LAPORAN TAHUNAN
PENELITIAN FUNDAMENTAL
PERANCANGAN PENGENDALI FORMASI PADA
SISTEM MULTI-ROBOT MENGUNAKAN PARTICLE
SWARM FUZZY CONTROLLER (PSFC)
Tahun ke 1 dari rencana 2 tahun
DIBIAYAI:
SURAT PERJANJIAN NO: 2013 0263/E5/2014
DIREKTORAT JENDRAL PENDIDIKAN TINGGI
KEMENTRIAN PENDIDIKAN DAN KEBUDAYAAN
Dr. Ir. Andi Adriansyah, M.Eng (0327027002)
Ir. Eko Ihsanto, M.Eng (0309106802)
Ir. Badaruddin, MT (0323086404)
.l
Judul Kegiatan Peneliti / Pelaksana Nama Lengkap NIDN Jabatan Fungsional Program Studi Nomor HP Surel (e-mail) Anggota Peneliti (1) Nama Lengkap NIDN Perguruan Tinggi Anggota Peneliti (2) Nama Lengkap NIDN Perguruan TingeiInstitusi Mitra (ika ada) Nama Institusi Mitra Alamat
Penanggung Jawab Tahun Pelaksanaan Biaya Tahun Berjalan Biaya Keseluruhan
HALAMAN PENGESAHAN
Perancangan Pengendali Formasi pada Sistem Multi-Robot
,o.nggurrikun Palticle Swarm Fuzzy Controller (PSFC)
Dr. Ir ANDI ADRIANSYAH M.Eng
0321021002 Teknik Elektro 081 1 1884220 andi(@mercubuana.ac.id IT BADARUDDIN MT 0323086404
Universitas Mercu Buana
Ir EKO IHSANTO Ir, M.Eng 0309 1 06802
Universitas Mercu Buana
Tahun ke 1 dari rencana 2 tahun Rp. 54.875.000,00
Rp. 119.150.000,00
Jakarta,l0-11 -2014,
L-tDr. lr ANDI ADRIANSYAH V.Eng)
NIPNII(
Mengetahui
(Ir. Dana Santoso, M.En
NrPA{rK 187630016
RINGKASAN
Teknologi dan aplikasi robot terus berkembang secara cepat. Pada dekade ini, para peneliti mulai mengubah arah penelitiannya, dari investigasi sistem robot tunggal kepada koordinasi sistem multi-robot. Salah satu pendekatan yang banyak digunakan untuk mengendalikan sistem multi-robot adalah dengan menerapkan sistem pengendalian formasi dengan memanfaatkan mekanisme robot
leader-follower. Performa kinerja sistem multi-robot ini akan ditentukan oleh kehandalan
sistem pengendalian yang digunakan.
Salah satu sistem pengendalian yang dianggap mampu untuk menyelesaikan problema sistem multi-robot adalah sistem pengendalian berbasis logika fuzzy (Fuzzy Logic Controller). Sayangnya, teknik ini memiliki suatu kelemahan, yaitu kesulitan untuk menentukan harga optimum dari beberapa parameter Logika. Diperlukan sebuah algoritma pencari harga maksimum, seperti Particle Swarm
Optimization (PSO). Dalam penelitian ini, diusulkan untuk menemukan beberapa
parameter optimum pada Logika Fuzzy menggunakan algoritma PSO. Penggabungan kedua metoda, disebut dengan Particle Swarm Fuzzy Controller (PSFC), ditargetkan dapat menghasilkan sistem pengendali formasi yang andal dan robust dalam rangka mendapatkan kinerja sistem multi-robot yang baik. Beberapa perancangan akan dilakukan, seperti: perancangan model matematika sistem multi-robot, algoritma sistem pengendali formasi berbasiskan logika fuzzy dan perancangan teknik optimasi PSO yang terbaik dalam rangka mendapatkan parameter logika fuzzy optimum sehingga terbentuk sistem pengendali yang andal dan robust.
Perangkat lunak MATLAB Versi 7.6 R2008a akan digunakan untuk mensimulasikan model sistem multi-robot, Pengendali Logika Fuzzy dan PSFC. Setelah proses pemodelan dan simulasi selesai, maka penelitian akan mengimplementasikan algoritma keseluruhan sistem multi-robot ini ke dalam sejumlah robot laboratorium bernama Lego NXT Mindstorms robot.
PRAKATA
Alhamdulillah, segala puji hanya bagi Allah SWT, pencipta, pemilik dan pemelihara alam semesta, atas segala kehendak dan petunjuknya, sehingga laporan kemajuan kegiatan penelitian ini dapat diselesaikan sesuai dengan jadwal yang telah ditentukan. Sholawat dan salam semoga selalu tercurah bagi Nabi Muhammad SAW yang telah membimbing ummat manusia ke jalan yang benar. Semoga kita selalu mendapatkan bimbingan dan hidayah-Nya.
Laporan kemajuan kegitan penelitian berjudul Perancangan Pengendali Formasi pada Sistem Multi-Robot Menggunakan Particle Swarm Fuzzy Controller (PSFC) ini dimaksudkan sebagai upaya untuk merancang sistem pengendali beberapa buah robot yang disusun dengan formasi tertentu dimana pengendalinya berbasiskan pengendali logika fuzzy (Fuzzy Logic Ccntroller, FLC) yang ditala secara otomatis menggunakan Particle Swarm Optimization (PSO). Penelitian ini ditujukan untuk dapat menjawab bagaimana mendapatkan sistem pengendali yang sesuai, efektif dan handal untuk sistem multi-robot yang dirancang.
Terima kasih kami ucapkan kepada Kaprodi Teknik Elektro atas upayanya untuk mendorong para dosen untuk melaksanakan kegiatan ini. Juga terima kasih ditujukan kepada Dekan Fakultas Teknik yang selalu mengingatkan untuk bersemangat menunaikan kegiatan Tridharma Perguruan Tinggi. Dan, terima kasih yang tak terhingga kepada Kepala Pusat Penelitian Universitas Mercu Buana yang telah memberikan jadwal, ketentuan, pedoman pengajuan kegiatan pengabdian ini.
Semoga apa yang telah direncanakan dapat berjalan sesuai dengan harapan dan mendapatkan bimbingan dari Allah SWT.
