Optimasi Tebal, Diameter dan Jenis Material Pada Desain Frame Sepeda Listrik ITS Menggunakan Metode Back Propagation Neural Network - Genetic Algorithm

Wiratama, Dimas Haqqi (2023) Optimasi Tebal, Diameter dan Jenis Material Pada Desain Frame Sepeda Listrik ITS Menggunakan Metode Back Propagation Neural Network - Genetic Algorithm. Other thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 02111840000067-Undergraduate_Thesis.pdf] Text
02111840000067-Undergraduate_Thesis.pdf
Restricted to Repository staff only until April 2025.

Download (4MB)

Abstract

Pada era inovasi dan teknologi saat ini, mesin penggerak elektrik sudah menjadi arah masa depan bagi seluruh dunia. Beragam inovasi diciptakan salah satunya adalah terobosan dari Institut Teknologi Sepuluh Nopember berupa Sepeda Listrik ITS. Sepeda listrik diberi pasokan energi oleh baterai untuk menggerakkan motor listrik yang diletakkan pada sepeda. Baterai yang tersedia kapasitasnya sangat terbatas. Semakin berat frame sepeda maka semakin besar pula energi yang dibutuhkan untuk menggerakkan motor listrik sepeda tersebut. Motor penggerak listrik yang berdaya tinggi diperlukan apabila frame sepeda listrik yang diproduksi semakin berat. Motor listrik berdaya tinggi memiliki harga produksi atau harga jual yang tinggi pula sehingga sangat berpengaruh pada biaya produksi Sepeda Listrik ITS. Oleh karena itu, diperlukan Optimasi Metaheuristic pada tebal, diameter dan jenis material pada frame sepeda tersebut agar didapatkan hasil frame yang ringan dan kuat.
Dari penelitian sebelumnya diperoleh data tebal, diameter, jenis material, dan geometri pada frame sepeda listrik yang dijadikan input untuk proses optimasi. Kemudian digunakan metode BPNN-GA untuk memperoleh parameter data yang paling optimal dari sejumlah data percobaan yang dilakukan dalam proses optimasi. Hasil dari penelitian ini akan dibandingkan dengan frame sebelum di optimasi. Hasil parameter Back Propagation Neural Network yang terbaik untuk memperoleh tingkat kesalahan prediksi respon BPNN1 yang paling kecil adalah BPNN dengan jumlah hidden layer 1, jumlah neuron 5 dan fungsi aktivasi tansig pada tiap layernya dengan MSE 0,00003. Hasil parameter Back Propagation Neural Network yang terbaik untuk memperoleh tingkat kesalahan prediksi respon BPNN2 yang paling kecil adalah BPNN dengan jumlah hidden layer 3, jumlah neuron 8 dan fungsi aktivasi tansig pada tiap layernya dengan MSE 0,000167. Hasil parameter input yang ketika dipilih menghasilkan Stress dan Weight paling minimum menggunakan metode BPNN-GA adalah Tebal sebesar 3 mm, Diameter 32 mm dan Jenis Material Alumunium 6061-T6. Hasil optimasi yang dihasilkan menggunakan metode BPNN-GA setelah dilakukan Constraint Handling yaitu data yang memiliki stress sebesar 166.5858 Mpa dan memiliki weight sebesar 2.3717 Kg.
=============================================================================================================================
In the current era of innovation and technology, electric propulsion engines have become the future direction for the whole world. Various innovations were created, one of which was a breakthrough from the Sepuluh Nopember Institute of Technology in the form of an ITS Electric Bicycle. Electric bicycles are supplied with energy by a battery to drive an electric motor placed on the bicycle. The available battery capacity is very limited. The heavier the bicycle frame, the greater the energy required to drive the bicycle's electric motor. High-power electric motors are needed if the electric bicycle frames that are produced are heavier. High-power electric motorbikes have a high production price or selling price as well so that it is very influential on the production costs of ITS Electric Bikes. Therefore, metaheuristic optimization is needed on the thickness, diameter and type of material on the bicycle frame in order to obtain lightweight and strong frame results.
From previous studies, data on thickness, diameter, type of material, and geometry on the electric bicycle frame were obtained which were used as input for the optimization process. Then the BPNN-GA method is used to obtain the most optimal data parameters from a number of experimental data carried out in the optimization process. The results of this study will be compared with the frame before optimization. The best results for the Back Propagation Neural Network parameter to obtain the smallest BPNN1 response prediction error rate are BPNN with 1 hidden layer, 5 neurons and tantig activation function in each layer with MSE 0.00003. The best results for the Back Propagation Neural Network parameter to obtain the lowest BPNN2 response prediction error rate are BPNN with 3 hidden layers, 8 neurons and the tantig activation function in each layer with MSE 0.000167. The results of the input parameters which when selected produce the minimum Stress and Weight using the BPNN-GA method are Thickness of 3 mm, Diameter of 32 mm and Material Type Aluminum 6061-T6. Optimization results are generated using the BPNN-GA method after the Constraint Handling is carried out, namely data that has a stress of 166.5858 Mpa and has a weight of 2.3717 Kg.

Item Type: Thesis (Other)
Uncontrolled Keywords: Optimasi Metaheuristic, Frame Sepeda Listrik ITS, Backpropagation Neural Network, Genetic Algorithm
Subjects: T Technology > T Technology (General) > T57.5 Data Processing
T Technology > T Technology (General) > T57.62 Simulation
T Technology > T Technology (General) > T58.62 Decision support systems
T Technology > T Technology (General) > T58.8 Productivity. Efficiency
T Technology > TJ Mechanical engineering and machinery > TJ213 Automatic control.
T Technology > TL Motor vehicles. Aeronautics. Astronautics > TL410 Bicycles and bicycling--Design and construction
Divisions: Faculty of Industrial Technology > Mechanical Engineering > 21201-(S1) Undergraduate Thesis
Depositing User: Dimas Haqqi Wiratama
Date Deposited: 17 Feb 2023 06:47
Last Modified: 20 Feb 2023 02:27
URI: http://repository.its.ac.id/id/eprint/97602

Actions (login required)

View Item View Item