Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Penggunaan energi secara efisien merupakan hal yang penting untuk mengatasi peningkatan permintaan terhadap energi pada masa kini. Penelitian ini bertujuan untuk mengoptimasi penggunaan energi terutama pada kereta dengan menerapkan algoritma Deep Deterministic Policy Gradient secara Multi Agent. Algoritma ini telah terbukti pada literatur akan kemampuannya dalam menangani permasalahan dengan aksi yang besifat kontinuu. Akan tetapi DDPG terkenal sensitif terhadap variasi \textit{hyperparameter} dan sumber daya komputasi yang besar untuk menemukan strategi optimal. Penelitian ini bertujuan untuk mempelajari dampak dari variasi \textit{hyperparameter} dan memilih nilai yang tepat pada penerapan Multi-Agent DDPG untuk mengoptimasi sistem penggerak kereta. ......Efficient usage of energy is necessary to cope with the increasing demand of modern society. This research aims to fulfill this goal by implements Deep Deterministic Policy Gradient (DDPG) as its DRL algorithm. DDPG has been proven in literature for its ability in controlling continuous action space. But DDPG is known to be brittle to hyperparameter and need a lot of time and computational resource to find optimal policy. This research aims to learn the effect of different value of hyperparameter in the implementation of Multi Agent DDPG to optimize the energy usage of train driving system.

Abstrak :
Sistem Coupled tank umum digunakan pada bidang industri otomatis, salah satu pengendalian yang umum terjadi pada coupled tank adalah pengendalian ketinggian air. Sistem pengendalian tersebut bertujuan untuk menjaga ketinggian air yang berada pada tangki. Penelitian ini melakukan simulasi pengendalian ketinggian air pada coupled tank dengan menerapkan Reinforcement Learning (RL) dengan algoritma Deep Deterministic Policy Gradient (DDPG). Proses simulasi tersebut dilakukan menggunakan simulink pada MATLAB. Algoritma DDPG melalui serangkaian training sebelum diimplementasikan pada sistem coupled tank. Kemudian pengujian algoritma DDPG dilakukan dengan memvariasikan nilai set point dari ketinggian air dan sistem diberikan gangguan berupa bertambahnya flow in dari control valve lain. Performa dari algorima DDPG dalam sistem pengendalian dilihat dari beberapa parameter seperti overshoot, rise time, settling time, dan steady state error. Hasil yang diperoleh pada penelitian ini bahwa algoritma DDPG memperoleh nilai settling time terbesar sebesar 109 detik, nilai steady state error terbesar sebesar 0.067%. Algoritma DDPG juga mampu mengatasi gangguan dengan waktu terbesar sebesar 97 detik untuk membuat sistem kembali stabil. ......The Coupled Tank system is commonly used in the field of industrial automation, and one of the common controls implemented in this system is water level control. The purpose of this study is to simulate water level control in a coupled tank using Reinforcement Learning (RL) with the Deep Deterministic Policy Gradient (DDPG) algorithm. The simulation process is performed using Simulink in MATLAB. The DDPG algorithm undergoes a series of training sessions before being implemented in the coupled tank system. Subsequently, the DDPG algorithm is tested by varying the set point values of the water level and introducing disturbances in the form of increased flow from another control valve. The performance of the DDPG algorithm in the control system is evaluated based on parameters such as overshoot, rise time, settling time, and steady-state error. The results obtained in this study show that the DDPG algorithm achieves a maximum settling time of 109 seconds and a maximum steady-state error of 0.067%. The DDPG algorithm is also capable of overcoming disturbances, with the longest recovery time of 97 seconds to restore system stability.