Jakarta, 8 November 2014 Ketua Peneliti
DAFTAR ISI Halaman HALAMAN SAMPUL i HALAMAN PENGESAHAN ii RINGKASAN iii PRAKATA iv DAFTAR ISI v DAFTAR GAMBAR vi
DAFTAR TABEL vii
DAFTAR LAMPIRAN viii
BAB 1. PENDAHULUAN 1
BAB 2. TINJAUAN PUSTAKA 4
BAB 3. TUJUAN DAN MANFAAT PENELITIAN 9
BAB 4. METODE PENELITIAN 10
BAB 5. HASIL DAN PEMBAHASAN 14
BAB 6. KESIMPULAN DAN SARAN 32
DAFTAR PUSTAKA 33
LAMPIRAN
Lampiran 1 Laporan Rekapitulasi Penggunaan Dana Penelitian 36
Lampiran 2 Logbook 37
DAFTAR GAMBAR
Halaman
Gambar 1. Sistem pengendali logika fuzzy 5
Gambar 2. Elemen-elemen utama dari pengendali logika fuzzy. 5
Gambar 3. Model Robot 7
Gambar 4. Perbandingan SDIW dan LDIW 9
Gambar 6. Alur Penelitian 10
Gambar 7. Robot-Majemuk dalam Formasi V 11
Gambar 8. Robot Lego NXT Mindstorms 12
Gambar 9. Rencana Luaran Hasil Simulasi Pergerakan Multi-robot dan Analisanya
1
Gambar 10. Robot hasil perancangan 14
Gambar 11. Pergerakan robot tunggal dengan kombinasi pergerakan 15
Gambar 12. Formasi Sistem Multi-robot 16
Gambar 13. Pergerakan Lurus pada Sistem Multi-robot 17
Gambar 14. Pergerakan Melingkar pada Sistem Multi-robot 18
Gambar 15. Pergerakan Kombinasi pada Sistem Multi-robot 20
Gambar 16. Daerah Karakteristik Dinamik pada Bidang (w,c) 22
Gambar 17. Bentuk Trayektori Partikel dan Regionnya 23
Gambar 18. Kecepatan Konvergen Trayektori Partikel dan Regionnya 24
Gambar 19. Perbandingan SDIW dan LDIW 25
Gambar 20. Hasil Pencarian Fungsi Sphere 27
Gambar 21. Hasil Pencarian Fungsi Rosenbrock 28
Gambar 22. Hasil Pencarian Fungsi Rastrigin 29
DAFTAR TABEL
Halaman
Tabel 1. Data Pergerakan Multi-robot Gerakan Berbelok ke Kanan 19
Tabel 2. Data Pergerakan Multi-robot Gerakan Kombinasi 21
Tabel 3. Jangkauan Inisialisasi Asimetrik 26
Tabel 4 Harga Rata-rata Fungsi Penentu dari Fungsi Sphere 27
Tabel 5 Harga Rata-rata Fungsi Penentu dari Fungsi Rosenbrock 28
Tabel 6 Harga Rata-rata Fungsi Penentu dari Fungsi Rastrigin 29
DAFTAR LAMPIRAN
Halaman
Lampiran 1 Laporan Rekapitulasi Penggunaan Dana Penelitian 37
Lampiran 2 Logbook 38
IDENTITAS DAN URAIAN UMUM
1. Judul Penelitian : Perancangan Pengendali Formasi pada
Sistem Multi-robot menggunakan Particle Swarm Fuzzy Controller (PSFC)
2. Ketua Peneliti
a) Nama Lengkap : Dr. Ir. Andi Adriansyah, M.Eng
b) Jabatan : Wakil Dekan Fakultas Teknik
c) Jurusan/Fakultas : Teknik Elektro/ Fakultas Teknik
d) Perguruan Tinggi : Universitas Mercu Buana
e) Alamat Surat : Jl. Meruya Selatan, Kembangan, Jakarta Barat, 11650
f) Telp/Faks : 021-58471335
g) Email : andi@mercubuana.ac.id
3. Anggota Peneliti
No. Nama dan Gelar
Akademik
Bidang Keahlian Instansi Alokasi
Waktu Jam/Minggu
1. Ir. Eko Ihsanto, M.Eng Mikroprosesor,
Embedded System
T. Elektro, UMB 15
2. Ir. Badaruddin, MT Sistem Tenaga,
Power Supply
T. Elektro, UMB 15
4. Objek Penelitian
Penelitian difokuskan untuk merancang sebuah algoritma pengendalian formasi untuk mempertahankan jarak (d) dan orientasi (δ) sebuah robot dengan robot-robot lainnya pada suatu formasi tertentu. Algoritma pengendalian ini berupa hasil sebuah sistem logika fuzzy dimana komponennya ditala secara otomatis menggunakan Particle Swarm Optimization, yang menghubungkan jarak (d) dan orientasi (δ) tersebut dengan kecepatan (v) dan arah (ω) pergerakan masing-masing robot.
5. Masa Pelaksanaan
Mulai : Maret 2014
Akhir : November 2014
6. Anggaran yang diusulkan
Tahun I : Rp. 54.875.000
Tahun II : Rp. 64.275.000
7. Lokasi Penelitian
Penelitian akan diadakan di lingkungan Universitas Mercu Buana. Tahap perancangan dan simulasi akan dipusatkan pada Lab. Simulasi dan Komputer serta Lab. Elektronika Dasar. Sedangkan tahap implementasi dan pengujian akan dilakukan di Lab. Mikroprosesor dan Lab. Mekatronika.
a. Model pergerakan dan simulasi pergerakan multi-robot (r1, r2, ..., rn) dengan
kecepatan (v) dan arah (ω) masing-masing robot yang sama dan berbeda. b. Algoritma pengendalian formasi multi-robot menggunakan logika fuzzy,
yang menghubungkan jarak (d) dan orientasi (δ) sebuah robot (r1) dengan
robot lainnya (r2, ..., rn) dengan kecepatan (v) dan arah (ω) masing-masing
robot dalam rangka mempertahankan formasi tertentu. Logika fuzzy yang digunakan merupakan hasil penalaan secara otomatis berdasarkan Particle Swarm Optimization
9. Jurnal Ilmiah
Hasil penelitian secara bertahap akan dipublikasikan dalam beberapa jurnal, yaitu:
a. Jurnal Terakreditasi Nasional TELKOMNIKA
b. International Journal of Intelligent System Technologies and Applications (IJISTA) dan
c. International Journal of Computer Science Engineering and
Technology (IJCSET)
10. Instansi lain yang telibat
Tidak ada
11. Keterangan lain yang dianggap perlu
Tidak ada
12. Kontribusi Mendasar
Penelitian ini merupakan penelitian dasar pada bidang robotika dan sistem kendali, yang memfokuskan kontribusinya untuk menghasilkan sebuah model multi-robot bergerak dan algoritma pengendalian formasi multi-robot yang efektif. Bidang kajian ini sangatlah relevan, karena hasil penelitian ini dapat diaplikasikan pada aspek akademik, industri, perkantoran, keamanan dan hiburan yang mendidik.
BAB 1. PENDAHULUAN
1. 1. Latar Belakang
Teknologi dan aplikasi robot terus berkembang secara cepat. Di dalam teknologi robot, tergabung beberapa tema-tema penelitian yang juga berkembang, seperti teknologi sensor, teknologi motor, teknologi suplai daya, teknologi telekomunikasi, teknologi pengendalian dan teknologi kecerdasan buatan (Nehmzow, 2001). Sedangkan pengaplikasian robot telah merambah berbagai bidang kehidupan, dari mulai bidang akademik, industri, perkantoran, hiburan sehingga bidang kedokteran (Keramas, 1999).
Robot bergerak (mobile robots) adalah salah satu jenis robot yang memiliki kemampuan untuk bekerja yang lebih fleksibel dalam ruang tiga dimensi dan dapat beraktifitas tanpa intervensi manusia (Mondada dan Floreano, 1996). Karena aplikasinya yang luas dan perkembangan teknologi pendukungnya berkembang sangat cepat, penyelidikan di bidang robot bergerak menjadi topik yang menarik bagi para peneliti (Nehmzow, 2000).
Pada dekade ini, para peneliti mulai mengubah arah penelitiannya, dari investigasi sistem robot tunggal kepada koordinasi sistem multi-robot. Secara umum, sistem multi-robot diklaim dapat meningkatkan efisiensi, keandalan, dan fleksibilitas system (Wawerla et al, 2002). Beberapa aplikasi sistem multi-robot terdapat dalam pemanfaatan robot pada kerja-kerja surveilans, pencarian dan penyelamatan (SAR), sistem pengamanan dan pengamatan, eksplorasi daerah tak dikenal atau berbahaya (Parker, 2007).
Salah satu pendekatan yang banyak digunakan untuk mengendalikan sistem multi-robot adalah dengan menerapkan sistem pengendalian formasi dengan memanfaatkan mekanisme robot leader-follower (Chen dan Wang, 2005) (Shao, dkk, 2005). Performa kinerja sistem multi-robot ini akan ditentukan oleh kehandalan sistem pengendalian yang digunakan.
Untuk mendapatkan performa kinerja sistem multi-robot yang handal, maka para peneliti telah mencoba menerapkan beberapa jenis sistem pengendalian. Beberapa sistem pengendalian teknik klasik telah dirancang, namun pada sistem multi-robot keadaan sistem dan lingkungannya tidak begitu akurat dan selalu
Salah satu sistem pengendalian yang dianggap mampu untuk menyelesaikan problema sistem multi-robot adalah sistem pengendalian berbasis logika fuzzy (Fuzzy Logic Controller) (Lee, 1990). Sayangnya, teknik ini memiliki suatu kelemahan. Kelemahan utama dari metodologi ini adalah bagaimana teknik untuk menentukan harga optimum dari beberapa parameter Logika Fuzzy yang harus ditala terlebih dahulu (Vaneshani dan Jazayeri, 2011). Diperlukan sebuah algoritma pencari harga maksimum, seperti Particle Swarm Optimization (PSO). PSO adalah teknik optimasi dengan mensimulasikan perilaku social makhluk hidup kecil, seperti sekawanan ikan atau burung, yang bergerak sesuai dengan tujuan tertentu (Kennedy and Eberhart, 1995) dan (Eberhart and Shi, 2001).
Dalam penelitian ini, diusulkan untuk menemukan optimum beberapa parameter pada Logika Fuzzy menggunakan algoritma PSO. Algoritma ini merupakan metoda pencarian beberapa parameter untuk menghasilkan sistem yang optimum. Penggabungan kedua metoda, disebut dengan Particle Swarm Fuzzy
Controller (PSFC), diharapkan dapat menghasilkan sistem pengendali formasi yang
andal dan robust dalam rangka mendapatkan kinerja sistem multi-robot yang baik.
