Ringkasan Paper
Implementasi Waktu Nyata Berbasis Sistem Fuzzy Inference
untuk Pengelompokkan Pisang Menggunakan Perangkat DSP
TMS320C6713
Real-time Implementation of a Fuzzy Inference System for Banana
Grading using DSP TMS320C6713 Platform
NOVIANDI (G651140321), NOVI INDAH PRADASARI (G651140151), NURUL HAQUEQY (G651140441), NORMANIAT GEA (G651140531)
Ringkasan
Logika Fuzzy telah banyak diterapkan dalam berbagai bidang teknologi. Salah satu penerapannya adalah dalam bidang pertanian untuk proses pengelompokan sample (grading).
Untuk dapat melakukan proses pengidentifikasian, logika fuzzy diimplemetasikan menggunakan MATLAB. Dalam penelitian ini buah pisang dipilih menjadi objek yang akan diteliti untuk mengetahui ukuran dari pisang, agar dapat dikelompokkan bedasarkan kelasnya masing-masing. Pengelompokan pisang bergantung pada panjang, lebar dan ukuran dari pisang, untuk mendapatkan hasil keluaran tersebut perlu menerapkan aturan logika fuzzy dengan menerapkan metode Fuzzy Inference System. Metode ini menilai sebuah pisang berdasarkan fitur ekstraksi yang diperoleh dengan menggunakan teknik Pengolahan Citra dari beberapa gambar untuk setiap sample. Dalam penerapannya MATLAB memiliki beberapa kendala diantaranya kecepatan memproses. Untuk mengatasi kendala tersebut digunakan DSP (TMS320C6713), dengan memanfaatkan tool dari CCS, dimana CCS memiliki kemampuan grafik dan support secara real-time untuk mengatasi debug. Dalam pengujiannya data diambil secara acak sebanyak 10 buah data, kemudian data tersebut diujikan ke dalam program MATLAB yang telah dibuat untuk dicatat hasilnya, setelah itu pengujian dilakukan pada CCS untuk mendapatkan hasil keluaran, dimana hasil yang dapat rata-rata masih berada pada kisaran yang sama.
Kata Kunci: CCS, DSP (TMS320C6713), Fuzzy Inference System, Grading, Logika Fuzzy, MATLAB.
PENDAHULUAN
Pada penelitian ini menggunakan konsep logika fuzzy. Logika Fuzzy sudah banyak digunakan dalam berbagai macam penelitian, diantaranya untuk proses pengidentifikasian warna dan pengelompokan sample (grading). Untuk dapat melakukan proses pengidentifikasian, logika fuzzy diimplemetasikan menggunakan MATLAB. Namun dalam penerapannya MATLAB memiliki beberapa kendala diantaranya kecepatan memproses. Untuk mengatasi kendala tersebut, digunakan DSP (TMS320C6713) untuk membantu proses logika fuzzy tersebut.
Dalam pengimplementasiannya menggunakan perangkat DSP logika fuzzy memiliki dua langkah, yaitu:
kemampuan grafik dan support secara real-time untuk mengatasi debug karena menggunakan tool perangkat lunak yang mudah digunakan untuk membangun dan menganalisa error pada program.
A. Fuzzy Inference System (FIS)
Terdapat beberapa jenis FIS yang dikenal yaitu Mamdani, Sugeno dan Tsukamoto. Pada penelitian ini menggunakan teknik Mamdani Fuzzy Inference System untuk membuat sistem penilaian karena FIS Mamdani yang mudah dimengerti karena paling sesuai dengan keputusan manusia. Untuk mendapatkan keluaran, metode mamdani memerlukan 4 tahapan yaitu:
1. Pembentukan himpunan fuzzy 2. Mengaplikasikan metode implikasi 3. Komposisi aturan
4. Penegasan (defuzzy)
Dalam penelitian ini memiliki tiga input membership function dari FIS, berupa ciri-ciri dari pisang yang akan diidentifikasi, yaitu:
1. Length (Panjang)
2. Width (Lebar)
3. Area (Ukuran)
Dengan 1 buah keluaran membership function dari FIS berupa Grade (Kelompok) dari pisang berdasarkan ukuran.
