Simulasi Pengontrol Lengan Robot Dua Sendi Dengan Metode Kendali Anfis.

(1)

ABSTRAK

Perkembangan teknologi yang semakin pesat, membuat semakin sedikitnya suatu industri yang memakai operator dalam menjalankan suatu proses produksi. Pada saat ini, kontrol otomatis lebih banyak dipakai sebagai pengganti kontrol manual. Salah satu contohnya dengan menggunakan robot (khususnya lengan robot). Permasalahan yang sering timbul adalah cara membangun suatu pengontrol agar lengan robot dapat mencapai set point. Oleh karena itu, pada tugas akhir ini dibuat simulasi suatu pengontrol ANFIS dalam mengimplementasikan pengontrol lengan robot dua sendi.

Pengontrol ANFIS (Adaptive Neuro Fuzzy Inference System) dipilih karena dapat menggabungkan antara kemampuan manusia dengan kontrol komputer. ANFIS juga tidak membutuhkan perhitungan matematika yang rumit dalam mengimplementasikan suatu sistem kendali non linear.

Realisasi suatu pengontrol ANFIS dibutuhkan sejumlah pasangan data latih. Data latih yang digunakan diambil secara manual pada model lengan robot dua sendi berukuran panjang lengan pangkal = 30 cm dan lengan ujung = 20 cm. ANFIS akan melakukan penalaan pada pasangan data latih tersebut sehingga akan diperoleh pasangan input-output pada tiap posisi di antara daerah kerja yang dilatih. Dua algoritma pengontrol yang digunakan yaitu pengontrol terpisah dan pengontrol yang berhubungan dengan menggunakan Simulink dan Fuzzy Logic Toolbox Matlab.

Hasil pengamatan dan pengujian data latih sebanyak 20 trayektori menunjukkan bahwa dalam pencapaian set point dari simulasi pengontrol terpisah menunjukkan error sebesar 7.009647513 % untuk posisi x dan 1.608558943 % untuk posisi y. Pada simulasi pengontrol berhubungan, error sebesar 5.898190654 % untuk posisi x dan 4.019088568 % untuk posisi y. Rata-rata bentuk trayektori dari hasil pengontrol ANFIS maupun data percobaan secara keseluruhan yaitu melengkung menuju ke posisi y. Penggunaan pengontrol ANFIS yang terpisah dapat menghasilkan bentuk trayektori, respon θ1 dan θ2 terhadap waktu lebih baik dibandingkan jika digunakan pengontrol berhubungan.

(2)

ABSTRACT

The fast progress in technology, has made an industry recruits less workers to be the operators for production processing. Nowadays, automatic control machines are prefered used to manual one. For example by using robot, especially robot arm. The problem which often come is to establish a controller, in order the robot arm can reach the set point. It is therefore, in this final project the simulation of ANFIS controller of two joints robot arm is made.

An ANFIS controller (Adaptive Neuro Fuzzy Inference System) is selected because it can join ability of human being with computer control. ANFIS not requires complicated mathematics calculation in implementing a non linear control system.

The realization of ANFIS controller required a number of training data. Training data is use to be taken manually at two joints robot arm model, in which the length of the arm = 30 cm and tip of the arm = 20 cm. ANFIS will be tuning a number of training data, so that will be obtained an input-output couple in every position among the trained working area. Two controllers algorithm are used, they are the separated controller and the related controller using Simulink and Fuzzy Logic Toolbox Matlab.

The result of observation and testing training data as many as 20 trajectory indicate that in the attainment of set point from the separated controller simulation show error 7.009647513 % for the position of x and 1.608558943 % for the position of y. At the related controller simulation, error 5.898190654 % for the position of x and 4.019088568 % for the position of y. The average form of trajectory ANFIS controller and the testing data is tortous to go to position y. The usage of separated controller ANFIS can produce trajectory form, for time respon θ1 and θ2 is more better than using related controller.

