Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Kemajuan teknologi mengiringi kemajuan Pesawat Tanpa Awak yang membuat peneliti terus mengembangkannya. Quadcopter merupakan Pesawat Tanpa Awak yang saat ini telah banyak digunakan untuk berbagai tujuan. Bentuknya yang ringkas serta beratnya yang ringan dengan empat buah baling-baling motor membuat quadcopter memiliki keunggulan dalam kemampuan dalam melakukan maneuver di udara. Tujuan dari penelitian skripsi ini adalah diajukannya sebuah ide menciptakam pengendali Jaringan Saraf Kendali Inverse Langsung NN ndash;DIC ndash; Neural Network Direct Inverse Control dengan algoritma Elman Recurrent untuk quadcopter, dan membandingkannya dengan pengendali berbasis algoritma Back Propagation Neural Network biasa. Dalam skripsi ini dikemukakan hasil simulasi dari identifikasi quadcopter dengan memodelkan secara black box, serta hasil dari dua jenis pengendali Inverse untuk quadcopter yaitu Elman Recurrent Neural Network Direct Inverse Control dan Back Propagation Neural Network Direct Inverse Control.

---

Technological advances accompany the progress of Unmanned Aircraft that keeps researchers on the rise. Quadcopter is an Unmanned Aircraft that is now widely used for various purposes. Its compact shape and light weight with four motor propellers make the quadcopter has an advantage in the ability to maneuver in the air. The purpose of this thesis research is to propose an idea to create a controller of the Direct Inverse Control Neural Network NN ndash DIC with Elman Recurrent algorithm for quadcopter, and compare it with an ordinary Back Propagation Neural Netwok algorithm. In this thesis, the shown simulation results are those of quadcopter plant based on black box modeling identification, and the result of two types of Inverse controllers for quadcopter, Elman Recurrent Neural Netwok Direct Inverse Control and Back Propagation Neural Network Direct Inverse Control."

"Perkembangan Internet Of Things (IoT) pada era saat ini sudah semakin berkembang. Jumlah IoT device sudah mencapai 31 miliar perangkat yang tersebar di dunia. IoT adalah suatu objek yang memiliki kemampuan untuk mengirimkan data melalui jaringan tanpa memerlukan interaksi manusia ke manusia atau manusia ke computer. Dalam perkembangannya, dibutuhkannya teknologi Machine Learning untuk mendukung fitur-fitur yang ada pada IoT device, seperti prediksi konsumsi energi pada perangkat IoT. Machine learning diperlukan untuk mempelajari behaviour yang ada pada mesin yang diterjemahkan menjadi kondisi atau kata kata lain yang mencerminkan behaviour tersebut. Dalam implementasinya membutuhkan neural network yang didalamnya terdapat memory untuk mengingat behaviour tersebut sehingga proses learning dari alat menjadi cepat atau disebut dengan Recurrent Neural Network (RNN). Dengan tujuan dapat mengetahui dan memprediksi dari suatu nilai agar dapat memperkirakan besar konsumsi energi yang berakibat pada kenaikkan penggunaan listrik perkapita dalam negeri. Salah satu arsitektur dari RNN yaitu LSTM dapat digunakan untuk menjawab permasalahan. Data yang digunakan berasal dari sebuah alat dispenser. Hasil pengujian LSTM mencapai kategori baik dengan mendapatkan RMSE sebesar 3.9265.

---

The development of the Internet of Things (IoT) has increasingly developed many features. The number of IoT devices has reached 31 billion devices spread across the world. IoT is an object that has the ability to transfer data over a network without requiring human-to-human or human interaction to a computer. In its development, Machine Learning technology is needed to support features that exist on IoT devices, such as power predictions on IoT devices. Machine learning is needed to study the behaviors that exist on the machine which are translated into conditions or other words that reflect that behavior. For the implementation requires a neural network in which there is memory to remember the behavior so that the learning process of the tool becomes fast or called Recurrent Neural Network (RNN). The purpose of this research is to predict values from consumption energy, which related to average energy consumption on current country. One of the architectures of the RNN, namely LSTM can be used to answer the problem. The data comes from a smart dispenser. The LSTM test results reached a good category by getting RMSE of 3.9265."

