Rekayasa
USUL PENELITIAN HIBAH BERSAING
VISION BASED FUZZY Q LEARNING PADA NAVIGASI TELEAUTONOMOUS MOBILE ROBOT MENGGUNAKAN FPGA UNTUK APLIKASI SEARCH AND RESCUE
Peneliti Utama: Handy Wicaksono, S.T., M.T. Peneliti Anggota: Indar Sugiarto, S.T., M.Sc.
UNIVERSITAS KRISTEN PETRA SURABAYA MARET 2010
1
HALAMAN PENGESAHAN 1.
Judul Penelitian
: Vision based Fuzzy Q Learning pada Navigasi Teleautonomous Mobile Robot menggunakan FPGA untuk Aplikasi Search and Recue
2.
Ketua Peneliti a. Nama Lengkap b. Jenis Kelamin c. NIP d. Jabatan Struktural e. Jabatan Fungsional f. Fakultas/Jurusan g. Pusat Penelitian h. Alamat
: : : : : : : :
Handy Wicaksono, S.T., M.T. Laki-laki 04-004 Lektor Teknologi Industri / Teknik Elektro Jurusan Teknik Elektro, UK Petra, Jl. Siwalankerto 121-131, Surabaya 60236 : (031) 2983115 : Sukolilo Park Regency K7, Keputih, Surabaya : 0852 310 39493 / - /
[email protected] ,
[email protected]
i. Telpon/Faks j. Alamat Rumah k. Telpon/Faks/E-mail
3.
Jangka Waktu Penelitian
4.
6.
Pembiayaan - Biaya Tahun ke-1 - Biaya Tahun ke-2 Lama Penelitian
7.
Jumlah biaya yang diusulkan
: 2 (dua) tahun
Biaya diajukan ke Dikti Rp. 49.950.000,Rp. 49.900.000,: 2 (satu) tahun
Biaya dari Institusi Lain Rp. Rp. -
: Rp. 99.914.000,- (Sembilan puluh sembilan juta sembilan ratus empat belas ribu rupiah)
Surabaya, 22 Maret 2010 Ketua Peneliti,
Mengetahui, Dekan Fak. Teknologi Industri
Ir. Djoni Haryadi S., M.Eng NIP. 85-009
Handy Wicaksono, S.T., M.T. NIP. 04-004
Menyetujui, Kepala Pusat Penelitian & Pengabdian Masyarakat
Prof. DR. Ir. Lilianny Sigit Arifin, MSc NIP. 84-011
2
I. Identitas Penelitian 1. Judul Usulan
: Vision based Fuzzy Q Learning pada Navigasi Teleautonomous Mobile Robot menggunakan FPGA untuk Aplikasi Search and Recue
2. Ketua Peneliti a. Nama Lengkap
: Handy Wicaksono, S.T., M.T.
b. Bidang Keahlian
: Intelligent robot, otomasi industri
c. Jabatan Struktural
: Kepala Laboratorium Sistem Kontrol
d. Jabatan Fungsional : Lektor e. Unit Kerja
: Jurusan Teknik Elektro – Universitas Kristen Petra
f. Alamat surat
: Jurusan Teknik Elektro Universitas Kristen Petra Jl. Siwalankerto 121 – 131 Surabaya 60236
g. Telepon/faks
: (031) 2983115
h. E-mail
:
[email protected] ,
[email protected]
3. Anggota Peneliti Tim Peneliti No.
1
Nama dan gelar
Bidang
akademik
Keahlian
Instansi
(jam/minggu)
Indar Sugiarto, S.T.,
Embedded
Teknik Elektro
M.Sc.
system,
– UK Petra
intelligent robot 4. Objek penelitian Prototipe robot untuk aplikasi Search and Rescue. 5. Masa pelaksanaan penelitian : -
Mulai
: awal 2011
-
Berakhir
: akhir 2012
6. Anggaran yang diusulkan : -
Tahun pertama
: Rp. 49.982.000,-
3
Alokasi waktu
6 jam
-
Anggaran keseluruhan
: Rp. 99.914.000,-
7. Lokasi penelitian : Laboratorium Sistem Kontrol – UK Petra 8. Hasil yang ditargetkan : -
Prototipe robot SAR dengan dilengkapi kamera, sensor benturan, sensor ultrasonik, sensor pendeteksi suhu tubuh.
-
Program vision based Fuzzy Q Learning pada FPGA.
-
Publikasi ilmiah pada jurnal terakreditasi
-
Laporan penelitian
9. Institusi lain yang terlibat : Kelompok studi Robotics and Automation Based on Biologically-Inspired Technology (RABBIT) dari Politeknik Elektronika Negeri Surabaya (PENS) 10. Keterangan lain yang dianggap perlu : -
Penelitian ini merupakan penelitian lanjutan dari penelitian yang mendapatkan Hibah Penelitian Dosen Muda periode 2010, dengan judul : ”Implementasi Adaptive Potensial Field Behaviour Coordination and Compact Q-Learning untuk Sistem Navigasi Autonomous Mobile Robot”.
-
Penelitian ini akan dilakukan bekerja sama dengan Robotics and Automation Based on Biologically-Inspired Technology (RABBIT) research group dari Politeknik Elektronika Negeri Surabaya (PENS) yang dipimpin oleh Dr. Ir. Son Kuswadi. Kerja sama yang dilakukan meliputi : perancangan program, pengujian/eksperimen, diskusi dan share hasil penelitian.
4
ABSTRAK Dalam beberapa tahun terakhir gempa bumi sering terjadi di Indonesia, misalnya di Aceh, Yogyakarta, dan Padang. Proses penyelamatan korban gempa sulit dilakukan karena kemungkinan terjadinya gempa susulan yang dapat membahayakan tim penyelamat. Untuk itu robot dapat membantu tim SAR untuk mengidentifikasi adanya korban. Aplikasi robot di bidang SAR membutuhkan arsitektur robot yang tepat. Behavior based architecture yang bersifat reaktif dan cepat akan digunakan pada penelitian ini. Pengaturan behavior pada robot perlu dilakukan mengingat robot hanya bersifat semi otonom sebagai alat bantu manusia. Robot akan dikendalikan oleh manusia secara teleoperasi melalui user interface pada komputer. Meski demikian robot tetap perlu memiliki kecerdasan sehingga dalam batasan tertentu robot dapat mengambil keputusan sendiri. Hal ini membantu operator manusia untuk fokus pada tujuan utama SAR. Untuk itu, robot akan dilengkapi dengan algoritma Fuzzy Q Learning (FQL) yang bersifat off policy, konvergen dan dapat bekerja pada continuous state/action. Mengingat algoritma FQL cukup kompleks, akan digunakan FPGA sebagai pengendali robot. Sebagai sensor untuk mendeteksi ada tidaknya obyek (baik halangan maupun korban) akan digunakan kamera. Dengan teknik image processing tertentu, informasi dari kamera akan digunakan sebagai inputan dari algoritma FQL yang telah ada, sehingga keputusan yang diambil robot lebih akurat.
