Studi komparasi beberapa kaidah kontrol logika fuzzy untuk parkir mobil seri otomatis secara simulasi menggunakan labview
DAFTAR RIWAYAT HIDUP
Data Pribadi
Nama : Muhammad Aulia Rahman
Alamat : Jalan Pemuda No.80, rt.01 rw.08 Kecamatan
Pancoranmas, Kelurahan Depok, Kota Depok 16431
Nomor Telepon : 081809404880
Email : muhammadar20@gmail.com
Jenis Kelamin : Laki-laki
Tanggal Kelahiran : 20 Agustus 1992
Status Marital : Belum menikah
Warga Negara : Indonesia
Agama : Islam
Riwayat Pendidikan
No Sekolah / universitas
1 Sekolah Dasar Negeri Pacoranmas 2 Depok 2 Sekolah Menengah Pertama Negeri 1 Depok 3 Sekolah Menengah Pertama Sejahtera 1 Depok 4 Universitas Komputer Indonesia
(2)
Keterangan : Universitas Komputer Indonesia program studi Teknik Elektro Kendali Fakultas Teknik dan Ilmu Komputer dari tahun 2009 – 2013. Dengan transkrip nilai 3,21.
Pendidikan Non Formal / Training – Seminar
1. “TREND CYBERPRENEURSHIP 2011”,28 Mei 2011 UNIKOM 2. “Linux Desktop, Virtualization & VoIP”, 8 Januari 2011 UNIKOM
3. “Ready to Clouds Computing with Windows 8 and Office 365”, 7 Januari 2012 UNIKOM
4. “Be a successful enterpreneur by developing mobile applications”, 27 September 2011 ITB
Kecakapan Berbahasa
No Bahasa Kemampuan
Membaca Menulis Berbicara Mendengar
1 Indonesia Ya Ya Ya Ya
2 Sunda Ya Ya Ya Ya
3 Inggris Ya Ya Ya Ya
Kemampuan
Kemampuan komputer (Ms.Word, Excell, Power Point).
Kemampuan software (Labview, Matlab, Visual Basic, Delphi). Kemampuan melayout rangkaian elektronika PCB (Trax maker). Menguasai sedikit bahasa inggris
(3)
(4)
TUGAS AKHIR
STUDI KOMPARASI KONTROL LOGIKA FUZZY SECARA SIMULASI UNTUK PARKIR MOBIL SERI OTOMATIS MENGGUNAKAN LABVIEW
Diajukandalamrangkamemenuhisalahsatupersyaratanuntukmenyelesaikan program studi Strata-1 JurusanTeknikElektro
Oleh:
Muhammad Aulia Rahman 13109012
PROGRAM STUDI TEKNIK ELEKTRO
FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS KOMPUTER INDONESIA
BANDUNG
(5)
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Allah SWT, atas rahmat dan hidayah-Nya serta bantuan dari berbagai pihak sehingga penulis dapat menyusun dan menyelesaikan laporan tugas akhir.
Dalam menyusun laporan ini, tentu saja penulis mengalami kesulitan, tetapi berkat adanya bimbingan dan bantuan dari berbagai pihak, akhirnya kesulitan tersebut dapat penulis atasi.Selain itu, penulis menyadari sepenuhnya bahwa laporan ini jauh dari sempurna.Untuk itu, dengan keterbukaan hati, penulis mengharapkan saran dan kritik yang sifatnya membangun demi kesempurnaan laporan berikutnya.
Pada kesempatan ini, tidak lupa penulis ucapkan terima kasih kepada semua pihak yang telah membantu kelancaran penyelesaian laporan ini, terutama kepada:
1. Mama, Papa, Kakak serta seluruh Keluarga yang selalu memberikan semangat ,doa restu serta pengorbanan yang sangat mulia dan tanpa pamrih kecuali mengharapkan ridho-Nya.
2. Bapak Dr. Ir. Eddy Suryanto Soegoto, M.Sc, sebagai Rektor UNIKOM Bandung.
3. Bapak Prof. Dr. H. Denny Kurniadie,Ir., M.Sc., sebagai Dekan Fakultas Teknik dan Ilmu Komputer UNIKOM Bandung.
4. Bapak Muhammad Aria, MT, sebagai Ketua Jurusan Teknik Elektro dan Pembimbing Tugas Akhir UNIKOM Bandung.
(6)
5. Ibu Tri Raharjoeningroem, MT, sebagai koordinator Tugas Akhir Jurusan Teknik Elektro UNIKOM Bandung.
6. Para Dosen Jurusan Teknik Elektro UNIKOM Bandung.
7. Rekan seperjuangan dan teman dalam suka maupun duka selama di bandung Ipan Irwanto yang telah memberikan semangat, motivasi, dan bantuan dalam pembuatan laporan ini.
8. Rekan-rekan mahasiswa dan mahasiswi Teknik Elektro UNIKOM yang telah memberikan bantuan dan semangat selama pembuatan alat dan penulisan laporan ini.
Semoga amal baik yang telah diberikannya mendapat imbalan yang setimpal dari Allah SWT.Amin.
Penulis menyadari sepenuhnya bahwa laporan ini perlu penyempurnaan.Karena itu, kritik dan saran dari semua pihak sangat penulis harapkan.Akhirnya penulis berharap semoga laporan ini dapat memberikan manfaat bagi peningkatan mutu pengajaran Teknik Elektro UNIKOM.
Bandung, Agustus 2013
(7)
DAFTAR ISI
LEMBAR PERSETUJUAN LAPORAN TUGAS AKHIR
ABSTRAK………...E rror! Bookmark not defined.
ABSTRACT ...Error! Bookmark not defined.
KATA PENGANTAR ...Error! Bookmark not defined.
DAFTAR ISI...Error! Bookmark not defined.
DAFTAR GAMBAR ...Error! Bookmark not defined.
DAFTAR TABEL ...Error! Bookmark not defined.
BAB I PENDAHULUAN
1.1 Latar Belakang ...Error! Bookmark not defined.
1.2 Identifikasi Masalah ...Error! Bookmark not defined.
1.3 Rumusan Masalah ...Error! Bookmark not defined.
1.4 Tujuan...Error! Bookmark not defined.
1.5 Batasan Masalah...Error! Bookmark not defined.
1.6 Metode Penelitian...Error! Bookmark not defined.
1.7 Sistematika Penulisan...Error! Bookmark not defined.
BAB II LANDASAN TEORI
(8)
2.2 Perbedaan Logika Fuzzy dan Logika Tegas...Error! Bookmark not defined.
2.3 Himpunan Fuzzy ...Error! Bookmark not defined.
2.4 Dasar Logika Fuzzy...Error! Bookmark not defined.
2.4.1 Fungsi Keanggotaan (Membership Function)Error! Bookmark not defined.
2.5 Cara Kerja Kontrol Logika Fuzzy ...Error! Bookmark not defined.
2.5.1 Fuzzifikasi ...Error! Bookmark not defined.
2.5.2 Aturan Dasar Logika Fuzzy ...Error! Bookmark not defined.
2.5.3 Mesin Penalaran Kontrol Logika Fuzzy (Inference Engine) ...Error! Bookmark not defined.
2.5.4 Defuzzifikasi ...Error! Bookmark not defined.
2.6 Permasalahan Pada Sistem Parkir Seri Otomatis ..Error! Bookmark not defined.
2.7 Perangkat Lunak Labview...Error! Bookmark not defined.
2.7.1 Front Panel...Error! Bookmark not defined.
2.7.2 Blok Diagram ...Error! Bookmark not defined.
2.7.3 Control dan Function Pallete...Error! Bookmark not defined.
BAB III PERANCANGAN SIMULASI
3.1 Perancangan Sistem Parkir Mobil Seri Otomatis ..Error! Bookmark not defined.
(9)
3.2 Kontrol Logika Fuzzy Untuk Mobil Parkir Secara Otomatis...Error! Bookmark not defined.
3.3 Perancangan Fuzzy Inference...Error! Bookmark not defined.
3.4 Perancangan Aturan Logika Fuzzy Pada LabviewError! Bookmark not defined.
BAB IV PENGUJIAN DAN ANALISIS
4.1 Percobaan Simulasi Pertama ...Error! Bookmark not defined.
4.2 Percobaan Simulasi Kedua ...Error! Bookmark not defined.
4.3 Percobaan Simulasi ketiga...Error! Bookmark not defined.
4.4 Percobaan Simulasi keempat...Error! Bookmark not defined.
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan...Error! Bookmark not defined.
5.2 Saran ...Error! Bookmark not defined.
DAFTAR PUSTAKA ...Error! Bookmark not defined.
(10)
DAFTAR PUSTAKA
[1] Aria. Muhammad, Design Of Type-2 Fuzzy Controller For Truck
Backer-Upper Problem, Bandung: Universitas Komputer Indonesia.
