• Tidak ada hasil yang ditemukan

PENERAPAN FUZZY LOGIC PADA BEHAVIOR BASED CONTROL (BBC) PADA ROBOT QUADPOD

N/A
N/A
Protected

Academic year: 2018

Membagikan "PENERAPAN FUZZY LOGIC PADA BEHAVIOR BASED CONTROL (BBC) PADA ROBOT QUADPOD"

Copied!
7
0
0

Teks penuh

(1)

PENERAPAN

FUZZY LOGIC

PADA

BEHAVIOR BASED CONTROL

(

BBC

) PADA ROBOT

QUADPOD

Muhammad Bagus Bintang Timur1), Agusma Wajiansyah2), Damar Nurcahyono3) 1,2,3) Jurusan Teknologi Informasi Politeknik Negeri Samarinda

Email : mc.bintang@gmail.com1), agusma.wajiansyah@gmail.com2), damarnc@polnes.ac.id3)

Abstrak - Pada robot pemadam api tidak hanya sekedar memadamkan api melainkan mencari ruang yang terdapat api. Ketika robot mencari api yang terdapat didalam ruangan, robot melakukan proses berjalan dan berusaha mengetahui lingkungan sekitar agar dapat mengetahui posisi robot berada. Penelitian ini bertujuan untuk membangun Kendali Cerdas berbasis Fuzzy Logic (Logika Samar) untuk menentukan posisi robot dan Behavior Based Control (kendali berbasis Perilaku) untuk menentukan gerakan pada robot Quadpod. Pengujian Fuzzy Logic

dan Behavior Based Control menggunakan Software (perangkat lunak) Mathlab. Data sensor sebagai referensi lingkungan dibangun secara Random (acak). Setelah data dibangun, data kemudian diproses menggunakan Fuzzy Logic. Hasil proses akan berupa Posisi robot, kemudian setelah mendapatkan posisi robot dilakukan proses selanjutnya menggunakan metode Behavior Based Control. Input (masukkan) pada Behavior Based Control

adalah hasil Output (keluaran) dari Fuzzy Logic berupa posisi robot. Output dari Behavior Based Control adalah gerakan robot. Pengujian Gerak robot menggunakan fasilitas pada aplikasi Mathlab yaitu Simulink.

Kata Kunci: Kendali Cerdas, Fuzzy Logic,Behavior Based Control, Robot, Quadpod.

I. PENDAHULUAN

Robot saat ini menjadi ketertarikan sendiri untuk banyak orang.Perusahaan besar yang bergerak di bidang industri sudah mulai menggunakan robot

untuk mempermudah pekerjaan.Semakin

berkembangnya teknologi, metode – metode yang

digunakan pada robot semakin

berkembang.Terdapat begitu banyak penelitian yang dilakukan untuk mengembangkan metode – metode baru atau menemukan metode – metode baru dalam kecerdasan robot, sistem navigasi, dll. Robot memiliki banyak bentuk, salah satunya adalah robot berkaki. Robot berkaki adalah robot yang menggunakan kaki sebagai alat geraknya.

Kecerdasan buatan (Artificial Intelligent)

pada robot memiliki banyak metode – metode di dalamnya agar robot yang dibuat dapat berpikir atau bertindak layaknya seperti manusia atau binatang. Semakin majunya teknologi, menggunakan metode – metode yang ada saja belum cukup atau kurang dalam membangun sebuah robot cerdas karena menyesuaikan teknologi yang terus berkembang. Terdapat begitu banyak penelitian yang telah dikembangkan atau ditemukan untuk mengatasi masalah pada penerapan kecerdasan robot terhadap lingkungan sekitar. Kecerdasan robot sendiri melibatkan beberapa metode salah satunya adalah kendali cerdas berbasis Fuzzy Logic (Logika Samar).

