Studi komparasi beberapa kaidah kontrol logika fuzzy untuk parkir mobil seri otomatis secara simulasi menggunakan labview

(1)

DAFTAR RIWAYAT HIDUP

Data Pribadi

Nama : Muhammad Aulia Rahman

Alamat : Jalan Pemuda No.80, rt.01 rw.08 Kecamatan

Pancoranmas, Kelurahan Depok, Kota Depok 16431

Nomor Telepon : 081809404880

Email : muhammadar20@gmail.com

Jenis Kelamin : Laki-laki

Tanggal Kelahiran : 20 Agustus 1992

Status Marital : Belum menikah

Warga Negara : Indonesia

Agama : Islam

Riwayat Pendidikan

No Sekolah / universitas

(2)

Keterangan : Universitas Komputer Indonesia program studi Teknik Elektro Kendali Fakultas Teknik dan Ilmu Komputer dari tahun 2009 – 2013. Dengan transkrip nilai 3,21.

Pendidikan Non Formal / Training – Seminar

1. “TREND CYBERPRENEURSHIP 2011”,28 Mei 2011 UNIKOM 2. “Linux Desktop, Virtualization & VoIP”, 8 Januari 2011 UNIKOM

3. “Ready to Clouds Computing with Windows 8 and Office 365”, 7 Januari 2012 UNIKOM

4. “Be a successful enterpreneur by developing mobile applications”, 27 September 2011 ITB

Kecakapan Berbahasa

No Bahasa Kemampuan

Membaca Menulis Berbicara Mendengar

1 Indonesia Ya Ya Ya Ya

2 Sunda Ya Ya Ya Ya

3 Inggris Ya Ya Ya Ya

Kemampuan

 Kemampuan komputer (Ms.Word, Excell, Power Point).

(3)

(4)

TUGAS AKHIR

STUDI KOMPARASI KONTROL LOGIKA FUZZY SECARA SIMULASI UNTUK PARKIR MOBIL SERI OTOMATIS MENGGUNAKAN LABVIEW

Diajukandalamrangkamemenuhisalahsatupersyaratanuntukmenyelesaikan program studi Strata-1 JurusanTeknikElektro

Oleh:

Muhammad Aulia Rahman 13109012

PROGRAM STUDI TEKNIK ELEKTRO

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS KOMPUTER INDONESIA

BANDUNG

(5)

KATA PENGANTAR

Puji dan syukur penulis panjatkan kehadirat Allah SWT, atas rahmat dan

hidayah-Nya serta bantuan dari berbagai pihak sehingga penulis dapat menyusun dan menyelesaikan laporan tugas akhir.

Dalam menyusun laporan ini, tentu saja penulis mengalami kesulitan, tetapi berkat adanya bimbingan dan bantuan dari berbagai pihak, akhirnya kesulitan tersebut dapat penulis atasi.Selain itu, penulis menyadari sepenuhnya bahwa

laporan ini jauh dari sempurna.Untuk itu, dengan keterbukaan hati, penulis mengharapkan saran dan kritik yang sifatnya membangun demi kesempurnaan

laporan berikutnya.

Pada kesempatan ini, tidak lupa penulis ucapkan terima kasih kepada semua pihak yang telah membantu kelancaran penyelesaian laporan ini, terutama kepada:

1. Mama, Papa, Kakak serta seluruh Keluarga yang selalu memberikan semangat ,doa restu serta pengorbanan yang sangat mulia dan tanpa

pamrih kecuali mengharapkan ridho-Nya.

2. Bapak Dr. Ir. Eddy Suryanto Soegoto, M.Sc, sebagai Rektor UNIKOM Bandung.

3. Bapak Prof. Dr. H. Denny Kurniadie,Ir., M.Sc., sebagai Dekan Fakultas Teknik dan Ilmu Komputer UNIKOM Bandung.

(6)

5. Ibu Tri Raharjoeningroem, MT, sebagai koordinator Tugas Akhir Jurusan

Teknik Elektro UNIKOM Bandung.

6. Para Dosen Jurusan Teknik Elektro UNIKOM Bandung.

7. Rekan seperjuangan dan teman dalam suka maupun duka selama di bandung Ipan Irwanto yang telah memberikan semangat, motivasi, dan bantuan dalam pembuatan laporan ini.

8. Rekan-rekan mahasiswa dan mahasiswi Teknik Elektro UNIKOM yang telah memberikan bantuan dan semangat selama pembuatan alat dan

penulisan laporan ini.

Semoga amal baik yang telah diberikannya mendapat imbalan yang setimpal dari Allah SWT.Amin.

Penulis menyadari sepenuhnya bahwa laporan ini perlu penyempurnaan.Karena itu, kritik dan saran dari semua pihak sangat penulis harapkan.Akhirnya penulis berharap semoga laporan ini dapat memberikan

manfaat bagi peningkatan mutu pengajaran Teknik Elektro UNIKOM.

Bandung, Agustus 2013

(7)

DAFTAR ISI

LEMBAR PERSETUJUAN LAPORAN TUGAS AKHIR

ABSTRAK………..._E

rror! Bookmark not defined.

ABSTRACT ..._{Error! Bookmark not defined.}

KATA PENGANTAR ..._{Error! Bookmark not defined.}

DAFTAR ISI..._{Error! Bookmark not defined.}

DAFTAR GAMBAR ..._{Error! Bookmark not defined.}

DAFTAR TABEL ..._{Error! Bookmark not defined.}

BAB I PENDAHULUAN

1.1 Latar Belakang ...Error! Bookmark not defined.

1.2 Identifikasi Masalah ...Error! Bookmark not defined.

1.3 Rumusan Masalah ...Error! Bookmark not defined.

1.4 Tujuan...Error! Bookmark not defined.

1.5 Batasan Masalah...Error! Bookmark not defined.

1.6 Metode Penelitian...Error! Bookmark not defined.

1.7 Sistematika Penulisan...Error! Bookmark not defined.

BAB II LANDASAN TEORI

(8)

2.2 Perbedaan Logika Fuzzy dan Logika Tegas...Error! Bookmark not

defined.

2.3 Himpunan Fuzzy ...Error! Bookmark not defined.

2.4 Dasar Logika Fuzzy...Error! Bookmark not defined.

2.4.1 Fungsi Keanggotaan (Membership Function)Error! Bookmark not

defined.

2.5 Cara Kerja Kontrol Logika Fuzzy ...Error! Bookmark not defined.

2.5.1 Fuzzifikasi ...Error! Bookmark not defined.

2.5.2 Aturan Dasar Logika Fuzzy ...Error! Bookmark not defined.

2.5.3 Mesin Penalaran Kontrol Logika Fuzzy (Inference Engine) ...Error!

Bookmark not defined.

2.5.4 Defuzzifikasi ...Error! Bookmark not defined.

2.6 Permasalahan Pada Sistem Parkir Seri Otomatis ..Error! Bookmark not

defined.

