Karya Tulis Ilmiah Robot Pemadam Api_anita Kurniawati Hartina (2283150012).docx

  • Uploaded by: Anita Kurniawati
  • 0
  • 0
  • December 2019
  • PDF

This document was uploaded by user and they confirmed that they have the permission to share it. If you are author or own the copyright of this book, please report to us by using this DMCA report form. Report DMCA


Overview

Download & View Karya Tulis Ilmiah Robot Pemadam Api_anita Kurniawati Hartina (2283150012).docx as PDF for free.

More details

  • Words: 2,803
  • Pages: 18
KARYA TULIS ILMIAH SISTEM NAVIGASI ROBOT PEMADAM API Disusun Untuk Memenuhi Tugas Mata Kuliah Robotika Dosen Pengampu: Endi Permata, ST. MT.

Tugas/Makalah ke: 1 Anita Kurniawati Hartina

2283150012

PROGRAM STUDI/JURUSAN PENDIDIKAN TEKNIK ELEKTRO FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN UNIVERSITAS SULTAN AGENG TIRTAYASA 2017

BAB I PENDAHULUAN

A. Latar Belakang Robot merupakan suatu alat yang mampu bergerak pada suatu lingkungan dengan tingkat kemampuan tertentu (Carelli dan Freire 2003). Robot memiliki kemampuan untuk melakukan tugas yang sederhana hingga tugas yang kompleks. Tugas sederhana yang dapat dilakukan robot di antaranya bergerak mengikuti garis, menyelesaikan labirin, dan menari. Sedangkan tugas kompleks yang dapat dilakukan robot di antaranya merakit komponen kendaraan, membersihkan limbah beracun, dan melakukan penyelamatan. Untuk melakukan tugas-tugas tersebut, robot memerlukan sistem navigasi yang baik. Kecerdasan buatan merupakan salah satu cara untuk memberikan kemampuan navigasi pada robot. Kemampuan navigasi menggunakan kecerdasan buatan dapat dikaitkan dengan kemampuan sensor untuk menerima masukan dari lingkungan (Carelli dan Freire 2003). Masukan dari lingkungan bersifat tidak pasti sehingga pemodelan yang sederhana tidak cukup mewakili. Menurut Peri (2002), pemodelan menggunakan logika fuzzy dapat dijadikan alat untuk menangani ketidakpastian dan representasi pengetahuan. Dasar operasi dari robot ialah mampu bergerak menelusuri dinding yang tidak diketahui konturnya (Braunstingl et al. 1995). Algoritme yang umum digunakan untuk membuat robot mampu menelusuri dinding adalah wall following. Algoritme ini dapat dikombinasikan dengan logika fuzzy dan digunakan sebagai navigasi. Penelitian terdahulu yang terkait ialah perancangan dan implementasi logika fuzzy pada mikrokontroler ATMega16 untuk robot penghindar halangan (Fathurahman 2011). Penelitian tersebut berhasil mengimplementasikan logika fuzzy pada mikrokontroler ATMega16. Sistem yang dirancang menggunakan mikrokontroler ATMega16 sudah mampu menangani 3 masukan dan 2 keluaran dengan baik dan waktu respon sistem cepat.

B. Perumusan Masalah Sistem navigasi sangat penting bagi robot yang bergerak menggunakan kecerdasan buatan. Untuk menyelesaikannya diperlukan beberapa kemampuan navigasi yang baik, yaitu navigasi untuk menelusuri dinding, navigasi untuk menemukan titik api, dan navigasi untuk kembali ke home. C. Tujuan Penelitian Penelitian ini bertujuan mengembangkan sistem navigasi pada robot pemadam api menggunakan algoritme wall following dan logika fuzzy.

D. Manfaat Penelitian Penelitian ini diharapkan dapat mengembangkan sistem navigasi yang baik pada robot pemadam api dan mendukung pengembangan robotika di jurusan Pendidikan Teknik Elektro, Fakultas Keguruan dan Ilmu Pendidikan, Universitas Sultan Ageng Tirtayasa.

