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

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-8

1

Implementasi Sistem Navigasi Behavior-Based Robotic dan Kontroler Fuzzy pada Manuver Robot Cerdas Pemadam Api Rully Muhammad Iqbal, Rudy Dikairono, Tri Arief Sardjono Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111

E-mail: [email protected], [email protected]

Abstrak -- Robot Cerdas Pemadam Api adalah robot yang menggunakan roda sebagai alat geraknya dengan misi mencari dan memadamkan api di arena lapangan berbentuk simulasi interior suatu rumah. Setelah memadamkan api robot akan kembali pulang ke home melalui jalur terdekat dari titik api tersebut. Untuk mampu menjelajahi arena, dituntut kemampuan untuk mengetahui letak diri sendiri serta letak target (titik api). Selain itu diperlukan juga kemampuan menghindari rintangan /dinding, serta mengenali simpang. Kendali berbasis-perilaku menggunakan modul-modul perilaku yang bekerja secara bersamaan membentuk perilaku robot yang ingin dicapai. Masing-masing perilaku sifatnya independen, memiliki hubungan langsung dengan sensor dan aktuator. Masing-masing perilaku juga dapat mengirim pesan pada perilaku lain atau menghambat output perilaku lainnya. Selain menerapkan kendali berbasis-perilaku penelitian ini juga menggunakan kontroler Fuzzy pada kendali robot terhadap jarak dinding arena. Kontroler Fuzzy bertujuan untuk memuluskan pergerakan robot saat menelusur ruangan/lorong arena. Dengan bantuan kontroler Fuzzy robot mampu bermanuver dengan baik, halus, responsif dan cepat. Kata Kunci : behavior based, kontroler Fuzzy, robot pemadam api.

P

I. PENDAHULUAN

erkembangan dunia robotika memiliki unsur yang sedikit berbeda dengan ilmu-ilmu dasar atau terapan lainnya. Ilmu dasar biasanya berkembang dari suatu asas atau hipotesa yang kemudian diteliti secara metodis, sedangkan ilmu robotika lebih sering berkembang melalui pendekatan praktis. Kemudian melalui pendekatan atau asumsi dari hasil pengamatan perilaku makhluk hidup atau peralatan bergerak lainnya dikembangkanlah penelitian secara teoritis. Teknologi robot berkembang semakin pesat sejak ditemukannya piranti semikonduktor. Piranti semikonduktor ini memungkinkan penciptaan robot dalam ukuran yang lebih kecil, kecepatan kerja yang lebih tinggi dan akurasi yang lebih handal. Robot Pemadam Api ialah robot cerdas yang berjalan mencari target (titik api) pada suatu arena/track. Saat ini, perkembangan robot pemadam api sedang gencar-gencarnya dijadikan objek teliliti dan kontrol,