[2] “Dasar Logika Fuzzy”, pp. 1-26, Universitas Widyagama Malang, 2008
[3] “PID Control Toolset User Manual”, National Instruments Labview, 2001
[4] K.C. Wu, “Fuzzy Interval Control of Mobile Robots”, Comput. Elect. Eng.,
vol. 22, no. 3, pp. 211-229, 1996
[5] L.-X. Wang and J. M. Mendel, “Generating Fuzzy Rules by Learning From
Example”, IEEE Trans. On System, Man, and Cybernetics, vol 22, no. 6, pp.
1414 – 1427, 1992
[6] D. Nguyen and B. Widrow, “The Truck Backer-Upper: An Example of
Self-Learning in Neural Network”, IEEE Contr. Syst. Mag., vol. 10, no. 2, pp.
(11)
BAB I PENDAHULUAN
1.1 Latar Belakang
Pada era globalisasi seperti sekarang ini, kemajuan ilmu pengetahuan dan teknologi telah mendorong manusia untuk berusaha mengatasi segala permasalahan yang timbul disekitarnya untuk meringankan pekerjaan yang ada.Salah satu perkembangan teknologi ini adalah telah berkembangnya teknologi menggunakan simulasi.
Dimana pembuatan teknologi ini membantu permasalahan yang ada sebelum berkembang ke kenyataannya.Mobil adalah salah satu topik yang ssedang diperbincangkan. Pada saat ini banyak pengguna mobil menginginkan mobil miliknya dapat melakukan proses parkir secara otomatis. Apabila dalam proses parkir mobil otomatis masih banyak kekurangan maka fungsi dari simulasi ini untuk meminimalkan kesalahan-kesalahan yang terjadi saat melakukan proses parkir.
Pada tugas akhir ini dilakukan studi komparasi untuk meminimalisasikan kekurangan dalam proses parkir mobil otomatis. Dengan membuat persamaan kontrol logika fuzzy untuk parkir mobil otomatis dan membandingkannya dengan persamaan kontrol logika fuzzy dari referensi.
1.2 Identifikasi Masalah
Berdasarkan latar belakang yang telah dikemukakan, maka dapat diidentifikasi permasalahan dalam tugas akhir ini yaitu mencari beberapa kontrol
(12)
logika fuzzy dari referensi dan dibandingkan dengan kontrol logika fuzzy yang di rancang untuk mengetahui waktu terbaik untuk melakukan proses parkir mobil seri otomatis.
1.3 Rumusan Masalah
Berdasarkan permasalahan yang teridentifikasi di atas, maka pada tugas akhir ini memiliki rumusan masalah yaitu bagaimana merancang kontrol logika fuzzy untuk parkir mobil seri otomatis dan dibandingkan dengan kontrol logika fuzzy dari referensi.
1.4 Tujuan
Tujuan pada penulisan tugas akhir ini yaitu merancang kontrol logika fuzzy alternatif untuk parkir mobil seri otomatis.
1.5 Batasan Masalah
Untuk menghindari pembahasan yang menyimpang dari topik yang dipilih, maka dalam penyusunan laporan tugas akhir ini permasalahannya dibatasi pada:
1. simulasi menggunakan software LABVIEW 7.1
2. lahan parkir sudah ditentukan pada simulasi ini
3. simulasi ini hanya untuk permasalahan sistem parkir mobil seri otomatis 4. simulasi ini menggunakan metode logika fuzzy
1.6 Metode Penelitian
Dalam menyusun laporan tugas akhir ini diperlukan beberapa metode penelitian. Metode yang digunakan dilakukan dengan cara berikut ini:
(13)
1. tinjauan Pustaka, merupakan suatu metoda pengumpulan data dengan cara membaca atau mempelajari buku-buku yang berhubungan dengan masalah yang menjadi topik dalam skripsi.
2. survey, adalah proses pengamatan secara langsung terhadap permasalahan yang dihadapi.
3. pengumpulan data, merupakan metoda untuk mendapatkan data dari topik yang diambil dengan cara mengajukan pertanyaan secara langsung kepada pihak-pihak yang berkompeten mengenai hal-hal yang dipelajari selama pengerjaan tugas akhir. Pertanyaan-pertanyaan ini diajukan kepada dosen pembimbing di kampus dan sumber lainnya.
4. pengolahan data, merupakan proses pengolahan data-data yang didapat dari hasil pengumpulan data, untuk dijadikan referensi dalam pengerjaan tugas akhir.
5. pengujian, merupakan metoda untuk mengetahui hasil dari perancangan simulasi yang dibuat.
6. analisa, adalah proses pendalaman terhadap simulasi yang dibuat apakah sudah berhasil sesuai dengan yang direncanakan atau belum, selanjutnya akan dilakukan pengujian baik secara teoritis ataupun praktis, dan jika terdapat kekurangan maka akan dilakukan beberapa perbaikan simulasi sehingga akhirnya penulis dapat mengambil sebuah kesimpulan dari penelitian ini.
1.7 Sistematika Penulisan
Sistematika penulisan bertujuan untuk menguraikan urutan penulisan skripsi, susunan dan hubungan antar bab, serta fungsi setiap bab yang ada di skripsi ini, sehingga pembaca dapat lebih jelas, mengerti, dan terarah. Secara garis besar
(14)
sistematika penulisan skripsi dibagi menjadi lima bab pokok, yaitu sebagai berikut:
BABI : PENDAHULUAN
Bab ini meliputi latar belakang, identifikasi masalah, rumusan masalah, tujuan, batasan masalah, metode penelitian, dan sistematika penulisan.
BAB II : LANDASAN TEORI
Berisi teori tentang permasalahan yang dibahas dalam skripsi mulai dari menjelaskan tentang dasar logika fuzzy, penentuan model logika fuzzy.
BAB III :PERANCANGAN SIMULASI
Bab ini berisi tentang perancangan simulasi untuk parkir otomatis.
BABIV : PENGUJIAN DAN ANALISIS
Bab ini berisi tentang hasil pengujian dari simulasi yang dibuat serta analisanya.
BAB V : PENUTUP
Bab ini berisi rincian kesimpulan serta saran untuk kajian lanjutan dari keseluruhan penulisan laporan tugas akhir.
(15)
BAB II
LANDASAN TEORI
2.1 Logika Fuzzy
Logika Fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh pada tahun1965. Teori ini banyak diterapkan di berbagai bidang, antara lain representasipikiran manusia kedalam suatu sistem. Banyak alasan mengapa penggunaanlogika fuzzy ini sering dipergunakan antara lain, konsep logika fuzzy
yang miripdengan konsep berpikir manusia. Sistem fuzzy dapat
merepresentasikanpengetahuan manusia ke dalam bentuk matematis dengan lebih menyerupai caraberpikir manusia.Pengontrol dengan logika fuzzy mempunyai kelebihan yaitudapat mengontrol sistem yang kompleks, non-linier, atau sistem yang sulitdirepresentasikan kedalam bentuk matematis.Selain itu, informasi berupapengetahuan dan pengalaman mempunyai peranan penting dalam mengenaliperilaku sistem di dunia nyata.
Logika fuzzy juga memiliki himpunan fuzzy yang mana pada dasarnya, teorihimpunan fuzzy merupakan perluasan dari teori himpunan klasik. Dimana dengan logika fuzzy, hasil yang keluar tidak akan selalu konstan dengan input yang ada.Cara kerja logika fuzzy secara garis besar terdiri dari input, proses dan output.Logika fuzzy merupakan suatu teori himpunan logika yang dikembangkan
untukmengatasi konsep nilai yang terdapat diantara kebenaran (truth) dan
kesalahan(false). Dengan menggunakan fuzzy logic nilai yang dihasilkan bukan
(16)
2.2 Perbedaan Logika Fuzzy dan Logika Tegas
Perbedaan antara kedua jenis logika ini adalah logika fuzzy memiliki nilai 0 hingga 1, sedangkan logika tegas 0 dan 1.Secara grafik perbedaan logika fuzzy dan logika tegas ditunjukan pada gambar 2.1.
Gambar 2.1 Perbedaan logika fuzzy (a) dan logika tegas (b)
Pada gambar 2.1 (a) apabila x lebih dari atau sama dengan 10 baru dikatakan benar yaitu y=1, sebaliknya nilai x kurang dari 10 adalah salah yaitu y=0. Maka angka 9, 8, dan 7 dan seterusnya adalah dikatakan salah. Pada gambar 2.1 (b) nilai x= 9, 8, atau 7 atau nilai antara 0 – 10 dapat dikatakan benar dan dapat dikatakan salah.