Fuzzy Logic merupakan salah satu bentuk soft computing yaitu sistem komputasi yang lebih mendasarkan pada kemampuan melakukan pemetaan vektor (tidak linear), optimasi, identifikasi dan kemampuan lainnya. Berbagai penerapan telah menunjukkan bahwa pengendali berbasis Fuzzy Logic dapat mengatasi sifat ketidakpastian yang selalu muncul pada sistem kendali. Ketidakpastian

utama yang ditemukan dalam sistem ini adalah ketidaklinearan elemen-elemen sistem kendali. Ketidaklinearan ini berupa gesekan pada komponen-komponen sistem, dead zone dan saturasi yang terdapat pada aktuator yang digunakan, mekanisme gerak sistem, proses pemasangan alat dan lain-lain. Dalam penerapannya pengendali Fuzzy Logic

memanfaatkan pengalaman seorang pakar yang oleh perancang pengendali diekstrak ke dalam bentuk aturan-aturan jika-maka (if-then). Oleh karena itu, proses pengendalian akan mengikuti pendekatan secara linguistik. Pendekatan secara linguistik berupa interpretasi manusia (operator atau ahli) tentang tingkat keadaan suatu sistem, yang

merupakan informasi penting dalam

menggambarkan perilaku sistem dan jauh lebih mudah untuk diperoleh. Pengendali Fuzzy Logic

tidak memiliki ketergantungan pada variabel-variabel proses kendali sehingga pengendali ini banyak digunakan pada sistem yang memiliki sifat tidak linear dan perilaku dinamik yang berubah terhadap waktu. Namun dasar-dasar pengetahuan tentang sistem yang akan dikendalikan akan sangat membantu dalam memperoleh prestasi pengendalian yang memadai.

(2)

yang masing-masing bertanggung jawab untuk

melakukan satu perilaku. Tiap behavior

mengandung jalur lengkap mulai dari sensing sampai aksi. Untuk melakukan tugas yang diberikan secara adaptif terhadap lingkungan, robot akan menggunakan sensor sebagai masukan untuk memberikan data pada robot. Data tersebut yang akan diolah sesuai dengan algoritma BBC yang dirancang. Dari data yang sudah diolah tersebut robot akan menerima informasi yang berarti kemampuan untuk melaksanakan tugas atau informasi tersebut.

Pada penelitian ini akan di terapkan Fuzzy Logic pada Behavior Based Control untuk

kecerdasan Robot Quadpod. Fuzzy Logic

PertamaPada Behavior Based Control akan

menentukan posisi robot dan Fuzzy Logic Kedua akan menentukan Gerakan Robot.

II. DASAR TEORI

2.1 BEHAVIOR BASED CONTROL

Metode robot Behavior Based Control

adalah suatu pendekatan yang diinspirasikan dari sistem biologis, dimana suatu sistem didistribusikan dalam beberapa modul kecil yang disusun secara parallel. Setiap modul,disebut perilaku (behavior) dan memiliki target tertentu yang harus dicapai.Secara keseluruhan, robot terdiri dari beberapa behavior yang mengambil input dari sensor sensoryang ada dan mengirimkan output ke proses pengendalian ke aktuator robot. Karena terdiri dari beberapa behavior, maka diperlukan koordinasi untuk menghasilkan perintah akhir yang akan dikirimkan ke aktuator, jika terdapat beberapa

behavior yang aktif pada waktu yang sama. Robot berbasis perilaku dengan Logika Fuzzy (Fuzzy behavior-based robot) adalah penggunaan teknik Logika Fuzzy untuk menyelesaikan problem pengendali behavior dan koordinasinya. Arsitektur sistem ini terdiri dari dua bagian besar, yaitu bagian modul behavior dengan Fuzzy Logic dan bagian

behavior yang disebut dengan Context Dependent Blending (CDB). Arsitektur ini ditampilkan pada Gambar 1 di bawah ini.

Gambar 1. Arsitektur Pengendali Robot Berbasis Prilaku dengan Fuzzy Logic [1]

Pendekatan yang biasa digunakan untuk membangun system control robot adalah dengan

menguraikan setiap masalah ke dalam rangkaian unit fungsional sebagaimana ditunjukkan oleh gambar di bawah ini.

Gambar 2. Teknik Penguaraian Tradisional untuk Sistem Kontrol Mobile Robot ke dalam unit-unit Fungsional [3]

Berbeda dengan pendekatan di atas, behavior based robot mendesain sistem kontrol robot dengan menggunakan task achieving behaviors

(perilaku menggunakan tugas) yang diberikan secara adaptif terhadap lingkungan. sebagaimana ditunjukkan pada di bawah ini, tiap tugas disebut dengan behavior.

