Analisa Perbandingan Pengendali Kecepatan Putar Motor Brushless Direct Current Menggunakan Kontrol Artificial Neural Network (ANN) dan Adaptive Neuro Fuzzy Inference System (ANFIS)

Abstract

Pada zaman modern ini, kemajuan teknologi baik dalam industri kecil sampai industri besar sekalipun bahkan dalam berbagai peralatan rumah tangga semua peralatan didalamnya tidak terlepas dengan sebuah motor, tak terkecuali pada bidang transportasi. Kendaraan yang ramah lingkungan menjadi salah satu trending di mata kostruktor alat transportasi didunia untuk berlomba-lomba dalam pengembangan teknologi alat transportasi, baik itu kendaraan yang beroda empat maupun kendaraan yang beroda dua, yang berbasis teknologi hybrid ataupun elektrik. Motor BLDC yaitu alternatif pengganti motor DC. Motor ini adalah salah satu jenis motor yang popularitasnya mulai naik. Seiring berkembangnya teknologi, motor BLDC semakin mudah diproduksi dan dikendalikan. Motor BLDC cocok digunakan pada aplikasi yang membutuhkan efisiensi tinggi, handal dan rentang kecepatan yang lebar. (Hui yang, 2013). Motor Brushless DC (BLDC) adalah salah satu jenis motor DC yang memiliki magnet permanen yang berada di bagian rotor dan kumparan jangkar pada stator. Terdapat dua jenis motor BLDC jika dilihat dari segi arah aliran fluxnya, yaitu Axial flux BLDC dan radial flux BLDC. Konstruksi motor Brushless DC (BLDC) axial flux brushless DC pada dasarnya terdiri dari sebuah piringan rotor yang dapat berputar dengan beberapa magnet yang menempel di sisi luasannya dan satu lagi bagian stator yang berisi inti dengan konduktorkonduktor yang dibelitkan pada slot-slot stator sebagai pengakomodasi piringan rotor untuk bisa berputar. (Achmad Abdul Ghoni, 2015). Jika dilihat dari segi penilitian, didapatkan beberapa topik yang dapat ditemui. Dari beberapa penelitian tersebut, terdapat beberapa fokus penelitian pertama penelitian tentang rancang bangun motor brushless direct current tiga fasa axial fluks (Reqzy, 2019). Kedua yang berkaitan dengan controller yang digunakan untuk dapat mengendalikan motor BLDC, baik dalam aspek topologi pengendalian dan juga desain hardware (Pina et al., 2017; Naresh et al., 2018; Tutaj et al., 2018). Sedangkan apabila penelitian BLDC lebih difokuskan pada topik penelitian yang erat kaitannya dengan pengendalian kecepatan motor BLDC, maka beberapa teknik pengendalian telah banyak digunakan. Salah satunya adalah pengalikasian artificial intellegence sebagai intellegence control pada pengendalian motor BLDC. Diantara beberapa penelitian tersebut adalah BLDC dengan menggunakan Fuzzy sebagai pengendaliannya (Kumari, 2018), kemudian ANFIS (Yashoda & O., 2016), dan juga Artificial Neural Network (Muhammad Nizam, 2013). Oleh sebab itu, tujuan dari penelitian ini adalah untuk mengetahui performa dari motor BLDC dengan cara membandingkan pengendalian kecepatan dari motor BLDC menggunakan kontrol Artificial Neural Network dan kontrol Adaptive Neuro Fuzzy Inference System. Sedangkan target dari penelitian ini adalah untuk mengetahui bagaimana peforma terbaik yang akan dinilai berdasarkan assement sistem kendali dan juga untuk mengetahui serta mencari sistem kendali yang memiliki respon terbaik dalam artian memiliki waktu steady state yang tercepat dan juga dicari nilai terbaik dari parameter assement sistem kendali. Dari beberapa hasil telah didapatkan menunjukkan bahwa pada segi pengujian skenario 1 yaitu untuk mengetahui respon sistem dari masing – masing sistem kendali, ANN memiliki nilai rise time rata – rata yang terbaik dibandingkan dengan lainnya. Untuk nilai Rise time ANN memiliki performa 1,59 kali lebih baik dibandingkan dengan kendali ANFIS dan 1,03 kali lebih baik dibandingkan dengan Fuzzy. Ini berarti ANN memiliki respon yang lebih cepat atau peka dibandingkan dengan sistem kendali lainnya. Namun dari sisi kecepatan agar sampai pada titik setpoint (settling time), ANN membutuhkan waktu sebesar 0,01999 detik, untuk Fuzzy sebesar 0,0264 detik, sedangkan untuk ANFIS membutuhkan waktu sebesar 0,03231 detik. Apabila masing – masing sistem kendali dibandingkan dari sisi overshoot ataupun overdamp yang terjadi, maka dapat diketahui bahwa ANFIS memiliki nilai yang cukup kecil dibandingkan dengan Fuzzy dan ANN, atau ANFIS memiliki performa 3,72 kali lebih baik dibandingkan Fuzzy dan 3,38 kali lebih baik dibandingkan ANN . Namun ANFIS dan ANN memiliki selisih nilai sebesar 6,21%. Nilai tersebut dilihat dari kecilnya nilai rerata overshoot dan overdamp yang dihasilkan serta nilai balok pada grafik yang lebih kecil dibandingkan dengan sistem kendali yang lain. Dengan memanfaatkan beberapa informasi yang telah disimpan pada simulasi yang telah dilakukan (waktu simulasi, respon kecepatan, setpoint dan error), maka dengan menggunakan persamaan 2.14, nilai dari masing – masing sistem kendali dapat diketahui. Hasil dari assemen menggunakan standart assement ini dapat dilihat pada Tabel 4.6. Dari Tabel 4.6 menunjukkan bahwa ANN memiliki performa yang lebih baik dibandingkan dengan lainnya. Hal ini dapat dilihat dari parameter MAE (keajegan atau kestabilan) sistem kendali.