Rangkuman Jurnal

FUZZY LOGIC DIRECT TORQUE CONTROL UNTUK MOTOR INDUKSI YANG DIGUNAKAN PADA KENDARAAN LISTRIK (ELECTRIC VAHICLE)

Endro wahjono, Soebagio

PoliteknikElektronika Negeri Surabaya

Jurusan Elektro FTI, Institut Teknologi Sepuluh November Surabaya

Kamus ITS Keputih Sukolilo Surabaya 60111

E-mal: endro@eepis-its.edu

PENDAHULUAN

Motor DC adalah motor yang paling ideal untuk dipakai dalam pengemudian elektrik, karena motor tersebut adalah motor yang linier dan pengaturan kecepatanya mudah. Ada banyak metode untuk pengaturan kecepatan motor induksi. Diantara kontrol tersebut adalah kontrol tegangan / frekuensi (v/f) kontrol ini paling sederhana karena banyak digunakan di industri.

2. MODEL MOTOR INDUKSI TIGA FRASA

Secara konvensional untuk menganalisa model motor induksi tiga frasa dikembangkan berdasarkan model trafo, dengan mengasumsikan tegangan sumber adalah sinusoidal dan kondisi tready state. Dalam operasi riil ditemui permasalahan tegangan sumber yang tidak sinusoidal dan ada perubahan beban. Karena itu dibutuhkan model lain yang lebih fleksibel untuk menganlisis motor induksi.

3. TEKNIK SPACE VECTOR PULSE-WIDTH MODULATION (SVWPM)

Space vector modulation (SVM) adalah teknikmodulasi yang dikembangkan melalui space vector ( vector ruang) yang akan menjadi tegangan acuan dengan periode sampling tertentu ke inventer. Dengan menggunakan dua tegangan acuan yaitu vd dan vq, dan sudut.

4. FUZZY LOGIC CINTROLLER (FLC)

FLC digunakan untuk estimasi dan kontrolkecepatan motor, sehingga didapatkan respon dinamis yang akurat. FLC digunakan untuk estimasi kecepatanmotor dengan masukan perubahan putaran dan putaran estimasi. Hasil dari FLC adalah Torka referensi untuk mendapatkan respon kecepatan yang bervariasi.

5. MODEL SISTEM PENGATURAN PUTARAN MOTOR INDUKSI DENGAN SIMULINK.

Dibagi dalam beberapa blok :

5.1 Model motor induksi tiga frasa

5.2 Model rangkaian inverter

5.3 Model estimator Dtc

5.4 Model fuzzy logic controller (FLC)

6. HASIL SIMULASI DAN ANALISA

Pada simulasi pengaturan putaran motor induksi tiga fasa ini akan dilakukan dengan uji padqa kondisi start dengan control PI untuk melihat performansi putaran motor induksi tiga fasa.

7. Kesimpulan

Kesimpulan dari simulasi yang dilakukan dengan metoda FLDTC menjelaskan bahwa pada saat start motor dengan beban 31,32 N-m dan putaran nominal 76,18 rad/detik terjadi oversoot 1,6% rise time 0,0245 detik dan settling time 0,4825 detik. Sedangkan menggunakan control PI terjadi overshoot 11% rise time 0,045 detik dan settling time 0,465 detik.

Rangkuman Jurnal

PENGGUNAAN ALGORITMA GENETIKA UNTUK PEMILIHAN PORTFOLIO SAHAM DALAM MODEL MARKOWITZ

This entry was posted on Senin, 05 Oktober 2009

Wawan Taufiq N. dan Silvia Rostianingsih

Latar Belakang

Tujuan dasar dari investasi adalah untuk mendapatkan return setinggi mungkin dengan resiko yang paling kecil. Oleh karena itu, para investor melakukan diversifikasi investasi untuk menghasilkan kombinasi yang optimal. Diversifikasi ini menjadi dasar bagi berkembangnya portofolio modern yang digagas pertama kali oleh Harry Markowitz. Pendekatan Markowitz dalam memilih portofolio adalah bahwa investor harus mengevaluasi portofolio berdasarkan return yang diharapkan dan resiko yang diukur dari standar deviasi.

Masalah

Apakah perhitungan dari kombinasi portofolio metode Algoritma Genetika menghasilkan solusi yang lebih baik dibanding metode Quadratic Programming?

Tujuan

Untuk mengetahui apakah hasil dari perhitungan solusi kombinasi portofolio metode Algoritma Genetika lebih baik dibanding metode tradisional Quadratic Programming.

Metodologi

Eksperimen dilakukan dengan menggunakan data sampel dari 5 saham, laludibandingkan dengan hasil yang didapatkan dari penggunaan teknik quadratic programming dengan bantuan sebuah software add-in di MS Excel untuk menunjukan keunggulan optimasi secara simultan terhadap resiko and return. Data tersebut didapatkan selama periode 1/1/1994 sampai dengan 31/1/1995.

