Hasil Pencarian  ::  Simpan CSV :: Kembali

"BLDC motor telah menjadi motor yang populer karena keunggulanannya. Untuk meningkatkan kinerja BLDC telah banyak Teknik pengendalian yang dikembangkan mulai dari yang konvensional seperti PID sampai dengan yang menggunakan kecerdasan buatan. Namun demikian, sebagian besar peneliti mendesain pengendali untuk BLDC motor dengan memanfaatkan sensor kecepatan. Penelitian ini bertujuan untuk membangun pengendali yang adaptif untuk aplikasi sensorless BLDC motor dengan dua tahapan penelitian yaitu 1 Mengembangkan Adaptif PID Controller untuk BLDC dan 2 Mengembangkan Teknik sensorless BLDC dengan Neural Network Ensemble Kalman Filter. Pada Penelitian ini, telah dikembangkan pengendali Adaptif PID berbasis Model Invers Neural Network dan teknik sensorless BLDC motor menggunakan Neural Network Ensemble Kalman Filter EnKF . Pengendali Adaptif PID berbasis Model Invers Neural Network yang dikembangkan mampu bekerja lebih baik jika dibandingkan dengan pengendali PID, PID Single Neuron, dan Pengendali Single Neuron Fuzzy. Respon waktu sistem menunjukkan rise time meningkat hingga 41,1 , Settling time meningkat hingga 178,9 dan overshoot menurun hingga 825,6 . Sedangkan teknik sensorless Neural Network Ensemble Kalman Filter mampu mengestimasi posisi dan kecepatan motor BLDC hanya dengan mengukur tegangan dan arus setiap phasa baik pada kondisi kerja adanya perubahan referensi kecepatan, adanya perubahan parameter motor BLDC, maupun adanya perubahan beban/gangguan dengan tingkat kesalahan estimasi yang sangat kecil yaitu sebesar 0.7 , serta bekerja baik pada kecepatan rendah dengan jumlah member sebanyak 8.

---

BLDC motor has become a popular motorcycle because of its advantages. To improve the performance of BLDC has a lot of control techniques developed ranging from conventional ones such as PIDs to those using artificial intelligence. Nevertheless, most researchers design controllers for BLDC motors by utilizing speed sensors. This research aims to build adaptive controller for sensorless BLDC motor applications with two stages of research that is 1 Developing Adaptive PID Controller for BLDC and 2 Developing BLDC Sensorless Technique with Neural Network Ensemble Kalman Filter. In this research, Adaptive PID controller has been developed based on Inverse Neural Network Model and BLDC sensorless motor technique using Neural Network Ensemble Kalman Filter EnKF. The Adaptive PID controller based on the developed Inverse Neural Network model works better than the PID controller, Single Neuron PID, and Single Neuron Fuzzy Controller. The system time response shows rise time rises up to 41.1 , settling time increases up to 178.9 and overshoot decreases to 825.6. While sensural technique Neural Network Ensemble Kalman Filter able to estimate position and speed of BLDC motor only by measuring voltage and current of each phase both at work condition of change of reference of speed, change of motor parameter BLDC, or existence of change of burden / interference with very estimate error rate Small that is equal to 0.7 , and works well at low speed with the number of members as much as 8."

