Analisis Kinerja Algoritme Wall-Following pada Variasi Tingkat Ketidakpastian Pembacaan Sensor Jarak Robot (Studi Kasus: Kontes Robot Pemadam Api Indonesia-Divisi Robot Berkaki).
ANALISIS KINERJA ALGORITME WALL-FOLLOWING PADA
VARIASI TINGKAT KETIDAKPASTIAN PEMBACAAN
SENSOR JARAK ROBOT (STUDI KASUS: KONTES ROBOT
PEMADAM API INDONESIA-DIVISI ROBOT BERKAKI)
DIMAS WIRASTOMO HASURUNGAN NAPITUPULU
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Analisis Kinerja
Algoritme Wall-Following pada Variasi Tingkat Ketidakpastian Pembacaan Sensor
Jarak Robot (Studi Kasus: Kontes Robot Pemadam Api Indonesia-Divisi Robot
Berkaki) adalah benar karya saya dengan arahan dari komisi pembimbing dan
belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Agustus 2015
Dimas Wirastomo Hasurungan Napitupulu
NIM G64100131
ABSTRAK
DIMAS WIRASTOMO HASURUNGAN NAPITUPULU. Analisis Kinerja
Algoritme Wall-Following pada Variasi Tingkat Ketidakpastian Pembacaan Sensor
Jarak Robot (Studi Kasus: Kontes Robot Pemadam Api Indonesia-Divisi Robot
Berkaki). Dibimbing oleh KARLISA PRIANDANA dan VEKTOR DEWANTO.
Wall-following adalah salah satu metode navigasi yang digunakan untuk
menyusuri kontur dinding. Penelitian ini menganalisis perilaku algoritme wallfollowing standar pada variasi tingkat ketidakpastian pembacaan sensor jarak robot
berkaki. Simulator yang digunakan adalah Virtual Robot Experimentation
Platform. Bentuk alur dinding yang dibangun menyerupai huruf S. Lebar robot
yang digunakan 0.50 meter dan lebar lorong dinding 0.75 meter. Algoritme wallfollowing diintegrasikan pada robot dan diberikan nilai galat yang diperoleh dari
fungsi distribusi normal acak. Simulasi menunjukkan bahwa untuk ukuran robot
dan dinding yang ditetapkan, nilai maksimum deviasi standar yang masih dapat
ditoleransi adalah 0.18 meter. Nilai tersebut setara dengan nilai galat 0.11 meter
dalam Kontes Robot Pemadam Api Indonesia. Semakin besar nilai deviasi standar
galat, maka semakin besar panjang gesekan antara robot dengan dinding. Namun,
nilai galat tidak selalu berpengaruh buruk terhadap total waktu simulasi dan jarak
tempuh robot.
Kata kunci: galat, ketidakpastian, navigasi, wall-following
ABSTRACT
DIMAS WIRASTOMO HASURUNGAN NAPITUPULU. Analysis of WallFollowing Algorithm Performance on Various Levels of Robot’s Distance Sensor
Readings Uncertainty (Case Study: Indonesia Fire Fighting Robot Contest-Legged
Robot Division). Supervised by KARLISA PRIANDANA and VEKTOR
DEWANTO.
Wall-following is a navigation method that is used to follow the contour of
the wall. This study analyzes the behavior of plain wall-following algorithm at
varying levels of uncertainty of legged robot’s distance sensor readings. The
utilized simulator is Virtual Robot Experimentation Platform. The simulated wallfollowing trajectory was built to resemble the letter S. The robot’s width is 0.50
meter, and the distance between left and right walls is 0.75 meter. Wall-following
algorithm is integrated in the robot, and the error value is obtained from a random
normal distribution function. Simulations revealed that for the determined
dimensions of robot and trajectory, the maximum value of the error’s standard
deviation that is still tolerable is 0.18 meter. This value is equivalent to an error
standar deviation of 0.11 meter in Indonesia Fire Fighting Robot Contest. The
standard deviation of error is proportional to the length of friction between the robot
and the wall. However, there was no evidence that the error values give negative
impacts to the total simulation time and total distance.
Keywords: error, navigation, uncertainty, wall-following
ANALISIS KINERJA ALGORITME WALL-FOLLOWING PADA
VARIASI TINGKAT KETIDAKPASTIAN PEMBACAAN
SENSOR JARAK ROBOT (STUDI KASUS: KONTES ROBOT
PEMADAM API INDONESIA-DIVISI ROBOT BERKAKI)
DIMAS WIRASTOMO HASURUNGAN NAPITUPULU
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
Penguji: DrEng Heru Sukoco, SSi MT
PRAKATA
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala
karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih
dalam penelitian yang dilaksanakan sejak bulan Februari 2015 ini ialah analisis
terhadap algoritme wall-following, dengan judul Analisis Kinerja Algoritme WallFollowing pada Variasi Tingkat Ketidakpastian Pembacaan Sensor Jarak Robot
(Studi Kasus: Kontes Robot Pemadam Api Indonesia-Divisi Robot Berkaki).
Terima kasih penulis ucapkan kepada Ibu Karlisa Priandana, ST MEng dan
Bapak Vektor Dewanto, ST MEng selaku pembimbing. Terima kasih juga penulis
ucapkan pada Bapak DrEng Heru Sukoco, SSi MT sebagai koordinator lab
keilmuan Net Centric Computing yang telah banyak memberikan saran dan
masukkan terhadap penelitian ini. Ungkapan terima kasih juga penulis ucapkan
kepada ayah, ibu, keluarga, Dhira, Kresna, Ilkom angkatan 47, rekan-rekan NCC,
dan UKM MAX!! IPB atas doa dan dukungan selama ini.
Semoga karya ilmiah ini bermanfaat.
Bogor, Agustus 2015
Dimas Wirastomo Hasurungan Napitupulu
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR ALGORITME
vi
DAFTAR LAMPIRAN
vii
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE
2
Pembangunan Simulator
2
Implementasi Wall-Following
4
Pembangunan Evaluator
4
Pembangkitan Galat
4
Pengujian
5
Analisis Hasil
5
HASIL DAN PEMBAHASAN
6
Pembangunan Simulator
6
Implementasi Wall-Following
7
Pembangunan Evaluator
7
Pembangkitan Galat
7
Pengujian
9
Analisis Hasil
KESIMPULAN DAN SARAN
10
13
Kesimpulan
13
Saran
13
DAFTAR PUSTAKA
13
LAMPIRAN
14
DAFTAR TABEL
1
2
3
4
5
6
7
Aturan standar untuk left dan right wall-following
Hasil 50 kali perulangan percobaan algoritme
left wall-following, untuk setiap nilai devasi standar
dengan nilai rataan galat = 0
Hasil 50 kali perulangan percobaan algoritme
right wall-following, untuk setiap nilai devasi standar
dengan nilai rataan galat = 0
Hasil rata-rata 50 kali perulangan percobaan terhadap
algoritme left wall-following, untuk setiap nilai devasi standar
dengan nilai rataan galat = 0
Hasil rata-rata 50 kali perulangan percobaan terhadap
algoritme right wall-following, untuk setiap nilai
devasi standar dengan nilai rataan galat = 0
Hasil rata-rata percobaan terhadap algoritme left
wall-following setelah dinormalisasi metode min-max [0,1]
serta hasil penjumlahan dari ketiga parameter yang diuji
Hasil rata-rata percobaan terhadap algoritme right
wall-following setelah dinormalisasi metode min-max [0,1]
serta hasil penjumlahan dari ketiga parameter yang diuji
7
9
10
10
10
12
12
DAFTAR GAMBAR
Alur penelitian
Robot Hexapod real (a) dan simulasi (b)
Visualisasi dari Persamaan 1
Peta berbentuk "S" yang dibangun dalam simulasi
Lima arah sinar sensor Hokuyo yang dipakai
Evaluator: jejak robot (a) dan jendela konsol (b)
Grafik waktu (sumbu x) terhadap jarak robot dengan
dinding (sumbu y)
8 Grafik hasil rata-rata percobaan terhadap algoritme
left wall-following
9 Grafik hasil rata-rata percobaan terhadap algoritme
right wall-following
10 Grafik hasil penjumlahan ketiga parameter dari algoritme
left dan right wall-following
1
2
3
4
5
6
7
3
3
4
6
6
8
8
11
11
12
DAFTAR ALGORITME
1
2
Pseudocode pembangkitan galat dalam Python
Pseudocode pembangkitan galat dalam V-REP
8
9
DAFTAR LAMPIRAN
1
2
3
Potongan program left dan right wall-following standar
14
Potongan program pembangkitan galat dalam Python dan V-REP 16
Hasil 50 kali perulangan percobaan left dan right wall-following
untuk setiap nilai deviasi standar
17
1
PENDAHULUAN
Latar Belakang
Perkembangan ilmu pengetahuan dan teknologi robotika telah sampai pada
zaman autonomus robot. Autonomous robot adalah robot yang mampu berperilaku
secara mandiri. Autonomous robot dapat dibagi menjadi 2, yaitu autonomous
stationary robot dan autonomous mobile robot. Sistem navigasi menjadi bagian
terpenting pada autonomous mobile robot agar robot mampu bergerak secara
mandiri. Sistem navigasi pada autonomous mobile robot dapat diartikan sebagai
suatu kemampuan untuk memandu pergerakan dari suatu posisi ke posisi lain yang
dituju melalui penentuan posisi dan arah geraknya (Siegwart dan Nourbakhsh
2004).