5
BAB I PENDAHULUAN
Latar Belakang Dalam beberapa tahun terakhir bencana gempa bumi sering terjadi di Indonesia. Mulai dari tsunami berakibat gempa di Aceh (menelan korban sekitar 220.000 jiwa), gempa di Yogyakarta (menelan korban sekitar 6000 jiwa), dan gempa di Padang yang baru terjadi beberapa bulan yang lalu (menelan korban sekitar 1.100 jiwa). Setelah bencana gempa terjadi, sangat penting untuk melakukan pencarian dan penyelamatan (Search and Recue). Hasil dari pengamatan Kobe Fire Department, proses Search and Recue (SAR) yang cepat sangat penting karena survival rate korban selamat terus menurun seiring waktu. Menurut Tokyo Fire Department, proses search (pencarian) ialah yang paling sulit dilakukan. Banyak penolong pertama menyatakan bahwa mereka dapat menyelamatkan korban jika posisinya telah diketahui. Seringkali, search berada di luar kemampuan manusia, sehingga dibutuhkan sistem pembantu untuk melakukan operasi ini (Tadokoro, 2009). Tadokoro (2009) menyimpulkan bahwa tujuan dari robot dalam aplikasi SAR : 1. Membantu operasi SAR yang sulit dilakukan oleh manusia. 2. Mengurangi resiko dari kerusakan sekunder. 3. Meningkatkan kecepatan operasi supaya tingkat keselamatan korban naik. Pada penelitian ini akan dibuat prototipe robot sebagai alat bantu tim SAR. Robot yang digunakan sebagai alat bantu akan bersifat teleautonomous, artinya robot bisa dikendalikan secara teleoperasi (operasi jarak jauh) oleh manusia namun juga masih memiliki tingkat otonomi tertentu. Perpaduan ini penting mengingat robot sulit untuk bekerja mandiri dalam aplikasi SAR yang kompleks, namun robot juga perlu memiliki otonomi untuk membantu operator manusia menjalankan tugasnya. Saat robot berada dalam fase otonom, robot perlu dilengkapi dengan kemampuan belajar mandiri (tanpa guru) supaya robot dapat mengantisipasi berbagai perubahan yang tidak terduga. Penggunaan kamera sebagai vision sensor juga dapat membantu meningkatkan akurasi masukan bagi algoritma pembelajaran robot. Penerapan algoritma pembelajaran (yang umumnya kompleks) pada robot merupakan masalah tersendiri. Perlu dilakukan beberapa modifikasi dalam algoritma dan pemilihan perangkat keras yang mendukung sehingga algoritma tersebut dapat
6
digunakan pada robot nyata. Hal ini penting dilakukan karena algoritma yang canggih sekalipun menjadi tidak berarti jika tidak dapat diterapkan pada robot nyata.
Tujuan Khusus Mengingat sangat diperlukannya penerapan robot di bidang SAR, maka melalui penelitian ini akan dibuat prototipe robot sebagai alat bantu tim SAR. Robot ini akan dirancang dengan arsitektur teleautonomous, gabungan antara teleoperasi dan otonomi. Dari aspek otonomi, robot akan dilengkapi dengan sensor – sensor berikut : bump sensor, ultrasonic sensor, sensor panas dan tubuh. Hal ini dimaksudkan supaya dalam batas tertentu robot masih dapat menghindari halangan bahkan menemukan target (korban bencana). Selain itu robot akan dilengkapi dengan kemampuan belajar dari lingkungan menggunakan metode Reinforcement Learning (RL). Metode ini memungkinkan robot belajar mandiri tanpa guru, melainkan hanya mengandalkan reward dari lingkungan. Metode RL yang populer dan efektif pada continuous state/action ialah Fuzzy Q Learning (FQL), sehingga metode tersebut akan digunakan pada penelitian ini. Karena metode pembelajaran di atas cukup kompleks, untuk menerapkannya pada robot sebenarnya akan digunakan Field Programmable Gate Array (FPGA) dari Xilinx. FPGA memiliki kemampuan pemrosesan tinggi dan kapasitas memori yang sangat besar jika dibandingkan dengan mikrokontroler biasa. Sedang untuk menunjang aspek teleoperasi pada robot, maka robot akan dilengkapi dengan kamera. Gambar yang didapat dari kamera akan dikirimkan secara wireless kepada komputer yang dioperasikan operator. Untuk itu robot juga akan dilengkapi dengan modul komunikasi wireless. Sedangkan pada komputer harus dilengkapi dengan program Graphical User Interface yang memadai untuk mempermudah operator melakukan tugasnya. Penggunaan kamera pada robot juga memungkinkan digunakannya vision based reinforcement learning pada mode otonom robot. Dengan metode tersebut, robot dapat mengambil keputusan setelah belajar dari gambar yang dikirimkan oleh kamera. Hal ini diharapkan dapat meningkatkan akurasi pengambilan keputusan robot.
7
Urgensi Penelitian Penyelamatan Korban Bencana (Penerapan Nyata di Lapangan) Penelitian ini penting untuk dilakukan karena frekuensi gempa yang cukup sering terjadi di Indonesia dalam 5 tahun terakhir. Penggunaan robot sebagai alat bantu tim SAR belum dilakukan di Indonesia, padahal di negara lain (Jepang, Amerika Serikat) hal ini sudah mulai dilakukan. Dengan menggunakan alat bantu berupa robot, sangat diharapkan nantinya makin banyak korban gempa yang dapat diselamatkan. Dengan membuat sendiri robot SAR, tentunya Pemerintah tidak perlu membeli robot SAR dari negara lain dengan harga yang tinggi. Hal ini tentunya dapat mengurangi ketergantungan bangsa Indonesia dari negara lain dalam hal teknologi robotika, dan pada akhirnya dapat meningkatkan daya saing bangsa. Pengembangan IPTEKS Di sisi lain, melalui penelitian ini akan dibuat prototipe robot SAR yang akan dikendalikan dari jarak jauh oleh operator. Melalui berbagai eksperimen tentunya aspek – aspek yang penting dari teleautonomy (gabungan dari teleoperasi dan robot otonom) dapat digali di sini, sehingga dapat membantu dalam penerapan sebenarnya di masa mendatang. Dari sisi teknis, penerapan robot dalam aplikasi SAR ini cukup menantang, mengingat sifat dari medan bencana yang berubah – ubah dan tidak menentu. Hal tersebut juga menimbulkan kebutuhan robot untuk dapat belajar secara mandiri (dalam batas tertentu). Sehingga dalam penelitian ini, akan diterapkan algoritma pembelajaran Fuzzy Q Learning. Algoritma pembelajaran robot sebagian besar masih dilakukan dalam bentuk simulasi komputer karena algoritmanya yang kompleks dan pada penelitian ini akan digunakan FPGA sebagai pengendali robot yang memiliki kemampuan pemrosesan tinggi dan kapasitas memori besar. Melalui penelitian ini algoritma FQL akan diprogram menggunakan media FPGA dan performa yang dihasilkan robot akan diamati. Sering kali informasi yang didapat robot kurang akurat. Sehingga pada penelitian ini, inputan dari algoritma pembelajaran akan menggunakan gambar yang direkam kamera. Hal ini penting karena dalam penerapan robot SAR, peran kamera dalam memandu operator jarak jauh ataupun sebagai media pendeteksi obyek (baik halangan maupun korban) sangat penting. 8
Pengembangan Kelembagaan Akhirnya, melalui penelitian ini, diharapkan Jurusan Teknik Elektro (JTE) – Universitas Kristen Petra (UKP) dapat menjadi center of excellence di bidang robotika pada umumnya, dan robot SAR pada khususnya. Saat ini JTE – UKP memiliki Automation and Robotics Research Group (ARRG) yang bertujuan untuk meningkatkan atmosfer ilmiah serta melakukan penelitian bersama di bidang Otomasi & Robotika. Melalui Hibah Bersaing ini diharapkan akan muncul penelitian – penelitian bermutu di bidang robotika oleh dosen & mahasiswa melalui ARRG di masa mendatang. Peningkatan Kerja Sama Riset Penelitian yang akan dilakukan dengan Hibah Bersaing ini juga akan meningkatkan kerja sama riset antara ARRG dari JTE – UKP dengan Robotics and Automation Based on Biologically-Inspired Technology (RABBIT) research group dari Politeknik Elektronika Negeri Surabaya (PENS) yang dipimpin oleh Dr. Ir. Son Kuswadi. Kerja sama yang dilakukan meliputi : perancangan perangkat lunak dan perangkat keras, pengujian/eksperimen, diskusi dan share hasil penelitian. Melalui kerja sama ini diharapkan mutu penelitian yang dilakukan meningkat. Selain itu diharapkan terjadi sharing of knowledge antar peneliti dari 2 kelompok studi tersebut sehingga mutu peneliti – penelitinya juga akan mengalami peningkatan.