2.7 Perangkat Lunak Labview...Error! Bookmark not defined.

2.7.1 Front Panel...Error! Bookmark not defined.

2.7.2 Blok Diagram ...Error! Bookmark not defined.

2.7.3 Control dan Function Pallete...Error! Bookmark not defined.

BAB III PERANCANGAN SIMULASI

3.1 Perancangan Sistem Parkir Mobil Seri Otomatis ..Error! Bookmark not

(9)

3.2 Kontrol Logika Fuzzy Untuk Mobil Parkir Secara Otomatis...Error!

Bookmark not defined.

3.3 Perancangan Fuzzy Inference...Error! Bookmark not defined.

3.4 Perancangan Aturan Logika Fuzzy Pada LabviewError! Bookmark not

defined.

BAB IV PENGUJIAN DAN ANALISIS

4.1 Percobaan Simulasi Pertama ...Error! Bookmark not defined.

4.2 Percobaan Simulasi Kedua ...Error! Bookmark not defined.

4.3 Percobaan Simulasi ketiga...Error! Bookmark not defined.

4.4 Percobaan Simulasi keempat...Error! Bookmark not defined.

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan...Error! Bookmark not defined.

5.2 Saran ...Error! Bookmark not defined.

DAFTAR PUSTAKA ..._{Error! Bookmark not defined.}

(10)

DAFTAR PUSTAKA

[1] Aria. Muhammad, Design Of Type-2 Fuzzy Controller For Truck

Backer-Upper Problem, Bandung: Universitas Komputer Indonesia.

[2] “Dasar Logika Fuzzy”, pp. 1-26, Universitas Widyagama Malang, 2008

[3] “PID Control Toolset User Manual”, National Instruments Labview, 2001

[4] K.C. Wu, “Fuzzy Interval Control of Mobile Robots”, Comput. Elect. Eng.,

vol. 22, no. 3, pp. 211-229, 1996

[5] L.-X. Wang and J. M. Mendel, “Generating Fuzzy Rules by Learning From

Example”, IEEE Trans. On System, Man, and Cybernetics, vol 22, no. 6, pp.

1414 – 1427, 1992

[6] D. Nguyen and B. Widrow, “The Truck Backer-Upper: An Example of

Self-Learning in Neural Network”, IEEE Contr. Syst. Mag., vol. 10, no. 2, pp.

(11)

BAB I

PENDAHULUAN

1.1 Latar Belakang

Pada era globalisasi seperti sekarang ini, kemajuan ilmu pengetahuan dan

teknologi telah mendorong manusia untuk berusaha mengatasi segala

permasalahan yang timbul disekitarnya untuk meringankan pekerjaan yang

ada.Salah satu perkembangan teknologi ini adalah telah berkembangnya teknologi

menggunakan simulasi.

Dimana pembuatan teknologi ini membantu permasalahan yang ada

sebelum berkembang ke kenyataannya.Mobil adalah salah satu topik yang

ssedang diperbincangkan. Pada saat ini banyak pengguna mobil menginginkan

mobil miliknya dapat melakukan proses parkir secara otomatis. Apabila dalam

proses parkir mobil otomatis masih banyak kekurangan maka fungsi dari simulasi

ini untuk meminimalkan kesalahan-kesalahan yang terjadi saat melakukan proses

parkir.

Pada tugas akhir ini dilakukan studi komparasi untuk meminimalisasikan

kekurangan dalam proses parkir mobil otomatis. Dengan membuat persamaan

kontrol logika fuzzy untuk parkir mobil otomatis dan membandingkannya dengan

persamaan kontrol logika fuzzy dari referensi.

1.2 Identifikasi Masalah

Berdasarkan latar belakang yang telah dikemukakan, maka dapat

(12)

logika fuzzy dari referensi dan dibandingkan dengan kontrol logika fuzzy yang di

rancang untuk mengetahui waktu terbaik untuk melakukan proses parkir mobil

seri otomatis.

1.3 Rumusan Masalah

Berdasarkan permasalahan yang teridentifikasi di atas, maka pada tugas akhir

ini memiliki rumusan masalah yaitu bagaimana merancang kontrol logika fuzzy

untuk parkir mobil seri otomatis dan dibandingkan dengan kontrol logika fuzzy

dari referensi.

1.4 Tujuan

Tujuan pada penulisan tugas akhir ini yaitu merancang kontrol logika fuzzy

alternatif untuk parkir mobil seri otomatis.

1.5 Batasan Masalah

Untuk menghindari pembahasan yang menyimpang dari topik yang dipilih,

maka dalam penyusunan laporan tugas akhir ini permasalahannya dibatasi pada:

1. simulasi menggunakan software LABVIEW 7.1

2. lahan parkir sudah ditentukan pada simulasi ini

3. simulasi ini hanya untuk permasalahan sistem parkir mobil seri otomatis

4. simulasi ini menggunakan metode logika fuzzy

1.6 Metode Penelitian

Dalam menyusun laporan tugas akhir ini diperlukan beberapa metode

(13)

1. tinjauan Pustaka, merupakan suatu metoda pengumpulan data dengan cara

membaca atau mempelajari buku-buku yang berhubungan dengan masalah

yang menjadi topik dalam skripsi.

2. survey, adalah proses pengamatan secara langsung terhadap permasalahan

yang dihadapi.

3. pengumpulan data, merupakan metoda untuk mendapatkan data dari topik

yang diambil dengan cara mengajukan pertanyaan secara langsung kepada

pihak-pihak yang berkompeten mengenai hal-hal yang dipelajari selama

pengerjaan tugas akhir. Pertanyaan-pertanyaan ini diajukan kepada dosen

pembimbing di kampus dan sumber lainnya.

4. pengolahan data, merupakan proses pengolahan data-data yang didapat dari

hasil pengumpulan data, untuk dijadikan referensi dalam pengerjaan tugas

akhir.

5. pengujian, merupakan metoda untuk mengetahui hasil dari perancangan

simulasi yang dibuat.

6. analisa, adalah proses pendalaman terhadap simulasi yang dibuat apakah

sudah berhasil sesuai dengan yang direncanakan atau belum, selanjutnya akan

dilakukan pengujian baik secara teoritis ataupun praktis, dan jika terdapat

kekurangan maka akan dilakukan beberapa perbaikan simulasi sehingga

akhirnya penulis dapat mengambil sebuah kesimpulan dari penelitian ini.

1.7 Sistematika Penulisan

Sistematika penulisan bertujuan untuk menguraikan urutan penulisan skripsi,

susunan dan hubungan antar bab, serta fungsi setiap bab yang ada di skripsi ini,

(14)

sistematika penulisan skripsi dibagi menjadi lima bab pokok, yaitu sebagai

berikut:

BABI : PENDAHULUAN

Bab ini meliputi latar belakang, identifikasi masalah, rumusan masalah, tujuan,

batasan masalah, metode penelitian, dan sistematika penulisan.

BAB II : LANDASAN TEORI

Berisi teori tentang permasalahan yang dibahas dalam skripsi mulai dari

menjelaskan tentang dasar logika fuzzy, penentuan model logika fuzzy.

BAB III :PERANCANGAN SIMULASI

Bab ini berisi tentang perancangan simulasi untuk parkir otomatis.