Wall-following merupakan salah satu metode navigasi yang digunakan untuk
menyusuri kontur dinding. Metode ini biasanya digunakan robot yang memiliki
kemampuan menyusuri dinding atau labirin untuk menyelesaikan misi-misi
tertentu. Algoritme wall-following bertujuan menjaga agar jarak robot pada dinding
tetap pada batas yang diinginkan selama robot bernavigasi. Wall-following dapat
dicapai dari salah satu di antara 4 metode, yaitu: kontak, non-kontak (sensor aktif),
non-kontak (sensor pasif), dan kontak lunak (Gordon dan Myke 2006).
Ketidakpastian timbul ketika robot kekurangan informasi untuk melakukan
tugasnya. Hal ini diakibatkan dari lima faktor yang berbeda, yaitu: lingkungan,
sensor, robot, model, dan komputasi (Thrun et al. 2000). Lingkungan pada dunia
nyata tidak dapat diprediksi karena bersifat dinamis. Sensor pada dasarnya memiliki
batasan untuk mendeteksi objek, keterbatasan muncul karena 2 faktor utama, yaitu:
jangkauan dan resolusi sensor, serta pengaruh gangguan terhadap sensor yang
mempengaruhi hasil dari pengukuran sensor sehingga informasi yang didapat
kurang akurat. Penggerak robot meliputi motor yang pada batasan tertentu tidak
terduga, karena dipengaruhi oleh kontrol gangguan dan wear-and-tear. Model robot
adalah abstraksi dari robot pada dunia nyata. Model tersebut hanya melakukan
sebagian proses fisik dari robot dan lingkungannya. Kesalahan pada model adalah
sumber ketidakpastian yang dihindari pada bidang robotik. Robot adalah real-time
systems sehingga jumlah komputasi yang dapat dikerjakan terbatas. Hal ini
membuat algoritme yang digunakan lebih mengutamakan ketepatan waktu
dibandingkan akurasi.
Penelitian ini akan menganalisis perilaku algoritme wall-following terhadap
ketidakpastian pembacaan sensor robot pada robot berkaki dan mendapatkan nilai
tingkat ketidakpastian pembacaan sensor robot yang masih dapat ditoleransi oleh
algoritme wall-following.
Perumusan Masalah
Permasalahan yang akan dibahas, yaitu:
1 Seberapa tinggi tingkat ketidakpastian pembacaan sensor jarak yang
mengakibatkan algoritme wall-following tidak berjalan.
2 Seberapa buruk kinerja algoritme wall-following terhadap variasi tingkat
ketidakpastian pembacan sensor jarak.
2
Tujuan Penelitian
Tujuan penelitian dari penelitian ini adalah:
1 Mendapatkan nilai maksimum tingkat ketidakpastian pembacaan sensor jarak
yang masih dapat ditoleransi oleh algoritme wall-following.
2 Melakukan analisis kinerja algoritme wall-following terhadap ketidakpastian
pembacaan sensor jarak pada robot berkaki.
3 Mengetahui metrik kinerja yang sesuai untuk menganalisis atau mengukur
kinerja algoritme wall-following.
Manfaat Penelitian
Dengan diketahuinya nilai deviasi standar maksimal yang dapat ditoleransi
dari nilai galat acak distribusi normal, maka pemilihan spesifikasi sensor jarak
dapat dilakukan dengan tepat. Dalam hal ini, sensor jarak yang dapat digunakan
adalah sensor jarak dengan nilai kesalahan di bawah nilai toleransi.
Ruang Lingkup Penelitian
Ruang lingkup penelitian dibatasi pada:
1 Varian algoritme wall-following yang diuji dalam penelitian ini adalah algoritme
wall-following standar.
2 Nilai galat sensor merupakan nilai acak berdistribusi normal dengan rataan (µ =
0) dan sebuah deviasi standar (σ) tertentu yang divariasikan dalam penelitian.
3 Robot dan sensor yang digunakan dalam simulator adalah Hexapod dan Hokuyo
URG 04LX UG01_Fast.
4 Lapangan yang dikembangkan mengacu pada ketentuan Kontes Robot Pemadam
Api Indonesia 2015, berfokus pada aturan lebar dinding sebesar 0.46 meter.
5 Menggunakan simulator Virtual Robot Experimentation Platform (V-REP).
METODE
Metode yang digunakan terdiri atas tahap pembangunan simulator,
implementasi wall-following, pembangunan evaluator, pembangkitan galat,
pengujian, dan analisis hasil. Alur tahapan penelitian dapat dilihat pada Gambar 1.
Pembangunan Simulator
Robot
Robot yang digunakan adalah robot hexapod dapat dilihat pada Gambar 2.
Robot hexapod memiliki bentuk badan berbentuk segienam, 6 buah kaki identik,
dan 3 buah servo di setiap kaki.
3
Mulai
Pembangunan
Simulator
Implementasi
Wall-Following
Pembangunan
Evaluator
Selesai
Analisis Hasil
Pembangkitan
Galat
Pengujian
Gambar 1 Alur penelitian
(a)
(b)
Gambar 2 Robot Hexapod real (a) dan simulasi (b)
Lingkungan
Lingkungan yang dibangun mengikuti ketentuan KRPAI 2015. Fokus
utamanya tertuju pada aturan lebar dinding atau lorong yang memiliki lebar 0.46
meter dan lebar maksimum robot adalah 0.31 meter. Sehingga didapatkan rasio
antara lebar dinding dengan lebar robot adalah 1.5:1 (Dikti 2014).
Sensor
Sensor yang digunakan adalah sensor Hokuyo URG 04LX UG01_Fast yang
tersedia dalam simulator V-REP. Spesifikasi sensor Hokuyo URG 04LX UG01_Fast (Hokuyo 2009):
Sumber cahaya: Infrared (λ=785nm)
Lebar cahaya: 240o
Resolusi sudut: 0.36o
Jarak operasi: 0.02m-4m
Sistem kerja sensor adalah sensor memancarkan sinar laser pada target
(dinding) kemudian sinar tersebut dipantulkan kembali ke sensor. Berkas sinar yang
ditangkap kemudian dianalisis. Perubahan komposisi cahaya yang diterima dari
sebuah target ditetapkan sebagai sebuah karakter objek. Waktu perjalanan sinar saat
dipancarkan dan diterima kembali, diperlukan sebagai variabel penentu perhitungan
jarak dari benda ke sensor.
4
Implementasi Wall-Following
Pada tahap ini, algoritme wall-following diintegrasikan pada robot. Algoritme
wall-following terbagi menjadi 2, yaitu left wall-following dan right wall-following.
Inti dari algoritme wall-following adalah menjaga agar jarak antara robot dengan
dinding konstan. Pada penelitian ini, pembacaan jarak antara sensor dengan dinding
diberi suatu nilai galat seperti pada Persamaan 1 dan divisualisasikan pada Gambar
3.
�′ = � +
(1)
Keterangan:
d’ adalah jarak yang terbaca oleh robot
d adalah jarak yang dikirimkan oleh sensor
x adalah galat pembacaan sensor
Gambar 3 Visualisasi dari Persamaan 1
Pembangunan Evaluator
Pada tahap ini, evaluator dibangun untuk mendapatkan nilai metrik kinerja
dari 3 parameter, sebagai berikut:
1 Durasi waktu yang diperlukan dari mulai sampai selesai.
2 Panjang jarak yang ditempuh oleh robot terhadap lintasan.
3 Panjang gesekan yang terjadi antara robot dengan dinding.
Pembangkitan Galat
Nilai galat didapatkan dari inversi distribusi normal. Persamaan galat
berdistribusi normal dengan deviasi standar (σ) dan rataan (µ = 0) ditunjukkan pada
Persamaan 2 (Michael et al. 1976):
5
=�+
�2
�
√4�� + � 2
−
2� 2�
2
(2)
Keterangan:
x adalah nilai galat
y adalah l2, dengan l = N(µ, σ)
µ adalah rataan
σ adalah deviasi standar
Pengujian
Pengujian terhadap algoritme wall-following dilakukan beberapa kali dengan
nilai deviasi standar yang berbeda-beda. Nilai deviasi standar yang diujikan
memiliki rentang dari σmin sampai σmax. Pengujian dikatakan berhasil jika robot
berhasil mencapai finish. σmin adalah ketika tingkat keberhasilan percobaan
mencapai 100% dan kondisi saat robot selama simulasi tidak menghasilkan gesekan
dengan dinding, sedangkan σmax adalah ketika tingkat keberhasilan dari percobaan
mencapai lebih dari 50% dan kondisi saat robot sudah menghasilkan gesekan
maksimal dengan dinding.