"ABSTRAKKapal termasuk dalam kategori Unmanned Surface Vehicles USV . Kendali kapal dapat dibagi menjadi tiga bagian utama, yaitu guidance system, control system, dan navigation system. Permasalahan utama pada bagian control system muncul karena lingkungan kerja USV yang dinamis, kompleks dan tidak terstruktur karena adanya gangguan seperti ombak, arus air, dan angin. Selain itu, dinamika USV sendiri pun tidak linier, time-varying dan coupled. Akibatnya, kendali berbasis model matematis menjadi terlalu kompleks. Beberapa peneliti telah mulai mengembangkan kendali kapal berbasis Neural Network NN , namun, berbagai metode yang diusulkan dalam literatur belum sepenuhnya berbasis NN. Masalah ini menjadi masalah pertama yang diselesaikan dalam disertasi. Dalam kaitannya dengan guidance system, disertasi ini membatasi masalah pada sistem kendali untuk kapal pengejar. Masalah ini menjadi masalah kedua yang diselesaikan dalam disertasi.Tujuan pertama penelitian ini adalah mengembangkan metode baru kendali berbasis supervised dan unsupervised NN untuk kapal double-propeller. Metode yang digunakan dalam pengembangan sistem kendali baru berbasis neural network adalah metode pembelajaran supervised Backpropagation Neural Networks BPNN serta metode pembelajaran unsupervised Self-Organizing Maps SOM dan Self-Organizing Incremental Neural Network SOINN . Metode SOM dan SOINN dipilih karena waktu pembelajarannya lebih cepat daripada waktu pembelajaran BPNN. Namun, SOM dan SOINN pada awalnya dikembangkan untuk image processing dan pattern recognition sehingga belum pernah digunakan untuk kendali. Pengujian sistem kendali yang dikembangkan dilakukan untuk sebuah model kapal dan purwarupa kapal berjenis double-proppeler melalui serangkaian simulasi sistem kendali, baik open-loop maupun closed-loop.Tujuan kedua penelitian ini adalah mengembangkan sistem kendali closed-loop kapal pengejar berbasis neural network menggunakan Ensemble Kalman Filter EnKF untuk memprediksi informasi radar. Sensor radar dipilih sebagai pendeteksi target karena dapat menghasilkan resolusi yang tinggi, sedangkan EnKF digunakan sebagai prediktor trayektori target dari informasi radar karena mampu meprediksi posisi target one-step ahead dan tidak memerlukan informasi state-space target. Namun, EnKF pada awalnya dikembangkan untuk prediksi cuaca sehingga belum pernah digunakan sebagai estimator trayektori pada suatu wahana pengejar.Hasil studi membuktikan bahwa metode kendali baru berbasis neural network BPNN, SOM dan SOINN yang dikembangkan berhasil digunakan sebagai kendali kapal nirawak. Simulasi yang dilakukan terhadap data asli kapal double-propeller menunjukkan bahwa kendali BPNN mampu menghasilkan error rendah, namun waktu pelatihannya lama. Masalah ini diselesaikan dengan metode kendali berbasis SOM yang memerlukan waktu pelatihan lebih singkat. Namun, kendali SOM memerlukan jumlah neuron yang optimum untuk dapat menghasilkan error yang rendah. Permasalahan ini diselesaikan dengan metode kendali berbasis algoritme pembelajaran SOINN yang dimodifikasi. Hasil simulasi menunjukkan bahwa kendali SOINN mampu menentukan jumlah neuron mapping optimum pada kendali SOM.Skema sistem kendali kapal pengejar telah dirancang menggunakan EnKF sebagai prediktor trayektori target dari data radar dan kendali closed-loop neural network. Hasil simulasi membuktikan bahwa sistem kendali closed-loop kapal pengejar berbasis neural network BPNN, SOM dan SOINN yang diusulkan telah terbukti mampu mengejar kapal target. Waktu tumbuk kapal pengejar dengan kapal target bergantung pada kecepNeural Network Controlatan maksimum kapal pengejar, di mana semakin tinggi kecepatan kapal pengejar, maka tumbukan semakin cepat terjadi. Waktu tumbuk juga bergantung pada threshold jarak tumbuk, karena semakin besar threshold jarak tumbuk, maka semakin besar kemungkinan terjadinya tumbukan. Untuk sistem kendali kapal pengejar yang dirancang, sistem kendali unsupervised SOM dan SOINN cenderung mengikuti target sedangkan sistem kendali supervised BPNN mampu memotong lintasan target. Hal ini mengindikasikan bahwa sistem kendali SOM dan SOINN cocok digunakan sebagai kendali kapal follower karena error pengendaliannya kecil dan berbasis mapping, sedangkan sistem kendali BPNN cocok digunakan sebagai kendali kapal pengejar karena prinsip kerja pengendalinya adalah minimisasi error. Dalam kasus target bermanuver dan kecepatan maksimum kapal pengejar sekitar setengah dari nilai kecepatan rata-rata kapal target, hanya sistem kendali berbasis SOINN yang mampu menumbuk kapal target.

