Peramalan RPM terhadap Tegangan dan Arus
LAPORAN JARINGAN SAFAR TIRUAN
PADA PERAMALAN RPM TERHADAP TEGANGAN DAN ARUS
MENGGUNAKAN METODE FEED-FORWARD BACKPROPAGATION
BERBASIS ARTIFICIAL NEURAL NETWORK
Nama : Nuharizka Intan Fauziyah
NIM :141910201087
Mata kuliah : Sistem Kendali Cerdas
JURUSAN TEKNIK ELEKTRO STRATA 1
FAKULTAS TEKNIK
UNIVERSITAS JEMBER
2016
PERAMALAN RPM TERHADAP TEGANGAN DAN ARUS
MENGGUNAKAN METODE FEED-FORWARD BACKPROPAGATION
BERBASIS ARTIFICIAL NEURAL NETWORK
A. Landasan Teori
Rotary per minute atau revolution per minute ( revolusi per menit ) atau biasa disingkat
dengan RPM. Umumnya, RPM tersebut digunakan oleh kendaraan bermotor seperti motor
dan mobil. Angka yang ditunjukkan dengan berapa kali putaran ( revolusi ) poros engkol atau
crank shaft mesin dalam hitungan waktu satu menit.
Pada motor DC berlaku persamaan-persamaan berikut :
V = E+IaRa, E = C n Ф, n =E/C.Ф
Dari persamaan-persamaan diatas didapat :
n = (V-Ra.Ra) / C.Ф
dengan:
n = Jumlah putaran (rpm)
V = tegangan jepit (V)
Ia = Arus jangkar (A)
Ra = Hambatan Jangkar (Ohm)
C = Konstanta motor
Sehingga dengan memperhatikan persamaan tersebut, putaran motor akan dipengaruhi
oleh tegangan motor, arus jangkar, tahanan jangkar dan medan magnet. Jika salah satu
besaran diabuat variabel dengan besaran lain tetap maka banyaknya putaran akan sebanding
dengan besarnya besaran tersebut.
Dengan demikian jika tegangan dibuat variabel dan besaran lainya dibuat tetap maka,
besarnya tegangan akan berbanding lurus dengan kecepatan putaran. Untuk mendapatkan
putaran rendah diberi tegangan rendah dan untuk mendapatkan putaran tinggi tegangan harus
tinggi. Dengan demikian, masalah yang harus diselesaikan pada rangkaian pengemudi motor
adalah bagaimana membuat tegangan output dapat bervariasi (dapat diatur mulai dai 0 Volt
hingga tegangan maksimum secara linier).
B. Data yang digunakan
Data yang akan digunakan oleh penulis merupakan data pengujian yang telah dilakukan
oleh mahasiswa tingkat akhir dan yang juga digunakan untuk tugas akhir beliau, namun di
sini penulis hanya menggunakan 200 data dari 700 data pengujian RPM.
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
Input
RPM
256
255,95
255,9
255,85
255,8
255,75
255,7
255,65
255,6
255,55
255,5
255,45
255,4
255,35
255,3
255,25
255,2
255,15
255,1
255,05
255
254,95
254,9
254,85
254,8
254,75
254,7
254,65
254,6
254,55
254,5
254,45
254,4
254,35
254,3
254,25
254,2
254,15
Output
Arus Tegangan
1,68
52,25
1,6812 52,26041
1,6824
52,2708
1,6836 52,28118
1,6848 52,29155
1,686
52,3019