Analisis Hasil
Analisis hasil dilakukan dengan membandingkan hasil dari pengujian
beberapa nilai deviasi standar. Nilai hasil didapatkan dengan menjumlahkan ketiga
parameter yang terdapat pada evaluator. Untuk menyeragamkan nilai yang berbeda
rentang dan satuan, maka dilakukan normalisasi dengan metode min-max terlebih
dahulu. Persamaan normalisasi min-max ditunjukkan pada Persamaan 3 (Han dan
Kamber 2006). Setelah normalisasi, maka nilai setiap parameter akan berada pada
rentang [a,b] yang dalam hal ini diambil nilai [0,1]. Hasil penjumlahan paling besar
menunjukkan nilai galat sangat berpengaruh dan memiliki nilai kepastian yang
paling buruk, sedangkan hasil penjumlahan yang paling kecil menunjukkan nilai
galat kurang berpengaruh dan memiliki nilai kepastian yang paling bagus.
�′ =
�− � �
� �� − �
�
Keterangan:
v’ adalah nilai normalisasi
v adalah nilai pengamatan
vmax adalah nilai maksimal
vmin adalah nilai minimum
a adalah nilai batas bawah, dengan a = 0
b adalah nilai batas atas, dengan b = 1
−
+
(3)
6
HASIL DAN PEMBAHASAN
Pembangunan Simulator
Pada tahap ini, simulasi dibangun menggunakan simulator V-REP yang
memakai bahasa pemrograman Lua. Lingkungan dibangun sesuai aturan KRPAI
2015 yang berfokus pada lebar lorong atau pintu antar dinding dari ruangan yang
diperlombakan. Adapun rasio yang digunakan 1.5:1, dengan lebar antar-dinding
adalah 0.75 meter dan lebar robot adalah 0.50 meter. Bentuk alur dinding yang
dibangun menyerupai huruf “S” dengan 4 belokan, untuk 2 belokan ke kiri dan 2
belokan ke kanan yang dapat dilihat pada Gambar 4. Pemilihan ini dilakukan karena
lintasan berbentuk huruf “S” sudah mewakili untuk lintasan lurus, tikungan ke kiri,
dan tikungan ke kanan.
Gambar 4 Peta berbentuk "S" yang dibangun dalam simulasi
Sensor yang digunakan pada penelitian ini memiliki lebar cahaya sebesar
180o dengan jarak operasi maksimal 4 meter. Dalam lebar cahaya sebesar 180o
terdapat 684 sinar yang ditembakan sensor ke objek atau dinding, dari 684 sinar
yang ada hanya digunakan 5 sinar untuk membantu robot bernavigasi. Kelima sinar
yang dipakai adalah sinar ke-1 untuk arah kanan, sinar ke-161 untuk arah serong
kanan, sinar ke-342 untuk arah depan, sinar ke-523 untuk arah serong kiri, dan sinar
ke-684 untuk arah kiri (Gambar 5).
Gambar 5 Lima arah sinar sensor Hokuyo yang dipakai
7
Sensor mengirimkan string signal ke robot yang berisi data panjang jarak
dari sensor ke objek atau dinding. Sensor diletakkan tepat di atas dan di tengah
badan robot. Threshold yang digunakan untuk masing-masing sensor, yaitu: sensor
kanan dan kiri bernilai 0.35 meter, sensor serong kiri dan sensor serong kanan
bernilai 0.60 meter, serta sensor depan bernilai 0.50 meter. Jika jarak sensor kurang
dari nilai threshold maka dekat, sebaliknya jika jarak sensor lebih dari nilai
threshold maka jauh.
Implementasi Wall-following
Algoritme wall-following yang digunakan adalah algoritme wall-following
standar seperti pada Lampiran 1, aturan standar untuk keluaran wall-following
ditampilkan pada Tabel 1.
Tabel 1 Aturan standar untuk left dan right wall-following
No
1
2
3
4
5
6
7
8
Samping
Dekat
Dekat
Dekat
Jauh
Jauh
Dekat
Jauh
Jauh
Masukan sensor
Serong
Dekat
Dekat
Jauh
Dekat
Jauh
Jauh
Dekat
Jauh
Depan
Dekat
Jauh
Dekat
Dekat
Dekat
Jauh
Jauh
Jauh
Keluaran wall-following
Left
Right
Kanan1
Kanan0.8
Kanan1
Kanan1
Kanan1
Kanan0.8
Kanan0.8
Kiri1
Kiri1
Kiri0.8
Kiri1
Kiri1
Kiri1
Kiri0.8
Kiri0.8
Kanan1
Keterangan:
Kiri1 = belok 90o ke kiri
Kiri0.8 = belok 72o ke kiri
Kanan1 = belok 90o ke kanan
Kanan0.8 = belok 72o ke kanan
Pembangunan Evaluator
Pada simulator, nilai-nilai yang menjadi parameter untuk evaluasi metriks
kinerja, masing-masing didapat dari jejak garis kuning atau jejak robot yang
tercetak pada lintasan simulator (Gambar 6a), lalu nilai dari panjang garis tersebut
akan tercetak pada jendela konsol dalam satuan meter (Gambar 6b). Waktu dan
panjang jarak gesekan dapat terlihat pada jendela grafik antara waktu (sumbu x) dan
jarak robot dengan dinding (sumbu y) seperti pada Gambar 7.
Pembangkitan Galat
Nilai galat didapat dari library numpy yang terdapat pada bahasa
pemrograman Python. Nilai rataan tetap, yaitu: 0, sedangkan nilai deviasi standar
berubah. Nilai galat acak yang dihasilkan fungsi numpy.random.normal,
dikirimkan ke pengkodean pembacaan jarak yang terdapat pada V-REP.
Pengiriman nilai galat dikirimkan secara terus-menerus dari awal hingga akhir
simulasi yang dapat dilihat pada Lampiran 2.
8
(a)
(b)
Gambar 6 Evaluator: jejak robot (a) dan jendela konsol (b)
Gambar 7 Grafik waktu (sumbu x) terhadap jarak robot dengan dinding (sumbu y)
Algoritme 1 Pseudocode pembangkitan galat dalam Python
1:
2:
3:
4:
5:
6:
7:
8:
9:
10:
11:
12:
clientID = set number extention API
if clientID success
print 'Connected to remote API Server'
t = time.time()
while (time.time):
mu, sigma = 0, 0 until 2
errorValue = get error from numpy.random.normal(mu, sigma)
packed errorValue
sent packed errorValue to V-REP
time.sleep(0.05) #loop executes once every 0.05 seconds=50ms
else:
print 'Connection not successful'
Hal pertama yang dilakukan dalam bahasa pemrograman Python (Algoritme
1) adalah menyamakan nomor ekstensi API, setelah itu jika berhasil connect akan
tercetak 'Connected successful' dan jika gagal connect akan tercetak
'Connection not successful'. Jika berhasil connect maka ditentukan nilai
rataan dan deviasi standar yang diingikan, serta didapatkan nilai galat dari fungsi
numpy.random.normal. Nilai galat yang dihasilkan berbentuk array, sehingga
perlu dilakukan pemaketan terlebih dahulu sebelum dikirim ke V-REP.
9
Algoritme 2 Pseudocode pembangkitan galat dalam V-REP
1: set extention number same with number in Python
2: get errorValue from Python
3:
Unpack errorValue
Hal pertama yang dilakukan dalam V-REP yang menggunakan bahasa
pemrograman Lua (Algoritme 2) adalah menyamakan nomor ekstensi API, setelah
itu menerima dan membuka paket yang dikirimkan.
Pengujian
Pengujian dilakukan dengan 50 kali simulasi untuk setiap nilai deviasi
standar galat, seperti yang dapat dilihat pada Lampiran 3. Simulasi dilakukan untuk
algoritme left dan right wall-following, sehingga total simulasi yang dilakukan
adalah 50 x 6 x 2, di mana 6 adalah jumlah nilai deviasi standar galat yang diujikan,
2 adalah jenis wall-following yaitu left dan right wall-following. Persentase
keberhasilan dari setiap nilai deviasi standar untuk algoritme left dan right wallfollowing ditunjukkan pada Tabel 2 dan 3.
Tabel 2 Hasil 50 kali perulangan percobaan algoritme left wallfollowing, untuk setiap nilai devasi standar dengan nilai
rataan galat = 0
Deviasi standar (m), µ = 0
0.00
0.05
0.10
0.15
0.18
0.20
Berhasil Gagal
50
49
42
34
27
11
0
1
8
16
23
39
Persentase berhasil
100%
98%
84%
68%
54%
22%
Berdasarkan Tabel 2 dan 3, dapat ditentukan nilai deviasi standar 0.00 meter
sebagai σmin, sedangkan nilai deviasi standar 0.18 meter sebagai σmax, maka nilai
galat maksimal yang dapat ditoleransi dalam KRPAI adalah 0.11 meter. Dari 50
kali simulasi untuk setiap nilai deviasi standar yang diuji (Lampiran 3), didapatkan
nilai rata-rata dari ketiga parameter yang diuji (Tabel 4 dan 5).
