Sistem Navigasi pada Robot Pemadam Api Menggunakan Wall Following dan Logika Fuzzy
SISTEM NAVIGASI PADA ROBOT PEMADAM API
MENGGUNAKAN WALL FOLLOWING
DAN LOGIKA FUZZY
ERWIN MUSA YULIO CHRISWANTORO
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Sistem Navigasi pada
Robot Pemadam Api Menggunakan Wall Following dan Logika Fuzzy 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, Juli 2013
Erwin M Y Chriswantoro
NIM G64090046
ABSTRAK
ERWIN M Y CHRISWANTORO. Sistem Navigasi pada Robot Pemadam Api
Menggunakan Wall Following dan Logika Fuzzy. Dibimbing oleh KARLISA
PRIANDANA dan MUSHTHOFA.
Robot memerlukan navigasi yang baik untuk menyelesaikan tugasnya. Salah
satu cara untuk memberikan kemampuan navigasi pada robot ialah kecerdasan
buatan. Kemampuan navigasi menggunakan kecerdasan buatan dapat dikaitkan
dengan kemampuan sensor menerima masukan dari lingkungan. Masukan dari
lingkungan bersifat tidak pasti sehingga pemodelan yang sederhana tidak cukup
mewakili. Logika fuzzy diharapkan dapat mengatasi ketidakpastian tersebut.
Penelitian ini bertujuan mengembangkan sistem navigasi pada robot pemadam api
menggunakan algoritme wall following dan logika fuzzy. Sistem disimulasikan pada
lingkungan KRPAI 2013 yang mengharapkan robot dapat menelusuri dinding,
memadamkan api, dan kembali ke home. Hasil penelitian menunjukan bahwa robot
berhasil menyelesaikan misi KRPAI 2013 dengan persentase kesuksesan mencapai
87.5%.
Kata kunci: logika fuzzy, pemadam api, robot, wall following
ABSTRACT
ERWIN M Y CHRISWANTORO. Navigation System on Fire-Fighter Robot Using
Wall Following and Fuzzy Logic. Supervised by KARLISA PRIANDANA and
MUSHTHOFA.
A robot needs a good navigation to complete its task. One way to provide
navigation capabilities on robots is artificial intelligence. Navigation capabilities
using artificial intelligence may be associated with the ability to accept input from
a range of sensors. However, inputs from the environment are uncertain so that a
simple modeling is not sufficiently representative. Fuzzy logic is expected to
overcome these uncertainties. This research aims to develop the navigation system
on a fire-fighter robot using wall following algorithms and fuzzy logic. The system
is simulated on KRPAI 2013 environment where the robot is expected to move by
following the wall, extinguishing the fire, and returning to home. It is shown that
the robot has successfully completed the mission on KRPAI 2013 with a success
rate of 87.5%.
Keywords: fire-fighter, fuzzy logic, robot, wall following
SISTEM NAVIGASI PADA ROBOT PEMADAM API
MENGGUNAKAN WALL FOLLOWING
DAN LOGIKA FUZZY
ERWIN MUSA YULIO CHRISWANTORO
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
2013
Penguji: Dr Heru Sukoco, SSi MT
Judul Skripsi : Sistem Navigasi pada Robot Pemadam Api Menggunakan Wall
Following dan Logika Fuzzy
Nama
: Erwin Musa Yulio Chriswantoro
NIM
: G64090046
Disetujui oleh
Karlisa Priandana, ST MEng
Pembimbing I
Mushthofa, SKom MSc
Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Shalawat dan
salam penulis sampaikan kepada Nabi Muhammad shallallahu ‘alaihi wasallam,
keluarganya, sahabatnya, serta umatnya hingga akhir zaman. Tema yang dipilih
dalam penelitian yang dilaksanakan sejak bulan Oktober 2012 ini ialah kecerdasan
buatan, dengan judul Sistem Navigasi pada Robot Pemadam Api Menggunakan
Wall Following dan Logika Fuzzy.
Terima kasih penulis sampaikan kepada ayah, ibu, serta seluruh keluarga atas
segala doa dan kasih sayangnya. Terima kasih juga penulis sampaikan kepada Ibu
Karlisa Priandana, ST MEng dan Bapak Mushthofa, SKom MSc selaku
pembimbing, serta Bapak Dr Heru Sukoco, SSi MT selaku penguji yang telah
banyak memberikan saran. Di samping itu, terima kasih penulis sampaikan kepada
Rahmatika Dewi yang telah meminjamkan laptop, Wulandari, Nur Muhammad
Sidik, Aditya Erlangga, Rini Windyastuti, Rizkia Hanna Amalia, Ariny, Aries
Fitriawan, dan Lizza Amini Gumilar yang telah sering menemani, membantu, dan
memberi dukungan. Ucapan terima kasih juga disampaikan kepada seluruh temanteman Ilmu Komputer IPB angkatan 46 yang saling memberikan semangat selama
pengerjaan karya ilmiah.
Semoga karya ilmiah ini bermanfaat dan memberikan keberkahan.