1,6872 52,31223
1,6884 52,32255
1,6896 52,33286
1,6908 52,34315
1,692 52,35343
1,6932 52,36369
1,6944 52,37394
1,6956 52,38417
1,6968 52,39439
1,698 52,40459
1,6992 52,41478
1,7004 52,42496
1,7016 52,43512
1,7028 52,44527
1,704
52,4554
1,7052 52,46552
1,7064 52,47562
1,7076 52,48571
1,7088 52,49579
1,71 52,50585
1,7112
52,5159
1,7124 52,52593
1,7136 52,53595
1,7148 52,54595
1,716 52,55594
1,7172 52,56592
1,7184 52,57588
1,7196 52,58583
1,7208 52,59577
1,722 52,60569
1,7232
52,6156
1,7244 52,62549
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
254,1
254,05
254
253,95
253,9
253,85
253,8
253,75
253,7
253,65
253,6
253,55
253,5
253,45
253,4
253,35
253,3
253,25
253,2
253,15
253,1
253,05
253
252,95
252,9
252,85
252,8
252,75
252,7
252,65
252,6
252,55
252,5
252,45
252,4
252,35
252,3
252,25
252,2
252,15
1,7256
1,7268
1,728
1,7292
1,7304
1,7316
1,7328
1,734
1,7352
1,7364
1,7376
1,7388
1,74
1,7412
1,7424
1,7436
1,7448
1,746
1,7472
1,7484
1,7496
1,7508
1,752
1,7532
1,7544
1,7556
1,7568
1,758
1,7592
1,7604
1,7616
1,7628
1,764
1,7652
1,7664
1,7676
1,7688
1,77
1,7712
1,7724
52,63537
52,64524
52,65509
52,66493
52,67476
52,68457
52,69437
52,70415
52,71392
52,72368
52,73343
52,74316
52,75287
52,76258
52,77227
52,78195
52,79161
52,80126
52,8109
52,82052
52,83013
52,83973
52,84932
52,85889
52,86845
52,87799
52,88752
52,89704
52,90655
52,91604
52,92552
52,93499
52,94444
52,95389
52,96332
52,97273
52,98213
52,99153
53,0009
53,01027
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
252,1
252,05
252
251,95
251,9
251,85
251,8
251,75
251,7
251,65
251,6
251,55
251,5
251,45
251,4
251,35
251,3
251,25
251,2
251,15
251,1
251,05
251
250,97
250,94
250,91
250,88
250,85
250,82
250,79
250,76
250,73
250,7
250,67
250,64
250,61
250,58
250,55
250,52
250,49
250,46
250,43
250,4
250,37
1,7736
1,7748
1,776
1,7772
1,7784
1,7796
1,7808
1,782
1,7832
1,7844
1,7856
1,7868
1,788
1,7892
1,7904
1,7916
1,7928
1,794
1,7952
1,7964
1,7976
1,7988
1,8
1,8017
1,8034
1,8051
1,8068
1,8085
1,8102
1,8119
1,8136
1,8153
1,817
1,8187
1,8204
1,8221
1,8238
1,8255
1,8272
1,8289
1,8306
1,8323
1,834
1,8357
53,01962
53,02896
53,03829
53,0476
53,05691
53,06619
53,07547
53,08474
53,09399
53,10323
53,11246
53,12167
53,13087
53,14006
53,14924
53,15841
53,16756
53,1767
53,18583
53,19495
53,20405
53,21314
53,22222
53,19143
53,1607
53,13002
53,0994
53,06884
53,03834
53,00789
52,9775
52,94717
52,9169
52,88668
52,85652
52,82641
52,79636
52,76637
52,73643
52,70654
52,67672
52,64695
52,61723
52,58757
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
C.