"Perkembangan jaman menyebabkan plant modern memiliki struktur yang lebih kompleks dengan sistem yang non-linier, yang terdiri dari banyak masukan dan keluaran. Dalam struktur yang lebih kompleks tersebut, memungkinkan juga terjadinya disturbance pada sistem. Maka dari itu, diperlukan sistem pengendali yang mampu mengatasi perubahan karakteristik secara otomatis yang disebabkan oleh perubahan kondisi lingkungan kerja. Tujuan penelitian ini adalah untuk membandingkan performa antara pengendali backpropagation dan elman neural network terhadap suatu sistem. Data yang digunakan pada percobaan ini,menggunakan model matematis, data PPR, dan data helikopter. Kemudian juga dilakukan pengujian sistem Backpropagation dan Elman neural network terhadap reference input yang diberikan disturbance dengan metode online learning dan feedforward. Hasil dari percobaan, menunjukkan karakteristik Elman lebih baik dibandingkan backpropagation dalam pengujian offline dan online dengan sistem yang diberikan gangguan. Hasil respon transient dari Elman adalah %OS sebesar 5,43% pada pengujian online dan selisih satu data lebih cepat pada settling time dibanding backpropagation pada pengujian offline. Hasil pengujian online memiliki hasil yang baik pada kedua metode jika dibandingkan dengan pengujian offline dari segi persentase kesalahan tunak, karena mencapai nilai 0%.

---

Complexcity, there would be a probability of disturbance presences Therefore, we need a control system that able to automatically adapt with the characteristic changes that correspond to the environment conditions.

The purpose of this study was about to compare performances between backpropagation and elman neural network controller within the system. This experiment using mathematical model, data PPR, and data helicopter UAV. Trained backpropagation and Elman neural network will be tested by giving reference input and disturbance and also using method of feedforward and online learning.

The result of the experiment, shows the characteristics of Elman that is better than backpropagation in offline and online testing. The results %OS of Elman when using online learning is about 5.43% and there one a gap of single data, that shows elman faster on settling time than backpropagation when using offline system.

Online test outputs have good results on both algorithm than offline testing in terms of percentage of steady state error, because it reaches a value of 0%."

"Penggunaan analisis sentimen semakin umum digunakan. Dalam pengembangan analisis sentimen ini banyak tantangan yang perlu dihadapi. Karena analisis ini termasuk Natural Language Processing NLP, hal yang perlu dimengerti adalah kompleksitas bahasa. Dengan berkembangnya teknologi Artificial Neural Network, ANN semakin banyak permasalahan yang bisa diselesaikan. Ada banyak contoh struktur ANN dan untuk penelitian ini yang digunakan adalah Convolutional Neural Network CNN dan Recurrent Neural Network RNN. Kedua jenis ANN tersebut sudah menunjukkan performa yang baik untuk beberapa tugas NLP. Maka akan dilakukan analisis sentimen dengan menggunakan kedua jenis ANN tersebut dan dibandingkan kedua performa ANN tersebut. Untuk data yang akan digunakan diambil dari publikasi stanford dan untuk mengubah data tersebut bisa digunakan pada ANN digunakan word2vec. Hasil dari analisis menunjukkan bahwa RNN menunjukkan hasil yang lebih baik dari CNN. Walaupun akurasi tidak terlalu terlihat perbedaan yaitu pada RNN yang mencapai 88.35 0.07 dan CNN 87.11 0.50, tetapi waktu pelatihan RNN hanya membutuhkan waktu 8.256 detik sedangkan CNN membutuhkan waktu 544.366 detik.

---

Term of sentiment analysis become popular lately. There are many challenges developing sentiment analysis that need to be addressed. Because this kind analysis is including Natural Language Processing, the thing need to understand is the complexity of the language. With the current development of Artificial Neural Network ANN, more problems can be solved.

There are many type of ANN and for this research Convolutional Neural Network CNN and Recurrent Neural Network will be used. Both already showing great result for several NLP tasks. Data taken from stanford publication and transform it with word2vec so could be used for ANN.

The result shows that RNN is better than CNN. Even the difference of accuracy is not significant with 88.35 0.07 for RNN and 87.11 0.50 for CNN, the training time for RNN only need 8.256 secods while CNN need 544.366 seconds."

"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."