Bogor, Juli 2013
Erwin M Y Chriswantoro
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE
2
Perancangan Navigasi
2
Perancangan Logika Fuzzy
3
Implementasi
4
Pengujian
4
Evaluasi
4
HASIL DAN PEMBAHASAN
5
Perancangan Navigasi
5
Perancangan Logika Fuzzy
6
Implementasi
11
Pengujian
12
Evaluasi
13
SIMPULAN DAN SARAN
13
Simpulan
13
Saran
13
DAFTAR PUSTAKA
14
LAMPIRAN
15
DAFTAR TABEL
1 Aturan fuzzy untuk right dan left wall following
2 Hasil pengujian
9
13
DAFTAR GAMBAR
1 Alur penelitian
2 Konfigurasi ruangan: (a) konfigurasi 1, (b) konfigurasi 2, (c) konfigurasi
3, dan (d) konfigurasi 4
3 Lingkungan KRPAI 2013
4 Alur sistem navigasi
5 Fungsi keanggotaan masukan: (a) samping, (b) serong, dan (c) depan
6 Fungsi keanggotaan keluaran
7 Implementasi lingkungan KRPAI 2013
2
3
5
6
7
9
12
DAFTAR LAMPIRAN
1 Contoh perhitungan fuzzy
2 Simulasi sistem navigasi
15
20
PENDAHULUAN
Latar Belakang
Robot merupakan suatu alat yang mampu bergerak pada suatu lingkungan
dengan tingkat kemampuan tertentu (Carelli dan Freire 2003). Robot memiliki
kemampuan untuk melakukan tugas yang sederhana hingga tugas yang kompleks.
Tugas sederhana yang dapat dilakukan robot di antaranya bergerak mengikuti garis,
menyelesaikan labirin, dan menari. Sedangkan tugas kompleks yang dapat
dilakukan robot di antaranya merakit komponen kendaraan, membersihkan limbah
beracun, dan melakukan penyelamatan. Untuk melakukan tugas-tugas tersebut,
robot memerlukan sistem navigasi yang baik.
Kecerdasan buatan merupakan salah satu cara untuk memberikan
kemampuan navigasi pada robot. Kemampuan navigasi menggunakan kecerdasan
buatan dapat dikaitkan dengan kemampuan sensor untuk menerima masukan dari
lingkungan (Carelli dan Freire 2003). Masukan dari lingkungan bersifat tidak pasti
sehingga pemodelan yang sederhana tidak cukup mewakili. Menurut Peri (2002),
pemodelan menggunakan logika fuzzy dapat dijadikan alat untuk menangani
ketidakpastian dan representasi pengetahuan.
Dasar operasi dari robot ialah mampu bergerak menelusuri dinding yang tidak
diketahui konturnya (Braunstingl et al. 1995). Algoritme yang umum digunakan
untuk membuat robot mampu menelusuri dinding adalah wall following. Algoritme
ini dapat dikombinasikan dengan logika fuzzy dan digunakan sebagai navigasi.
Penelitian terdahulu yang terkait ialah perancangan dan implementasi logika
fuzzy pada mikrokontroler ATMega16 untuk robot penghindar halangan
(Fathurahman 2011). Penelitian tersebut berhasil mengimplementasikan logika
fuzzy pada mikrokontroler ATMega16. Sistem yang dirancang menggunakan
mikrokontroler ATMega16 sudah mampu menangani 3 masukan dan 2 keluaran
dengan baik dan waktu respon sistem cepat.
Kontes Robot Pemadam Api Indonesia (KRPAI) 2013 adalah salah satu
kontes robot pemadam api. Divisi yang dilombakan ialah divisi beroda dan berkaki.
Peraturan untuk divisi beroda dan berkaki KRPAI 2013 mengacu pada peraturan
yang dikeluarkan oleh Trinity College Fire Fighting Robot Contest 2013 (Dikti
2012). Misi yang harus diselesaikan pada lomba ini ialah menemukan dan
mematikan api lilin dalam waktu singkat.
Penelitian ini mengambil topik pembuatan sistem navigasi pada robot
pemadam api menggunakan algoritme wall following dan logika fuzzy. Sistem
navigasi yang dibuat disimulasikan pada lingkungan KRPAI 2013.
Perumusan Masalah
Sistem navigasi sangat penting bagi robot yang bergerak menggunakan
kecerdasan buatan. Untuk menyelesaikan misi pada KRPAI 2013 diperlukan
beberapa kemampuan navigasi yang baik, yaitu navigasi untuk menelusuri dinding,
navigasi untuk menemukan titik api, dan navigasi untuk kembali ke home.
2
Tujuan Penelitian
Penelitian ini bertujuan mengembangkan sistem navigasi pada robot
pemadam api menggunakan algoritme wall following dan logika fuzzy.
Manfaat Penelitian
Penelitian ini diharapkan dapat mengembangkan sistem navigasi yang baik
pada robot pemadam api dan mendukung pengembangan robotika di lingkungan
Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.
Ruang Lingkup Penelitian
Sistem navigasi yang dikembangkan pada penelitian ini dibatasi hanya untuk
robot pemadam api. Algoritme yang digunakan ialah wall following yang
dikombinasikan dengan logika fuzzy. Lingkungan yang digunakan ialah lingkungan
KRPAI 2013. Pengujian sistem menggunakan simulasi. Masukan yang diterima
dari sensor sudah berupa jarak antara robot dan objek. Keluaran yang dihasilkan
berupa sudut belok yang harus dilakukan robot.
METODE
Metode yang digunakan terdiri atas tahap perancangan navigasi, perancangan
logika fuzzy, implementasi, pengujian, dan evaluasi. Alur tahapan penelitian dapat
dilihat pada Gambar 1.
Perancangan Navigasi
Navigasi yang dirancang pada penelitian ini dibagi menjadi 3 bagian, yaitu
navigasi untuk menelusuri dinding, navigasi untuk menemukan titik api, dan
navigasi untuk kembali ke home. Dasar operasi yang digunakan untuk memberikan
kemampuan navigasi ialah wall following. Wall following untuk menelusuri dinding
dikombinasikan dengan logika fuzzy untuk mengatasi ketidakpastian lingkungan.