1.2. Perumusan Masalah
Pada umumnya, penelitian pada bidang robot bergerak, harus
mempertimbangkan karakteristiknya yang khas, yaitu: robot bergerak harus menghadapi lingkungan yang kompleks, memahami hasil pemindaian yang tidak presisi, namun harus menentukan tindakan dengan aktuator yang tidak tepat dalam waktu respon yang cepat. Untuk sistem multi-robot, masalah tersebut di atas ditambah lagi dengan mekanisme pengendalian formasi antar robot, sehingga robot-robot tersebut dapat bekerja sesuai dengan tugas yang diberikan kepadanya.
Maka, untuk melakukan pengkajian mengenai sistem multi-robot harus dimiliki serangkaian model robot yang bergerak dengan kecepatan (v) dan arah (ω), dapat memperlihatkan posisinya (xr,yr,θr) pada sebuah koordinat kartesius dan
mengetahui jarak (d) serta orientasi (δ) antar robot. Selain itu, diperlukan pula sebuah algoritma pengendalian yang mengatur formasi sistem multi-robot berdasarkan jarak (d) dan orientasi (δ) antar robot berdasarkan formasi tertentu.
Oleh karena itu, penelitian ini berupaya untuk menyelesaikan beberapa masalah pada sistem multi-robot. Pertama adalah bagaimana menghasilkan serangkaian model sistem multi-robot yang dapat bergerak sesuai dengan tugas dan
fungsinya dengan memberikan informasi tentang posisi dan lingkungannya. Kedua adalah bagaimana merancang sebuah algoritma pengendalian yang dapat mengendalikan formasi sistem multi-robot dengan formasi tertentu. Algoritma ini akan memberikan keputusan dengan cara menghubungkan informasi mengenai jarak (d) dan orientasi (δ) antar robot dengan kecepatan (v) dan arah (ω) tiap-tiap robot dengan logika fuzzy. Ketiga, bagiamana mendapatkan logika fuzzy yang optimal menggunakan PSO agar mendapatkan parameter terbaiknya.
BAB 2. TINJAUAN PUSTAKA
2.1. Sistem Multi-robot
Sistem multi-robot adalah suatu sistem dari suatu entitas robot yang bekerja bersama untuk menyelesaikan tugas tertentu. Beberapa bidang yang termasuk dalam kajian sistem multi-robot, antara lain adalah: distributed intelligence, distributed
artificial intelligence, multi-agent system dan multi-robot system (Parker, 2007).
Dengan sistem multi-robot, sistem yang ada dapat dikerjakan secara bersama dengan menggunakan robot yang murah dan sederhana (Wawerla et al, 2002).
Pada pendekatan leader follower, salah satu robot ditetapkan sebagai leader sedangkan sisanya ditentukan sebagai robot follower. Robot-robot follower akan memposisikan diri mereka dan mempertahankannya relatif terhadap robot leader (Monterion dan Bicho, 2008) (Yun dkk, 2008). Dalam rangka mengendalikan formasi dengan pendekatan leader follower, telah ditentukan terlebih dahulu pergerakan robot leader dan posisi relatif antara robot leader dan follower. Oleh karena itu, problem pengendalian formasi dapat dipandang sebagai pengembangam dari problem pengendalian pelacakan lintasan biasa.
Untuk menyelesaikan problem tersebut, maka para peneliti telah mencoba menerapkan beberapa jenis sistem pengendalian. Beberapa sistem pengendalian konvensional yang digunakan antara lain adalah metoda sliding mode (Sanchez dan Fierro, 2003), metode feedback linearization (Mariottini dkk, 2005), metoda
backbackstepping (Li, Xiao dan Cai, 2005) dan metoda Pengendali PD (Cruz dan
Carelli, 2006). Sistem pengendalian tersebut memerlukan model yang lengkap dan presisi. Namun, pada sistem multi-robot keadaan sistem dan lingkungannya tidak begitu akurat dan selalu berubah-ubah dengan cepat sehingga sulit dimodelkan secara presisi. Oleh karena itu, diperlukan sistem pengendalian modern untuk mengatasi problem tersebut.
Salah satu sistem pengendalian yang dianggap mampu untuk menyelesaikan problema pengendali formasi pada sistem multi-robot adalah sistem pengendalian berbasis logika fuzzy (Fuzzy Logic Controller) (Lee, 1990). Karakteristik utama Logika Fuzzy adalah kekokohan mekanisme penalaran dan pengambilan keputusan yang interpolatif sehingga sesuai untuk sistem yang tidak presisi dan informasi yang tidak lengkap (Zadeh, 1965). (Zadeh, 1997).
2.2. Pengendali Logika Fuzzy (Fuzzy Logic Controller)
Pemakaian konsep teori logika fuzzy dilatar-belakangi oleh adanya suatu transisi yang berangsur-angsur (gradual, fuzzy) antara suatu penggolongan dengan penggolongan yang lain, atau dengan batasan yang samar (Zadeh, 1965) (Zadeh, 1997). Pengendali logika fuzzy dapat digabung dengan sistem untuk membentuk suatu sistem pengaturan loop tertutup seperti pada Gambar 1 berikut (Lee, 1990):
Gambar 1. Sistem pengendali logika fuzzy
Bagian-bagian pada pengendali logika fuzzy adalah fuzzifikasi, basis pengetahuan, logika pengambilan keputusan, dan defuzzifikasi. Gambar 2 ini memperlihatkan elemen-elemen utama dari pengendali logika fuzzy, yaitu: Fuzzifikasi Basis Data, Basis Kaidah, Logika Pengambilan Keputusan, dan Defuzzifikasi. Fuzzifikasi dan Defuzzifikasi memerlukan sebuah proses pemetaan yang disebut dengan Membership Function (Fungsi Keanggotaan).
2.3. Particle Swarm Optimization (PSO)
PSO adalah teknik optimasi dengan mensimulasikan perilaku social makhluk hidup kecil, seperti sekawanan ikan atau burung, yang bergerak sesuai dengan tujuan tertentu (Kennedy and Eberhart, 1995) dan (Eberhart and Shi, 2001). Prinsip kerja PSO adalah sebagai berikut. Setiap solusi potensial, disebut dengan partikel. Setiap partikel berupaya dari waktu ke waktu untuk memodifikasi posisinya menggunakan kecepatan dan posisi sesaatnya. Posisi terbaik menggambarkan temuan parameter terbaik dari sebuah permasalahan tertentu.
Terdapat beberapa penelitian yang telah dilakukan untuk menyelesaikannya proses pencarian harga optimum. Esmin et al. (2003) berusaha untuk meningkatkan kinerja dari model logika fuzzy melalui fungsi keanggotaan menggunakan PSO dan dibandingkan dengan GA. Hasil simulasi menunjukkan bahwa kedua algoritma memberikan hasil yang lebih baik dari kontrol fuzzy secara manual, tapi PSO lebih mudah diterapkan daripada GA dan memiliki janji yang besar untuk proses optimasi.
Selain itu, Elwer et al. (2003) mengajukan pendekatan untuk kontrol kecepatan Permanent Magnet Synchronous Motor (PMSM) menggunakan algoritma PSO untuk mengoptimalkan parameter FLC. PMSM ini mendorong untuk kendaraan listrik. PSO dengan berat inersia tetap telah digunakan untuk mengoptimalkan faktor skala dari FLC. Hasil simulasi menunjukkan bahwa metode memberikan dorongan yang kuat, dengan respon lebih cepat dan dinamika akurasi yang lebih tinggi.
Selanjutnya, Venayagamoorthy dan Dokter (2004) berusaha untuk mengoptimalkan fungsi keanggotaan dan rule base dari FLC menggunakan algoritma PSO untuk navigasi segerombolan sensor mobile. Perbaiki parameter PSO, yaitu inersia berat konstan, kognitif dan akselerasi sosial telah dilaksanakan. Dilaporkan bahwa kinerja sistem yang diperoleh berdasarkan strategi ini efisien, ekonomis dan dapat diandalkan.
Pada penelitian ini, dirancang Particle Swarm Fuzzy Controller (PSFC), yaitu sistem fuzzy yang ditambahkan dengan kemampuan pembelajaran menggunakan PSO. PSO diimplementasikan di sistem fuzzy untuk melakukan pencarian parameter sistem fuzzy yang handal untuk suatu problem tertentu. PSFC akan diterapkan secara dua tahap (Andi dan Amin, 2006) . Pada tahap pertama, PSO melakukan pencarian aturan sistem fuzzy (fuzzy rule base) berdasarkan nilai fungsi keanggotaan (membership function) yang ditentukan terlebih dahulu. Pada tahap kedua, pencarian
dilakukan untuk mendapatkan nilai fungsi keanggotaan berdasarkan aturan sistem fuzzy yang dihasilkan.