(3)

(4)

(5)

DAFTAR PUSTAKA………... 85

LAMPIRAN _{A : DATA PERCOBAAN UNTUK PELATIHAN ANFIS}

LAMPIRAN B : HASIL SIMULASI PENGONTROL TERPISAH DAN

PENGONTROL BERHUBUNGAN DARI DATA LATIH

LAMPIRAN C : HASIL SIMULASI PENGONTROL TERPISAH DAN

PENGONTROL BERHUBUNGAN BUKAN DARI DATA LATIH

(6)

DAFTAR GAMBAR

Gambar II.1 Fuzzy Inference System………. 6

Gambar II.2 FIS dengan dua input dan dua aturan……… 7

Gambar II.3 Mamdani Fuzzy Inference System………. 10

Gambar II.4 Tsukamoto Fuzzy Inference System……….. 12

Gambar II.5 Jaringan adaptif dengan dua input dan dua output……… 13

Gambar II.6 (a) Pengambilan kesimpulan model fuzzy Sugeno tingkat pertama dengan dua input (b) Arsitektur ANFIS……… 19

Gambar II.7 (a) Arsitektur ANFIS model fuzzy Sugeno orde pertama dengan dua input yang memiliki sembilan aturan (b) Ruang input dua dimensi yang dibagi menjadi sembilan daerah Fuzzy……… 18

Gambar III.1 Model lengan robot dua sendi……… 19

Gambar III.2 Fuzzy Logic Toolbox……….. 21

Gambar III.3 Diagram alir simulasi pengontrol lengan robot dua sendi (dengan pengontrol terpisah)……… 24

Gambar III.4 Diagram blok simulink pengontrol lengan robot dua sendi (dengan pengontrol terpisah)……… 25

Gambar III.5 Diagram alir simulasi pengontrol lengan robot dua sendi (dengan pengontrol yang berhubungan)………... 26

Gambar III.6 Diagram blok simulink pengontrol lengan robot dua sendi (dengan pengontrol yang berhubungan)………... 27

Gambar IV.1 Diagram nilai input-output untuk (27.6,39)……… 33

Gambar IV.2 Diagram nilai input-output untuk (27.6,39)……… 33

Gambar IV.3 Diagram nilai input-output untuk (30.4,23.6)………. 34

Gambar IV.4 Diagram nilai input-output untuk (30.4,23.6,1.204277148)……… 34

Gambar IV.5 Fungsi keanggotaan input-output untuk simulasi pengontrol terpisah (fuzzy logic controller ‘ro’)……….. 37

(7)

Gambar IV.6 Fungsi keanggotaan input-output untuk simulasi pengontrol terpisah (fuzzy logic controller ‘ri’)……… 37 Gambar IV.7 Fungsi keanggotaan input-output untuk simulasi pengontrol yang berhubungan (fuzzy logic controller ‘lengan1’)……….... 38 Gambar IV.8 Fungsi keanggotaan input-output untuk simulasi pengontrol yang

berhubungan (fuzzy logic controller ‘lengan2’)……….... 38 Gambar IV.9 Fungsi keanggotaan input 1 sebelum dilakukan pelatihan ANFIS

(simulasi pengontrol terpisah untuk fuzzy logic controller ‘ro’)…….. 40 Gambar IV.10 Fungsi keanggotaan input 1 setelah dilakukan pelatihan ANFIS

(simulasipengontrol terpisah untuk fuzzy logic controller ‘ro’)……… 40 Gambar IV.11 Fungsi keanggotaan input 2 sebelum dilakukan pelatihan ANFIS (simulasipengontrol terpisah untuk fuzzy logic controller ‘ro’)……… 41 Gambar IV.12 Fungsi keanggotaan input 2 setelah dilakukan pelatihan ANFIS

(simulasi pengontrol terpisah untuk fuzzy logic controller ‘ro’)... 41 Gambar IV.13 Fungsi keanggotaan input 1 sebelum dilakukan pelatihan ANFIS