9
BAB II STUDI PUSTAKA
Aplikasi robot dalam operasi Search And Rescue (SAR) mulai dilakukan pada bencana WTC di Amerika Serikat. Kondisi area bencana yang berbahaya bagi manusia pekerja maupun anjing membuat robot dipilih sebagai sarana pembantu. Untuk memenuhi tugasnya menemukan dan membantu proses lokalisasi korban, robot harus memiliki ukuran kecil, memiliki mobilitas tinggi, fleksibel dan dilengkapi dengan sensor – sensor yang diperlukan (Murphy dkk., 2000).
Gambar 1. Contoh rescue robot dari SOLEM dan URBOT (Carlson, 2005) Di Indonesia penelitian tentang robot SAR diantaranya dilakukan oleh ABBIT (Robotics and Automation Based on Biologically Inspired Technology) research group dari PENS-ITS dimana penulis ikut bergabung selama penyelesaian tesis. Penelitian yang dilakukan meliputi mekanisme robot dengan menggunakan robot berkaki lima (Prihastono et. al., 2009) dan mekanisme gabungan roda – kaki (Kuswadi et. al., 2009). Selain itu penelitian tentang pembelajaran robot dengan Reinforcement Learning (Anam et. al., 2009) juga aktif dilakukan. Untuk mewujudkan robot untuk aplikasi SAR diperlukan arsitektur robot yang tepat. Arsitektur robot yang pertama kali dikemukakan ialah arsitektur deliberative / hirarki. Contohnya ialah robot Shakey yang dikembangkan oleh Stanford Research Institute. Prinsip kerja dari arsitektur ini ialah robot merasa kemudian berpikir sebelum dapat bergerak (sense – plan – act ). Kelemahan dari arsitektur ini ialah waktu untuk perencanaan yang lama sehingga tidak cocok untuk aplikasi dalam real robot.
10
Gambar 2. Skema Arsitektur Deliberative (Brooks, 1986) Kelemahan itu dapat diatasi dengan arsitektur reactive / behavior based control. Arsitektur ini memiliki struktur behavior horizontal yang bekerja bersama secara paralel, bersamaan dan asinkronus. Keuntungan dari arsitektur ini ialah kecepatan real robot karena tidak perlu “berencana” dan langsung “bereaksi”. Namun demikian, masih ada kelemahan yang ada yaitu robot tidak mampu melakukan perencanaan global (Brooks, 1986).
Gambar 3. Skema Arsitektur Reactive (Brooks, 1986) Selain arsitektur yang tepat, untuk mengatasi hal – hal yang tidak direncanakan sebelumnya, perlu dilakukan mekanisme pembelajaran yang tepat pada robot. Pada mekanisme supervised learning diperlukan “guru”, sedang pada unsupervised learning (yang lebih cocok untuk aplikasi robot) suatu agent harus belajar sendiri. Reinforcement learning adalah metode unsupervised learning yang dapat belajar dari kritik/reward secara langsung (online) dari lingkungan (Glorennec, 2000).
11
Gambar 4. Skema Umum Reinforcement Learning (Perez, 2003) Ada berbagai metode untuk penyelesaian masalah reinforcement learning, salah satu yang paling populer ialah Temporal Difference Algorithm, dan lebih khusus lagi ialah Q Learning Algorithm (Watkins, 1992). Kelebihan dari Q Learning ialah sifatnya yang off policy (dapat mengikuti policy apapun), algoritma yang sederhana, dan konvergen terhadap optimal policy. Namun demikian juga ada kelemahan yang dimilikinya yaitu hanya dapat digunakan untuk discrete state/action, tabel Q (state/action)
terlalu
besar
sehingga
memakan
waktu
lama
untuk
proses
pembelajarannya (Perez, 2003). Diagram alir dari Q Learning dapat dilihat pada gambar 6 berikut. Data Initialization Examine reward(t)
Take State(t) Take State (t+1) Choose action with Exploration Exploitation Policy (EEP)
Find maximal value of Q at (t+1)
Robot take action Find Q value at (t)
Gambar 5. Diagram alir Q learning
Dimana persamaan untuk mendapatkan nilai Q ialah sebagai berikut :
Q(s, a) ← Q(s, a) + α [r + γ maxa ' Q(s' , a' ) − Q(s, a)] (2.1) s ← s’; until s is terminal
12
dimana Q(s,a) : component of Q table (state, action) s : state
s’ : next state
a : action
a’ : next action
r : reward
α : learning rate
γ : discount factor
Supaya Q learning dapat digunakan untuk continuous state/action perlu dilakukan generalisasi menggunakan function approximator, di antaranya : Cerebellar Mode Action Controller (CMAC), neural networks, Kohonen’s self organizing map, dan lain – lain. Namun function approximator di atas hanya mengasumsikan piecewise continue action, bukan continuous action sepenuhnya (Deng dkk., 2004b). Sedang Fuzzy Inference System (FIS) dapat digunakan untuk generalisasi pada state space dan dapat menghasilkan continuous action (Jouffle, 1998). Terdapat beberapa struktur Fuzzy Q Learning (FQL) seperti yang dibuat oleh Glorennec (1997) yang kemudian dimodifikasi lagi oleh Deng (2004a, 2004b). Berikut ini adalah diagram alir dari Fuzzy Q Learning.