Gambar 1. Membership Function Length
Gambar 2. Membership Function Width
Gambar 1. Membership Function Grade
Berikutnya setelah Membership Function terbentuk, dibuat rule (aturan) dari sistem yang akan dbuat. Rule dibuat dengan menggunalkan MATLAB pada menu Rule editor (Fuzzy rule). Rule ini dibuat berdasarkan pengetahuan dan pengalaman dari para pakar.
Selanjutnya gambar berikut menunjukkan ilustrasi rule dari berbagai masukan yang sudah digabungkan serta hasil keluaran dikombinasikan ke dalam single fuzzy set. Proses pengelompokan output ini digambarkan dalam empat kolom, sehingga diperoleh keluaran berdasarkan defuzzification.
B. Code Composer Studio (CCS)
CCS adalah perangkat lunak bawaan dari TI (Texas Instrument) yang menjadi tool pendukung dari mikroprosesor yang digunakan pada penelitian ini. C6713 menyediakan lingkungan pengembangan terpadu (Integrated Development Environment - IDE) yang berisikan C compiler, assembler dan linker. C compiler yang digunakan dengan extension .c, menghasilkan assembly source dengan extension .asm. Proses assemble menghasilkan mesin pembaca objek dengan extension .obj. Linker di kombinasikan dengan file objek assembled
dan objek library sebagai input yang menghasilkan file yang dapat dikerjakan dengan
extension .out. Tabel di bawah ini adalah ringkasan dari File Pendukung yang digunakan dalam CCS.
Tabel 1. Ringkasan File Pendukung Dalam CCS
No File Deskripsi
1 C6713dsknit.c Berisi fungsi untuk menginisialisasi DSK, codec, port serial, dan untuk input dan output
2 C6713dsknit.h File header dengan fungsi prototipe 3 C6713dsk.cmd perintah linker sederhana
4 Vectors_intr.asm versi modifikasi dari vektor untuk ditangani interrupt 5 Vectors_poll.asm file vektor untuk program menggunakan polling 6 Rts6700.lib run time library dukungan
8 Dsk6713bsl.lib perpustakaan dukungan dewan 9 Csl6713.lib Chip perpustakaan dukungan
METODE
Dalam penelitian ini menggunakan MATLAB sebagai penghubung program Fuzzy Logic dengan perangkat DSP TMS320C6713.
Adapun cara kerja dari sistem ini adalah dengan menggunakan MATLAB, dimana fungsi keanggotaan dari masing-masing masukan, keluaran variabel dan rule dari fuzzy tersebut diimplemetasikan dan kemudian dilakukan tahap pengujian. Selanjutnya setelah Fuzzy Inference System terbentuk kemudian di download menggunakan downloader untuk dimasukan kedalam Prosesor DSP. Tabel di bawah menjelaskan variabel-variabel yang digunakan, tipe dari membership function, jumlah dari membership function serta nama dan rentang dari membership function.
Tabel 2. Penentuan Variabel dan Himpunan Fuzzy
No Characteristic Input Output
Input 1 Input 2 Input 3
1 Variabel Length Width Area Grade
Pada tabel di atas, dapat dilihat, setiap variabel menggunakan membership function tipe Trimf, karena membership function tipe ini memiliki kompleksitas yang relatif rendah dan pengunaan aplikasinya relatif lebih mudah.
Gambar 7 dibawah merupakan alur kerja dari proses logika fuzzy yang diimplementasikan pada perangkat DSP TMS320C6713. Sebelum data ditransfer dari MATLAB ke perangkat DSP TMS320C6713 data tersebut di tempatkan dalam sebuah array dan disimpan sebagai file header didalam direktori CCS. Data yang tersimpan tersebut berupa data .mat file, .xls atau .txt. Data pada MATLAB tersebut diproses menggunakan Fuzzy Inference System (FIS) yang kemudian dilakukan proses pelatihan hingga didapat hasil keluaran yang mendekati nilai target dari inpuitan tersebut. Setelah didapat hasil yang sesuai dengan target, program tersebut ditransfer ke CCS.