Dalam contoh kehidupan kita seseorang dikatakan sudah dewasa apabila berumur 17 tahun, maka siapapun yang kurang umur dari 17 tahun didalam logika tegas akan dikatakan sebagai belum dewasa atau anak-anak. Sedangkan dalam hal ini pada logika fuzzy umur 17 tahun dapat dikategorikan dewasa tapi belum dewasa, misal untuk umur 16 tahun dan 15 tahun atau 14 tahun dan 13 tahun. Secara grafik dapat digambarkan sebagai berikut.
(17)
Gambar 2.2 Perbandingan contoh logika tegas (a) dan logika fuzzy (b)
2.3 Himpunan Fuzzy
Dalam teori logika fuzzy pengelompokan sesuatu dinyatakan dalam fungsi
dicourse), Fungsi keanggotaan sampai dengan 1.
Contoh dari himpunan variabel bahasa antara lain:
Himpunan suhu atau temperatur
hangat, dan panas.Grafik dari himpunan suhu ini ditun
Gambar 2.3 Contoh keanggotaan himpunan temperatur atau suhu Gambar 2.2 Perbandingan contoh logika tegas (a) dan logika fuzzy (b)
Himpunan Fuzzy
logika fuzzy dikenal himpunan fuzzy (fuzzy sets) yang
sesuatu berdasarkan variabel bahasa (linguistik variabel
dalam fungsi keanggotaan.Didalam semesta pembicaraan keanggotaan dari suatu himpunan fuzzy tersebut
Contoh dari himpunan variabel bahasa antara lain:
atau temperatur dapat dinyatakan dengan dingin,
hangat, dan panas.Grafik dari himpunan suhu ini ditunjukan pada gambar 2.3 ini.
Gambar 2.3 Contoh keanggotaan himpunan temperatur atau suhu Gambar 2.2 Perbandingan contoh logika tegas (a) dan logika fuzzy (b)
) yang merupakan
linguistik variabel), yang
pembicaraan (universe of
fuzzy tersebut bernilai 0
dingin, sejuk, normal, jukan pada gambar 2.3 ini.
(18)
Himpunan umur dapat dinyatakan dengan muda, parobaya, tua, dan sangat tua.Grafik dari himpunan umur ini ditunjukan pada gambar 2.4 ini.
Gambar 2.4 Contoh keanggotaan himpunan umur
Himpunan dari kecepatan dapat dinyatakan dengan lambat, normal, cepat, dan sangat cepat.Grafik dari himpunan umur ini ditunjukan pada gambar 2.5 ini.
(19)
2.4 Dasar Logika Fuzzy
2.4.1 Fungsi Keanggotaan (Membership Function)
Fungsi keanggotaan merupakan suatu kurva yang menunjukkan
pemetaantitik-titik input data kedalam nilai keanggotaanya (disebut juga dengan
derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Untuk
mendapatkannilai keanggotaan dapat menggunakan cara pendekatan fungsi.
Ada beberapa fungsi keanggotaan yang digunakan dalam teori himpunanfuzzy adalah:
Representasi Linier
Pada representasi linear, pemetaan input ke derajat keanggotaan nyadigambarkan sebagai suatu gari lurus. Bentuk ini paling sederhana danmenjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas.Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunandimulai pada nilai domain yang memiliki derajat keanggotaan nol [0]bergerak ke kanan menuju kenilai domain yang memiliki derajat keanggotaan lebih tinggi seperti pada Gambar 2.6.
Gambar 2.6 Representasi Linear Naik Derajat
(20)
Persamaan fungsi keanggotaan linear naik: b x b x a a b a x a x x ; 1 ); /( ) ( ; 0 ) ( ………...(2.1)
Kedua, merupakan kebalikan yang pertama.Garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah seperti pada Gambar 2.7.
Gambar 2.7 Representasi Linear Turun
Fungsi keanggotaan linear turun :
b x b x a a b x b x ; 0 ); /( ) ( ) ( ………...(2.2)
Representasi Kurva Segitiga
Pada dasarnya merupakan gabungan antara 2 garis (linear) seperti
terlihat pada Gambar 2.8.
(21)
Gambar 2.8 Representasi Kurva Segitiga
Persamaan fungsi keanggotaan kurva segitiga:
c x b b c x b b x a a b a x c x atau a x x ); /( ) ( ); /( ) ( ; 0 ) ( ………...(2.3)
Representasi Kurva Trapesium
Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1 seperti pada Gambar 2.9.
Gambar 2.9 Representasi Kurva Trapesium Derajat Keanggotaan Derajat Keanggotaan ) (x
(22)
Persamaan fungsi keanggotaan Kurva Trapesium : d x c c d x d c x b b x a a b a x d x atau a x x ); /( ) ( ; 1 ); /( ) ( ; 0 ) ( ………...(2.4)
Representasi Kurva Bahu
Daerah yang terletak ditengah-tengah suatu variable yang
dipresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan
naik dan turun (misalkan: dingin bergerak ke sejuk bergerak ke hangat
dan bergerak ke panas). Tetapi terkadang salah satu sisi dari variable
tersebut tidak mengalami perubahan. Sebagai contoh, apabila telah mencapai kondisi panas, kenaikan temperature akan tetap berada pada kondisi panas. Himpunan fuzzy ‘bahu’, bukan segitiga, digunakan untuk mengakhiri variable suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikianjuga bahu kanan bergerak dari salah ke benar. Gambar menunjukkan variable temperature dengan daerah bahunya.
Gambar 2.10 Representasi Kurva Bahu
Bahu kiri Bahu kanan Derajat Keanggotaan ) (x Domain
(23)
2.5 Cara Kerja Kontrol Logika Fuzzy
Dalam sistem kontrol logika fuzzy terdapat beberapa tahapan operasional meliputi:
1. Fuzzifikasi.
2. mesin penalaran atau inference engine.
3. aturan dasar (fuzzy rule).
4. defuzzifikasi.
Blok diagram kontrol logika fuzzy ditunjukkan pada gambar 2.11.
(24)
Kerangka operasional kontrol logika fuzzy ditunjukkan pada gambar 2.12.
Gambar 2.12 Kerangka kerja kontrol logika fuzzy
Dari gambar 2.12 sinyal masukan dari kontrol logika fuzzy dapat berupa nilai tegas. Sinyal masukan kontrol logika fuzzy dapat diambilkan dari.
1. Selisih antara nilai rujukan (reference) dengan nilai keluaran nyata dari
kontrol logika fuzzy yang berupa nilai kesalahan (error = E).
2. Turunan pertama dari nilai error yang dikenal dengan delta error = dE
2.5.1 Fuzzifikasi
Fuzzifikasi yaitu suatu proses untuk mengubah suatu masukan dari bentuk tegas (crisp) menjadi fuzzy (variabel linguistik) yang biasanya disajikan dalam bentuk himpunan-himpunan fuzzy dengan suatu fungsi kenggotaannya masing-masing. Contoh dari proses Fuzzification adalah seperti yang ditunjukkan di gambar 2.13. Sebuah sistem fuzzy untuk mengukur suhu mempunyai 5 buah membership function yang mempunyai label sangat dingin, dingin, hangat, panas,
(25)
sangat panas. Kemudian input yang diperoleh dari crisp input adalah 47° maka pengambilan fuzzy input-nya adalah seperti pada gambar 2.13.
Gambar 2.13 Proses perubahan dari crisp/nilai tegas menjadi fuzzy input
Sehingga didapat 2 fuzzy input yang masing-masing adalah: dingin (x2) dan hangat (x1). Nilai x1 dan x2 dapat dicari dengan rumus persamaan garis.Yang menentukan sistem anda sensitif atau tidak adalah membership function ini.Jika membership function-nya banyak maka sistem anda menjadi sensitif. Yang dimaksud dengan sensitif dalam hal ini adalah jika input-nya berubah sedikit saja maka sistem akan cepat merespon dan menghasilkan suatu output lain. Output dari proses fuzzification ini adalah sebuah nilai input fuzzy atau yang biasanya dinamakan fuzzy input.
2.5.2 Aturan Dasar Logika Fuzzy
Aturan dasar atau rule base pada kontrol logika fuzzy merupakan suatu bentuk aturan relasi/implikasi “Jika-Maka” atau “If-Then” seperti pada pernyataan berikut:
“JIKA” X=A dan “JIKA” Y=B “MAKA” Z=C
Contoh dari aturan jika-maka ini pada pengendalian suhu ruangan dengan pengaturan kecepatan kipas angin melalui frekuensi variabel adalah sebagai berikut.
(26)
1. “JIKA” suhu panas dan
2. “JIKA” kecepatan kipas sangat lambat
3. “MAKA” sumber frekuensi dinaikkan sangat tinggi agar kecepatan kipas tinggi
Jadi aturan dasar kontrol logika fuzzy ditentukan dengan bantuan seorang pakar yang mengetahui karakteristik objek yang akan dikendalikan. Aturan dasar tersebut dapat dinyatakan dalam bentuk matrik aturan dasar kontrol logika fuzzy. Contoh aturan dasar pengaturan suhu ruangan dapat dilihat pada tabel berikut.