250,34
250,31
250,28
250,25
250,22
250,19
250,16
250,13
250,1
250,07
250,04
250,01
249,98
249,95
249,92
249,89
249,86
249,83
249,8
249,77
249,74
249,71
249,68
249,65
249,62
249,59
249,56
249,53
249,5
249,47
249,44
249,41
249,38
249,35
249,32
249,29
249,26
249,23
249,2
249,17
249,14
249,11
249,08
249,05
1,8374
1,8391
1,8408
1,8425
1,8442
1,8459
1,8476
1,8493
1,851
1,8527
1,8544
1,8561
1,8578
1,8595
1,8612
1,8629
1,8646
1,8663
1,868
1,8697
1,8714
1,8731
1,8748
1,8765
1,8782
1,8799
1,8816
1,8833
1,885
1,8867
1,8884
1,8901
1,8918
1,8935
1,8952
1,8969
1,8986
1,9003
1,902
1,9037
1,9054
1,9071
1,9088
1,9105
52,55796
52,52841
52,49891
52,46947
52,44008
52,41075
52,38147
52,35224
52,32307
52,29395
52,26488
52,23587
52,20691
52,178
52,14915
52,12035
52,0916
52,06291
52,03426
52,00567
51,97713
51,94864
51,9202
51,89182
51,86349
51,8352
51,80697
51,77879
51,75066
51,72258
51,69456
51,66658
51,63865
51,61077
51,58295
51,55517
51,52744
51,49976
51,47213
51,44456
51,41703
51,38954
51,36211
51,33473
D. Pengujian Data
Setelah membuat Artificial Neural Network pada MATLAB, penulis melakukan
pengujian pada data untuk memastikan bahwa sistem yang telah dibuat sudah cerdas. Akan
tetapi penulis tidak melakukan pengujian pada seluruha data yang dimasukkan. Sehingga
diperoleh data 15 pengujian dari 200 data memiliki error sebagai berikut :
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Input
RPM
256
255,95
255,9
255,85
255,8
255,75
255,7
255,65
255,6
255,55
255,5
255,45
255,4
255,35
255,3
Target
Arus Tegangan
1,68
52,25
1,6812 52,26041
1,6824
52,2708
1,6836 52,28118
1,6848 52,29155
1,686
52,3019
1,6872 52,31223
1,6884 52,32255
1,6896 52,33286
1,6908 52,34315
1,692 52,35343
1,6932 52,36369
1,6944 52,37394
1,6956 52,38417
1,6968 52,39439
Hasil Output
Arus Tegangan
1,68
52,25
1,68
52,26
1,687
52,27
1,687
52,28
1,688
52,29
1,689
52,3
1,689
52,31
1,689
52,32
1,69
52,33
1,691
52,34
1,692
52,35
1,693
52,36
1,694
52,37
1,694
52,38
1,695
52,4
Arus
0
0,000714
-0,00273
-0,00202
-0,0019
-0,00178
-0,00107
-0,00036
-0,00024
-0,00012
0
0,000118
0,000236
0,000944
0,001061
Error
Tegangan
0
7,83059E-06
1,5374E-05
2,26311E-05
2,96025E-05
3,62889E-05
4,26915E-05
4,88107E-05
5,46473E-05
6,02021E-05
6,54761E-05
7,04696E-05
7,5184E-05
7,96193E-05
-0,00010708
E. Code Program
Berikut kode program yang diperoleh dari MATLAB:
val =
Neural Network object:
architecture:
numInputs: 1
numLayers: 2
biasConnect: [1; 1]
inputConnect: [1; 0]
layerConnect: [0 0; 1 0]
outputConnect: [0 1]
numOutputs: 1 (read-only)
numInputDelays: 0 (read-only)
numLayerDelays: 0 (read-only)
subobject structures:
inputs: {1x1 cell} of inputs
layers: {2x1 cell} of layers
outputs: {1x2 cell} containing 1 output
biases: {2x1 cell} containing 2 biases
inputWeights: {2x1 cell} containing 1 input weight
layerWeights: {2x2 cell} containing 1 layer weight
functions:
adaptFcn: 'trains'
divideFcn: 'dividerand'
gradientFcn: 'gdefaults'
initFcn: 'initlay'
performFcn: 'mse'
plotFcns: {'plotperform','plottrainstate','plotregression'}
trainFcn: 'trainlm'
parameters:
adaptParam: .passes
divideParam: .trainRatio, .valRatio, .testRatio
gradientParam: (none)
initParam: (none)
performParam: (none)
trainParam: .show, .showWindow, .showCommandLine, .epochs,
.time, .goal, .max_fail, .mem_reduc,
.min_grad, .mu, .mu_dec, .mu_inc,
F. Langkah Kerja
Langkah yang harus dilakukan adalah :
1. Membuka software matlab terlebih dahulu
Gambar 1.1
2. Memasukkan data input dan output pada workspace
Gambar 1.2
3. Mentranspose Input dan Output, dikarenakan penginputan dilakukan secara vertikal.
dengan mengetikkan perintah “transpose” pada common windows
Gambar 1.3
4. Kemudian ketikkan “nntool” pada command windows untuk menampilkan
network/data manager.