BABIV : PENGUJIAN DAN ANALISIS

Bab ini berisi tentang hasil pengujian dari simulasi yang dibuat serta analisanya.

BAB V : PENUTUP

Bab ini berisi rincian kesimpulan serta saran untuk kajian lanjutan dari

(15)

BAB II

LANDASAN TEORI

2.1 Logika Fuzzy

Logika Fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh pada

tahun1965. Teori ini banyak diterapkan di berbagai bidang, antara lain

representasipikiran manusia kedalam suatu sistem. Banyak alasan mengapa

penggunaanlogika fuzzy ini sering dipergunakan antara lain, konsep logika fuzzy

yang miripdengan konsep berpikir manusia. Sistem fuzzy dapat

merepresentasikanpengetahuan manusia ke dalam bentuk matematis dengan lebih

menyerupai caraberpikir manusia.Pengontrol dengan logika fuzzy mempunyai

kelebihan yaitudapat mengontrol sistem yang kompleks, non-linier, atau sistem

yang sulitdirepresentasikan kedalam bentuk matematis.Selain itu, informasi

berupapengetahuan dan pengalaman mempunyai peranan penting dalam

mengenaliperilaku sistem di dunia nyata.

Logika fuzzy juga memiliki himpunan fuzzy yang mana pada dasarnya,

teorihimpunan fuzzy merupakan perluasan dari teori himpunan klasik. Dimana

dengan logika fuzzy, hasil yang keluar tidak akan selalu konstan dengan input

yang ada.Cara kerja logika fuzzy secara garis besar terdiri dari input, proses dan

output.Logika fuzzy merupakan suatu teori himpunan logika yang dikembangkan

untukmengatasi konsep nilai yang terdapat diantara kebenaran (truth) dan

kesalahan(false). Dengan menggunakan fuzzy logic nilai yang dihasilkan bukan

(16)

2.2 Perbedaan Logika Fuzzy dan Logika Tegas

Perbedaan antara kedua jenis logika ini adalah logika fuzzy memiliki nilai 0

hingga 1, sedangkan logika tegas 0 dan 1.Secara grafik perbedaan logika fuzzy

dan logika tegas ditunjukan pada gambar 2.1.

Gambar 2.1 Perbedaan logika fuzzy (a) dan logika tegas (b)

Pada gambar 2.1 (a) apabila x lebih dari atau sama dengan 10 baru dikatakan

benar yaitu y=1, sebaliknya nilai x kurang dari 10 adalah salah yaitu y=0. Maka

angka 9, 8, dan 7 dan seterusnya adalah dikatakan salah. Pada gambar 2.1 (b) nilai

x= 9, 8, atau 7 atau nilai antara 0 – 10 dapat dikatakan benar dan dapat dikatakan

salah.

Dalam contoh kehidupan kita seseorang dikatakan sudah dewasa apabila berumur

17 tahun, maka siapapun yang kurang umur dari 17 tahun didalam logika tegas

akan dikatakan sebagai belum dewasa atau anak-anak. Sedangkan dalam hal ini

pada logika fuzzy umur 17 tahun dapat dikategorikan dewasa tapi belum dewasa,

misal untuk umur 16 tahun dan 15 tahun atau 14 tahun dan 13 tahun. Secara grafik

(17)

Gambar 2.2 Perbandingan contoh logika tegas (a) dan logika fuzzy (b)

2.3 Himpunan Fuzzy

Dalam teori logika fuzzy

pengelompokan sesuatu

dinyatakan dalam fungsi

dicourse), Fungsi keanggotaan

sampai dengan 1.

Contoh dari himpunan variabel bahasa antara lain:

Himpunan suhu atau temperatur

hangat, dan panas.Grafik dari himpunan suhu ini ditun

Gambar 2.3 Contoh keanggotaan himpunan temperatur atau suhu Gambar 2.2 Perbandingan contoh logika tegas (a) dan logika fuzzy (b)

Himpunan Fuzzy

logika fuzzy dikenal himpunan fuzzy (fuzzy sets) yang

sesuatu berdasarkan variabel bahasa (linguistik variabel

dalam fungsi keanggotaan.Didalam semesta pembicaraan

keanggotaan dari suatu himpunan fuzzy tersebut

Contoh dari himpunan variabel bahasa antara lain:

atau temperatur dapat dinyatakan dengan dingin,

hangat, dan panas.Grafik dari himpunan suhu ini ditunjukan pada gambar 2.3 ini.

Gambar 2.3 Contoh keanggotaan himpunan temperatur atau suhu Gambar 2.2 Perbandingan contoh logika tegas (a) dan logika fuzzy (b)

) yang merupakan

linguistik variabel), yang

pembicaraan (universe of

fuzzy tersebut bernilai 0

dingin, sejuk, normal,

jukan pada gambar 2.3 ini.

(18)

Himpunan umur dapat dinyatakan dengan muda, parobaya, tua, dan sangat

tua.Grafik dari himpunan umur ini ditunjukan pada gambar 2.4 ini.

Gambar 2.4 Contoh keanggotaan himpunan umur

Himpunan dari kecepatan dapat dinyatakan dengan lambat, normal, cepat, dan

sangat cepat.Grafik dari himpunan umur ini ditunjukan pada gambar 2.5 ini.

(19)

2.4 Dasar Logika Fuzzy

2.4.1 Fungsi Keanggotaan (Membership Function)

Fungsi keanggotaan merupakan suatu kurva yang menunjukkan

pemetaantitik-titik input data kedalam nilai keanggotaanya (disebut juga dengan

derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Untuk

mendapatkannilai keanggotaan dapat menggunakan cara pendekatan fungsi.

Ada beberapa fungsi keanggotaan yang digunakan dalam teori himpunanfuzzy

adalah:

 Representasi Linier

Pada representasi linear, pemetaan input ke derajat keanggotaan

nyadigambarkan sebagai suatu gari lurus. Bentuk ini paling sederhana

danmenjadi pilihan yang baik untuk mendekati suatu konsep yang kurang

jelas.Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan

himpunandimulai pada nilai domain yang memiliki derajat keanggotaan

nol [0]bergerak ke kanan menuju kenilai domain yang memiliki derajat

keanggotaan lebih tinggi seperti pada Gambar 2.6.

Gambar 2.6 Representasi Linear Naik Derajat

(20)

Persamaan fungsi keanggotaan linear naik:

Kedua, merupakan kebalikan yang pertama.Garis lurus dimulai dari nilai

domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian

bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih

rendah seperti pada Gambar 2.7.

Gambar 2.7 Representasi Linear Turun

Fungsi keanggotaan linear turun :

(21)

Gambar 2.8 Representasi Kurva Segitiga

Persamaan fungsi keanggotaan kurva segitiga:



Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja

ada beberapa titik yang memiliki nilai keanggotaan 1 seperti pada Gambar

2.9.