banyak event nasional dan internasional yang diselenggarakan setiap tahun, diantaranya adalah KRCI (Kontes Robot Cerdas Indonesia) dan Fire Fighting Robot Contest di Trinity College Hartfort , Connecticut, Amerika Serikat . Hal inilah yang mendasari penelitian ini bertemakan robot pemadam api dan kendalinya. Dalam banyak aplikasi robot, sering kali dibutuhkan reaksi yang cepat dari robot. Behavior Based Robotic (BBR) merupakan suatu konsep sistem kendali (knowledge based) berdasarkan tingkah laku/perilaku robot terhadap adaptasi lingkungannya. Karena sistem navigasi robot pemadam api secara otonom, maka robot harus memiliki beberapa kemampuan (behavior) untuk melaksanakan tugas (task) yang diberikan secara adaptif terhadap lingkungan. Arsitektur behavior based robotic merupakan suatu sistem kendali yang tidak berbasiskan model, karena memiliki struktur behavior yang bekerja bersama secara paralel. Pada pendekatan ini, sistem diuraikan menjadi beberapa modul yang masingmasingnya bertanggung jawab untuk melakukan satu perilaku (behavior). Tiap behavior mengandung jalur lengkap mulai dari sensing sampai aksi. Semua modul yang mewakili satu behavior bekerja bersama-sama[2]. Dalam behavior based robotic, sistem kendali robot dipisahkan berdasarkan tugas yang ingin dicapai yang disebut dengan behavior. Semakin banyak tugas sistemnya semakin kompleks, sehingga dapat menimbulkan konflik antar behavior. Oleh karena itu, dikembangkan metode koordinasi antar behavior. Terdapat dua pendekatan mekanisme koordinasi, yaitu competitive/arbiter dan cooperative/ command fusion. Pada metode competitive, hanya satu behavior yang diijinkan memberikan sinyal kendali. Sedangkan koordinasi cooperatif menggabungkan semua keluaran behavior yang ada. Dalam penelitian ini akan dikembangkan suatu metode koordinasi competitive coordinator untuk mengkoordinasikan stuktur kendali behavior based control pada robot pemadam api. Serta kontroler Fuzzy untuk memuluskan pergerakan robot saat menelusur ruangan/lorong arena. Dengan bantuan kontroler Fuzzy robot mampu bermanuver dengan baik, halus, responsif dan cepat.

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-8 II. DASAR TEORI A. Sekilas tentang Robot Cerdas Pemadam Api Saat ini perkembangan robot pemadam api sedang gencar gencarnya dijadikan objek teliliti dan kontrol, banyak event nasional dan internasional yang diselenggarakan setiap tahun, diantaranya adalah KRCI (Kontes Robot Cerdas Indonesia) dan Fire Fighting Robot Contest di Trinity College Hartfort , Connecticut, Amerika Serikat. Pada tahun 2012 ini, KRCI terbagi atas beberapa divisi yaitu Divisi Robot Soccer Humanoid League, Robot Cerdas Pemadam Api Divisi Beroda dan Robot Cerdas Pemadam Api Divisi Berkaki. Yang akan dibahas pada penelitian ini adalah Robot Cerdas Pemadam Api Divisi Beroda. Robot Cerdas Pemadam Api Divisi Beroda adalah Suatu divisi dimana robot menggunakan roda sebagai alat geraknya dengan misi mencari dan memadamkan api di arena lapangan (lihat Gambar 2.1) berbentuk simulasi interior suatu rumah. Pada divisi ini yang diutamakan adalah kemampuan robot bernavigasi dan bermanuver serta kecepatan dalam menyelesaikan misinya tersebut. Robot yang berhasil menemukan dan memadamkan api tercepat dinyatakan sebagai pemenang[8].

Gambar 2.1 Arena/Track Robot Cerdas Pemadam Api Divisi Beroda[8] B. Konsep Dasar Behavior Based Robotic Pendekatan yang biasa digunakan untuk membangun sistem kendali robot adalah dengan menguraikan setiap masalah kedalam rangkaian unit fungsional sebagaimana ditunjukkan pada Gambar 2.2.

Gambar 2.2 Teknik penguraian tradisional untuk sistem kendali mobile robot ke dalam unit-unit fungsional[1]

2

Berbeda dengan pendekatan di atas, behavior based robotic mendesain sistem kendali robot menggunakan pendekatan task achieving behaviors (perilaku dalam menunaikan tugas) sebagaimana ditunjukkan oleh Gambar 2.3. Tiap tugas disebut dengan behavior.