Dinding yang ditelusur ialah dinding pada lingkungan KRPAI 2013. Lingkungan
Perancangan Navigasi
Perancangan Logika Fuzzy
Implementasi
Pengujian
Evaluasi
Gambar 1 Alur penelitian
3
KRPAI 2013 memiliki 4 konfigurasi ruangan yang berbeda. Konfigurasi tersebut
diatur dengan mengubah posisi pintu pada ruangan 1 dan ruangan 4. Setiap pintu
memiliki penanda berupa garis. Posisi home berada di lorong bagian atas dengan
penanda garis berbentuk lingkaran yang di dalamnya terdapat huruf H. Secara detail
konfigurasi ruangan pada lingkungan KRPAI 2013 dapat dilihat pada Gambar 2.
Perancangan Logika Fuzzy
Logika fuzzy digunakan untuk merepresentasikan informasi jarak yang
bersifat linguistik seperti dekat, sedang, dan jauh. Perancangan proses pada logika
fuzzy secara umum dapat dibagi menjadi tiga tahap, yaitu fuzzifikasi, evaluasi
aturan, dan defuzzifikasi (Obe dan Dumitrache 2010).
Fuzzifikasi mengubah nilai masukan ke dalam nilai fuzzy menggunakan
fungsi keanggotaan. Fungsi keanggotaan yang digunakan pada penelitian ini ialah
fungsi segitiga dan trapesium. Kedua fungsi tersebut digunakan karena perumusan
matematika yang sederhana. Fungsi segitiga terdiri atas 3 parameter, yaitu a, b, dan
c, sedangkan trapesium terdiri atas 4 parameter, yaitu a, b, c, dan d. Formula
matematika untuk fungsi segitiga ialah sebagai berikut:
0,
x-a
,
a
b
segitiga(x;a,b,c) = c - x
,
c-b
{ 0,
x≤a
a≤x≤b
b≤x≤c
c≤x
}
sedangkan formula matematika untuk fungsi trapesium ialah sebagai berikut:
Gambar 2 Konfigurasi ruangan: (a) konfigurasi
1, (b) konfigurasi 2, (c) konfigurasi 3,
dan (d) konfigurasi 4
(1)
4
0,
x-a
,
b-a
,
trapesium(x;a,b,c,d) =
d-x
,
d-c
{
0,
x≤a
a≤x≤b
b≤x≤c
c≤x≤d
d≤x
}
(2)
dengan x adalah nilai anggota dan a, b, c, dan d adalah batas antar fungsi.
Evaluasi aturan merupakan tahapan untuk mengolah nilai fuzzy berdasarkan
aturan yang dibuat. Aturan direpresentasikan dalam bentuk if-then. Setiap kondisi
di dalam aturan dihubungkan dengan operator AND karena semua kondisi harus
terpenuhi.
Defuzzifikasi menerjemahkan nilai fuzzy ke dalam nilai keluaran yang diskret.
Sebelum defuzzifikasi, dilakukan tahap pengumpulan hasil dari evaluasi aturan
menggunakan operator OR. Tahapan pengumpulan ini dinamakan agregasi. Metode
yang digunakan pada tahap defuzzifikasi untuk menerjemahkan adalah center of
gravity (COG). Formula dari COG seperti berikut (Peri 2002):
COG =
∑nk μA (zk)zk
∑nk μA (zk)
(3)
dengan μA(zk) adalah keluaran hasil implikasi fungsi keanggotaan dan zk adalah nilai
keluaran anggota.
Implementasi
Sistem navigasi yang telah dirancang diimplementasikan menggunakan
perangkat lunak MobotSim. MobotSim adalah perangkat lunak simulasi 2 dimensi
untuk mobile robot. MobotSim memiliki BASIC editor untuk melakukan
pemrograman dengan bahasa pemrograman BASIC.
Pengujian
Pengujian dilakukan dengan menjalankan simulasi pada perangkat lunak
MobotSim. Simulasi tersebut dilakukan pada lingkungan KRPAI 2013. Simulasi
terdiri atas 1 posisi home, 4 konfigurasi ruangan, dan 4 posisi api, sehingga
membutuhkan 16 simulasi. Robot dikatakan berhasil menyelesaikan misi jika dapat
memadamkan api dan kembali ke home.
Evaluasi
Pada tahap ini, sistem dievaluasi mengenai keberhasilan dan kekurangan yang
telah dicapai. Dengan demikian, dapat diketahui kelayakan dari sistem navigasi ini
pada lingkungan KRPAI 2013.
5
HASIL DAN PEMBAHASAN
Perancangan Navigasi
Navigasi yang diperlukan untuk menyelesaikan misi pada lingkungan KRPAI
2013 adalah navigasi untuk menelusuri dinding, navigasi untuk menemukan titik
api, dan navigasi untuk kembali ke home. Contoh lingkungan KRPAI 2013 dapat
dilihat pada Gambar 3.
Navigasi untuk menelusuri dinding dikombinasikan dengan logika fuzzy.
Navigasi ini dapat membuat robot bergerak menelusuri dinding tanpa menabrak.
Navigasi ini aktif saat pertama kali robot dihidupkan. Robot bergerak dari home
dengan menelusuri dinding untuk menemukan titik api. Selama menelusuri dinding,
robot mencatat banyaknya ruangan yang sudah dikunjungi dengan mendeteksi garis
pada setiap pintu ruangan. Hal ini dilakukan untuk mengatasi masalah mengunjungi
ruangan yang berada di tengah. Ruangan di tengah dikunjungi ketika robot sudah
mengunjungi 3 ruangan. Ruangan tersebut dikunjungi dengan mengganti tipe dari
right wall following menjadi left wall following. Untuk mengganti tipe wall
following tersebut diperlukan ketepatan. Posisi ruangan yang di tengah dikelilingi
oleh banyak lorong panjang sehingga kondisi tersebut dapat dijadikan syarat untuk
mengganti tipe wall following.