2.4. Studi Pendahuluan
Pada penelitian ini, telah dilakukan beberapa studi pendahuluan untuk melakukan tahap pemodelan pergerakan robot tunggal dan proses posisi antar robot. Pemodelan yang telah dilakukan ini berdasarkan penelitian peneliti terdahulu yang telah dipublikasikan (Adriansyah dan Amin, 2007) dan (Adriansyah dan Amin, 2008). Selain itu, telah dirancang pula, PSO dengan SDIW yang dapat meningkatkan optimalisasi parameter yang dihasilkan.
a. Pemodelan Robot Tunggal
Masing-masing robot akan dimodelkan dalam bentuk lingkaran silindris. Robot dialokasikan pada sebuah ruang berkoordinat kartesius XOY dengan menganggap bahwa posisi robot adalah pc = (xc, yc, θc), dimana (xc, yc), sebagaimana
terlihat pada Gambar 3(a). Prinsip pergerakan robot dimodelkan menggunakan metoda differential drive model (Dudek and Jenkin, 2000) atau differentially steered
drive system (Lucas, 2000). Sistem ini berasaskan 2 (dua) buah motor yang
ditempatkan pada aksis bersama dan dikendalikan secara terpisah. Pergerakan ini akan mengakibatkan robot akan memiliki kecepatan translasi, vc, dan kecepatan
rotasi, ωc, yang beragam. Berdasarkan kombinasi ini, maka robot dapat bergerak ke
posisi yang berbeda dengan orientasi yang berbeda pula sesuai dengan fungsi waktu. Proses pergerakan robot tunggal diilustrasikan pada Gambar 3(b).
(a) (b) xc yc D 2r θc C X Y O
b. Pemodelan Posisi Relatif Antar Robot
Posisi relative robot terhadap titik tujuan dapat dikalkulasi berdasarkan posisi dan orientasi robot dengan robot lainnya ditentukan. Posisi relative robot dikenali dengan variabel jarak (d) dan orientasi (δ), dimana:
2 2 ) ) ( ( ) ) ( (x t xg y t yg d (1) ) ( ) ( ( ) ) ( ( tan t x t x y t y arc g g (2)
Variabel jarak (d) dan orientasi (δ) ini akan digunakan sebagai masukan agar robot dapat memiliki kemampuan mengatur posisinya dengan formasi tertentu.
c. Perancangan PSO dengan SDIW
Telah dirancang peningkatan fungsi PSO dengan pemanfaatn sebuah fungsi nonlinear yang memodulasi harga inertia weigth terhadap waktu untuk meningkatkan performa PSO. Dibanding harus menaikkan harga inertia weigth secara linear, fungsi ini menurunkan harga inertia weigth berdasarkan fungsi sigmoid, sebagaimana tergambar pada Gambar 4. Berdasarkan pengujian, fungsi ini berhasil meningkatkan optimalisasi parameter yang dihasilkan (Adriansyah dan Amin, 2006).
BAB 3. TUJUAN DAN MANFAAT PENELITIAN
Tujuan khusus penelitian ini adalah merancang sistem multi-robot yang dapat menyelesaikan tugas-tugas sederhana di area tertentu. Tujuan khusus ini akan ditunjang oleh beberapa tujuan pendukung, yaitu:
1. Merancang sebuah model matematika sistem multi-robot yang dapat melakukan pergerakan dan memindai lingkungannya
2. Merancang sebuah algoritma sistem pengendali yang mampu melakukan koordinasi pada sistem multi robot dengan formasi tertentu yang berbasiskan logika fuzzy
3. Merancang teknik optimasi PSO yang terbaik dalam rangka mendapatkan parameter logika fuzzy optimum sehingga terbentuk sistem pengendali yang andal dan robust
Penelitian ini merupakan integrasi pengkajian dasar pada bidang robotika dan sistem pengendali, yang memfokuskan kontribusinya dalam rangka menghasilkan sebuah proses pemodelan multi-robot bergerak dan pengenalan lingkungannya serta proses perancangan algoritma pengendalian formasi robot yang efektif. Bidang kajian ini sangatlah relevan dalam bidang penelitian/pendidikan, industri dan masyarakat luas. Karena pengembangan dari hasil penelitian ini dapat diimplementasikan untuk menggerakkan beberapa buah robot dalam formasi tertentu. Robot-robot dalam formasi tersebut dapat diaplikasikan pada aspek akademik pada proses pengajaran perkuliahan di bidang teknik elektro dan teknik mesin, aktifitas pemindahan material pada proses industri atau perkantoran, aktifitas keamanan pada daerah berbahaya atau sulit dan hiburan yang mendidik masyarakat.
BAB 4. METODE PENELITIAN
Penelitian ini dilaksanakan berdasarkan permasalahan dan tujuan sebagaimana telah dijelaskan di atas. Pelaksanaan penelitian ini mengandung beberapa metode, seperti kajian pustaka, pemodelan dan simulasi komputer serta implementasi pada robot laboratorim NXT Mindstorm. Alur penelitian diperlihatkan pada Gambar 6.
Gambar 6. Alur Penelitian
Kajian Pustaka adalah langkah pertama dari penelitian ini untuk mengumpulkan sebanyak mungkin informasi dan ide serta memperkaya untuk wawasan mengenai sistem multi-robot, tahapan perancangan arsitektur pengendali sebuah robot serta mekanisme komunikasi dan interaksinya. Teori-teori dasar dan persamaan-persamaan matematika untuk mekanisme pergerakan robot akan diperdalam untuk mendapatkan model matematika yang sesuai bagi tiap robot, sistem multi-robot dan posisi antar robot. Selain itu, kajian pustaka ini dilakukan untuk mempertajam sistem Pengendali Logika Fuzzy dan PSI serta posisinya pada penelitian sistem multi-robot lainnya.
Perangkat lunak MATLAB Versi 7.6 R2008a akan digunakan untuk mensimulasikan model sistem multi-robot ini. Proses pemodelan robot dikerjakan terlebih dahulu. Beberapa persamaan matematika akan diujikan melalui simulasi ini.
Kajian Pustaka Robot Kajian Pustaka Pengendali Pemodelan Robot Tunggal Pemodelan Pengendali Logika Fuzzy
Pemodelan PSO dan Perancangan PSFC yang optimal Pemodelan Multi-Robot dan Parameter Posisi antar Robot Implementasi Multi-Robot NXT Mindstorms dengan PLF dan PSFC serta komparasinya
Tahap I (Tahun Pertama) Tahap II (Tahun Kedua)
Implementasi Robot Tunggal NXT Mindstorms Implementasi Multi-Robot NXT Mindstorms
Selain itu, variabel-variabel tertentu, seperti kecepatan (v dan ω), posisi dan jalur perjalanan robot akan dikumpulkan pula. Setelah itu, pemodelan sistem pengendalian formasi multi-robot. Pergerakan keseluruhan robot, termasuk mekanisme pengendalian formasi multi-robot divisualisasikan berupa simulasi berdasarkan model matematika yang telah dihasilkan sebelumnya.
Setelah didapatkan model pergerakan robot secara individual seperti yang
telah dijelaskan pada bab sebelumnya, penelitian dilanjutkan dengan
mengembangkan model untuk formasi multi-robot dan posisinya. Sistem pemformasian yang digunakan adalah sistem leader – follower, dimana sebuah robot akan menjadi leader dan beberapa robot lainnya akan berperan sebagai follower. Robot follower akan menempati posisi tertentu relatif terhadap robot leader. Formasi yang akan dikaji secara mendalam adalah formasi V, seperti yang tampak pada Gambar 7(a). Kemudian, berdasarkan pergerakan robot, baik robot leader maupun robot follower, akan terjadi perbedaan antara posisi robot follower yang seharusnya dengan robot follower yang sebenarnya. Perbedaan yang terjadi meliputi perbedaan jarak, dL, dan perbedaan sudut, dθ, sebagaimana diilustrasikan pada Gambar 7(b).
(a) (b)
Gambar 7. Robot-Majemuk dalam Formasi V: (a) Model dan (b) Parameter yang diukur
Kemudian, Pengendali Logika Fuzzy dirancang untuk dapat memberikan sistem pengendalian dengan mengambil masukan berupa perbedaan posisi dL, dan
keanggotaan (membership function) untuk masing-masing masukan dan keluaran. Setelah itu, akan dirancang pula aturan-aturan yang menghubungkan setiap fungsi keanggotaan dari masing-masing robot follower.