(22)

Persamaan fungsi keanggotaan Kurva Trapesium :

Daerah yang terletak ditengah-tengah suatu variable yang

dipresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan

naik dan turun (misalkan: dingin bergerak ke sejuk bergerak ke hangat

dan bergerak ke panas). Tetapi terkadang salah satu sisi dari variable

tersebut tidak mengalami perubahan. Sebagai contoh, apabila telah

mencapai kondisi panas, kenaikan temperature akan tetap berada pada

kondisi panas. Himpunan fuzzy ‘bahu’, bukan segitiga, digunakan untuk

mengakhiri variable suatu daerah fuzzy. Bahu kiri bergerak dari benar ke

salah, demikianjuga bahu kanan bergerak dari salah ke benar. Gambar

menunjukkan variable temperature dengan daerah bahunya.

Gambar 2.10 Representasi Kurva Bahu

(23)

2.5 Cara Kerja Kontrol Logika Fuzzy

Dalam sistem kontrol logika fuzzy terdapat beberapa tahapan operasional

meliputi:

1. Fuzzifikasi.

2. mesin penalaran atau inference engine.

3. aturan dasar (fuzzy rule).

4. defuzzifikasi.

Blok diagram kontrol logika fuzzy ditunjukkan pada gambar 2.11.

(24)

Kerangka operasional kontrol logika fuzzy ditunjukkan pada gambar 2.12.

Gambar 2.12 Kerangka kerja kontrol logika fuzzy

Dari gambar 2.12 sinyal masukan dari kontrol logika fuzzy dapat berupa nilai

tegas. Sinyal masukan kontrol logika fuzzy dapat diambilkan dari.

1. Selisih antara nilai rujukan (reference) dengan nilai keluaran nyata dari

kontrol logika fuzzy yang berupa nilai kesalahan (error = E).

2. Turunan pertama dari nilai error yang dikenal dengan delta error = dE

2.5.1 Fuzzifikasi

Fuzzifikasi yaitu suatu proses untuk mengubah suatu masukan dari bentuk

tegas (crisp) menjadi fuzzy (variabel linguistik) yang biasanya disajikan dalam

bentuk himpunan-himpunan fuzzy dengan suatu fungsi kenggotaannya

masing-masing. Contoh dari proses Fuzzification adalah seperti yang ditunjukkan di

gambar 2.13. Sebuah sistem fuzzy untuk mengukur suhu mempunyai 5 buah

(25)

sangat panas. Kemudian input yang diperoleh dari crisp input adalah 47° maka

pengambilan fuzzy input-nya adalah seperti pada gambar 2.13.

Gambar 2.13 Proses perubahan dari crisp/nilai tegas menjadi fuzzy input

Sehingga didapat 2 fuzzy input yang masing-masing adalah: dingin (x2)

dan hangat (x1). Nilai x1 dan x2 dapat dicari dengan rumus persamaan garis.Yang

menentukan sistem anda sensitif atau tidak adalah membership function ini.Jika

membership function-nya banyak maka sistem anda menjadi sensitif. Yang

dimaksud dengan sensitif dalam hal ini adalah jika input-nya berubah sedikit saja

maka sistem akan cepat merespon dan menghasilkan suatu output lain. Output

dari proses fuzzification ini adalah sebuah nilai input fuzzy atau yang biasanya

dinamakan fuzzy input.

2.5.2 Aturan Dasar Logika Fuzzy

Aturan dasar atau rule base pada kontrol logika fuzzy merupakan suatu bentuk

aturan relasi/implikasi “Jika-Maka” atau “If-Then” seperti pada pernyataan

berikut:

“JIKA” X=A dan “JIKA” Y=B “MAKA” Z=C

Contoh dari aturan jika-maka ini pada pengendalian suhu ruangan dengan

pengaturan kecepatan kipas angin melalui frekuensi variabel adalah sebagai

(26)

1. “JIKA” suhu panas dan

2. “JIKA” kecepatan kipas sangat lambat

3. “MAKA” sumber frekuensi dinaikkan sangat tinggi agar kecepatan kipas

tinggi

Jadi aturan dasar kontrol logika fuzzy ditentukan dengan bantuan seorang pakar

yang mengetahui karakteristik objek yang akan dikendalikan. Aturan dasar

tersebut dapat dinyatakan dalam bentuk matrik aturan dasar kontrol logika fuzzy.

Contoh aturan dasar pengaturan suhu ruangan dapat dilihat pada tabel berikut.

Tabel 2.1 Contoh matrik aturan dasar perancangan kontrol logika fuzzy

x/y B S K

B K K B

S K S K

K B K B

Dimana,

X= Suhu, Y= Kecepatan Kipas.

2.5.3 Mesin Penalaran Kontrol Logika Fuzzy (Inference Engine)

Mesin penalaran (Inference Engine) adalah proses implikasi dalam

menalar nilai masukan guna penentuan nilai keluar sebagai bentuk pengambil

keputusan. Salah satu model penalaran max-min. Dalam penalaran max-min

proses pertama yang dilakukan adalah melakukan operasi operasi min sinyal

keluaran lapisan fuzzifikasi, yang diteruskan dengan operasi max untuk mencari

nilai keluaran yang selanjutnya akan difuzzifikasikan sebagai bentuk keluaran

(27)

1. Operasi min (

(crisp) proses ini merupakan kebalikan ari proses fuzzi

(irisan)

Proses penalaran max-min dapat dijelaskan dengan gambar 2.14.

Gambar 2.14 Operasi max-min secara grafis

Defuzzifikasi

merupakan proses pemetaan himpunan fuzzy kemampuan

oses ini merupakan kebalikan ari proses fuzzifikasi.

= a if a > b………(2.5)

≥ b………...(2.6)

(28)

Metode dalam defuzzifikasi antara lain:

a. Metode Max

Solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum

aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan

mengaplikasikannya ke output dengan menggunakan operator OR (union).

Secara umum dapat dituliskan :

µsf [xi] = max(µsf[xi], µkf[xi])...(2.7)

b. Metode Additive (Sum)

Solusi himpunan fuzzy diperoleh dengan cara melakukan bounded sum

terhadap semua output daerah fuzzy. Secara umum dapat dituliskan :

µsf [xi] = min(1,µsf[xi] + µkf[xi])...(2.8)

c. Metode Probabilistik OR (probor)

Solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap

semua output daerah fuzzy. Secara umum dapat dituliskan :

µsf [xi] = (µsf[xi] + µkf[xi]) - (µsf[xi] * µkf[xi])...(2.9)

Keterangan :

µsf [xi] : nilai keanggotaan solusi fuzzy sampai aturan ke-i

µkf[xi] : nilai keanggotaan konsekuen aturan ke-i

Metode defuzzyfikasi yang akan digunakan adalah Metode Center of Area (COA).

Dimana pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat

(z*) daerah fuzzy. Secara umum dirumuskan :

z*= ∫

∫ ...(2.10)

z*= ∑ ( )

(29)

2.6 Permasalahan Pada Sistem Parkir Seri Otomatis

Pada simulasi ini posisi truk ditentukan oleh 3 variable ᴓ, x dan y. Dimana

variable θ merupakan sudut orientasi, dan untuk pasangan koordinat (x,y)

merupakan sebagai posisi dimana mobil akan memulai untuk melakukan proses

parkir. Sedangkan output dari simulasi ini yaitu θ, sudut kemudi (steering

angle)yang digunakan untuk mengontrol mobil tersebut agar bisa mencapai posisi

parkir yang ditentukan secara otomatis.

