Simulasi Arah Gerakan Robot Dengan Menggunakan Metoda Jaringan Saraf Tiruan.

(1)

Abstrak

Pada saat ini teknologi robot berkembang dengan sangat cepat. Robot-robot tersebut banyak digunakan dalam berbagai bidang seperti: bidang penelitian, industri, kedokteran, eksplorasi ruang angkasa dan lain-lain. Salah satu jenis robot yang banyak digunakan dalam bidang industri yaitu robot yang dapat mengikuti lintasan garis tertentu (line follower robot).

Metoda pengendalian yang digunakan adalah Jaringan Saraf Tiruan dengan metoda Backpropagation Network. Pelatihan ini termasuk pada pelatihan yang diawasi. Dalam jaringan ini terdapat satu lapisan masukan dan satu lapisan keluaran. Data latih yang digunakan adalah berupa bit sensor yang diperoleh dari pengujian lintasan dengan menggunakan sensor optocoupler. Lintasan yang digunakan berbentuk angka 8. Data keluaran yang dihasilkan adalah berupa tegangan untuk menggerakkan roda kiri. Sehingga arah gerakan robot dapat diatur.

Hasil percobaan yang dilakukan dapat dibuat algoritma Jaringan Saraf Tiruan berupa simulasi dengan hasil akhir berupa bobot dan bias sesuai dengan sistem yang diinginkan. Akan tetapi algoritma tersebut belum diimplementasikan ke dalam mikrokontroler.

(2)

Abstract

In the past few years, the development of robotic technology is growing very rapidly. Those robots are used in many different fields such as: research, medical, industrial, space exploration, etc. One type of robot that is commonly used in industrial fields is a line follower robot.

The control method at use is the Artificial Neural Network with the Backpropagation Network. This training is supervised training. Within the network there is one layer of input and one layer of output. The training data took the form of sensor bits obtained from the track test by using the optocoupler sensor. The track is formed like the number 8. The output data is the voltage which manipulate the left wheel. So, the robot movement can be controlled.

This experiment produces Artificial Neural Network Algoritm which contains desired weight and bias. However, the algorithm has not been implemented in microcontroller yet.

(3)

DAFTAR ISI

II.1.1.2 Klasifikasi Robot berdasarkan Kemampuan melakukan Tugas 4 II.1.1.3 Klasifikasi Robot berdasarkan Sistem Koordinat 5 II.1.1.4 Klasifikasi Robot berdasarkan Mobilitas 6

II.2 Infra Merah 6

II.3 Jaringan Saraf Tiruan 10

II.3.1 Hubungan Antara Lapisan dalam Neural Network 11 II.3.2 Proses Pembelajaran dan Pelatihan 13

II.3.3 Feedback 14

II.3.4 Fungsi Aktivasi dalam Jaringan Saraf Tiruan 14

(4)

II.3.5 Jaringan Saraf Tiruan dalam Metoda Backpropagation Network 15

III.5.1 Arsitektur Jaringan Saraf Tiruan 32

III.6 Percobaan Perangkat Lunak 34

III.6.1 Pelatihan 34

BAB IV ANALISA 39

IV.1. Sistem dengan Jaringan Saraf Tiruan 40

BAB V KESIMPULAN DAN SARAN 43

DAFTAR PUSTAKA 44

LAMPIRAN A

(5)

DAFTAR TABEL

Tabel III.1 Tegangan Output Sensor 27

Tabel III.2 Pembacaan Sensor terhadap Aksi 29 Tabel III.3 Tegangan Motor Roda Kiri terhadap Aksi 30 Tabel III.4 Data Masukan dan Target yang ingin dicapai 35

(6)

DAFTAR GAMBAR

Gambar II.1 Jenis Robot berdasarkan sistem kendali 5 Gambar II.2 Daerah Frekuensi Gelombanga Infra Merah 7 Gambar II.3 Daerah Panjang Gelombang Infra Merah 7

Gambar II.4 Prinsip Neural Network 11 Gambar III.4 Rangkaian Catu Daya untuk Motor DC 22 Gambar III.5 Realisasi Rangkaian Catu Daya 22 Gambar III.6 Rangkaian Sensor Optocoupler 23 Gambar III.7 Posisi Sensor GP2S28 pada Badan PCB 24 Gambar III.8 Realisasi Rangkaian Sensor 25 Gambar III.9 Realisasi Rangkaian Output Motor DC 25

