IMPLEMENTASI ARSITEKTUR BEHAVIOR-BASED DENGAN MENGGUNAKAN FUZZY UNTUK NAVIGASI CAR-LIKE MOBILE ROBOT DALAM LINGKUNGAN YANG TAK DIKENAL

TESIS

OLEH

SARMAYANTA SEMBIRING NIM: 107034011

FAKULTAS TEKNIK

UNIVERSITAS SUMATERA UTARA MEDAN

2014

TESIS

Untuk Memperoleh Gelar Magister Teknik Dalam Program Studi Magister Teknik Elektro Pada Fakultas Teknik Universitas Sumatera Utara

Oleh:

Sarmayanta Sembiring NIM: 107034011

FAKULTAS TEKNIK

UNIVERSITAS SUMATERA UTARA MEDAN

PANITIA PENGUJI TESIS

Ketua : Prof.Dr. Ir. Usman Baafai Anggota: 1. Prof Drs. Tulus, M.Si, Ph.D

2. Dr. Poltak Sihombing, M.Kom

menavigasi Car-Like Mobile Robot dalam lingkungan tak dikenal. Sistem ini terdiri dari tiga perilaku dasar, yaitu goal seeking behavior, obstacle avoidance behavior, dan move backward behavior. Setiap perilaku memberikan informasi untuk mengendalikan sudut kemudi dan kecepatan linear. Sebuah behavior-controller dirancang untuk mengatur penggunaan behavior berdasarkan perioritas dalam mengendalikan sudut kemudi dan kecepatan linear. Hasil eksperimen menunjukkan bahwa arsitektur yang ini dapat membawa car-like mobile robot menuju target dengan aman tanpa bertabrakan dalam lingkungan yang tak dikenal, dapat menghindari rintangan, dan dapat keluar dari kondisi kebuntuan saat menghadapi rintangan cekung.

Kata kunci: Fuzzy logic controller, car-like mobile robot, basic-behavior, behavior- controller.

consisted of three basic-behaviors such as goal-seeking behavior, obstacle-avoidance behavior, and move–backward behavior. Each behavior provided information to control steering angle and linear speed. A behavior-controller was designed to control the use of behavior based on priority in controlling the steering angle and linear speed. The result of the experiment showed that this architecture can bring the car-like mobile robot safely to the target without collision in the unknown environment, can avoid obstacle, and can get out of deadlock condition when facing concave obstacle.

Keywords: Fuzzy Logic Controller, Car-Like Mobile Robot, Basic-Behavior, Behavior-Controller

karuniaNya sehingga penulis dapat menyelesaikan penelitian tesis ini yang berjudul

“Implementasi Arsitektur Behavior-Based Dengan Menggunakan Fuzzy Untuk Navigasi Car-Like Mobile Robot Dalam Lingkungan Yang Tak Dikenal ”. Tesis ini disusun untuk memenuhi salah satu syarat kurikulum Program Studi Magister Teknik Elektro Fakulas Teknik Universitas Sumatera Utara.

Dengan segala kerendahan hati, penulis sampaikan rasa hormat dan terima kasih yang sebesar-besarnya atas segala bantuan semua pihak dalam penyelesaian tesis ini. Secara khusus penulis menghaturkan terima kasih dan penghargaan yang sebesar-besarnya kepada Bapak Prof. Dr. Ir. Usman Baafai dan Bapak Prof. Drs.

Tulus, M.Si, Ph.D sebagai pembimbing yang telah memberikan saran, bimbingan, dan nasehatnya selama penulisan tesis ini. Terimakasih juga penulis ucapkan kepada Bapak Ir. Pernantin Tarigan, M.Sc yang telah bersedia meluangkan waktunya untuk memberikan bimbingan dan saran dari awal judul tesis ini penulis usulkan sampai selesainya penulisan tesis ini.

Penulis juga ucapkan terimakasih kepada seluruh Dosen dan Staf Program Studi Magister Teknik Elektro Universitas Sumatera Utara atas kontribusi dan bantuanya hingga selesainya penulisan tesis ini. Terimakasih juga penulis ucapkan kepada Fakultas Ilmu Komputer Universitas Sriwijaya yang telah memberikan bantuan kepada penulis untuk melanjutkan pendidikan Magister Teknik Elektro di

penulisan tesis ini.

Penulis menyadari bahwa Tesis ini masih memiliki banyak kekurangannya, oleh karena itu kritik dan saran yang sifatnya membangun sangat diharapkan demi perbaikan dan penyempurnaannya, semoga tesis ini kelak dapat bermanfaat bagi para pembaca dan mampu memberikan sumbangsih bagi pengembangan dunia penelitian khususnya yang berkaitan dengan robotika.

Medan, Juni 2013 Penulis,

Sarmayanta Sembiring

Nama : Sarmayanta Sembiring Tempat / Tanggal Lahir : Medan / 27 Januari 1978 Jenis Kelamin : Laki-Laki

Agama : Kristen Protestan

Bangsa : Indonesia

Alamat : Jl. Mesjid Al-Ghazali No 299 RT 05/RW 02 Bukit Besar Palembang.

Telepon : 0711-362903 / 081271409188

Menerangkan dengan sesungguhnya, bahwa : Pendidikan :

1. Tamatan SD Kristen PPKP Palembang Tahun 1990 2. Tamatan SMP Kristen PPKP Palembang Tahun 1993 3. Tamatan SMA Methodist I Palembang Tahun 1996 4. Tamatan FMIPA Fisika Universitas Sriwijaya Tahun 2003 Pekerjaan :

Laboran pada Laboratorium Elektronika dan Sistem Digital Fakultas Ilmu Komputer Universitas Sriwijaya sejak tahun 2005.

Demikian daftar riwayat hidup ini saya buat dengan sebenarnya untuk dapat dipergunakan sebagaimana mestinya.