Mobil akan melakukan gerak maju atau mundur dari rules dan

membership function yang telah ditentukan. Sehingga akan menghasilkan kontrol

mobil dengan sudut kemudi yang tepat, agar mobil bisa mencapai posisi awal

parkir yang telahditentukan.

Gambar 2.14 Perancangan mobildanlahanparkir

Untuk mempermudah pada simulasi sistem control ini diasumsikan untuk

masukan∅berada pada jarak [-900, -2700] sedangkan untuk masukan x dan y

(30)

Karena sistem ini masih menggunakan simulasi, jadi harus mengetahui terlebih

dahulu dinamika prosedur untuk pergerakan maju-mundurnya mobil. Dan pada

sistem ini menggunakan persamaan kinematika sebagai berikut.

x(t+1) = x(t) – cos (∅(t) + θ(t))–sin (θ(t) + ∅(t))...(2.12)

y(t+1) = y(t) – sin (∅(t) + θ(t))–cos (θ(t) + ∅(t))...(2.13)

∅(t+1) = ∅(t) – sin -1 ( ( )) ...(2.14)

Dimana, (x , y) = koordinat bagian belakang mobil sebagai poros titik tengah

b = panjang dari mobil tersebut

2.7 Perangkat Lunak Labview

LabVIEW adalah sebuah software pemograman yang diproduksi oleh

National Instruments. Seperti bahasa pemograman lainnya yaitu C++, matlab atau

visual basic, LabVIEW juga mempunyai fungsi dan peranan yang sama,

perbedaannya adalah LabVIEW menggunakan bahasa pemrograman berbasis

grafis atau blok diagram sedangkan bahasa pemrograman lainnya menggunakan

text. Program LabVIEW dikenal dengan sebutan VI atau virtual instruments

karena penampilan dan operasinya dapat meniru sebuah instrument. Pada

LabVIEW, user pertama-tama membuat user interface atau front panel dengan

menggunakan kontrol dan indikator, yang dimaksud dengan kontrol adalah knobs,

push buttons, dials dan peralatan input lainnya sedangkan yang dimaksud dengan

indikator adalah graphs, LEDs dan peralatan display lainnya. Setelah menyusun

(31)

mengontrol front panel. Software LabVIEW terdiri dari tiga komponen

utama,yaitu:

2.7.1 Front Panel

Front Panel adalah bagian window yang mempunyai background abu-abu

serta mengandung kontrol dan indikator. Frontpanel digunakan untuk membangun

sebuah VI, menjalankan program dan mendebug program. Tampilan dari front

panel dapat di lihat pada gambar 2.10.

Gambar 2.10 Front Panel

2.7.2 Blok Diagram

Blok diagram adalah bagian window yang berlatar belakang putih berisi

source code yang dibuat dan berfungsi sebagai instruksi untuk front panel.

(32)

Gambar 2.11 Blok diagram

2.7.3 Control dan Function Pallete

Control dan function palletedigunakan untuk membangun sebuah VI.

a. Control Pallete

Control pallete merupakan tempat beberapa control dan indikator

padafront panel, control pallete hanya tersedia di front panel,

untukmenampilkan control pallete dapat dilakukan dengan mengklik

windows>> show control pallete atau klik kanan pada front panel.Contoh

(33)

Gambar 2.12 Control Pallete

b. Function Pallete

Function pallete di gunakan untuk membangun sebuah blok

diagram,function pallete hanya tersedia pada blok diagram,

untukmenampilkannya dapat dilakukan dengan mengklik windows >>

showcontrol pallete atau klik kanan pada lembar kerja blok diagram.

Contoh dari function palleteditunjukkan pada gambar 2.13.

(34)

BAB III

PERANCANGAN SIMULASI

Pada bab ini dijelaskan perancangan untuk mengetahui alur kerja dari

sistem yang akan dibuat. Pada perancangan ini dibuat 2 kontrol logika fuzzy

untuk mobil parkir secara otomatis agar dapat mengetahui perbandingan dari segi

performansinya.

3.1 Perancangan Sistem Parkir Mobil Seri Otomatis

Kontrol logika fuzzy pada perancangan ini menggunakan modul backward

truck yang terdapat pada software labview.Pada modul backward truck ini

memiliki 35 aturan dapat dilihat pada tabel 3.2.Untuk struktur modul backward

truck ini dapat dilihat pada gambar 3.1.

(35)

Pada modul backward truck memiliki 2 masukan yaitu, x dan y untuk posisi mobil

dan ᴓ untuk orientasi dari mobil, dan keluaran pada modul backward truck ini

adalah θ sebagai sudut steering pada mobil.

Bagian fuzzy untuk sistem mobil parkir otomatis ini dapat dilihat pada tabel 3.1

Tabel 3.1 Bagian fuzzy untuk sistem mobil parkir otomatis

Orientasi Mobil Posisi Mobil Sudut Steering Mobil

LD : Left-Down

3.2 Kontrol Logika Fuzzy Untuk Mobil Parkir Secara Otomatis

Pada perancangan kontrol logika fuzzy ini memiliki 2 kontrol logika fuzzy

yang sudah ditentukan nilainya. Kedua kontrol logika fuzzy ini akan

dibandingkan untuk diketahui kontrol logika fuzzy mana yang memiliki waktu

terbaik untuk sampai pada lahan parkir yang sudah ditentukan.

a. Kontrol Logika Fuzzy Yang Pertama (“bwdtruck.fc”, Labview 7.1)

Pada perancangan kontrol logika fuzzy yang pertama ini akan dijelaskan

(36)

Gambar 3.2. Membership functions untuk posisi mobil

Gambar 3.3.Membership functions untuk orientasi mobil

(37)

Setelah ditentukan membership functions-nya maka akan di buat aturan

fuzzy untuk dimasukkan kedalam aturan fuzzy yang terdapat didalam

labview. Dari aturan fuzzy ini dapat di analisa waktu dan step untuk mobil

sampai pada lahan parkir yang sudah ditentukan. Aturan fuzzy dapat

dilihat pada tabel 3.2.

Tabel 3.2. Aturan fuzzy modul backward kontrol logika fuzzy 1

Orientasi Mobil

Tabel 3.3 Aturan fuzzy modul forward kontrol logika fuzzy 1

Orientasi Mobil

b. Kontrol Logika Fuzzy Yang Kedua

Pada perancangan kontrol logika fuzzy yang kedua ini akan dijelaskan

(38)

Gambar 3.5. Membership functions untuk posisi mobil

Gambar 3.6. Membership functions untuk orientasi mobil

(39)

Setelah ditentukan membership functions-nya maka akan di buat aturan

fuzzy untuk dimasukkan kedalam aturan fuzzy yang terdapat didalam

labview. Dari aturan fuzzy ini dapat di analisa waktu dan step untuk mobil

sampai pada lahan parkir yang sudah ditentukan. Aturan fuzzy dapat

dilihat pada tabel 3.3.