Gambar III.10 Realisasi Robot 26

Gambar III.11 Pengujian Sensor dengan Cermin 28 Gambar III.12 Pengujian Pembacaan Sensor terhadap Aksi 29 Gambar III.13 Pengujian Tegangan Motor Roda Kiri terhadap Aksi 31 Gambar III.14 Arsitektur Jeringan Saraf Tiruan 32 Gambar III.15 Proses Pelatihan dengan Traingdx 38

(7)

Universitas Kristen Maranatha

net = newff(minmax(aksi),[F L],{'logsig' 'logsig'},'traingdx'); net.LW{2,1} = net.LW{2,1}*0.01;

TRAINGDX, Epoch 0/1000, SSE 49.3015/0.001, Gradient 23.0529/1e-006

(8)

Universitas Kristen Maranatha A-2

(9)

TRAINGDX, Epoch 160/1000, SSE 0.0471235/0.001, Gradient 0.018805/1e-006 TRAINGDX, Epoch 165/1000, SSE 0.0303942/0.001, Gradient 0.0107277/1e-006 TRAINGDX, Epoch 170/1000, SSE 0.0211179/0.001, Gradient 0.00733606/1e-006 TRAINGDX, Epoch 175/1000, SSE 0.015497/0.001, Gradient 0.0054781/1e-006 TRAINGDX, Epoch 180/1000, SSE 0.0117264/0.001, Gradient 0.0037979/1e-006 TRAINGDX, Epoch 185/1000, SSE 0.00916457/0.001, Gradient 0.00277883/1e-006 TRAINGDX, Epoch 190/1000, SSE 0.00735982/0.001, Gradient 0.00218459/1e-006 TRAINGDX, Epoch 195/1000, SSE 0.0060042/0.001, Gradient 0.00175252/1e-006 TRAINGDX, Epoch 200/1000, SSE 0.00493609/0.001, Gradient 0.00141637/1e-006 TRAINGDX, Epoch 205/1000, SSE 0.00407301/0.001, Gradient 0.00110449/1e-006 TRAINGDX, Epoch 210/1000, SSE 0.00338327/0.001, Gradient 0.000883335/1e-006

TRAINGDX, Epoch 230/1000, SSE 0.0016205/0.001, Gradient 0.000398203/1e-006 TRAINGDX, Epoch 235/1000, SSE 0.00133772/0.001, Gradient 0.000329806/1e-006

TRAINGDX, Epoch 240/1000, SSE 0.0010963/0.001, Gradient 0.000266791/1e-006 TRAINGDX, Epoch 243/1000, SSE 0.000969499/0.001, Gradient 0.000234834/1e-006

TRAINGDX, Performance goal met.

(10)

End of test2

Hasil Pelatihan Jaringan Saraf Tiruan

(11)

6.6849 4.6826 0.2425

• Bias layer 1

>> net.b{1,1}

ans =

(12)

• Bobot layer 2

>> net.LW{2,1}

ans =

Columns 1 through 7

(13)

Columns 8 through 10

8.6728 -3.6361 0.5018 3.2142 0.8505 -2.5148 0.1774 -0.7316 7.3683 5.3897 -0.3651 -1.7141 -4.9167 -0.0417 -0.9436 -7.6271 -4.5367 7.7368 -5.0314 -0.2551 -1.4301 -8.2026 -0.5219 -2.0562 -4.4897 0.0861 -1.3818 3.1721 -2.0769 -1.4255

(14)

• Bias layer 2

>> net.b{2,1}

ans =

(15)

Pengujian Algoritma

>> Y = sim (net,P)

Y =

Columns 1 through 7

(16)

Columns 8 through 14

(17)

(18)

BAB I

PENDAHULUAN

I.1 Latar Belakang

Saat ini teknologi robot berkembang dengan cepat. Robot dapat dipakai untuk membantu meringankan pekerjaan manusia, terutama yang membutuhkan ketelitian, daya tahan yang lama, serta kemampuan mengganti manusia melakukan pekerjaan yang memiliki resiko yang besar dan menjelajahi daerah yang tidak dapat dijelajahi manusia. Penggunaan dari robot ini banyak dipakai dalam berbagai bidang seperti bidang kedokteran, bidang industri, eksplorasi ruang angkasa dan lain sebagainya dalam bentuk penelitian ataupun proses produksi.