Medan, Juni 2013 Tertanda,

Sarmayanta Sembiring

DAFTAR ISI

ABSTRAK ... i

ABSTRACT ... ii

KATA PENGANTAR ... iii

DAFTAR RIWAYAT HIDUP ... v

DAFTAR ISI ... vi

DAFTAR TABEL ... x

DAFTAR GAMBAR ... xi

BAB I PENDAHULUAN ... 1

1.1. Latar Belakang... 1

1.2. Perumusan Masalah ... 5

1.3. Batasan Masalah ... 6

1.4. Tujuan Penelitian ... 7

1.5. Manfaat Penelitian ... 7

BAB II TINJAUAN PUSTAKA ... 8

2.1. Car Like Mobile Robot (CLMR) ... 8

2.2. Kinematika robot ... 9

2.2.1. Kinematika CLMR ... 10

2.2.2. Posisi mobile robot CLMR terhadap target ... 12

2.2.3. Karakteristik geometri CLMR ... 14

2.3. Metode penentuan posisi relatif robot ... 16

2.4. Sensor pengukur jarak ... 18

2.4.1. Sharp GP2D12 ... 19

2.4.2. Sharp GP2D120 ... 20

2.6. Sistem kontrol ... 22

2.6.1. Fitur ATMega 8535... 23

2.6.2. Konfigurasi Pin ATMege 8535 ... 24

2.7. Konsep behavior based robotic ... 25

2.8. Logika fuzzy ... 28

2.8.1. Fungsi keanggotaan ... 30

2.8.2. Operasi himpunan fuzzy ... 32

2.8.2.1. Operasi gabungan (Union)... 32

2.8.2.2. Operasi irisan (Intersection) ... 33

2.8.2.3. Operator komplemen (Complement) ... 33

2.8.3. Penalaran monoton ... 33

2.8.4. Fungsi implikasi ... 34

2.8.5. Cara kerja logika fuzzy ... 34

2.8.6. Sistem inferensi fuzzy ... 35

2.9. Penelitian terkait ... 38

2.9.1. Persamaan dengan penelitian lainnya ... 41

2.9.2. Perbedaan dengan penelitian lainnya ... 41

BAB III METODOLOGI PENELITIAN ... 43

3.1. Gambaran umum ... 44

3.2. Alur kerja penelitian ... 46

3.3. Perancangan perangkat keras ... 47

3.3.1. Rancangan dan spesifikasi mekanik... 48

3.3.2. Perancangan elektronik ... 50

3.3.2.1. Perancangan sistem master ... 51

3.3.2.2. Perancangan sistem slave-1 ... 54

3.3.2.3. Perancangan sistem slave-2 ... 56

3.3.3. Rincian biaya perancangan perangkat keras CLMR ... 58

3.4. Pengujian sub sistem ... 59

3.4.1. Pengujian sudut kemudi ... 59

3.4.2. Pengujian sensor jarak ... 61

3.4.3. Pengujian optocoupler ... 62

3.5. Perancangan basic-behavior dan behavior controller ... 63

3.5.1. Perancangan basic-behavior dengan FLC ... 63

3.5.1.1. Perancangan goal seeking behavior ... 64

3.5.1.2. Perancangan obstacle avoidance behavior ... 80

3.5.1.3. Perancangan move backward behavior ... 94

3.5.2. Perancangan behavior controller ... 101

3.6. Perancangan perangkat lunak ... 104

3.6.1. Program master ... 105

3.6.1.1. Sub rutin kemudi awal ... 108

3.6.1.2. Sub rutin putar kiri ... 110

3.6.1.3. Sub rutin putar kanan ... 111

3.6.1.4. Sub rutin data target ... 113

3.6.1.5. Sub rutin pengendalian actuator ... 115

3.6.1.6. Sub rutin update posisi ... 117

3.6.1.7. Sub rutin sudut kemudi ... 121

3.6.2. Program slave-1 ... 122

3.6.2.1. Sub rutin input-target ... 124

3.6.2.2. Sub rutin switch-input ... 127

3.6.2.3. Sub rutin goal seeking behavior ... 128

3.6.2.4. Sub rutin output-digital ... 130

3.6.3. Program slave-2 ... 131

3.6.3.1. Sub rutin sensor jarak ... 133

3.6.3.2. Sub rutin behavior-controller ... 136

3.6.3.3. Sub rutin obstacle avoidance behavior ... 140

3.6.3.4. Sub rutin move backward behavior... 142

3.7.1. Pengujian tanpa rintangan ... 144

3.7.2. Pengujian dengan rintangan ... 144

3.7.3. Pengujian dengan rintangan cekung... 147

3.7.4. Pengujian dengan tiga rintangan ... 148

BAB IV HASIL DAN PEMBAHASAN ... 149

4.1. Hasil ... 149

4.1.1. Hasil pengujian tanpa rintangan... 150

4.1.2. Hasil pengujian dengan rintangan ... 154

4.1.3. Hasil pengujian dengan rintangan cekung ... 156

4.1.4. Hasil pengujian dengan tiga rintangan ... 157

4.2. Pembahasan ... 158

4.2.1. Pembahasan pengujian tanpa rintangan ... 158

4.2.2. Pembahasan pengujian dengan rintangan ... 163

4.2.3. Pembahasan pengujian dengan rintangan cekung... 169

4.2.4. Pembahasan pengujian dengan tiga rintangan ... 173

BAB V KESIMPULAN DAN SARAN ... 175

5.1. Kesimpulan ... 175

5.2. Saran... 177

DAFTAR PUSTAKA ... 178

LAMPIRAN

DAFTAR TABEL

Nomor Judul Halaman

1.1. Penelitian yang pernah dilakukan ... 4

3.1. Rincian biaya perancangan CLMR... 59

3.2. Hasil pengujian sudut kemudi ... 60

3.3. Hasil pengujian optocoupler ... 62

3.4. Jarak tempuh perhitungan dan jarak tempuh real ... 63

3.5. Pemetaan ruang konfigurasi (x,y) berdasarkan EP dan EO ... 73

3.6. Basis aturan (Rules Base) goal seeking behavior ... 75

3.7. Nilai radius putar terhadap sudut kemudi ... 83

3.8. Basis aturan (rules base) obstacle avoidance behavior ... 91

3.9. Basis aturan (rules base) move backward behavior ... 99

3.10. Kontrol full step motor stepper unipolar ... 109

3.11. Hubungan variabel N untuk putar kiri ... 111

3.12. Hubungan variabel N untuk putar kanan ... 113

DAFTAR GAMBAR

Nomor Judul Halaman

2.1. Robot Car-Like Mobile Robot (CLMR) ... 9

2.2. Pendekatan kinematik model kendaraan ... 10

2.3. Posisi robot terhadap target ... 13

2.4. Geometris kendaraan dan radius putar ... 14

2.5. Rangkaian penggerak optocoupler ... 17

2.6. Piringan derajat DI-REV1 ... 18

2.7. Contoh karakteristik sensor Sharp GP2D12 ... 19

2.8. Contoh karakteristik output sensor Sharp GP2D120 ... 20

2.9. Sinyal PWM ... 21

2.10. Konfigurasi pin ATMega8525 ... 24

2.11. Teknik penguraian tradisional untuk sistem kendali mobile robot kedalam unit-unit fungsional ... 25

2.12. Dekomposisi sistem kendali mobile robot dengan task achieving behaviors ... 26

2.13. Arsitektur subsumption ... 28

2.14. Konsep dasar Logika fuzzy ... 29

2.15. Grafik keanggotaan... 30

3.1. Ilustrasi rintangan berada pada rute yang direncanakan ... 45

3.2. Blok diagram arsitektur behavior-based dengan FLC ... 46

3.3. Diagram alir penelitian ... 47

3.4. Rancangan mekanik CLMR ... 49

3.5. Diagram blok perangkat keras keseluruhan ... 51

3.6. Perancangan sistem master ... 52

3.7. Perancangan sistem slave-1 ... 56

3.8. Perancangan sistem slave-2 ... 57

Nomor Judul Halaman

3.9. Posisi radius putar (R) terhadap CLMR ... 65

3.10. Fungsi keanggotaan EO dalam satuan derajat

( )

^O ... 67

3.11. Fungsi keanggotaan EP dalam satuan (cm) ... 70

3.12. Ilustrasi posisi target terhadap lintasan yang dibentuk sudut kemudi 74

3.13. Fungsi keanggotaan output goal seeking behavior ... 79

3.14. Karakteristik geometri CLMR dengan memperhitungkan JAMIN .... 81

3.15. Fungsi keanggotaan FC dalam satuan (cm) ... 85

3.16. Fungsi keanggotaan FSOD dalam satuan (cm) ... 86

3.17. Ilustrasi radius putar (RO) terhadap rintangan kemudi ... 88

3.18. Fungsi keanggotaan output obstacle avoidance behavior ... 93

3.19. Fungsi keanggotaan BSOD dalam satuan (cm)... 96

3.20. Fungsi keanggotaan LSA dalam satuan ( 0) ... 97

3.21. Fungsi keanggotaan output sudut kemudi

( )