10
Tabel 3 Hasil 50 kali perulangan percobaan algoritme right wallfollowing, untuk setiap nilai devasi standar dengan nilai
rataan galat = 0
Deviasi standar (m), µ = 0
Berhasil
Gagal
Persentase berhasil
0.00
0.05
0.10
0.15
0.18
0.20
50
48
40
33
29
13
0
2
10
17
21
37
100%
96%
80%
66%
58%
26%
Tabel 4 Hasil rata-rata 50 kali perulangan percobaan terhadap algoritme left
wall-following, untuk setiap nilai devasi standar dengan nilai rataan
galat = 0
Deviasi standar
(m), µ = 0
Rata-rata jarak
tempuh (m)
Rata-rata gesekan
terhadap dinding (m)
Rata-rata waktu
(dt = 50ms)
0.00
0.05
0.10
0.15
0.18
10.880 ± 0.014
10.911 ± 0.208
10.842 ± 0.323
10.871 ± 0.378
10.952 ± 0.441
0.000 ± 0.000
0.007 ± 0.034
0.128 ± 0.300
0.456 ± 0.599
0.649 ± 0.687
97.572 ± 0.135
94.223 ± 3.116
93.305 ± 4.020
94.518 ± 5.327
94.935 ± 4.704
Tabel 5 Hasil rata-rata 50 kali perulangan percobaan terhadap algoritme right
wall-following, untuk setiap nilai devasi standar dengan nilai rataan
galat = 0
Deviasi standar
(m), µ = 0
Rata-rata jarak
tempuh (m)
Rata-rata gesekan
terhadap dinding (m)
Rata-rata waktu
(dt = 50ms)
0.00
0.05
0.10
0.15
0.18
10.938 ± 0.019
10.954 ± 0.211
10.851 ± 0.259
11.059 ± 0.775
10.885 ± 0.545
0.000 ± 0.000
0.029 ± 0.110
0.191 ± 0.398
0.597 ± 1.045
0.854 ± 1.038
96.531 ± 0.327
95.779 ± 3.344
93.970 ± 4.241
97.249 ± 8.197
94.409 ± 5.808
Analisis Hasil
Berdasarkan Tabel 4 dan 5, didapatkan grafik yang ditampilkan pada
Gambar 8 dan 9. Di antara 3 nilai parameter yang diuji, rata-rata nilai gesekan
terhadap dinding memiliki trend monoton naik dari deviasi standar kecil ke besar.
Sedangkan, rata-rata nilai jarak tempuh dan rata-rata nilai waktu tidak memiliki
trend yang monoton naik ataupun turun. Hal ini terjadi karena nilai galat yang
ditambahkan pada nilai pembacaan sensor jarak robot terhadap dinding, dapat
berakibat memperpendek ataupun memperpanjang jarak tempuh, serta dapat
mempercepat ataupun memperlambat waktu simulasi. Dengan demikian,
perubahan deviasi standar galat hanya mempengaruhi gesekan dengan dinding.
11
100
12
99
10
97
Jarak (m)
8
96
95
6
94
4
93
Waktu (dt = 50ms)
98
92
2
91
90
0
0,00
0,05
0,10
0,15
0,20
Deviasi standar (m)
Tempuh (m)
Gesekan (m)
Waktu (dt=50ms)
Gambar 8 Grafik hasil rata-rata percobaan terhadap algoritme left wall-following
Selanjutnya, analisis dilakukan dengan cara menjumlahkan antara hasil ratarata jarak tempuh, hasil rata-rata durasi waktu yang diperlukan, dan hasil rata-rata
gesekan yang terjadi antara robot dengan dinding. Untuk menyamakan efek dari
semua parameter, dilakukan normalisasi metode min-max dengan nilai minimum =
0 dan nilai maksimal = 1 yang ditunjukkan pada Tabel 6 dan 7.
12
100
99
10
97
Jarak (m)
8
96
6
95
94
4
93
Waktu (dt = 50ms)
98
92
2
91
0
90
0,00
0,05
0,10
0,15
0,20
Deviasi standar (m)
Tempuh (m)
Gesekan (m)
Waktu (dt=50ms)
Gambar 9 Grafik hasil rata-rata percobaan terhadap algoritme right wall-following
Pada Tabel 6, dapat dilihat bahwa hasil penjumlahan terbesar diperoleh saat
deviasi standar bernilai 0.18 dan terkecil saat deviasi standar bernilai 0.10.
Sedangkan, pada Tabel 7 hasil penjumlahan terbesar diperoleh saat deviasi standar
bernilai 0.15 dan terkecil saat deviasi standar bernilai 0.10. Dari data hasil
12
penjumlahan pada Tabel 6 dan 7 diperoleh grafik hasil penjumlahan ketiga
parameter pada Gambar 10.
Tabel 6 Hasil rata-rata percobaan terhadap algoritme left wall-following setelah
dinormalisasi metode min-max [0,1] serta hasil penjumlahan dari ketiga
parameter yang diuji
Deviasi standar
(m)
0.00
0.05
0.10
0.15
0.18
Rata-rata
jarak tempuh
0.345
0.627
0.000
0.264
1.000
Rata-rata gesekan
terhadap dinding
0.000
0.011
0.197
0.703
1.000
Rata-rata
waktu
1.000
0.215
0.000
0.284
0.382
Hasil
penjumlahan
1.345
0.853
0.197
1.251
2.382
Tabel 7 Hasil rata-rata percobaan terhadap algoritme right wall-following setelah
dinormalisasi metode min-max [0,1] serta hasil penjumlahan dari ketiga
parameter yang diuji
Deviasi standar
(m)
0.00
0.05
0.10
0.15
0.18
Rata-rata
jarak tempuh
0.418
0.495
0.000
1.000
0.163
Rata-rata gesekan
terhadap dinding
0.000
0.034
0.224
0.699
1.000
Rata-rata
waktu
0.781
0.552
0.000
1.000
0.134
Hasil
penjumlahan
1.199
1.081
0.224
2.699
1.297
Pada Gambar 10, dapat kita lihat bahwa hasil penjumlahan dari 3 parameter
metriks kinerja yang diuji tidak menghasilkan trend yang monoton naik ataupun
turun, sehingga penjumlahan dari ketiga parameter tersebut tidak dapat
menunjukkan korelasi yang monoton antara deviasi standar dengan total nilai galat
yang dihasilkan.
3
Hasil Penjumlahan
2,5
2
1,5
1
0,5
0
0,00
0,05
0,10
0,15
0,20
Standar Deviasi (m)
LEFT
RIGHT
Gambar 10 Grafik hasil penjumlahan ketiga parameter dari algoritme
left dan right wall-following
13
KESIMPULAN DAN SARAN
Kesimpulan
Penelitian ini menunjukkan bahwa algoritme wall-following standar dapat
menoleransi nilai galat dengan nilai maksimum deviasi standar 0.18 meter yang
ekuivalen proporsional dengan 0.11 meter dalam Kontes Robot Pemadam Api
Indonesia. Hasil eksperimen menunjukkan bahwa semakin besar nilai deviasi
standar galat, maka semakin besar nilai gesekan antara robot dengan dinding.
Namun, nilai galat tidak selalu berpengaruh buruk terhadap total waktu simulasi
dan jarak tempuh robot.
Saran
Algoritme wall-following yang digunakan pada penelitian ini adalah
algoritme yang sederhana. Algoritme wall-following lain yang lebih advance
mungkin dapat digunakan untuk mendapatkan hasil yang lebih baik. Selain itu,
jumlah sensor yang menjadi acuan navigasi robot juga perlu ditambahkan agar
hasilnya lebih maksimal dan dapat menggunakan distribusi probabilitas lain untuk
mendapatkan nilai galat.
DAFTAR PUSTAKA
[Dikti] Direktorat Pendidikan Tinggi. 2014. Panduan Kontes Robot Pemadam Api
Indonesia (KRPAI) Beroda dan Berkaki 2015. Jakarta (ID): Direktorat
Pendidikan Tinggi.
Gordon M, Myke P. 2006. Robot Builder’s Bonanza. Ed ke-3. New York (US):
McGraw-Hill.
Han J, Kamber M. 2006. Data Mining Concepts and Techniques. Ed ke-2. Oxford
(GB): Elsevier.
Hokuyo. 2009. Scanning laser range finder URG 04LX UG01 (simple-URG)
[internet]. [diunduh 2015 Jun 7]. Tersedia pada :http://www.hokuyoaut.jp/02sensor/07scanner/download/pdf/URG-04LX_UG01_spec_en.pdf
Michael JR, Schucany WR, Haas RW. 1976. Generating Random Variates Using
Transformations with Multiple Roots. Boston (US): American Statistical
Association.
Siegwart R, Nourbakhsh IR. 2004. Introduction to autonomous mobile robots.
Cambridge (US): Massachusetts Institute of Technology.
Thrun S, Fox D, Burgard W. 2000. Probabilistic Robotic. Cambridge (US):
Massachusetts Institute of Technology Press.