---

Autonomous boats are categorized as Unmanned Surface Vehicles USVs . Its control can be divided into into three main parts, namely guidance system, control system and navigation system. The challenges of USV control system generally occur due to the highly dynamic, complex and unstructured USV environment due to the waves, water currents and wind. In addition, the USV dynamics itself are not linear, changing over time, and coupled so that the USV control design with a mathematical approach becomes too complex. Various Neural Networks NN based control systems have been developed, however, the methods proposed in literatures are not fully based on NN. This problem is the first problem addressed in this dissertation. In relation to the guidance system, this dissertation limits the problem on the control system for a chaser boat. This problem is the second problem addressed in the dissertation.The first objective of this research is to develop a new method of supervised and unsupervised NN control for a double propeller boat. The new NN based control system are developed using the supervised learning Backpropagation Neural Networks BPNN as well as the unsupervised learning Self Organizing Maps SOM and Self Organizing Incremental Neural Network SOINN methods. The SOM and SOINN methods are chosen because their learning timea are supposedly faster than that of BPNN. However, they were originally developed for image processing and pattern recognition, thus, their utilizations as control systems are not common. Justifications for these new neural network control system are conducted for a boat model and real double propeller boat prototype through a series of control system simulations, both open loop and closed loop.The second objective of this research is to develop a closed loop NN control system for a chaser boat by using Ensemble Kalman Filter EnKF as the predictor of target boat future position from radar data. Radar sensor is chosen because it is the most promising target tracking technology that can provide the highest resolution among other available options. Meanwhile, EnKF prediction method is chosen because it can perform a one step ahead prediction and does not require any state space data from the target boat. However, EnKF was originally developed for weather prediction, thus, it has never been used as a trajectory estimator on a chaser boat.The results of the study showed that the newly developed control methods based on BPNN, SOM and SOINN neural network can be utilized as the controller of an autonomous boat. The conducted simulations on real double propeller boat data have proven that BPNN controller can produce low error, but its learning process is quite timely. This problem is solved by a controller based on SOM which requires shorter computational time. However, SOM controller requires an optimum number of neurons to produce a low error. A controller trained by using a modified SOINN algorithm is developed to solve this issue. The simulation results show that SOINN controller can determine the optimum mapping neuron in SOM controller.Neural network control system for a chaser boat has been designed by using EnKF to predict the target trajectory from radar data and a closed loop neural network controller. The simulation results showed that the chaser boat closed loop control based on BPNN, SOM and SOINN can work well in chasing hitting the target boat. Time of the first hit depends on the maximum velocity of the chaser boat. As the velocity of the chaser boat gets higher, the hit occurs faster. In addition, the first hit also depends on the pre defined hitting distance threshold, as bigger threshold increases the hit probability. For the designed chaser boat control system, the unsupervised control system based on SOM and SOINN tend to follow the target, whereas the supervised control system based on BPNN can intercept the trajectory of the target. This results indicate that the SOM and SOINN controller is suitable to be used as the controller in a follower boat due to its low control error and mapping principle. Meanwhile, BPNN controller is suitable to be utilized as the controller in a chaser boat since its basic control principle is minimizing error. In the case of maneuvering target and the maximum speed of the chaser boat is about half the average velocity of the target boat, only SOINN based controller can hit the target boat."

