Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"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."

"Sistem navigasi merupakan komponen yang paling penting pada kendaraan di udara, air dan luar angkasa, termasuk juga pada roket dan misil yang dapat dikendalikan. Salah satu yang paling umum digunakan adalah sistem navigasi inersia. Skripsi ini membahas mengenai perancangan dan pembuatan system navigasi inersia untuk mendapatkan data posisi dan kemiringan, yaitu dengan sensor rate-gyroscope, accelerometer, dan mikrokontroler AVR ATMega16. Demikian juga pembahasan tentang sistem kalibrasi dan digital filter data dari sensor. Selain itu, karena accelerometer dipengaruhi percepatan gravitasi, maka dibutuhkan suatu koreksi gravitasi dimana membutuhkan data kemiringan yang sangat akurat. Dalam skripsi ini kalman filter digunakan untuk mendapatkan data kemiringan yang lebih akurat, dengan memanfaatkan dua masukan, dari rategyroscope dan accelerometer.

---

Navigation system is the most important component in air-, space-, and watercraft, including guided missiles. One of the common navigation systems is inertial navigation system. This bachelor thesis discusses about designing and building inertial navigation system, to get information about position and tilt, using rate-gyroscope, accelerometer, and AVR ATmega16 microcontroller. Furthermore, this thesis also discusses about calibration system and digital filter of sensor's data. In addition, because accelerometer also measures gravity acceleration, to get the real position needs a gravity correction which needs very accurate information about tilt angle. In this study, kalman filter used to get more accurate tilt angle, using two inputs, from rate-gyroscope and accelerometer."

"Identifikasi sistem dinamik merupakan tahapan awal dalam melakukan perancangan algoritma kendali pada suatu sistem dinamik. Namun, pada sistem dinamik yang multivariabel, tidak linier dan kopling tinggi-seperti pada misil AIM-9L Sidewinder-identifikasi sistem dinamik umumnya akan gagal dan sering terjadi simplifikasi pada sistem yang diidentifikasi, seperti dekopling dan linearisasi sistem. Pada penelitian ini, identifikasi sistem dinamik misil dilakukan dengan menggunakan algoritma artificial neural network dengan harapan karakteristik sistem dinamik tetap terjaga dengan baik. Penerbangan misil dilakukan dengan menggunakan simulator X-Plane dan akuisisi data penerbangannya dilakukan menggunakan bahasa pemrogramman python. Penerbangan dilakukan dengan sinyal referensi swept-sine dan zig-zag untuk mancakup banyak kemungkinan penerbangan misil. Hasilnya, artificial neural networks dapat melakukan pemetaan pola sistem dinamik misil dengan standardized MSE 7.155x10^(-2).

---

Dynamical system identification is the very first step in designing a control algorithm on a dynamic system. However, in the multivariate, nonlinear and coupled dynamical system-like the AIM-9L Sidewinder missile-dynamical system identifications are often failed and oversimplified the dynamical system, such as decoupling and linearization. In this research, system identification is done by using artificial neural networks algorithm with expectations that its characteristics will be maintained well. The missile flights are done by using the X-Plane flight simulator and the acquisition process is done by using python language. The flights use swept sine and zig-zag references to cover lots of missile flight conditions possibility. As a result, artificial neural networks can do missile dynamical pattern mapping with 7.155x10^(-2) standardized mean squared errors."

"Kemajuan teknologi mengiringi kemajuan UAV yang membuat peneliti terus untuk mengembangkannya. Hexacopter yang merupakan salah satu jenis UAV, saat ini telah banyak diteliti untuk berbagai kepentingan seperti pemetaan, monitoring, aerial photography dan lain-lain. Hexacopter ini memiliki enam rotor sebagai penggeraknya yang berada pada keenam sisi frame-nya. Kelebihan hexacopter ini adalah kemampuan dalam mengangkat bebn yang cukup besar, daya yang lebih besar dan safety saat ada kegagalan pada salah satu rotornya. Namun permasalahan yang timbul yakni kesulitan dalam upaya untuk mengendalikan hexacopter secara autonomous agar dapat terbang stabil terutama saat ada gangguan dan juga dengan beban yang cukup berat. Selain itu menjaga pergerakan hexacopter mengikuti trajectory juga menjadi permasalahan yang sulit apalagi sistem hexacopter ini memiliki karakteristik yang nonlinier, multi input multi output MIMO. Pada penelitian ini dirancang platform hexacopter heavy-lift yang memiliki diameter 2.4 meter, dan payload yang mampu dibawa mencapai 40 kg. Sehingga dengan platform yang besar dan berat tentunya pengendalian menjadi lebih sulitHal inilah yang menjadi topik dari penelitian ini yaitu merancang sistem kendali yang dapat menjaga pergerakan hexacopter secara autonomous mengikuti trajectory. Untuk mewujudkan tujuan tersebut, pada penelitian ini digunakan algoritma kendali Direct Inverse Control-Neural Network dengan metode Elman Recurrent Neural Network DIC-ERNN. Metode DIC-ERNN ini memiliki kelebihan mampu mengingat dan menyimpan hasil keluaran hidden layer pada contact layer sehingga terhindar dari overfitting. Kelebihan lainnya adalah algoritma ini mampu memprediksi karakteristik pada waktu didepannya t 1. Dengan demikian pola dan karakteristik dari trajectory yang diberikan dapat diprediksi oleh pengendali ini. Berdasarkan hasil pengujian pada penelitian ini, didapatkan bahwa kendali DIC-ERNN mampu menunjukkan performa yang baik dalam mengikuti trajectory yang diberikan dengan nilai MSE yang kecil pada pengujian dengan data terbang, profile reference yang berbentuk helix serta profile reference double helix. Bila dibandingkan dengan algoritma Back Propagation Neural Network DIC-BPNN yang juga memiliki nilai MSE kecil, DIC-ERNN menunjukkan performance yang lebih baik khususnya pada saat diberikan uji impulsif fungsi doublet sebagai asumsi adanya gangguan. Pengendali DIC-ERNN menunjukkan kemampuan kembali pada kondisi steady state dengan settling time yang cepat dan tidak terdapat osilasi sedangkan pada pengendali DIC-BPNN terdapat osilasi meskipun settling time-nya juga cukup cepat.

