Koreksi Pergerakan Robot Linier Pada Meteran Listrik Pintar Menggunakan Algoritma Backpropagation Neural Network
Abstract
Abstrak—Listrik Pintar merupakan program Perusahaan Listrik Negara (PLN), pelanggan listrik mengatur listriknya secara mandiri melalui berlangganan listrik menggunakan sistem pulsa. Penggunaan robot linier bisa dimaksimalkan untuk kegiatan pekerjaan. Robot linier yang bergerak secara vertikal dan horizontal dapat melakukan penekanan tombol pada meter listrik prabayar. Robot linier seringkali salah dalam menekan tombol dikarenakan stepper motor robot linier yang tidak berputar dengan baik. Dirancang sebuah sistem agar robot linier dapat memperbaiki kesalahan ketika robot akan menekan tombol. sistem dirancang dengan menggunakan pendekatan deep learning dengan menggunakan pendekatan Backpropagation Neural Network. Pendekatan digunakan untuk memprediksi pergerakan stepper motor pada robot linier. Robot akan terus bergerak hingga tombol berhasil ditekan. Dalam tugas akhir ini tombol 1 dari pengembangan model Backpropagation Neural Network menjadi fokus utama penelitian. Pengujian model dilakukan menggunakan hyperparameter. Pengujian hyperparameter bertujuan untuk mendapatkan model terbaik dalam melakukan prediksi. Hasil pengujian dibagi menjadi dua yaitu pengujian hyperparameter pada model vertikal dan model horizontal pergerakan robot. Model vertikal mendapat loss Mean Square Error (MSE) sebesar 23,4351 dan pada model horizontal sebesar 60,9091. kedua model tersebut diuji pada robot linier dengan menekan tombol 1 sebanyak 20 kali. Keberhasilan robot linier dalam menekan tombol sekitar 45%.
Kata Kunci— backpropagation neural network, meteran listrik prabayar, robot linier.
References
A. Zayegh and N. Al Bassam, “Provisional chapter Neural Network Principles and Applications,” 2018, [Online]. Available: www.intechopen.com.
S.-H. Han, K. W. Kim, S. Kim, and Y. C. Youn, “Artificial Neural Network: Understanding the Basic Concepts without Mathematics,” Dement. Neurocognitive Disord., vol. 17, no. 3, p. 83, 2018, doi: 10.12779/dnd.2018.17.3.83.
Z. Musakulova, E. Mirkin, and E. Savchenko, “Synthesis of the backpropagation error algorithm for a multilayer neural network with nonlinear synaptic inputs,” Proc. 2018 IEEE Int. Conf. Electr. Eng. Photonics, EExPolytech 2018, pp. 131–135, 2018, doi: 10.1109/EExPolytech.2018.8564433.
J. Amrutha and A. S. Remya Ajai, “Performance analysis of backpropagation algorithm of artificial neural networks in verilog,” 2018 3rd IEEE Int. Conf. Recent Trends Electron. Inf. Commun. Technol. RTEICT 2018 - Proc., pp. 1547–1550, 2018, doi: 10.1109/RTEICT42901.2018.9012614.
K. Priandana, I. Abiyoga, Wulandari, S. Wahjuni, M. Hardhienata, and A. Buono, “Development of Computational Intelligence-based Control System using Backpropagation Neural Network for Wheeled Robot,” Proc. 2018 Int. Conf. Electr. Eng. Comput. Sci. ICECOS 2018, vol. 17, pp. 101–106, 2019, doi: 10.1109/ICECOS.2018.8605183.
M. Buscema, “Back Propagation Neural Networks,” no. February 1998, 2015, doi: 10.3109/10826089809115863.
C. Sekhar and P. S. Meghana, “A Study on Backpropagation in Artificial Neural Networks,” Asia-Pacific J. Neural Networks Its Appl., vol. 4, no. 1, pp. 21–28, 2020, doi: 10.21742/ajnnia.2020.4.1.03.
