Perpustakaan Digital ITB

Sepeda listrik berbantuan pedal (Pedal-assist Electric Bicycle/Pedelec) merupakan salah satu moda transportasi berkelanjutan yang menggabungkan tenaga pengendara dan bantuan motor listrik. Sebagian besar sistem bantuan daya dan perpindahan gigi yang tersedia saat ini masih menentukan strategi pengendalian berdasarkan parameter mekanis, seperti kecepatan, kadens, torsi pedal, dan kemiringan jalan, sehingga belum mempertimbangkan respons fisiologis pengendara, khususnya denyut jantung (heart rate). Selain itu, model dinamika longitudinal pedelec, model prediksi denyut jantung, dan algoritma Pengambilan Keputusan Multi-Kriteria/PKMK (Multi-Criteria Decision Making/MCDM)) umumnya masih dikembangkan secara terpisah sehingga belum membentuk suatu sistem rekomendasi yang terintegrasi. Penelitian ini bertujuan mengembangkan suatu kerangka terintegrasi yang menggabungkan model dinamika longitudinal sepeda listrik berbantuan pedal, model prediksi denyut jantung, dan algoritma PKMK untuk menghasilkan sistem rekomendasi gigi–bantuan daya otomatis (automatic gear-assist system). Model dinamika dikembangkan dengan mengintegrasikan karakteristik pengendara, sistem penggerak, dan gaya-gaya eksternal yang memengaruhi pergerakan kendaraan. Selanjutnya, model prediksi denyut jantung dikembangkan menggunakan pendekatan Hibrida Pohon Keputusan dan Regresi Sesepenggal (Hybrid Decision Tree-Piecewise Regression) yang memiliki kompleksitas komputasi rendah, mudah diinterpretasikan, dan sesuai untuk implementasi secara waktu nyata. Keluaran kedua model tersebut kemudian diintegrasikan ke dalam algoritma PKMK untuk menentukan kombinasi tingkat gigi dan bantuan daya berdasarkan kondisi mekanis kendaraan serta respons denyut jantung pengendara. Seluruh model diimplementasikan pada MATLAB/Simulink dan dievaluasi melalui simulasi serta pengujian lapangan. ii Hasil validasi model dinamika terhadap eksperimental pada berbagai tingkat bantuan motor menunjukkan adanya kesesuaian antara hasil simulasi dan hasil pengukuran, yang ditunjukkan oleh persentase Fit sebesar 66,90% dan 74,13%. RMSE sebesar 6.8756 km/jam dan 3.5445 km/jam, serta MAE sebesar 6.5281 km/jam dan 2.9411 km/jam, untuk kecepatan sepeda pada Assist Level 2 dan 4. Model prediksi denyut jantung menghasilkan MAE sebesar 3,080 bpm, RMSE sebesar 5,2273 bpm, MAPE sebesar 2,36% bpm, dan koefisien korelasi Pearson sebesar 0,5309 terhadap data eksperimen. Hasil tersebut menunjukkan bahwa kedua model mampu merepresentasikan keseuaian perilaku sistem dengan baik serta memiliki kompleksitas komputasi yang sesuai untuk implementasi secara waktu nyata. Pengujian algoritma Heart Rate Regulated Mode (HRRM) menunjukkan penurunan denyut jantung rata-rata sebesar 14,01–17,42% dan denyut jantung maksimal sebesar 19,46–20,75% dibandingkan algoritma yang tidak mempertimbangkan model prediksi denyut jantung. Pada pengujian mode Cozy yaitu mode pengendalian yang memprioritaskan kenyamanan fisiologis pengendara dibanding efisiensi energi (Comfort-Oriented Riding Mode), nilai persentase denyut jantung terhadap target maksimal (%HR Target) pengendara berada pada kisaran 67,53 % hingga 70,66 %, dengan perbedaan sebesar 3,13 % antara kedua pengendara pada lintasan yang didominasi tanjakan. Integrasi model prediksi denyut jantung meningkatkan konsumsi energi motor sebesar 111,37% pada Pengendara 1 dan 184,52% pada Pengendara 2, yang menunjukkan adanya trade-off antara pengaturan respons fisiologis pengendara dan konsumsi energi motor. Kontribusi utama penelitian ini adalah pengembangan suatu kerangka terintegrasi yang menghubungkan model dinamika longitudinal sepeda listrik berbantuan pedal, model prediksi denyut jantung berbasis Hibrida Pohon Keputusan dan Regresi Sesepenggal, dan algoritma Pengambilan Keputusan Multi-Kriteria dalam sistem rekomendasi gigi–bantuan daya otomatis. Penelitian ini masih menggunakan model karakteristik pengendara yang bersifat kuasi-statis dan model prediksi denyut jantung yang statis. Model dibangun berdasarkan data eksperimen dan pengujiannya dilakukan pada jumlah pengendara serta konfigurasi kendaraan dengan cakupan yang masih terbatas. Kondisi tersebut menjadi dasar bagi pengembangan model dan sistem yang lebih dinamis pada penelitian selanjutnya.