Gambar 3. Dekomposisi sistem kontrol dengan Task Achieving Behavior [3]

2.2 Fuzzy Logic

Fuzzy Logic pertama kali diperkenalkan oleh Prof.Lotfy A. Zadeh dari Universitas California di Barkeley (1965). Berbeda dengan Boolean Logic

yang hanya membagi suatu keadaan menjadi dua kondisi yaitu 0 dan 1, Fuzzy Logic memberikan kemungkinan suatu keadaan dalam interval antara 0 dan 1. Berikut adalah ilustrasi perbedaantersebut :

Gambar 4. Perbedaan Antara Boolean Logic Dan Fuzzy Logic [4]

(3)

Guna lebih mengenal suatu sistem Fuzzy, maka harus dipahami istilah-istilah yang sering digunakan dalam Fuzzy logic. Berikut ini adalah gambar membership function lengkap dengan parameter-parameternya.

Gambar 5. Membership Function [4]

1.Crips Input adalah Input yang tegas dan tertentu

(seperti 90 derajat)

2. Membership Function adalah definisi Fuzzy

set dengan memetakan Crisp input dari domainnya ke derajat keanggotaannya.

3. Label adalah Nama dari suatu fungsi

keanggotaan.

4. Scope/Domain adalah Lebar fungsi

keanggotaan.

5. Degree of Membership Function adalah derajat

keanggotaan dimana nilai crisp kompatibel dengan fungsi keanggotaan (dari 0 sampai 1).

6. Universe of Discourse adalah semesta

pembicaraan adalah rentang input yang mungkin masuk ke dalam sistem.

2.2.1 Desain Sistem Fuzzy

Metode Mamdani sering juga dikenal dengan nama metode min – max. Metode ini diperkenalkan oleh Ibrahim Mamdani pada tahun 1975 [djunaidi]. Untuk membentuk sistem Fuzzy, ada tiga tahapan yang harus dilakukan yaitu

fuzzification, rule evaluation dan defuzzification. Gambar berikut ini menunjukkan tiga tahap tersebut lengkap dengan parameter-parameter yang diperlukan dalam setiap tahapannya.

Gambar 6 Tahapan Dalam Fuzzy Logic [4]

Fuzzification: Memproses crisp input

menjadi Fuzzy input yang berupa membership function, misalnya crisp suhu 27 C akan ditransformasikan sebagai “hangat” dalam Fuzzy, kecepatan 100 Km/jam ditransformasikan sebagai “cepat”, dsb. Didalam Fuzzification terdapat proses

Subset dengan persamaan sebagai berikut.

Tabel 1. Tabel Persamaan Membership Function

m(x)

Rule Evaluation : Tahapan penggunaan

Rule untuk menentukan aksi Control apa yang harus dilakukan dalam merespon input. Berikut adalah format rule yang biasa digunakan dalam Fuzzy : If Antecedent 1 AND Antecedent2 AND …Then Consequent1 AND Consequent 2 AND. Untuk menentukan jumlah Rule Base yang digunakan, dapat digunakan persamaan sebagai berikut :

nRule =

Z𝑣 ...(1)

Z dinyatakan sebagai Linguistic Value dan

v dinyatakan sebagai Linguistic Variable.

Defuzzification : Tahapan terakhir setelah

rule evaluation adalah defuzzification. Dalam

defuzzification, seluruh Fuzzy output yang signifikan akan dikombinasikan ke dalam variable keluaran yang spesifik. Salah satu teknik yang sering digunakan adalah metode Centre of Gravity (COG). Metode Centroid adalah metode yang mengambil titik tengah / pusat Fuzzy. Persamaan yang

digunakan untuk Defuzzification dengan

menggunakan metode Centroid adalah

 

x

: nilai x pada output fuzzy hasil agregasi

(4)

 

x

i

m

: derajat keanggotaan dari x pada output fuzzy hasil agregasi

III. HASIL DAN PEMBAHASAN 3.1 Blok Diagram Sistem Robot

Sistem Penentuan Posisi Robot

Gambar 7. Diagram Sistem Penentuan Posisi Robot

Robot ini memiliki 3 Input yang diperoleh dari 3 sensor yaitu Sensor Front (F), sensor Left (L) dan sensor Right (R). Input dari 3 sensor ini kemudian diproses menggunakan Fuzzy Logic yang akan menghasilkan Output berupa posisi robot. Kendali cerdas pada robot ini menggunakan kendali cerdas Fuzzy Logic menggunakan metode Mamdani. Kendali cerdas ini disimulasikan melalui aplikasi Mathlab.Proses pertama adalah pengambilan data menggunakan sensor. Setelah pengambilan data selesai, ketiga data tersebut kemudian disimpan kedalam variabel F, R dan L.