(simulasi pengontrol terpisah untuk fuzzy logic controller ‘ri’)……... 42 Gambar IV.14 Fungsi keanggotaan input 1 setelah dilakukan pelatihan ANFIS

(simulasi pengontrol terpisah untuk fuzzy logic controller ‘ri’)……... 42 Gambar IV.15 Fungsi keanggotaan input 2 sebelum dilakukan pelatihan ANFIS

(simulasi pengontrol terpisah untuk fuzzy logic controller ‘ri’)……... 43 Gambar IV.16 Fungsi keanggotaan input 2 setelah dilakukan pelatihan ANFIS

(simulasi pengontrol terpisah untuk fuzzy logic controller ‘ri’)……... 43 Gambar IV.17 Fungsi keanggotaan input 1 sebelum dilakukan pelatihan ANFIS

(simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan1’)……… 44 Gambar IV.18 Fungsi keanggotaan input 1 setelah dilakukan pelatihan ANFIS

(simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan1’)……… 44 Gambar IV.19 Fungsi keanggotaan input 2 sebelum dilakukan pelatihan ANFIS

(simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan1’)……… 45

(8)

Gambar IV.20 Fungsi keanggotaan input 2 setelah dilakukan pelatihan ANFIS (simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan1’)………. 45 Gambar IV.21 Fungsi keanggotaan input 1 sebelum dilakukan pelatihan ANFIS (simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan2’)………. 46 Gambar IV.22 Fungsi keanggotaan input 1 setelah dilakukan pelatihan ANFIS (simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan2’)………. 46 Gambar IV.23 Fungsi keanggotaan input 2 sebelum dilakukan pelatihan ANFIS (simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan2’)………. 47 Gambar IV.24 Fungsi keanggotaan input 2 setelah dilakukan pelatihan ANFIS (simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan2’)………. 47 Gambar IV.25 Fungsi keanggotaan input 3 sebelum dilakukan pelatihan ANFIS (simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan2’)………. 48 Gambar IV.26 Fungsi keanggotaan input 3 setelah dilakukan pelatihan ANFIS (simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan2’)………. 48 Gambar IV.27 Struktur model ANFIS untuk fuzzy logic controller ‘ro’,’ri’ dan ‘lengan1’……….. 51 Gambar IV.28 Struktur model ANFIS untuk fuzzy logic controller ‘lengan2’…… 53 Gambar 1V.29.1 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (18.2,46.1) dan posisi akhir (27.6,39) dari simulasi

pengontrol terpisah……….. 59 Gambar IV.29.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu

untuk posisi awal (18.2,46.1) dan posisi akhir (27.6,39)………….. 59

(9)

Gambar 1V.30.1 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (18.2,46.1) dan posisi akhir (27.6,39) dari simulasi pengontrol yang berhubungan……….. 60 Gambar IV.30.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu

untuk posisi awal (18.2,46.1) dan posisi akhir (27.6,39)…………... 60 Gambar 1V.31.1 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (44.7,20.5) dan posisi akhir (47.7,8.3) dari simulasi

pengontrol terpisah………. 61 Gambar IV.31.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu

untuk posisi awal (44.7,20.5) dan posisi akhir (47.7,8.3)…………. 61 Gambar 1V.32.1 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (44.7,20.5) dan posisi akhir (47.7,8.3) dari simulasi

pengontrol yang berhubungan………. 62 Gambar IV.32.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu

pengontrol terpisah………. 63 Gambar IV.33.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu

untuk posisi awal (45.2,12.2) dan posisi akhir (42.7,3.5)…... 63 Gambar 1V.34.1 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (45.2,12.2) dan posisi akhir (42.7,3.5) dari simulasi

pengontrol yang berhubungan……… 64 Gambar IV.34.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu

pengontrol terpisah……… 65 Gambar IV.35.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu

untuk posisi awal (38.1,32.2) dan posisi akhir (43.6,23.3)……….. 65

(10)