Gambar 2.3 Dekomposisi sistem kendali mobile robot dengan task achieving behaviors[1] Metode dekomposisi ini memiliki arsitektur mobile robot yang sangat berbeda dengan dekomposisi yang berdasarkan unit fungsional (Gambar 2.2). Berbeda secara hardware, dan sejumlah kelebihan lain seperti robutsness, buildability dan testability. Arsitektur Subsumption Arsitektur subsumption adalah struktur BBR yang diusulkan oleh Rodney Brooks[1]. Dalam membangun robotnya, Rodney Brooks menguraikan permasalahan sistem kendali robot sesuai dengan manifestasi luar yang diinginkan oleh sistem kendali robot, tidak berdasarkan pada operasi internal dari sistem kendali robot sebagaimana yang telah dilakukan oleh beberapa peneliti sebelumnya. Oleh karena itu, Brooks mendefiniskan sejumlah level kompetensi pada mobile robot mandiri. Level kompetensi adalah spesifikasi informal dari sekelompok perilaku yang diinginkan robot bekerja pada semua lingkungan yang akan dihadapi. Level kompeten yang lebih tinggi menunjukkan kelompok perilaku yang lebih khusus/spesifik. Tiap level kompetensi memasukkan sub kelompok dari level kompetensi sebelumnya. Karena level kompetensi mendefinisikan kelompok perilaku yang valid, dapat dianggap bahwa level yang lebih tinggi memberikan tambahan batasan pada kelompok perilaku tersebut. Rodney Brooks memulai dengan membangun sistem kendali robot yang melaksanakan level kompetensi nol. Perbaikan kesalahan dilakukan dengan teliti. Brooks tidak pernah mengubah sistem ini dan menyebutnya sistem kendali level ke nol. Selanjutnya, dibangun lapisan kendali yang lain yang disebut sistem kendali level kesatu. Level ini dapat menguji data dari level nol dan juga memberikan data ke dalam internal interface level nol, serta menekan data normal yang mengalir. Lapisan ini, dengan tambahan dari lapisan nol melaksanakan level kompetensi pertama. Lapisan ke nol melanjutkan untuk bekerja tanpa mengetahui lapisan di atasnya yang terkadang mengganggu aliran data. Proses yang sama diulangi untuk mendapatkan

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-8

3

level kompetensi yang lebih tinggi sebagaimana ditunjukkan oleh Gambar 2.4.

Level 3

Level 2

Level 1

Sensors

Actuators

Level 0

Gambar 2.4 Arsitektur subsumption[1] C. Fuzzy Logic Logika fuzzy pertama kali diperkenalkan oleh Prof. Lotfy A. Zadeh dari Universitas California di Barkeley (1965)[3].Berbeda dengan logika Boolean yang hanya membagi suatu keadaan menjadi dua kondisi yaitu 0 dan 1, logika fuzzy memberikan kemungkinan suatu keadaan dalam interval antara 0 dan 1. Berikut adalah ilustrasi perbedaan tersebut :

Crips Input: Input yang tegas dan tertentu (seperti 90 derajat) Membership Function: Definisi fuzzy set dengan memetakan crisp input dari domainnya ke derajat keanggotaannya. Label : Nama dari suatu fungsi keanggotaan. Scope/Domain: Lebar fungsi keanggotaan. Degree of Membership Function :Derajat keanggotaan dimana nilai crisp kompatibel dengan fungsi keanggotaan (dari 0 sampai 1). Universe of Discourse: Semesta pembicaraan adalah rentang input yang mungkin masuk ke dalam sistem. Desain Sistem Fuzzy Untuk membentuk sistem fuzzy, ada tiga tahapan yang harus dilakukan yaitu fuzzification, rule evaluation dan defuzzification. Gambar berikut ini menunjukkan tiga tahap tersebut lengkap dengan parameter-parameter yang diperlukan dalam setiap tahapannya. Crisp Inputs Input Membership Functions