"Pemanfaatan logika berfikir yang diimplementasi ke dalam algoritma program dibutuhkan untuk membuat sebuah sistem cerdas. Skripsi ini melaporkan hasil rancang bangun sebuah wahana hexacopter dengan berat lepas landas total sebesar 5,9 Kg. Beban tersebut terdiri dari komponen-komponen penyusun wahana, antara lain baling-baling dengan panjang 17 x 5,5 inci, baterai Li-Po dengan kapasitas 10.000 mAh, ESC dengan arus maksimum 40A, GPS, kamera, kerangka hexacopter, single board computer, flight controller, gimbal, motor sebesar 360 Kv, dan komponen-komponen pendukung lainnya. Ujicoba untuk keberhasilan rancang bangun ini dibuktikan dengan waktu mengudara (flight time) yang standar (± 16 menit). Di sisi lain, wahana ini di desain untuk mampu terbang secara otomatis berdasarkan pengolahan citra untuk dapat memposisikan dirinya agar berada di tengah objek target yang ingin dideteksi. Deteksi objek dilakukan dengan menggunakan metode pengolahan citra template matching berbasis color histogram footprint dengan tingkat keberhasilan rata-rata sebesar 78 % dengan jarak deteksi objek sejauh 1 meter. Visual feedback control berbasis pengendali PID digunakan sebagai kendali terbang wahana untuk mengendalikan throttle dan roll agar hexacopter dapat memposisikan dirinya di tengah objek target berdasarkan gambar yang diambil oleh kamera.

---

The use of logic thinking which is implemented into the program algorithms is needed to make a smart system. This paper reports the results of design and build of a hexacopter with total takeoff weight of 5,9 Kg. This weight consists of components used in building the hexacopter, including a propeller with a length of 17 x 5,5 inches, Li-Po battery with a capacity of 10.000 mAh, ESC with a maximum current of 40A, GPS, camera, hexacopter frame, single board computer, flight controller, gimbal, 360 Kv brushless DC motors, and other supporting items. This hexacopter has a standard flight time of ±16 minutes. The vehicle is designed to be able to fly autonomously based on image processing to position itself in the middle of the detected target object. Object detection is performed by image processing with the method of template matching based on color histogram footprint which give us an average success rate of 78% from distance of 1 meter. Visual feedback control based on PID controllers is used to control the throttle and roll of the hexacopter so it can position itself in the middle of the target object based on images taken by the camera."

"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."

"Berbagai metode pengembangan roket telah dilakukan, namun tidak semua orang bisa mengikuti perkembangannya karena teknologi roket merupakan teknologi rahasia yang pada akhirnya menyebabkan tidak adanya referensi. Kendali roket merupakan tahapan yang paling penting dari pengembangan teknologi roket yang pengembangannya hanya bisa dilakukan jika mempunyai data atau model. Penelitian ini mencoba untuk mendapatkan data penerbangan roket dari simulator pesawat X-Plane kemudian mengembangkan kendali roket menggunakan Neural Network. Konsekuensi yang ditimbulkan karena pemakaian simulator pesawat untuk menerbangkan roket akan dijadikan bahan analisis apakah data yang dihasilkan dari penerbangan roket mempunyai mekanisme fisika layaknya roket. Pengujian terhadap sistem kendali Neural Network berbasis Direct Inverse Control Open-Loop dilakukan untuk mengetahui keandalan sistem kendali yang dirancang. Sistem kendali roket yang dibuat menggunakan metode backpropagation dengan pembatasan pengendalian yaitu hover, sebuah trajectory terbang roket yang mempunyai pengaruh paling besar dalam jangkauan dan arahnya. Dari hasil pengujian ini diketahui bahwa data yang dihasilkan mempunyai dinamika gerak layaknya roket dan sistem kendali hover roket yang dibuat mempunyai kemampuan yang baik.

---

Various methods of rocket development have been done, but not everyone can follow its development because rocket technology is a secret technology that ultimately leads to no reference Rocket control is the most important stage of development of rocket technology whose development can only be done if it has data or models. In this study trying to get rocket flight data from the X Plane aircraft simulator then develop rocket control using Neural Network. The consequences of using the aircraft simulator to fly the rocket will be used as an analysis material whether the data generated from the rocket flight has a rocket physics mechanism.

Testing of Neural Network control system based on Direct Inverse Control Open Loop is done to know the reliability of control system designed. The rocket control system created using backpropagation method with control limitation is hover, a rocket flying trajectory that has the greatest influence in its range and direction. From the results of this test is known that the resulting data has the dynamics of motion like a rocket and rocket hover control system is made to have good ability."