---

Technological advances make researchers continue to develop UAV technology. Hexacopter is one type of UAV, has been widely researched for various interests such as mapping, monitoring, aerial photography and others. The Hexacopter has six rotors as the driving force on all six sides of the frame. The advantages of this hexacopter are the ability to lift a large enough load, greater power, and safety when there is a failure on one of its rotor. However, the problem that arises is the difficulty to control the hexacopter autonomously in order to fly stable, especially when there are disturbances and heavy loads. In addition, other difficulties are keeping the hexacopter movement following trajectory because the hexacopter system has nonlinear characteristics, and multi input multi output MIMO.

In this study, designed heavy lift hexacopter platform that has a diameter of 2.4 meters, and payload weight that can carry up to 40 kg. Thus, large and heavy platforms make control more difficult.Therefore, the topic of this research is to design a control system that can keep the hexacopter movement autonomously following the trajectory. To achieve the goal, this research uses the Direct Inverse Control Neural Network control algorithm with Elman Recurrent Neural Network DIC ERNN method. This DIC ERNN method has the advantage of being able to remember and store the hidden layer output on the contact layer so that it can avoid overfitting. Another advantage is that this algorithm can predict the characteristics at the time in front of it t 1. Thus, the pattern and characteristics of the given trajectory can be predicted by this controller.

Based on the results of the tests in this study, it was found that the control of DIC ERNN was able to show good performance in following trajectory given with small MSE value in testing with flying data, reference profile in the form of helix and reference double helix profile. When compared to the Back Propagation Neural Network DIC BPNN algorithm which also has a small MSE value, DIC ERNN performs better performance, especially when given the impulsive test doublet function as an assumption of the disturbance. The DIC ERNN controller shows the ability to return to steady state conditions with fast settling time and no oscillation while on the DIC BPNN controller, there is oscillation although settling time is also quite fast."

"Rancang bangun sistem navigasi GPS/INS dan kompas digital dengan Kalman Filter pada mikrokontroler akan mencoba memberikan keunggulan GPS yang mampu memberikan data posisi dan waktu di seluruh permukaan bumi dengan keunggulan INS yang memiliki keakurasian tinggi. Kalman Filter akan menggabungkan data GPS dan data accelerometer untuk mendapatkan data posisi, sedangkan untuk mendapatkan data sudut digunakan masukan dari accelerometer dan kecepatan putar rate-gyroscope. Kompas digital akan menyediakan data yaw/ heading. Kalman Filter akan memberikan estimasi data posisi dan sudut yang akurat dengan mengeliminasi derau. Rancangan sistem navigasi yang diajukan mampu memberikan akurasi kurang dari 10 untuk penghitungan sudut dan 2 meter untuk penghitungan posisi.

---

GPS/INS and Digital Compass Navigation System Design with Kalman Filter by using AVR Microcontroller would try to combine the advantage of GPS that could give time and position data anywhere on the earth with INS that have high accuracy in measurement. Kalman Filter will combine GPS data with accelerometer data to obtain position. Accelerometer data and angular speed from rate-gyroscope will be used to calculate tilt angle. Digital compass will provide yaw / heading data. Kalman Filter will provide estimation of position and tilt angle while eliminating noise. The navigation system could gave tilt angle accuracy less than 10 and less than 2 meters for position calculation."