Data Initialization Robot take action according to global action Take Fuzzy State(t) Fuzzyfication Examine reward(t) Rule Fuzzy TSK Processing Take Fuzzy State (t+1) Decide optimal local action using EEP Find maximum value of local q at (t+1) Find fuzzy TSK output : Global action & global Q
Find global Q Find local q Update local q
Gambar 6. Diagram alir Fuzzy Q learning Namun demikian, FQL ini sulit untuk diterapkan pada robot sebenarnya dengan ukuran kecil (sesuai kebutuhan robot SAR). Sebagian besar masih berupa
13
simulasi pada komputer (Deng, 2004b), (Suh, 1997),
(Hafner, 2003). Memang
sebelumnya aplikasi Q Learning telah diterapkan pada robot pendorong kotak namun aplikasi tersebut menggunakan komputer (sehingga ukuran robot cukup besar) dan masih membutuhkan waktu yang lama (Mahadevan et.al, 1991). Selain itu algoritma Q Learning juga diterapkan pada robot nyata, namun masih perlu fase supervising dari operator manusia (Smart et.al, 2002). Kesulitan tersebut dikarenakan robot berukuran kecil memiliki ukuran memori dan program yang terbatas, performa processor yang rendah, dan otonomi daya yang rendah. Padahal algoritma pembelajaran umumnya cukup kompleks. Karenanya Asadpour melakukan beberapa penyederhanaan dan modifikasi pada algoritma Q learning (disebut compact Q learning) dengan hanya menggunakan operasi penjumlahan dan pengurangan, serta membatasi tipe bilangan menjadi integer saja (Asadpour et.al, 2004). Penulis juga telah menerapkan compact Fuzzy Q Learning pada mobile robot melalui simulasi Webots (Wicaksono, 2009). Penerapan pembelajaran pada robot SAR akan lebih akurat jika menggunakan vision sensor berupa kamera, meskipun hal ini memerlukan teknik image processing yang cukup rumit. Gambar yang ditangkap kamera nantinya akan menjadi input bagi algoritma pembelajaran. Suatu pendekatan yang disebut DirectVision-based Reinforcement Learning telah dikembangkan oleh Iida et. al. (2002) dan diterapkan pada tugas mendorong kotak oleh Shibata et. al. (2003). Pendekatan ini tidak menggunakan teknik pemrosesan gambar tertentu, melainkan langsung memproses input sensor mentah dengan Neural Network. Proses ini berpotensi untuk memperlambat gerak robot jika terjadi fase training yang lama. Gambar 8. menunjukkan skema umumnya.
Gambar 7. Direct Vision Based Reinforcement Learning (Iida, 2002)
14
Sedangkan pendekatan Gaskett et. al. (2000) yang lebih sederhana menekankan pada pengguna visual servoing behavior untuk menggantikan hard wired target pursuit behavior. Skema sistem nampak pada gambar 9. Pendekatan ini yang akan dilakukan penulis dengan alasan kesederhanaan dan kecepatan robot dalam menjalankan tugas.
Gambar 8. Skema vision based Reinforcement Learning (Gaskett, 2000) Pengendali yang digunakan robot ialah FPGA dari Xilinx – Spartan 3. Kemampuan pemrosesan yang tinggi dan kapasitas memori yang sangat besar menjadi alasan pemilihan FPGA sebagai pengendali. Sensor – sensor yang digunakan untuk kebutuhan navigasi robot SAR ialah : limit switch untuk menghindari benturan, sensor ultrasonic untuk mendeteksi obyek di sekitar robot, serta thermal array sensor untuk mendeteksi panas tubuh korban gempa. Adapun kamera yang semula menjadi media operator untuk mengamati medan juga dapat menjadi suatu vision sensor. Robot ini akan menggunakan jalur (tracked robot) supaya dapat melewati lintasan yang tidak rata serta menggunakan motor DC sebagai aktuatornya. Robot ini akan dapat berkomunikasi secara wireless dengan komputer yang memiliki program user interface untuk operator. Gambar 10 menunjukkan blok diagram perangkat keras robot SAR. Meski robot akan dikendalikan operator dari jarak jauh, dalam batas tertentu robot juga akan memiliki otonomi untuk mengambil keputusan sendiri. Robot dengan pendekatan seperti ini disebut dengan robot semi otonom, dimana tingkat otonomi robot dapat diatur sesuai kebutuhan pengguna. Konsep semi otonom ini pernah diterapkan pada robot kursi roda (Argyros et. al., 2002). Bahkan pentingnya keseimbangan antara teleoperasi dan tingkat otonomi pada robot SAR juga
15
disampaikan oleh Anderson et. al. (2006). Karena itu pendekatan semi otonom yang serupa juga akan diterapkan pada robot SAR dalam penelitian ini.
Gambar 9. Diagram blok perangkat keras robot SAR
16
BAB III METODE PENELITIAN
Penelitian tahun pertama Pada tahun pertama, penelitian dimulai dengan analisa kebutuhan robot SAR di Indonesia untuk menentukan fungsi dan arsitektur robot SAR yang tepat. Setelah itu dilakukan perancangan arsitektur robot yang semi otonom. Kemudian akan dibuat perangkat lunak pembelajaran robot melalui simulator Webots sampai pada FPGA. Pada saat yang bersamaan, perangkat keras robot dan arena mulai dibuat. Kemudian software dan hardaware robot akan disatukan dan diadakan pengujian untuk menilai kemampuan navigasi robot. Berikut ini diagram alir penelitian. Analisa kebutuhan robot SAR di Indonesia
Perancangan behavior based architecture dengan konsep semi otonom
Pembuatan simulasi program Q Learning
Pembuatan simulasi program Fuzzy Q Learning
Membuat perangkat keras robot dan arena
Pembuatan kode program Fuzzy Q Learning di FPGA
Integrasi sistem keseluruhan
Pengujian sistem
Gambar 10. Diagram alir penelitian tahun 1
Luaran, indikator, alokasi waktu, serta peneliti penanggung jawab masing – masing tahapan dapat dilihat pada Tabel 1. dan Tabel 2. berikut.
17
Tabel 1. Tahapan, luaran, indikator serta penanggung jawab penelitian tahun 1 No
Tahapan
Luaran
Indikator
Penanggungjawab
1
Melakukan analisa kebutuhan robot SAR di Indonesia
Hasil analisa kebutuhan robot SAR di Indonesia
Daftar hasil analisa dalam laporan
Bersama
2
Merancang behavior based architecture dengan konsep semi-otonom
Rancangan behavior based architecture dengan konsep semiotonom
-
Blok diagram robot
-
Flow chart program
Handy Wicaksono, M.T.
3
Membuat simulasi program Q Learning pada robot di program Webbots
Hasil simulasi program Q learning
Program Q learning pada Webbots
Handy Wicaksono, M.T.
4
Membuat simulasi program Fuzzy Q Learning pada robot di program Webbots
Hasil simulasi program Fuzzy Q learning
Program Fuzzy Q learning pada Webbots
Handy Wicaksono, M.T.