14
Lampiran 1 Potongan program left dan right wall-following standar
--LeftWF
if ((L~=nil) and ((L+errL)
VARIASI TINGKAT KETIDAKPASTIAN PEMBACAAN
SENSOR JARAK ROBOT (STUDI KASUS: KONTES ROBOT
PEMADAM API INDONESIA-DIVISI ROBOT BERKAKI)
DIMAS WIRASTOMO HASURUNGAN NAPITUPULU
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Analisis Kinerja
Algoritme Wall-Following pada Variasi Tingkat Ketidakpastian Pembacaan Sensor
Jarak Robot (Studi Kasus: Kontes Robot Pemadam Api Indonesia-Divisi Robot
Berkaki) adalah benar karya saya dengan arahan dari komisi pembimbing dan
belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Agustus 2015
Dimas Wirastomo Hasurungan Napitupulu
NIM G64100131
ABSTRAK
DIMAS WIRASTOMO HASURUNGAN NAPITUPULU. Analisis Kinerja
Algoritme Wall-Following pada Variasi Tingkat Ketidakpastian Pembacaan Sensor
Jarak Robot (Studi Kasus: Kontes Robot Pemadam Api Indonesia-Divisi Robot
Berkaki). Dibimbing oleh KARLISA PRIANDANA dan VEKTOR DEWANTO.
Wall-following adalah salah satu metode navigasi yang digunakan untuk
menyusuri kontur dinding. Penelitian ini menganalisis perilaku algoritme wallfollowing standar pada variasi tingkat ketidakpastian pembacaan sensor jarak robot
berkaki. Simulator yang digunakan adalah Virtual Robot Experimentation
Platform. Bentuk alur dinding yang dibangun menyerupai huruf S. Lebar robot
yang digunakan 0.50 meter dan lebar lorong dinding 0.75 meter. Algoritme wallfollowing diintegrasikan pada robot dan diberikan nilai galat yang diperoleh dari
fungsi distribusi normal acak. Simulasi menunjukkan bahwa untuk ukuran robot
dan dinding yang ditetapkan, nilai maksimum deviasi standar yang masih dapat
ditoleransi adalah 0.18 meter. Nilai tersebut setara dengan nilai galat 0.11 meter
dalam Kontes Robot Pemadam Api Indonesia. Semakin besar nilai deviasi standar
galat, maka semakin besar panjang gesekan antara robot dengan dinding. Namun,
nilai galat tidak selalu berpengaruh buruk terhadap total waktu simulasi dan jarak
tempuh robot.
Kata kunci: galat, ketidakpastian, navigasi, wall-following
ABSTRACT
DIMAS WIRASTOMO HASURUNGAN NAPITUPULU. Analysis of WallFollowing Algorithm Performance on Various Levels of Robot’s Distance Sensor
Readings Uncertainty (Case Study: Indonesia Fire Fighting Robot Contest-Legged
Robot Division). Supervised by KARLISA PRIANDANA and VEKTOR
DEWANTO.
Wall-following is a navigation method that is used to follow the contour of
the wall. This study analyzes the behavior of plain wall-following algorithm at
varying levels of uncertainty of legged robot’s distance sensor readings. The
utilized simulator is Virtual Robot Experimentation Platform. The simulated wallfollowing trajectory was built to resemble the letter S. The robot’s width is 0.50
meter, and the distance between left and right walls is 0.75 meter. Wall-following
algorithm is integrated in the robot, and the error value is obtained from a random
normal distribution function. Simulations revealed that for the determined
dimensions of robot and trajectory, the maximum value of the error’s standard
deviation that is still tolerable is 0.18 meter. This value is equivalent to an error
standar deviation of 0.11 meter in Indonesia Fire Fighting Robot Contest. The
standard deviation of error is proportional to the length of friction between the robot
and the wall. However, there was no evidence that the error values give negative
impacts to the total simulation time and total distance.
Keywords: error, navigation, uncertainty, wall-following
ANALISIS KINERJA ALGORITME WALL-FOLLOWING PADA
VARIASI TINGKAT KETIDAKPASTIAN PEMBACAAN
SENSOR JARAK ROBOT (STUDI KASUS: KONTES ROBOT
PEMADAM API INDONESIA-DIVISI ROBOT BERKAKI)
DIMAS WIRASTOMO HASURUNGAN NAPITUPULU
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
Penguji: DrEng Heru Sukoco, SSi MT
PRAKATA
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala
karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih
dalam penelitian yang dilaksanakan sejak bulan Februari 2015 ini ialah analisis
terhadap algoritme wall-following, dengan judul Analisis Kinerja Algoritme WallFollowing pada Variasi Tingkat Ketidakpastian Pembacaan Sensor Jarak Robot
(Studi Kasus: Kontes Robot Pemadam Api Indonesia-Divisi Robot Berkaki).
Terima kasih penulis ucapkan kepada Ibu Karlisa Priandana, ST MEng dan
Bapak Vektor Dewanto, ST MEng selaku pembimbing. Terima kasih juga penulis
ucapkan pada Bapak DrEng Heru Sukoco, SSi MT sebagai koordinator lab
keilmuan Net Centric Computing yang telah banyak memberikan saran dan
masukkan terhadap penelitian ini. Ungkapan terima kasih juga penulis ucapkan
kepada ayah, ibu, keluarga, Dhira, Kresna, Ilkom angkatan 47, rekan-rekan NCC,
dan UKM MAX!! IPB atas doa dan dukungan selama ini.
Semoga karya ilmiah ini bermanfaat.
Bogor, Agustus 2015
Dimas Wirastomo Hasurungan Napitupulu
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR ALGORITME
vi
DAFTAR LAMPIRAN
vii
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE
2
Pembangunan Simulator
2
Implementasi Wall-Following
4
Pembangunan Evaluator
4
Pembangkitan Galat
4
Pengujian
5
Analisis Hasil
5
HASIL DAN PEMBAHASAN
6
Pembangunan Simulator
6
Implementasi Wall-Following
7
Pembangunan Evaluator
7
Pembangkitan Galat
7
Pengujian
9
Analisis Hasil
KESIMPULAN DAN SARAN
10
13
Kesimpulan
13
Saran
13
DAFTAR PUSTAKA
13
LAMPIRAN
14
DAFTAR TABEL
1
2
3
4
5
6
7
Aturan standar untuk left dan right wall-following
Hasil 50 kali perulangan percobaan algoritme
left wall-following, untuk setiap nilai devasi standar
dengan nilai rataan galat = 0
Hasil 50 kali perulangan percobaan algoritme
right wall-following, untuk setiap nilai devasi standar
dengan nilai rataan galat = 0
Hasil rata-rata 50 kali perulangan percobaan terhadap
algoritme left wall-following, untuk setiap nilai devasi standar
dengan nilai rataan galat = 0
Hasil rata-rata 50 kali perulangan percobaan terhadap
algoritme right wall-following, untuk setiap nilai
devasi standar dengan nilai rataan galat = 0
Hasil rata-rata percobaan terhadap algoritme left
wall-following setelah dinormalisasi metode min-max [0,1]
serta hasil penjumlahan dari ketiga parameter yang diuji
Hasil rata-rata percobaan terhadap algoritme right
wall-following setelah dinormalisasi metode min-max [0,1]
serta hasil penjumlahan dari ketiga parameter yang diuji
7
9
10
10
10
12
12
DAFTAR GAMBAR
Alur penelitian
Robot Hexapod real (a) dan simulasi (b)
Visualisasi dari Persamaan 1
Peta berbentuk "S" yang dibangun dalam simulasi
Lima arah sinar sensor Hokuyo yang dipakai
Evaluator: jejak robot (a) dan jendela konsol (b)
Grafik waktu (sumbu x) terhadap jarak robot dengan
dinding (sumbu y)
8 Grafik hasil rata-rata percobaan terhadap algoritme
left wall-following
9 Grafik hasil rata-rata percobaan terhadap algoritme
right wall-following
10 Grafik hasil penjumlahan ketiga parameter dari algoritme
left dan right wall-following
1
2
3
4
5
6
7
3
3
4
6
6
8
8
11
11
12
DAFTAR ALGORITME
1
2
Pseudocode pembangkitan galat dalam Python
Pseudocode pembangkitan galat dalam V-REP
8
9
DAFTAR LAMPIRAN
1
2
3
Potongan program left dan right wall-following standar
14
Potongan program pembangkitan galat dalam Python dan V-REP 16
Hasil 50 kali perulangan percobaan left dan right wall-following
untuk setiap nilai deviasi standar
17
1
PENDAHULUAN
Latar Belakang
Perkembangan ilmu pengetahuan dan teknologi robotika telah sampai pada
zaman autonomus robot. Autonomous robot adalah robot yang mampu berperilaku
secara mandiri. Autonomous robot dapat dibagi menjadi 2, yaitu autonomous
stationary robot dan autonomous mobile robot. Sistem navigasi menjadi bagian
terpenting pada autonomous mobile robot agar robot mampu bergerak secara
mandiri. Sistem navigasi pada autonomous mobile robot dapat diartikan sebagai
suatu kemampuan untuk memandu pergerakan dari suatu posisi ke posisi lain yang
dituju melalui penentuan posisi dan arah geraknya (Siegwart dan Nourbakhsh
2004).