"Salah satu hal paling penting dalam penelitian di bidang olahraga bulu tangkis adalah data pergerakan shuttlecock yang menggambarkan trayektori dan kecepatan shuttlecock. Terdapat beberapa teknik yang dapat dipakai untuk memperoleh data tersebut, salah satunya dengan menggunakan teknik image processing, seperti teknik videografi atau optoelektronik. Kelebihan menggunakan kamera untuk mendeteksi gerakan sebuah obyek antara lain biayanya yang cukup murah bila dibandingkan laser dan radar serta kemudahan untuk mendapatkan alat-alat yang dibutuhkan. Adapun masalah yang dihadapi dalam membangun sistem ini adalah di dunia nyata shuttlecock bergerak dalam ruang tiga dimensi, sedangkan kamera hanya menangkap gambar dua dimensi. Karena itulah digunakan metode epipolar geometry stereo vision yang dioptimasi dengan algoritma camshift berbasis Kalman filter. Metode ini dipilih karena fleksibilitasnya dalam penentuan obyek sehingga obyek dapat dianggap sebagai satu titik ataupun rekonstruksi dari titik-titik yang sama yang dilihat dari prespektif kamera yang berbeda. Hasil pengujian sistem pada obyek bergerak menunjukkan sistem dapat mendeteksi rata-rata 83.33 persen trayektori shuttlecock dengan persentase deteksi rata-rata dalam satu trayektori 85.54 persen.

---

One of the most important thing in a badminton sport science research is the data of shuttlecock movements that shows its trajectory and velocity. There are several techniques that can be used to get this, one of them is using image processing techniques, such as videography or optoelectronic techniques. The advantage of using camera to detect motion of an object is the cost is quite low when compared to laser and radar as well as easy to get the tools needed.

The problems encountered in building this system is in the real world the shuttlecock move in three-dimensional space, while the camera only captures a two-dimensional image. Because of that, the epipolar geometry stereo vision algorithm method is used. This method is optimized with Kalman filter based camshift algorithm. This method was chosen because of its flexibility in the determination of the object so that the object can be regarded as one point or reconstructed as same points as seen from the perspective of different cameras. The result of the test shows that the system can detect an average of 83.33 percent shuttlecock trajectory with an average detection persentages in the trajectory 85.54 percent."

"Quadcopter merupakan wahana terbang yang memiliki 4 rotor bersifat underactuated. Sifat quadcopter yang merupakan sistem yang kompleks akibat coupling antar variabelnya menjadikan desain pengendali yang cukup rumit. Diperlukan adanya pengendali yang mudah untuk dapat diaplikasikan pada quadcopter. Untuk melakukan percobaan pengaplikasian pengendali pada quadcopter, sistem pengendali tersebut harus dilakukan percobaan pada simulasi untuk mengetahui hasilnya. Oleh karena itu, peneliti mengusulkan pengendalian DIC yang berbasis deep neural networks (DNN) dan long-short term memory (LSTM) diujikan pada simulator sebelum akhirnya pada quadcopter asli. LSTM digunakan memiliki arsitektur pendukung untuk data sekuensial sebagaimana pergerakan trajektori. Sistem kendali dengan LSTM ini dihasilkan galat MSE yang lebih rendah dibanding DNN. Kinerja LSTM lebih baik dibandingkan dengan DNN. Selain itu, terdapat beberapa faktor – faktor terjadi peningkatan galat ketika diintegrasikan pada simulator Gazebo untuk bahan evaluasi terhadap pengendali berbasis yang sama diaplikasikan pada quadcopter aslinya.

---

Quadcopter is a flying vehicle that has 4 rotors that are underactuated. The nature of the quadcopter which is a complex system due to the coupling between the variables makes the controller design quite complicated. An easy controller is needed to be applied to the quadcopter. In order to experiment with the application of the controller on the quadcopter, the control system must be experimented with in a simulation to find out the results. Therefore, the researcher proposes that DIC control based on Deep Neural Network and Long-Short Term Memory be tested on a simulator before finally on a real quadcopter. LSTM is used to have a supporting architecture for sequential data as well as trajectory movement. The controller with this LSTM produces a lower MSE error than DNN. LSTM performance is better compared to DNN. In addition, there are several factors that increase the error when integrated into the simulator for evaluation of the same based controller applied to the original quadcopter."

"Pada skripsi ini akan dibahas mengenai aplikasi dari filter Kalman pada Global Positioning System. Latar belakang teori dari filter Kalman dan Global Positioning System juga akan dibahas pada skripsi ini.Akan dilakukan simulasi dan analisa terhadap Global Postioning System (GPS) yang mempunyai model stand-alone. Walaupun model ini agak jarang digunakan karena keterbatasannya, namun model ini tetap berguna sebagai rata-rata taksiran pengaruh memvariasikan parameter filter. Akan dilihat bagaimana penambahan matriks kovarian gangguan terhadap keadaan normalnya. Kemudian dicoba untuk melakukan pengamatan terhadap nilai Geometric Dilution Of Precision (GDOP). GDOP ini juga menentukan dalam hal keakurasian pemecahan posisi."