5
Membuat perangkat keras mobile robot
Perangkat keras mobile robot & arena
Perangkat keras mobile robot & arena
Indar Sugiarto, M.Sc.
6
Menerapkan program FQL dalam FPGA
Program Fuzzy Q Learning pada FPGA
Program Fuzzy Q Learning pada FPGA
Bersama
7
Integrasi sistem
Sistem robot yang sudah terintegrasi secara keseluruhan
Hardware dan software robot telah siap digunakan
Bersama
8
Pengujian di lapangan
Robot yang sudah diuji dengan berbagai skenario di arena
Robot semi otonom dengan kemampuan belajar dapat melakukan navigasi dengan baik
Bersama
9
Pembuatan laporan penelitian
Laporan penelitian hibah bersaing
Laporan penelitian hibah bersaing
Bersama
18
Tabel 2. Alokasi waktu penelitian tahun 1 No
Tahapan
1
Melakukan analisa kebutuhan robot SAR di Indonesia
2
Merancang behavior based architecture dengan konsep semi-otonom
3
Membuat simulasi program Q Learning pada robot di program Webbots
4
Membuat simulasi program Fuzzy Q Learning pada robot di program Webbots
5
Membuat perangkat keras mobile robot & arena
6
Menerapkan algoritma FQL dalam FPGA
7
Integrasi sistem
8
Pengujian di lapangan
9
Pembuatan laporan penelitian
Mar
Apr
19
Mei
Jun
Jul
Agt
Sept
Okt
Nov
Keterangan
Penelitian tahun ke dua Sedang pada tahun ke dua, penelitian dimulai dengan memodifikasi arsitektur robot terlebih dulu akibat penambahan – penambahan yang akan dilakukan. Dari sisi software akan dilakukan penggunaan teknik image processing serta pembuatan program vision based Fuzzy Q Learning (FQL) baik pada Webots maupun pada FPGA. Sedang pada bagian perangkat keras akan ditambahkan kamera sebagai sensor vision, juga modul komunikasi wireless untuk media interaksi antara operator dan robot. Pembuatan user interface pada komputer juga akan dilakukan. Setelah itu software dan hardware akan disatukan lalu diuji untuk menilai kemampuan navigasi robot SAR. Berikut ini diagram alir penelitian tahun ke dua.
Gambar 11. Diagram alir penelitian tahun ke 2
Luaran, indikator, alokasi waktu dan peneliti penanggungjawab pada penelitian tahun ke dua dapat dilihat pada Tabel 3. dan Tabel 4. 20
Tabel 3. Luaran dan indikator penelitian tahun 2 No
Tahapan
Luaran
Indikator
1
Mempelajari image processing pada robot
Memahami teknik image processing pada robot
Program image processing yang siap digunakan Handy Wicaksono, M.T. robot.
2
Membuat simulasi program vision based FQL
Program vision based FQL dapat diterapkan pada robot
Program vision based FQL pada Webbots
Handy Wicaksono, M.T.
3
Menambahkan kamera pada hardware
Penambahan kamera pada perangkat keras robot
Kamera telah terpasang pada robot dan siap digunakan
Indar Sugiarto, M.Sc.
4
Menambahkan komunikasi jarak jauh pada hardware
Penambahan modul komunikasi jarak jauh pada robot
Modul komunikasi jarak jauh telah terpasang pada robot dan siap digunakan
Indar Sugiarto, M.Sc.
5
Membuat sistem komunikasi & program user interface pada komputer untuk teloperasi
Teleoperasi pada robot dapat berjalan dengan baik
- Robot dapat dikendalikan oleh komputer secara wireless
Sistem komunikasi : Indar Sugiarto, M.Sc., User Interface : Handy Wicaksono
6
Menerapkan program Vision based FQL dalam FPGA
Program vision based Fuzzy Q Learning pada FPGA
Program vision based Fuzzy Q Learning pada FPGA
Bersama
7
Integrasi sistem
Sistem robot yang sudah terintegrasi secara keseluruhan
Hardware dan software robot telah siap digunakan
Bersama
8
Pengujian di lapangan
Robot yang sudah diuji dengan berbagai skenario di arena
Robot semi otonom dengan kemampuan belajar dapat melakukan navigasi dengan lebih baik dan dapat dikendalikan secara teleoperasi.
Bersama
9
Pembuatan laporan penelitian
Laporan penelitian hibah bersaing
Laporan penelitian hibah bersaing
Bersama
- Program user interface di komputer telah siap
21
Penanggungjawab
Tabel 4. Alokasi waktu penelitian tahun 2 No
Tahapan
1
Mempelajari image processing pada robot
2
Membuat simulasi program vision based FQL
3
Menambahkan kamera pada hardware
4
Menambahkan komunikasi jarak jauh pada hardware
5
Membuat sistem komunikasi & program user interface pada komputer untuk teloperasi
6
Menerapkan algoritma Vision based FQL dalam FPGA
7
Integrasi sistem
8
Pengujian di lapangan
9
Pembuatan laporan penelitian
Mar
Apr
Mei
22
Jun
Jul
Agt
Sept
Okt
Nov
Keterangan
BAB IV PEMBIAYAAN Rincian pembiayaan penelitian adalah sebagai berikut:
Jenis Pengeluaran 1 Gaji dan Upah Pelaksana 2 Peralatan 3 Bahan Habis Pakai 4 Perjalanan 5 Lain - Lain 6 Total Anggaran per tahun Total Anggaran Keseluruhan
No
Rincian Anggaran Yang Diusulkan Tahun I Tahun II (Rp.) (Rp.) 14.592.000 14.592.000 27.000.000 25.450.000 2.040.000 2.040.000 2.500.000 2.500.000 3.850.000 5.350.000 49.982.000 49.932.000 99.914.000
23
DAFTAR PUSTAKA
1. Anam, K., Prihastono, Wicaksono, H., Kuswadi, S., Effendie, R., Jazidie, A., Sulistijono, I.A., Sampei M., (2009) “Hybridization of Fuzzy Q-Learning and Behavior-Based Control for Autonomous Mobile Robot Navigation in Cluttered Environment”, Proceeding of ICCAS-SICE 2009 (ICROS-SICE International Joint Conference 2009). Fukuoka, Japan. 2. Argyros, A., Georgiadis, P., Trahanias, P., Tsakiris, D., (2002) “Semiautonomous Navigation of a Robotic Wheelchair”, Journal of Intelligent and Robotic Systems, Vol. 34, Issue 3, hal. 315 – 329. 3. Asadpour, M. dan Siegwart, R. (2004), “Compact Q-Learning for Microrobots with Processing Constraints”, Journal of Robotics and Autonomous Systems, vol. 48, no. 1, hal. 49-61. 4. Carlson, J. & Murphy, R. (2005) “How UGVs physically fail in the field,” IEEE Transactions on Robotics, Vol. 21, No. 3, hal. 423-437. 5. Brooks, R. (1986), “A Robust Layered Control System For a Mobile Robot”, IEEE Journal of Robotics and Automation, vol. 2, no. 1, hal. 14 – 23. 6. Deng, C., Er, M.J. dan Xu, J. (2004a), "Dynamic Fuzzy Q-learning and Control of Mobile Robots", 8th International Conference on Control, Automation, Robotics and Vision, Kunming, China 7. Deng, C. dan Er, M.J. (2004b), “Real Time Dynamic Fuzzy Q-learning and Control of Mobile Robots”, Proceedings of 5th Asian Control Conference, vol. 3, hal. 1568- 1576. 8. C. Gaskett, L. Fletcher, A. Zelinsky, (2000), “Reinforcement Learning for a Vision Based Mobile Robot”, Proc. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Takamatsu, Japan. 9. Glorennec, P.Y. dan Jouffe,L. (1997). ”Fuzzy Q-learning”, Proceeding of the sixth IEEE International Conference on Fuzzy Sistem, Vol. 2, No. 1, hal. 659 – 662 10. Glorennec, P. Y. (2000), “Reinforcement Learning : An Overview”, Proceedings of European Symposium on Intelligent Techniques, Aachen, Germany.