"Pada tesis ini dibahas tentang simulasi dan perancangan pengendalian sistem multivariabel Coupled Tank Apparatus dengan menggunakan Neural Network model Direct Invers Control. Model sistem yang bersifat non linier akan dilinierisasi sehingga diperoleh fungsi alih yang mengandung persamaan karakteristik yang menyerupai sistem linier orde dua yang berada dalam keadaan over damped akan selalu stabil. Pengurangan interaksi (kopling) yang terjadi pada sistem multivariabel Coupled Tank Apparatus dilakukan dengan perancangan dekopling yang menggunakan metode Relative Gain Matrik. Perancangan dan simulasi sistem pengendalian Neural Network model Direct Invers Control menggunakan program Matlab Versi 5.3.1. Perbandingan antara analisa tanggapan waktu terhadap sistem kendali yang dirancang dengan sistem kendali Proportional Integral Derivatif serta sistem kendali logika Fuzzy menghasilkan tanggapan respon untuk mencapai keadaan steady state (setting time) pada Neural Network model Direct Invers Control lebih cepat dibandingkan dengan tanggapan waktu yang dihasilkan oleh pengendali konvensional PI, PID, dan Fuzzy.Dalam hal ini, data parameter sistem untuk simulasi diperoleh dari hasil penelitian dan percobaan di Laboratorium Fakultas Teknik Universitas Indonesia.

---

In this thesis, a study on simulation and design of a multivariabel Control of Coupled Tank Apparatus Systems is presented. A Neural Network Controller based on a Direct Invers Control is applied. The linierized model of the Coupled Tank Apparatus Systems appears to be a stable second order transfer function with an over damped characteristic. A Decoupling Compensator is designed using Relative Gain Matrix Method of Bristol. The Simulation and control is implemented using Matlab 5.3.1 on apersonal computer. For comparison a PID controller and a Fuzzy Logic Controller are also implemented. It is found that NN Direct Invers Control shows a better performance than the other control method in terms of speed response.All data for experiment and equipment used are done in the Control Laboratory, Dept of Electrical Engineering, Faculty of Technology University of Indonesia."

"Dalam beberapa tahun ini, telah banyak penelitian yang berhubungan dengan pengenalan pola dilakukan untuk mengidentifikasi wajah manusia secara otomatis. Skripsi ini membahas sistem pengenal wajah berbasis jaringan syaraf tiruan tunggal dan ensemble. Kamera infra merah digunakan pada penelitian untuk mengatasi masalah pencahayaan yang ditemui pada kamera visible light. Tahapan sistem terdiri dari pra-pemrosesan, ekstraksi fitur oleh PCA, pelatihan, dan pengujian. Pada percobaan dengan jaringan syaraf tunggal, algoritma backpropagation diterapkan dan sejumlah parameter divariasikan untuk mencapai performa yang optimal. Pada percobaan dengan jaringan syaraf ensemble, sejumlah skema digunakan antara lain: algoritma backpropagation, algoritma NCL, dan parsialisasi data dengan kedua algoritma tersebut. Hasil yang ditinjau dari recognition rate menunjukkan jaringan syaraf ensemble, yang terdiri dari sejumlah jaringan syaraf, memberikan performa yang lebih baik dibandingkan sebuah jaringan syaraf tunggal. Bila dioptimalkan, jaringan syaraf ensemble dapat menghasilkan recognition rate sebesar 99.9%.

---

People in pattern recognition have been working on automatic recognition of human faces for years. The focus of this thesis is a face recognition system based on both individual and ensemble neural network. An infrared camera is utilized to overcome the illumination matter encountered by visible light cameras. The procedure of the system consists of pre-processing, feature extraction by PCA, training and testing.

In the experiment of individual neural network, back-propagation algorithm is applied and some parameters are varied to obtain the optimum performance. In the experiment of ensemble neural network, some schemes such as back-propagation algorithm, NCL algorithm and partition of data using both algorithms are particularly examined.

According to the recognition rate, the results show that ensemble neural network, which is made up of several neural networks, have better performance than a single neural network does. An optimized ensemble neural network may reach up to 99.9% of recognition rate."

