Desired Respon

0 1 2 3 4 5 6 7 8 9 10

0 200 400 600 800 1000 1200

Waktu (s)

Kecepatan (rpm)

Gambar 14. Sinyal Kesalahan dari sistem dengan beban 20 VDC

Gambar 15. Sinyal Kontrol Motor DC Saat Beban 20 VDC Pada implementasi sistem penggunaan kontroler PID, diharapkan mampu mempertahankan kecepatan ketika terjadi pembebanan, sehingga nilai dari respons sistem selalu mendekati nilai steady state. Kerja dari kontroler ini hanya ketika terjadi pembebanan saja

Gambar 16. Respon HEV pada saat Implementasi

V. KESIMPULAN

Berdasarkan hasil yang diperoleh dari pengujian dan analisis, didapat kesimpulan sebagai berikut:

a. Parameter Kontroler PID berupa Kp, Ki dan Kd yang optimal dapat dicari menggunakan Algoritma Genetika berdasarkan penerapan aturan tertentu yang sesuai

b. Kontroler PID mampu mengurangi sinyal kesalahan akibat adanya pembebanan berlebih yang diberikan pada sistem HEV

c. Terjadi kenaikan steady state error dengan bertambahnya besar beban yang diberikan pada ICE d. Pada simulasi dapat terlihat bahwa dengan

menggunakan kontroler PID, simulator HEV mampu mengurangi steady state error terhadap steady state set point nya pada saat terdapat beban yang menyebabkan

penurunan kecepatan motor DC yang terjadi hingga mencapai 2,2%.

e. Pada implementasi sistem, respon motor DC dengan Kontroer PID dapat membantu kinerja ICE pada simulator HEV, tetapi belum dapat mencapai performansi optimalnya. Respon masih memiliki steady state error terhadap set point nya, terutama saat rem elektromagnetik diberi tegangan sebesar 50 VDC dan 60 VDC.

DAFTAR PUSTAKA

[1] Japjeet Kaur, Piyush Saxena and Dr. Prena Gaur “Genetic Algorithm Based Speed Control of Hybrid Electric Vehicle” 2013 IEEE Conference, Department of Instrumentation and Control Engineering, Netaji Subhas Institut of Technology, New Delhi, India

[2] Momoh, Omonowo D., Omoigui, Michael O. “An Overview of Hybrid Electric Vehicle Technology”, IEEE, 978-1-4244-2601, September, 2009.

[3] Galih S.A.W, Desain dan Implementasi Kontroler Optimal Berbasis Neuro Fuzzy untuk Pengendalian Simulator Hybrid Electric Vehicle, Tugas Akhir, Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember, Surabaya, 2010.

[4] Wahyu Sriwidodo, Perancangan dan Implementasi Pengendalian Traksi Berbasis Neuro Fuzzy untuk Simulator Kendaraan Hybrid pada Mode Akselerasi, Tugas Akhir, Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember, Surabaya, 2010.

[5] Ing. Pavel Jakoubek, “Experimental Identification of Stabile Nonoscillatory Systems from Step-Responses by Selected Methods”, Konference Studenske Tvuurci-Cinnosti, 2009.

[6] Ogata,K. Modern Control Engineering 4^th Edition, Prentice Hall, 2002, New Jersey, USA

[7] Zuhal, Dasar Tenaga Listrik, 1991, Penerbit ITB, Bandung.

[8] Sri Kusumadewi, Hari Purnomo “Penyelesaian Masalah Optimasi dengan Teknik-teknik Heuristik”. Penerbit Graha Ilmu

0 1 2 3 4 5 6 7 8 9 10

0 0.2 0.4 0.6 0.8 1 1.2 1.4

Waktu(s)

Keceatan (rms)

Sinyal Kesalahan

0 1 2 3 4 5 6 7 8 9 10

0 20 40 60 80 100 120 140 160 180

Waktu(s)

Kecepatan (rpm)

Sinyal Kontrol

0 20 40 60 80 100 120

0 200 400 600 800 1000 1200 1400 1600 1800

Waktu (s)

Kecepatan (rpm)

Respon Mesin Hybrid Set Point