FUZZIFICATION

Fuzzy Inputs

60

Hangat

Panas

69,9

70,1

70 Temperatur ( o C)

Hangat

Panas

69,9

80

60

Logika Boolean

Rules

70,1

70 Temperatur ( o C)

Gambar 2.5 Perbedaan antara Logika Boolean dan Logika Fuzzy[3] 0

Dalam logika boolean, temperatur 69,9 C dikategorikan sebagai Hangat, dan 70,1 0C dikategorikan sebagai Panas. Perbedaan yang kecil ini akan menimbulkan reaksi yang berarti terhadap sistem. Sementara dengan logika fuzzy temperatur 69,9 0C dan 70,1 0C masuk dalam kategori yang sama sebagai Hangat sekaligus Panas dan dianggap dalam temperatur yang sama, sehingga tidak akan menimbulkan reaksi yang berarti bagi sistem. Guna lebih mengenal suatu sistem fuzzy, maka harus dipahami istilah-istilah yang sering digunakan dalam fuzzy logic. Berikut ini adalah gambar membership function lengkap dengan parameter-parameternya. LABEL

Degree of Membership Function (Derajat Keanggotaan)

Membership Function Panas

Hangat 1,0 0,7

Crips Input

0,2 0 20

50

70

100

Scope/Domain Universe of Discourse

Gambar 2.6 Membership Function[3]

Fuzzy Outputs

80

Logika Fuzzy

RULE EVALUATION

Output Membership Functions

DEFUZZIFICATION

Crisp Outputs

Gambar 2.7 Tahapan dalam Logika Fuzzy[3] Fuzzification: Memproses crisp input menjadi fuzzy input yang berupa membership function, misalnya crisp suhu 270 C akan ditransformasikan sebagai “hangat” dalam fuzzy, kecepatan 100 Km/jam ditransformasikan sebagai “cepat”, dsb. Rule Evaluation : Tahapan penggunaan aturan (rule) untuk menentukan aksi kontrol apa yang harus dilakukan dalam merespon input. Berikut adalah format rule yang biasa digunakan dalam fuzzy : If Antecedent 1 AND Antecedent 2 AND …Then Consequent 1 AND Consequent 2 AND … Defuzzification : Tahapan terakhir setelah rule evaluation adalah defuzzification. Dalam defuzzifikasi, seluruh fuzzy output yang signifikan akan dikombinasikan ke dalam variabel keluaran yang spesifik. Salah satu teknik defuzzyfikasi yang sering digunakan adalah metode Centre of Gravity (COG).

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-8 III. PERANCANGAN SISTEM A. Perancangan dan Implementasi Perangkat Keras Perancangan perangkat keras pada penelitian ini terdiri dari dua bagian yaitu rancang bagun mekanik robot dan desain sistem elektronik. Desain Mekanik Sistem mekanik yang baik, mendukung pergerakan robot menjadi lebih baik, oleh karena itu perancangan mekanik dalam hal ini bodi dan rangka robot haruslah proporsional dengan panjang dan lebar serta tinggi dari robot. Material yang digunakan pada pembuatan rangka bodi robot ini menggunakan bahan acrilic dengan ketebalan 3 mm, bentuk dan dimensi robot dirancang secara proporsional dengan harapan robot dapat bermanuver dengan baik salah satunya adalah gerakan pivot pada satu titik. Berikut Gambar 3.1 adalah hasil rancangan mekanik robot cerdas pemadam api.

Gambar 3.1 Hasil rancangan mekanik robot cerdas pemadam api Desain Sistem Elektronik Dengan mengacu kepada diagram blok sistem elektronik pada Gambar 3.2, terdiri dari bagian masukan, bagian kendali, bagian keluaran dan bagian catu daya (baterai). Pada bagian masukan berupa lima buah sensor ultrasonik, enam buah sensor pendeteksi warna lantai dan tombol keypad yang berfungsi untuk memilih dan mengatur settingan pada robot. Pada bagian kendali menggunakan mikrokontroler Atmega128. Pada bagian keluaran berupa penampil LCD 2*16 dan driver motor sebagai penggerak aktuator robot.

4 B. Desain Sistem Navigasi Berbasis Perilaku Aksi-aksi yang diperlukan untuk mengatur navigasi robot cerdas pemadam api di dalam arena/track adalah: navigasi aman (tanpa merusak dinding arena/track). mengikuti dinding (wall following). mengenali setiap ruangan. mengenali target (titik api). dapat kembali pulang ke Home setelah memadamkan api Berikut Gambar 3.3 rancangan behavior based pada robot cerdas pemadam api.

