Perpustakaan Digital ITB

Fase final approach dan landing merupakan fase terbang dengan risiko kecelakan yang tinggi. Salah satu upaya dalam mengurangi risiko tersebut adalah dengan menerapkan sistem yang dapat membantu pilot dalam menjalani fase kritikal ini. Berbagai tipe sistem untuk mendukung proses ini, biasa disebut sistem auto-landing, telah dikembangkan dengan menggunakan algoritma yang bervariasi, biasanya berdasarkan model yang bersifat deterministik. Dalam penelitian ini telah dikembangkan sistem auto-landing dengan menggunakan pendekatan pembelajaran neural network. Metode ini dipilih karena diinginkan untuk mengekplorasi suatu metode yang dapat memasukkan unsur informasi pengendalian yang tidak determistik, yang dapat diperoleh dari aksi pengendalian yang dilakukan oleh pilot yang melibatkan respon spontan berdasarkan pengalaman dan best practice yang biasa dilakukan di lapangan. Metode neural network yang digunakan pada penelitian ini diharapkan dapat menangkap (capture) karakteristik aksi pengendalian praktikal yang dilakukan pada fase approach dan landing pesawat udara komersial Boeing 747-400 yang digunakan sebagai basis perancangan. Pada penelitian ini, dikembangkan 5 modul sistem kendali neural network yang bekerja secara terintegrasi untuk membentuk sistem autoland pesawat basis. Untuk melatih sistem kendali neural network ini, digunakan 80 set data hasil simulasi proses approach dan landing dari perangkat lunak X-Plane 10, yang menggunakan sistem autoland yang dapat diaktifkan secara otomatis dalam perangkat lunak ini. Modul kendali neural network yang dikembangkan dimaksudkan agar mampu menjaga sudut glide slope dan posisi lateral pesawat untuk dapat mengikuti referensi trayektori approach dan mendarat di tengah landasan dengan baik sesuai aturan yang telah ditentukan. Kendali neural network yang diperoleh kemudian diuji dengan kembali diimplementasikan dan disimulasikan pada perangkat lunak X-Plane. Dibandingkan dengan autopilot pada X-Plane, sistem autoland berbasis neural network menunjukkan kinerja kendali glide slope yang memberikan rerata mutlak altitude error sebesar 21,06 m dan glide slope error 0,15?, lebih baik dari kendali autoland X-Plane yang memberikan rerata mutlak altitude error sebesar 27,47 m dan glide slope error 0,23?. Namun dalam pengendalian posisi lateral (berdasarkan error terhadap localizer), autoland berbasis neural network yang dihasilkan memberikan error lateral sebesar 0,50 m, lebih buruk dibandingkan sistem kendali autoland X-Plane yang memberikan error lateral 0,22 m. Hasil yang diperoleh dapat menjadi dasar untuk pengembangan lanjut sistem kendali terbang berbasis neural network.