Gambar 1V.36.1 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (38.1,32.2) dan posisi akhir (43.6,23.3) dari simulasi

pengontrol yang berhubungan………... 66 Gambar IV.36.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu

untuk posisi awal (38.1,32.2) dan posisi akhir (43.6,23.3)………... 66 Gambar 1V.37.1 Trayektori perpindahan lengan robot dari data yang tidak dilatih

dengan posisi awal (17.5,43.4) dan posisi akhir (29.6,33.3) dari simulasi pengontrol terpisah……….. 67 Gambar IV.37.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu

dengan posisi awal (17.5,43.4) dan posisi akhir (29.6,33.3) dari simulasi pengontrol yang berhubungan………. 68 Gambar IV.38.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu

dengan posisi awal (41.6,16) dan posisi akhir (38.8,8.1) dari

simulasi pengontrol terpisah………... 69 Gambar 1V.39.2 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (41.6,16) dan posisi akhir (38.8,8.1) dari

simulasi pengontrol terpisah………... 69 Gambar 1V.40.1 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (41.6,16) dan posisi akhir (38.8,8.1) dari

simulasi pengontrol yang berhubungan……….. 70 Gambar IV.40.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu

untuk posisi awal (41.6,16) dan posisi akhir (38.8,8.1)………. 70 Gambar 1V.41.1 Trayektori perpindahan lengan robot dari data yang tidak dilatih

dengan posisi awal (28.1,23.8) dan posisi akhir (32.3,15.8) dari simulasi pengontrol terpisah………. 71 Gambar IV.41.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu

untuk posisi awal (28.1,23.8) dan posisi akhir (32.3,15.8)... 71

(11)

Gambar 1V.42.1 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (28.1,23.8) dan posisi akhir (32.3,15.8) dari simulasi pengontrol yang berhubungan……… 72 Gambar IV.42.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu

untuk posisi awal (28.1,23.8) dan posisi akhir (32.3,15.8)……….. 72 Gambar 1V.43.1 Trayektori perpindahan lengan robot dari data yang tidak dilatih

dengan posisi awal (21,39.3) dan posisi akhir (28.4,29.5) dari

simulasi pengontrol terpisah………. 73 Gambar IV.43.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu

untuk posisi awal (21,39.3) dan posisi akhir (28.4,29.5)…... 73 Gambar 1V.44.1 Trayektori perpindahan lengan robot dari data yang tidak dilatih

dengan posisi awal (21,39.3) dan posisi akhir (28.4,29.5) dari

simulasi pengontrol yang berhubungan………. 74 Gambar IV.44.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu

untuk posisi awal (21,39.3) dan posisi akhir (28.4,29.5)…... 74 Gambar IV.45.1 Bentuk seluruh trayektori yang diambil untuk data percobaan……. 75 Gambar IV.45.2 Bentuk trayektori untuk posisi antara (25,0) sampai dengan (35,50) 76 Gambar IV.45.3 Bentuk trayektori untuk posisi antara (20,35) sampai dengan (50,35) 76

(12)

DAFTAR TABEL

Tabel IV.1 Perbandingan output percobaan dengan output hasil pelatihan ANFIS untuk simulasi pengontrol terpisah……… 35 Tabel IV.2 Perbandingan output percobaan dengan output hasil pelatihan ANFIS untuk simulasi pengontrol yang berhubungan……… 36 Tabel IV.3 Perbandingan posisi akhir lengan robot (antara set point dan pengontrol ANFIS) dari data latih dengan menggunakan simulasi pengontrol yang terpisah……… 54 Tabel IV.4 Perbandingan posisi akhir lengan robot (antara set point dan pengontrol ANFIS) dari data latih dengan menggunakan simulasi pengontrol yang berhubungan……… 55 Tabel IV.5 Perbandingan posisi akhir lengan robot (antara set point dan pengontrol ANFIS) dari data yang tidak dilatih dengan menggunakan simulasi

pengontrol yang terpisah………. 56 Tabel IV.6 Perbandingan posisi akhir lengan robot (antara set point dan pengontrol ANFIS) dari data yang tidak dilatih dengan menggunakan simulasi

pengontrol yang berhubungan………. 57

(13)