Gambar 3.3 Rancangan behavior based pada robot cerdas pemadam api Untuk menghubungkan keempat behavior (level-0 hingga level-3), ditambahkan satu bagian koordinator arbitrase. Fungsinya adalah menentukan siapa yang akan memegang kendali aktuator serta menentukan gerakan robot. Arbitrase bertugas mengatur kapan perilaku mengenali posisi start mengambil alih kendali dari perilaku wall following yang ada di level sebelumnya. Koordinator arbitrase ini menggunakan competitive coordinator, pengambilan keputusan pada masingmasing behavior dapat diatur melalui level kompetensinya, serta antar sesama behavior tidak dapat saling mempengaruhi. Hasil rancangan koordinator kompetitif terhadap beberapa behavior dapat dilihat pada Gambar 3.4. Mengenali Posisi Target Mengenali Target

coordinator Action

Mengenali Posisi Start Wall Following

Gambar 3.2 Diagram blok sistem elektronik

Gambar 3.4 Rancangan koordinator arbitrase competitive coordinator

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-8 Navigasi aman mengacu kepada kemampuan robot untuk dapat bergerak di dalam arena/track secara aman. Aman di sini diartikan sebagai tidak merusak dinding. Ini adalah syarat dasar bagi perilaku-perilaku lainnya karena berkaitan langsung dengan keselamatan robot itu sendiri. Apapun perilaku lain yang dimiliki, keselamatan senantiasa menjadi syarat awal yang mutlak dimiliki oleh robot. Kemudian, agar robot senantiasa dapat memperbaiki posisinya dalam arena/track, kemampuan mengikuti dinding (wall following) amat diperlukan. Di dalam arena/track yang hanya ada dinding, panduan terbaik bagi gerakan robot adalah dinding itu sendiri karena dinding sifatnya tidak berubah, posisinya tetap, serta banyak tersedia. Setelah robot dapat bergerak dengan aman dan memperbaiki posisinya, yang selanjutnya diperlukan oleh robot adalah mengenali posisi dimana robot tersebut start atau mengenali dimana posisi Home. Ketidakmampuan mengenali posisi start/home akan membuat usaha robot mencapai target menjadi amat sulit. Tidak hanya mengenali posisi start/Home saja, robot juga harus mampu mengambil keputusan arah yang akan diambil jika robot sudah menemukan juring (tempat peletakan lilin) serta mampu mengenali posisi target dan menyimpan memori navigasi kedalam kode-kode unik. Jalur terpendek diperoleh dari kode-kode unik yang telah dikonversi. Algoritma ini diberi nama dengan algoritma maze mapping, algoritma ini menggunakan metode telusur kiri atau kanan saja.

5 Identifikasi untuk mendapatkan model matematis robot cerdas pemadam api dilakukan dengan menggunakan telusur kanan dan mengikuti dinding arena/track yang dibuat bergelombang supaya timbul perubahan dinamis. Dengan memberi masukan berupa setpoint jarak robot terhadap dinding arena/track, maka kemudian umpan balik sensor jarak sebelah kanan robot akan mengukur posisi robot dan melakukan koreksi yang bertujuan apakah telah sesuai dengan masukan yang diinginkan, bila ada error maka ada gain koreksi untuk mengarahkan posisi robot sesuai pada masukan (setpoint). Gain koreksi tersebut adalah nilai delta_PWM yang diperoleh berdasarkan lookup table dari nilai error. Nilai delta_PWM adalah sebagai masukan (input) plant dan nilai pengukuran sensor jarak adalah keluaran (output) yang dapat dilihat pada Gambar 3.6. Kedua nilai tersebut yang akan di identifikasi untuk mendapatkan model dinamis dari robot. Waktu sampel pengambilan data input-output adalah 20 milidetik dengan waktu pengambilan data selama 5 detik, sehingga didapatkan 250 data masukan dan keluaran.