Titik api pada lingkungan KRPAI 2013 terdapat di salah satu ruangan. Ketika
robot bergerak menelusuri dinding dan robot menemukan titik api, robot berhenti
untuk menyesuaikan posisi. Saat posisi sudah tepat, robot memadamkan api.
Setelah memadamkan api, robot harus kembali ke home.
Robot memiliki beberapa cara untuk kembali ke home. Cara pertama ialah
setelah robot mengunjungi semua ruangan namun tidak menemukan titik api. Pada
kondisi ini robot hanya perlu menelusuri dinding hingga mendeteksi garis home.
Cara kedua ialah setelah memadamkan api, robot berbalik arah dan mengganti tipe
wall following. Robot menelusuri jalur yang telah dilewati sebelumnya hingga
mendeteksi garis home. Sebagai alternatif dari mendeteksi garis, robot juga selalu
mencatat posisinya terhadap home menggunakan sistem kompas. Ketika posisi
robot (0,0) terhadap home, robot dinyatakan berada di home.
Gambar 3 Lingkungan KRPAI 2013
6
Semua navigasi yang dirancang memiliki keterkaitan sehingga pembagian
navigasi menjadi 3 bagian hanya untuk mempermudah pemahaman dan
implementasi sistem. Alur keseluruhan dari navigasi dapat dilihat pada Gambar 4.
Perancangan Logika Fuzzy
Proses fuzzifikasi mengubah nilai masukan menjadi nilai fuzzy. Nilai
masukan didapat dari pembacaan sensor jarak pada robot dalam satuan sentimeter.
Nilai masukan tersebut diproses oleh fungsi keanggotaan. Fungsi masukan terdiri
atas 3 variabel, yaitu sensor samping, serong, dan depan. Untuk variabel sensor
samping dan serong yang aktif ditentukan oleh tipe wall following. Apabila
menggunakan right wall following, maka sensor samping dan serong yang
dimaksud ialah sensor samping kanan dan serong kanan. Begitu juga sebaliknya,
hal tersebut berlaku pada left wall following.
Variabel sensor samping dan serong memiliki 3 fungsi keanggotaan, yaitu
dekat, sedang, dan jauh. Variabel sensor depan memiliki 2 fungsi keanggotaan,
yaitu dekat dan jauh. Sensor depan hanya memiliki 2 fungsi keanggotaan karena
arah depan tidak dijadikan acuan robot untuk menjaga jarak dengan dinding,
sedangkan arah samping dijadikan acuan oleh robot untuk tetap mempertahankan
jarak dengan dinding. Fungsi keanggotaan untuk masing-masing variabel dapat
dilihat pada Gambar 5. Perbedaan fungsi keanggotaan antara sensor samping dan
serong hanya terletak pada rentang nilai masing-masing anggota. Sensor serong
memiliki rentang nilai anggota yang lebih besar dibandingkan sensor samping
karena jarak yang dibaca sensor serong lebih besar. Berdasarkan Persamaan 1 dan
2, formula matematika untuk sensor samping ialah sebagai berikut:
Mulai
Wall following
Tidak
Masuk ruangan
Banyaknya
ruangan = 3
Tidak
Ya
Tidak
Ya
Mendeteksi api
Ya
Sudah
melewati home
Tidak
Padamkan api
Ya
Kembali ke home
Lorong
Selesai
Ya
Ubah tipe wall following
Gambar 4 Alur sistem navigasi
Tidak
7
(a)
(b)
(c)
Gambar 5 Fungsi keanggotaan masukan: (a) samping, (b) serong, dan (c) depan
1, x ≤ 4
10 - x
μsam_dekat(x) = {
, 4 ≤ x ≤ 10}
6
0, x ≥ 10
0, x ≤ 4
x-4
, 4 ≤ x ≤ 10
6
μsam_sedang(x) =
16 - x
, 10 ≤ x ≤ 16
6
{
}
0, x ≥ 16
0, x ≤ 10
x - 10
μsam_jauh(x) = {
, 10 ≤ x ≤ 16}
6
1, x ≥ 16
dengan x adalah nilai anggota, µ sam_dekat(x) adalah derajat keanggotaan dekat,
µ sam_sedang(x) adalah derajat keanggotaan sedang, dan µ sam_jauh(x) adalah derajat
keanggotaan jauh pada sensor samping. Formula matematika untuk sensor serong
ialah sebagai berikut:
8
0, x ≤ 6
x-6
, 6 ≤ x ≤ 15
9
μser_sedang(x) =
24 - x
, 15 ≤ x ≤ 24
9
{
}
0, x ≥ 24
1, x ≤ 6
15 - x
μser_dekat(x) = {
, 6 ≤ x ≤ 15}
9
0, x ≥ 15
0, x ≤ 15
x - 15
μser_jauh(x) = {
, 15 ≤ x ≤ 24}
9
1, x ≥ 24
dengan x adalah nilai anggota, µ ser_dekat(x) adalah derajat keanggotaan dekat,
µ ser_sedang(x) adalah derajat keanggotaan sedang, dan µ ser_jauh(x) adalah derajat
keanggotaan jauh pada sensor serong. Formula matematika untuk sensor depan
ialah sebagai berikut:
1, x ≤ 6
14 - x
μdep_dekat(x) = {
, 6 ≤ x ≤ 14}
8
0, x ≥ 14
0, x ≤ 6
x-6
μdep_jauh(x) = {
, 6 ≤ x ≤ 14}
8
1, x ≥ 14
dengan x adalah nilai anggota, µ dep_dekat(x) adalah derajat keanggotaan dekat dan
µ dep_jauh(x) adalah derajat keanggotaan jauh pada sensor depan.