Lalu, PSFC akan dirancang secara dua tahap. Pada tahap pertama, PSO melakukan pencarian aturan sistem fuzzy (fuzzy rule base) berdasarkan nilai fungsi keanggotaan (membership function) yang ditentukan terlebih dahulu. Pada tahap kedua, pencarian dilakukan untuk mendapatkan nilai fungsi keanggotaan berdasarkan aturan sistem fuzzy yang dihasilkan. Parameter fuzzy yang telah ditemukan nilai optimalnya akan diuji keandalannya secara berurutan.
Pada dua bagian di atas, beberapa parameter, seperti: waktu (s), jarak (d), dan penyimpangan (ed) jarak akan dikaji mendalam. Bagian ini akan diakhiri dengan
penerapan PSFC pada model sistem multi-robot yang telah diujikan sebelumnya, termasuk juga paramater-parameter sebelumnya.
Setelah proses pemodelan dan simulasi selesai, maka penelitian akan memasuki tahap pengimplementasi algoritma keseluruhan sistem multi-robot ini. Keseluruhan sistem pengendalian sistem multi-robot akan diimplementasikan ke dalam sejumlah robot laboratorium bernama Lego NXT Mindstorms robot, sebagaimana terlihat pada Gambar 8.
Gambar 8. Robot Lego NXT Mindstorms
Robot ini biasa digunakan sebagai robot penelitian untuk membuktikan performansi yang telah dirancang sebelumnya. Robot dilengkapi oleh beberapa jenis sensor dan alat komunakasi wireless jenis Bluetooth yang dapat digunakan pada masa percobaan. Dengan menggunakan robot ini, akan dibandingkan antara hasil proses pemodelan dan simulasi dengan hasil implementasi program tersebut dalam robot sebenarnya.
Beberapa tahapan implementasi dilakukan, mulai dari implementasi robot tunggal, implementasi sistem multi-robot tanpa pengendali, implementasi sistem multi-robot dengan pengendali logika fuzzy (PLF) dan terakhir implementasi sistem multi-robot dengan pengendali PSFC. Beberapa parameter, seperti: waktu (s), jarak (d), dan penyimpangan (ed) jarak akan dikaji mendalam dan dibandingkan terhadap
keseluruhan metoda yang diujikan, sebagaimana diperlihatkan pada Gambar 9.
0 1 2 3 4 5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 (m ) (m) 0 2 4 6 8 10 12 14 16 18 20 -0.1 -0.05 0 0.05 0.1 d e lt a s u d u t (d e g ) 0 2 4 6 8 10 12 14 16 18 20 0 0.02 0.04 0.06 0.08 0.1 d e lt a j a ra k ( m ) waktu (detik)
Gambar 9. Rencana Luaran Hasil Simulasi Pergerakan Multi-robot dan Analisanya
Seluruh penelitian akan dilaksanakan di Universitas Mercu Buana, dengan memanfaatkan beberapa laboratorium yang ada, seperti: Lab Komputer dan Simulasi, Lab Mikroprosesor dan Lab Mekatronika.
BAB 5. HASIL DAN PEMBAHASAN
Berdasarkan pembahasan sebelumnya, maka telah dirancang model matematika berupa sebuah model robot. Model robot yang dirancang berbentuk silindris dengan diameter 20 cm. Pada robot terdapat sebuah garis sebagai penunjuk arah gerakan robot. Gambar 10 memperlihatkan model robot hasil perancangan untuk menjadi sebuah sistem multi-robot.
0.5 1 1.5 0.5 0.6 0.7 0.8 0.9 1 1.1 1.2 1.3 1.4 1.5
Gambar 10. Robot hasil perancangan
Kemudian, robot diuji kemampuannya untuk bermanuver dalam ruangan. Beberapa pergerakan telah dicoba. Gambar 11 memperlihatkan kemampuan robot bermanuver dalam beberapa jenis pergerakan, yaitu pergerakan maju, berbelok ke kanan, berbelok ke kiri dan maju kembali.
0 0.5 1 1.5 2 2.5 3 0 0.5 1 1.5 2 2.5 3
Gambar 11. Pergerakan robot tunggal dengan kombinasi pergerakan
Berdasarkan pergerakan robot tunggal yang ditampilkan pada Gambar 5.2, dapat dikatakan bahwa pergerakan robot tunggal tersebut sudah baik, karena mampu bergerak dengan pergerakan maju, belok kanan dan belok kiri dengan sempurna.
Kemudian, untuk menguji kemampuan komunikasi dalam sistem multi-robot, ketiga robot disusun dalam formasi segitiga. Dalam formasi segitiga itu, sebuah robot dijadikan sebagai robot leader dan dua robot lainnya sebagai robot follower. Robot leader bergerak dengan pergerakan yang telah diprogram terlebih dahulu, sementara robot follower tidak diberikan program pergerakan. Robot follower bergerak sesuai dengan pergerakan yang diperintahkan oleh robot follower. Posisi robot leader dan robot follower diperlihatkan pada Gambar 12.
0.5 1 1.5 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 0.55 0.6
Gambar 12. Formasi Sistem Multi-robot
Terdapat tiga pengujian sistem komunikasi pada multi-robot ini, yaitu: pergerakan lurus, pergerakan melingkar dan pergerakan kombinasi. Untuk mempermudah analisa, pergerakan dan data pergerakan ditampilkan dalam bentuk gambar dan tabel. Dalam gambar, robot leader diperlihatkan dengan warna biru, sedangkan robot follower ditampilkan dengan warna merah.
0 0.5 1 1.5 2 2.5 3 0 0.5 1 1.5 2 2.5 3
Gambar 13. Pergerakan Lurus pada Sistem Multi-robot
Pada Gambar 13 tampak bahwa multi-robot dapat bergerak dengan baik dengan formasi segitiga yang dapat dipertahankan. Hal ini dapat dikatakan bahwa komunikasi antara robot leader dengan dua buah robot follower telah berlangsung dengan efektif, dimana robot-robot bergerak dengan kecepatan yang sama sesuai dengan perintah yang dikirimkan oleh robot leader.
Hasil pergerakan dan data pergerakan multirobot dalam gerakan berbelok ke kanan diperlihatkan pada Gambar 14. dan Tabel 1.
0 0.5 1 1.5 2 2.5 3 0 0.5 1 1.5 2 2.5 3
Gambar 14. Pergerakan Melingkar pada Sistem Multi-robot
Pada Gambar 14 tampak bahwa robot bergerak dengan kecepatan dan arah yang sama, namun mengakibatkan terjadi perubahan formasi segitiga. Tabel 1 memperlihatkan bahwa terjadi perubahan posisi robot dari posisi formasi segitiga yang seharusnya. Hal ini terjadi karena robot leader melakukan gerakan berbelok ke kanan yang ternyata diikuti langsung oleh robot follower sehingga terjadi perubahan formasi yang berakumulasi.
Tabel 1. Data Pergerakan Multi-robot Gerakan Berbelok ke Kanan
Kecepatan Jarak Deviasi Formasi
Robot Leader Robot
Follower1 Robot Follower2 Kanan (m/s) Kiri (m/s) dx (m) dy (m) dx (m) dy (m) 0.12 0.08 0.00 0.00 0.00 0.00 0.12 0.08 0.01 -0.01 0.01 0.01 0.12 0.08 0.02 -0.02 0.02 0.02 0.12 0.08 0.03 -0.03 0.03 0.03 0.12 0.08 0.04 -0.04 0.04 0.04 0.12 0.08 0.05 -0.05 0.05 0.05 0.12 0.08 0.05 -0.06 0.06 0.05 0.12 0.08 0.06 -0.08 0.08 0.06 0.12 0.08 0.07 -0.09 0.09 0.07 0.12 0.08 0.08 -0.10 0.10 0.08 0.12 0.08 0.08 -0.11 0.11 0.08 0.12 0.08 0.09 -0.12 0.12 0.09 0.12 0.08 0.10 -0.14 0.14 0.10 0.12 0.08 0.10 -0.15 0.15 0.10 0.12 0.08 0.11 -0.16 0.16 0.11 0.12 0.08 0.11 -0.18 0.18 0.11 0.12 0.08 0.12 -0.19 0.19 0.12 0.12 0.08 0.12 -0.20 0.20 0.12 0.12 0.08 0.12 -0.22 0.22 0.12 0.12 0.08 0.13 -0.23 0.23 0.13 0.12 0.08 0.13 -0.24 0.24 0.13 0.12 0.08 0.13 -0.26 0.26 0.13 0.12 0.08 0.13 -0.27 0.27 0.13 0.12 0.08 0.13 -0.29 0.29 0.13 0.12 0.08 0.14 -0.30 0.30 0.14 0.12 0.08 0.14 -0.31 0.31 0.14
Pengujian terakhir adalah pergerakan multi-robot yang bergerak secara kombinasional, dengan pergerakan maju, berbelok ke kanan, berbelok ke kiri dan maju kembali. Besar sudut gerakan berbelok dirancang simetris antara belok kanan dengan belok kiri. Hasil pengujian dan data pergerakan diperlihatkan pada Gambar 15 dan Tabel 2. 0 0.5 1 1.5 2 2.5 3 0 0.5 1 1.5 2 2.5 3
Gambar 15. Pergerakan Kombinasi pada Sistem Multi-robot
Berdasarkan Gambar 15 dapat dikatakan bahwa secara umum komunikasi antar robot bekerja dengan efektif. Robot follower bergerak dengan kecepatan yang sama dengan robot leader sesuai dengan perintah yang dikirimkan. Namun terjadi perubahan formasi segitiga yang unik. Pada saat gerakan lurus, formasi segitiga dapat dipertahankan dengan baik dan tidak terjadi deviasi posisi, seperti diperlihatkan pada Tabel 2 baris pertama hingga baris ke enam. Tapi, setelah terjadi gerakan belok kanan yang diikuti dengan gerakan berbelok ke kiri terjadi perubahan formasi. Karena pergerakan berbelok simetris maka, formasi dapat terbentuk kembali pada saat multi-robot bergerak lurus kembali.