C. Perancangan Kontroler Pada bagian ini akan dibahas mengenai perancangan kontroler berkaitan dengan proses identifikasi plant dan perancangan kontroler Fuzzy pada manuver robot cerdas pemadam api. Identifikasi Plant Dalam proses perancangan kontroler, model matematis sangat diperlukan untuk mengetahui karakeristik suatu plant yang akan diatur. Untuk mengetahui karakteristik suatu plant perlu dilakukan identifikasi. Proses identifikasi pada robot ini adalah suatu plant yang tak stabil, oleh karena itu proses identifikasi menggunakan metode close-loop untuk melihat respon sistem terhadap sinyal uji yang diberikan. Dengan mendapatkan persamaan matematis dari suatu sistem, analisis dan perancangan kontroler yang sesuai dengan sistem tersebut akan dapat dilakukan dengan mudah. Berikut Gambar 3.5 skema proses identifikasi untuk mendapatkan model matematis dari robot cerdas pemadam api. + Set Point Jarak

error + _ PV

Lookup tabel untuk nilai delta_PWM

ARX

untuk

Motor DC roda kiri

Driver Motor +

Berikut Gambar 3.7 adalah identifikasi mendapatkan model matematis dari Plant

Base PWM kiri

+

-

Gambar 3.6 Sinyal masukan (delta_PWM) dan keluaran (jarak terukur) pada plant robot cerdas pemadam api dengan setpoint jarak 17 cm.

Wahana gerak Motor DC roda kanan

Base PWM kanan

Gambar 3.7 identifikasi ARX ARX untuk mendapatkan model Sensor jarak

Gambar 3.5 Skema proses identifikasi untuk mendapatkan model matematis dari robot cerdas pemadam api

matematis dari Plant

Berikut Gambar 3.8 potongan hasil eksekusi identifikasi ARX berupa fungsi alih transfer plant-nya.

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-8

6 Perancangan Kontroler Logika Fuzzy Pada penelitian ini, kontroler yang dirancang adalah kontroler PD dengan Logika Fuzzy. Berikut Gambar 3.11 adalah Block Diagram perancangan kontroler PD dengan logika Fuzzy.

Gambar 3.8 Potongan hasil eksekusi identifikasi ARX berupa fungsi alih transfer plant-nya. Setelah selesai melakukan identifikasi menggunakan ARX, langkah selanjutnya ialah menguji validasi model tersebut apakah telah sesuai dengan yang diharapakan atau tidak. Berikut cara pengujian validasi model pada Gambar 3.9. dan Gambar 3.10 Hasil dari pengujiannya.

Gambar 3.11 Block Diagram perancangan kontroler PD dengan logika Fuzzy. 1. Fuzzification Fuzzification adalah memproses crisp input menjadi fuzzy input yang berupa membership function. Pada kasus ini yang menjadi crisp input adalah error dan ∆error. Berikut Gambar 3.12 adalah proses Fuzzification pada robot cerdas pemadam api.

Gambar 3.9 Pengujian validasi model matematis

Gambar 3.12 Proses Fuzzification pada robot cerdas pemadam api

Gambar 3.10 Hasil pengujian validasi model Dari hasil pengujian validasi dapat disimpulkan bahwa output model sudah mendekati nilai output sebenarnya. Jadi, model matematis yang didapat dengan cara identifikasi ARX sudah bisa digunakan untuk analisis dan perancangan kontroler.