Gambar 1.4
5. Menklik import pada neural network dan memasukkan input1 sebagi input dan
output1 sebagai target data
Gambar 1.5
6. Kemudian klik new pada neural network untuk menampilkan creat network or data
lalu ubah input data menjadi kelembaban dan target data sebagi kecepatan angin
Gambar 1.6
7. Menklik network 1 pada neural network untuk menampilkan skema network 1
Gambar 1.7
8. Menklik train kemudiah memasukkan input1 sebagai input dan output1 sebagai target
kemudian menklik train network untuk melatih data yang dimasukkan
Gambar 1.8
Untuk melihat hasil dari proses training pada network, selanjutnya menklik regression
sehingga menampilkan grafik seperti pada gambar 1.10. Hasil train network yang
diperoleh oleh penulis sebesar 1.
Gambar 1.9
Gambar 1.10
9. Setelah itu export network1 untuk mengexport network1 ke workspace
Gambar 1.11
10. Kemudian untuk dapat melihat code program MATLAB, menklik network1 yang
terdapat pada workspace
11. Ketikkan gensim(network1) pada command windows untuk bentuk dari Neural
Network.
Gambar 1.13
12. Setelah itu untuk melakukan pengujian data dapat dilakukan dengan menambahkan
display yang diperoleh dari Simulink Library, dan mengubah input sesuai dengan data
ysng ingin diuji.
Gambar 1.14
Berikut merupakan gambar dari Neural Network yang telah dibuat oleh penulis
Gambar 1.15 Bentuk Neural Network dari masing-masing Layer
Gambar 1.16 Bentuk Neural Network menggunakan 10 neuron
G. Pembahasan
Rotary per minute atau revolution per minute ( revolusi per menit ) atau biasa
disingkat dengan RPM. Umumnya digunakan oleh kendaraan bermotor seperti motor dan
mobil. Angka yang ditunjukkan dengan berapa kali putaran ( revolusi ) poros engkol atau
crank shaft mesin dalam hitungan waktu satu menit.
Putaran motor dipengaruhi oleh tegangan motor, arus jangkar, tahanan jangkar dan
medan magnet. Jika salah satu besaran diabuat variabel dengan besaran lain tetap maka
banyaknya putaran akan sebanding dengan besarnya besaran tersebut.
Dengan demikian jika tegangan dibuat variabel dan besaran lainya dibuat tetap maka,
besarnya tegangan akan berbanding lurus dengan kecepatan putaran. Untuk mendapatkan
putaran rendah diberi tegangan rendah dan untuk mendapatkan putaran tinggi tegangan harus
tinggi. Dengan demikian, masalah yang harus diselesaikan pada rangkaian pengemudi motor
adalah bagaimana membuat tegangan output dapat bervariasi (dapat diatur mulai dai 0 Volt
hingga tegangan maksimum secara linier).
Dari data yang digunakan sebagai sampel, semakin besar input rpm pada motor maka
arus dan tegangannya pun akan semakin besar. Selanjutnya untutuk dapat melakukan
peramalan rpm terhadap arus dan tegangan, dilakukan cara kerja seperti yang telah tertulis di
atas. Sehingga diperoleh data hasil output yang mendekati output target, dan error yang
dihasilkan pun kecil. Dapat disimpulkan bahwa jaringan syaraf tiruan yang telah dibuat
merupakan sistem yang cerdas karena memiliki error yang kecil.
Selanjutnya untuk pengujian jaringan syaraf tiruan sebagai peramalan rpm terhadap
arus dan tegangan juga dapat dilakukan menggunakan data yang tidak terdapat pada data
yang dimasukkan.
H. Kesimpulan
Setelah dilakukan pengujian terhadap jaringan syaraf tiruan dan diperoleh erro dengan
persentase sangat kecil, maka dapat disimpulkan bahwa jaringan syaraf tiruan yang dibuat
dapat dikatakan cerdas, dan dapat digunakan untuk peramalan rpm terhadap arus dan
tegangan.