Wall-following merupakan salah satu metode navigasi yang digunakan untuk
menyusuri kontur dinding. Metode ini biasanya digunakan robot yang memiliki
kemampuan menyusuri dinding atau labirin untuk menyelesaikan misi-misi
tertentu. Algoritme wall-following bertujuan menjaga agar jarak robot pada dinding
tetap pada batas yang diinginkan selama robot bernavigasi. Wall-following dapat
dicapai dari salah satu di antara 4 metode, yaitu: kontak, non-kontak (sensor aktif),
non-kontak (sensor pasif), dan kontak lunak (Gordon dan Myke 2006).
Ketidakpastian timbul ketika robot kekurangan informasi untuk melakukan
tugasnya. Hal ini diakibatkan dari lima faktor yang berbeda, yaitu: lingkungan,
sensor, robot, model, dan komputasi (Thrun et al. 2000). Lingkungan pada dunia
nyata tidak dapat diprediksi karena bersifat dinamis. Sensor pada dasarnya memiliki
batasan untuk mendeteksi objek, keterbatasan muncul karena 2 faktor utama, yaitu:
jangkauan dan resolusi sensor, serta pengaruh gangguan terhadap sensor yang
mempengaruhi hasil dari pengukuran sensor sehingga informasi yang didapat
kurang akurat. Penggerak robot meliputi motor yang pada batasan tertentu tidak
terduga, karena dipengaruhi oleh kontrol gangguan dan wear-and-tear. Model robot
adalah abstraksi dari robot pada dunia nyata. Model tersebut hanya melakukan
sebagian proses fisik dari robot dan lingkungannya. Kesalahan pada model adalah
sumber ketidakpastian yang dihindari pada bidang robotik. Robot adalah real-time
systems sehingga jumlah komputasi yang dapat dikerjakan terbatas. Hal ini
membuat algoritme yang digunakan lebih mengutamakan ketepatan waktu
dibandingkan akurasi.
Penelitian ini akan menganalisis perilaku algoritme wall-following terhadap
ketidakpastian pembacaan sensor robot pada robot berkaki dan mendapatkan nilai
tingkat ketidakpastian pembacaan sensor robot yang masih dapat ditoleransi oleh
algoritme wall-following.
Perumusan Masalah
Permasalahan yang akan dibahas, yaitu:
1 Seberapa tinggi tingkat ketidakpastian pembacaan sensor jarak yang
mengakibatkan algoritme wall-following tidak berjalan.
2 Seberapa buruk kinerja algoritme wall-following terhadap variasi tingkat
ketidakpastian pembacan sensor jarak.
2
Tujuan Penelitian
Tujuan penelitian dari penelitian ini adalah:
1 Mendapatkan nilai maksimum tingkat ketidakpastian pembacaan sensor jarak
yang masih dapat ditoleransi oleh algoritme wall-following.
2 Melakukan analisis kinerja algoritme wall-following terhadap ketidakpastian
pembacaan sensor jarak pada robot berkaki.
3 Mengetahui metrik kinerja yang sesuai untuk menganalisis atau mengukur
kinerja algoritme wall-following.
Manfaat Penelitian
Dengan diketahuinya nilai deviasi standar maksimal yang dapat ditoleransi
dari nilai galat acak distribusi normal, maka pemilihan spesifikasi sensor jarak
dapat dilakukan dengan tepat. Dalam hal ini, sensor jarak yang dapat digunakan
adalah sensor jarak dengan nilai kesalahan di bawah nilai toleransi.
Ruang Lingkup Penelitian
Ruang lingkup penelitian dibatasi pada:
1 Varian algoritme wall-following yang diuji dalam penelitian ini adalah algoritme
wall-following standar.
2 Nilai galat sensor merupakan nilai acak berdistribusi normal dengan rataan (µ =
0) dan sebuah deviasi standar (σ) tertentu yang divariasikan dalam penelitian.
3 Robot dan sensor yang digunakan dalam simulator adalah Hexapod dan Hokuyo
URG 04LX UG01_Fast.
4 Lapangan yang dikembangkan mengacu pada ketentuan Kontes Robot Pemadam
Api Indonesia 2015, berfokus pada aturan lebar dinding sebesar 0.46 meter.
5 Menggunakan simulator Virtual Robot Experimentation Platform (V-REP).
METODE
Metode yang digunakan terdiri atas tahap pembangunan simulator,
implementasi wall-following, pembangunan evaluator, pembangkitan galat,
pengujian, dan analisis hasil. Alur tahapan penelitian dapat dilihat pada Gambar 1.
Pembangunan Simulator
Robot
Robot yang digunakan adalah robot hexapod dapat dilihat pada Gambar 2.
Robot hexapod memiliki bentuk badan berbentuk segienam, 6 buah kaki identik,
dan 3 buah servo di setiap kaki.
3
Mulai
Pembangunan
Simulator
Implementasi
Wall-Following
Pembangunan
Evaluator
Selesai
Analisis Hasil
Pembangkitan
Galat
Pengujian
Gambar 1 Alur penelitian
(a)
(b)
Gambar 2 Robot Hexapod real (a) dan simulasi (b)
Lingkungan
Lingkungan yang dibangun mengikuti ketentuan KRPAI 2015. Fokus
utamanya tertuju pada aturan lebar dinding atau lorong yang memiliki lebar 0.46
meter dan lebar maksimum robot adalah 0.31 meter. Sehingga didapatkan rasio
antara lebar dinding dengan lebar robot adalah 1.5:1 (Dikti 2014).
Sensor
Sensor yang digunakan adalah sensor Hokuyo URG 04LX UG01_Fast yang
tersedia dalam simulator V-REP. Spesifikasi sensor Hokuyo URG 04LX UG01_Fast (Hokuyo 2009):
Sumber cahaya: Infrared (λ=785nm)
Lebar cahaya: 240o
Resolusi sudut: 0.36o
Jarak operasi: 0.02m-4m
Sistem kerja sensor adalah sensor memancarkan sinar laser pada target
(dinding) kemudian sinar tersebut dipantulkan kembali ke sensor. Berkas sinar yang
ditangkap kemudian dianalisis. Perubahan komposisi cahaya yang diterima dari
sebuah target ditetapkan sebagai sebuah karakter objek. Waktu perjalanan sinar saat
dipancarkan dan diterima kembali, diperlukan sebagai variabel penentu perhitungan
jarak dari benda ke sensor.
4
Implementasi Wall-Following
Pada tahap ini, algoritme wall-following diintegrasikan pada robot. Algoritme
wall-following terbagi menjadi 2, yaitu left wall-following dan right wall-following.
Inti dari algoritme wall-following adalah menjaga agar jarak antara robot dengan
dinding konstan. Pada penelitian ini, pembacaan jarak antara sensor dengan dinding
diberi suatu nilai galat seperti pada Persamaan 1 dan divisualisasikan pada Gambar
3.
�′ = � +
(1)
Keterangan:
d’ adalah jarak yang terbaca oleh robot
d adalah jarak yang dikirimkan oleh sensor
x adalah galat pembacaan sensor
Gambar 3 Visualisasi dari Persamaan 1
Pembangunan Evaluator
Pada tahap ini, evaluator dibangun untuk mendapatkan nilai metrik kinerja
dari 3 parameter, sebagai berikut:
1 Durasi waktu yang diperlukan dari mulai sampai selesai.
2 Panjang jarak yang ditempuh oleh robot terhadap lintasan.
3 Panjang gesekan yang terjadi antara robot dengan dinding.
Pembangkitan Galat
Nilai galat didapatkan dari inversi distribusi normal. Persamaan galat
berdistribusi normal dengan deviasi standar (σ) dan rataan (µ = 0) ditunjukkan pada
Persamaan 2 (Michael et al. 1976):
5
=�+
�2
�
√4�� + � 2
−
2� 2�
2
(2)
Keterangan:
x adalah nilai galat
y adalah l2, dengan l = N(µ, σ)
µ adalah rataan
σ adalah deviasi standar
Pengujian
Pengujian terhadap algoritme wall-following dilakukan beberapa kali dengan
nilai deviasi standar yang berbeda-beda. Nilai deviasi standar yang diujikan
memiliki rentang dari σmin sampai σmax. Pengujian dikatakan berhasil jika robot
berhasil mencapai finish. σmin adalah ketika tingkat keberhasilan percobaan
mencapai 100% dan kondisi saat robot selama simulasi tidak menghasilkan gesekan
dengan dinding, sedangkan σmax adalah ketika tingkat keberhasilan dari percobaan
mencapai lebih dari 50% dan kondisi saat robot sudah menghasilkan gesekan
maksimal dengan dinding.