Untuk menentukan kemiringan / gradien disetiap

subset dapat menggunakan rumus garis miring atau gradien yaitu :

𝑚 =

𝑦1− 𝑦2

𝑥1− 𝑥2 ... (3)

Dengan rentang nilai Input pada fuzzy

(sumbu x) dari 5 – 30 (Low & High) dan titik tengah (Med) dengan nilai 17.5 dan ketinggian (sumbu y) yaitu 1, dengan titik tengah memiliki nilai 17.5 dan rentang lebar Subset Med adalah 20 di setiap sisi kiri dan kanan memiliki lebar 10 maka jika dimasukkan kedalam rumus gradien seperti berikut :

𝑚 = 10 − 1 = −0,10 − 1

Maka kemiringan yang akan dibangun pada

Fuzzy Subset adalah -0,1 yang ditunjukkan pada gambar berikut :

Gambar 8. Proses F &R & L

Gambar 9. Input Dari F

Gambar 10. Output Dari FRL

F, R dan L memiliki rentang nilai dari 5 sampai 30, memiliki 3 Membership Function yaitu

Low, Med, dan High. Output memiliki rentang nilai dari 0 sampai 4 yang terdiri dari 5Membership Function yaitu Belok Kanan, Serong Kanan, Maju, Serong Kiri dan Belok Kiri dan memiliki 27 Rule. Dalam kendali cerdas Fuzzy Logic ini memiliki 3

Input yaitu F, R dan L. Masing – masing dibangun dengan Fuzzy Set yang memiliki 3 Linguistic Value

yaitu Low, Med dan High. Maka jumlah Rule Base

yang harus dibangun dengan menggunakan persamaan 1 adalah:

nRules= (3)3 = 27

(5)

Tabel 2. Rule F & R & L

No F R L Act

1 Low Low Med Luas Kiri

2 Low Low High Luas Kiri

3 Low Med High Luas Kiri

4 Med Low Med Miring Kanan

5 Med Low High Miring Kanan

6 High Low Med Miring Kanan

7 High Low High Miring Kanan

8 Med Low Low Luas Depan

9 Med Med Med Luas Depan

10 Med Med High Luas Depan

11 Med High Med Luas Depan

12 Med High High Luas Depan

13 High Low Low Luas Depan

14 High Med Med Luas Depan

15 High Med High Luas Depan

16 High High Med Luas Depan

17 High High High Luas Depan

18 Med Med Low Miring Kiri

19 Med High Low Miring Kiri

20 High Med Low Miring Kiri

21 High High Low Miring Kiri

22 Low Low Low Luas Kanan

23 Low Med Low Luas Kanan

24 Low High Low Luas Kanan

25 Low Med Med Luas Kanan

26 Low High Med Luas Kanan

27 Low High High Luas Kanan

Setelah proses FRL selesai, Output yang didapat berupa posisi robot, kemudian diolah kembali menggunakan Behavior Based Control

dengan input berupa posisi robot, kemudian Output

yang dihasilkan berupa gerakan robot.

Sistem Penentuan Gerak Robot

Gambar 11. Diagram Sistem Penentuan Gerak Robot

Setelah mendapatkan input berupa posisi robot kemudian diproses menggunakan Behavior Based Control yang akan menghasilkan Output

berupa gerak robot.

Gambar 12. Diagram Sistem Penentuan Gerak Robot

3.2 Pengujian Fuzzy Logic

Pengujian Fuzzy Logic dilakukan secara simulasi melalui Mathlab. Nilai input sebagai parameter pengganti F, R dan L ditentukan sesuai prediksi kemungkinan yang akan terjadi yang nantinya akan menghasilkan keputasan Posisi robot. 3.2.1 Posisi Luas Depan

Pada Tabel 2,Untuk mendapatkan gerakan maju maka data prediksi yang akan digunakan adalah F = 29, R = 24 dan L = 25. Rule yang digunakan adalah Rule ke 17. Data ini telah di uji coba melalui Mathlab dan hasil akhirnya adalah 2, pada gambar 10 menunjukkan bahwa posisi 2 mengarah pada posisi luas depan sesuai dengan Rule

yang sudah ditentukan. Jika dilakukan perhitungan secara matematis maka persamaan yang digunakan adalah persamaan Triangular Membership Function

pada tabel 1. Data yang dimiliki adalah F = 29, R = 24 dan L = 25. Rule yang digunakan adalah Rule ke 17 yaitu :