E. Ruang Lingkup Penelitian Sistem navigasi yang dikembangkan pada penelitian ini dibatasi hanya untuk robot pemadam api. Algoritme yang digunakan ialah wall following yang dikombinasikan dengan logika fuzzy. Pengujian sistem menggunakan simulasi. Masukan yang diterima dari sensor sudah berupa jarak antara robot dan objek. Keluaran yang dihasilkan berupa sudut belok yang harus dilakukan robot.

BAB II METODE

A. Perancangan Navigasi Navigasi yang dirancang pada penelitian ini dibagi menjadi 3 bagian, yaitu navigasi untuk menelusuri dinding, navigasi untuk menemukan titik api, dan navigasi untuk kembali ke home. Dasar operasi yang digunakan untuk memberikan kemampuan navigasi ialah wall following. Wall following untuk menelusuri dinding dikombinasikan dengan logika fuzzy untuk mengatasi ketidakpastian lingkungan. Dinding yang ditelusur ialah dinding pada gedung Kampus C UNTIRTA. Gedung tersebut memiliki 4 konfigurasi ruangan yang berbeda. Konfigurasi tersebut diatur dengan mengubah posisi pintu pada ruangan 1 dan ruangan 4. Setiap pintu memiliki penanda berupa garis. Posisi home berada di lorong bagian atas dengan penanda garis berbentuk lingkaran yang di dalamnya terdapat huruf H.

B. Perancangan Logika Fuzzy Logika fuzzy digunakan untuk merepresentasikan informasi jarak yang bersifat linguistik seperti dekat, sedang, dan jauh. Perancangan proses pada logika fuzzy secara umum dapat dibagi menjadi tiga tahap, yaitu fuzzifikasi, evaluasi aturan, dan defuzzifikasi (Obe dan Dumitrache 2010). Fuzzifikasi mengubah nilai masukan ke dalam nilai fuzzy menggunakan fungsi keanggotaan. Fungsi keanggotaan yang digunakan pada penelitian ini ialah fungsi segitiga dan trapesium. Kedua fungsi tersebut digunakan karena perumusan matematika yang sederhana. Fungsi segitiga terdiri atas 3 parameter, yaitu a, b, dan c, sedangkan trapesium

terdiri atas 4 parameter, yaitu a, b, c, dan d. Formula matematika untuk fungsi segitiga ialah sebagai berikut:

(1)

sedangkan formula matematika untuk fungsi trapesium ialah sebagai berikut:

(2)

dengan x adalah nilai anggota dan a, b, c, dan d adalah batas antar fungsi.

Evaluasi aturan merupakan tahapan untuk mengolah nilai fuzzy berdasarkan aturan yang dibuat. Aturan direpresentasikan dalam bentuk if-then. Setiap kondisi di dalam aturan dihubungkan dengan operator AND karena semua kondisi harus terpenuhi. Defuzzifikasi menerjemahkan nilai fuzzy ke dalam nilai keluaran yang diskret. Sebelum defuzzifikasi, dilakukan tahap pengumpulan hasil dari evaluasi aturan menggunakan operator OR. Tahapan pengumpulan ini dinamakan agregasi. Metode yang digunakan pada tahap defuzzifikasi untuk menerjemahkan adalah center of gravity (COG). Formula dari COG seperti berikut (Peri 2002):

(3) dengan μA(zk) adalah keluaran hasil implikasi fungsi keanggotaan dan zk adalah nilai keluaran anggota.

C. Implementasi Sistem navigasi yang telah dirancang diimplementasikan menggunakan perangkat lunak MobotSim. MobotSim adalah perangkat lunak simulasi 2 dimensi untuk mobile robot. MobotSim memiliki BASIC editor untuk melakukan pemrograman dengan bahasa pemrograman BASIC.

D. Pengujian Pengujian dilakukan dengan menjalankan simulasi pada perangkat lunak MobotSim. Simulasi terdiri atas 1 posisi home, 4 konfigurasi ruangan, dan 4 posisi api, sehingga membutuhkan 16 simulasi. Robot dikatakan berhasil menyelesaikan misi jika dapat memadamkan api dan kembali ke home.

E. Evaluasi Pada tahap ini, sistem dievaluasi mengenai keberhasilan dan kekurangan yang telah dicapai. Dengan demikian, dapat diketahui kelayakan dari sistem navigasi ini.