Analisis Hasil
Analisis hasil dilakukan dengan membandingkan hasil dari pengujian
beberapa nilai deviasi standar. Nilai hasil didapatkan dengan menjumlahkan ketiga
parameter yang terdapat pada evaluator. Untuk menyeragamkan nilai yang berbeda
rentang dan satuan, maka dilakukan normalisasi dengan metode min-max terlebih
dahulu. Persamaan normalisasi min-max ditunjukkan pada Persamaan 3 (Han dan
Kamber 2006). Setelah normalisasi, maka nilai setiap parameter akan berada pada
rentang [a,b] yang dalam hal ini diambil nilai [0,1]. Hasil penjumlahan paling besar
menunjukkan nilai galat sangat berpengaruh dan memiliki nilai kepastian yang
paling buruk, sedangkan hasil penjumlahan yang paling kecil menunjukkan nilai
galat kurang berpengaruh dan memiliki nilai kepastian yang paling bagus.
�′ =
�− � �
� �� − �
�
Keterangan:
v’ adalah nilai normalisasi
v adalah nilai pengamatan
vmax adalah nilai maksimal
vmin adalah nilai minimum
a adalah nilai batas bawah, dengan a = 0
b adalah nilai batas atas, dengan b = 1
−
+
(3)
6
HASIL DAN PEMBAHASAN
Pembangunan Simulator
Pada tahap ini, simulasi dibangun menggunakan simulator V-REP yang
memakai bahasa pemrograman Lua. Lingkungan dibangun sesuai aturan KRPAI
2015 yang berfokus pada lebar lorong atau pintu antar dinding dari ruangan yang
diperlombakan. Adapun rasio yang digunakan 1.5:1, dengan lebar antar-dinding
adalah 0.75 meter dan lebar robot adalah 0.50 meter. Bentuk alur dinding yang
dibangun menyerupai huruf “S” dengan 4 belokan, untuk 2 belokan ke kiri dan 2
belokan ke kanan yang dapat dilihat pada Gambar 4. Pemilihan ini dilakukan karena
lintasan berbentuk huruf “S” sudah mewakili untuk lintasan lurus, tikungan ke kiri,
dan tikungan ke kanan.
Gambar 4 Peta berbentuk "S" yang dibangun dalam simulasi
Sensor yang digunakan pada penelitian ini memiliki lebar cahaya sebesar
180o dengan jarak operasi maksimal 4 meter. Dalam lebar cahaya sebesar 180o
terdapat 684 sinar yang ditembakan sensor ke objek atau dinding, dari 684 sinar
yang ada hanya digunakan 5 sinar untuk membantu robot bernavigasi. Kelima sinar
yang dipakai adalah sinar ke-1 untuk arah kanan, sinar ke-161 untuk arah serong
kanan, sinar ke-342 untuk arah depan, sinar ke-523 untuk arah serong kiri, dan sinar
ke-684 untuk arah kiri (Gambar 5).
Gambar 5 Lima arah sinar sensor Hokuyo yang dipakai
7
Sensor mengirimkan string signal ke robot yang berisi data panjang jarak
dari sensor ke objek atau dinding. Sensor diletakkan tepat di atas dan di tengah
badan robot. Threshold yang digunakan untuk masing-masing sensor, yaitu: sensor
kanan dan kiri bernilai 0.35 meter, sensor serong kiri dan sensor serong kanan
bernilai 0.60 meter, serta sensor depan bernilai 0.50 meter. Jika jarak sensor kurang
dari nilai threshold maka dekat, sebaliknya jika jarak sensor lebih dari nilai
threshold maka jauh.
Implementasi Wall-following
Algoritme wall-following yang digunakan adalah algoritme wall-following
standar seperti pada Lampiran 1, aturan standar untuk keluaran wall-following
ditampilkan pada Tabel 1.
Tabel 1 Aturan standar untuk left dan right wall-following
No
1
2
3
4
5
6
7
8
Samping
Dekat
Dekat
Dekat
Jauh
Jauh
Dekat
Jauh
Jauh
Masukan sensor
Serong
Dekat
Dekat
Jauh
Dekat
Jauh
Jauh
Dekat
Jauh
Depan
Dekat
Jauh
Dekat
Dekat
Dekat
Jauh
Jauh
Jauh
Keluaran wall-following
Left
Right
Kanan1
Kanan0.8
Kanan1
Kanan1
Kanan1
Kanan0.8
Kanan0.8
Kiri1
Kiri1
Kiri0.8
Kiri1
Kiri1
Kiri1
Kiri0.8
Kiri0.8
Kanan1
Keterangan:
Kiri1 = belok 90o ke kiri
Kiri0.8 = belok 72o ke kiri
Kanan1 = belok 90o ke kanan
Kanan0.8 = belok 72o ke kanan
Pembangunan Evaluator
Pada simulator, nilai-nilai yang menjadi parameter untuk evaluasi metriks
kinerja, masing-masing didapat dari jejak garis kuning atau jejak robot yang
tercetak pada lintasan simulator (Gambar 6a), lalu nilai dari panjang garis tersebut
akan tercetak pada jendela konsol dalam satuan meter (Gambar 6b). Waktu dan
panjang jarak gesekan dapat terlihat pada jendela grafik antara waktu (sumbu x) dan
jarak robot dengan dinding (sumbu y) seperti pada Gambar 7.
Pembangkitan Galat
Nilai galat didapat dari library numpy yang terdapat pada bahasa
pemrograman Python. Nilai rataan tetap, yaitu: 0, sedangkan nilai deviasi standar
berubah. Nilai galat acak yang dihasilkan fungsi numpy.random.normal,
dikirimkan ke pengkodean pembacaan jarak yang terdapat pada V-REP.
Pengiriman nilai galat dikirimkan secara terus-menerus dari awal hingga akhir
simulasi yang dapat dilihat pada Lampiran 2.
8
(a)
(b)
Gambar 6 Evaluator: jejak robot (a) dan jendela konsol (b)
Gambar 7 Grafik waktu (sumbu x) terhadap jarak robot dengan dinding (sumbu y)
Algoritme 1 Pseudocode pembangkitan galat dalam Python
1:
2:
3:
4:
5:
6:
7:
8:
9:
10:
11:
12:
clientID = set number extention API
if clientID success
print 'Connected to remote API Server'
t = time.time()
while (time.time):
mu, sigma = 0, 0 until 2
errorValue = get error from numpy.random.normal(mu, sigma)
packed errorValue
sent packed errorValue to V-REP
time.sleep(0.05) #loop executes once every 0.05 seconds=50ms
else:
print 'Connection not successful'
Hal pertama yang dilakukan dalam bahasa pemrograman Python (Algoritme
1) adalah menyamakan nomor ekstensi API, setelah itu jika berhasil connect akan
tercetak 'Connected successful' dan jika gagal connect akan tercetak
'Connection not successful'. Jika berhasil connect maka ditentukan nilai
rataan dan deviasi standar yang diingikan, serta didapatkan nilai galat dari fungsi
numpy.random.normal. Nilai galat yang dihasilkan berbentuk array, sehingga
perlu dilakukan pemaketan terlebih dahulu sebelum dikirim ke V-REP.
9
Algoritme 2 Pseudocode pembangkitan galat dalam V-REP
1: set extention number same with number in Python
2: get errorValue from Python
3:
Unpack errorValue
Hal pertama yang dilakukan dalam V-REP yang menggunakan bahasa
pemrograman Lua (Algoritme 2) adalah menyamakan nomor ekstensi API, setelah
itu menerima dan membuka paket yang dikirimkan.
Pengujian
Pengujian dilakukan dengan 50 kali simulasi untuk setiap nilai deviasi
standar galat, seperti yang dapat dilihat pada Lampiran 3. Simulasi dilakukan untuk
algoritme left dan right wall-following, sehingga total simulasi yang dilakukan
adalah 50 x 6 x 2, di mana 6 adalah jumlah nilai deviasi standar galat yang diujikan,
2 adalah jenis wall-following yaitu left dan right wall-following. Persentase
keberhasilan dari setiap nilai deviasi standar untuk algoritme left dan right wallfollowing ditunjukkan pada Tabel 2 dan 3.
Tabel 2 Hasil 50 kali perulangan percobaan algoritme left wallfollowing, untuk setiap nilai devasi standar dengan nilai
rataan galat = 0
Deviasi standar (m), µ = 0
0.00
0.05
0.10
0.15
0.18
0.20
Berhasil Gagal
50
49
42
34
27
11
0
1
8
16
23
39
Persentase berhasil
100%
98%
84%
68%
54%
22%
Berdasarkan Tabel 2 dan 3, dapat ditentukan nilai deviasi standar 0.00 meter
sebagai σmin, sedangkan nilai deviasi standar 0.18 meter sebagai σmax, maka nilai
galat maksimal yang dapat ditoleransi dalam KRPAI adalah 0.11 meter. Dari 50
kali simulasi untuk setiap nilai deviasi standar yang diuji (Lampiran 3), didapatkan
nilai rata-rata dari ketiga parameter yang diuji (Tabel 4 dan 5).