2. Rule Evaluation Rule Evaluation adalah Tahapan penggunaan aturan (rule) untuk menentukan aksi kontrol apa yang harus dilakukan dalam merespon input fuzzy. Terdapat dua model aturan fuzzy yang digunakan secara luas dalam berbagai aplikasi, yaitu: Model Mamdani dan Model Sugeno. Pada penelitian ini menggunakan aturan fuzzy Model Sugeno. Model Sugeno menggunakan fungsi keanggotaan yang lebih sederhana dibandingkan Model Mamdani. Fungsi keanggotaan tersebut adalah Singleton, yaitu fungsi keanggotaan yang memiliki derajat keanggotaan 1 pada suatu nilai crisp tunggal dan 0 pada semua nilai crisp yang lain. Berikut Gambar 3.13 dan Tabel 3.1 adalah aturan fuzzy yang digunakan pada Robot cerdas pemadam api.

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-8

NL

NM

NS

µ

7 IV. PENGUJIAN DAN ANALISA

Z PS

PM

PL

25

70

200

1

-200

-70

-25

0

Gambar 3.13 Fungsi singleton aturan fuzzy yang digunakan pada robot cerdas pemadam api Tabel 3.1 Aturan fuzzy yang digunakan pada Robot cerdas pemadam api.

3. Defuzzification Defuzzification adalah mengubah fuzzy output menjadi crisp value berdasarkan fungsi keanggotaan yang telah ditentukan. Terdapat berbagai metode defuzzification yang telah berhasil diaplikasikan untuk berbagai macam masalah, diantaranya adalah: - Centroid method - Height method - First (or Last) of Maxima - Mean-Max method - Weighted Average Metode defuzzifikasi yang diaplikasikan pada penelitian ini adalah centroid method atau disebut juga sebagai center of area atau center of gravity. Metode ini menghitung nilai crisp menggunakan rumus: (3.1) di mana y* suatu nilai crisp. Fungsi integration dapat diganti dengan fungsi summation jika y bernilai diskrit, sehingga menjadi: (3.2) dimana y* adalah nilai crisp dan keanggotaan dari y.

R(y)

adalah derajat

A. Analisis Behavior Based pada Robot Pemadam Api Analisis ini dilakukan dengan meletakan sebuah target (titik api) pada sebuah ruangan, lalu robot berjalan dari home , menggunakan mode telusur kiri dan kanan menuju target tersebut. Selama proses berjalannya robot tersebut maka sensor akan menstimuli berbagai perilaku (behavior) yang telah dijelaskan sebelumnya. Selama robot mencari target maka aksitekstur kendali behavior based memegang peranan penting. Saat robot menemui garis pada awal start mengakibatkan behavior mengenali posisi start aktif maka koordinasi perilaku (coordinasi competitif) mengutamakan behavior ini. Untuk lebih jelas mengenai hal pengujian aksitertur behavior based pada robot cerdas pemadam api, perhatikan ilustrasi track percobaanya pada Gambar 4.1.

Gambar 4.1 Track percobaan robot cerdas pemadam api Dalam hal menjelajahi arena/track, diperlukan suatu strategi, salah satu strategi yang dirancang pada robot ini adalah menggunakan algoritma maze mapping. Prinsip dasar dari maze mapping adalah saat robot menjumpai persimpangan, maka untuk aksinya robot akan mengutamakan belok kiri bila menggunakan metode telusur kiri dan belok kanan bila menggunakan telusur kanan. Dan saat menemui garis pada awal start, robot akan menyimpan memori navigasi posisi start. Kemudian saat menemukan api pada sebuah ruangan maka, robot harus bisa memadamkan api, dan saat keluar dari ruangan, jika robot menemui garis maka, robot akan menyimpan memori navigasi posisi target. Dengan mengetahui posisi start dan posisi target maka, perjalanan pulang kembali ke Home dengan jalur terdekat dapat dilakukan.