Abstrak :
Sistem pengendalian temperatur dan kelembaban merupakan bagian dari sistem HVAC (Heating, Ventilation, and Air Conditioning) yang merupakan salah satu contoh sistem pengendalian yang banyak digunakan dalam berbagai sektor industri. Pengaturan temperatur dan kelembaban tersebut mempengaruhi kondisi ruangan yang umumnya dalam sektor industri digunakan sebagai tempat penyimpanan. Pengendalian temperatur dan kelembaban yang baik akan menjaga kualitas dari objek yang disimpan. Namun penggunaan sistem HVAC juga memberikan tanggungan biaya yang cukup besar untuk dapat beroperasi, sehingga dibutuhkan suatu sistem yang mempunyai kinerja yang lebih baik dan dapat meminimalisir biaya yang dikeluarkan untuk pengoperasian sistem. Penelitian ini bertujuan untuk melakukan pengendalian temperatur dan kelembaban yang baik dengan menggunakan Agent Reinforcement Learning dengan algoritma Deep Determinisitic Policy Gradient (DDPG) pada perangkat lunak MATLAB dan SIMULINK serta membandingkan hasil pengendalian berupa respon transiennya terhadap pengendalian berbasis pengendali PI. Hasil penelitian ini menunjukan bahwa sistem HVAC dapat dikendalikan lebih baik oleh Agent RL DPPG dibandingkan dengan pengendali PI yang ditandai dengan respon transien seperti settling time yang lebih unggul 55,84% untuk pengendalian temperatur dan 96,49% untuk pengendalian kelembaban. Kemudian rise time yang lebih cepat mencapai < 3 detik untuk mencapai nilai set point temperatur dan kelembaban. ......The temperature and humidity control system is a part of the HVAC (Heating, Ventilation, and Air Conditioning) system, which is an example of a control system widely used in various industrial sectors. The regulation of temperature and humidity significantly affects the conditions of indoor spaces commonly utilized as storage areas in industrial settings. Proper temperature and humidity control are essential to maintain the quality of stored objects. However, the use of HVAC systems also comes with substantial operational costs, necessitating the development of a more efficient system that can minimize operational expenses. This research aims to achieve effective temperature and humidity control using the Agent Reinforcement Learning approach with the Deep Deterministic Policy Gradient (DDPG) algorithm implemented in MATLAB and SIMULINK software. The study also compares the control results, particularly the transient response, with those obtained from the Proportional-Integral (PI) controller-based system. The research findings demonstrate that the HVAC system can be better controlled by the Agent RL DPPG, as evidenced by superior transient responses, with a 55.84% improvement in settling time for temperature control and a 96.49% improvement for humidity control. Additionally, the rise time achieved is less than 3 seconds to reach the set point for both temperature and humidity.

Abstrak :
Penelitian ini berfokus pada pengendalian sistem yang nonlinear berupa Rotary Inverted Pendulum (RIP) dengan menggunakan salah satu algoritma Reinforcement learning (RL) yaitu algoritma Deep Deterministic Policy Gradient (DDPG) yang disimulasikan pada simulink MATLAB. Algoritma DDPG merupakan algoritma lanjutan dari algoritma Deep Q-Network (DQN) yang dapat diaplikasikan pada sistem yang kontinu. RIP merupakan sistem nonlinier yang populer pada sistem kendali yang bersifat mekanis sehingga permasalahan RIP banyak dikerjakan oleh peneliti dalam bidang sistem kendali dengan berbagai metode pengendalian. Tujuan dari penelitian ini adalah untuk mengetahui hasil pengendalian dengan algoritma DDPG dan kemudian membandingkannya dengan metode pengendalian lain yang telah dikerjakan oleh peneliti lainnya. Pengendalian yang dilakukan pada penelitian ini yaitu keseimbangan pendulum ketika posisinya berdiri tegak. ......This research focuses on controlling a nonlinear system Rotary Inverted Pendulum (RIP) using one of the Reinforcement Learning (RL) algorithms Deep Deterministic Policy Gradient (DDPG) algorithm which is simulated on simulink MATLAB. DDPG algorithm is an advanced algorithm from the Deep Q-Network (DQN) algorithm which can be applied to continuous systems. RIP is a nonlinear system that is popular in mechanical control systems so that many RIP problems are worked on by researchers in the field of control systems with various control methods. The purpose of this study is to determine the results of control with the DDPG algorithm and then compare it with other control methods that have been used by other researchers. The control carried out in this study is the balance of the pendulum when the posture is standing upright.

