digilib@itb.ac.id +62 812 2508 8800

SISTEM KONTROL DATA-DRIVEN BERBASIS LIGHTGBM PADA QUADCOPTER

Penulis : Ahmad Musthafa Al Ghifari [23222003]
Kontributor / Dosen Pembimbing :
  • Dr. Ir. Dimitri Mahayana, M.Eng.
Jenis Koleksi : Tesis
Penerbit : Teknik Elektro
Fakultas : Sekolah Teknik Elektro dan Informatika
Subjek :
Kata Kunci : Quadcopter, Light Gradient Boost Machine (LightGBM), Linear Quadratic Regulator (LQR).
Sumber :
Staf Input/Edit : Dessy Rondang Monaomi  
File : 1 file
Tanggal Input : 15 Agu 2024

Dokumen Asli
PUBLIC Dessy Rondang Monaomi

Unmanned Aerial Vehicles (UAV), juga dikenal sebagai drone, adalah pesawat nirawak yang dapat terbang dan diprogram untuk melakukan tugas tertentu tanpa intervensi manusia. Salah satu dari jenis UAV ini adalah quadcopter. Sistem pengendalian pada quadcopter berkembang dengan sangat pesat seiring berjalannya waktu. Sistem kendali quadcopter dapat dilakukan salah satunya adalah dengan menggunakan machine learning. Light Gradient Boost Machine (LightGBM) merupakan algoritma pembelajaran berbasis tree gradient yang dapat mengoptimalkan penggunaan memori dan waktu pelatihan dengan teknik yang secara selektif mempertahankan objek dengan jumlah data yang banyak selama pelatihan. Penelitian ini akan dilakukan sebuah perancangan algoritma LightGBM yang akan dilakukan untuk menggantikan algoritma kendali Linear Quadratic Regulator (LQR). Skema dari penelitian ini adalah dengan mendapatkan data input dan output dari closed-loop sistem quadcopter menggunakan algoritma kendali LQR, maka akan dilakukan training untuk mendapatkan model dari algoritma kendali LightGBM yang akan digunakan. Algoritma kendali LightGBM diharapkan dapat menggantikan algoritma LQR sebagai pengendali untuk sistem quadcopter yang telah dirancang. Hasil dari simulasi yang dilakukan pada penelitian ini menunjukan bahwa dengan menggunakan hyperparameter (num leaves: 31, max depth: 7, learning rate: 0,09848640149856627 dan num iterations: 872) untuk data tanpa gangguan respon dari algoritma pengendali LQR dan LightGBM memiliki hasil respon yang hampir sama persis, dengan rise time, settling time, dan % overshoot dari algoritma LightGBM lebih rendah dibandingkan dengan algoritma LQR. Dan untuk data dengan gangguan dilakukan training dengan menggunakan hyperparameter sebagai berikut (n_estimators = 100, learning rate: 0,3764792620878137 dan num iterations: 880), dengan hasil yaitu respon yang dihasilkan oleh pengendali LightGBM memiliki rise time, settling time yang lebih lama dibandingkan dengan respon yang dihasilkan oleh algoritma LQR.

Artikel Terkait