BAB III HASIL DAN PEMBAHASAN

A. Perancangan Navigasi Navigasi yang diperlukan untuk menyelesaikan misi adalah navigasi untuk menelusuri dinding, navigasi untuk menemukan titik api, dan navigasi untuk kembali ke home. Navigasi untuk menelusuri dinding dikombinasikan dengan logika fuzzy. Navigasi ini dapat membuat robot bergerak menelusuri dinding tanpa menabrak. Navigasi ini aktif saat pertama kali robot dihidupkan. Robot bergerak dari home dengan menelusuri dinding untuk menemukan titik api. Selama menelusuri dinding, robot mencatat banyaknya ruangan yang sudah dikunjungi dengan mendeteksi garis pada setiap pintu ruangan. Hal ini dilakukan untuk mengatasi masalah mengunjungi ruangan yang berada di tengah. Ruangan di tengah dikunjungi ketika robot sudah mengunjungi 3 ruangan. Ruangan tersebut dikunjungi dengan mengganti tipe dari right wall following menjadi left wall following. Untuk mengganti tipe wall following tersebut diperlukan ketepatan. Posisi ruangan yang di tengah dikelilingi oleh banyak lorong panjang sehingga kondisi tersebut dapat dijadikan syarat untuk mengganti tipe wall following. Titik api pada lingkungan Gedung Kampus C UNTIRTA terdapat di salah satu ruangan. Ketika robot bergerak menelusuri dinding dan robot menemukan titik api, robot berhenti untuk menyesuaikan posisi. Saat posisi sudah tepat, robot memadamkan api. Setelah memadamkan api, robot harus kembali ke home. Robot memiliki beberapa cara untuk kembali ke home. Cara pertama ialah setelah robot mengunjungi semua ruangan namun tidak menemukan titik api. Pada kondisi ini robot hanya perlu menelusuri dinding hingga mendeteksi garis home. Cara kedua ialah setelah memadamkan api, robot berbalik arah dan mengganti tipe wall following. Robot menelusuri jalur yang telah dilewati sebelumnya hingga mendeteksi garis home. Sebagai alternatif dari mendeteksi garis, robot juga selalu mencatat posisinya terhadap home menggunakan sistem kompas. Ketika posisi robot (0,0) terhadap home, robot dinyatakan berada di home.

Gambar 3 Lingkungan Kampus C UNTIRTA Semua navigasi yang dirancang memiliki keterkaitan sehingga pembagian navigasi menjadi 3 bagian hanya untuk mempermudah pemahaman dan implementasi sistem. Alur keseluruhan dari navigasi dapat dilihat pada Gambar 4.

B. Perancangan Logika Fuzzy Proses fuzzifikasi mengubah nilai masukan menjadi nilai fuzzy. Nilai masukan didapat dari pembacaan sensor jarak pada robot dalam satuan sentimeter. Nilai masukan tersebut diproses oleh fungsi keanggotaan. Fungsi masukan terdiri atas 3 variabel, yaitu sensor samping, serong, dan depan. Untuk variabel sensor samping dan serong yang aktif ditentukan oleh tipe wall following. Apabila menggunakan right wall following, maka sensor samping dan serong yang dimaksud ialah sensor samping kanan dan serong kanan. Begitu juga sebaliknya, hal tersebut berlaku pada left wall following. Variabel sensor samping dan serong memiliki 3 fungsi keanggotaan, yaitu dekat, sedang, dan jauh. Variabel sensor depan memiliki 2 fungsi keanggotaan, yaitu dekat dan jauh. Sensor depan hanya memiliki 2 fungsi keanggotaan karena arah depan tidak dijadikan acuan robot untuk menjaga jarak dengan dinding, sedangkan arah samping dijadikan acuan oleh robot untuk tetap mempertahankan jarak dengan dinding. Fungsi keanggotaan untuk masingmasing variabel dapat dilihat pada Gambar 5. Perbedaan fungsi keanggotaan antara sensor samping dan serong hanya terletak pada rentang nilai masing-masing anggota. Sensor serong memiliki rentang nilai anggota yang lebih besar dibandingkan sensor samping karena jarak yang dibaca sensor serong lebih besar. Berdasarkan Persamaan 1 dan 2, formula matematika untuk sensor samping ialah sebagai berikut:

Gambar 5 Fungsi keanggotaan masukan: (a) samping, (b) serong, dan (c) depan

dengan x adalah nilai anggota, μsam_dekat(x) adalah derajat keanggotaan dekat, μsam_sedang(x) adalah derajat keanggotaan sedang, dan μsam_jauh(x) adalah derajat keanggotaan jauh pada sensor samping. Formula matematika untuk sensor serong ialah sebagai berikut:

dengan x adalah nilai anggota, μser_dekat(x) adalah derajat keanggotaan dekat, μser_sedang(x) adalah derajat keanggotaan sedang, dan μser_jauh(x) adalah derajat keanggotaan jauh pada sensor serong. Formula matematika untuk sensor depan ialah sebagai berikut:

dengan x adalah nilai anggota, μdep_dekat(x) adalah derajat keanggotaan dekat dan μdep_jauh(x) adalah derajat keanggotaan jauh pada sensor depan.

Berikut diberikan contoh kasus. Misalkan nilai jarak yang dibaca oleh sensor samping sebesar 7 cm, sensor serong sebesar 13 cm, dan sensor depan sebesar 17 cm. Proses fuzzifikasi pada sensor samping, nilai jarak dimasukan ke dalam fungsi keanggotaan pada tiap-tiap himpunan, antara lain: 10−7



Himpunan dekat, μsam_dekat(7) =



Himpunan sedang, μsam_sedang(7) =



Himpunan jauh, μsam_jauh(7) = 0

6

= 0.50

7−4 6

= 0.50

Aturan fuzzy yang digunakan pada robot pemadam api sebanyak 36 aturan. Aturanaturan tersebut dibagi menjadi 2 bagian, yaitu 18 aturan right wall following dan 18 aturan left wall following. Aturan-aturan tersebut dapat dilihat pada Tabel 1. Sesuai dengan contoh kasus yang diberikan sebelumnya, terdapat 4 aturan yang sesuai dengan nilai masukan, yaitu aturan ke-2, aturan ke-4, aturan ke-8, dan aturan ke-10. Pada tahap evaluasi aturan, diketahui anggota dari keluaran berdasarkan aturan yang dibuat. Pada contoh kasus ini, tipe wall following yang digunakan ialah right wall following sehingga hasil aturan ke-2 ialah kiri0, hasil aturan ke-4 ialah maju, hasil aturan ke-8 ialah kiri0, dan hasil aturan ke-10 ialah maju. Berikut contoh perhitungan pada aturan ke-2: μa2(x) = min(μsam_dekat(7), μser_dekat(13), μdep_jauh(17)) μa2(x) = min(0.50, 0.22, 1.00) μa2(x) = 0.22 dengan μa2(x) adalah derajat keanggotaan hasil aturan ke-2.

Nilai fuzzy hasil evaluasi aturan merupakan nilai fuzzy untuk keluaran. Untuk mendapatkan nilai keluaran yang bersifat diskret diperlukan fungsi keanggotaan keluaran. Fungsi keluaran terdiri atas 1 variabel dan 5 fungsi keanggotaan, yaitu kiri1, kiri0, maju, kanan0, kanan1. Fungsi keanggotaan keluaran dapat dilihat pada Gambar 6. Variabel sudut pada fungsi keluaran memiliki rentang nilai dari -90 hingga 90. Rentang tersebut direpresentasikan dalam satuan derajat. Tanda minus (-) menyatakan arah kiri. Sebagai contoh, nilai -60 menyatakan robot harus belok kiri sebesar 60 derajat. Formula matematika untuk keluaran sudut ialah sebagai berikut:

dengan x adalah nilai anggota, μkiri1(x) adalah derajat keanggotaan kiri1, μkiri0(x) adalah derajat keanggotaan kiri0, μmaju(x) adalah derajat keanggotaan maju, μkanan0(x) adalah derajat keanggotaan kanan0, dan μkanan1(x) adalah derajat keanggotaan kanan1 pada variabel sudut. Perhitungan untuk mendapatkan nilai x ketika μa2(x) = 0.22 berdasarkan contoh kasus yang diberikan sebelumnya ialah sebagai berikut: μa2(x) = μkiri0(x) = 0.22 𝑥+60