Tabel 2.1 Contoh matrik aturan dasar perancangan kontrol logika fuzzy
x/y B S K
B K K B
S K S K
K B K B
Dimana,
X= Suhu, Y= Kecepatan Kipas.
2.5.3 Mesin Penalaran Kontrol Logika Fuzzy (Inference Engine)
Mesin penalaran (Inference Engine) adalah proses implikasi dalam
menalar nilai masukan guna penentuan nilai keluar sebagai bentuk pengambil keputusan. Salah satu model penalaran max-min. Dalam penalaran max-min proses pertama yang dilakukan adalah melakukan operasi operasi min sinyal keluaran lapisan fuzzifikasi, yang diteruskan dengan operasi max untuk mencari nilai keluaran yang selanjutnya akan difuzzifikasikan sebagai bentuk keluaran pengontrol. Operasional max-min tersebut dinyatakan sebagai berikut.
(27)
1. Operasi min (
a∩ b = min (a,b) = a if ≤ b
2. Operasi max ( a U b = max (a,b) = a if
Proses penalaran max
Gambar 2.14 Operasi max
2.5.4 Defuzzifikasi
Defuzzifikasi merupakan
(crisp) proses ini merupakan kebalikan ari proses fuzzi
(irisan)
∩ b = min (a,b) = a if ≤ b
= a if a > b………(2.5)
(union)
a U b = max (a,b) = a if ≥ b
= a if a ≥ b………...(2.6)
Proses penalaran max-min dapat dijelaskan dengan gambar 2.14.
Gambar 2.14 Operasi max-min secara grafis
Defuzzifikasi
merupakan proses pemetaan himpunan fuzzy kemampuan oses ini merupakan kebalikan ari proses fuzzifikasi.
= a if a > b………(2.5)
≥ b………...(2.6)
(28)
Metode dalam defuzzifikasi antara lain:
a. Metode Max
Solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan
mengaplikasikannya ke output dengan menggunakan operator OR (union).
Secara umum dapat dituliskan :
µsf [xi] = max(µsf[xi], µkf[xi])...(2.7)
b. Metode Additive (Sum)
Solusi himpunan fuzzy diperoleh dengan cara melakukan bounded sum terhadap semua output daerah fuzzy. Secara umum dapat dituliskan :
µsf [xi] = min(1,µsf[xi] + µkf[xi])...(2.8)
c. Metode Probabilistik OR (probor)
Solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap semua output daerah fuzzy. Secara umum dapat dituliskan :
µsf [xi] = (µsf[xi] + µkf[xi]) - (µsf[xi] * µkf[xi])...(2.9)
Keterangan :
µsf [xi] : nilai keanggotaan solusi fuzzy sampai aturan ke-i
µkf[xi] : nilai keanggotaan konsekuen aturan ke-i
Metode defuzzyfikasi yang akan digunakan adalah Metode Center of Area (COA).
Dimana pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat (z*) daerah fuzzy. Secara umum dirumuskan :
z*= ∫
∫ ...(2.10)
z*= ∑ ( )
(29)
2.6 Permasalahan Pada Sistem Parkir Seri Otomatis
Pada simulasi ini posisi truk ditentukan oleh 3 variable ᴓ, x dan y. Dimana
variable θ merupakan sudut orientasi, dan untuk pasangan koordinat (x,y)
merupakan sebagai posisi dimana mobil akan memulai untuk melakukan proses parkir. Sedangkan output dari simulasi ini yaitu θ, sudut kemudi (steering
angle)yang digunakan untuk mengontrol mobil tersebut agar bisa mencapai posisi
parkir yang ditentukan secara otomatis.
Mobil akan melakukan gerak maju atau mundur dari rules dan
membership function yang telah ditentukan. Sehingga akan menghasilkan kontrol
mobil dengan sudut kemudi yang tepat, agar mobil bisa mencapai posisi awal parkir yang telahditentukan.
Gambar 2.14 Perancangan mobildanlahanparkir
Untuk mempermudah pada simulasi sistem control ini diasumsikan untuk
masukan∅berada pada jarak [-900, -2700] sedangkan untuk masukan x dan y
(30)
Karena sistem ini masih menggunakan simulasi, jadi harus mengetahui terlebih dahulu dinamika prosedur untuk pergerakan maju-mundurnya mobil. Dan pada sistem ini menggunakan persamaan kinematika sebagai berikut.
x(t+1) = x(t) – cos (∅(t) + θ(t))–sin (θ(t) + ∅(t))...(2.12)
y(t+1) = y(t) – sin (∅(t) + θ(t))–cos (θ(t) + ∅(t))...(2.13)
∅(t+1) = ∅(t) – sin -1 ( ( )) ...(2.14) Dimana, (x , y) = koordinat bagian belakang mobil sebagai poros titik tengah
b = panjang dari mobil tersebut
2.7 Perangkat Lunak Labview
LabVIEW adalah sebuah software pemograman yang diproduksi oleh National Instruments. Seperti bahasa pemograman lainnya yaitu C++, matlab atau visual basic, LabVIEW juga mempunyai fungsi dan peranan yang sama, perbedaannya adalah LabVIEW menggunakan bahasa pemrograman berbasis grafis atau blok diagram sedangkan bahasa pemrograman lainnya menggunakan text. Program LabVIEW dikenal dengan sebutan VI atau virtual instruments karena penampilan dan operasinya dapat meniru sebuah instrument. Pada LabVIEW, user pertama-tama membuat user interface atau front panel dengan menggunakan kontrol dan indikator, yang dimaksud dengan kontrol adalah knobs, push buttons, dials dan peralatan input lainnya sedangkan yang dimaksud dengan indikator adalah graphs, LEDs dan peralatan display lainnya. Setelah menyusun user interface, lalu user menyusun blok diagram yang berisi kode-kode VIs untuk
(31)
mengontrol front panel. Software LabVIEW terdiri dari tiga komponen utama,yaitu:
2.7.1 Front Panel
Front Panel adalah bagian window yang mempunyai background abu-abu serta mengandung kontrol dan indikator. Frontpanel digunakan untuk membangun sebuah VI, menjalankan program dan mendebug program. Tampilan dari front panel dapat di lihat pada gambar 2.10.
Gambar 2.10 Front Panel
2.7.2 Blok Diagram
Blok diagram adalah bagian window yang berlatar belakang putih berisi source code yang dibuat dan berfungsi sebagai instruksi untuk front panel. Tampilan dari blok diagram dapat lihat pada gambar 2.11.
(32)
Gambar 2.11 Blok diagram
2.7.3 Control dan Function Pallete
Control dan function palletedigunakan untuk membangun sebuah VI.
a. Control Pallete
Control pallete merupakan tempat beberapa control dan indikator
padafront panel, control pallete hanya tersedia di front panel,
untukmenampilkan control pallete dapat dilakukan dengan mengklik
windows>> show control pallete atau klik kanan pada front panel.Contoh
(33)
Gambar 2.12 Control Pallete
b. Function Pallete
Function pallete di gunakan untuk membangun sebuah blok
diagram,function pallete hanya tersedia pada blok diagram,
untukmenampilkannya dapat dilakukan dengan mengklik windows >>
showcontrol pallete atau klik kanan pada lembar kerja blok diagram.
Contoh dari function palleteditunjukkan pada gambar 2.13.
(34)
BAB III
PERANCANGAN SIMULASI
Pada bab ini dijelaskan perancangan untuk mengetahui alur kerja dari sistem yang akan dibuat. Pada perancangan ini dibuat 2 kontrol logika fuzzy untuk mobil parkir secara otomatis agar dapat mengetahui perbandingan dari segi performansinya.
3.1 Perancangan Sistem Parkir Mobil Seri Otomatis
Kontrol logika fuzzy pada perancangan ini menggunakan modul backward truck yang terdapat pada software labview.Pada modul backward truck ini memiliki 35 aturan dapat dilihat pada tabel 3.2.Untuk struktur modul backward truck ini dapat dilihat pada gambar 3.1.
(35)
Pada modul backward truck memiliki 2 masukan yaitu, x dan y untuk posisi mobil dan ᴓ untuk orientasi dari mobil, dan keluaran pada modul backward truck ini
adalah θ sebagai sudut steering pada mobil.
