Penggunaan motor listrik sebagai penggerak utama pengganti mesin berbahan bakar minyak pada dunia industri dan otomotif semakin meningkat. Seperti halnya dalam dunia pertanian yang sangat bergantung pada mesin berbahan bakar minyak yakni traktor. Penggerak utama tractor konvensional saat ini dapat digantikan dengan mesin listrik yang dapat menyediakan kecepatan yang rendah dan torsi yang tinggi. Mesin listrik yang cocok digunakan adalah BLDC 4 KW. Masalah yang dihadapi dalam penggunaan BLDC sebagai penggerak tractor adalah system pengontrolannya yang rumit. Pada proyek akhir ini dilakukan pengembangan pengaturan kecepatan motor BLDC dengan menggunakan metode vector control yang berfokus pada pengaturan iq karena BLDC menggunakan permanen magnet untuk medan nya. Kontrol Fuzzy digunakan sebagai pengatur besarnya iq yang diperlukan sesuai dengan perbandingan set poin dan delta errornya. Set ppoinyt kecepatan motor diatur pada kecepatan 100 rpm, 200 rpm, 300 rpm, 400rpm dan 500 rpm serta dengan perubahan variasi beban 1 Nm, 2 Nm, 3 Nm, serta 4 Nm. Hasil pengujian Close Loop didapatkan nilai error rata-rata untuk mencapai set point yaitu 0,31 persen dan waktu yang dibutuhkan untuk mencapai set point paling cepat yakni selama 1,213 ms.

Performa suatu baterai umumnya akan mengalami penurunan seiring dengan umur baterai karena pengisian dan pengosongan yang dilakukan berulang kali. Pada pengisian konvensional, batas-batas overcharge dan overdischarge terkadang tidak dihiraukan sehingga menyebabkan baterai lebih cepat terdegradasi. Ketika telah terisi penuh, baterai akan mengalami discharging. Pada dasarnya ketika baterai mengalami pengisian dan pengosongan secara kontinyu maka baterai akan mengalami pengurangan kapasitas dan penurunan performa. Untuk mengatasi masalah tersebut maka dirancang sebuah estimasi State of Charge (SoC) yang akan digunakan untuk mengontrol kondisi charging dan discharging. Pada peneleitian sebelunya kebanyakan State of Charge hanya digunakan ketika waktu charging sehingga pada proyek akhir ini akan dibuat estimasi State of Charge pada kedua kondisi yaitu kondisi charging dan kondisi discharging. Untuk pengimplementasiannya dapat digunakan sebagai beban penerangan dan pendingin. Estimasi State of Charge (SoC) pada sistem ini, menggunakan metode Artificial Neural Network (ANN) dengan algoritma Elman Backpropagation. Pada Elman Backpropagation terdapat tambahan layer context neuron yang menyediakan pola hidden unit agar dapat diumpan balik ke dirinya sendiri. Dengan adanya pola hidden unit, menyebabkan proses iterasi, kecepatan update parameter, konvergensi menjadi lebih cepat, dan memiliki keakuratan yang tinggi untuk mengestimasi nilai SoC. Hasil pengujian menggunakan beban pompa dan lampu menunjukkan penurunan tegangan, SOC, dan kapasitas baterai secara signifikan, memberikan wawasan penting bagi pengguna baterai dalam memahami durabilitas dan kinerja baterai selama operasi discharging. Selain itu, Estimasi State of Charge (SoC) dapat meningkatkan performa dan ketahanan baterai serta menghindarkan baterai dari Overcharge dan Overdischarge.

Pada proyek akhir ini dirancang sebuah dc-dc konverter jenis fullbridge tiga fasa untuk mensuplai tegangan dc pada solar inverter 3 fasa. Dalam konverter fullbridge terdapat tiga bagian utama yakni inverter yang digunakan untuk mengkonversi tegangan dc menjadi tegangan ac dengan frekuensi tinggi, transformator 3 fasa yang digunakan untuk menaikkan tegangan keluaran dari inverter 3 fasa dan bagian terakhir adalah penyearah tiga fasa tak terkontrol. Untuk mendapatkan keluaran yang konstan kontroler jenis PI digunakan untuk mengatur keluaran dari konverter. Setelah dilakukan pengujian secara parsial untuk masing-masing bagian, ternyata inverter mampu untuk mengkonversi tegangan dc sebesar 35 volt dc menjadi 8.46 volt untuk fasa a, 10.23 volt untuk fasa b, dan 11.72 volt untuk fasa c. Sedangkan untuk keluaran dari transformator 3 fasa yang diukur pada bagian line dan netralnya didapat tegangan sebesar 31.86 volt ac untuk fasa a, 30.34 volt ac untuk fasa b, 30.18 volt ac untuk fasa c. Lebih lanjut, keluaran dari ketiga transformator tersebut akan disearahkan dengan menggunakan rectifier tiga fasa gelombang penuh. Sehingga didapat untuk keluaran dari penyearah tiga fasa adalah sebesar 102.9 volt. Sedangkan saat dilakukan pengujian dengan sumber 164.5 volt dc konverter mampu menghasilkan keluaran tegangan dc sebesar 541.1 Volt dc. Dengan keluaran yang masih dibawah dari nilai yang diinginkan, maka kontroler akan mengatur nilai duty cycle pada nilai meksimum yakni 50%.