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-8

8

B. Analisis Kontroler Fuzzy pada Robot Pemadam Api Sebelum kontroler Fuzzy diimplementasikan pada robot cerdas pemadam api dengan menggunakan mikrokontroler Atmega128, ada baiknya mensimulasikan terlebih dahulu kontroler fuzzy yang telah dirancang pada bagian sebelumnya untuk mengetahui kontroler yang telah dirancang tersebut sudah benar atau belum. Berikut Gambar 4.5 adalah simulasi Kontroler Fuzzy

dan cepat. Parameter-parameter kontroler Logika Fuzzy tersebut diperoleh dari hasil tuning eksperimen dengan Gain Ke = 30, Kde = 1 dan Ku = 8. 2. Perancangan algoritma kendali berbasis perilaku (behavior based) telah berhasil diterapkan pada robot cerdas pemadam api dan membuat robot ini selalu berhasil dalam menyelesaikan tugasnya sebagai robot cerdas pemadam api dengan successive ratio 100% selama 20 kali percobaan dengan posisi start dan posisi target diacak (random). B. Saran Untuk kelanjutan riset yang akan datang, diharapkan adanya pengembangan metode kontroler dengan menggunakan kontroler cerdas seperti, neuro-fuzzy, genetik algoritma atau kontroler cerdas lainnya. Selain itu, juga perlu mengembangkan sensor pendeteksi warna lantai yang tidak dapat terpengaruh cahaya lampu, cahaya matahari atau cahaya lainnya.

Gambar 4.5 Simulasi Kontroler Fuzzy

DAFTAR PUSTAKA

Berikut adalah Gambar 4.6 hasil simulasi Kontroler Fuzzy pada robot cerdas pemadam api dengan input sinyal step yang bernilai 2. 4

[1]

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.

[2]

Kweon, I, Kuno, Y, Watanabe, M, Onoguchi, K. (1992). “Behavior Based Mobile Robot Using Active Sensor Fusion”, IEEE Journal of Robotics and Automation, Vol. 2, hal.1675 – 1682.

[3]

Jamsihidi, M. (1993). “Fuzzy Logic and Control”, New Jersey: Prentice-Hall

[4]

Pirjanian, P. (1999). “Behavior coordination mechanisms—State-of-the-art”, Techical Report IRIS (Institute of Robotics and Intelligent Systems),University of Southern California, hal 99- 375.

[5]

Carreras, M, Yuh., J, Batlle, J., Ridao, P. (2004). “A Behavior-Based Scheme Using Reinforcement Learning for Autonomous Underwater Vehicles”, IEEE Journal Of Oceanic Engineering, Vol. 30, No. 2, hal. 416-427.

[6]

Braunl, T. (2006). “Embedded Robotics Second Edition” (2nd edition ed.) Berlin Heidelberg:Springger.

[7]

Fahmizal, (2011). “Implementasi Sistem Navigasi Behavior Base dan Kontroler PID pada Manuver Robot Maze”, Tugas Akhir, Institut Teknologi Sepuluh Nopember, Surabaya.

[8]

Buku Panduan KRCI 2012.

[9]

William, C. (2006). “Feedback and Temprature Control” diakses pada 9 Mei 2012, Tunning a PID Temperature Controller: http://newton.ex.ac.uk/teaching/CDHW/feedback/setupPID.html

3.5

3 2.5

2

1.5 1

0.5

0

0

200

400

600

800

1000

1200

1400

1600

1800

Gambar 4.6 Hasil simulasi Kontroler Fuzzy pada robot cerdas pemadam api Berdasarkan hasil simulasi diatas maka dapat dilihat bahwa kontroler yang telah dirancang pada bagian sebelumnya sudah bagus dan stabil karena mampu mengikuti setpoint yaitu sinyal step yang bernilai 2 sehingga, kontroler fuzzy tersebut sudah bisa diimplementasikan pada robot sesungguhnya. V. KESIMPULAN DAN SARAN A. Kesimpulan Dari hasil penelitian yang telah dilakukan pada pengerjaan tugas akhir ini, maka dapat diperoleh beberapa simpulan diantaranya: 1. Penerapan kontroler Logika Fuzzy pada robot cerdas pemadam api telah mampu membuat pergerakan robot ini menjadi sangat stabil dan mampu membuat robot ini bermanuver dengan aman, halus, responsif