(14)

LAMPIRAN A

DATA PERCOBAAN UNTUK PELATIHAN ANFIS

(15)

Tabel A1 Data percobaan untuk pelatihan ANFIS dari 20 buah trayektori 11.2 48.45 1.413716652 0.253072734 12.2 48.1 1.39626336 0.253072734 13.2 47.9 1.378810068 0.253072734 14.15 47.6 1.35263013 0.253072734 15.15 47.25 1.35263013 0.253072734

(16)

(17)

(18)

Trayektori X (cm) Y (cm) tetta 1 (rad) tetta 2(rad) 12.15 45.9 1.562069634 0.689405034 13 45.2 1.562069634 0.74176491 32.2 29.15 1.143190626 1.073377458 32.3 28.6 1.143190626 1.125737334 32.4 27.5 1.143190626 1.125737334

(19)

Trayektori X (cm) Y (cm) tetta 1 (rad) tetta 2(rad)

(20)

LAMPIRAN B

HASIL SIMULASI PENGONTROL TERPISAH DAN

(21)

Lampiran B

Gambar B1 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (0,50) dan posisi akhir (15.15,47.25) dari simulasi pengontrol terpisah

(22)

Lampiran B

Gambar B3 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (18.2,46.1) dan posisi akhir (27.6,39) dari simulasi pengontrol terpisah

(23)

Lampiran B

Gambar B5 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (44.7,20.5) dan posisi akhir (47.7,8.3) dari simulasi pengontrol terpisah

(24)

Lampiran B

Gambar B7 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (24,30) dan posisi akhir (33,18.6) dari simulasi pengontrol terpisah

(25)

Lampiran B

(26)

Lampiran B

(27)

Lampiran B

(28)

Lampiran B

(29)

Lampiran B

Gambar B17 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (40.5,20) dan posisi akhir (42.5,11.9) dari simulasi pengontrol terpisah

(30)

Lampiran B

Gambar B19 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (23.5,36.9) dan posisi akhir (26,31.1) dari simulasi pengontrol terpisah

(31)

Lampiran B

Gambar B21 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (28,31.4) dan posisi akhir (30.4,23.6) dari simulasi pengontrol terpisah

(32)

Lampiran B

(33)

Lampiran B

(34)

Lampiran B

(35)

Lampiran B

(36)

Lampiran B

Gambar B31 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (36.6,17.4) dan posisi akhir (34,12.8) dari simulasi pengontrol terpisah

(37)

Lampiran B

(38)

Lampiran B

Gambar B35 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (15,42.8) dan posisi akhir (18.5,36.3) dari simulasi pengontrol terpisah

(39)

Lampiran B

(40)

Lampiran B

(41)

LAMPIRAN C

HASIL SIMULASI PENGONTROL TERPISAH DAN

PENGONTROL BERHUBUNGAN BUKAN DARI DATA

(42)

Lampiran C

Gambar C1 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (17.5,43.4) dan posisi akhir (29.6,33.3) dari simulasi pengontrol terpisah

Gambar C2 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (17.5,43.4) dan posisi akhir (29.6,33.3) dari simulasi pengontrol yang

(43)

Lampiran C

Gambar C3 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (29.5,36) dan posisi akhir (36,24) dari simulasi pengontrol terpisah

Gambar C4 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (29.5,36) dan posisi akhir (36,24) dari simulasi pengontrol yang

(44)

Lampiran C

Gambar C5 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (40.3,26.3) dan posisi akhir (44,15) dari simulasi pengontrol terpisah

Gambar C6 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (40.3,26.3) dan posisi akhir (44,15) dari simulasi pengontrol yang

(45)