^φ dalam satuan ( 0)... 100

3.22. Diagram alir perangkat lunak sistem keseluruhan... 104

3.23. Diagram alir program master ... 106

3.24. Diagram alir sub rutin kemudi awal ... 109

3.25. Diagram alir sub rutin putar kiri ... 110

3.26. Diagram alir sub rutin putar kanan ... 112

3.27. Diagram alir sub rutin data target ... 114

3.28. Fungsi pin port B pada sub rutin pengendalian actuator ... 115

3.29. Diagram alir sub rutin pengendalian actuator ... 116

3.30. Sistem kordinat CLMR ... 118

3.31. Diagram alir sub rutin update posisi ... 121

3.32. Diagram alir sub rutin sudut kemudi ... 122

3.33. Diagram alir program slave-1 ... 123

3.34. Diagram alir sub rutin input-target ... 125

Nomor Judul Halaman

3.35. Diagram alir sub rutin switch-input ... 127

3.36. Diagram alir sub rutin goal seeking behavior ... 129

3.37. Diagram alir sub rutin output-digital ... 130

3.38. Diagram alir program slave-2 ... 131

3.39. Diagram alir sub rutin sensor jarak ... 133

3.40. Diagram alir behavior-controller ... 137

3.41. Diagram alir sub rutin obstacle avoidance behavior ... 141

3.42. Diagram alir sub rutin move backward behavior ... 143

3.43. Pencarian target tanpa rintangan ... 145

3.44. Pencarian target dengan rintangan model-1 ... 146

3.45. Pencarian target dengan rintangan model-2 ... 146

3.46. Pencarian target dengan rintangan model-3 ... 147

3.47. Pencarian target dengan rintangan model-4 ... 147

3.48. Pencarian target dengan rintangan model-5 ... 148

4.1. Hasil pengujian pencarian target tanpa rintangan untuk cm) 100 y dan cm, 200 (x_T = _T = ... 150

4.2. Hasil pengujian pencarian target tanpa rintangan untuk cm) 100 y dan cm, 200 (x_T = _T =− ... 151

4.3. Hasil pengujian pencarian target tanpa rintangan untuk cm) 300 y dan cm, 200 (x_T = _T = ... 152

4.4. Hasil pengujian pencarian target tanpa rintangan untuk 0) y dan cm, 100 (x_T =− _T = ... 153

4.5. Hasil pengujian pencarian target tanpa rintangan untuk 0) y dan cm, 30 (x_T =− _T = ... 153

4.6. Hasil pengujian model-1 ... 154

4.7. Hasil pengujian model-2 ... 155

4.8. Hasil pengujian model-3 ... 156

4.9. Hasil pengujian dengan rintangan cekung ... 157

4.10. Hasil pengujian dengan tiga rintangan ... 158

Nomor Judul Halaman 4.11. Ilustrasi pencarian target dengan rintangan model-3 ... 167 4.12. Ilustrasi pencarian target dengan rintangan cekung ... 170

menavigasi Car-Like Mobile Robot dalam lingkungan tak dikenal. Sistem ini terdiri dari tiga perilaku dasar, yaitu goal seeking behavior, obstacle avoidance behavior, dan move backward behavior. Setiap perilaku memberikan informasi untuk mengendalikan sudut kemudi dan kecepatan linear. Sebuah behavior-controller dirancang untuk mengatur penggunaan behavior berdasarkan perioritas dalam mengendalikan sudut kemudi dan kecepatan linear. Hasil eksperimen menunjukkan bahwa arsitektur yang ini dapat membawa car-like mobile robot menuju target dengan aman tanpa bertabrakan dalam lingkungan yang tak dikenal, dapat menghindari rintangan, dan dapat keluar dari kondisi kebuntuan saat menghadapi rintangan cekung.

Kata kunci: Fuzzy logic controller, car-like mobile robot, basic-behavior, behavior- controller.

consisted of three basic-behaviors such as goal-seeking behavior, obstacle-avoidance behavior, and move–backward behavior. Each behavior provided information to control steering angle and linear speed. A behavior-controller was designed to control the use of behavior based on priority in controlling the steering angle and linear speed. The result of the experiment showed that this architecture can bring the car-like mobile robot safely to the target without collision in the unknown environment, can avoid obstacle, and can get out of deadlock condition when facing concave obstacle.

Keywords: Fuzzy Logic Controller, Car-Like Mobile Robot, Basic-Behavior, Behavior-Controller

1.1. Latar Belakang

Mobile robot otonom adalah topik yang sangat menarik baik dalam penelitian ilmiah maupun aplikasi praktis [1]. Mobile robot yang beroperasi secara otomatis dalam lingkungan yang tidak dikenal membutuhkan sistem navigasi real-time yang menggabungkan strategi pemanduan mencari target dan pemanduan penghindaran rintangan, baik rintangan cembung (tidak membawa mobile robot kedalam kondisi kebuntuan) maupun rintangan cekung (membawa robot dalam kondisi kebuntuan).

Untuk mencapai navigasi otonom real-time, mobile robot harus dapat merasakan lingkungannya, menafsirkan informasi untuk menyempurnakan pengetahuan tentang posisi dan struktur lingkungan, merencanakan rute awal untuk mencapai posisi tujuan dengan menghindari rintangan dan mengendalikan sudut kemudi dan kecepatan linear untuk mencapai target [2].

Salah satu tipe dari mobile robot adalah car-like mobile robot (CLMR).

Berdasarkan tipe penggeraknya, CLMR termasuk dengan model penggerk non- holonomic yang dalam pergerakannya harus memenuhi fungsi geometri tertentu yang berhubungan dengan arah hadap untuk mendapatkan posisi yang diinginkan. Mobil merupakan salah satu contoh kendaraan dengan penggerak non holonomic, dimana mobil membutuhkan gerakan yang kompleks (termasuk gerakan mundur) untuk

melakukan gerakan parkir, berputar berbalik arah dalam ruang terbatas, dan menghindari rintangan pada jarak yang relatif dekat.

Dalam mengembangkan sistem navigasi otonom CLMR kendala non holonomic harus dipertimbangkan dalam perancangan algoritma yang efesien dan akurat untuk navigasi CLMR bebas tabrakan dalam lingkungan yang tak dikenal.

Berdasarkan kendala yang dimiliki CLMR penelitian tesis ini mengangkat topik sistem navigasi CLMR dalam lingkungan yang tak dikenal dengan mengusulkan perilaku mencari target, menghindari rintangan, dan perilaku gerakan mundur.

Untuk memecahkan masalah navigasi pada robot CLMR, yang memiliki beberapa perilaku dibutuhkan suatu pendekatan untuk mengendalikan actuator.

Robot berbasis perilaku (behavior-based robot) adalah suatu pendekatan yang cocok untuk diaplikasikan pada sistem ini. Metode robot berbasis perilaku adalah suatu pendekatan yang diinspirasikan dari sistem biologis, dimana suatu sistem di distribusikan dalam beberapa modul kecil yang disusun secara paralel [3]. Setiap modul disebut sebagai perilaku (behavior), memiliki target tertentu yang harus dicapai dan berlaku seperti sebuah kendali individu [4].

Banyak metode yang dapat digunakan untuk merancang sistem kendali setiap perilaku, baik secara konvensional maupun dengan metode-metode lain, seperti metode yang menggunakan kecerdasan buatan. Pengendali perilaku konvensional didasarkan pada model lingkungan yang akurat dan model matematika robot, namun

pada umumnya sulit membangun model matematika akurat dari lingkungan gerak robot untuk sistem mobile robot dengan karakteristik non linear dan kopling kuat [2].

Fuzzy logic controller (FLC) adalah salah satu solusi dalam merancang sistem kendali perilaku individual robot dengan berbasiskan pengetahuan yang dirumuskan dalam bentuk aturan-aturan (rule base). Jika dibandingkan dengan logika konvensional, kelebihan logika fuzzy adalah kemampuannya dalam proses penalaran secara bahasa sehingga dalam perancangannya tidak memerlukan persamaan matematika yang rumit [5], selain itu sistem fuzzy memiliki kemampuan untuk menangani informasi yang tidak pasti dan tidak tepat yang diperoleh dari sensor dengan menggunakan aturan bahasa [2].

Berdasarkan uraian tersebut, penelitian ini mengusulkan sebuah arsitektur behavior based dengan menggunakan FLC untuk navigasi CLMR dalam lingkungan yang tak dikenal. Metode ini merupakan gabungan dari pendekatan behavior based dan metode logika fuzzy. Pertama mendesain tiga basic-behavior, behavior ini adalah goal seeking behavior, obstacle avoidance behavior, dan move backward behavior.

Langkah selanjutnya mendesain behavior-controller untuk mengintegrasikan perilaku dasar agar CLMR dapat mengendalikan sudut kemudi dan kecepatan linear berdasarkan perioritas.

Move backward behavior diusulkan dengan harapan CLMR dapat menghindari rintangan dengan kombinasi obstacle avoidance behavior dan move backward behavior pada jarak deteksi minimum sensor depan atau rintangan

menyinggung lintasan terbesar yang dibentuk sudut kemudi maksimum. Kombinasi obstacle avoidance behavior dan move backward behavior juga dapat membantu CLMR melepaskan diri dari kondisi kebuntuan saat menemui rintangan cekung dengan lebar rintangan ≤ diameter lintasan terbesar yang dibentuk sudut kemudi maksimum.

Adapun penelitian yang telah dilakukan peneliti sebelumnya terkait kendali mobile robot dengan FLC dan penelitian yang akan dilakukan ditunjukkan pada Tabel 1.1.

Tabel 1.1. Penelitian yang pernah dilakukan

No Peneliti Judul Metode Hasil yang diperoleh

1 Duan,

Suolin., et al.