Tabel 2. Data Pergerakan Multi-robot Gerakan Kombinasi
Kecapatan Jarak Deviasi Formasi
Robot Leader Robot
Follower1 Robot Follower2 Kanan (m/s) Kiri (m/s) dx (m) dy (m) dx (m) dy (m) 0.1 0.1 0.00 0.00 0.00 0.00 0.1 0.1 0.00 0.00 0.00 0.00 0.1 0.1 0.00 0.00 0.00 0.00 0.1 0.1 0.00 0.00 0.00 0.00 0.1 0.1 0.00 0.00 0.00 0.00 0.12 0.08 0.00 0.00 0.00 0.00 0.12 0.08 0.10 0.15 0.15 0.10 0.12 0.08 0.14 0.33 0.33 0.14 0.12 0.08 0.10 0.51 0.51 0.10 0.1 0.1 0.10 0.51 0.51 0.10 0.1 0.1 0.10 0.51 0.51 0.10 0.1 0.1 0.10 0.51 0.51 0.10 0.1 0.1 0.10 0.51 0.51 0.10 0.08 0.12 0.10 0.51 0.51 0.10 0.08 0.12 0.14 0.33 0.33 0.14 0.08 0.12 0.10 0.15 0.15 0.10 0.08 0.12 0.00 0.00 0.00 0.00 0.1 0.1 0.00 0.00 0.00 0.00 0.1 0.1 0.00 0.00 0.00 0.00 0.1 0.1 0.00 0.00 0.00 0.00 0.1 0.1 0.00 0.00 0.00 0.00 0.1 0.1 0.00 0.00 0.00 0.00 0.1 0.1 0.00 0.00 0.00 0.00 0.1 0.1 0.00 0.00 0.00 0.00 0.1 0.1 0.00 0.00 0.00 0.00 0.1 0.1 0.00 0.00 0.00 0.00
Tahap berikutnya adalah perancangan sistem pencarian nilai optimum menggunakan metoda Particle Swarm Optimization. Dalam rangka upaya untuk mendapatkan keseimbangan yang baik antara eksplorasi dan eksploitasi pada proses pencarian, konsep inertia weight, w. Pengujian pada tahap ini difokuskan pada identifikasi harga w yang optimum.
Dari hasil penurunan matematika, diketahui terdapat beberapa daerah yang menentukan keseimbangan yang baik antara eksplorasi dan eksploitasi pada proses pencarian sebagaiamana terlihat pada Gambar 16.
Gambar 16. Daerah Karakteristik Dinamik pada Bidang (w,c)
Dari Gambar 16 di atas, terdapat beberapa daerah (region) yang menarik. Pada Region 1 partikel bergerak osilasi harmonik pada titik keseimbangan sebelum konvergen. Sedangkan pada Region 2, gerakan partikel merupakan kombinasi dari osilasi dan zigzag di sekitar titik keseimbangan sebelum konvergen. Sementara itu, pada Region 3 partikel akan segera konvergen ke titik keseimbangan tanpa osilasi harmonik dan zigzag. Terakhir, pada Region 5 partikel akan berzigzag secara asimetrik di sekitar titik keseimbangan sebelum konvergen tanpa osilasi harmonik. Di luar region-region ini, partikel akan divergen ke arah yang tak tertentu. Trayektori partikel keseluruhan region ditampilkan pada Gambar 17.
w
4
3
2
1
-1
Region 1 Region 2 Region 3 Region 4 Region 5 c 1Gambar 17. Bentuk Trayektori Partikel dan Regionnya
Tetapi, disamping menentukan bentuk trayektori partikel, pasangan parameter diatas juga berpengaruh terhadap kecepatan konvergensi. Sebagai aturan umum, harga w dan c yang semakin dekat dengan pusat dari segitiga kestabilan mempercepat konvergensi. Sedangkan semakin dekan dengan batas-batas terluar segitiga, mememerlukan banyak tahap untuk konvergen sebagaimana digambarkan pada Gambar 18.
Gambar 18. Kecepatan Konvergen Trayektori Partikel dan Regionnya
Berdasarkan analisa konvergensi ini, harga inertia weigth yang besar akan memperlambat konvergen untuk dapat mencapai pencarian secara global. Sebaliknya, harga inertia weigth yang kecil mempercepat konvergen untuk mengarahkan pencarian secara local. Oleh karena itu, dengan menurunkan harga
inertia weigth, w, dari harga yang relatif besar menjadi rendah pada saat proses PSO
berlangsung, membuat proses PSO cenderung untuk meningkatkan kemampuan pencarian global pada saat awalnya dan memiliki kemampuan pencarian local pada saat akhir prosesnya.
Namun, bagaimana menurunkan harga inertia weigth untuk mencapai keseimbangan yang baik pada kemampuan pencarian global dan lokal adalah bukan sesuatu yang mudah. Fungsi sigmoid yang menurunkan harga inertia weight (Sigmoid Decreasing Inertia Weigth (SDIW)) diaplikasikan pada penelitian ini untuk mendapatkan kompromi dari proses eksploitasi dan ekplorasi. Dibanding harus menaikkan harga inertia weigth secara linear, fungsi ini menurunkan harga inertia
Gambar 19. Perbandingan SDIW dan LDIW
Pada SDIW ini, diatur sedemikian rupa sehingga inertia weight berharga besar pada saat awal proses PSO untuk memastikan pencarian global. Setelah itu, harga inertia weigth diset rendah untuk mendapatkan pencarian lokasi pada bagian akhir proses PSO. Terdapat perubahan yang mendadak pada harga inertia weigth dari besar menjadi kecil. Metoda ini memberikan keseimbangan yang memadai antara pencarian global dan local, untuk mendapatkan performa terbaik pada PSO.
Dalam rangka membuktikan pengaruh SDIW ini, beberapa eksperimen dijalankan. Pertama adalah fungsi Sphere, yaitu:
n i i x x f 1 2 0( )dimana x = [x1, x2, …, xn] adalah vektor berharga real dengan dimensi n. Kedua
adalah fungsi Rosenbrock, yaitu
n i i i i x x x x f 1 2 2 2 1 1( ) (100( ) ( 1) )Terakhir, adalah fungsi Griewank, dengan persamaan di bawah ini:
n i n i i i i x x x f 1 1 2 3 cos( ) 1 400 1 ) (Sebagai harga awal dari populasi, pada eksperimen ini, digunakan inisialisasi populasi asimetrik. Tabel 3 di bawah ini menjelaskan jangkauan harga awal dari keempat fungsi di atas.
Tabel 3. Jangkauan Inisialisasi Asimetrik
Fungsi Jangkauan Inisialisasi
Asimetrik
f0 (50 , 100)n
f1 (15 , 30)n
f2 (2.56 , 5.12)n
f3 (300 , 600)n
Untuk setiap fungsi, 3 (tiga) dimensi yang berbeda diujikan, yaitu: 10, 20 dan 30 dimensi. Jumlah generasi maksimum pencarian juga dibuat bervariasi, yaitu: 1000, 1500 dan 1500, untuk masing-masing dimensi 10, 20 dan 30. Selain itu, diujikan pula proses PSO dengan jumlah populasi yang berbeda, yaitu: 20, 40 dan 80. Fungsi sigmoid yang digunakan memiliki harga wstart 0.9 dan wend 0.4, dengan c1
= 2 dan c2 = 2. Untuk mendapatkan partisi yang baik, diujikan harga n yang berbeda,
yaitu: 0.25, 0.5 dan 0.75.