24
11. Hafner, R. dan Riedmiller, M. (2003), “Reinforcement Learning on a Omnidirectional Mobile Robot”, Proceedings of 2003 IEEE/RSJ International Conference on Intelligent Robots and Systems, Las Vegas, Vol. 1, hal. 418 – 423. 12. Iida,
M.,
Sugisaka,
M.,
Shibata,
K.
(2002),
“Direct-Vision-Based
Reinforcement Learning to a Real Mobile Robot”, Proc. of Int'l Conf. of Neural Information Processing Systems (ICONIP '02), Vol. 5, hal. 2556 – 2560.Jakarta Information Tsunami Center (2009), Tentang Tsunami, http://www.jtic.org 13. Jouffle, L. (1998), “Fuzzy Inference System Learning by Reinforcement Methods”, IEEE Transactions on System, Man, and Cybernetics – Part C : Applications and Reviews, Vol. 28, No. 3, hal. 338 – 355. 14. Kuswadi, S., Sulistijono, I.A., Ardyansyah, R., Zulkarnain, A., Aviyanto, T., Imadudin, I.R., Saifulloh, M., (2009), “The Mobility Performances of New Wheeled and Legged Hybrid Mechanism System Robot iSRo”, Proceeding of ICCAS-SICE 2009 (ICROS-SICE International Joint Conference 2009). Fukuoka, Japan. 15. Mahadevan, S. dan Connell, J. (1991), “Automatic Programming of Behavior Based using Reinforcement Learning”, Proceeding of the Eighth International Workshop on Machine Learning, hal. 328-332. 16. Murphy, R., Casper J., Hyams, J., Micire, M. dan Minten, B. (2000), “Mobility and Sensing Demand in USAR”, Proceedings of IEEE International
Conference
on
Industrial
Electronics,
Control,
and
Instrumentation, Nagoya, Japan. 17. Perez, Marc C. (2003), A Proposal of Behavior Based Control Architecture with Reinforcement Learning for an Autonomous Underwater Robot, Tesis Ph.D., University of Girona, Girona. 18. Prihastono, Wicaksono, H., Anam, K., Kuswadi, S., Effendie, R., Jazidie, A., Sulistijono, I.A., Sampei M. (2009), “Autonomous Five Legs Robot Navigation in Cluttered Environment Using Fuzzy Q-Learning and Hybrid Coordination Node”, Proceeding of ICCAS-SICE 2009 (ICROS-SICE International Joint Conference 2009). Fukuoka, Japan. 19. Shibata, K., Iida, M., (2003), ”Acquisition of Box Pushing by Direct-VisionBased Reinforcement Learning”, Proc. of SICE Annual Conf., Japan. 25
20. Smart, W.D. dan Kaelbling, L.P. (2002), ”Effective Reinforcement Learning for Mobile Robots”, Proceeding of International Conference on Robotics and Automation. 21. Suh, I.H., Kim, J.H. dan Rhee, F.C.H.(1997), ”Fuzzy-Q Learning for Autonomous Robot Systems”, Proceedings of the sixth IEEE international Conference on Neural Networks, Vol. 3, hal. 1738 – 1743.Sutton, R.S., dan Barto,A.G. (1998), Reinforcement Learning, an Introduction, MIT Press, Massachusets. 22. Tadokoro, S. (2009), Rescue Robotics, DDT Project on Robots and Systems for Urban Search and Rescue, Springer, London. 23. Watkins, C., Dayan, P.(1992). ”Q-learning,Technical Note”, Machine Learning, Vol 8, hal.279-292. 24. Wegner, R., Anderson, J., (2006), “Agent-based support for balancing teleoperation and autonomy in urban search and rescue”, International Journal of Robotics and Automation, Volume 21 , Issue 2, pp. 120 - 128 25. Wicaksono, H. (2009), Implementasi Compact Fuzzy Q Learning untuk Navigasi Otonom Robot Berkaki, Tesis Master, Institut Teknologi Sepuluh Nopember, Surabaya.
26
LAMPIRAN
I. Pertimbangan Alokasi Biaya Rincian Anggaran Tahun 2010 (Tahun I) Gaji dan Upah No. 1 2
Alokasi Waktu Jam/Minggu 6 6
Pelaksana 1 orang peneliti utama 1 orang peneliti
Honor/Jam (Rp.) 38.000 38.000
Jumlah (Rp.) 7.296.000 7.296.000 14.592.000
Harga Satuan (Rp.) 13.000.000 4.000.000
Jumlah (Rp.) 13.000.000 4.000.000
8.000.000 2.000.000
8.000.000 2.000.000 27.000.000
Jumlah Peralatan No. 1 2 3 4
Uraian Hardware robot FPGA Program simulator robot komersial (dari Cyberbotics) Arena Jumlah
Banyak 1 1 1 1
Deskripsi Peralatan No. Uraian 1 Hardware robot 2 FPGA
3 4
Program simulator robot Arena
Spesifikasi Tracked Robot Xilinx Spartan-3E Webots dari Cyberbotics Arena
27
Kegunaan dalam penelitian Obyek utama penelitian Pengendali robot Program simulator robot untuk melakukan simulasi program yang telah dibuat Sebagai media eksperimen robot
Deskripsi Hardware Robot No. 1 2
3
4 5
6
7
Uraian
Spesifikasi
Jumlah
Harga
Chassis
Lynxmotion Tri-Track Chassis Kit
1
3.000.000
Sensor ultrasonic
Devantech Ultrasonic Range Finder SRF08
3
3.000.000
Driver motor DC
Sabertooth Dual 5A 6V-18V Regenerative Motor Driver
2
2.000.000
Battery
Lynxmotion 6v 2800 mAH NiMH Rechargeable Battery BAT-05
1
300.000
Sensor panas tubuh
Devantech 8 Pixel Thermal Array Sensor
1
1.500.000
Sensor benturan
Lynxmotion BMP-01 Bumper Switch Assembly Kit
4
700.000
Multiplex LN-5014 Lithium, NiCd, NiMH and Lead-Acid Battery Charger
1
1.000.000
Driver sensor cadangan
1
1.000.000
Joystick, kabel, connector, dll Total :
1
500.000 13.000.000
8
Battery Charger Driver sensor cadangan
9
Joystick, kabel, connector, dll
Bahan Habis Pakai
No. 1 2 3 4
Uraian Kertas HVS Cartridge printer ATK
Banyak 4 2 1
Sewa peralatan laboratorium mingguan Jumlah
20
28
Harga Satuan (Rp.) 35.000 200.000 500.000 50.000
Jumlah (Rp.) 140.000 400.000 500.000 1.000.000 2.040.000
Perjalanan
No.