F. Daftar Pustaka
https://www.scribd.com/doc/99101485/Pengertian-Rpm
http://dokumen.tips/documents/hubungan-tegangan-dan-rpm.html
PADA PERAMALAN RPM TERHADAP TEGANGAN DAN ARUS
MENGGUNAKAN METODE FEED-FORWARD BACKPROPAGATION
BERBASIS ARTIFICIAL NEURAL NETWORK
Nama : Nuharizka Intan Fauziyah
NIM :141910201087
Mata kuliah : Sistem Kendali Cerdas
JURUSAN TEKNIK ELEKTRO STRATA 1
FAKULTAS TEKNIK
UNIVERSITAS JEMBER
2016
PERAMALAN RPM TERHADAP TEGANGAN DAN ARUS
MENGGUNAKAN METODE FEED-FORWARD BACKPROPAGATION
BERBASIS ARTIFICIAL NEURAL NETWORK
A. Landasan Teori
Rotary per minute atau revolution per minute ( revolusi per menit ) atau biasa disingkat
dengan RPM. Umumnya, RPM tersebut digunakan oleh kendaraan bermotor seperti motor
dan mobil. Angka yang ditunjukkan dengan berapa kali putaran ( revolusi ) poros engkol atau
crank shaft mesin dalam hitungan waktu satu menit.
Pada motor DC berlaku persamaan-persamaan berikut :
V = E+IaRa, E = C n Ф, n =E/C.Ф
Dari persamaan-persamaan diatas didapat :
n = (V-Ra.Ra) / C.Ф
dengan:
n = Jumlah putaran (rpm)
V = tegangan jepit (V)
Ia = Arus jangkar (A)
Ra = Hambatan Jangkar (Ohm)
C = Konstanta motor
Sehingga dengan memperhatikan persamaan tersebut, putaran motor akan dipengaruhi
oleh tegangan motor, arus jangkar, tahanan jangkar dan medan magnet. Jika salah satu
besaran diabuat variabel dengan besaran lain tetap maka banyaknya putaran akan sebanding
dengan besarnya besaran tersebut.
Dengan demikian jika tegangan dibuat variabel dan besaran lainya dibuat tetap maka,
besarnya tegangan akan berbanding lurus dengan kecepatan putaran. Untuk mendapatkan
putaran rendah diberi tegangan rendah dan untuk mendapatkan putaran tinggi tegangan harus
tinggi. Dengan demikian, masalah yang harus diselesaikan pada rangkaian pengemudi motor
adalah bagaimana membuat tegangan output dapat bervariasi (dapat diatur mulai dai 0 Volt
hingga tegangan maksimum secara linier).
B. Data yang digunakan
Data yang akan digunakan oleh penulis merupakan data pengujian yang telah dilakukan
oleh mahasiswa tingkat akhir dan yang juga digunakan untuk tugas akhir beliau, namun di
sini penulis hanya menggunakan 200 data dari 700 data pengujian RPM.
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
Input
RPM
256
255,95
255,9
255,85
255,8
255,75
255,7
255,65
255,6
255,55
255,5
255,45
255,4
255,35
255,3
255,25
255,2
255,15
255,1
255,05
255
254,95
254,9
254,85
254,8
254,75
254,7
254,65
254,6
254,55
254,5
254,45
254,4
254,35
254,3
254,25
254,2
254,15
Output
Arus Tegangan
1,68
52,25
1,6812 52,26041
1,6824
52,2708
1,6836 52,28118