"

Perkembangan kecerdasan buatan (artificial intelligence/AI) bergerak semakin cepat dan mengalami kemajuan pesat dalam setiap bidang kehidupan manusia, tak terkecuali dalam dunia kendali industri. Sementara kendali industri mensyaratkan sistem pengendali yang mampu mengatasi perubahan karakteristik secara otomatis serta dapat beradaptasi dengan dinamika perubahan sistem yang diakibatkan adanya perubahan kondisi lingkungan kerja. Pengendali berbasis kecerdasan buatan dianggap mampu untuk beradaptasi dengan perubahan karakteristik dari sistem secara otomatis adalah pengendali berbasis neural network. Dalam penelitian ini disajikan desain dan simulasi sistem pengendali berbasis neural network dengan metode pembelajaran back propagation yaitu pengendali inverse langsung(direct inverse control/DIC), pengendali neuron tunggal(single neuron controller), serta pengendali PID pada plant modul training pressure process rig(PPR 38-417). Untuk pengujiannya, didesain sistem identifikasi berbasis neural network sebagai simulator plant. Hasilnya, semua sistem kendali yang didesain tersebut mampu mengendalikan plant sesuai dengan sinyal referensi yang dinginkan. Namun pengendali single neuron dan PID mampu mempertahankan keluarannya dengan baik saat diberi gangguan pada sinyal kendali maupun plant dibandingkan dengan pengendali inverse langsung(ANN-DIC). Hal ini dikarenakan kendali single neuron dan PID bersifat close loop sehingga mampu mengkoreksi kesalahan secara langsung. Sementara jika dibandingkan dengan kendali PID, kendali single neuron lebih adaptif untuk berbagai kondisi gangguan karena memiliki metode pembelajaran langsung, sementara kendali PID perlu dilakukan tunning untuk mendapatkan unjuk kerja yang handal.

---

The development of artificial intelligence (AI) is moving faster and experiencing rapid progress in every area of human life, not least in the world of industrial control. While industrial control requires a control system that is able to overcome changes in characteristics automatically and can adapt to the dynamics of system changes caused by changes in working environment conditions. Artificial intelligence-based controllers are considered capable of adapting to changes in the characteristics of the system automatically is a neural network-based controller. In this study, the design and simulation of a neural network-based controller system with back propagation learning methods, namely direct inverse control (DIC) and single neuron controller, as well as PID controllers for the pressure process rig (PPR 38-417) training module. For the test, a neural network-based identification system is designed as a simulator plant. As a result, all the control systems designed are able to control the plant in accordance with the desired reference signal. However, single neuron and PID controllers are able to maintain their output well when given interference with the control signal or plant compared to the direct inverse controller (ANN-DIC). This is because single neuron control and PID are close loop so that they can correct errors directly. Meanwhile, when compared to PID control, single neuron control is more adaptive for a variety of disruption conditions because it has a direct learning method, while PID control needs to be tuned to get reliable performance.

"

"Pada skripsi ini dibahas tentang simulasi dan perancangan pengendalian sistem Tangki Berhubungan Multivariabel (3 x 3) dengan menggunakan Neural Network model Kendali lnvers Langsung (Direct Inverse Control / DIC). Pengendali Neural Network model Kendali Invers Langsung mencari invers dari plant sehingga pengendali NN model DIC yang dirangkai seri dengan plant menghasilkan fungsi alih satu satuan, sehingga keluaran sistem akan sama dengan sinyal referensi yang diberikan. Penghilangan interaksi (kopling) yang terjadi pada sistem Tangki Berhubungan Multivariabel dilakukan dengan perancangan dekopling yang menggunakan metode Relative Gain Matrix. Perancangan dan simulasi sistem pengendalian Neural Network model Kendali Invers Langsung ini menggunakan program Matlab versi 6.1. Perbandingan antara analisa tanggapan waktu terhadap sistem kendali yang dirancang dengan sistem kendali Proportional Integral Derivartive (PID) dan sistem kendali Logika Fuzzy menghasilkan tanggapan untuk mencapai keadaan steady srare,dan pada Neural Network model Kendali Invers langsung lebih cepat dibandingkan dengan tanggapan waktu yang dihasilkan oleh pengendali konvensional PID dan Fuzzy."