10
Tabel 3 Hasil 50 kali perulangan percobaan algoritme right wallfollowing, untuk setiap nilai devasi standar dengan nilai
rataan galat = 0
Deviasi standar (m), µ = 0
Berhasil
Gagal
Persentase berhasil
0.00
0.05
0.10
0.15
0.18
0.20
50
48
40
33
29
13
0
2
10
17
21
37
100%
96%
80%
66%
58%
26%
Tabel 4 Hasil rata-rata 50 kali perulangan percobaan terhadap algoritme left
wall-following, untuk setiap nilai devasi standar dengan nilai rataan
galat = 0
Deviasi standar
(m), µ = 0
Rata-rata jarak
tempuh (m)
Rata-rata gesekan
terhadap dinding (m)
Rata-rata waktu
(dt = 50ms)
0.00
0.05
0.10
0.15
0.18
10.880 ± 0.014
10.911 ± 0.208
10.842 ± 0.323
10.871 ± 0.378
10.952 ± 0.441
0.000 ± 0.000
0.007 ± 0.034
0.128 ± 0.300
0.456 ± 0.599
0.649 ± 0.687
97.572 ± 0.135
94.223 ± 3.116
93.305 ± 4.020
94.518 ± 5.327
94.935 ± 4.704
Tabel 5 Hasil rata-rata 50 kali perulangan percobaan terhadap algoritme right
wall-following, untuk setiap nilai devasi standar dengan nilai rataan
galat = 0
Deviasi standar
(m), µ = 0
Rata-rata jarak
tempuh (m)
Rata-rata gesekan
terhadap dinding (m)
Rata-rata waktu
(dt = 50ms)
0.00
0.05
0.10
0.15
0.18
10.938 ± 0.019
10.954 ± 0.211
10.851 ± 0.259
11.059 ± 0.775
10.885 ± 0.545
0.000 ± 0.000
0.029 ± 0.110
0.191 ± 0.398
0.597 ± 1.045
0.854 ± 1.038
96.531 ± 0.327
95.779 ± 3.344
93.970 ± 4.241
97.249 ± 8.197
94.409 ± 5.808
Analisis Hasil
Berdasarkan Tabel 4 dan 5, didapatkan grafik yang ditampilkan pada
Gambar 8 dan 9. Di antara 3 nilai parameter yang diuji, rata-rata nilai gesekan
terhadap dinding memiliki trend monoton naik dari deviasi standar kecil ke besar.
Sedangkan, rata-rata nilai jarak tempuh dan rata-rata nilai waktu tidak memiliki
trend yang monoton naik ataupun turun. Hal ini terjadi karena nilai galat yang
ditambahkan pada nilai pembacaan sensor jarak robot terhadap dinding, dapat
berakibat memperpendek ataupun memperpanjang jarak tempuh, serta dapat
mempercepat ataupun memperlambat waktu simulasi. Dengan demikian,
perubahan deviasi standar galat hanya mempengaruhi gesekan dengan dinding.
11
100
12
99
10
97
Jarak (m)
8
96
95
6
94
4
93
Waktu (dt = 50ms)
98
92
2
91
90
0
0,00
0,05
0,10
0,15
0,20
Deviasi standar (m)
Tempuh (m)
Gesekan (m)
Waktu (dt=50ms)
Gambar 8 Grafik hasil rata-rata percobaan terhadap algoritme left wall-following
Selanjutnya, analisis dilakukan dengan cara menjumlahkan antara hasil ratarata jarak tempuh, hasil rata-rata durasi waktu yang diperlukan, dan hasil rata-rata
gesekan yang terjadi antara robot dengan dinding. Untuk menyamakan efek dari
semua parameter, dilakukan normalisasi metode min-max dengan nilai minimum =
0 dan nilai maksimal = 1 yang ditunjukkan pada Tabel 6 dan 7.
12
100
99
10
97
Jarak (m)
8
96
6
95
94
4
93
Waktu (dt = 50ms)
98
92
2
91
0
90
0,00
0,05
0,10
0,15
0,20
Deviasi standar (m)
Tempuh (m)
Gesekan (m)
Waktu (dt=50ms)
Gambar 9 Grafik hasil rata-rata percobaan terhadap algoritme right wall-following
Pada Tabel 6, dapat dilihat bahwa hasil penjumlahan terbesar diperoleh saat
deviasi standar bernilai 0.18 dan terkecil saat deviasi standar bernilai 0.10.
Sedangkan, pada Tabel 7 hasil penjumlahan terbesar diperoleh saat deviasi standar
bernilai 0.15 dan terkecil saat deviasi standar bernilai 0.10. Dari data hasil
12
penjumlahan pada Tabel 6 dan 7 diperoleh grafik hasil penjumlahan ketiga
parameter pada Gambar 10.
Tabel 6 Hasil rata-rata percobaan terhadap algoritme left wall-following setelah
dinormalisasi metode min-max [0,1] serta hasil penjumlahan dari ketiga
parameter yang diuji
Deviasi standar
(m)
0.00
0.05
0.10
0.15
0.18
Rata-rata
jarak tempuh
0.345
0.627
0.000
0.264
1.000
Rata-rata gesekan
terhadap dinding
0.000
0.011
0.197
0.703
1.000
Rata-rata
waktu
1.000
0.215
0.000
0.284
0.382
Hasil
penjumlahan
1.345
0.853
0.197
1.251
2.382
Tabel 7 Hasil rata-rata percobaan terhadap algoritme right wall-following setelah
dinormalisasi metode min-max [0,1] serta hasil penjumlahan dari ketiga
parameter yang diuji
Deviasi standar
(m)
0.00
0.05
0.10
0.15
0.18
Rata-rata
jarak tempuh
0.418
0.495
0.000
1.000
0.163
Rata-rata gesekan
terhadap dinding
0.000
0.034
0.224
0.699
1.000
Rata-rata
waktu
0.781
0.552
0.000
1.000
0.134
Hasil
penjumlahan
1.199
1.081
0.224
2.699
1.297
Pada Gambar 10, dapat kita lihat bahwa hasil penjumlahan dari 3 parameter
metriks kinerja yang diuji tidak menghasilkan trend yang monoton naik ataupun
turun, sehingga penjumlahan dari ketiga parameter tersebut tidak dapat
menunjukkan korelasi yang monoton antara deviasi standar dengan total nilai galat
yang dihasilkan.
3
Hasil Penjumlahan
2,5
2
1,5
1
0,5
0
0,00
0,05
0,10
0,15
0,20
Standar Deviasi (m)
LEFT
RIGHT
Gambar 10 Grafik hasil penjumlahan ketiga parameter dari algoritme
left dan right wall-following
13
KESIMPULAN DAN SARAN
Kesimpulan
Penelitian ini menunjukkan bahwa algoritme wall-following standar dapat
menoleransi nilai galat dengan nilai maksimum deviasi standar 0.18 meter yang
ekuivalen proporsional dengan 0.11 meter dalam Kontes Robot Pemadam Api
Indonesia. Hasil eksperimen menunjukkan bahwa semakin besar nilai deviasi
standar galat, maka semakin besar nilai gesekan antara robot dengan dinding.
Namun, nilai galat tidak selalu berpengaruh buruk terhadap total waktu simulasi
dan jarak tempuh robot.
Saran
Algoritme wall-following yang digunakan pada penelitian ini adalah
algoritme yang sederhana. Algoritme wall-following lain yang lebih advance
mungkin dapat digunakan untuk mendapatkan hasil yang lebih baik. Selain itu,
jumlah sensor yang menjadi acuan navigasi robot juga perlu ditambahkan agar
hasilnya lebih maksimal dan dapat menggunakan distribusi probabilitas lain untuk
mendapatkan nilai galat.
DAFTAR PUSTAKA
[Dikti] Direktorat Pendidikan Tinggi. 2014. Panduan Kontes Robot Pemadam Api
Indonesia (KRPAI) Beroda dan Berkaki 2015. Jakarta (ID): Direktorat
Pendidikan Tinggi.
Gordon M, Myke P. 2006. Robot Builder’s Bonanza. Ed ke-3. New York (US):
McGraw-Hill.
Han J, Kamber M. 2006. Data Mining Concepts and Techniques. Ed ke-2. Oxford
(GB): Elsevier.
Hokuyo. 2009. Scanning laser range finder URG 04LX UG01 (simple-URG)
[internet]. [diunduh 2015 Jun 7]. Tersedia pada :http://www.hokuyoaut.jp/02sensor/07scanner/download/pdf/URG-04LX_UG01_spec_en.pdf
Michael JR, Schucany WR, Haas RW. 1976. Generating Random Variates Using
Transformations with Multiple Roots. Boston (US): American Statistical
Association.
Siegwart R, Nourbakhsh IR. 2004. Introduction to autonomous mobile robots.
Cambridge (US): Massachusetts Institute of Technology.
Thrun S, Fox D, Burgard W. 2000. Probabilistic Robotic. Cambridge (US):
Massachusetts Institute of Technology Press.
14
Lampiran 1 Potongan program left dan right wall-following standar
--LeftWF
if ((L~=nil) and ((L+errL)