Perancangan Sistem Prediksi Arus Listrik Menggunakan Extreme Learning Machine Untuk Magnetorheological Damper Pada Seat Suspension Excavator

Delvian Iman Pratama, Irfan Bahiuddin, S.T., M.Phil., Ph.D.

2023 | Tugas Akhir | D4 TEKNIK PENGELOLAAN DAN PERAWATAN ALAT BERAT

Magnetorheological damper (MRD) memerlukan sistem pengontrol untuk menentukan kebutuhan arus listrik yang diperlukan. Sistem prediksi arus listrik dimanfaatkan untuk sistem pengontrol pada MRD. Penggunaan support vector machine (SVM), back-propagation, dan linear regression sudah banyak diaplikasikan untuk sistem prediksi arus listrik. Algoritma tersebut masih terdapat kekurangan, yakni memerlukan waktu lama untuk pelatihan karena ada iterasi dalam proses pelatihan dan tingkat akurasi yang belum optimal. Penelitian ini bertujuan untuk merancang sistem prediksi arus listrik menggunakan extreme learning machine (ELM) yang lebih optimal untuk sistem suspensi kursi excavator. Penelitian ini menggunakan pemodelan peredam kursi dengan model modified bouc-wen sebagai acuan. Software SIMULINK digunakan untuk menyimulasikan model tersebut dengan input dan parameter yang disesuaikan untuk suspensi kursi excavator. Hasil dari simulasi ini berupa data gaya, perpindahan dan kecepatan akan dijadikan data pembelajaran untuk merancang model ELM yang target prediksinya adalah arus listrik. Single-hidden layer neural network (SLFN) digunakan untuk menjalankan model ELM. Variasi hyperparameter yang digunakan yaitu, jumlah data, jumlah neuron hidden layer, jenis fungsi aktivasi, dan algoritma pembelajaran. Metode grid search (GS) digunakan untuk mencari kombinasi hyperparameter yang akurat. Variasi hyperparameter yang akan digunakan dalam sistem prediksi arus listrik mengacu pada nilai error (RMSE) terkecil dan nilai akurasi ?(R?^2) terbesar. Model yang telah dipilih menghasilkan nilai eror (RMSE) sebesar 0,06249 dan nilai akurasi ?(R?^2) sebesar 0,96105 pada proses pelatihan. Pada proses pengujian menghasilkan nilai eror (RMSE) sebesar 0,07126 dan nilai akurasi sebesar ?(R?^2) 0,9451

The Magnetorheological Damper (MRD) requires a control system to determine the necessary electrical current. The electric current prediction system is utilized for the control system in MRD. The use of Support Vector Machine (SVM), backpropagation, and linear regression has been widely applied to electric current prediction systems. However, these algorithms still have drawbacks, such as requiring a long training time due to iterations in the training process and suboptimal accuracy levels. This research aims to design an electric current prediction system using the Extreme Learning Machine (ELM) that is more optimal for the excavator seat suspension system. This research employs the modeling of the seat damper using the modified Bouc-Wen model as a reference. The SIMULINK software is utilized to simulate this model with adjusted inputs and parameters for the excavator seat suspension. The simulation results, including force, displacement, and velocity data, will be used as training data to design an ELM model with the target prediction being the electric current. A Single-hidden layer neural network (SLFN) is employed to execute the ELM model. Various hyperparameters are considered, including the number of data, the number of neurons in the hidden layer, the type of activation function, and the learning algorithm. The grid search (GS) method is used to explore accurate combinations of hyperparameters. The variations of hyperparameters used in the electric current prediction system refer to the smallest error value (RMSE) and the largest accuracy value ?(R?^2). The selected model yields an error value (RMSE) of 0.06249 and an accuracy value ?(R?^2) of 0.96105 during the training process. In the testing process, it produces an error value (RMSE) of 0.07126 and an accuracy value ?(R?^2) of 0.9451.

Kata Kunci : magnetorheological damper, arus Listrik, extreme learning machine