Beberapa hasil eksperimen ditampilkan pada bagian ini. Sebagai perbandingan digunakan metoda menurunkan inertia weight secara linear (Linearly
Decreasing Inertia Weigth, LDIW). Objektif pencarian adalah mendapatkan proses
pencarian yang cepat konvergen dan dengan tingkat akurasi yang tinggi.
Gambar 20 menunjukkan hasil pencarian fungsi Sphere dengan dua ukuran populasi yang berbeda. Tabel 2 menampilkan rata-rata harga fungsi penentu terbaik setelah 30 kali proses. Berdasarkan gambar dan tabel tersebut, dapat dikatakan bahwa untuk fungsi Sphere PSO dengan SDIW dapat mencapai harga yang optimum dengan cepat dan dengan akurasi yang tinggi.
Gambar 20. Hasil Pencarian Fungsi Sphere
Tabel 4 Harga Rata-rata Fungsi Penentu dari Fungsi Sphere
Dim LDIW SDIW
n = 0.25 n = 0.5 n = 0.75
Pop = 20
10 2.6897e-09 5.8519e-35 7.2656e-22 1.3174e-10
20 2.9122e-07 3.5893e-21 9.0725e-08 3.1900e-04
30 5.5721e-05 2.6329e-15 3.7966e-08 3.0000e-03
Pop = 40
10 4.3735e-18 1.6285e-42 6.8196e-27 1.0791e-11
20 6.2059e-10 1.6278e-28 4.9444e-17 1.3624e-06
30 1.0369e-06 4.6623e-21 1.3846e-12 2.9829e-04
Pop = 80
10 8.7638e-19 7.3267e-49 1.3887e-31 1.1554e-12
20 5.7939e-12 6.9927e-32 1.8691e-19 1.4061e-09
30 2.1866e-08 5.6160e-25 2.3648e-15 2.6464e-06
Gambar 21 menunjukkan bahwa hasil pencarian untuk fungsi Rosenbrock. Sementara Gambar 22 dan Gambar 23, masing-masing, menunjukkan hasil pencarain untuk fungsi Rastrigin dan Griewank, dengan populasi berbeda-beda.
Tabel 5 hingga Tabel 7 menampilkan harga rata-rata fungsi penentu setelah 30 kali proses pencarian, untuk masing-masing fungsi diatas.
Gambar 21. Hasil Pencarian Fungsi Rosenbrock
Tabel 5 Harga Rata-rata Fungsi Penentu dari Fungsi Rosenbrock
Dim LDIW SDIW n = 0.25 n = 0.5 n = 0.75 Pop = 20 10 5.0990 3.8001 4.4028 6.2818 20 5.3858 3.9866 4.0420 5.3584 30 6.2131 3.9866 4.0801 5.8690 Pop = 40 10 4.8889 3.3509 4.0093 5.4973 20 4.3776 4.1118 3.9998 8.6896 30 5.5788 4.4133 4.2580 10.5898 Pop = 80 10 4.5707 3.3854 3.9582 5.1686 20 14.3539 10.4202 6.5787 14.5359 30 18.3061 8.8637 4.0649 4.1416
Gambar 22. Hasil Pencarian Fungsi Rastrigin
Tabel 6 Harga Rata-rata Fungsi Penentu dari Fungsi Rastrigin
Dim LDIW SDIW n = 0.25 n = 0.5 n = 0.75 Pop = 20 10 5.9698 3.9798 4.9748 7.9597 20 22.8917 16.9143 19.8992 23.9236 30 45.7682 20.8941 40.7933 49.4858 Pop = 40 10 3.9798 2.9489 2.9849 4.9760 20 15.9194 11.8387 14.9244 17.2506 30 40.7939 31.8387 38.8033 46.7630 Pop = 80 10 2.9849 1.9899 3.9798 4.0131 20 13.9294 11.9395 12.9345 15.9195 30 27.4395 22.8840 27.8588 28.9393
Gambar 23. Hasil Pencarian Fungsi Griewank
Tabel 7 Harga Rata-rata Fungsi Penentu dari Fungsi Griewank
Dim LDIW SDIW n = 0.25 n = 0.5 n = 0.75 Pop = 20 10 0.0984 0.0836 0.0763 0.0960 20 0.0713 0.0662 0.0636 0.0320 30 0.0742 0.6364 0.0271 0.0999 Pop = 40 10 0.0640 0.0787 0.0684 0.0935 20 0.0835 0.0711 0.0614 0.1250 30 0.0737 0.0246 0.0197 0.0866 Pop = 80 10 0.0813 0.0713 0.0615 0.0866 20 0.0492 0.0246 0.0123 0.0710 30 0.0172 0.0148 0.0123 0.0197
Dengan memperhatikan masing-masing kurva diatas, dapat dikatakan bahwa metoda PSO yang ditawarkan bersifat konvergen dengan cepat pada saat awal pencarian. Kemudian, ia akan mengurangi konvergensinya, sehingga mendapatkan hasil yang optimal. Secara keseluruhan, hasil-hasil tersebut menunjukkan bahwa penggunaan SDIW pada PSO akan meningkatkan performa dari PSO dengan cukup baik dibandingkan dengan LDIW. Dari gambar-gambar di atas juga dapat dilihat, bahwa metoda ini dapat digunakan untuk populasi yang berbeda-beda.
Secara keseluruhan, trayektor partikel proses PSO telah dianalisa. Beberapa parameter penting, seperti inertia weight dan koefisien koginitif dan sosial, telah dipelajari. Alasan pemilihan fungsi sigmoid untuk meningkatkan performa PSO telah dibahas pula. Performa PSO dengan SDIW diinvestigasi dan dibandingkan dengan LDIW melalui beberapa pengujian berdasarkan 4 (empat) fungsi penguji. Pengujian menunjukkan bahwa metoda yang ditawarkan mampu meningkatkan performa PSO, baik dari sisi konvergensi maupun akurasinya. Selain itu, metoda ini dapat dijalankan dengan jumlah populasi yang berbeda.
BAB 6. KESIMPULAN DAN SARAN
Secara umum, kegiatan penelitian telah berhasil mendisain sebuah model pergerakan, baik pergerakan robot tunggal maupun pergeraka pada sistem multi-robot. Masing-masing robot telah dirancang berbentuk silindris dengan sistem perhitungan dan iterasi dinamik tertentu. Pergerakan robot tunggal telah diuji dengan hasil yang baik. Sistem multi-robot telah pula diujikan. Secara keseluruhan komunikasi perintah pergerakan dari robot leader ke masing-masing robot follower bekerja dengan baik.
Selain itu telah dirancang pula sistem optimasi menggunakan PSO. Beberapa percobaan untuk mendapatkan PSO yang terbaik telah dilakukan. Fungsi SDIW untuk mendapatkan harga inertia weight terbaik telah didapatkan. Beberapa fungsi telah diuji coba pencapaian nilai optimasinya dengan metoda SDIW pada PSO.
DAFTAR PUSTAKA
Adriansyah, A. dan Amin, S.H.M (2007), Fuzzy Behavior Coordination with Flexible Fuzzy Context Rule using Particle Swarm Optimizaiton,
International Conference on Control, Instrumentation and Mechatronics
(CIM ‘07), Malaysia, 28-29 May 2007.
Adriansyah, A. dan Amin, S.H.M (2008), Learning of Fuzzy Behaviours using
Particle Swarm Optimization in Behaviour-based Mobile Robot.
International Journal of Intelligent System Technologies and Applications
(IJISTA), Vol. 5 – Issue 1/2 - 2008, Inderscience Publishers, ISSN: 1740-8865, pp. 49-67.
Balch, T., dan R.C.Arkin (1998), Behavior-based formation control for multi-robot
teams, IEEE Transaction on Robotics and Automation, 14 (6), pp. 926-939,
1998
Chen, Y.Q dan Wang, Z (2005), Formation control: a review and a new
consideration, Proc. IEEE Internacional Conference on Intelligent Robots and
Systems, pp. 3181-3186, Agustus 2005.