Seorang kiper (penjaga gawang) mempunyai tugas yang sangat krusial dikarenakan seorang kiper bertugas untuk menjaga gawangnya agar tidak kemasukan gol. Beberapa peneliti telah melakukan penelitian dan pengembangan terhadap metode pelatihan kiper hingga menghasilkan sebuah alat bernama ball launcher. Penelitian dan pengembangan ball launcher atau alat pelontar bola yang telah dilakukan ini mempunyai sistem yang kurang efisisen. Pada saat akan menembakkan atau melontarkan bola ke kiper, pengaturan arah dan kecepatan alat masih dilakukan secara manual. dan pada saat akan menembakkan bola lagi harus memasukkan bola secara manual. Pada penelitian ini akan dikembangkan menjadi mobile robot dan ditambahkan fitur berupa pengotomatisan pengaturan kendali arah dan kecepatan pada launcher atau pelontar. Pengatruran kecepatan pelontar menggunakan metode pwm dan sistem kontrol arah pelontar menggunakan feedback dari sensor. Hasil akhir dari penelitian ini adalah rancangan desain sistem kendali kecepatan dan arah pelontar pada mobile robot pelempar bola telah berhasil dirancang dan diimplementasikan dengan sukses. Sistem ini mampu melakukan pelontaran bola dengan kecepatan maksimum 70 km/h dan dengan tingkat kepresisian yang tinggi sesuai dengan arah yang dituju, serta dapat mengatur kecepatan pelontaran dalam tiga mode yang berbeda. Uji coba terhadap sasaran gawang juga menghasilkan data yang menunjukkan keberhasilan bola mencapai sembilan titik pada gawang yang telah ditentukan sebelumnya dengan hasil 67 pelontaran tepat target dan 4 tidak sesuai target. Dapat disimpulkan bahwa implementasi keseluruhan sistem kendali kecepatan dan arah pelontar pada mobile robot pelempar bola telah memberikan hasil yang memuaskan dan mencapai tujuan yang telah ditetapkan.

Performa suatu baterai umumnya akan mengalami penurunan seiring dengan umur baterai karena pengisian dan pengosongan yang dilakukan berulang kali. Pada pengisian konvensional, batas batas overcharge dan overdischarge terkadang dihiraukan sehingga menyebabkan baterai lebih cepat terdegradasi. Dalam melakukan pengisian baterai, tegangan dan arus charging harus diatur sesuai dengan datasheet baterai untuk menghindari kerusakan baterai. Untuk mengatasi permasalahan tersebut, dibuatlah alat charging baterai metode CC CV dengan kontrol PI yang dilengkapi dengan estimasi State of Charge SoC untuk mengatur nilai arus dan tegangan charging baterai serta mengetahui kapasitas baterai yang tersisa karena keakuratan estimasi SoC akan mempengaruhi ketahanan baterai dan tingkat performa dari baterai serta dapat menghindarkan baterai dari overcharge dan overdischarge. ANFIS merupakan salah satu metode yang dapat digunakan untuk melakukan training data estimasi State of Charge. Metode ANFIS merupakan penggabungan dari metode logika fuzzy dan jaringan syaraf tiruan yang memiliki kelebihan dalam melakukan prediksi berdasarkan data histori dari pembelajaran data serta pengambilan keputusan berdasarkan rules yang diterapkan. Data yang diolah oleh ANFIS adalah data tegangan dan arus hasil sensing sensor tegangan dan sensor arus pengisian baterai. Dari pengujian yang telah dilakukan, alat charging baterai metode CC CV ini menghasilkan arus dan tegangan yang masih belum bisa stabil namun berhasil mendekati set point yakni 1.2 A dan 13.8 V, dan didapatkan hasil yang menunjukkan bahwa ANFIS mampu melakukan pengestimasian nilai state of charge baterai berdasarkan training data yang diberikan dengan average error sebesar 0.2 persen dengan pembuktian hasil tegangan baterai kondisi open circuit saat rest time 30 menit yang sangat mendekati nilai aktualnya. Dilakukan perbandingan estimasi state of charge baterai lead acid dengan metode ANFIS dan metode Elman BPNN yangmana dengan total 21 sampel data, metode ANFIS menghasilkan nilai average error yang lebih kecil dibandingkan metode Elman BPNN, dengan error ANFIS sebesar 0.16 persen dan error Elman BP-NN sebesar 0.34 persen.