Berikut diberikan contoh kasus. Misalkan nilai jarak yang dibaca oleh sensor
samping sebesar 7 cm, sensor serong sebesar 13 cm, dan sensor depan sebesar 17
cm. Proses fuzzifikasi pada sensor samping, nilai jarak dimasukan ke dalam fungsi
keanggotaan pada tiap-tiap himpunan, antara lain:
10 - 7
Himpunan dekat, µ sam_dekat(7) =
= 0.50
6
Himpunan sedang, µ sam_sedang(7) =
Himpunan jauh, µ sam_jauh(7) = 0
7-4
6
= 0.50
Aturan fuzzy yang digunakan pada robot pemadam api sebanyak 36 aturan.
Aturan-aturan tersebut dibagi menjadi 2 bagian, yaitu 18 aturan right wall following
dan 18 aturan left wall following. Aturan-aturan tersebut dapat dilihat pada Tabel 1.
Sesuai dengan contoh kasus yang diberikan sebelumnya, terdapat 4 aturan
yang sesuai dengan nilai masukan, yaitu aturan ke-2, aturan ke-4, aturan ke-8, dan
aturan ke-10. Pada tahap evaluasi aturan, diketahui anggota dari keluaran
berdasarkan aturan yang dibuat. Pada contoh kasus ini, tipe wall following yang
digunakan ialah right wall following sehingga hasil aturan ke-2 ialah kiri0, hasil
aturan ke-4 ialah maju, hasil aturan ke-8 ialah kiri0, dan hasil aturan ke-10 ialah
maju. Berikut contoh perhitungan pada aturan ke-2:
µ a2(x) = min(µ sam_dekat(7), µ ser_dekat(13), µ dep_jauh(17))
µ a2(x) = min(0.50, 0.22, 1.00)
µ a2(x) = 0.22
dengan µ a2(x) adalah derajat keanggotaan hasil aturan ke-2.
9
Tabel 1 Aturan fuzzy untuk right dan left wall following
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Masukan sensor
Samping
Serong
Dekat
Dekat
Dekat
Dekat
Dekat
Sedang
Dekat
Sedang
Dekat
Jauh
Dekat
Jauh
Sedang
Dekat
Sedang
Dekat
Sedang
Sedang
Sedang
Sedang
Sedang
Jauh
Sedang
Jauh
Jauh
Dekat
Jauh
Dekat
Jauh
Sedang
Jauh
Sedang
Jauh
Jauh
Jauh
Jauh
Keluaran wall following
Right
Left
Kiri1
Kanan1
Kiri0
Kanan0
Kiri0
Kanan0
Maju
Maju
Kiri0
Kanan0
Kiri0
Kanan0
Kiri1
Kanan1
Kiri0
Kanan0
Kiri0
Kanan0
Maju
Maju
Kiri1
Kanan1
Maju
Maju
Kiri1
Kanan1
Kiri0
Kanan0
Maju
Maju
Maju
Maju
Kanan1
Kiri1
Kanan0
Kiri0
Depan
Dekat
Jauh
Dekat
Jauh
Dekat
Jauh
Dekat
Jauh
Dekat
Jauh
Dekat
Jauh
Dekat
Jauh
Dekat
Jauh
Dekat
Jauh
Nilai fuzzy hasil evaluasi aturan merupakan nilai fuzzy untuk keluaran. Untuk
mendapatkan nilai keluaran yang bersifat diskret diperlukan fungsi keanggotaan
keluaran. Fungsi keluaran terdiri atas 1 variabel dan 5 fungsi keanggotaan, yaitu
kiri1, kiri0, maju, kanan0, kanan1. Fungsi keanggotaan keluaran dapat dilihat pada
Gambar 6. Variabel sudut pada fungsi keluaran memiliki rentang nilai dari -90
hingga 90. Rentang tersebut direpresentasikan dalam satuan derajat. Tanda minus
(-) menyatakan arah kiri. Sebagai contoh, nilai -60 menyatakan robot harus belok
kiri sebesar 60 derajat. Formula matematika untuk keluaran sudut ialah sebagai
berikut:
Kiri1
Kiri0
Maju
Kanan0
Kanan1
Derajat
keanggotaan
1
0
-90
-75
-60
-45
-30
-15
0
15
30
45
Sudut (derajat)
Gambar 6 Fungsi keanggotaan keluaran
60
75
90
10
0, x ≤ -90
x + 90
, -90 ≤ x ≤ -60
30
μkiri1(x) =
-x - 30
, -60 ≤ x ≤ -30
30
{
}
0, x ≥ -30
0, x ≤ -15
x + 15
, -15 ≤ x ≤ 0
15
μmaju(x) =
15 - x
, 0 ≤ x ≤ 15
15
{
}
0, x ≥ 15
0, x ≤ -60
x + 60
, -60 ≤ x ≤ -30
30
μkiri0(x) =
-x
, -30 ≤ x ≤ 0
30
{
}
0, x ≥ 0
0, x ≤ 0
x
, 0 ≤ x ≤ 30
30
μkanan0(x) = 60 - x
, 30 ≤ x ≤ 60
30
{
}
0, x ≥ 60
0, x ≤ 30
x - 30
, 30 ≤ x ≤ 60
30
μkanan1(x) =
90 - x
, 60 ≤ x ≤ 90
30
{
}
0, x ≥ 90
dengan x adalah nilai anggota, µ kiri1(x) adalah derajat keanggotaan kiri1, µ kiri0(x)
adalah derajat keanggotaan kiri0, µ maju(x) adalah derajat keanggotaan maju,
µ kanan0(x) adalah derajat keanggotaan kanan0, dan µ kanan1(x) adalah derajat
keanggotaan kanan1 pada variabel sudut.