Lampiran C

Gambar C7 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (28.5,34) dan posisi akhir (31.5,26.5) dari simulasi pengontrol terpisah

Gambar C8 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (28.5,34) dan posisi akhir (31.5,26.5) dari simulasi pengontrol yang

(46)

Lampiran C

Gambar C9 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (41.6,16) dan posisi akhir (38.8,8.1) dari simulasi pengontrol terpisah

Gambar C10 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (41.6,16) dan posisi akhir (38.8,8.1) dari simulasi pengontrol yang

(47)

Lampiran C

Gambar C11 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (43,23.5) dan posisi akhir (43.6,16.3) dari simulasi pengontrol terpisah

Gambar C12 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (43,23.5) dan posisi akhir (43.6,16.3) dari simulasi pengontrol yang

(48)

Lampiran C

Gambar C13 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan

posisi awal (28.1,23.8) dan posisi akhir (32.3,15.8) dari simulasi pengontrol terpisah

(49)

Lampiran C

posisi awal (37,21.5) dan posisi akhir (38,13.5) dari simulasi pengontrol terpisah

(50)

Lampiran C

posisi awal (21,39.3) dan posisi akhir (28.4,29.5) dari simulasi pengontrol terpisah

(51)

Lampiran C

posisi awal (40.4,26.3) dan posisi akhir (44,15) dari simulasi pengontrol terpisah

(52)

Lampiran C

Gambar C21 Trayektori Perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (23.3,41.5) dan posisi akhir (31.5,30) dari simulasi pengontrol terpisah

Gambar C22 Trayektori Perpindahan lengan robot dari data yang tidak dilatih dengan

(53)

Lampiran C

(54)

Lampiran C

posisi awal (40,24) dan posisi akhir (46,11.5) dari simulasi pengontrol terpisah

(55)

Lampiran C

(56)

Lampiran C

(57)

Lampiran C

posisi awal (23.3,40) dan posisi akhir (30.8,31.4) dari simulasi pengontrol terpisah

(58)

Lampiran C

posisi awal (40.7,23.6) dan posisi akhir (45,15) dari simulasi pengontrol terpisah

(59)

Lampiran C

posisi awal (42,19.8) dan posisi akhir (46.4,12.8) dari simulasi pengontrol terpisah

Gambar C36 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (42,19.8) dan posisi akhir (46.4,12.8) dari simulasi pengontrol yang

(60)

Lampiran C

(61)

Lampiran C

(62)

Bab I Pendahuluan

BAB I

PENDAHULUAN

Pada bab ini dibahas mengenai latar belakang, identifikasi masalah, tujuan, pembatasan masalah, spesifikasi alat dan sistematika penulisan.

I. 1 Latar Belakang

Dengan perkembangan teknologi yang semakin pesat, tidak dapat dipungkiri bahwa kontrol otomatis dalam suatu industri sangat dibutuhkan sebagai pendukung agar proses produksi dapat berjalan dengan lebih baik. Robot termasuk salah satu teknologi yang sering digunakan dalam sebuah proses industri. Mesin-mesin manual yang harus dikontrol oleh operator setiap saat dapat digantikan robot sehingga proses produksi dapat berjalan lebih efisien dan efektif.

Bagian dari robot yang paling sering digunakan adalah lengan robot. Dalam perealisasian suatu lengan robot tentu tidak mudah karena membutuhkan model matematika yang tepat dan kontrol komputer yang memuaskan. Untuk itu dalam tugas akhir ini akan dipakai suatu metoda kendali ANFIS untuk mengimplementasikan suatu simulasi pengonrol lengan robot dua sendi.

Metoda kendali kendali ANFIS (Adaptive Neuro Fuzzy Inference System) adalah suatu metoda yang penggunaannya sederhana dalam mengimplementasikan suatu sistem kendali non linear. ANFIS tidak memerlukan perhitungan matematika yang rumit dalam pengimplementasiannya. Selain itu, ANFIS dapat menggabungkan kemampuan manusia dengan kontrol komputer dalam merealisasikan suatu pengontrol sistem.