Tahap pertama yaitu membangun Fuzzy Subset dengan data F menggunakan Rule High

sesuai dengan Tabel 2. Nilai a, b dan c adalah a = 20, b = 30 dan c = 30. Maka persamaan yang digunakan adalah:

µ(𝑥, 𝑎, 𝑏, 𝑐) = 𝑏−𝑎 𝑥−𝑎𝑎 ≤ 𝑥 ≤ 𝑏

jika semua data F dimasukkan maka akan menjadi :

µ(29,20,30,30) = 29−2030−20𝑎 ≤ 𝑥 ≤ 𝑏

maka hasilnya adalah :

𝜇𝐹 = 0.9

Kemudian membangun Fuzzy Subset

dengan data R menggunakan Rule High sesuai dengan Tabel 2. Jika data R dimasukkan maka akan menjadi :

µ(24,20,30,30) = 24−2030−20𝑎 ≤ 𝑥 ≤ 𝑏

maka hasilnya adalah :

𝜇𝑅 = 0.4

Kemudian membangun Fuzzy Subset

dengan data L menggunakan Rule High sesuai dengan Tabel 2. Jika data L dimasukkan maka akan menjadi :

(6)

maka hasilnya adalah :

𝜇𝐿 = 0.5

Setelah Fuzzy Subset 𝜇𝐹, 𝜇𝐿, 𝜇𝑅 selesai dibangun, kemudian hasil dari Fuzzy Subset

dibangun kedalam Grafik 2D. Berikut grafik 2D dari setiap Fuzzy Subset:

20 30

Setelah melakukan Fuzzy Subset,

selanjutnya adalah melakukan Inferensi (Penalaran). Inferensi menggunakan Operator Implikasi Min atau nilai terkecil dari seluruh Input dalam satu Rule.

Berikut adalah hasil dari Inferensi F,R dan L dalam satu Rule.

Gambar 16. Hasil Inferensi dari F,R dan L dalam satu Rule

Tahap Selanjutnya adalah Agregasi Output. Tahap ini menggunakan Agregasi dengan Operator

Max atau tertinggi. Agregasi dilakukan jika menggunakan lebih dari 1 Rule, tetapi dalam percobaan ini hanya menggunakan 1 Rule jadi nilai yang digunakan adalah 0,4 hasil dari Inferensi. setelah tahap Agregasi selesai, maka selanjutnya adalah tahap Defuzzifikasi menggunakan metode

Centroid.

0,4

1 3

1,4 2,6

Gambar 17. Hasil Agregasi

Hasil Defuzzification dari gambar 5.18 menggunakan persamaan 2 dapat diperoleh : xc= (1∗0)+ (1,4∗0,4)+ (2,6∗0,4)+ (3∗0) 0+0,4+0,4+0

= 0,56+1,04 0,8

= 2

Jadi hasil Defuzzification adalah 2, maka hasil Defuzzification dinyatakan benar sesuai dengan uji coba Mathlab pada simulasi proses Luas Depan.

Gambar 18. Pembuktian Posisi Luas Depan Pada Mathlab

3.3 Pengujian BBC

Input pada pengujian BBC diambil dari Output Fuzzy Logic berupa posisi robot.

Tabel 3. Pengujian BBC

2.5 – 3.5 Serong Kanan

1.5 – 2.5 Robot berada di Lorong Maju

Pengujian BBC dilakukan secara simulasi melalui Mathlab. Nilai input / Stimulus sebagai ditentukan melalui Outputi Fuzzy Logic berupa posisi robot.

3.3.1 Gerakan Maju

(7)

Gambar 19. Pembuktian keputusan gerak maju pada simulink

IV. KESIMPULAN DAN SARAN 4.1Kesimpulan

Data F, R dan L dibangkitkan secara

Random. Pengujian dilakukan diseluruh Basic

gerakan robot menggunakan simulasi Mathlab. Pada posisi luas depan, data Random yang digunakan adalah F = 29, R = 24 dan L = 25. Hasil dari Mathlab kemudian dibuktikan menggunakan proses secara matematis dan hasil yang didapat pada Mathlab dan proses matematis adalah 2, dimana nilai 2 termasuk kedalam posisi luas depan. Pada posisi luas Kiri, data Random yang digunakan adalah F = 7, R = 5 dan L = 22. Data ini telah di uji coba melalui Mathlab dan hasil akhirnya adalah 0.369, dimana nilai 0.369 adalah posisi luas Kiri. Pada posisi luas kanan, data