2011

Study of Obstacle Avoidanve Based on Fuzzy Planner for Wheeled Mobile Robot

FLC Sistem navigasi mobile robot penggerak diferensial dengan obstacle avoidance behavior.

2 Quing-Yong, BAO., et al.

2009

A Fuzzy Behavior-Based Architecture for Mobile Robot Navigation in Unknown Envirotments

FLC dan Behavior- Based

Sistem navigasi mobile robot dengan goal seeking behavior, obstacle avoidance behavior, tracking behavior, dan deadlock disarming behavior.

3 Ouadah, Noureddine., et. Al. 2008

Car-Like Mobile Robot Oriented Positioning by Fuzzy Controllers

FLC Goal seeking behavior

dengan robot

positioning controller (RPC) dan robot following controller (RFC) untuk robot

Tabel 1.1 (Sambungan)

No Peneliti Judul Metode Hasil yang diperoleh

4 Lu, Hung- Ching., and Chuang, Chih-Ying.

2005

The Implementation of Fuzzy-Based Path Planning for Car-Like Mobile Robot

FLC Sistem navigasi CLMR dengan goal seeking behavior dan obstacle avoidance behavior.

5 Penelitian yang akan di lakukan

Implementasi Arsitektur Behavior-Based Dengan Menggunakan Fuzzy Untuk Navigasi Car-Like Mobile Robot Dalam Lingkungan Yang Tak Dikenal

FLC dan Behavior- Based

Sistem navigasi CLMR dengan goal seeking behavior, obstacle avoidance behavior, dan move backward behavior.

Terdapat perbedaan dengan peneliti sebelumya, yaitu pada penelitian ini mengusulkan sebuah perilaku gerak mundur (move backward behavior) yang tidak dimiliki peneliti sebelumnya. Selain itu karakteristik perangkat keras yang digunakan berbeda dengan peneliti sebelumnya sehingga terdapat perbedaan dalam desain perilaku yang sama.

1.2. Perumusan Masalah

Berdasarkan latar belakang yang telah diuraikan sebelumnya pada penelitian ini akan diimplementasikan sebuah arsitektur behavior-based dengan menggunakan FLC untuk navigasi CLMR dalam lingkungan yang tak dikenal. Adapun rumusan masalah untuk me realisasikan penelitian ini adalah sebagai berikut:

1. Bagaimana memodelkan pergerakan CLMR agar dapat dikendalikan.

2. Bagaimana mendesain basic-behavior dengan FLC.

3. Bagaimana mengintegrasikan ketiga behavior menjadi suatu sistem kendali yang dapat membimbing CLMR mencapai target dan menghindai rintangan cembung atau cekung.

4. Bagaimana peningkatan kemampuan menghindar CLMR dengan tambahan perilaku mundur.

1.3. Batasan Masalah

Agar tidak terlepas dari maksud dan tujuan dari penelitian ini, maka peneliti membatasi pokok permasalahan pada:

1. Analisa pergerakan CLMR menggunakan pendekatan kinematika Ackerman.

2. Sistem kendali CLMR dirancang dengan pendekatan behavior-based yang memiliki tiga basic-behavior.

3. Basic-behavior dirancang dengan menggunakan FLC metode Takagi- Sugeno-Kang (TSK).

4. Aspek mekanik pada penelitian ini tidak dibahas.

5. Aspek hardware pendukung pada penelitian ini tidak dibahas secara rinci.

6. Ruang eksperimen adalah bidang datar.

7. Rintangan yang digunakan adalah rintangan yang berada diatas permukaan ruang eksperimen dan bersifat statis.

1.4. Tujuan Penelitian

Tujuan yang ingin dicapai pada penelitian ini yaitu:

1. Mengetahui metode perancangan sistem kendali CLMR yang memiliki kemampuan mencari target dan menghindari rintangan yang berbentuk cembung dan cekung.

2. Mengetahui efektifitas sistem yang dirancang.

1.5. Manfaat Penelitian

Manfaat dari penelitian ini antara lain:

1. Diharapkan solusi yang ditawarkan untuk mengatasi keterbatasan sudut kemudi dan penggunaan perilaku bergerak mundur dapat memberikan manfaat guna pengembangan bidang riset robotika, khususnya mobile robot yang menggunakan tipe CLMR.

2. Menambah pengetahuan tentang pemanfaatan FLC untuk CLMR.

Pada BAB ini akan dibahas teori penunjang yang mendukung penelitian ini.

Teori penunjang penelitian tersebut meliputi teori tentang robot CLMR, kinematika robot CLMR, metode penentuan posisi relatif robot, karakteristik geometri CLMR, sensor jarak, teknik pengaturan kecepatan motor DC, sistem kontrol, konsep behavior based robotic (BBR), dan logika fuzzy. Selain itu, BAB ini juga akan menjabarkan penelitian-penelitian terdahulu yang terkait dengan penelitian yang penulis lakukan.

2.1. Car Like Mobile Robot (CLMR)

Istilah “Robot”berasal dari bahasa Czech yaitu robota,yang memiliki arti bekerja. Istilah ini diperkenalkan di publik oleh Karel Capek saat mementaskan RUR (Rossum’s Universal Robots) pada tahun 1921.

CLMR adalah salah satu tipe robot beroda (wheeled robot), dengan kontrol kecepatan dan kemudi terpisah. CLMR memiliki dua motor dengan fungsi yang berbeda, satu motor digunakan sebagai penggerak (roda hanya bergerak maju dan mundur) dan satu motor lainya berfungsi sebagai kemudi.

Keunggulan CLMR adalah dapat bergerak dengan baik pada medan yang datar ataupun pada medan yang tidak datar, mudah di kontrol karena kontrol kecepatan dan arah terpisah.

Kelemahan dari robot CLMR adalah tidak dapat berputar ditempat, mekanik yang kompleks, dimana setiap motor mengendalikan dua buah roda secara bersamaan. Gambar 2.1. menggambarkan contoh CLMR.

Gambar 2.1 Robot Car Like Mobile Robot (CLMR) [29]

2.2. Kinematika robot

Kinematika robot didefinisikan sebagai studi tentang pergerakan (motion) robot tanpa memperhatikan gaya (force) ataupun faktor-faktor lain yang mempengaruhinya. Pada sebuah analisis kinematik, posisi, kecepatan dan akselerasi dari setiap link dihitung tanpa memperhatikan gaya yang menyebabkan pergerakan tersebut.

2.2.1. Kinematika CLMR

Penelitian ini menggunakan CLMR yang memiliki empat roda dengan kontrol kecepatan terpisah dengan kontrol kemudi. Motor Stepper digunakan sebagai kemudi roda depan kiri yang berpasangan dengan roda depan kanan. Motor DC yang sudah dilengkapi dengan gear box digunakan untuk menggerakkan roda belakang kiri yang berpasangan denngan roda kanan belakang, dengan arah gerakan maju dan mundur.

Model matematika kinematika CLMR dapat dicari dengan pendekatan model kendaraan Ackerman yang populer seperti yang ditunjukkan pada Gambar 2.2.

φ

φ

Dengan asumsi kedua roda depan mobile robot berubah sedikit demi sedikit secara deferensial, maka pusat rotasi sesaat dapat dihitung dengan cara kinematika.

Asumsikan ^k

( )

^t adalah kelengkungan lintasan sesaat.

( )

^{t R}

( )

^t

k = 1 ... (2.1)

( ) ( )

L t t

k = tanφ ... (2.2)

( ) ( )

ds t t d

k = θ ... (2.3)

Dengan R adalah jari-jari kelengkungan, L jarak sumbu roda, φ sudut kemudi, s posisi robot, dan θ adalah orientasi robot pada kerangka koordinat global. Dinamika θ sebagai fungsi kendaraan dapat dihitung seperti Persamaan 2.4 s.d. 2.6. •

dt ds ds d dt

dθ θ .

θ^• = = ... (2.4)

( ) ( )

^{t t}

k ν

θ^• = . ... (2.5)

( )

^t

Lφ ν

θ tan .

• =

... (2.6)

Dengan mengambil φ dan ν adalah variabel ruang aktuasi kendaraan. Ruang konfigurasi kendaraan terdiri dari variabel posisi global robot dan orientasi yang dinyatakan dalam

(

^{x, y,θ}

)

, dengan asumsi ruang adalah bidang datar. Pemetaan dari ruang aktuasi ke ruang konfigurasi dapat diselesaikan dengan menggunakan

persamaan Fresnel, biasanya digunakan dalam navigasi inersia, Persamaan 2.7 s.d.