I. 2 Identifikasi Masalah

Bagaimana cara mengimplementasikan pengontrol lengan robot dua sendi dengan menggunakan metoda kendali ANFIS ?

(63)

Bab I Pendahuluan

I. 3 Tujuan

Tujuan dari tugas akhir ini adalah untuk membuat simulasi untuk mengimplementasikan pengontrol lengan robot dua sendi dengan menggunakan metoda kendali ANFIS.

I. 4 Pembatasan Masalah

Pembatasan masalah dalam pengerjaan tugas akhir ini adalah:

• Trayektori lengan robot yang dibuat dibatasi kuadran pertama dan trayektori dibuat tidak saling bertabrakan dengan trayektori lain.

• Variabel inputnya adalah koordinat x dan y yang dibatasi untuk kuadran pertama antara (0≤x≤50 cm) dan (0≤y≤50 cm).

• Variabel outputnya adalah θ1 dan θ2 dibatasi 0 rad (0 derajat) sampai dengan п/2 rad (90 derajat).

I. 5 Spesifikasi Alat

Simulasi pengontrol lengan robot dua sendi dibuat dengan bantuan peralatan sebagai berikut:

• Perangkat keras (hardware) yang digunakan berupa komputer dengan prosesor Intel Pentium IV 3 GHz.

• Perangkat lunak (software) yang digunakan adalah MATLAB versi 6.1.0,

Simulink versi 4.1 dan Fuzzy Logic Toolbox versi 2.2.1.

• Model lengan robot yang digunakan berukuran lengan pangkal (l1 = 30 cm) dan lengan ujung (l2 = 20 cm) dengan perbandingan skala 3:2.

I. 6 Sistematika Penulisan

Sistematika penulisan dalam tugas akhir ini dibagi secara garis besar dalam lima bab, yang meliputi:

• BAB I PENDAHULUAN

Berisi latar belakang, identifikasi masalah, tujuan, pembatasan masalah, spesifikasi alat dan sistematika penulisan.

(64)

Bab I Pendahuluan

• BAB II TEORI PENUNJANG

Pada bab ini akan dibahas mengenai sistem kendali non linear, teori dasar

penunjang metoda kendali ANFIS dan akan dijelaskan juga mengenai metoda

kendali ANFIS.

• BAB III PERANCANGAN DAN SIMULASI

Pada bab ini akan dibahas mengenai perancangan dan simulasi pengontrol lengan

robot dua sendi (pengontrol terpisah dan pengontrol yang berhubungan) dengan

menggunakan metoda kendali ANFIS.

• BAB IV PENGUJIAN DAN PENGAMATAN DATA

Pada bab ini akan dibahas mengenai hasil pengujian perangkat lunak ANFIS,

pengamatan dan pengujian data hasil kedua simulasi yang telah dilakukan serta

perbandingan bentuk trayektori lengan robot dari data percobaan dengan hasil

pengontrol ANFIS. • BAB V KESIMPULAN

Bab ini merupakan bab penutup yang membahas mengenai kesimpulan dan

saran-saran untuk perbaikan dan pengembangan lebih lanjut.

(65)

Bab V Kesimpulan dan Saran

BAB V

KESIMPULAN DAN SARAN

V. 1 Kesimpulan

Berdasarkan hasil data pengamatan dan pengujian yang telah dilakukan, dapat

diambil beberapa kesimpulan bahwa:

1. Setelah dilakukan pelatihan dengan menggunakan ANFIS, menunjukkan adanya

perbedaan output sudut yang dihasilkan sebagai berikut:

• Error untuk output θ1 dari data percobaan yang telah dilatih untuk simulasi pengontrol terpisah maupun pengontrol berhubungan adalah

0.664054957 %.