Tabel 3.4. Aturan fuzzy modul backward kontrol logika fuzzy 2

Orientasi Mobil

Tabel 3.5 Aturan fuzzy modul forward kontrol logika fuzzy 2

Orientasi Mobil

Fuzzy inference ini berfungsi untuk mengetahui nilai maximum dan

minimum dari setiap membership function. Dalam menentukan fuzzy inference

(40)

 Fuzzy Inference Untuk Kontrol Logika Fuzzy 1

 Negatif Big (NB)

Proses fuzzy inference untuk arah steering negatif big sebagai berikut.

Ifposisi mobil = Right Center (RC)

And orientasi mobil = Left Down (LD)

Then steering mobil= Negative Big (NB)

Gambar 3.8 Penentuan arah steering mobil untuk negatif big kontrol logika

fuzzy 1

 Negatif Medium (NM)

Proses fuzzy inference untuk arah steering negatif medium sebagai

berikut.

If posisi mobil= Right (R)

And orientasi mobil = Right Up (RU)

(41)

Gambar 3.9 Penentuan arah steering mobil untuk negatif medium kontrol

logika fuzzy 1

 Negatif Small (NS)

Proses fuzzy inference untuk arah steering negatif small sebagai

berikut.

Ifposisi mobil = LeftCenter (LC)

And orientasi mobil = Left (L)

Then steering mobil= Negatif Small (NS)

Gambar 3.10 Penentuan arah steering mobil untuk negatif small kontrol

(42)

 Zero (Z)

Ifposisi mobil = Center (C)

And orientasi mobil = Up (U)

Then steering mobil = Zero (Zero)

Gambar 3.11 Penentuan arah steering mobil untuk zero kontrol logika fuzzy

1

 Positif Small(PS)

Proses fuzzy inference untuk arah steering positif small sebagai

berikut.

Ifposisi mobil = Center (C)

And orientasi mobil = Right Up (RU)

(43)

Gambar 3.12 Penentuan arah steering mobil untuk positif small kontrol

logika fuzzy 1

 Positif Medium (PM)

Proses fuzzy inference untuk arah steering positif medium sebagai

berikut.

If vehicle position = Left (L)

And vehicle orientation = Left Up (LU)

Then steering angle = Positif Medium (PM)

Gambar 3.13 Penentuan arah steering mobil untuk positif medium kontrol

(44)

 Positif Big (PB)

Proses fuzzy inference untuk arah steering positif big sebagai berikut.

If vehicle position = Left (L)

And vehicle orientation = Right (R)

Then steering angle = Positif Big (PB)

Gambar 3.14 Penentuan arah steering mobil untuk positif big kontrol logika

fuzzy 1

 Fuzzy Inference Untuk Kontrol Logika Fuzzy 2

 Negatif Big (NB)

Ifposisi mobil = Left Center (LC)

And orientasi mobil = Left Down (LD)

(45)

Gambar 3.15 Penentuan arah steering mobil untuk negatif big kontrol

 Negatif Medium (

Proses fuzzy

berikut.

If posisi mobil

And orientasi mobil

Then steering

Gambar 3.16 Penentuan arah steering

Gambar 3.15 Penentuan arah steering mobil untuk negatif big kontrol

fuzzy 2

Negatif Medium (NM)

Proses fuzzy inference untuk arah steering negatif medium

posisi mobil= Left Center (LC)

orientasi mobil = Left (L)

steering mobil= Negatif Medium (NM)

Gambar 3.16 Penentuan arah steering mobil untuk negatif medium kontrol

logika fuzzy 2

Gambar 3.15 Penentuan arah steering mobil untuk negatif big kontrol logika

negatif medium sebagai

(46)

 Zero (Z)

Ifposisi mobil =

And orientasi mobil =

Then steering mobil =

Gambar 3.17 Penentuan arah

 Positif Medium (

Proses fuzzy

berikut.

If vehicle position = Lef

And vehicle orientation =

Then steering angle

posisi mobil = Center (C)

orientasi mobil = Up (U)

steering mobil = Zero (Zero)

bar 3.17 Penentuan arah steering mobil untuk zero kontrol logika fuzzy

2

Positif Medium (PM)

Proses fuzzy inference untuk arah steering positif medium

vehicle position = Left (L)

vehicle orientation = Left (L)

steering angle = Positif Medium (PM)

steering mobil untuk zero kontrol logika fuzzy

(47)

Gambar 3.18 Penentuan arah steering mobil untuk positif medium kontrol

logika fuzzy 2

 Positif Big (PB)

Proses fuzzy inference untuk arah steering positif big sebagai berikut.

If vehicle position = Center (L)

And vehicle orientation = Right Down (RD)

Then steering angle = Positif Big (PB)

Gambar 3.19 Penentuan arah steering mobil untuk positif big kontrol logika

(48)

3.4 Perancangan Aturan Logika Fuzzy Pada Labview

Perancangan aturan logika fuzzy pada labview memiliki bagian-bagian sebagai

berikut.

1. Project Manager berfungsi untuk membuat aturan logika fuzzy.

2. Fuzzy set-editor berfungsi untuk membuat atau mengubah membership

function.

3. Rulebase-editor berfungsi untuk membuat atau mengubah aturan fuzzy

atau fuzzy rule sets.

Untuk merancang aturan logika fuzzy akan di jelaskan melalui langkah-langkah

berikut ini.

a. Pilih tools >> pilih fuzzy logic controller design

(49)

b. Setelah memilih fuzzy logic controller design maka akan keluar tampilan

seperti gambar 3.21ini. Lalu klik ok untuk memulai membuat aturan logika

fuzzy pada labview.

Gambar 3.21 Tampilan awal dari project manager

c. Untuk memulai membuat aturan logika fuzzy klik file >>new.

(50)

d. Setelah klik new maka akan keluar tampilan membership function yang

baru seperti gambar 3.23.

Gambar 3.23Tampilan set-editor

e. Setelah membuat membership function baru, selanjutnya membuat aturan

logika fuzzy. Untuk membuat aturan logika fuzzy klik quit lalu langsung

(51)

Gambar 3.24 Tampilan rulebase-editor

f. Banyaknya aturan logika fuzzy, tergantung dari banyaknya masukan dan

keluaran yang di buat pada set-editor (membership function)seperti gambar

3.24. Setelah membuat aturan logika fuzzy klik quit untuk langkah

selanjutnya yaitu menyimpan data logika fuzzy yang dibuat. Setelah klik

quit maka akan menuju tampilan project manager. Untuk menyimpan data

(52)

Gambar 3.25 Tampilan project manager

g. Setelah menyimpan data logika fuzzy yang sudah dibuat, maka saatnya

menguji aturan logika fuzzy pada simulasi parkir mobil otomatis. Sebelum

keluar dari project manager, untuk mengubah atau mengedit aturan fuzzy

yang sudah dibuat klik edit >> set-editor atau rulebase-editor. Set-editor

berfungsi untuk mengubah membership function yang sudah dibuat, dan

rulebase-editor berfungsi untuk mengubah aturan fuzzy yang sudah dibuat.

