Studi Komparasi Simulasi Sistem Kendali PID Pada Matlab, GNU Octave, SciLab dan Spyder

Authors

Ardy Seto Priambodo, Universitas Negeri Yogyakarta, Indonesia

Keywords

Simulasi, PID, MATLAB, GNU Octave, Scilab, Spyder

Document Type

Article

Abstract

Dalam penelitian ini perbandingan antara perangkat lunak MATLAB, GNU Octave, Scilab dan Spyder akan diamati. Proses yang menjadi obyek dalam penelitian ini adalah sistem kendali PID yang digunakan untuk mengendalikan plant yang berupa model motor DC. Fungsi alih dari motor DC merupakan model dari motor DC yang diturunkan dari hukum newton ke-2 dan hukum kirchoff tegangan. Simulasi dilakukan pada perangkat lunak menggunakan 2 cara yaitu kode program dan block programming. Jumlah baris kode program yang terpendek adalah MATLAB dengan 17 baris dan yang terpanjang adalah Spyder dengan 20 baris kode program. Untuk block programming hanya dapat dilakukan pada MATLAB dan Scilab karena perangkat lunak yang lain tidak memiliki fitur tersebut. Waktu eksekusi kode program diamati padan masing-masing perangkat lunak dan Spyder adalah yang tercepat dengan waktu 0.0682 detik. Hasil plot dari masing-masing perangkat lunak tidak banyak memiliki perbedaan. MATLAB adalah perangkat lunak yang terbaik dengan fiturnya namun diperlukan biaya lisensi dalam menggunakannya.

First Page

169

Last Page

175

Page Range

169-175

Issue

2

Volume

4

Digital Object Identifier (DOI)

10.21831/elinvo.v4i2.28347

Source

https://journal.uny.ac.id/index.php/elinvo/article/view/28347

Recommended Citation

A. S. Priambodo, "Studi Komparasi Simulasi Sistem Kendali PID Pada Matlab, GNU Octave, SciLab dan Spyder,", vol. 4, no. 2, pp. 169 - 175, Dec 2019.

The definitive version is available at https://doi.org/10.21831/elinvo.v4i2.28347

References

Pratiwi, R., Waris, A., & Salengke, S. (2019). Rancang Bangun Sistem Kendali Kecepatan Putaran Motor Dc Berbasis Logika Fuzzy Untuk Mesin Pengaduk Hasil Pertanian (Studi Kasus Pengadukan Biji Kedelai). Jurnal Agritechno, 43-54.

Zhao, J., Han, L., Wang, L., & Yu, Z. (2016, June). The fuzzy PID control optimized by genetic algorithm for trajectory tracking of robot arm. In 2016 12th World Congress on Intelligent Control and Automation (WCICA) (pp. 556-559). IEEE.

SUN, J. H., & Cheng, L. L. (2017). Robust PID Controller for AR Drone. In Computer Science and Technology: Proceedings of the International Conference (CST2016) (pp. 1213-1221).

Rajaram, M. L., Kougianos, E., Mohanty, S. P., & Choppali, U. (2016). Wireless sensor network simulation frameworks: A tutorial review: MATLAB/Simulink bests the rest. IEEE Consumer Electronics Magazine, 5(2), 63-69.

Brum, R., de Castro, M. C. S., & Silva, F. A. (2017, November). A whole-cell simulator in GNU Octave. In AIP Conference Proceedings (Vol. 1906, No. 1, p. 130004). AIP Publishing.

Sohal, J. S. (2016). Improvement of artificial neural network based character recognition system, using SciLab. Optik, 127(22), 10510-10518.

Hussain, Z., & Khan, M. S. (2018). Introducing Python Programming for Engineering Scholars. INTERNATIONAL JOURNAL OF COMPUTER SCIENCE AND NETWORK SECURITY, 18(12), 26-33.

Ogata, K. (2017). Modern control engineering. Instructor, 201709.

De Keyser, R., Ionescu, C. M., & Muresan, C. I. (2017, December). Comparative evaluation of a novel principle for PID autotuning. In 2017 11th Asian Control Conference (ASCC) (pp. 1164-1169). IEEE.

Tan, G., Shu, W., Guo, Y., & Liu, M. (2015, October). The application of fuzzy control in brushless DC motor for pure electric vehicle. In 2015 IEEE International Conference on Communication Problem-Solving (ICCP) (pp. 560-562). IEEE.