Cruz, C.D.L dan Carelli, R. (2006), Dynamic modeling and centralized formation
control of mobile robots, Proc. IEEE Conference on Industrial Electroanics, pp.
3880-3885, November 2006
Dudek, G. and Jenkin, M. (2000). Computational Principles of Mobile Robotics. 1st ed. Cambridge, MA: Cambridge University Press.
Egerstedt, M dan Hu, K (2001)., Formation contrained multi-agent control, Proc. IEEE International Conference on Robotics adn Automatiion, pp. 3961-3966, Korea, May 2001.
Gerkey, B.P. dan Mataric, M.J. (2003), A Formal Analysis and Taxonomy of Task
Allocation in Multi-robot Systems, International Journal of Robotics
Research, USA, 2003.
Keramas, J. G. (1999), Robot technology fundamentals, Delmar Publishers: New Cork, 1999
Lee, C. (1990). Fuzzy Logic in Control Systems: Fuzzy Logic Controller (Parts I and II). IEEE Transaction on Systems, Man, and Cybernetics. 10(2): 404-434.
Li, X., Xiao, J., dan Cai, Z. (2005), Backstepping based multiple mobile robots
formation control, Proc. IEEE International Conference on Intelligent Robots
and Systems, pp. 887-892, Agust, 2005
Lucas, G.W. (2000) A Tutorial and Elementary Trajectory Model for the Differential
Steering System of Robot Wheel Actuators. The Rossum Project. Unpublished.
Mariottini, G.L, dkk (2005). Visionbased Localization of Leader-Follower Formations. In Proc. 44th IEEE Conference on Decision and Control, pages 635–640, 2005.
Miglino, O., Lund. H. And Nolfi, S. (1995). Evolving mobile robots in simulated and real environments. Technical Report NSAL-95007, Roma. 1995.
Nehmzow, U. (2000). Mobile Robotics: A Practical Introduction. London: Springer-Verlag.
Nehmzow, U. (2001). Mobile Robotics: Research, Applications and Challenges, Proceeding of Future Trends in Robotics, Institution of Mechanical Engineer, London, UK. 2001.
Parker, L. E., (2007). Distributed Intelligence: Overview of the Field and its
Application in Multi-Robot Systems, 2007 AAAI Fall Symposium, pp. 1-6,
The AAAI Press, California, 2007
Sanchez, J., dan Fierro, R. (2003), Sliding Mode Control for Robot Formations, Proc. IEEE International Symposium on Intelligent Control, pp. 483-443, 2003. Shao, J., dkk. (2005), Leader-following Formation Control of Multiple Mobile
Robots, Proc. IEEE/RSJ International Symposium on Intelligent Control, pp.
808-813, 2005.
Tunstel, E.W (1995). Coordination of Distributed Fuzzy Behaviors in Mobile Robot.
IEEE International Conference on Systems, Man, & Cybernetics. Canada,
October 1995. 4009-4014.
Wawerla, J. et al (2002), Collective Construction with Multipler Robots, Proceeding of the International Conference on Intelligence Robots and Systems, Switzerland, 2002
Yun, B., dkk (2008)., A leadaer-follower formation flight control scheme for UAV
helicopters, Proc. IEEE International Conference on Automatics and Logistics,
pp. 39-44, China, 2008.
Zadeh, L.A. (1997). The Roles of Fuzzy Logic and Soft Computing in the Conception, Design and Deployment of Intelligence Systems. Software Agents
LAMPIRAN 1. REKAPITULASI PENGGUNAAN DANA
PUSAT PENELITIAN UNIVERSITAS MERCU BUANA
LAPORAN REKAPITULASI PENGGUNAAN DANA PENELITIAN
JUDUL PENELITIAN : Perancangan Pengendali Formasi Pada Sistem
Multi-Robot Mengunakan Particle Swarm Fuzzy Controller (PSFC)
JENIS PENELITIAN : Hibah Fundamental
TAHUN : 2014
No. Uraian Pemasukan (Rp) Pengeluaran (Rp)
1. Nilai Kontrak 54.875.000
2. Biaya Upah/HR 18.000.000
3. Belanja Bahan 17.100.000
4. Belanja Perjalanan 8.854.262
5. Belanja Barang Operasional Lainnya 10.945.300
Total Pengeluaran 54.899.562
LAMPIRAN 2. LOGBOOK
No. Tanggal Kegiatan
1 3 Maret 2014 Diskusi Tim Peneliti mengenai aktifitas penelitian.
Pembahasan difokuskan pada Tahap Persiapan dan Studi Pustaka
2 10 Maret 2014 Diskusi Tim Peneliti mengenai aktifitas penelitian.
Pembahasan difokuskan pada Tahap Persiapan
Lanjutan dan Studi Pustaka
3 17 Maret 2014 Diskusi Tim Peneliti mengenai aktifitas penelitian.
Pembahasan difokuskan pada Tahap Persiapan
Peralatan dan Tahap Simulasi
4 1 April 2014 Melakukan pemrograman robot tunggal dengan
MATLAB, mengendalikan gerakan robot: gerakan lurus, gerakan miring dan gerakan kombinasi
5 14 April 2014 Melakukan pemrograman robot tunggal dan majemuk
dengan MATLAB, mengendalikan gerakan robot majemuk: gerakan lurus, gerakan miring dan gerakan kombinasi
6 28 April 2014 Melakukan pemrograman MATLAB peningkatan
performance PSO, dengan mengubah dan menguji parameter inertia weight
Ketua Peneliti
No. Tanggal Kegiatan
7 12 Mei 2014 Melakukan percobaan MATLAB untuk menguji
komparasi parameter PSO yang terbaik, dibandingkan dengan metoda lain
8 26 Mei 2014 Melakukan percobaan MATLAB untuk menguji
komparasi parameter PSO yang terbaik dan
diimplementasikan pada fungsi Sphere
9 2 Juni 2104 Melakukan percobaan MATLAB untuk menguji
komparasi parameter PSO yang terbaik dan
diimplementasikan pada fungsi Rosenbrock
10 9 Juni 2104 Melakukan percobaan MATLAB untuk menguji
komparasi parameter PSO yang terbaik dan
diimplementasikan pada fungsi Rastrigin
11 16 Juni 2104 Melakukan percobaan MATLAB untuk menguji
komparasi parameter PSO yang terbaik dan
diimplementasikan pada fungsi Griewank
12 23 Juni 2104 Diskusi Tim Peneliti untuk pembuatan paper publikasi
ke EECCIS 2014 di Universitas Brawijaya dan ICON-CSE di Universitas Sriwiajaya
13 30 Juni 2104 Diskusi Tim Peneliti untuk finalisasi Laporan
Kemajuan Penelitian (70%) dan penjilidan Laporan Kemajuan Penelitian
Ketua Peneliti
No. Tanggal Kegiatan
14 11 Juli 2014 Melakukan percobaan MATLAB untuk menguji
penggunaan Fuzzy Logic Controller
15 25 Juli 2014 Melakukan percobaan MATLAB untuk menguji
penggunaan Fuzzy Logic Controller dengan PSO (Percobaan Awal)
16 15 Agustus 2014 Melakukan percobaan MATLAB untuk menguji
penggunaan Fuzzy Logic Controller dengan PSO (Percobaan Kedua)
17 29 Agustus 2014 Perjalanan Seminar Internasional EECCiSS 2014 di
Universitas Brawijaya, Malang
18 12 September 2014 Melakukan percobaan MATLAB untuk menguji
penggunaan Fuzzy Logic Controller dengan PSO (Percobaan Ketiga)
19 3 Oktober 2014 Perjalanan Seminar Internasional ICON-CSE 2014 di
Universitas Sriwijaya, Palembang
20 30 Oktober 2104 Diskusi Tim Peneliti untuk pembuatan paper publikasi
ke TEKNOIN 2014 di UII, YOgyakarta
20 8 November 2104 Diskusi Tim Peneliti untuk finalisasi Laporan
Kemajuan Penelitian (100%) dan penjilidan Laporan Kemajuan Penelitian
Ketua Peneliti
LAMPIRAN 3. LUARAN
1. Seminar Internasional
Andi Adriansyah dan Ahmad Wahyu Dhani, Design of Small Smart Home System
based on Arduino, The 7th Electrical Power, Electronics, Communication,
Controls and Informatics International Seminar, Malang, Universitas Brawijaya, 27 Agustus 2014
Andi Adriansyah, Design Context Dependent Blending (CDB) in Behaviour Base
Robot using Particle Swarm Fuzzy Controller, Internastional Conference on
Computer Science Engineering, Universitas Sriwijaya, Palembang, 1-2 October 2014