Saat ini salah satu metoda yang dapat digunakan untuk pengendalian robot adalah jaringan saraf tiruan. Jaringan syaraf tiruan juga banyak digunakan pada berbagai bidang lainnya seperti analisa gambar, biomedis, kimia, transportasi, pengenalan suara dan lain-lain. Metode ini digunakan karena metode ini bisa membuat pendekatan model sistem yang non linier dengan suatu pelatihan.

I.2 Identifikasi Masalah

Identifikasi masalah di dalam Tugas Akhir ini adalah bagaimana membuat simulasi arah gerakan robot dengan menggunakan metoda jaringan saraf tiruan.

I.3 Tujuan

Tujuan di dalam Tugas Akhir ini adalah membuat simulasi arah gerakan robot dengan menggunakan metoda jaringan saraf tiruan.

(19)

2

I.4 Pembatasan Masalah

Adapun pembatasan masalah di dalam Tugas Akhir ini yaitu:

1. Untuk melatih Jaringan saraf tiruan, perangkat lunak yang digunakan adalah Matlab versi 7.0.4.

2. Robot ini merupakan jenis rover yang bergerak maju mengikuti bentuk dari lintasan tertutup.

3. Arah pergerakan robot untuk ke kiri dan kanan diatur dengan mengendalikan putaran roda kiri, sedangkan roda kanan dipertahankan tetap diam.

I.5 Sistematika Pembahasan

Sistematika pembahasan tugas akhir ini disusun menjadi lima bab, yaitu sebagai berikut:

Bab I Pendahuluan

Berisi tentang latar belakang masalah, maksud dan tujuan, identifikasi masalah, pembatasan masalah, metodologi penelitian, dan sistematika penulisan.

Bab II Landasan teori

Berisi tentang teori dasar dari robot, infra merah, jaringan saraf tiruan dan motor dc

Bab III Simulasi Perangkat Lunak

Berisi tentang perancangan perangkat lunak yang meliputi pelatihan data Bab IV Hasil dan Analisa

Berisi tentang percobaan, dan analisa terhadap perangkat lunak yang sudah dibuat.

Bab V Kesimpulan dan Saran

Bab terakhir ini memaparkan kesimpulan yang diperoleh dari hasil penelitian serta saran-saran yang dapat dipergunakan untuk perbaikan dalam penelitian selanjutnya.

(20)

BAB V

KESIMPULAN DAN SARAN

V.1 Kesimpulan

Kesimpulan yang dapat diambil dari Tugas Akhir ini adalah :

Simulasi Jaringan Saraf Tiruan pada Matlab berhasil direalisasikan untuk menggerakkan roda kiri pada lintasan berbentuk angka 8 dengan hasil kesalahan 0.000997737.

V.2 Saran

Saran yang dapat dilakukan untuk memperbaiki Tugas Akhir ini adalah : Untuk penelitian lebih lanjut dapat mengimplementasikan algoritma Jaringan Saraf Tiruan ke mikrokontroler agar sistem bekerja secara utuh.

(21)

DAFTAR PUSTAKA

1. Demuth, Howard and Mark Beale, “Neural Network Toolbox User’s Guide”, The Math Works, 1994.

2. Everett, H.R., “Sensors For Mobile Robots”, A K Peters, Ltd. Natick, Massachusetts, 1995.

3. Gonzales, R.C., “Robotics”, McGraw-Hill International Edition, 1987. 4. Kusumadewi, Sri, “Membangun Jaringan Saraf Tiruan Menggunakan

Matlab & Excel Link”, Penerbit Graha Ilmu, Yogjakarta, 2004.

5. Low, Kin Huat, “Robotics: Principles and Systems Modeling” Second Edition, Prentice Hall, Inc., 2004.

6. Lunt, Karl, “Build Your Own Robot”, A K Peters. Natick, Massachusetts, 2000.

7. Pitowarno, Endra, “Robotika: Disain, Kontrol dan Kecerdasan Buatan”, Penerbit Andi, Yogyakarta, 2006.