1 2 3 4 5
Tujuan
Banyak
Tiket Pesawat Jakarta _ Surabaya (Seminar Pemantauan Terpusat) Menginap di hotel bintang 3 Konsumsi Transport Lokal Uang Saku Jumlah
Harga Satuan (Rp.)
Jumlah (Rp.)
2
750.000
1.500.000
1 4 2 1
500.000 25.000 75.000 250.000
500.000 100.000 150.000 250.000 2.500.000
Lain - Lain
No. 1 2 3 4 5
Tujuan Buku Teks Penelusuran Ilmiah melalui internet Publikasi Jurnal Publikasi Seminar Nasional Penggandaan laporan Jumlah
Banyak 4
Harga Satuan (Rp.) 250.000
12 1 1 10
50.000 1.000.000 750.000 50.000
Jumlah (Rp.) 1.000.000 600.000 1.000.000 750.000 500.000 3.850.000 49.982.000
Total :
29
Rincian Anggaran Tahun 2010 (Tahun II) Gaji dan Upah
No. 1 2
Alokasi Waktu Jam/Minggu 6 6
Pelaksana 1 orang peneliti utama 1 orang peneliti
Honor/Jam (Rp.) 38.000 38.000
Jumlah (Rp.) 7.296.000 7.296.000 14.592.000
Harga Satuan (Rp.) 3.000.000
Jumlah (Rp.) 6.000.000
1
950.000
950.000
1
2.500.000
2.500.000
2 2 1
2.000.000 1.000.000 4.000.000
4.000.000 2.000.000 4.000.000
Jumlah Peralatan No. 1
4 5
Uraian CMUCam 3 AA5620 Digital Camera Module (OV5620) EVU20 - USB2.0 EV Board for Digital Camera Module WIZ610wi-EVB EVB for WIZ610wi WIZ610wi Wireless Modul Program User Interface
6
Touch screen device sebagai hardware interface
1
5.000.000
5.000.000
7
Perpanjangan License Webots
1
1.000.000
1.000.000 25.450.000
Harga Satuan (Rp.) 35.000 200.000 500.000
Jumlah (Rp.) 140.000 400.000 500.000
50.000
1.000.000 2.040.000
2 3
Banyak 2
Jumlah Bahan Habis Pakai No. 1 2 3 4
Uraian Kertas HVS Cartridge printer ATK
Banyak 4 2 1
Sewa peralatan laboratorium Jumlah
20
30
Perjalanan
No.
1 2 3 4 5
Tujuan
Banyak
Tiket Pesawat Jakarta _ Surabaya (Seminar Pemantauan Terpusat) Menginap di hotel bintang 3 Konsumsi Transport Lokal Uang Saku Jumlah
Harga Satuan (Rp.)
Jumlah (Rp.)
2
750.000
1.500.000
1 4 2 1
500.000 25.000 75.000 250.000
500.000 100.000 150.000 250.000 2.500.000
Lain - Lain
No. 1 2 3 4 5 6
Tujuan Perbaikan kerusakan robot Buku Teks Penelusuran Ilmiah melalui internet Publikasi Jurnal Publikasi Seminar Nasional Penggandaan laporan Jumlah
Banyak 1 4
Harga Satuan (Rp.) 1.500.000 250.000
12 1 1 10
50.000 1.000.000 750.000 50.000
Jumlah (Rp.) 1.500.000 1.000.000 600.000 1.000.000 750.000 500.000 5.350.000
49.932.000
Total :
31
II. Dukungan pada Pelaksanaan Penelitian 1. Dukungan Aktif yang Sedang Berjalan Saat ini peneliti utama sedang mendapatkan dana untuk mengerjakan penelitian awal dari usulan penelitian yang diajukan untuk Hibah Bersaing ini. Berikut informasi detailnya : •
Nama Lembaga
•
Nomor Persetujuan :
•
Judul Penelitian
: DP2M – Dikti
:
Implementasi Adaptive Potensial Field Behaviour Coordination and Compact Q-Learning untuk Sistem Navigasi Autonomous Mobile Robot •
Jumlah dana
: Rp. 10.000.000,-
Penelitian tersebut memiliki fokus untuk mengembangkan algoritma pembelajaran sederhana pada robot nyata berupa LEGO Robot.
III. Sarana Sarana penelitian yang akan digunakan ialah ”Laboratorium Sistem Kontrol” di Jurusan Teknik Elektro – UK Petra yang memiliki berbagai peralatan laboratorium dasar
(multimeter,
laboratory
power
supply,
function
generator
maupun
oscilloscope). Laboratorium ini memiliki ruangan maupun komputer yang dapat digunakan selama penelitian. Sedangkan ”Laboratorium Elektronika” memiliki FPGA Xilinx, yang dapat mulai digunakan untuk memprogram robot, serta adanya LEGO NXT Robot Kit yang dapat digunakan untuk membuat rancangan mekanik awal dari robot. Perpustakaan UK Petra juga dilengkapi dengan berbagai jurnal ilmiah dari IEEE, sehingga akses terhadap literatur terbaru juga dapat dilakukan di perpustakaan.
32
IV. Biodata Peneliti KETUA PENELITI Data Pribadi Nama lengkap
: Handy Wicaksono, S.T., M.T.