2.9 menunjukkan persamaan dinamika

(

^{x, y,θ}

)

^.

( )

^t

( )

^t

dt

x^• = dx = ν . cosθ ... (2.7)

( )

^t

( )

^t

dt

y^• = dy = ν . sinθ ... (2.8)

( ) ( )

L t t

dt

dθ ν φ

θ tan

= .

• =

... (2.9) Dengan x adalah posisi robot terhadap sumbu X dan y adalah posisi robot terhadap sumbu Y dalam kerangka kordinat global.

2.2.2. Posisi mobile robot CLMR terhadap target

Untuk dapat mencapai target (x_t,y_t), variabel ruang aktuasi (ν_(t),φ_(t)) harus dihitung secara real-time dari variabel konfigurasi (x,y,θ). Gambar 2.3 menunjukkan posisi robot terhadap target. Dari gambar 2.3 di dapat persamaan:

2

2 y

x

E_P = ∆ + ∆ ... (2.10) θ

θ − ∆

O =

E ... (2.11) x

x x = _t −

∆ ... (2.12)

y y y = _t −

∆ ... (2.13)



 





∆

= ∆

∆ ⁻

x

1 y

θ tan ... (2.14)

Gambar 2.3 Posisi robot terhadap target [7]

Keterangan Gambar 2.3:

M = Poros titik tengah robot.

EP (position error) = Jarak robot terhadap target

EO (orientation error) = Orientasi robot terhadap target (X,Y) = Kerangka kordinat global

(x,y) = Posisi robot terhadap kerangka kordinat global )

,

(x_T y_T = Target pada kerangka kordinat global

∆x= Posisi robot terhadap target pada sumbu X

∆y= Posisi robot terhadap target pada sumbu Y

Nilai EP dan EO selanjutnya akan digunakan sebagai crisp input goal seeking behavior untuk menentukan kecepatan linear dan sudut kemudi (ν_(t),φ_(t)).

2.2.3. Karakteristik geometri CLMR

CLMR harus memenuhi batas sudut kemudi −β_min <β <β_max. Ketika kecepatan (ν konstan dan sudut kemudi )

( )

β tetap, maka pergerakan CLMR akan mendekati melingkar dengan radius bergantung sudut kemudi

( )

β . Fitur dari kinematika kendaraan ini membantu untuk merencanakan lintasan yang sederhana dengan gerakan melingkar.

Radius putar adalah radius dari lingkaran yang dibentuk kendaraan saat memutar dengan sudut kemudi tetap, hal ini diperoleh dengan mendefenisikan roda virtual ditengah poros roda depan. Gambar 2.4 menggambarkan geometris dari kendaraan dan radius putar.

Gambar 2.4 Geometris kendaraan dan radius putar [8]

Keterangan Gambar 2.4:

l = Panjang keseluruhan kendaraan

e = Whellbase (jarak antara sumbu roda depan dan sumbu roda belakang)

p = Jarak antara sumbu roda depan kebagian paling depan atau jarak sumbu roda bagian belakang kebagian paling belakang.

w = Lebar kendaraan β = Sudut kemudi

Berdasarkan Gambar 2.4 maka R sebagai radius dari roda virtual depan dapat diperoleh dengan menggunakan aturan trigonometri seperti yang ditunjukkan persamaan 2.15.

β sin

R= e ... (2.15)

Dua radius lainnya dapat didefenisikan sebagai R_i yang merupakan radius terkecil yang dibentuk oleh roda belakang bagian dalam. Sedangkan radius terluar Re

merupakan radius terbesar yang dibentuk oleh roda depan bagian luar kendaraan tersebut. Radius Ri dan Re dapat dihitung dari R dengan menggunakan teorema phytagoras seperti yang ditunjukkan persamaan 2.16 dan 2.17 untuk Ri dan persamaan 2.18 dan 2.9 untuk Re. Semakin besar sudut kemudi (β ) tetap yang digunakan, maka radius akan semakin kecil.

2 - w e sin -

e 2

-w e - R

R ₂ ²

2 2

2

i = = β ... (2.16)

2 -w tan R_i e

= β ... (2.17)

(

i

) (

²

)

²

e R - w e p

R = + + ... (2.18)

(

i

) (

²

)

²

e R w e p

R = + + + ... (2.19)

( )

²

2 2

2

e e p

2 e w - R

R  + +



 



 +

= ... (2.20)

2.3. Metode penentuan posisi relatif robot

Posisi relatif dikenal dalam aplikasi robotika, posisi tersebut bukanlah untuk menentukan posisi absolut dari robot, tetapi hanya memperkirakan posisi robot tersebut. Penentuan posisi relatif ini biasanya berdasarkan perhitungan rotasi roda robot. Rotary encoder adalah sensor yang umum digunakan, data yang dihasilkan sensor rotary encoder selanjutnya dimasukkan kedalam perhitungan odometry untuk mendapatkan posisi relatif robot.

Odometry adalah penggunaan data dari sensor bergerak untuk memperkirakan perubahan posisi dari waktu ke waktu. Teknik klasik untuk robot beroda untuk menghitung posisinya untuk melacak lokasinya melalui serangkaian pengukuran rotasi dari roda robot , metode yang sering disebut "odometry" [30].

Pada penelitian ini digunakan rotary encoder jenis DI-REV1 dari depok instrument. Rangkaian terdiri dari dua bagian utama, yaitu:

a. Piringan derajat dengan 36 lubang pada kelilingnya dengan sudut antara dua lubang yang berdampingan terhadap titik tengahnya adalah 10⁰. b. Rangkaian sensor pembaca putaran yang menggunakan optocoupler tipe

celah sebagai sensor pembaca perubahan posisi lubang piringan derajat.

Rangkaian optocoupler terdiri dari dua komponen utama, yaitu infra red dan phototransistor. Gambar 2.5. menunjukkan rangkaian optocoupler yang digunakan.

Gambar 2.6 menunjukkan piringan derajat rotary encoder.

Gambar 2.5. Rangkaian penggerak optocoupler [31].

Spesifikasi dari rotary encoder ini sebagai berikut:

a. Sumber (VCC): 3,5 V – 5,5 V b. Output Low: 0 V – 0,5 V c. Output Hight: 3 V – 5 V

d. Kecepatan baca pada kondisi toggle: 1500 Hz

Gambar 2.6 Piringan derajat DI-REV1 [31].

2.4. Sensor Pengukur Jarak

Untuk mengendalikan sebuah robot tanpa membentur rintangan, sensor harus dipasang pada robot untuk merasakan lingkungan dan menginterprestasikan informasi yang dirasakan. Banyak sensor yang dapat digunakan seperti Infra Red, Ultrasonic, CCD, sensor laser, sistem penentuan posisi dan sebagainya. Penelitian ini menggunakan sensor Sharp GP2D12 dan Sharp GP2D120 dengan pertimbangan jarak jangkauan, kemudahan dalam penggunaannya dan biaya yang murah.

2.4.1. Sharp GP2D12

Sensor Sharp GP2D12 adalah sensor jarak yang menggunakan infra merah.

Sensor ini dapat mendeteksi objek dengan jarak antara 10 cm s.d. 80 cm. Output dari sensor ini bersifat non linear dan merupakan tegangan analog, karena output tidak linear maka dibutuhkan suatu cara untuk menentukan jarak yang sesuai dengan tegangan. Salah satu cara kalibrasi sensor adalah dengan melakukan pengukuran output sensor untuk setiap jarak tetap (dalam cm) seperti yang ditunjukkan pada Gambar 2.7.

Gambar 2.7 Contoh karakteristik sensor Sharp GP2d12 [9].

2.4.2. Sharp GP2D120

Sensor Sharp GP2D120 adalah sensor pengukur jarak dengan pemrosesan sinyal terintegrasi dengan output berupa tegangan analog. Gambar 2.8 menunjukkan grafik output sensor Sharp GP2D120.