Random yang digunakan adalah F = 5, R = 28 dan L = 22. Data ini telah di uji coba melalui Mathlab dan hasil akhirnya adalah 3.63, dimana nilai 3.63 adalah posisi luas Kanan. Pada posisi miring kiri, data

Random yang digunakan adalah F = 14, R = 8 dan L = 23. Data ini telah di uji coba melalui Mathlab dan hasil akhirnya adalah 1.24, dimana nilai 1.24 adalah posisi miring Kiri. Pada posisi miring kanan, data

Random yang digunakan adalah F = 11, R = 26 dan L = 7. Data ini telah di uji coba melalui Mathlab dan hasil akhirnya adalah 3.12, dimana nilai 3.12 adalah posisi miring Kanan. Pada pengujian BBC menggunakan data Luas Depan dengan nilai 2 yang menyatakan gerakan Maju.

4.2 Saran

Setelah menyelesaikan penelitian dalam Tugas Akhir ini maka terdapat beberapa hal yang dapat dijadikan sebagai saran untuk tindak lanjut hasil penelitian dimaksud, antara lain :

1. Hasil penelitian ini dapat dilanjutkan dalam

bentuk penerapan langsung ke robot atau mengembangkan lagi dari sisi Fuzzy Logic

atau mengembangkan Behavior Based Control

Untuk meningkatkan kemampuan deteksi robot maka perlu adanya ditambahkan sensor lagi agar dapat menentukan kondisi posisi robot lebih akurat

REFERENSI

[1]Adriansyah, A. (2008). Pengendali robot bergerak berbasis perilaku menggunakan

Particle Swarm Fuzzy Controller : ISSN 1979 – 2328

[2]Djunaidi, M. (2005). Penentuan jumlah produksi dengan aplikasi metode Fuzzy – Mamdani : Vol. 4, No. 2

[3]Kuswadi, S. (2009). Robotika: Ilham dari sistem biologi – simulasi dan realisasinya. Bali [4]Rully, M. Iqbal. (2012). Implementasi Sistem

Navigasi Behavior-Based Robotic dan Kontroler Fuzzy pada Manuver Robot Cerdas Pemadam Api :

Gambar

Gambar 1.  Arsitektur Pengendali Robot Berbasis Prilaku
Gambar 5. Membership Function [4]
Gambar 9.  Input Dari F
Gambar 11. Diagram Sistem Penentuan Gerak Robot
+2

Referensi

Dokumen terkait

Penulis menyadari bahwa hanya dengan karunia-Nya dan bantuan berbagai pihak, penulis dapat menyelesaikan Karya Ilmiah ini. Berkenaan dengan hal

Hasil penelitian menunjukan bahwa pengaruh pemberian dosis hormon tiroksin terhadap pertumbuhan (panjang dan bobot), sintasan benih ikan gurami terbaik diperoleh pada

• Ada bermacam-macam tanda (gejala) yang dijumpai pada tanaman yang kekurangan Borium seperti yang disebutkan dalam diagram, salah satu gejala yang sudah parah ialah yang

Kamu adalah umat yang terbaik yang dilahirkan untuk manusia, menyuruh kepada yang ma'ruf, dan mencegah dari yang munkar, dan beriman kepada Allah... PENCITRAAN

Dari tujuh kelompok yang menyusun Indeks Harga Konsumen (IHK) Kota Batam Bulan Januari 2008, tercatat enam kelompok mengalami kenaikan indeks yaitu kelompok bahan makanan

Metode penelitian ini adalah Penelitian Tindakan Kelas yang terdiri dari 2 siklus dan tiap siklus terdiri dari 4 tahap, yaitu perencanaan, pelaksanaan, observasi,

Sebagai pengganti bahan baku pembuat kertas Beberapa Mahasiswa Fakultas Teknik Pertanian (FTP) UGM berhasil memanfaatkan limbah tongkol jagung sebagai sumber karbon untuk

Adalah pendapatan yang diperoleh Pelaku Usaha Pergadaian Syariah dari aktivitas yang berkaitang langsung dan melekat dalam rangka perolehan penyaluran pinjaman