Bagian fuzzy untuk sistem mobil parkir otomatis ini dapat dilihat pada tabel 3.1
Tabel 3.1 Bagian fuzzy untuk sistem mobil parkir otomatis
Orientasi Mobil Posisi Mobil Sudut Steering Mobil
LD : Left-Down L : Left
LU : Left-Up U : Up
RU : Right Up RD : Right Down
L : Left
LC : Left-Center C : Center
RC : Right-Center R : Right
NB : Negatif-Big NM : Negatif-Med NS : Negatif-Small Z : Zero
PS : Positif-Small PM : Positif-Med PB : Positif-Big
3.2 Kontrol Logika Fuzzy Untuk Mobil Parkir Secara Otomatis
Pada perancangan kontrol logika fuzzy ini memiliki 2 kontrol logika fuzzy yang sudah ditentukan nilainya. Kedua kontrol logika fuzzy ini akan dibandingkan untuk diketahui kontrol logika fuzzy mana yang memiliki waktu terbaik untuk sampai pada lahan parkir yang sudah ditentukan.
a. Kontrol Logika Fuzzy Yang Pertama (“bwdtruck.fc”, Labview 7.1)
Pada perancangan kontrol logika fuzzy yang pertama ini akan dijelaskan pada setiap gambar yang ada di bawah ini.
(36)
Gambar 3.2. Membership functions untuk posisi mobil
Gambar 3.3.Membership functions untuk orientasi mobil
(37)
Setelah ditentukan membership functions-nya maka akan di buat aturan fuzzy untuk dimasukkan kedalam aturan fuzzy yang terdapat didalam labview. Dari aturan fuzzy ini dapat di analisa waktu dan step untuk mobil sampai pada lahan parkir yang sudah ditentukan. Aturan fuzzy dapat dilihat pada tabel 3.2.
Tabel 3.2. Aturan fuzzy modul backward kontrol logika fuzzy 1
Orientasi Mobil
LD L LU U RU R RD
P
os
is
i M
obi
l L NS PS PM PM PB PB PB
LC NM NS PS PM PM PB PB
C NM NM NS Z PS PM PM
RC NB NB NB NM NM NS NS
R NB NB NB NM NM NS NS
Tabel 3.3 Aturan fuzzy modul forward kontrol logika fuzzy 1
Orientasi Mobil
LD L LU U RU R RD
P
os
is
i M
obi
l L PB PB PM PM PS NS NB
LC PB PB PM PM PS NS NM
C PM PM PS Z NS NM NM
RC PM PS NS NM NM NB NB
R PM PS NS NM NM NB NB
b. Kontrol Logika Fuzzy Yang Kedua
Pada perancangan kontrol logika fuzzy yang kedua ini akan dijelaskan pada setiap gambar berikut ini.
(38)
Gambar 3.5. Membership functions untuk posisi mobil
Gambar 3.6. Membership functions untuk orientasi mobil
(39)
Setelah ditentukan membership functions-nya maka akan di buat aturan fuzzy untuk dimasukkan kedalam aturan fuzzy yang terdapat didalam labview. Dari aturan fuzzy ini dapat di analisa waktu dan step untuk mobil sampai pada lahan parkir yang sudah ditentukan. Aturan fuzzy dapat dilihat pada tabel 3.3.
Tabel 3.4. Aturan fuzzy modul backward kontrol logika fuzzy 2
Orientasi Mobil
LD L LU U RU R RD
P
os
is
i M
obi
l L NM PM PB PB PM PM PM
LC NB NM PM PB PB PM PM
C NB NB NM Z PM PB PB
RC NM NM NM NB NB NM NM
R NM NM NM NB NB NM NM
Tabel 3.5 Aturan fuzzy modul forward kontrol logika fuzzy 2
Orientasi Mobil
LD L LU U RU R RD
P
os
is
i M
obi
l L PB PB PM PM PS NS NB
LC PB PB PM PM PS NS NM
C PM PM PS Z NS NM NM
RC PM PS NS NM NM NB NB
R PM PS NS NM NM NB NB
3.3 Perancangan Fuzzy Inference
Fuzzy inference ini berfungsi untuk mengetahui nilai maximum dan minimum dari setiap membership function. Dalam menentukan fuzzy inference ini menggunakan metode fuzzy inference max-min.
(40)
Fuzzy Inference Untuk Kontrol Logika Fuzzy 1
Negatif Big (NB)
Proses fuzzy inference untuk arah steering negatif big sebagai berikut.
Ifposisi mobil = Right Center (RC)
And orientasi mobil = Left Down (LD)
Then steering mobil= Negative Big (NB)
Gambar 3.8 Penentuan arah steering mobil untuk negatif big kontrol logika fuzzy 1
Negatif Medium (NM)
Proses fuzzy inference untuk arah steering negatif medium sebagai berikut.
If posisi mobil= Right (R)
And orientasi mobil = Right Up (RU)
(41)
Gambar 3.9 Penentuan arah steering mobil untuk negatif medium kontrol logika fuzzy 1
Negatif Small (NS)
Proses fuzzy inference untuk arah steering negatif small sebagai berikut.
Ifposisi mobil = LeftCenter (LC)
And orientasi mobil = Left (L)
Then steering mobil= Negatif Small (NS)
Gambar 3.10 Penentuan arah steering mobil untuk negatif small kontrol logika fuzzy 1
(42)
Zero (Z)
Proses fuzzy inference untuk arah steering negatif big sebagai berikut.
Ifposisi mobil = Center (C)
And orientasi mobil = Up (U)
Then steering mobil = Zero (Zero)
Gambar 3.11 Penentuan arah steering mobil untuk zero kontrol logika fuzzy 1
Positif Small(PS)
Proses fuzzy inference untuk arah steering positif small sebagai berikut.
Ifposisi mobil = Center (C)
And orientasi mobil = Right Up (RU)
(43)
Gambar 3.12 Penentuan arah steering mobil untuk positif small kontrol logika fuzzy 1
Positif Medium (PM)
Proses fuzzy inference untuk arah steering positif medium sebagai berikut.
If vehicle position = Left (L)
And vehicle orientation = Left Up (LU)
Then steering angle = Positif Medium (PM)
Gambar 3.13 Penentuan arah steering mobil untuk positif medium kontrol logika fuzzy 1
(44)
Positif Big (PB)
Proses fuzzy inference untuk arah steering positif big sebagai berikut.
If vehicle position = Left (L)
And vehicle orientation = Right (R)
Then steering angle = Positif Big (PB)
Gambar 3.14 Penentuan arah steering mobil untuk positif big kontrol logika fuzzy 1
Fuzzy Inference Untuk Kontrol Logika Fuzzy 2
Negatif Big (NB)
Proses fuzzy inference untuk arah steering negatif big sebagai berikut.
Ifposisi mobil = Left Center (LC)
And orientasi mobil = Left Down (LD)
(45)
Gambar 3.15 Penentuan arah steering mobil untuk negatif big kontrol
Negatif Medium (
Proses fuzzy berikut.
If posisi mobil
And orientasi mobil
Then steering
Gambar 3.16 Penentuan arah steering
Gambar 3.15 Penentuan arah steering mobil untuk negatif big kontrol fuzzy 2
Negatif Medium (NM)
Proses fuzzy inference untuk arah steering negatif medium
posisi mobil= Left Center (LC) orientasi mobil = Left (L)
steering mobil= Negatif Medium (NM)
Gambar 3.16 Penentuan arah steering mobil untuk negatif medium kontrol logika fuzzy 2
Gambar 3.15 Penentuan arah steering mobil untuk negatif big kontrol logika
negatif medium sebagai
(46)
Zero (Z)
Proses fuzzy inference untuk arah steering negatif big sebagai berikut.
Ifposisi mobil =
And orientasi mobil =
Then steering mobil =
Gambar 3.17 Penentuan arah
Positif Medium ( Proses fuzzy berikut.
If vehicle position = Lef
And vehicle orientation =
Then steering angle
Proses fuzzy inference untuk arah steering negatif big sebagai berikut. posisi mobil = Center (C)
orientasi mobil = Up (U) steering mobil = Zero (Zero)
bar 3.17 Penentuan arah steering mobil untuk zero kontrol logika fuzzy 2
Positif Medium (PM)
Proses fuzzy inference untuk arah steering positif medium
vehicle position = Left (L) vehicle orientation = Left (L)
steering angle = Positif Medium (PM)
Proses fuzzy inference untuk arah steering negatif big sebagai berikut.
steering mobil untuk zero kontrol logika fuzzy
(47)
Gambar 3.18 Penentuan arah steering mobil untuk positif medium kontrol logika fuzzy 2
Positif Big (PB)
Proses fuzzy inference untuk arah steering positif big sebagai berikut.
If vehicle position = Center (L)
And vehicle orientation = Right Down (RD)
Then steering angle = Positif Big (PB)
Gambar 3.19 Penentuan arah steering mobil untuk positif big kontrol logika fuzzy 2
(48)
3.4 Perancangan Aturan Logika Fuzzy Pada Labview
Perancangan aturan logika fuzzy pada labview memiliki bagian-bagian sebagai berikut.