Berikut ini fitur sensor Sharp GP2D120:

a. Output analog

b. Efektif pada kisaran: 4 cm sampai 30 cm c. Waktu respon: 39 ms

d. Delay star-up: 44 ms

e. Konsumsi arus rata-rata: 33 mA

2.5. Teknik Pengaturan kecepatan motor DC

Pulse Width Modulation (PWM) adalah salah satu cara untuk mengatur kecepatan motor DC dengan menggunakan sember tegangan DC tetap, yaitu dengan mengalihkan cepat antara kondisi ON dan OFF pada frekuensi tertentu. Untuk mendapatkan perputaran motor DC yang halus biasanya frekuensi yang di gunakan adalah 1 KHz atau lebih. Gambar 2.9. menggambarkan bentuk sinyal PWM.

Kondisi ON (logika high) sebagai lebar pulsa yang diatur adalah t, dengan periode adalah T, seperti yang ditunjukkan pada persamaan 2.21.

T = 1f ... (2.21)

Gambar 2.9 Sinyal PWM

Rasio perbandingan antara kondisi ON dengan periode sinyal disebut dengan duty cycle, dinyatakan dengan rumus:

% 100 T x

cycle t

duty = ... (2.22) Besar persentase duty cycle dengan kecepatan motor adalah berbanding lurus, dimana semakin besar duty cycle maka arus rata-rata yang melalui motor juga semakin besar sehingga motor bergerak semakin cepat. Demikian juga sebaliknya semakin kecil duty cycle semakin lambat gerakan motor DC.

2.6. Sistem Kontrol

Embedded system merupakan sistem berbasis komputer (computer-based) yang diprogram untuk tugas tertentu, dan ditanamkan sebagai satu bagian didalam sistem komputer atau didalam suatu peralatan dan kadang-kadang tidak menampakkan bahwa peralatan itu dikendalikan oleh komputer [11].

Mikrokontroler sangat mendukung perkembangan sistem kendali otomatis dari suatu device atau peranti-peranti pengontrol suatu peralatan yang dapat berdiri sendiri (stand alone). Tujuan dari setiap sistem kendali adalah menghasilkan keluaran untuk masukan yang diberikan [12].

Prosesor yang paling banyak digunakan dalam embedded system adalah mikrokontroller, walaupun ada juga yang menggunakan mikroprosesor atau digital signal processor. Pada penelitian ini digunakan mikrokontroller ATMega 8535 dari

Mikrokontroler AVR (Alf and Vegard’s Risc Processor) memiliki arsitektur RISC 8 bit, dimana semua instruksi dikemas dalam kode 16-bit dan sebagian besar instruksi dieksekusi dalam satu siklus instruksi clock, berbeda dengan instruksi MCS- 51 yang membutuhkan 12 siklus clock. Perbedaan tersebut dikarenakan arsitektur yang digunakan berbeda. AVR berteknologi RISC (Reduced Instruction Set Computing), sedangkan MCS-51 berteknologi CISC (complex Instruction Set Computing).

Secara umum AVR dapat dikelompokkan menjadi 4 kelas, yaitu keluarga ATtiny, keluarga AT90Sxx, keluarga ATMega, dan AT86RFxx.

2.6.1. Fitur ATMega 8535

Kapabilitas detail dari ATMega 8535 adalah sebagai berikut:

1. Sistem mikroprosesor 8 bit berbasis RISC dengan kecepatan maksimal 16 MHz.

2. Kapabilitas memory flash 8 KB, SRAM sebesar 512 byte, dan EEPROM (Electrically Erasable Programmable Read Only Memory) sebesar 512 byte.

3. ADC internal dengan fidelitas 10 bit sebanyak 8 channel.

4. Portal komunikasi serial (USART) dengan kecepatan maksimal 2,5 Mbps.

5. Enam pilihan mode sleep mengemat penggunaan daya listrik.

2.6.2. Konfigurasi pin ATMega 8535

Gambar 2.10. menunjukkan konfigurasi pin ATMega 8535.

Gambar 2.10. Konfigurasi pin ATMega 8535 [13].

Dari Gambar 2.10. dapat dijelaskan secara fungsional pin ATMega 8535 sebagai berikut:

1. VCC merupakan pin yang berfungsi sebagai pin masukan catu daya.

2. GND merupakan pin ground.

3. Port A (PA0..PA7) merupakan pin I/O dua arah dan pin masukan ADC.

4. Port B (PB0.. PB7) merupakan pin I/O dua arah dan pin fungsi khusus,

5. Port C (PC0.. PC7) merupakan pin I/O dua arah dan pin fungsi khusus, yaitu TWI, komparator analog dan timer oscillator.

6. Port D (PD0.. PD7) merupakan pin I/O dua arah dan pin fungsi khusus, yaitu komparator analog, interupsi eksternal, dan Komunikasi serial.

7. RESET merupakan pin yang digunakan untuk me-reset mikrokontroler.

8. XTAL1 dan XTAL2 merupakan pin masukan clock ekstenal.

9. AVCC merupakan pin masukan tegangan untuk ADC.

10. AREF merupakan pin masukan tegangan Referensi ADC.

2.7. Konsep behavior based robotic

Pendekatan yang biasa digunakan dalam membangun sistem kendali robot adalah dengan menguraikan setiap permasalahan kedalam rangkaian unit fungsional sebagaimana ditunjukkan pada Gambar 2.11.

Gambar 2.11 Teknik penguraian tradisional untuk sistem kendali mobile robot kedalam unit-unit fungsional [14]

Berbeda dengan pendekatan di atas, Behavior Based Robotic (BBR) merupakan sistem kontrol yang didesain dengan menggunakan pendekatan task achieving behaviors (perilaku pencapaian tugas) sebagaimana ditunjukkan pada Gambar 2.12. Tiap tugas disebut dengan behavior.

Gambar 2.12. Dekomposisi sistem kendali mobile robot dengan task achieving behaviors [14]

Metode dekomposisi ini memiliki arsitektur mobile robot yang sangat berbeda dengan dekomposisi yang berdasarkan unit fungsional (Gambar 2.10.), perbedaan secara hardware dan sejumlah kelebihan lain seperti robustness, buildability, dan testability.

Arsitektur subsumption adalah arsitektur BBR yang diusulkan oleh Rodney Brooks [14]. Dalam membangun robotnya, Rodney Brooks menguraikan permasalahan sistem kendali robot sesuai dengan manifestasi luar yang diinginkan oleh sistem kendali robot, tidak berdasarkan pada operasi internal dari sistem kendali

robot sebagaimana yang dilakukan oleh beberapa peneliti sebelumnya. Karena itu, dia mendefenisikan sejumlah level kompetensi untuk robot mobil mandiri. Level kompetensi adalah spesifikasi informal dari sekelompok perilaku yang diinginkan robot bekerja pada semua lingkungan yang akan dihadapi. Level kompetensi yang lebih tinggi menunjukkan kelompok perilaku yang spesifik. Berikut ini, beberapa level kompetensi yang didefinisikan:

0. Menghindari kontak dengan objek, baik objek bergerak ataupun objek tetap.

1. Berkeliling tanpa tujuan tanpa mengenai sesuatu.

2. Menjelajah dunianya dengan melihat tempat-tempat yang masih bisa dilihat dan mengarahkan dirinya ke tempat tersebut.

3. Membangun peta dan merencanakan rute dari satu tempat ke tempat yang lain.

4. Mencatat perubahan dalam lingkungan “statis”.

5. Memikirkan dunia dalam bentuk objek yang dapat dikenali dan melakukan tugas yang berhubungan dengan objek tertentu.

6. Merumuskan dan melaksanakan rencana yang melibatkan perubahan keadaan dari dunia dengan cara yang diinginkan.

Tiap level kompetensi memasukkan sub kelompok dari setiap level kompetensi sebelumnya. Karena level kompetensi mendefinisikan kelompok perilaku yang valid, dapat dianggap bahwa level yang lebih tinggi memberikan tambahan batasan pada kelompok perilaku tersebut.

Rodney Brooks memulai dengan membangun sistem kendali robot yang melaksanakan level kompetensi 0. Perbaikan kesalahan dilakukan dengan teliti. Dia tidak pernah mengubah sistem ini dan menyebutnya sistem kendali level 0.