Perhitungan untuk mendapatkan nilai x ketika µ a2(x) = 0.22 berdasarkan
contoh kasus yang diberikan sebelumnya ialah sebagai berikut:
µ a2(x) = µ kiri0(x) = 0.22
-x
x + 60
= 0.22, sehingga x1 = -53.40; atau = 0.22, sehingga x2 = -6.60
30
30
Nilai keluaran hasil evaluasi semua aturan dikumpulkan. Pengumpulan nilai
ini menjadikan variabel keluaran samar sehingga diperlukan tahapan untuk
mengubah nilai samar menjadi nilai tegas. tahapan ini disebut defuzzifikasi. Jika
contoh kasus sebelumnya dihitung lebih lanjut, setelah hasil evaluasi aturan didapat
formula matematika sebagai berikut:
0, x ≤ -60
x + 60
, -60 ≤ x ≤ -53.4
0.22, -53.4 ≤ x ≤ -11.7
30
µ d(x) =
x + 15
15
, -11.7 ≤ x ≤ -7.5
0.50, -7.5 ≤ x ≤ 7.5
15 - x
{
15
, 7.5 ≤ x ≤ 15
0, x ≥ 15
}
11
dengan x adalah nilai anggota dan µ d(x) adalah nilai derajat keanggotaan hasil
agregasi.
Formula di atas didefuzzifikasi menggunakan COG. Berdasarkan Persamaan
3, proses perhitungan defuzzifikasi ialah sebagai berikut:
∑nk μd (xk)xk
COG = n
∑k μd (xk)
∑90
k=-90 μd (xk)xk
= 90
∑k=-90 μd (xk)
=
=
=
µd(x- ).(x-90) + µd(x- ).(x-89) + µd(x- ).(x-88) + … + µd(x90).(x90)
µd(x- ) + µd(x- ) + µd(x- ) + … + µd(x )
0+0+0+…+0
0+0+0+…+0
-334.20
20.77
= -16.09
Nilai hasil defuzzifikasi menggunakan COG merupakan nilai keluaran dari
keseluruhan proses fuzzy. Nilai keluaran ini merupakan sudut belok yang harus
dilakukan robot dalam satuan derajat. Berdasarkan contoh perhitungan, robot harus
belok ke kiri sebesar 16.09 derajat. Contoh perhitungan fuzzy secara lengkap dapat
dilihat pada Lampiran 1.
Implementasi
Rancangan navigasi diprogram menggunakan perangkat lunak MobotSim.
Perangkat lunak tersebut memiliki BASIC editor sehingga memudahkan
pemrograman bahasa BASIC. Perangkat lunak tersebut memang didesain khusus
untuk simulasi 2 dimensi.
MobotSim menyediakan pengaturan robot sehingga simulasi dapat mendekati
kondisi sebenarnya. Pada bagian general, robot yang digunakan pada penelitian ini
memiliki indeks 0. Indeks tersebut berguna untuk mengidentifikasi robot yang
dimaksud dalam kode program. Posisi awal robot terletak pada koordinat x = 2.9
dan y = 2.2 dengan theta = 270˚. Untuk grid resolution, draw sensor ranging, dan
draw trajectory, diatur sesuai kebutuhan simulasi. Pada bagian geometry, platform
diameter = 0.25 meter, distance between wheels = 0.2 meter, wheels diameter = 0.1
meter, wheels width = 0.01 meter, number of ranging sensors = 5, angle between
sensors = 45˚, dan sensors ring radius = 0.1 meter. Pada bagian ranging sensors,
radiation cone = 40˚, range dari 0 sampai 3 meter, dan percentage of misreadings
= 0%. Pengaturan range dapat disesuaikan dengan kemampuan sensor jarak pada
kondisi sebenarnya namun pada perangkat lunak ini, nilai jarak yang melebihi
12
range sensor akan dianggap minus (-). Hal tersebut dapat menyebabkan logic error
karena pada umumnya nilai jarak yang melebihi range sensor akan dianggap sangat
besar.
Desain ruangan dibuat sesuai dengan lingkungan KRPAI 2013. Ada 4
ruangan yang digunakan dengan 4 kemungkinan konfigurasi ruangan. Posisi pintu
yang dapat dikonfigurasi hanya pada ruangan 1 dan 4. Setiap pintu diberi penanda
berupa lingkaran bewarna kuning dengan tanda silang di tengahnya. Penanda ini
sudah disediakan oleh MobotSim. Posisi home dan posisi api juga diberikan
penanda yang sama. Penanda yang sama digunakan karena MobotSim tidak
mendukung bentuk dan warna penanda yang lain. Oleh karena itu, setiap penanda
memiliki identitas yang unik. Home diberikan identitas 0, penanda pintu pada
ruangan 3 diberikan identitas 1, penanda pintu pada ruangan 2 diberikan identitas
2, 2 penanda pintu pada ruangan 1 diberikan identitas 3 dan 4, penanda pintu pada
ruangan 4 diberikan identitas 5, dan api diberikan identitas 6. Implementasi
lingkungan KRPAI 2013 pada MobotSim dapat dilihat pada Gambar 7.