"ABSTRAKPenelitian disertasi ini mencakup analisis Sistem Kendali berbasis Neural Network NN untuk rotorcraft dan Unmanned Aerial Vehicle UAV fixed-wing. Quadrotor dan UAV fixed-wing berekor inverted-V mewakili kedua tipe UAV dengan dinamika terbangnya yang nonlinear, serta kopling-silang yang kuat dan karakteristik under-actuated. Oleh karena itu, metode Direct Inverse Control DIC berbasis NN cocok diterapkan sebagai pengendali terbang kedua tipe UAV tersebut, dengan unjuk kerja yang lebih baik dibandingkan dengan Sistem Kendali saat ini yang berbasis metode Proportional-Integral-Differential PID .UAV berkembang pesat untuk berbagai aplikasi, mulai dari penggunaan quadrotor untuk videografi jarak dekat, hingga UAV fixed-wing berekor inverted-V untuk misi taktis dan strategis. Quadrotor banyak digunakan karena kemampuan hovering serta take-off dan landing secara vertikal untuk misi di area yang sempit dan berlangsung singkat sesuai keterbatasan daya baterainya. Untuk mengatasi keterbatasan tersebut, UAV fixed-wing digunakan untuk area yang luas dan berlangsung lama. BPPT merespon kebutuhan ini dengan mengembangkan Pesawat Udara Nir Awak PUNA Alap-Alap dengan konfigurasi fixed-wing dan ekor inverted-V.Penggunaan ekor inverted-V akan meningkatkan kemampuan maneuver UAV. Meski demikian, ekor inverted-V tersebut memunculkan kopling tambahan antara modus gerak pitch dengan modus roll-yaw sehingga kompleksitas pengendaliannya meningkat dibandingkan dengan ekor T konvensional. Oleh karena itu, diperlukan metode kendali komprehensif yang mengakomodasi aspek nonlinearitas dan kopling-silang akibat hal tersebut. Metode berbasis NN cocok diterapkan untuk UAV karena mekanisme pembelajaran yang dimilikinya untuk mereplika dinamika sistem untuk Identifikasi Sistem dan sebaliknya, mampu membangun inversi dinamika sistem untuk DIC-NN .Di dalam analisis ini, kedua UAV dimodelkan dengan identifikasi berbasis NN untuk mengakomodasi karakter nonlinear dan kopling silangnya. Selanjutnya, DIC-NN dibangun untuk memetakan output UAV terhadap input yang bersesuaian. Unjuk kerja DIC- NN ini dibandingkan terhadap PID sebagai representasi metode kendali yang ada saat ini. Sistem Kendali DIC-NN menghasilkan settling time yang lebih singkat dan overshoot yang lebih kecil dibanding PID.

---

ABSTRACTThe research in this dissertation focused to analyze the Neural Network NN based control system for rotorcraft and the fixed-wing Unmanned Aerial Vehicle UAV . The Quadrotor and the fixed-wing UAV with incerted-V tail were chosen to represent both of UAV types characterized by the nonlinear flight dynamics, as well as strong cross-coupling and under-actuated condition. Therefore, the NN based Direct Inverse Control DIC method is suitable for a UAV flight controller, with a better performance compared to the existing Proportional-Integral-Differential PID -based Control System.UAVs are growing rapidly for a variety of applications, ranging from Quadrotor for a close-range videography, to the inverted-V tail fixed-wing UAVs in the tactical and strategic missions. Quadrotor is popular due to the ability of hovering and vertically take-off and landing in the narrow areas for short duration due to the limitation of the battery capability. To overcome these limitations, fixed-wing UAVs are used for large areas and long-duration mission. BPPT responds this requirement by developing the Alap-Alap UAV with the fixed-wing configuration and equipping it with inverted-V tail.The application of inverted-V tail aimed to increase UAV maneuverability. However, the inverted-V tail generates an additional coupling between the pitch-motion mode and the roll-yaw mode so that the control complexity increases than the conventional T-tail. Therefore, a comprehensive control method is required to accommodates the nonlinearity and cross-coupling aspects of it. The NN-based method is suitable for UAVs because of the learning mechanism it has to replicate system dynamics for System Identification and vice versa, capable of building system dynamic inversions for DIC-NN .In this analysis, both UAVs are modeled with NN-based identification to accommodate their nonlinear characters and cross-coupling. Furthermore, DIC-NN is built to map the UAV output with the corresponding input. The DIC-NN performance is compared against PID as a representation of the existing control method. The DIC-NN Control System produces a shorter settling time and a smaller overshoot than the PID. "