Selanjutnya dibangun lapisan kontrol yang lain yang disebut sistem kontrol level kesatu. Level ini dapat menguji data dari level 0 dan juga di izinkan untuk menyuntikkan data ke dalam internal interface level 0 menekan data normal yang mengalir. Lapisan ini, dengan tambahan dari lapisan 0 melaksanakan kompetensi 1.

Lapisan ke nol melanjutkan untuk bekerja tanpa mengetahui lapisan diatasnya yang terkadang mengganggu aliran datanya. Proses yang sama diulangi untuk mendapatkan level kompentensi yang lebih tinggi, sebagaimana ditunjukkan pada Gambar 2.13.

.

Gambar 2.13 Arsitektur Subsumption [14]

2.8. Logika fuzzy

Pada pertengahan 1960, Prof. Lotfi A. Zadeh dari University of California di Barkeley menemukan bahwa hukum benar dan salah dari logika Boolean tidak memperhitungkan beragam kondisi yang nyata [12]. Nilai keanggotaan logika

Boolean adalah 0 atau 1, sedangkan dalam logika fuzzy nilai keanggotaan bernilai antara 0 dan 1. Logika fuzzy dapat dikatakan sebagai logika baru yang lama, sebab ilmu tentang logika fuzzy modern baru ditemukan pada tahun 1965, padahal sebenarnya konsep tentang fuzzy logic itu sendiri sudah ada sejak lama [15].

Prof. Lotfi A. Zadeh merupakan pencetus sekaligus yang memasarkan ide tentang mekanisme pengolahan atau manajemen ketidakpastian yang kemudian dikenal dengan logika fuzzy. Gambar 2.14. menunjukkan konsep dasar logika fuzzy.

0 10 18 20 30

0 0,2 0,8 1 Degree of Membership Function (derajat

keanggotaan) Zero Positive Big

Label

Membership Function (fungsi

keanggotaan)

Crisp input (masukan crisp)

Scope/Domain

Daerah batasan crisp

Gambar 2.14. Konsep dasar logika fuzzy [15]

Logika fuzzy adalah metodologi sistem kontrol pemecahan masalah yang cocok di implementasikan mulai dari sistem yang sederhana, sistem kecil, embedded

system, jaringan PC, multi-channel atau workstation berbasis akuisisi data, dan sistem kontrol. Metodologi ini dapat diterapkan pada perangkat keras, perangkat lunak atau kombinasi keduanya [5].

2.8.1. Fungsi keanggotaan

Gambar 2.15. menunjukkan grafik keanggotaan.

[ ]^x

µ µ[ ]x

[ ]^x

µ

[ ]^x

µ

ℜ1 ℜn

Gambar 2.15 Grafik keanggotaan [5]

Keterangan Gambar 2.15:

a. Grafik keanggotaan kurva segitiga Fungasi keanggotaannya:

( ) ( ) ( )

( ) ( )







≤

≤

−

−

≤

≤

−

−

≥

≤

=

c x b b c x b

b x a a b a x

c x atau a x x

; /

; /

; 0

µ ... (2.23)

b. Grafik keanggotaan kurva trapesium Fungsi keanggotaannya:

( ) ( ) ( )

( ) ( )











≤

≤

−

−

≤

≤

≤

≤

−

−

≥

≤

=

c x b b c x b

c x b

b x a a b a x

d x atau a x x

; /

; 1

; /

; 0

µ ... (2.24)

c. Grafik keanggotaan kurva bahu Fungsi keanggotaannya:

( ) ( ) ( )

( ) ( )







≤

≤

−

−

≤

≤

−

−

≤

≤

≤

≤

=

c x b b c b x

b x a a b x b

d x c atau a x x

; /

; /

0

; 1

µ ... (2.25)

d. Grafik keanggotaan kurva GAUSS Fungsi keanggotaannya:

(

^x;L,c

)

^{e L(c x)2}

G = ^{− −} ... (2.26)

Fungsi keanggotaan (membership function) adalah grafik yang mewakili besar dari derajat keanggotaan masing-masing variabel input yang berada antara 0 dan 1. Derajat keanggotaan sebuah variabel x dilambangkan dengan simbol ^µ

( )

^{x .}

Rule menggunakan nilai keanggotaan sebagai faktor bobot untuk menentukan pengaruhnya pada saat melakukan inferensi untuk menarik kesimpulan. Pada penelitian ini fungsi keanggotaan input menggunakan Grafik keanggotan bahu dan Grafik keanggotaan segitiga.

2.8.2. Operasi himpunan fuzzy

Operasi himpunan fuzzy diperlukan untuk proses inferensi atau penalaran.

Dalam hal ini yang dioperasikan adalah derajat keanggotaannya. Derajat keanggotaan sebagai hasil dari operasi dari dua buah himpunan fuzzy disebut sebagai fire strength atau α-predikat.

2.8.2.1.Operasi gabungan (union)

Operasi gabungan (sering disebut operator OR) dari himpunan fuzzy A dan B dinyatakan sebagai A∪B. Dalam sistem logika fuzzy, operasi gabungan disebut sebagai Max. Operasi Max ditulis dengan persamaan berikut:

( )

^x

{

A

( ) ( )

^x B ^x

}

^{x X}

B

A_∪ = max.µ ,µ untuk setiap ∈

µ .. (2.27)

Derajat keanggotaan setiap unsur himpunan fuzzy A∪B adalah derajat keanggotaannya pada himpunan fuzzy A atau B yang memiliki nilai terbesar.

2.8.2.2.Operasi irisan (intersection)

Operasi irisan (sering disebut operator AND) dari himpunan fuzzy A dan B dinyatakan sebagai A∩B.

Dalam sistem logika fuzzy, operasi irisan disebut sebagai Min. Operasi Min ditulis dengan persamaan berikut:

( )

^x

{

A

( ) ( )

^x B ^x

}

^{x X}

B

A_∩ = min.µ ,µ untuk setiap ∈

µ ... (2.28)

Derajat keanggotaan setiap unsur himpunan fuzzy A∩B adalah derajat keanggotaannya pada himpunan fuzzy A dan B yang memiliki nilai terkecil.

2.8.2.3.Operator komplemen (complement)

Bila himpunan fuzzy A pada himpunan universal X mempunyai fungsi keanggotaan µA

( )

^x maka komplemen dari himpunan fuzzy A (sering disebut NOT) adalah himpunan fuzzy A untuk fungsi keanggotaan untuk setiap x elemen X. ^C

( )

^x A

( )

^x

A^C µ

µ = 1 − . ... (2.29)

2.8.3. Penalaran Monoton

Penalaran monoton digunakan untuk merealisasikan himpunan Fuzzy A pada variabel x dan himpunan Fuzzy B pada variabel y dengan cara membuat implikasi berikut:

IF x is A THEN y is B. ... (2.30)

2.8.4. Fungsi Implikasi

Dalam basis pengetahuan fuzzy, tiap-tiap rule selalu berhubungan dengan relasi fuzzy. Dalam fungsi implikasi, biasanya digunakan bentuk berikut:

IF x is A THEN y is B ... (2.31) Dengan x dan y adalah skalar, A dan B adalah himpunan fuzzy. Proposisi setelah IF disebut sebagai anteseden, sedangkan proposisi setelah THEN disebut sebagai konsekuen. Dengan menggunakan operator fuzzy, proposisi ini dapat diperluas sebagai berikut:

(

^{x is A}

) (

^{x is A}

) (

^{x is A}

)

^...

(

^{xN is AN}

)

^{THEN y is B}

IF _{1 1} • _{2 2} • _{3 3} • • ... (2.32)

Dengan • adalah operator OR atau AND. Secara umum, ada 2 fungsi implikasi dapat digunakan yaitu:

a. Min (minimum). Fungsi ini digunakan untuk mendapatkan nilai α- predikat hasil implikasi dengan cara memotong output himpunan fuzzy sesuai dengan derajat keanggotaannya yang terkecil.

b. Dot (Product). Fungsi ini digunakan untuk mendapatkan nilai α-predikat hasil implikasi dengan cara menskala output himpunan fuzzy sesuai dengan derajat keanggotaan yang terkecil.