MobotSim hanya menyediakan sensor jarak sehingga pembacaan posisi home,
garis pada pintu ruangan, dan api menggunakan koordinat. Posisi ketiga objek
tersebut dibaca dengan menghitung jarak objek dan robot. Posisi home dan garis
pada pintu ruangan yang dibaca menggunakan koordinat, masih dapat
disimulasikan dengan baik meskipun seharusnya dibaca menggunakan sensor garis.
Posisi api yang dibaca menggunakan koordinat kurang dapat disimulasikan dengan
baik karena sifat sensor api yang lebih kompleks dibandingkan sensor garis.
Pengujian
Pengujian dilakukan dengan menjalankan simulasi pada perangkat lunak
MobotSim. Simulasi tersebut dilakukan pada lingkungan KRPAI 2013. Simulasi
dilakukan sebanyak 16 simulasi yang terdiri atas 1 posisi home, 4 konfigurasi
api
id = 6
home
id = 0
robot
garis
id = 5
garis
id = 1
garis
id = 4
garis
id = 3
garis
id = 2
Gambar 7 Implementasi lingkungan KRPAI 2013
13
Tabel 2 Hasil pengujian
Konfigurasi
ruangan
1
2
3
4
Posisi api berhasil ditemukan?
Ruang 1 Ruang 2 Ruang 3 Ruang 4
ruangan, dan 4 posisi api. Posisi home berada di lorong bagian atas di dekat ruang
3 dan ruang 4. Posisi api di dalam ruangan diletakan secara acak sehingga diambil
rata-rata dari keseluruhan percobaan. Hasil pengujian sistem navigasi robot dapat
dilihat pada Tabel 2. Dari tabel tersebut diketahui bahwa robot tidak berhasil
memadamkan api di ruang 1 pada konfigurasi ruangan 3 dan 4. Potongan gambar
dari 16 simulasi dapat dilihat pada Lampiran 2.
Evaluasi
Sistem navigasi robot berhasil memadamkan api di ruang 2, ruang 3, dan
ruang 4 pada semua konfigurasi ruangan dan kembali ke home. Robot berhasil
memadamkan api di ruang 1 untuk konfigurasi ruangan 1 dan 2, sedangkan
konfigurasi ruangan 3 dan 4, robot tidak berhasil memadamkan api. Ruang 1 pada
konfigurasi ruangan 3 dan 4 memiliki pintu masuk bersebelahan dengan dinding
luar sehingga algoritme right wall following membuat robot hanya menelusuri
dinding tersebut tanpa mendeteksi api yang berada di siku dinding dalam. Posisi api
pada simulasi yang dibaca menggunakan koordinat juga menyebabkan api tidak
terdeteksi. Api dapat terdeteksi hanya jika posisi api berada di jalur pergerakan
robot. Dengan demikian, persentase keberhasilan robot dalam menyelesaikan misi
KRPAI 2013 ialah sebesar 14/16 atau 87.5%.
SIMPULAN DAN SARAN
Simpulan
Penelitian ini telah berhasil mengembangkan sistem navigasi robot pemadam
api menggunakan algoritme wall following dan logika fuzzy. Sistem tersebut
berhasil menyelesaikan misi pada KRPAI 2013 dengan posisi home berada di
lorong, 4 konfigurasi ruangan, dan 4 posisi api di dalam ruangan yang berbeda.
Hasil pengujian menunjukan bahwa persentase keberhasilan robot dalam
menelusuri ruangan, memadamkan api, dan kembali ke home ialah 87.5%.
Saran
Sebagai bahan acuan untuk pengembangan selanjutnya, sistem navigasi dapat
diimplementasikan ke robot. Pengubahan aturan fuzzy dapat terjadi karena
perbedaan antara simulasi dan lingkungan yang sebenarnya. Diharapkan apabila
14
sistem navigasi diterapkan ke robot, sensor api yang dimiliki robot dapat
mendeteksi keberadaan api pada kondisi tanpa halangan, sehingga persentase
keberhasilan akan meningkat.
DAFTAR PUSTAKA
Braunstingl R, Sanz P, Ezkerra JM. 1995. Fuzzy logic wall following of a mobile
robot based on the concept of general perception. Di dalam: Seventh
International Conference on Advanced Robotics; 1995 Sep; Sant Feliu De
Guixols, Spanyol. Barcelona (ES): UPC. 367-376.
Carelli R, Freire EO. 2003. Corridor navigation and wall-following stable control
for sonar-based mobile robots. Robotics and Autonomous Systems. 45:235247. doi:10.1016/j.robot.2003.09.005.
[Dikti] Direktorat Pendidikan Tinggi. 2012. Panduan Kontes Robot Pemadam Api
Indonesia (KRPAI) Beroda dan Berkaki 2013. Jakarta: Direktorat Pendidikan
Tinggi.
Fathurahman F. 2011. Rancangan dan implementasi logika fuzzy pada
mikrokontroler ATMega16 untuk robot penghindar halangan [skripsi]. Bogor
(ID): Institut Pertanian Bogor.
Obe O, Dumitrache I. 2010. Fuzzy control of autonomous mobile robot. UPB Sci
Bull. 72:173-186.
Peri VM. 2002. Fuzzy logic controller for an autonomous mobile robot [tesis].
Hyderabad (IN): Jawaharlal Nehru Technological Univ.