(53)

(54)

BAB IV

PENGUJIAN DAN ANALISIS

Pada bab ini dijelaskan tentang simulasi tentang performansi fuzzy rule

sets yang sudah dijelaskan pada bab sebelumnya. Pada pengujian ini

disimulasikan agar dapat mengetahui performansi kontrol logika fuzzy manakah

yang memiliki waktu terbaik untuk sampai pada lahan parkir yang sudah tentukan

ini.Maka dari itu saya melakukan 5 percobaan dengan posisi mobil, sudut dan

tempat parkir yang berbeda untuk mengetahui performansi dari ketiga kontrol

logika fuzzy tersebut.

4.1 Percobaan Simulasi Pertama

a. Kecepatan Waktu Mobil Dalam Proses Parkir

Kecepatan dalam waktu parkir ini bertujuan untuk mengetahui

seberapa cepat waktu mobil dalam melakukan proses parkir. Pada

percobaan pertama dengan menempatkan mobil pada inisial posisi yaitu

x=1.5, y=5, ᴓ= 60o dan tempat parkir yang dituju ada di posisi 5. Dengan

melakukan percobaan seperti ini didapat performansi kontrol logika fuzzy

(55)

Gambar 4.1 Simulasi labview pertama (1.5, 5, 60o)

Tabel 4.1 Hasil simulasi dari percobaan pertama

Inisial Posisi Kontrol Logika Fuzzy 1 Kontrol Logika Fuzzy 2

Time Step Time Step

x= 1.5 y= 5 ᴓ= 60o

Target tempat parkir = 5

4,709 detik 48 step 2,904 detik 30 step

b. Nilai keluaran steering angle

Nilai keluaran steering angle ini bertujuan untuk mengetahui

berapa derajat mobil menggerakan steering mobil pertama kali pada saat

akan melakukan parkir otomatis. Cara mengetahuinya menggunakan

(56)

 Kontrol Logika Fuzzy 1

Dalam mencari nilai steering angle dapat dilakukan dengan cara

menentukan nilai max-min pada posisi mobil dan orientasi mobil lalu

memasukannya kedalam persamaan berikut.

Ifposisi mobil= 1,5 cm (L)

And orientasi mobil = 60o(LU)

Then steering mobil = Positif Medium (PM)

Gambar 4.2 Grafik percobaan 1 dengan kontrol logika fuzzy 1

= . . ( )

( ) ………(4.1)

Keterangan :

θ= Sudut keluaran

θ1 = Sudut terkecil

θ2 = Sudut terbesar

V (rule 1) = Nilai max

(57)

Dengan diketahui

mobilmaka didapat hasil seperti ini.

=

Jadi, pada

13,3o(positif medium).

Pada kontrol

dari steering

cara menentukan

lalu memasukannya kedalam persamaan berikut.

Ifposisi mobil

Gambar 4.3 Grafik

Dengan mengetahui

mobil maka didapat hasil seperti ini.

=

diketahui persamaan untuk mencari nilai keluaran

mobilmaka didapat hasil seperti ini.

= . , ._, = _, = , °

Jadi, pada saat pertama kali mobil mengarahkan steering

positif medium).

Kontrol Logika Fuzzy 2

Pada kontrol logika fuzzy 2 untuk dapat melihat berapa

steering angle pada mobil pada saat melakukan

menentukan nilai max-min pada posisi mobil dan

lalu memasukannya kedalam persamaan berikut.

posisi mobil = 1,5 cm (L)

orientasi mobil = 60o (LU)

steering mobil = Positif Big (PB)

Dengan mengetahui persamaan untuk mencari nilai keluaran

= . , . ,_, _, = _, = °

nilai keluaran steering

mengarahkan steering itu bernilai

berapa nilai keluaran

melakukan parkir dengan

mobil dan orientasi mobil

percobaan 1 dengan kontrol logika fuzzy 2

(58)

Jadi, pada

30o(positif big).

Gambar 4.4 Hasil simulasi percobaan 1 dengan kontrol logik Jadi, pada saat pertama kali mobil mengarahkan steering

positif big).

asil simulasi percobaan 1 dengan kontrol logik

garahkan steering itu bernilai

(59)

Gambar 4.5 Hasil simulasi percobaan 1 dengan kontrol logika fuzzy 2

Percobaan pertama ini dapat dilihat pada tabel 4.1 menunjukan bahwa

kontrol logika fuzzy ke-2 memiliki performansi yang lebih baik dari

kontrol logika fuzzy yang lainnya.Karena bisa dilihat durasi waktu dan

(60)

4.2 Percobaan Simulasi Kedua

Hasil kecepatan dalam waktu parkir ini bertujuan untuk

mengetahui seberapa cepat waktu mobil dalam melakukan proses parkir.

Pada percobaan simulasi kedua dengan menempatkan inisial posisi x= 3,

y= 2, dan ᴓ= 120o dan tempat parkir berada pada posisi 5. Dengan

melakukan percobaan kedua ini agar dapat mengetahui kondisi kontrol

logika fuzzy jika diberikan inisial posisi yang berbeda dapat dilihat pada

tabel 4.2.

(61)

Tabel 4.2 Hasil simulasi dari percobaan kedua

Time Step Time Step

x= 3 y= 2 ᴓ= 120o

4,658detik 47 step 2,806 detik 29 step

b. Nilai keluaraan steering angle

Nilai keluaran steering angle ini bertujuan untuk mengetahui berapa

derajat mobil menggerakan steering mobil pertama kali pada saat akan

melakukan parkir otomatis. Cara mengetahuinya menggunakan metode

max-min dengan cara memotong kurva x dan β.

Ifposisi mobil = 3 cm (L)

And orientasi mobil = 120o (RU)

(62)

Dengan mengetahui persamaan untuk mencari nilai keluaran steering

mobil maka didapat hasil seperti berikut.

= . , . ,

, , =

,

, = 24° ( )

Jadi, pada saat pertama kali mobil mengarahkan steering itu bernilai

24o(positif big).

Pada kontrol logika fuzzy 2 pada percobaan 2 untuk dapat melihat

berapa nilai keluaran dari steering angle pada mobil pada saat

melakukan parkir dengan cara menentukan nilai max-min pada posisi

mobil dan orientasi mobil lalu memasukannya kedalam persamaan

berikut.

(63)

Dengan mengetahui

=

Jadi, pada

15o(positif medium).

= . , . ,_, _, = _, = 5°

positif medium).

(64)

(65)

Dapat dilihat pada

performansi yang

dengan memiliki

parkir yang sudah ditentukan.

4.3 Percobaan Simulasi ketiga

Pada percobaan

dari kontrol logika fuzzy

lebih baik dari

= 115o_{dan tempat}

4.3.

dilihat pada tabel 4.2 bahwa kontrol logika fuzzy 2

performansi yang lebih baik dari kontrol logika fuzzy yang

memiliki waktu 2,806 detik dan 29 step untuk sampai

parkir yang sudah ditentukan.