• Error untuk output θ2 untuk simulasi pengontrol terpisah adalah 2.727892773 %. Sedangkan untuk simulasi pengontrol berhubungan

1.188927714 %.

Perbedaan output hasil pengontrol ANFIS dapat disebabkan karena terjadi

penalaan pada output hasil percobaan yang secara keseluruhan dibulatkan dengan

maksimal tiga angka di belakang koma.

2. Perhitungan error rata-rata secara keseluruhan dari data latih untuk simulasi pengontrol terpisah adalah 7.009647513 % (untuk posisi x) dan 1.608558943 %

(untuk posisi y) dan simulasi pengontrol berhubungan adalah 5.898190654 %

(untuk posisi x) dan 4.019088568 % (untuk posisi y).

Perhitungan error rata-rata secara keseluruhan dari data tidak dilatih untuk simulasi pengontrol terpisah adalah 5.89610297 % (untuk posisi x) dan

5.407857323 % (untuk posisi y) dan simulasi pengontrol berhubungan adalah

5.792682487 % (untuk posisi x) dan 9.424621598 % (untuk posisi y).

3. Hasil perbandingan bentuk trayektori lengan robot dari data percobaan dengan

pengontrol ANFIS untuk simulasi pengontrol terpisah dan pengontrol

berhubungan dapat ditarik kesimpulan:

a. Secara keseluruhan, rata-rata bentuk trayektori antara data percobaan

dengan pengontrol ANFIS melengkung. Pada hasil pengontrol ANFIS,

(66)

Bab V Kesimpulan dan Saran

bentuknya lebih bermacam-macam seperti melengkung dengan bergelombang, lengkungan hampir mendekati garis lurus, lengkungan lebih tajam dll.

b. Dari perbandingan arah, 19 dari 20 buah trayektori data percobaan mempunyai arah yang sama dengan hasil pengontrol ANFIS.

c. Untuk pencapaian posisi akhir secara keseluruhan, pengontrol ANFIS harus melewati titik yang lebih banyak dibandingkan dengan data percobaan.

4. Dalam pencapaian set point secara keseluruhan (Lampiran B dan C). Dilihat dari trayektori yang terbentuk, respon θ1 dan θ2 terhadap waktu, lebih baik bila menggunakan simulasi pengontrol terpisah daripada menggunakan simulasi pengontrol yang berhubungan.

V. 2 Saran

1. Simulasi pengontrol lengan robot dua sendi yang telah dibuat dapat ditambahkan dengan suatu animasi lengan robot.

2. Hasil pengontrol ANFIS dalam membangun lengan robot dua sendi untuk mencapai set point dapat diimplementasikan secara nyata (bukan dalam bentuk simulasi).

(67)

DAFTAR PUSTAKA

1. Jang, J.S.R., Gulley, N., Fuzzy Logic Toolbox for Use with MATLAB, The MathWorks Inc., Natick, 1995.

2. Jang, J.S.R., Sun, C.T., Mizutani, E., Neuro – Fuzzy and Soft Computing Hall, Prentice Hall, Inc., New Jersey, 1997.

3. Junus, Stella., Simulasi Trayektori Parkir Kendaraan Menggunakan Metoda Kendali ANFIS, Tugas Akhir , Jurusan Teknik Elektro, Universitas Kristen Maranatha, Bandung, 2005.

4. Kusumadewi, Sri., Purnomo Hari., Aplikasi Logika Fuzzy Untuk Pendukung Keputusan, Penerbit Graha Ilmu, Yogyakarta, 2004.

5. Li, X.W., A Course in Fuzzy Systems and Control, Prentice Hall, Inc., New Jersey, 1997.

6. Muliady, Prototipe Gripper untuk Menggenggam Benda dengan Berbagai Tingkat Kekerasan, Tesis S 2, Institut Teknologi Bandung, 2000.

7. Ogata, Katsuhiko., Teknik Kontrol Automatik Edisi Kedua, PT Penerbit Erlangga, Jakarta, 1997.

8. www.mathworks.com