Gambar 3. Flowchart dari Logika Fuzzy pada perangkat DSP TMS320C6713
HASIL DAN PEMBAHASAN
Gambar 4. Bagian dari program logika fuzzy
Dari program d atas, dapat dilihat terdapat beberapa fungsi yang digunakan, diantaranya:
1. Values.h dan Grading.h sebagai perintah untuk sejumlah data input (length, width dan area) dan penilaian algoritma untuk masing-masing pisang.
2. Fuzzification.h sebagai perintah yang berisikan sistem masukan dan fungsi keanggotaan keluaran.
3. Rules.h, rules2.h dan rules3.h sebagai perintah yang berisikan aturan dari fuzzy yang dibuat.
Gambar 9 di bawah menunjukkan daftar file yang dibutuhkan untuk menjalankan
debugging dan trobleshooting pada program Logika Fuzzy pada DSP TMS320C6713.
Gambar 5. Daftar dari file pendukung
Gambar 6. Contoh keluaran dari hasil pengelompokan pisang
Selanjutnya dilakukan pengujian dan perbandingan hasil, antara keluaran yang didapat dengan menggunakan MATLAB dan keluaran yang didapat dengan menggunakan CCS. Untuk melakukan pengujian data diambil secara acak sebanyak 10 buah data, kemudian data tersebut di ujikan ke dalam program MATLAB yang telah dibuat untuk dicatat hasilnya, setelah itu pengujian dilakukan pada CCS untuk mendapatkan hasil keluaran. Tabel 3 dibawah menunjukkan hasil keluaran dari masingmasing percobaan, dimana hasil yang dapat rata-rata masih berada pada kisaran yang sama.
Setelah di dapat hasil keluaran dari MATLAB dan CCS, dilakukan proses penghitungan terhadap nilai error yang didapat, hasil perhitungan tersebut dapat dilihat pada tabel 4 di bawah
Tabel 3. Persentase error antara hasil dengan MATLAB dan CCS
Hasil di atas menunjukkan hasil yang diperoleh menggunakan CCS masih dalam kisaran yang sama dengan hasil yang diperoleh menggunakan MATLAB, selanjutnya adalah mentransfer program CCS tersebut ke parangkat DSP TMS320C6713.
SIMPULAN
Penelitian ini menjelaskan tentang penerapan dari Fuzzy Inference System pada prosesor DSP TMS320V6173. FIS ini dianalisis, dirancang dan diujikan terlebih dahulu pada MATLAB sebelum diimplemetasikan pada perangkat DSP TMS320C6713. Untuk mendukung kerja dari DSP TMS329V6173 digunakan tool pendukung, yaitu dengan melakukan transfer data dari MATLAB ke Code Composer Sudio (CCS). Proses transfer data tersebut dilakukan dengan menggunakan salah satu format file MATLAB (.mat), excel (.xls) atau text (.txt). Hasil yang diperoleh pada penelitian ini dianalisis dan dibuktikan keakuratannya dengan melakukan perbandingan menyeluruh antara hasil MATLAB dan CCS. Kesimpulannya adalah paper ini membuktikan bahwa Logika Fuzzy dapat diimplementasikan pada platform DSP TMS320C6713 untuk menentukan kelas pada pisang.
DAFTAR PUSTAKA
[1] G. Rennick, Y. Attikiouzel, and A. Zaknich, “Machine grading and blemish detection in apples,” vol. 2, pp. 567 –570 vol.2, 1999.
[2] J. Faria, T. Martins, M. Ferreira, and C. Santos, “A computer vision system for color grading wood boards using fuzzy logic,” pp. 1082 – 1087, june 2008.
[3] N. Mustafa, S. Ahmed, Z. Ali, W. Yit, A. Abidin, and Z. Sharrif, “Agricultural produce sorting and grading using support vector machines and fuzzy logic,” pp. 391 –396, 18-19 2009.
[4] R. Chassaing, Digital Signal Processing and Applications With The C6713 and C6416. Wiley Interscience, A John Wiley & Sons, INC., Publications, 2005.
[5] N. B. A. Mustafa, “Application of artificial intelligence tools for determining the quality of agriculture produce,” Master’s thesis, Universiti Tenaga Nasional, 2010.