Hasil

Alokasi proporsi yang didapatkan dengan menggunakan perhitungan metode Quadratic Programming mendapatkan tingkat return sebesar 0.17 dengan resiko minimum sebesar 0.435. Sedangkan alokasi proporsi yang didapatkan dengan menggunakan perhitungan metode Algoritma Genetik mendapatkan tingkat return sebesar 0.49 dengan resiko minimum sebesar 0.372. Dapat disimpulkan bahwa dengan memeperbandingkan keduanya, Algoritma Genetik dapat menemukan solusi yang lebih baik dibanding Quadratic Programming dalam pemaksimalan return dan meminimalisasi tingkat resiko.

Rangkuman Jurnal

Judul : PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK

MENDIAGNOSA JENIS PENYAKIT KANDUNGAN.

Penulis : Bambang Yuwono

PENDAHULUAN

Sejalan dengan perkembangan teknologi komputer, telah lahir teknologi AI (Artificial Intelligence). Salah satu teknik komputasi yang dikelompokkan dalam AI adalah jaringan syaraf tiruan ( Artificial Neural Network). Teknologi jaringan syaraf tiruan ini dapat diterapkan pada bidang kedokteran untuk mendiagnosa penyakit pada pasien, khususnya penyakit kandungan.

LANDASAN TEORI

Pada landasan teori terdpat pemahaman – pemahaman sebagai berikut :

1. Sistem Jaringan Syaraf Tiruan

2. Arsitektur Backpropagation

3. Algoritma Pelatihan

4. Pengujian Data

HASIL DAN PEMBAHASAN

Aplikasi ini digunakan untuk mengoptimasikan deteksi jenis penyakit kandungan berdasarkan perolehan data – data gejala klinis dari hasil pemeriksaan dokter.

Implementasi masukan/inputyang dapat dimengerti oleh program adalah 16 variable yang mampu menegakkan diagnosa penyakit kandungan Myoma Uteri, Kanker Serviks, Kanker Ovarium, dan Radang panggul yang harus diinisialisasi terlebih dahulu.

1. Anemia (kurang darah)

2. Nyeri Haid

3. Susah hamil

4. Terdapat benjolan di perut

5. Terjadi pendarahan

6. Nyeri waktu berhubungan seksual

7. Cepat lelah

8. Kehilangan berat badan

9. Nyeri panggul

10. Terjadi ganguan pencernaan

11. Nyeri perut

12. Nyeri punggung

13. Nafsu makan berkurang

14. Demam tinggi

15. Sakit kepala

16. Perut kembung

Setelah variable – variable yang domain di diagnosa, lalu ditentukan nilai variable tersebut. Nilai yang diberikan 0 sampai 1, tergantung dari kasusnya per variable.

Setelah proses diagnosa, dilakukan proses pelatihan. Proses pelatihan menggunakan konstanta yaitu 0,1 sampai dengan 0,9 dengan kenaikan 0,1. Nilai target error yang diizinkan pada proses pelatihan adalah 0,1 an 0,01 dengan iterasi maksimum 100.000

Setelah melakukan pelatihan, maka cari data pasien yang akan diperiksa. Kemudian pilih gejala-gejala yang diidap pasien tersebut. Lalu lakukan pengujian dengan menekan tombol Deteksi. Nilai bobot yang akan dipakai dalam pengujian diambil dari nilai bobot hasil penelitian, kemudian mengubah – ubah nilai dari learning rate 0,1 sampai 0,9dan target error pada masing – masing data. Data yang diujikan menggunakan nilai target error 0,1 dan 0,01, nilai learning rate 0,1 sampai 0,9 dan 10 unit pengelolah. Hasil pengujian diagnose kandungan untuk data yang dilatihkan dengan hasil optimum menggunakan learning rate 0,8 ketepatan diagnose mencapai lebih dari 85 %.

KESIMPILAN

Penelitian ini berhasil menerapkan sistem jaringan syaraf tiruan untuk mendiagnosa jenis penyakit kandungan. Dengan menggunakan target error 0,1 dan 0,01 dengan learning rate 0,1 sampai 0,9 dan 10 unit pengolah, pengujian ini menghasilkan ketepatan pengujian lebih dari 85 %. Hasil penelitian ini diharapkan bisa membantu dalam mendiagnosa penyakit kandungan khususnya Myoma Uteri , Kanker Serviks, Kanker Ovarium, dan Radang panggul.

DAFTAR PUSTAKA

Fauset, L., 1994, Fundamentals Of Neural Networks Architectures, Algorithms, and Applications, Prentice-Hall New Jersey.

Haykin, S, 1994, Neural Networks (A Comprehensive Foundation), Macmillan Collage Publishing Company New York.

Kusumadewi, S., 2003 Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu Yogyakarta.

Mansjoner, A., dkk, 2003, Kapita Selekta Kedokteran Jilid 1 Edisi Ketiga FKUI, Multimedia Aesculapius Jakarta.

Yasim, F., 2005 Penyakit Kandungan, Pustaka Populer Obor, Jakarta.