−𝑥

30

30

x = 0.22, sehingga x1 = -53.40; atau

= 0.22, sehingga x2 = -6.60

Nilai keluaran hasil evaluasi semua aturan dikumpulkan. Pengumpulan nilai ini menjadikan variabel keluaran samar sehingga diperlukan tahapan untuk mengubah nilai samar menjadi nilai tegas. tahapan ini disebut defuzzifikasi. Jika contoh kasus sebelumnya dihitung lebih lanjut, setelah hasil evaluasi aturan didapat formula matematika sebagai berikut:

dengan x adalah nilai anggota dan μd(x) adalah nilai derajat keanggotaan hasil agregasi. Formula di atas didefuzzifikasi menggunakan COG. Berdasarkan Persamaan 3, proses perhitungan defuzzifikasi ialah sebagai berikut:

Nilai hasil defuzzifikasi menggunakan COG merupakan nilai keluaran dari keseluruhan proses fuzzy. Nilai keluaran ini merupakan sudut belok yang harus dilakukan robot dalam satuan derajat. Berdasarkan contoh perhitungan, robot harus belok ke kiri sebesar 16.09 derajat. C. Implementasi Rancangan navigasi diprogram menggunakan perangkat lunak MobotSim. Perangkat lunak tersebut memiliki BASIC editor sehingga memudahkan pemrograman bahasa BASIC. Perangkat lunak tersebut memang didesain khusus untuk simulasi 2 dimensi. MobotSim menyediakan pengaturan robot sehingga simulasi dapat mendekati kondisi sebenarnya. Pada bagian general, robot yang digunakan pada penelitian ini memiliki indeks 0. Indeks tersebut berguna untuk mengidentifikasi robot yang dimaksud dalam kode program. Posisi awal robot terletak pada koordinat x = 2.9 dan y = 2.2 dengan theta = 270˚. Untuk grid resolution, draw sensor ranging, dan draw trajectory, diatur sesuai kebutuhan simulasi. Pada bagian geometry, platform diameter = 0.25 meter, distance between wheels = 0.2 meter, wheels diameter = 0.1 meter, wheels width = 0.01 meter, number of ranging sensors = 5, angle between sensors = 45˚, dan sensors ring radius = 0.1 meter. Pada bagian ranging sensors, radiation cone = 40˚, range dari 0 sampai 3 meter, dan percentage of misreadings = 0%. Pengaturan range dapat disesuaikan dengan kemampuan sensor jarak pada kondisi

sebenarnya namun pada perangkat lunak ini, nilai jarak yang melebihi range sensor akan dianggap minus (-). Hal tersebut dapat menyebabkan logic error karena pada umumnya nilai jarak yang melebihi range sensor akan dianggap sangat besar. Desain ruangan dibuat sesuai dengan lingkungan Kampus C UNTIRTA. Ada 4 ruangan yang digunakan dengan 4 kemungkinan konfigurasi ruangan. Posisi pintu yang dapat dikonfigurasi hanya pada ruangan 1 dan 4. Setiap pintu diberi penanda berupa lingkaran bewarna kuning dengan tanda silang di tengahnya. Penanda ini sudah disediakan oleh MobotSim. Posisi home dan posisi api juga diberikan penanda yang sama. Penanda yang sama digunakan karena MobotSim tidak mendukung bentuk dan warna penanda yang lain. Oleh karena itu, setiap penanda memiliki identitas yang unik. Home diberikan identitas 0, penanda pintu pada ruangan 3 diberikan identitas 1, penanda pintu pada ruangan 2 diberikan identitas 2, 2 penanda pintu pada ruangan 1 diberikan identitas 3 dan 4, penanda pintu pada ruangan 4 diberikan identitas 5, dan api diberikan identitas 6. MobotSim hanya menyediakan sensor jarak sehingga pembacaan posisi home, garis pada pintu ruangan, dan api menggunakan koordinat. Posisi ketiga objek tersebut dibaca dengan menghitung jarak objek dan robot. Posisi home dan garis pada pintu ruangan yang dibaca menggunakan koordinat, masih dapat disimulasikan dengan baik meskipun seharusnya dibaca menggunakan sensor garis. Posisi api yang dibaca menggunakan koordinat kurang dapat disimulasikan dengan baik karena sifat sensor api yang lebih kompleks dibandingkan sensor garis. D. Pengujian Pengujian dilakukan dengan menjalankan simulasi pada perangkat lunak MobotSim. Simulasi tersebut dilakukan pada lingkungan Kampus C UNTIRTA. Simulasi dilakukan sebanyak 16 simulasi yang terdiri atas 1 posisi home, 4 konfigurasi