Percobaan Simulasi ketiga

Waktu Mobil Dalam Proses Parkir

percobaan ketiga ini dilakukan untuk melihat apakah

kontrol logika fuzzy ke-2 ini masih memiliki tingkat performansi

baik dari kontrol logika fuzzy lainnya. Dengan posisi

dan tempat parkir yang dituju adalah no.4 dapat dilihat

fuzzy 2 tetap memiliki

fuzzy yang lainnya yaitu

untuk sampai pada lahan

melihat apakah performansi

2 ini masih memiliki tingkat performansi yang

posisi x = 5, y = 4, ᴓ

(66)

Gambar 4.11 simulasi labview ketiga (5, 4, 115o)

Tabel 4.3 Hasil simulasi dari percobaan 3

Time Step Time Step

x= 5 y= 4 ᴓ= 115o

3,703 detik 38 step 1,605

detik 17 step

Pada percobaan ketiga nilai keluaran steering angle ini bertujuan untuk

mengetahui berapa derajat mobil menggerakan steering mobil pertama kali

pada saat akan melakukan parkir otomatis. Cara mengetahuinya

(67)

Ifposisi mobil = 5 cm (C)

Then steering mobil = Positif Small (PS)

Dengan mengetahui persamaan untuk mencari nilai keluaran steering

= . , .

, = , = 3,125° ( )

Jadi, pada saat pertama kali mobil mengarahkan steering itu bernilai

3,125o(positif small).

Pada kontrol logika fuzzy 2 pada percobaan 3 untuk dapat melihat

berapa nilai keluaran dari steering angle pada mobil pada saat

(68)

mobil dan

berikut.

Ifposisi mobil

Dengan mengetahui

=

Jadi, pada

mobil dan orientasi mobil lalu memasukannya kedalam

posisi mobil = 5 cm (C)

orientasi mobil = 115o (RU)

steering mobil = Positif Medium (PM)

= . , . _, = _, = 5°

positif medium).

memasukannya kedalam persamaan

(69)

(70)

Gambar 4.16 Hasil simulasi percobaan 3

Pada percobaan ketiga

dibandingkan dengan

parkir sudah berubah.

tempat parkir no.4. Kontrol

percobaan ketiga ini performansi kontrol logika fuzzy

dengan kontrol logika fuzzy yang lain walaupun

berubah. Pada percobaan 3 ini tempat parkir yang

no.4. Kontrol logika fuzzy hanya melakukan 1,605

dengan kontrol logika fuzzy 2

fuzzy 2 lebih baik

walaupun kondisi lahan

parkir yang di tuju yaitu

(71)

step. Dan kontrol logika fuzzy lainnya waktu menuju tempat parkir lebih dari

kontrol logika fuzzy 2.

4.4 Percobaan Simulasi keempat

a. Kecepatan Waktu Dalam Proses Parkir

Pada percobaan keempat ini dilakukan untuk melihat apakah performansi

dari kontrol logika fuzzy ke-2 ini masih memiliki tingkat performansi yang

lebih baik dari kontrol logika fuzzy lainnya. Dengan posisi x = 3, y = 4, ᴓ

= 45odapat dilihat pada tabel 4.4.

(72)

Tabel 4.4 Hasil simulasi dari percobaan 4

Time Step Time Step

x= 3 y= 4 ᴓ= 45o

4,401

detik 45 step

4,206

detik 43 step

Pada percobaan 4 nilai keluaran steering angle ini bertujuan untuk

mengetahui berapa derajat mobil menggerakan steering mobil pertama kali

pada saat akan melakukan parkir otomatis. Cara mengetahuinya

menggunakan metode max-min dengan cara memotong kurva x dan β.

memasukannya kedalam persamaan.

And orientasi mobil = 45o (L)

Then steering mobil = Positif Small (PS)

(73)

Dengan mengetahui

=

Jadi, pada

2,5o(positif small).

Pada kontrol

Gambar 4.19 Grafik percobaan 3 dengan kontrol logika fuzzy 2 Dengan mengetahui persamaan untuk mencari nilai keluaran

= . , . ,_, _, = , = ,5°

positif small).

Kontrol Logika Fuzzy 2

Pada kontrol logika fuzzy 2 pada percobaan 4 untuk

berapa nilai keluaran dari steering angle pada mobil

melakukan parkir dengan cara menentukan nilai

max-mobil dan orientasi max-mobil lalu memasukannya kedalam

posisi mobil = 3 cm (L)

orientasi mobil = 45o (LU)

steering mobil = Positif Medium (PM)

untuk dapat melihat

pada mobil pada saat

-min pada posisi

memasukannya kedalam persamaan

(74)

Dengan mengetahui

=

Jadi, pada

Gambar 4.20 Hasil simulasi percobaan 4 dengan kontrol logika fuzzy 1 Dengan mengetahui persamaan untuk mencari nilai keluaran

= . , . ,_, _, = _,, = 5°

pada saat pertama kali mobil mengarahkan steering

positif medium).

Gambar 4.20 Hasil simulasi percobaan 4 dengan kontrol logika fuzzy 1 nilai keluaran steering

(75)

Di percobaan 4 ini dengan

fuzzy 2 masih menunjukan

parkir 4,206 detik dan 43 step.

dengan menempatkan posisi parkir di posisi 6,

menunjukan performansi yang baik dengan memiliki

parkir 4,206 detik dan 43 step.

posisi 6, kontrol logika

(76)

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Sesuai perancangan dan pengujian serta analisis dari simulasi parkir

otomatis dan perbandingan dari beberapa fuzzy rule module yang di bahas pada

penulisan tugas akhir ini, dapat diambil kesimpulan.

1. Kontrol logika fuzzy ke-2 lebih baik performansinya dari kontrol

logika fuzzy yang lainnya. Dari 4 kali percobaan kontrol logika

fuzzy ke-2 selalu menunjukan performansi yang baik, dengan

memiliki presentase waktu parkir yang dibutuhkan 46% lebih cepat

dari kontrol logika fuzzy yang lain.

2. Kontrol logika fuzzy ke-2 dalam melakukan parkir otomatis dari

posisi inisial sampai pada lahan parkir yang sudah ditentukan

memiliki kecepatan waktu yang sangat baik dalam proses parkir.

3. Pada percobaan pertama diketahui bahwa mobil yang

menggunakan kontrol logika fuzzy ke-2 untuk menuju lahan parkir

dari inisial posisi hanya butuh 30 step dan 2,904 detik. Pada

percobaan kedua pun sama, kontrol logika fuzzy ini menunjukan

performansi yang baik hanya membutuhkan waktu 32 step dan

3,205 detik. Pada percobaan 3 dan 4 kontrol logika fuzzy memiliki

performansi yang baik dengan memiliki waktu 1,605 detik,17 step

(77)

5.2 Saran

Untuk pengembangan dan peningkatan kinerja dari simulasi parkir

otomatis yang di buat ini, ada beberapa hal yang harus diperhatikan.

1. Menggunakan penghalang pada saat simulasi parkir, agar simulasi

parkir ini seperti pada keadaan sebenarnya.

2. Menambahkan grafik setiap pergerakkan steering angle pada mobil.