1. Project Manager berfungsi untuk membuat aturan logika fuzzy.
2. Fuzzy set-editor berfungsi untuk membuat atau mengubah membership function.
3. Rulebase-editor berfungsi untuk membuat atau mengubah aturan fuzzy atau fuzzy rule sets.
Untuk merancang aturan logika fuzzy akan di jelaskan melalui langkah-langkah berikut ini.
a. Pilih tools >> pilih fuzzy logic controller design
(49)
b. Setelah memilih fuzzy logic controller design maka akan keluar tampilan seperti gambar 3.21ini. Lalu klik ok untuk memulai membuat aturan logika fuzzy pada labview.
Gambar 3.21 Tampilan awal dari project manager
c. Untuk memulai membuat aturan logika fuzzy klik file >>new.
(50)
d. Setelah klik new maka akan keluar tampilan membership function yang baru seperti gambar 3.23.
Gambar 3.23Tampilan set-editor
e. Setelah membuat membership function baru, selanjutnya membuat aturan logika fuzzy. Untuk membuat aturan logika fuzzy klik quit lalu langsung akan keluar aturan logika fuzzy yang akan dibuat seperti gambar 3.24.
(51)
Gambar 3.24 Tampilan rulebase-editor
f. Banyaknya aturan logika fuzzy, tergantung dari banyaknya masukan dan keluaran yang di buat pada set-editor (membership function)seperti gambar 3.24. Setelah membuat aturan logika fuzzy klik quit untuk langkah selanjutnya yaitu menyimpan data logika fuzzy yang dibuat. Setelah klik quit maka akan menuju tampilan project manager. Untuk menyimpan data logika fuzzy langsung klik file >> save/save as seperti gambar 3.25.
(52)
Gambar 3.25 Tampilan project manager
g. Setelah menyimpan data logika fuzzy yang sudah dibuat, maka saatnya menguji aturan logika fuzzy pada simulasi parkir mobil otomatis. Sebelum keluar dari project manager, untuk mengubah atau mengedit aturan fuzzy yang sudah dibuat klik edit >> set-editor atau rulebase-editor. Set-editor berfungsi untuk mengubah membership function yang sudah dibuat, dan rulebase-editor berfungsi untuk mengubah aturan fuzzy yang sudah dibuat. Tampilan seperti gambar 3.26.
(53)
(54)
BAB IV
PENGUJIAN DAN ANALISIS
Pada bab ini dijelaskan tentang simulasi tentang performansi fuzzy rule sets yang sudah dijelaskan pada bab sebelumnya. Pada pengujian ini disimulasikan agar dapat mengetahui performansi kontrol logika fuzzy manakah yang memiliki waktu terbaik untuk sampai pada lahan parkir yang sudah tentukan ini.Maka dari itu saya melakukan 5 percobaan dengan posisi mobil, sudut dan tempat parkir yang berbeda untuk mengetahui performansi dari ketiga kontrol logika fuzzy tersebut.
4.1 Percobaan Simulasi Pertama
a. Kecepatan Waktu Mobil Dalam Proses Parkir
Kecepatan dalam waktu parkir ini bertujuan untuk mengetahui seberapa cepat waktu mobil dalam melakukan proses parkir. Pada percobaan pertama dengan menempatkan mobil pada inisial posisi yaitu x=1.5, y=5, ᴓ= 60o dan tempat parkir yang dituju ada di posisi 5. Dengan melakukan percobaan seperti ini didapat performansi kontrol logika fuzzy mana yang lebih cepat sampai pada lahan parkir bisa dilihat pada tabel 4.1.
(55)
Gambar 4.1 Simulasi labview pertama (1.5, 5, 60o)
Tabel 4.1 Hasil simulasi dari percobaan pertama
Inisial Posisi Kontrol Logika Fuzzy 1 Kontrol Logika Fuzzy 2
Time Step Time Step
x= 1.5 y= 5 ᴓ= 60o
Target tempat parkir = 5
4,709 detik 48 step 2,904 detik 30 step
b. Nilai keluaran steering angle
Nilai keluaran steering angle ini bertujuan untuk mengetahui berapa derajat mobil menggerakan steering mobil pertama kali pada saat akan melakukan parkir otomatis. Cara mengetahuinya menggunakan metode max-min dengan cara memotong kurva x dan β.
(56)
Kontrol Logika Fuzzy 1
Dalam mencari nilai steering angle dapat dilakukan dengan cara menentukan nilai max-min pada posisi mobil dan orientasi mobil lalu memasukannya kedalam persamaan berikut.
Ifposisi mobil= 1,5 cm (L) And orientasi mobil = 60o(LU)
Then steering mobil = Positif Medium (PM)
Gambar 4.2 Grafik percobaan 1 dengan kontrol logika fuzzy 1
= . . ( )
( ) ………(4.1)
Keterangan : θ= Sudut keluaran θ1 = Sudut terkecil θ2 = Sudut terbesar V (rule 1) = Nilai max V (rule 2) = Nilai min
(57)
Dengan diketahui
mobilmaka didapat hasil seperti ini. =
Jadi, pada
13,3o(positif medium).
Kontrol Logika Fuzzy 2 Pada kontrol
dari steering cara menentukan
lalu memasukannya kedalam persamaan berikut.
Ifposisi mobil
And orientasi mobil = Then steering mobil =
Gambar 4.3 Grafik
Dengan mengetahui
mobil maka didapat hasil seperti ini. =
diketahui persamaan untuk mencari nilai keluaran mobilmaka didapat hasil seperti ini.
= . , ., = , = , °
Jadi, pada saat pertama kali mobil mengarahkan steering
positif medium).
Kontrol Logika Fuzzy 2
Pada kontrol logika fuzzy 2 untuk dapat melihat berapa steering angle pada mobil pada saat melakukan menentukan nilai max-min pada posisi mobil dan lalu memasukannya kedalam persamaan berikut.
posisi mobil = 1,5 cm (L) orientasi mobil = 60o (LU)
steering mobil = Positif Big (PB)
Gambar 4.3 Grafik percobaan 1 dengan kontrol logika fuzzy 2
Dengan mengetahui persamaan untuk mencari nilai keluaran mobil maka didapat hasil seperti ini.
= . , . ,, , = , = °
nilai keluaran steering
mengarahkan steering itu bernilai
berapa nilai keluaran melakukan parkir dengan mobil dan orientasi mobil
percobaan 1 dengan kontrol logika fuzzy 2
(58)
Jadi, pada 30o(positif big).
Gambar 4.4 Hasil simulasi percobaan 1 dengan kontrol logik Jadi, pada saat pertama kali mobil mengarahkan steering
positif big).
asil simulasi percobaan 1 dengan kontrol logik
garahkan steering itu bernilai
(59)
Gambar 4.5 Hasil simulasi percobaan 1 dengan kontrol logika fuzzy 2
Percobaan pertama ini dapat dilihat pada tabel 4.1 menunjukan bahwa kontrol logika fuzzy ke-2 memiliki performansi yang lebih baik dari kontrol logika fuzzy yang lainnya.Karena bisa dilihat durasi waktu dan stepnya jauh lebih baik dengan 2,094 detik dan 30 step.
(60)
4.2 Percobaan Simulasi Kedua
a. Kecepatan Waktu Mobil Dalam Proses Parkir
Hasil kecepatan dalam waktu parkir ini bertujuan untuk mengetahui seberapa cepat waktu mobil dalam melakukan proses parkir. Pada percobaan simulasi kedua dengan menempatkan inisial posisi x= 3, y= 2, dan ᴓ= 120o dan tempat parkir berada pada posisi 5. Dengan melakukan percobaan kedua ini agar dapat mengetahui kondisi kontrol logika fuzzy jika diberikan inisial posisi yang berbeda dapat dilihat pada tabel 4.2.
(61)
Tabel 4.2 Hasil simulasi dari percobaan kedua
Inisial Posisi Kontrol Logika Fuzzy 1 Kontrol Logika Fuzzy 2
Time Step Time Step
x= 3 y= 2 ᴓ= 120o
Target tempat parkir = 5
4,658detik 47 step 2,806 detik 29 step
b. Nilai keluaraan steering angle
Nilai keluaran steering angle ini bertujuan untuk mengetahui berapa derajat mobil menggerakan steering mobil pertama kali pada saat akan melakukan parkir otomatis. Cara mengetahuinya menggunakan metode max-min dengan cara memotong kurva x dan β.
Kontrol Logika Fuzzy 1
Dalam mencari nilai steering angle dapat dilakukan dengan cara menentukan nilai max-min pada posisi mobil dan orientasi mobil lalu memasukannya kedalam persamaan berikut.
Ifposisi mobil = 3 cm (L) And orientasi mobil = 120o (RU) Then steering mobil = Positif Big (PB)
(62)
Gambar 4.7 Grafik percobaan 2 dengan kontrol logika fuzzy 1
Dengan mengetahui persamaan untuk mencari nilai keluaran steering mobil maka didapat hasil seperti berikut.