NIP
: 04-004
Pangkat / golongan
: IIIC/Lektor
Tempat/Tanggal lahir : Trenggalek, 4 Juni 1980 Jenis Kelamin
: Laki-laki
Bidang Keahlian
: Intelligent robot, otomasi industri
Kantor/Unit Kerja
: Jurusan Teknik Elektro - Universitas Kristen Petra Jl. Siwalankerto 121-131 Surabaya Telepon: 031-2983115
Alamat Rumah
: Sukolilo Park Regency K-7 , Keputih, Surabaya
Alamat e-mail
:
[email protected],
[email protected]
Pendidikan No 1
Perguruan Tinggi
Negara
S1, Jurusan Teknik Elektro, Institut Surabaya, Teknologi Sepuluh Nopember
2
Kota &
Indonesia
S2, Jurusan Teknik Elektro, Institut Surabaya, Teknologi Sepuluh Nopember
Indonesia
Tahun
Bidang Studi
1998 – 2003 Teknik Sistem Pengaturan 2007 - 2009 Teknik Sistem Pengaturan
Pengalaman Kerja • 2004 – sekarang : Dosen tetap Jurusan Teknik Elektro – Universitas Kristen Petra • 2009 – sekarang : Kepala Laboratorium Sistem Kontrol, Jurusan Teknik Elektro, Universitas Kristen Petra
Beasiswa, Bantuan dan Hibah • 2007 – 2009
: Beasiswa Pendidikan Pasca Sarjana dari Ditjen Dikti
• 2009
: Bantuan Seminar Luar Negeri (mengikuti seminar ke Jepang) dari DP2M – Dikti
• 2009
: Student Travel Grant Award dari Panitia ICCAS – SICE 2009
33
• 2010
: Hibah Penelitian Dosen Muda, dengan judul : ”Implementasi Adaptive Potensial Field Behaviour Coordination and Compact Q-Learning untuk Sistem Navigasi Autonomous Mobile Robot”, dari DP2M - Dikti
Publikasi yang Relevan 1. Wicaksono, H., Prihastono, Anam, K., Kuswadi, S., Effendie, R., Jazidie, A., Sulistijono, I.A., Sampei, M. (2009), ”Application of Fuzzy Behavior Coordination and Q Learning in Robot Navigation”, Proc. of The 5th International Conference on Information & Communication Technology and Systems (ICTS), Surabaya. 2. Wicaksono, H., Prihastono, Anam, K., Kuswadi, S., Effendie, R., Jazidie, A., Sulistijono, I.A., Sampei, M., (2009), ”Modified Fuzzy Behavior Coordination for Autonomous Mobile Robot Navigation System”, Proc. of. ICCAS-SICE 2009 (ICROS-SICE International Joint Conference 2009), Fukuoka, Japan. 3. Wicaksono, H., Prihastono, Anam, K., Kuswadi, S., Effendie, R., Jazidie, A., Sulistijono, I.A., Sampei, M., ”Penerapan Fuzzy Q Learning pada Navigasi Otonom Behavior Based Hexapod Robot” . proc. of Seminar Nasional Sistem & Teknologi Informasi (SNASTI) 2009, Surabaya. 4. Wicaksono, H., Prihastono, Anam, K., Kuswadi, S., Effendie, R., Jazidie, A., Sulistijono, I.A., Sampei, M., ”Penerapan Behavior Based Architecture dan Q Learnig pada Sistem Navigasi Otonom Hexapod Robot”, Proc. of Industrial Electronic Seminar 2009, Surabaya. 5. Prihastono, Wicaksono, H., Anam, K., Kuswadi, S., Effendie, R., Jazidie, A., Sulistijono, I.A., Sampei M. (2009), “Autonomous Five Legs Robot Navigation in Cluttered Environment Using Fuzzy Q-Learning and Hybrid Coordination Node”, Proceeding of ICCAS-SICE 2009 (ICROS-SICE International Joint Conference 2009). Fukuoka, Japan. 6. Anam, K., Prihastono, Wicaksono, H., Kuswadi, S., Effendie, R., Jazidie, A., Sulistijono, I.A., Sampei M., (2009) “Hybridization of Fuzzy Q-Learning and Behavior-Based Control for Autonomous Mobile Robot Navigation in Cluttered Environment”, Proceeding of ICCAS-SICE 2009 (ICROS-SICE International Joint Conference 2009). Fukuoka, Japan.
34
ANGGOTA PENELITI Nama lengkap
: Indar Sugiarto
NIP
: 02-002
Tempat/Tanggal lahir : Malang, 14 Mei 1977 Jenis kelamin
: Laki-laki
Bidang Keahlian
: Embedded System, Signal Processing, Intelligent System
Kantor/Unit kerja
: Jurusan Teknik Elektro, Universitas Kristen Petra
Mata Kuliah Ampu
: Perancangan Sistem Digital, Perancangan Sistem Elektronika, Noise dalam Sistem Elektronika, Disain PCB, Server Internet
Alamat kantor
: Jl. Siwalankerto 121-131 Surabaya
Alamat rumah
: Perumahan BLK No. 32, Jl. Dukuh Menanggal III, Surabaya
Email
:
[email protected]
Website
: http://faculty.petra.ac.id/indi
PENDIDIKAN No 1 2
Perguruan Tinggi
Kota & Negara
Institut Teknologi Sepuluh Surabaya, Nopember Indonesia University of Bremen Bremen, Jerman
Tahun Lulusan 2001 2008
Bidang Studi Teknik Elektro Automation and Information
PENGALAMAN RISET No Judul Riset 1 Perencanaan dan Implementasi Teknik Reduksi Data Menggunakan Teknologi HDL-FPGA Yang Diaplikasikan Pada Mesin Penjawab Telepon Otomatis Digital (Tugas Akhir S1) 2 Multi-Target SSVEP-Based BCI (Master Project) 3 Display And Feedback Approaches For BCI Systems (Master Thesis)
Tahun 2001
2007 2008
BEASISWA, BANTUAN DAN HIBAH • 2007 – 2008
: Beasiswa EED untuk menyelesaikan studi S2 di University of Bremen
• 2010
: Hibah Penelitian Dosen Muda, dengan judul : ” Sistem Instrumentasi Elektronika untuk Sistem BCI adaptif berbasis sinyal ECG”, dari DP2M - Dikti
35
Publikasi yang Relevan 2008 1. Indar Sugiarto. Aplikasi Logika Fuzzy Untuk Pengenalan SSVEP Pada Sistem BCI. Seminar Nasional Sistem & Teknologi Informasi 2008. Surabaya, 22 Oktober 2008
2007 1. Indar Sugiarto, Saravanakumar Natarajan. Parameter Estimation using Least Square Method for MIMO Takagi-Sugeno Neuro-Fuzzy in Time Series Forecasting. Jurnal Teknik Elektro, Vol 7, No 2. September 2007. 2005 1. Indar Sugiarto. IMPLEMENTASI ALGORITMA DES PADA FPGA XILINX XC4000XL UNTUK JARINGAN MULTIPOINT RS-485. Proceeding SIIT 2005. 2. Indar Sugiarto. Preliminary Testing Tool for VGA Monitor Using FPGA XC4005XL and XS-Board. Jurnal Teknik Elektro, 3. Indar Sugiarto. Simulasi Fuzzy Logic untuk Robot Pencari Jalan Maze. Proceedings Industrial Electronics Seminar 2005. Surabaya, 24 November 2005
2004 1. Indar Sugiarto. Proceedings Industrial Electronics Seminar 2004. Studi Kasus Dua Tipe All Digital Phase-Locked Loop Orde Satu yang diimplementasikan pada FPGA XC4010E. Surabaya, 2002 1. Indar Sugiarto, Siti Halimah Baki. SIMM-DRAM Sebagai Penyimpan Data dengan Teknik Kompresi yang Diimplementasikan pada FPGA. Surabaya, 2002 2. Indar Sugiarto, Siti Halimah Baki. Perancangan Upgradeable Digital Answering Machine Berbasis Teknologi HDL-FPGA. Proceeding KOMMIT2002. Depok, 2002
36