"ABSTRAKDalam banyak kendaraan modern, faktor keamanan menjadi pertimbangan penting dalam mendesain kendaraan. Sebagai salah satu bagian dari Advanced Driver Assistant Systems (ADAS) yang diperuntukkan untuk meningkatkan keamanan dalam berkendara, Adaptive Cruise Control (ACC) diperkenalkan untuk mengurangi kemungkinan terjadinya kecelakaan lalu lintas. Sistem pada ACCdapat membantu pengendara dalam menjaga jarak aman dengan kendaraan yang berada di depannya dengan mengendalikan besaran pada katup gas serta tekanan pada rem. Selain untuk meningkatkan faktor keamanan, sistem ACC harus mampu memberikan respon yang halus agar pengendara tetap merasa nyaman. Pada penelitian ini, sistem ACC akan didesain dengan memanfaatkan metode switchingyang memiliki respon yang halus dengan memanfaatkan kecepatan relatif, jarak antar kendaraan, dan percepataan kendaraan untuk menentukan kondisi follow mode ketika terdapat kendaraan di depannya, dan kondisi cruise mode ketika tidak terdapat halangan. Kemudian dalam mengendalikan kecepatan kendaraan, akan memanfaatkan pengendali Neural Network Predictive Control (NNPC) yang mengatur besaran katup gas dan tekanan rem yang diberikan. Metode NNPC akan memanfaatkan model Artificial Neural Network (ANN) dalam melakukan identifikasi model longitudinal kendaraan yang sangat tidak linier, dan menggabungkan dengan metode Model Predictive Control (MPC) untuk melakukan prediksi keadaan dari kendaraan yang dikendalikan. Hasil dari penelitian memperlihatkan bahwa pengendali NNPC serta algoritma switching yang digunakan mampu menjaga jarak dengan kendaraan yang ada di depannya, serta memiliki respon yang cukup halus.

---

ABSTRACTIn many modern vehicles, safety is an important consideration in designing a vehicle. As one part of the Advanced Driver Assistant Systems (ADAS) which is intended to improve safety in driving, Adaptive Cruise Control (ACC) is introduced to reduce the possibility of traffic accidents. The ACC system can help the driver maintain a safe distance from the vehicle in front of him by controlling the throttle and the pressure on the brakes. In addition to increasing the safety factor, the ACC system must be able to provide a smooth response so that the driver feels comfortable. In this study, the ACC system will be designed by using a switching method that has a smooth response by utilizing the relative speed, distance between vehicles, and vehicle acceleration to determine the condition of follow mode when there is a vehicle in front of it, and the cruise mode condition when there are no obstacles. Then in controlling vehicle speed, Neural Network Predictive Control(NNPC) controllers will control the amount of throttle and brake pressure applied. The NNPC method will utilize the Artificial Neural Network (ANN) model to identify longitudinal models of vehicles that are highly non-linear, and combine them with the Model Predictive Control (MPC) method to predict the state of the controlled vehicle. The results of the study show that the NNPC controller and switching algorithm used are able to maintain a distance from the vehicle in frontof it, and have a fairly smooth response."

"The conventional PID control (linear) is popular control scheme that is used in almost pH control at waste water treatment process

---

"