1,6848 52,29155
1,686
52,3019
1,6872 52,31223
1,6884 52,32255
1,6896 52,33286
1,6908 52,34315
1,692 52,35343
1,6932 52,36369
1,6944 52,37394
1,6956 52,38417
1,6968 52,39439
1,698 52,40459
1,6992 52,41478
1,7004 52,42496
1,7016 52,43512
1,7028 52,44527
1,704
52,4554
1,7052 52,46552
1,7064 52,47562
1,7076 52,48571
1,7088 52,49579
1,71 52,50585
1,7112
52,5159
1,7124 52,52593
1,7136 52,53595
1,7148 52,54595
1,716 52,55594
1,7172 52,56592
1,7184 52,57588
1,7196 52,58583
1,7208 52,59577
1,722 52,60569
1,7232
52,6156
1,7244 52,62549
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
254,1
254,05
254
253,95
253,9
253,85
253,8
253,75
253,7
253,65
253,6
253,55
253,5
253,45
253,4
253,35
253,3
253,25
253,2
253,15
253,1
253,05
253
252,95
252,9
252,85
252,8
252,75
252,7
252,65
252,6
252,55
252,5
252,45
252,4
252,35
252,3
252,25
252,2
252,15
1,7256
1,7268
1,728
1,7292
1,7304
1,7316
1,7328
1,734
1,7352
1,7364
1,7376
1,7388
1,74
1,7412
1,7424
1,7436
1,7448
1,746
1,7472
1,7484
1,7496
1,7508
1,752
1,7532
1,7544
1,7556
1,7568
1,758
1,7592
1,7604
1,7616
1,7628
1,764
1,7652
1,7664
1,7676
1,7688
1,77
1,7712
1,7724
52,63537
52,64524
52,65509
52,66493
52,67476
52,68457
52,69437
52,70415
52,71392
52,72368
52,73343
52,74316
52,75287
52,76258
52,77227
52,78195
52,79161
52,80126
52,8109
52,82052
52,83013
52,83973
52,84932
52,85889
52,86845
52,87799
52,88752
52,89704
52,90655
52,91604
52,92552
52,93499
52,94444
52,95389
52,96332
52,97273
52,98213
52,99153
53,0009
53,01027
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
252,1
252,05
252
251,95
251,9
251,85
251,8
251,75
251,7
251,65
251,6
251,55
251,5
251,45
251,4
251,35
251,3
251,25
251,2
251,15
251,1
251,05
251
250,97
250,94
250,91
250,88
250,85
250,82
250,79
250,76
250,73
250,7
250,67
250,64
250,61
250,58
250,55
250,52
250,49
250,46
250,43
250,4
250,37
1,7736
1,7748
1,776
1,7772
1,7784
1,7796
1,7808
1,782
1,7832
1,7844
1,7856
1,7868
1,788
1,7892
1,7904
1,7916
1,7928
1,794
1,7952
1,7964
1,7976
1,7988
1,8
1,8017
1,8034
1,8051
1,8068
1,8085
1,8102
1,8119
1,8136
1,8153
1,817
1,8187
1,8204
1,8221
1,8238
1,8255
1,8272
1,8289
1,8306
1,8323
1,834
1,8357
53,01962
53,02896
53,03829
53,0476
53,05691
53,06619
53,07547
53,08474
53,09399
53,10323
53,11246
53,12167
53,13087
53,14006
53,14924
53,15841
53,16756
53,1767
53,18583
53,19495
53,20405
53,21314
53,22222
53,19143
53,1607
53,13002
53,0994
53,06884
53,03834
53,00789
52,9775
52,94717
52,9169
52,88668
52,85652
52,82641
52,79636
52,76637
52,73643
52,70654
52,67672
52,64695
52,61723
52,58757
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
C.