= . , . ,
, , =
,
, = 24° ( )
Jadi, pada saat pertama kali mobil mengarahkan steering itu bernilai 24o(positif big).
Kontrol Logika Fuzzy 2
Pada kontrol logika fuzzy 2 pada percobaan 2 untuk dapat melihat berapa nilai keluaran dari steering angle pada mobil pada saat melakukan parkir dengan cara menentukan nilai max-min pada posisi mobil dan orientasi mobil lalu memasukannya kedalam persamaan berikut.
Ifposisi mobil = 3 cm (L) And orientasi mobil = 120o (RU) Then steering mobil = Positif Big (PB)
(63)
Gambar 4.8 Grafik percobaan 2 dengan kontrol logika fuzzy 2
Dengan mengetahui
mobil maka didapat hasil seperti ini. =
Jadi, pada
15o(positif medium).
Gambar 4.8 Grafik percobaan 2 dengan kontrol logika fuzzy 2
Dengan mengetahui persamaan untuk mencari nilai keluaran mobil maka didapat hasil seperti ini.
= . , . ,, , = , = 5°
Jadi, pada saat pertama kali mobil mengarahkan steering
positif medium).
Gambar 4.8 Grafik percobaan 2 dengan kontrol logika fuzzy 2
nilai keluaran steering
(64)
Gambar 4.9 Hasil simulasi percobaan 2 dengan kontrol logika fuzzy 1 Gambar 4.9 Hasil simulasi percobaan 2 dengan kontrol logika fuzzy 1 Gambar 4.9 Hasil simulasi percobaan 2 dengan kontrol logika fuzzy 1
(65)
Gambar 4.10 Hasil simulasi percobaan 2 dengan kontrol logika fuzzy 2
Dapat dilihat pada performansi yang dengan memiliki
parkir yang sudah ditentukan.
4.3 Percobaan Simulasi ketiga
a. Kecepatan Waktu Mobil Dalam Proses Parkir
Pada percobaan
dari kontrol logika fuzzy lebih baik dari
= 115odan tempat 4.3.
Gambar 4.10 Hasil simulasi percobaan 2 dengan kontrol logika fuzzy 2
dilihat pada tabel 4.2 bahwa kontrol logika fuzzy 2 performansi yang lebih baik dari kontrol logika fuzzy yang
memiliki waktu 2,806 detik dan 29 step untuk sampai parkir yang sudah ditentukan.
Percobaan Simulasi ketiga
Waktu Mobil Dalam Proses Parkir
percobaan ketiga ini dilakukan untuk melihat apakah
kontrol logika fuzzy ke-2 ini masih memiliki tingkat performansi baik dari kontrol logika fuzzy lainnya. Dengan posisi
dan tempat parkir yang dituju adalah no.4 dapat dilihat
Gambar 4.10 Hasil simulasi percobaan 2 dengan kontrol logika fuzzy 2
fuzzy 2 tetap memiliki fuzzy yang lainnya yaitu untuk sampai pada lahan
melihat apakah performansi 2 ini masih memiliki tingkat performansi yang posisi x = 5, y = 4, ᴓ dapat dilihat pada tabel
(66)
Gambar 4.11 simulasi labview ketiga (5, 4, 115o)
Tabel 4.3 Hasil simulasi dari percobaan 3
Inisial Posisi Kontrol Logika Fuzzy 1 Kontrol Logika Fuzzy 2
Time Step Time Step
x= 5 y= 4 ᴓ= 115o
Target tempat parkir = 4
3,703 detik 38 step 1,605
detik 17 step
b. Nilai keluaran steering angle
Pada percobaan ketiga nilai keluaran steering angle ini bertujuan untuk mengetahui berapa derajat mobil menggerakan steering mobil pertama kali pada saat akan melakukan parkir otomatis. Cara mengetahuinya menggunakan metode max-min dengan cara memotong kurva x dan β.
(67)
Kontrol Logika Fuzzy 1
Dalam mencari nilai steering angle dapat dilakukan dengan cara menentukan nilai max-min pada posisi mobil dan orientasi mobil lalu memasukannya kedalam persamaan berikut.
Ifposisi mobil = 5 cm (C) And orientasi mobil = 115o (RU)
Then steering mobil = Positif Small (PS)
Gambar 4.12 Grafik percobaan 3 dengan kontrol logika fuzzy 1
Dengan mengetahui persamaan untuk mencari nilai keluaran steering mobil maka didapat hasil seperti berikut.
= . , .
, = , = 3,125° ( )
Jadi, pada saat pertama kali mobil mengarahkan steering itu bernilai 3,125o(positif small).
Kontrol Logika Fuzzy 2
Pada kontrol logika fuzzy 2 pada percobaan 3 untuk dapat melihat berapa nilai keluaran dari steering angle pada mobil pada saat melakukan parkir dengan cara menentukan nilai max-min pada posisi
(68)
mobil dan berikut.
Ifposisi mobil
And orientasi mobil = Then steering mobil =
Gambar 4.14 Grafik percobaan 3 dengan kontrol logika fuzzy 2
Dengan mengetahui
mobil maka didapat hasil seperti ini. =
Jadi, pada
15o(positif medium).
mobil dan orientasi mobil lalu memasukannya kedalam
posisi mobil = 5 cm (C) orientasi mobil = 115o (RU)
steering mobil = Positif Medium (PM)
Gambar 4.14 Grafik percobaan 3 dengan kontrol logika fuzzy 2
Dengan mengetahui persamaan untuk mencari nilai keluaran mobil maka didapat hasil seperti ini.
= . , . , = , = 5°
Jadi, pada saat pertama kali mobil mengarahkan steering
positif medium).
memasukannya kedalam persamaan
Gambar 4.14 Grafik percobaan 3 dengan kontrol logika fuzzy 2
nilai keluaran steering
(69)
Gambar 4.15 Hasil simulasi percobaan 3 dengan kontrol logika fuzzy 1 Gambar 4.15 Hasil simulasi percobaan 3 dengan kontrol logika fuzzy 1Gambar 4.15 Hasil simulasi percobaan 3 dengan kontrol logika fuzzy 1
(70)
Gambar 4.16 Hasil simulasi percobaan 3
Pada percobaan ketiga dibandingkan dengan parkir sudah berubah. tempat parkir no.4. Kontrol
Gambar 4.16 Hasil simulasi percobaan 3 dengan kontrol logika fuzzy 2
percobaan ketiga ini performansi kontrol logika fuzzy dengan kontrol logika fuzzy yang lain walaupun berubah. Pada percobaan 3 ini tempat parkir yang
no.4. Kontrol logika fuzzy hanya melakukan 1,605
dengan kontrol logika fuzzy 2
fuzzy 2 lebih baik walaupun kondisi lahan parkir yang di tuju yaitu melakukan 1,605 detik dan 17
(71)
step. Dan kontrol logika fuzzy lainnya waktu menuju tempat parkir lebih dari kontrol logika fuzzy 2.
4.4 Percobaan Simulasi keempat
a. Kecepatan Waktu Dalam Proses Parkir
Pada percobaan keempat ini dilakukan untuk melihat apakah performansi dari kontrol logika fuzzy ke-2 ini masih memiliki tingkat performansi yang lebih baik dari kontrol logika fuzzy lainnya. Dengan posisi x = 3, y = 4, ᴓ = 45odapat dilihat pada tabel 4.4.
(72)
Tabel 4.4 Hasil simulasi dari percobaan 4
Inisial Posisi Kontrol Logika Fuzzy 1 Kontrol Logika Fuzzy 2
Time Step Time Step
x= 3 y= 4 ᴓ= 45o
Target tempat parkir = 6
4,401
detik 45 step
4,206
detik 43 step
b. Nilai keluaran steering angle
Pada percobaan 4 nilai keluaran steering angle ini bertujuan untuk mengetahui berapa derajat mobil menggerakan steering mobil pertama kali pada saat akan melakukan parkir otomatis. Cara mengetahuinya menggunakan metode max-min dengan cara memotong kurva x dan β.
Kontrol Logika Fuzzy 1
Dalam mencari nilai steering angle dapat dilakukan dengan cara menentukan nilai max-min pada posisi mobil dan orientasi mobil lalu memasukannya kedalam persamaan.
Ifposisi mobil = 3 cm (L) And orientasi mobil = 45o (L)
Then steering mobil = Positif Small (PS)
(73)
Dengan mengetahui
mobil maka didapat hasil seperti berikut. =
Jadi, pada
2,5o(positif small).
Kontrol Logika Fuzzy 2 Pada kontrol
berapa nilai melakukan mobil dan berikut.
Ifposisi mobil
And orientasi mobil = Then steering mobil =
Gambar 4.19 Grafik percobaan 3 dengan kontrol logika fuzzy 2 Dengan mengetahui persamaan untuk mencari nilai keluaran mobil maka didapat hasil seperti berikut.
