Year
Publisher
Journal
1
Institution
Institution Country
Publication Type
Field Of Study
Topics
Open Access
Language
Filter 1
Year
Publisher
Journal
1
Institution
Institution Country
Publication Type
Field Of Study
Topics
Open Access
Language
Filter 1
Export
Sort by: Relevance
SISTEM KENDALI JALAN ROBOT HUMANOID PADA BIDANG TIDAK RATA MENGGUNAKAN LQR

AbstrakPengembangan robot humanoid memiliki keunggulan yaitu mobilisasi di lingkungan manusia yang baik karena strukturnya yang mirip manusia. Robot humanoid harus mampu berjalan seimbang pada bidang yang tidak rata. Bidang yang tidak rata menyebabkan adanya perubahan pola berjalan pada robot dan menybabkan robot terjatuh. Berbagai penelitian mengemukakan bahwa robot humanoid akan stabil berjalan ketika COM atau ZMP dari robot tetap berada di area telapak kaki. Kondisi tersebut dapat diwujudkan dengan menanamkan sistem kendali pada robot humanoid.Berbagai penelitian telah dilakukan untuk mendesain sistem kendali untuk robot humanoid ketika berjalan. Kendali LQR dan strategi pengenalan bidang dapat digunakan untuk menstabilkan robot humanoid namun terbatas pada permukaan bidan tertentu dan respon sistem yang tidak konsisten. Pada setiap variasi bentuk bidang jalan, robot akan memerlukan perlakuan yang berbeda.Pada penelitian ini akan dirancang kendali LQR dan strategi pengenalan bidang jalan untuk robot humanoid ketika berjalan pada bidang tidak rata. Metode LQR dipilih karena performa yang robust. Metode ini diharapkan dapat memberikan kemampuan robot humanoid untuk mengubah nilai umpan balik sistem kendali sesuai dengan keadaan robot sehingga robot dapat berjalan pada bidang tidak rata tanpa terjatuh.

Read full abstract
Open Access
Implementasi Kontrol Nutrisi Dan pH Pada Hidroponik Cerdas Berbasis Arduino Dan JST

This research aims to implement an automated nutrition and pH control system in NFT hydroponic system based on ANN control. NFT hydroponics involves growing plants without soil as a medium. In hydroponics, it is essential to continuously control the nutrient levels and pH of the solution. However, manual control performed by humans continuously is inefficient and time-consuming.The ANN method is used to model and predict the output actuators based on sensor input in the NFT hydroponic system. This ANN architecture consists of several layers with the following number of neurons: input layer 2, first hidden layer 128, second hidden layer 64, and output layer 3, representing multipleoutputs. The ANN training process involves classifying the data samples using various hyperparameters.The research findings demonstrate the ANN classification model successfully applied to control pH and nutrient levels through the predicted output actuators. The pump actuators are activated according to input received from the TDS and pH sensors. Through the variation of hyperparameters, the classification model with a test_size: 0.3, epoch: 400, batch_size: 32, and random_state: 42 provided the best performance in prediction. This ANN classification model achieved the best results in model testing with an accuracy rate: 97.96% from 49 data.

Read full abstract
Open Access