2.8.5. Cara kerja logika fuzzy

Cara kerja logika fuzzy meliputi beberapa tahapan berikut:

a. Fuzzyfikasi

b. Pembentukan basis pengetahuan fuzzy (Rule dalam bentuk IF … THEN) c. Mesin inferensi (Fungsi implikasi Max-Min atau Dot-Product)

d. Defuzzyfikasi

Banyak cara untuk melakukan defuzzyfikasi, diantaranya metode berikut : i. Metode rata-rata (Weighted Average)

∑ ∑

= i

z ⁱzⁱ

µ

* µ

... (2.33)

ii. Metode titik tengah (Center Of Area)

( )

∫ ( )

=

∫

dz z

zdz z

z µ

* µ

... (2.34)

2.8.6. Sistem inferensi fuzzy

Pada fuzzy inference system dikenal tiga model yang umum digunakan, yaitu metode fuzzy Tsukamoto, metode fuzzy Mamdani, dan metode fuzzy Sugeno.

a. Metode Tsukamoto

Secara umum bentuk model fuzzy Tsukamoto adalah seperti persamaan 2.35.

IF (X IS A) and (Y IS B) then (Z IS C) ... (2.35) Dimana A, B, dan C adalah himpunan fuzzy. Dalam inferensinya, metode Tsukamoto menggunakan tahapan berikut:

i. Fuzzyfikasi

ii. Pembentukan basis pengetahuan fuzzy (rule dalam bentuk IF

…THEN) iii. Mesin inferensi

Menggunakan fungsi implikasi MIN untuk mendapatkan nilai predikat

−

α tiap-tiap rule α₁,α₂,α₃...α_N (α−predikat atau fire strength merupakan nilai keanggotaan sebagai hasil dari operasi 2 himpunan), kemudian masing-masing α−predikat digunakan untuk menghitung keluaran hasil inferensi secara tegas (crisp) masing- masing rule (z₁,z₂,z₃,...z_N).

iv. Defuzzyfikasi

Menggunakan metode Metode rata-rata (Weighted Average) seperti yang ditunjukkan pada persamaan 2.33.

b. Metode Mamdani

Metode mamdani menggunakan operasi MIN-MAX atau MAX- PRODUCT. Untuk mendapatkan output diperlukan 4 tahapan berikut:

v. Fuzzyfikasi

vi. Pembentukan basis pengetahuan fuzzy (rule dalam bentuk IF

…THEN)

vii. Aplikasi fungsi implikasi menggunakan fungsi MIN dan komposisi antar-rule menggunakan fungsi MAX (menghasilkan himpunan fuzzy baru).

viii. Defuzzyfikasi

Menggunakan metode Metode rata-rata (Weighted Average) seperti yang ditunjukkan pada persamaan 2.37.

c. Metode Sugeno

Penalaran dengan metode SUGENO hampir sama dengan penalaran MAMDANI, hanya saja output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear.

Metode ini diperkenalkan oleh Takagi-Sugeno-Kang pada tahun 1985.

Secara umum ada dua model pada sistem inferensi Sugeno, yaitu:

i. Metode fuzzy Sugeno orde-Nol

Secara umum bentuk fuzzy Sugeno orde-Nol seperti yang ditunjukkan pada persamaan 2.36.

(

^{x isA}

) (

• ^{x isA}

) (

• ^{x isA}

)

•...•

(

^xN ^isAN

)

THEN^z=^k

IF _{1 1 2 2 3 3} ... (2.36)

Dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta (crisp) sebagai konsekuen.

ii. Metode fuzzy Sugeno orde-Satu

Secara umum bentuk model fuzzy Sugeno orde-Satu adalah seperti yang ditunjukkan pada persamaan 2.37.

(

^{x isA}

)

•...•

(

^xN^isAN

)

THEN^z= ^p *^x +...+^pN*^xN +^q

IF _{1 1 1 1} .... (2.37)

Dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi adalah suatu konstantan (crisp) ke-i dan q merupakan konstanta dalam kosekuen.

Dalam inferensinya, metode Sugeno menggunakan tahapan sebagai berikut:

1. Fuzzyfikasi

2. Pembentukan basis pengetahuan fuzzy (rule dalam bentuk IF

…THEN) 3. Mesin inferensi

Menggunakan fungsi implikasi MIN untuk mendapatkan nilai predikat

α− tiap-tiap rule (α₁,α₂,α₃...α_N), kemudian masing- masing α−predikat digunakan untuk menghitung keluaran hasil inferensi secara tegas (crisp) masing-masing rule (z₁,z₂,z₃,...z_N). 4. Defuzzyfikasi

Menggunakan metode Metode titik tengah (Center Of Area) seperti yang ditunjukkan pada persamaan 2.33.

2.9. Penelitian terkait

Penelitian yang dilakukan oleh Lu, Hung-Ching., and Chuang, Chih-Ying [16], menyajikan masalah metode navigasi berdasarkan teori himpunan fuzzy.

Penelitian ini terdiri dari dua perilaku, yaitu perilaku pencari tujuan (goal seeking

behavior) dan perilaku menghindari rintangan (obstacle avoidance behavior). Mobile robot yang digunakan jenis wheeled mobile robot tipe CLMR. Penelitian ini menggunakan tiga buah sensor infra merah yang diletakkan pada kiri, tengah, dan kanan mobile robot. Pada penelitian ini mengasumsikan hanya ada satu hambatan.

Kekurangan dari penelitian ini adalah kemampuan menghindari rintangan belum kompleks, pada perilaku menghindari rintangan belum mempertimbangkan rintangan yang meyinggung lintasan pada sudut kemudi maksimum dan menghindari rintangan cekung.

Penelitian yang dilakukan oleh Ouadah, Noureddine., et.al [7], membahas teknik baru yang digunakan untuk melakukan tugas penentuan posisi berorientasi pada sebuah mobile robot non holonomic, menggunakan dua pengendali dengan menggunakan FLC. Pengendali pertama digunakan untuk “simple positioning”, telah di uji pada simulasi dan di implementasikan. Kemudian dikombinasikan dengan pengendali ke dua, yang digunakan untuk “virtual following” untuk menyelesaikan tugas yang di inginkan. Eksperimen real-time telah dilakukan pada CLMR

“Robucar”. Hasil yang diperoleh menunjukkan efektivitas teknik yang dirancang.

perilaku yang dimiliki mobile robot ini adalah pencari tujuan (goal seeking behavior). Kekurangan pada penelitian ini belum mengikutsertakan kemampuan menghindari rintangan.

Penelitian yang dilakukan oleh Quing-Yong, BAO., et.al [2], membahas sebuah arsiteketur berbasis perilaku dengan menggunakan logika fuzzy (fuzzy behavior-based) untuk navigasi mobile robot dalam lingkungan yang tidak diketahui.

Mobile robot memiliki empat behavior, yaitu goal seeking behavior, obstacle avoidance behavior, tracking behavior, dan deadlock disarming behavior. behavior- controller dirancang untuk mengintegrasikan ke-empat behavior. Sensor yang digunakan pada penelitian ini adalah sensor ultrasonic yang berjumlah 6 buah.

Penempatan sensor dibagi menjadi 3 kelompok, yaitu kiri, depan dan kanan. Masing- masing kelompok terdiri dari 2 sensor ultrasonic. Hasil simulasi eksperimental menunjukkan bahwa arsitektur yang dirancang memungkinkan mobile robot mencapai tujuan dengan aman tanpa bertabrakan. Kekurangan dari penelitian ini belum adanya perilaku mundur untuk menghindari rintangan saat perilaku menghindari rintangan dengan gerak maju tidak dapat dilaksanakan dengan baik yang diakibatkan sudut kemudi masimum yang dimiliki tidak dapat melewati rintangan atau keluar dari kondisi kebuntuan dengan lebar koridor kurang dari radius putar maksimum yang dimiliki.

Penelitian yang dilakukan oleh Duan, Suolin., et.al [17], membahas sistem kendali mobile robot dengan perilaku menghindari rintangan (obstacle avoidance behavior) dengan menggunakan fuzzy planner. Mobile robot yang digunakan jenis wheeled mobile robot dengan tiga roda, dengan penggerak diferensial. Sensor yang digunakan pada penelitian ini menggunakan infra merah. Pengendali gerak roda kiri dan kanan dilakukan dengan sistem close loop ganda. Hasil percobaan menunjukkan efek navigasi yang sangat baik untuk memastikan mobile robot dapat menghindari rintangan dalam lingkungan yang tidak diketahui. Penelitian ini menggunakan