= . , . ,, , = , = ,5°
Jadi, pada saat pertama kali mobil mengarahkan steering
positif small).
Kontrol Logika Fuzzy 2
Pada kontrol logika fuzzy 2 pada percobaan 4 untuk berapa nilai keluaran dari steering angle pada mobil melakukan parkir dengan cara menentukan nilai max-mobil dan orientasi max-mobil lalu memasukannya kedalam
posisi mobil = 3 cm (L) orientasi mobil = 45o (LU)
steering mobil = Positif Medium (PM)
Gambar 4.19 Grafik percobaan 3 dengan kontrol logika fuzzy 2
nilai keluaran steering
mengarahkan steering itu bernilai
untuk dapat melihat pada mobil pada saat -min pada posisi memasukannya kedalam persamaan
(74)
Dengan mengetahui
mobil maka didapat hasil seperti ini. =
Jadi, pada
15o(positif medium).
Gambar 4.20 Hasil simulasi percobaan 4 dengan kontrol logika fuzzy 1 Dengan mengetahui persamaan untuk mencari nilai keluaran mobil maka didapat hasil seperti ini.
= . , . ,, , = ,, = 5°
pada saat pertama kali mobil mengarahkan steering
positif medium).
Gambar 4.20 Hasil simulasi percobaan 4 dengan kontrol logika fuzzy 1 nilai keluaran steering
mengarahkan steering itu bernilai
(75)
Gambar 4.21 Hasil simulasi percobaan 4 dengan kontrol logika fuzzy 2
Di percobaan 4 ini dengan fuzzy 2 masih menunjukan parkir 4,206 detik dan 43 step.
Gambar 4.21 Hasil simulasi percobaan 4 dengan kontrol logika fuzzy 2
dengan menempatkan posisi parkir di posisi 6, menunjukan performansi yang baik dengan memiliki parkir 4,206 detik dan 43 step.
Gambar 4.21 Hasil simulasi percobaan 4 dengan kontrol logika fuzzy 2
posisi 6, kontrol logika memiliki waktu untuk
(76)
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Sesuai perancangan dan pengujian serta analisis dari simulasi parkir otomatis dan perbandingan dari beberapa fuzzy rule module yang di bahas pada penulisan tugas akhir ini, dapat diambil kesimpulan.
1. Kontrol logika fuzzy ke-2 lebih baik performansinya dari kontrol logika fuzzy yang lainnya. Dari 4 kali percobaan kontrol logika fuzzy ke-2 selalu menunjukan performansi yang baik, dengan memiliki presentase waktu parkir yang dibutuhkan 46% lebih cepat dari kontrol logika fuzzy yang lain.
2. Kontrol logika fuzzy ke-2 dalam melakukan parkir otomatis dari posisi inisial sampai pada lahan parkir yang sudah ditentukan memiliki kecepatan waktu yang sangat baik dalam proses parkir.
3. Pada percobaan pertama diketahui bahwa mobil yang
menggunakan kontrol logika fuzzy ke-2 untuk menuju lahan parkir dari inisial posisi hanya butuh 30 step dan 2,904 detik. Pada percobaan kedua pun sama, kontrol logika fuzzy ini menunjukan performansi yang baik hanya membutuhkan waktu 32 step dan 3,205 detik. Pada percobaan 3 dan 4 kontrol logika fuzzy memiliki performansi yang baik dengan memiliki waktu 1,605 detik,17 step dan 4,206 detik, 43 step.
(77)
5.2 Saran
Untuk pengembangan dan peningkatan kinerja dari simulasi parkir otomatis yang di buat ini, ada beberapa hal yang harus diperhatikan.
1. Menggunakan penghalang pada saat simulasi parkir, agar simulasi parkir ini seperti pada keadaan sebenarnya.
2. Menambahkan grafik setiap pergerakkan steering angle pada mobil. 3. Menambahkan proses simulasi parkir secara paralel.
(1)
Tabel 4.4 Hasil simulasi dari percobaan 4
Inisial Posisi Kontrol Logika Fuzzy 1 Kontrol Logika Fuzzy 2
Time Step Time Step
x= 3 y= 4 ᴓ= 45o
Target tempat parkir = 6
4,401
detik 45 step
4,206
detik 43 step
b. Nilai keluaran steering angle
Pada percobaan 4 nilai keluaran steering angle ini bertujuan untuk mengetahui berapa derajat mobil menggerakan steering mobil pertama kali pada saat akan melakukan parkir otomatis. Cara mengetahuinya menggunakan metode max-min dengan cara memotong kurva x dan β.
Kontrol Logika Fuzzy 1
Dalam mencari nilai steering angle dapat dilakukan dengan cara menentukan nilai max-min pada posisi mobil dan orientasi mobil lalu memasukannya kedalam persamaan.
Ifposisi mobil = 3 cm (L) And orientasi mobil = 45o (L)
(2)
Dengan mengetahui
mobil maka didapat hasil seperti berikut.
=
Jadi, pada
2,5o(positif small).
Kontrol Logika Fuzzy 2 Pada kontrol
berapa nilai melakukan mobil dan berikut.
Ifposisi mobil
And orientasi mobil = Then steering mobil =
Gambar 4.19 Grafik percobaan 3 dengan kontrol logika fuzzy 2 Dengan mengetahui persamaan untuk mencari nilai keluaran mobil maka didapat hasil seperti berikut.
= . , . ,, , = , = ,5°
Jadi, pada saat pertama kali mobil mengarahkan steering
positif small).
Kontrol Logika Fuzzy 2
Pada kontrol logika fuzzy 2 pada percobaan 4 untuk berapa nilai keluaran dari steering angle pada mobil melakukan parkir dengan cara menentukan nilai max-mobil dan orientasi max-mobil lalu memasukannya kedalam
posisi mobil = 3 cm (L) orientasi mobil = 45o (LU)
steering mobil = Positif Medium (PM)
Gambar 4.19 Grafik percobaan 3 dengan kontrol logika fuzzy 2
nilai keluaran steering
mengarahkan steering itu bernilai
untuk dapat melihat pada mobil pada saat -min pada posisi memasukannya kedalam persamaan
(3)
Dengan mengetahui
mobil maka didapat hasil seperti ini.
=
Jadi, pada
15o(positif medium).
Dengan mengetahui persamaan untuk mencari nilai keluaran mobil maka didapat hasil seperti ini.
= . , . ,, , = ,, = 5°
pada saat pertama kali mobil mengarahkan steering
positif medium).
nilai keluaran steering
(4)
Gambar 4.21 Hasil simulasi percobaan 4 dengan kontrol logika fuzzy 2
Di percobaan 4 ini dengan fuzzy 2 masih menunjukan parkir 4,206 detik dan 43 step.
Gambar 4.21 Hasil simulasi percobaan 4 dengan kontrol logika fuzzy 2
dengan menempatkan posisi parkir di posisi 6, menunjukan performansi yang baik dengan memiliki parkir 4,206 detik dan 43 step.
Gambar 4.21 Hasil simulasi percobaan 4 dengan kontrol logika fuzzy 2
posisi 6, kontrol logika memiliki waktu untuk
(5)
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Sesuai perancangan dan pengujian serta analisis dari simulasi parkir otomatis dan perbandingan dari beberapa fuzzy rule module yang di bahas pada penulisan tugas akhir ini, dapat diambil kesimpulan.
1. Kontrol logika fuzzy ke-2 lebih baik performansinya dari kontrol logika fuzzy yang lainnya. Dari 4 kali percobaan kontrol logika fuzzy ke-2 selalu menunjukan performansi yang baik, dengan memiliki presentase waktu parkir yang dibutuhkan 46% lebih cepat dari kontrol logika fuzzy yang lain.
2. Kontrol logika fuzzy ke-2 dalam melakukan parkir otomatis dari posisi inisial sampai pada lahan parkir yang sudah ditentukan memiliki kecepatan waktu yang sangat baik dalam proses parkir.
3. Pada percobaan pertama diketahui bahwa mobil yang menggunakan kontrol logika fuzzy ke-2 untuk menuju lahan parkir dari inisial posisi hanya butuh 30 step dan 2,904 detik. Pada percobaan kedua pun sama, kontrol logika fuzzy ini menunjukan performansi yang baik hanya membutuhkan waktu 32 step dan 3,205 detik. Pada percobaan 3 dan 4 kontrol logika fuzzy memiliki
(6)
5.2 Saran
Untuk pengembangan dan peningkatan kinerja dari simulasi parkir otomatis yang di buat ini, ada beberapa hal yang harus diperhatikan.
1. Menggunakan penghalang pada saat simulasi parkir, agar simulasi parkir ini seperti pada keadaan sebenarnya.
2. Menambahkan grafik setiap pergerakkan steering angle pada mobil. 3. Menambahkan proses simulasi parkir secara paralel.