Simulasi Desain Kendali Untuk Pendingin Ikan Portable Berbasis Panel Surya Menggunakan Reinforcement Learning

Abstract

Pendingin ikan portable biasa digunakan pada nelayan-nelayan kecil di Indonesia. Pada umumnya pendingin ikan portable menggunakan bongkahan es batu dalam mengawetkan ikan hasil tangkapan. Penggunaan es batu untuk mengawetkan tangkapan ikan cukup populer karena harganya yang murah dan mudah didapatkan. Namun penggunaan es batu dapat menambah bobot muatan kapal, sehingga tidak dapat memaksimalkan ruang penyimpanan tangkapan ikan. Salah satu alternatif mendinginkan ikan hasil tangkapan yaitu menggunakan panel surya sebagai energi untuk mendinginkan ikan. Sistem pendinginan ini menggunakan metode reinforcement learning. Penelitian ini mengujicobakan beberapa metode policy reinforcement learning untuk mengamati tingkat akurat dari setiap metodenya. Metode reinforcement learning yang digunakan yaitu Proximal Policy Optimization (PPO), Advantage Actor Critic(A2C), dan Soft Actor Critic (SAC). Dari ketiga metode reinforcement learning, Model algoritma PPO dan A2C pada saat learning rate 0.001 dan timesteps 100000 memiliki tingkat akurasi yang cukup baik untuk tetap menjaga di suhu target. Namun, A2C cenderung lebih stabil dibandingkan PPO. Keunggulan kontroler PID lebih stabil dibandingkan dengan A2C Namun, PID membutuhkan tinjaun lebih dalam untuk mengurangi undershoot sehingga dapat mencapai suhu target lebih cepat.