Abstrak :
Kendaraan listrik (EV) telah menjadi solusi yang semakin populer untuk mengurangi emisi gas kendaraan bermotor dan mengatasi masalah lingkungan. Meningkatnya penggunaan EV menimbulkan tantangan baru terkait manajemen daya di stasiun pengisian daya. Masalahnya adalah kurangnya efisiensi dalam mengalokasikan daya saat kendaraan sedang mengisi daya di stasiun pengisian daya, yang dapat menyebabkan permintaan daya yang melebihi beban maksimum stasiun dan mengakibatkan lonjakan harga yang harus dibayar. Tujuan utama dari penelitian ini adalah untuk mengembangkan pengontrol manajemen daya yang efisien untuk stasiun pengisian daya kendaraan listrik berbasis deep reinforcement learning (DRL). DRL diterapkan karena kemampuannya untuk menyelesaikan sistem kontrol tanpa model yang akurat (free-based-model), terutama untuk stasiun pengisian daya EV yang memiliki faktor stokastik. Sistem akan secara otomatis mengontrol alokasi daya untuk pengisian daya kendaraan berdasarkan informasi dari setiap kendaraan yang terhubung ke stasiun pengisian daya dan variabel lainnya agar tidak melebihi batas daya maksimum stasiun pengisian daya. Hasil penelitian ini menunjukkan bahwa penggunaan algoritma DRL, terutama DDPG dengan pendekatan actor-critic, dapat mengalokasikan daya pengisian daya secara optimal untuk setiap EV dan secara signifikan memaksimalkan keuntungan stasiun dibandingkan dengan algoritma lainnya. ......Electric vehicles (EVs) have become an increasingly popular solution to reduce motor vehicle gas emissions and address environmental concerns. The increasing use of EVs poses new challenges regarding power management at charging stations. The problem is the lack of efficiency in allocating power while vehicles are charging at charging stations, which can lead to power demand that exceeds the maximum load of the station and results in a spike in the price to be paid. The main objective of this research is to develop an efficient power management controller for electric vehicle charging stations based on deep reinforcement learning (DRL). DRL is applied because of its ability to solve the control system without an accurate model (free-based-model), especially for EV charging stations that have stochastic factors. The system will automatically control the power allocation for vehicle charging based on information from each vehicle connected to the charging station and other variables so as not to exceed the charging station's maximum power limit. The results of this study show that the use of DRL algorithms, especially DDPG using actor-critic approach, can optimally allocate charging power for each EV and significantly maximize the station's profit compared to the other algorithms. 

Abstrak :
Roket reusable menjadi solusi dari tingginya biaya peluncuran roket. Dengan adanya roket yang dapat digunakan kembali, produsen roket tidak harus membuat roket baru untuk tiap peluncuran. Namun dengan banyaknya aspek yang perlu dikendalikan dalam pendaratan roket, diperlukan pengendalian yang rumit dengan pengetahuan mendalam mengenai model roket untuk menghasilkan pendaratan roket yang baik. Pada penelitian ini diajukan pengendali dengan proses perancangan yang lebih sederhana menggunakan reinforcement learning dengan algoritma Deep Deterministic Policy Gradient (DDPG) dengan fokus perancangan pada pencarian fungsi reward. Hasil pengendalian kemudian dibandingkan dengan pengendali PID dan pengendali DDPG dari penelitian terdahulu. ......Reusable rocket is the ultimate solution of high rocket launch cost. With rockets being reusable, companies don’t have to make new rockets for every flight. But controlling rocket landing is not easy. With so many aspects needed to be controlled, complicated control system and in-depth knowledge about each rocket models are inevitable. This research proposes a controller with simpler design method using reinforcement learning with Deep Deterministic Policy Gradient (DDPG) algorithm which focuses on reward shaping. The result is then compared with PID and DDPG controllers from previous research.