250,34
250,31
250,28
250,25
250,22
250,19
250,16
250,13
250,1
250,07
250,04
250,01
249,98
249,95
249,92
249,89
249,86
249,83
249,8
249,77
249,74
249,71
249,68
249,65
249,62
249,59
249,56
249,53
249,5
249,47
249,44
249,41
249,38
249,35
249,32
249,29
249,26
249,23
249,2
249,17
249,14
249,11
249,08
249,05
1,8374
1,8391
1,8408
1,8425
1,8442
1,8459
1,8476
1,8493
1,851
1,8527
1,8544
1,8561
1,8578
1,8595
1,8612
1,8629
1,8646
1,8663
1,868
1,8697
1,8714
1,8731
1,8748
1,8765
1,8782
1,8799
1,8816
1,8833
1,885
1,8867
1,8884
1,8901
1,8918
1,8935
1,8952
1,8969
1,8986
1,9003
1,902
1,9037
1,9054
1,9071
1,9088
1,9105
52,55796
52,52841
52,49891
52,46947
52,44008
52,41075
52,38147
52,35224
52,32307
52,29395
52,26488
52,23587
52,20691
52,178
52,14915
52,12035
52,0916
52,06291
52,03426
52,00567
51,97713
51,94864
51,9202
51,89182
51,86349
51,8352
51,80697
51,77879
51,75066
51,72258
51,69456
51,66658
51,63865
51,61077
51,58295
51,55517
51,52744
51,49976
51,47213
51,44456
51,41703
51,38954
51,36211
51,33473
D. Pengujian Data
Setelah membuat Artificial Neural Network pada MATLAB, penulis melakukan
pengujian pada data untuk memastikan bahwa sistem yang telah dibuat sudah cerdas. Akan
tetapi penulis tidak melakukan pengujian pada seluruha data yang dimasukkan. Sehingga
diperoleh data 15 pengujian dari 200 data memiliki error sebagai berikut :
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Input
RPM
256
255,95
255,9
255,85
255,8
255,75
255,7
255,65
255,6
255,55
255,5
255,45
255,4
255,35
255,3
Target
Arus Tegangan
1,68
52,25
1,6812 52,26041
1,6824
52,2708
1,6836 52,28118
1,6848 52,29155
1,686
52,3019
1,6872 52,31223
1,6884 52,32255
1,6896 52,33286
1,6908 52,34315
1,692 52,35343
1,6932 52,36369
1,6944 52,37394
1,6956 52,38417
1,6968 52,39439
Hasil Output
Arus Tegangan
1,68
52,25
1,68
52,26
1,687
52,27
1,687
52,28
1,688
52,29
1,689
52,3
1,689
52,31
1,689
52,32
1,69
52,33
1,691
52,34
1,692
52,35
1,693
52,36
1,694
52,37
1,694
52,38
1,695
52,4
Arus
0
0,000714
-0,00273
-0,00202
-0,0019
-0,00178
-0,00107
-0,00036
-0,00024
-0,00012
0
0,000118
0,000236
0,000944
0,001061
Error
Tegangan
0
7,83059E-06
1,5374E-05
2,26311E-05
2,96025E-05
3,62889E-05
4,26915E-05
4,88107E-05
5,46473E-05
6,02021E-05
6,54761E-05
7,04696E-05
7,5184E-05
7,96193E-05
-0,00010708
E. Code Program
Berikut kode program yang diperoleh dari MATLAB:
val =
Neural Network object:
architecture:
numInputs: 1
numLayers: 2
biasConnect: [1; 1]
inputConnect: [1; 0]
layerConnect: [0 0; 1 0]
outputConnect: [0 1]
numOutputs: 1 (read-only)
numInputDelays: 0 (read-only)
numLayerDelays: 0 (read-only)
subobject structures:
inputs: {1x1 cell} of inputs
layers: {2x1 cell} of layers
outputs: {1x2 cell} containing 1 output
biases: {2x1 cell} containing 2 biases
inputWeights: {2x1 cell} containing 1 input weight
layerWeights: {2x2 cell} containing 1 layer weight
functions:
adaptFcn: 'trains'
divideFcn: 'dividerand'
gradientFcn: 'gdefaults'
initFcn: 'initlay'
performFcn: 'mse'
plotFcns: {'plotperform','plottrainstate','plotregression'}
trainFcn: 'trainlm'
parameters:
adaptParam: .passes
divideParam: .trainRatio, .valRatio, .testRatio
gradientParam: (none)
initParam: (none)
performParam: (none)
trainParam: .show, .showWindow, .showCommandLine, .epochs,
.time, .goal, .max_fail, .mem_reduc,
.min_grad, .mu, .mu_dec, .mu_inc,
F. Langkah Kerja
Langkah yang harus dilakukan adalah :
1. Membuka software matlab terlebih dahulu
Gambar 1.1
2. Memasukkan data input dan output pada workspace
Gambar 1.2
3. Mentranspose Input dan Output, dikarenakan penginputan dilakukan secara vertikal.
dengan mengetikkan perintah “transpose” pada common windows
Gambar 1.3
4. Kemudian ketikkan “nntool” pada command windows untuk menampilkan
network/data manager.