Gambar 7 Implementasi lingkungan Kampus C UNTIRTA

ruangan, dan 4 posisi api. Posisi home berada di lorong bagian atas di dekat ruang 3 dan ruang 4. Posisi api di dalam ruangan diletakan secara acak sehingga diambil rata-rata dari keseluruhan percobaan. Hasil pengujian sistem navigasi robot dapat dilihat pada Tabel 2. Dari tabel tersebut diketahui bahwa robot tidak berhasil memadamkan api di ruang 1 pada konfigurasi ruangan 3 dan 4.

E. Evaluasi Sistem navigasi robot berhasil memadamkan api di ruang 2, ruang 3, dan ruang 4 pada semua konfigurasi ruangan dan kembali ke home. Robot berhasil memadamkan api di ruang 1 untuk konfigurasi ruangan 1 dan 2, sedangkan konfigurasi ruangan 3 dan 4, robot tidak berhasil memadamkan api. Ruang 1 pada konfigurasi ruangan 3 dan 4 memiliki pintu masuk bersebelahan dengan dinding luar sehingga algoritme right wall following membuat robot hanya menelusuri dinding tersebut tanpa mendeteksi api yang berada di siku dinding dalam. Posisi api pada simulasi yang dibaca menggunakan koordinat juga menyebabkan api tidak terdeteksi. Api dapat terdeteksi hanya jika posisi api berada di jalur pergerakan robot. Dengan demikian, persentase keberhasilan robot dalam menyelesaikan misi ialah sebesar 14/16 atau 87.5%.

BAB IV SIMPULAN DAN SARAN

A. Simpulan Penelitian ini telah berhasil mengembangkan sistem navigasi robot pemadam api menggunakan algoritme wall following dan logika fuzzy. Sistem tersebut berhasil menyelesaikan misi dengan posisi home berada di lorong, 4 konfigurasi ruangan, dan 4 posisi api di dalam ruangan yang berbeda. Hasil pengujian menunjukan bahwa persentase keberhasilan robot dalam menelusuri ruangan, memadamkan api, dan kembali ke home ialah 87.5%.

B. Saran Sebagai bahan acuan untuk pengembangan selanjutnya, sistem navigasi dapat diimplementasikan ke robot. Pengubahan aturan fuzzy dapat terjadi karena perbedaan antara simulasi dan lingkungan yang sebenarnya. Diharapkan apabila sistem navigasi diterapkan ke robot, sensor api yang dimiliki robot dapat mendeteksi keberadaan api pada kondisi tanpa halangan, sehingga persentase keberhasilan akan meningkat.

DAFTAR PUSTAKA

Braunstingl R, Sanz P, Ezkerra JM. 1995. Fuzzy logic wall following of a mobile robot based on the concept of general perception. Di dalam: Seventh International Conference on Advanced Robotics; 1995 Sep; Sant Feliu De Guixols, Spanyol. Barcelona (ES): UPC. 367-

376.

Carelli R, Freire EO. 2003. Corridor navigation and wall-following stable control for sonarbased

mobile

robots.

Robotics

and

Autonomous

Systems.

45:235-247.

doi:10.1016/j.robot.2003.09.005. [Dikti] Direktorat Pendidikan Tinggi. 2012. Panduan Kontes Robot Pemadam Api Indonesia (KRPAI) Beroda dan Berkaki 2013. Jakarta: Direktorat Pendidikan Tinggi. Fathurahman F. 2011. Rancangan dan implementasi logika fuzzy pada mikrokontroler ATMega16 untuk robot penghindar halangan [skripsi]. Bogor (ID): Institut Pertanian Bogor. Obe O, Dumitrache I. 2010. Fuzzy control of autonomous mobile robot. UPB Sci Bull. 72:173-186. Peri VM. 2002. Fuzzy logic controller for an autonomous mobile robot [tesis]. Hyderabad (IN): Jawaharlal Nehru Technological Univ.

Related Documents


More Documents from "Citra Insani"