Gambar 1.4
5. Menklik import pada neural network dan memasukkan input1 sebagi input dan
output1 sebagai target data
Gambar 1.5
6. Kemudian klik new pada neural network untuk menampilkan creat network or data
lalu ubah input data menjadi kelembaban dan target data sebagi kecepatan angin
Gambar 1.6
7. Menklik network 1 pada neural network untuk menampilkan skema network 1
Gambar 1.7
8. Menklik train kemudiah memasukkan input1 sebagai input dan output1 sebagai target
kemudian menklik train network untuk melatih data yang dimasukkan
Gambar 1.8
Untuk melihat hasil dari proses training pada network, selanjutnya menklik regression
sehingga menampilkan grafik seperti pada gambar 1.10. Hasil train network yang
diperoleh oleh penulis sebesar 1.
Gambar 1.9
Gambar 1.10
9. Setelah itu export network1 untuk mengexport network1 ke workspace
Gambar 1.11
10. Kemudian untuk dapat melihat code program MATLAB, menklik network1 yang
terdapat pada workspace
11. Ketikkan gensim(network1) pada command windows untuk bentuk dari Neural
Network.
Gambar 1.13
12. Setelah itu untuk melakukan pengujian data dapat dilakukan dengan menambahkan
display yang diperoleh dari Simulink Library, dan mengubah input sesuai dengan data
ysng ingin diuji.
Gambar 1.14
Berikut merupakan gambar dari Neural Network yang telah dibuat oleh penulis
Gambar 1.15 Bentuk Neural Network dari masing-masing Layer
Gambar 1.16 Bentuk Neural Network menggunakan 10 neuron
G. Pembahasan
Rotary per minute atau revolution per minute ( revolusi per menit ) atau biasa
disingkat dengan RPM. Umumnya digunakan oleh kendaraan bermotor seperti motor dan
mobil. Angka yang ditunjukkan dengan berapa kali putaran ( revolusi ) poros engkol atau
crank shaft mesin dalam hitungan waktu satu menit.
Putaran motor dipengaruhi oleh tegangan motor, arus jangkar, tahanan jangkar dan
medan magnet. Jika salah satu besaran diabuat variabel dengan besaran lain tetap maka
banyaknya putaran akan sebanding dengan besarnya besaran tersebut.
Dengan demikian jika tegangan dibuat variabel dan besaran lainya dibuat tetap maka,
besarnya tegangan akan berbanding lurus dengan kecepatan putaran. Untuk mendapatkan
putaran rendah diberi tegangan rendah dan untuk mendapatkan putaran tinggi tegangan harus
tinggi. Dengan demikian, masalah yang harus diselesaikan pada rangkaian pengemudi motor
adalah bagaimana membuat tegangan output dapat bervariasi (dapat diatur mulai dai 0 Volt
hingga tegangan maksimum secara linier).
Dari data yang digunakan sebagai sampel, semakin besar input rpm pada motor maka
arus dan tegangannya pun akan semakin besar. Selanjutnya untutuk dapat melakukan
peramalan rpm terhadap arus dan tegangan, dilakukan cara kerja seperti yang telah tertulis di
atas. Sehingga diperoleh data hasil output yang mendekati output target, dan error yang
dihasilkan pun kecil. Dapat disimpulkan bahwa jaringan syaraf tiruan yang telah dibuat
merupakan sistem yang cerdas karena memiliki error yang kecil.
Selanjutnya untuk pengujian jaringan syaraf tiruan sebagai peramalan rpm terhadap
arus dan tegangan juga dapat dilakukan menggunakan data yang tidak terdapat pada data
yang dimasukkan.
H. Kesimpulan
Setelah dilakukan pengujian terhadap jaringan syaraf tiruan dan diperoleh erro dengan
persentase sangat kecil, maka dapat disimpulkan bahwa jaringan syaraf tiruan yang dibuat
dapat dikatakan cerdas, dan dapat digunakan untuk peramalan rpm terhadap arus dan
tegangan.
F. Daftar Pustaka
https://www.scribd.com/doc/99101485/Pengertian-Rpm
http://dokumen.tips/documents/hubungan-tegangan-dan-rpm.html