15
Lampiran 1 Contoh perhitungan fuzzy
1. Fuzzifikasi
Sensor samping = 7 cm
Sensor serong = 13 cm
Sensor depan = 17 cm
Jika sensor samping membaca jarak sebesar 7 cm, nilai derajat keanggotaan
pada tiap-tiap himpunan adalah:
10 - 7
Himpunan dekat, µ sam_dekat(7) =
= 0.50
6
Himpunan sedang, µ sam_sedang(7) =
Himpunan jauh, µ sam_jauh(7) = 0
7-4
6
= 0.50
Jika sensor serong membaca jarak sebesar 13 cm, nilai derajat keanggotaan
pada tiap-tiap himpunan adalah:
15 - 13
= 0.22
Himpunan dekat, µ ser_dekat(13) =
Himpunan sedang, µ ser_sedang(13) =
Himpunan jauh, µ ser_jauh(13) = 0
9
13 - 6
9
= 0.78
Jika sensor depan membaca jarak sebesar 17 cm, nilai derajat keanggotaan
pada tiap-tiap himpunan adalah:
Himpunan dekat, µ dep_dekat(17) = 0
Himpunan jauh, µ dep_jauh(17) = 1
2. Evaluasi Aturan
Aturan ke-2
If (Samping is Dekat) and (Serong is Dekat) and (Depan is Jauh) then (Sudut is
Kiri0)
Operator yang digunakan pada proses ini ialah AND, sehingga:
µ a2(x) = min(µ sam_dekat(7), µ ser_dekat(13), µ dep_jauh(17))
µ a2(x) = min(0.50, 0.22, 1.00)
µ a2(x) = 0.22
Aturan ke-4
If (Samping is Dekat) and (Serong is Sedang) and (Depan is Jauh) then (Sudut is
Maju)
Operator yang digunakan pada proses ini adalah AND, sehingga:
µ a4(x) = min(µ sam_dekat(7), µ ser_sedang(13), µ dep_jauh(17))
µ a4(x) = min(0.50, 0.78, 1.00)
µ a4(x) = 0.50
Aturan ke-8
If (Samping is Sedang) and (Serong is Dekat) and (Depan is Jauh) then (Sudut is
Kiri0)
16
Lampiran 1 Lanjutan
Operator yang digunakan pada proses ini adalah AND, sehingga:
µ a8(x) = min(µ sam_sedang(7), µ ser_dekat(13), µ dep_jauh(17))
µ a8(x) = min(0.50, 0.22, 1.00)
µ a8(x) = 0.22
Aturan ke-10
If (Samping is Sedang) and (Serong is Sedang) and (Depan is Jauh) then (Sudut is
Maju)
Operator yang digunakan pada proses ini adalah AND, sehingga:
µ a10(x) = min(µ sam_sedang(7), µ ser_sedang(13), µ dep_jauh(17))
µ a10(x) = min(0.50, 0.78, 1.00)
µ a10(x) = 0.50
Operasi Implikasi dari masukan ke keluaran
Aturan ke-2
Pada saat µ a2(x) = µ kiri0(x) = 0.22, nilai x dapat dinyatakan sebagai berikut:
x + 60
30
= 0.22 sehingga x1 = -53.40
atau
-x
= 0.22 sehingga x2 = -6.60
30
Sehingga formula matematika kiri0 yang baru ialah sebagai berikut:
x + 60
0, x ≤ -60
,
µ kiri0(x) = 0.22,
-x
,
30
{
30
-60 ≤ x ≤ -53.4
-53.4 ≤ x ≤ -6.6
-6.6 ≤ x ≤ 0
}
0, x ≥ 0
Aturan ke-4
Pada saat µ a4(x) = µ maju(x) = 0.50, nilai x dapat dinyatakan sebagai berikut:
x + 15
15
= 0.50 sehingga x1 = -7.50
atau
15 - x
15
= 0.50 sehingga x2 = 7.50
Sehingga formula matematika maju yang baru ialah sebagai berikut:
17
Lampiran 1 Lanjutan
x + 15
15
0, x ≤ -15
, -15 ≤ x ≤ -7.5
µ maju(x) = 0.50, -7.5 ≤ x ≤ 7.5
15 - x
{
15
, 7.5 ≤ x ≤ 15
}
0, x ≥ 15
Aturan ke-8
Pada saat µ a8(x) = µ kiri0(x) = 0.22, nilai x dapat dinyatakan sebagai berikut:
x + 60
30
= 0.22 sehingga x1 = -53.40
atau
-x
= 0.22 sehingga x2 = -6.60
30
Sehingga formula matematika kiri0 yang baru ialah sebagai berikut:
x + 60
0, x ≤ -60
,
µ kiri0(x) = 0.22,
-x
,
30
{
30
-60 ≤ x ≤ -53.4
-53.4 ≤ x ≤ -6.6
-6.6 ≤ x ≤ 0
}
0, x ≥ 0
Aturan ke-10
Pada saat µ a10(x) = µ maju(x) = 0.50, nilai x dapat dinyatakan sebagai berikut:
x + 15
15
= 0.50 sehingga x1 = -7.50
atau
15 - x
15
= 0.50 sehingga x2 = 7.50
Sehingga formula matematika maju yang baru ialah sebagai berikut:
x + 15
15
0, x ≤ -15
, -15 ≤ x ≤ -7.5
µ maju(x) = 0.50, -7.5 ≤ x ≤ 7.5
15 - x
{
15
, 7.5 ≤ x ≤ 15
}
0, x ≥ 15
Operator yang digunakan dalam proses agregasi ialah OR, sehingga:
µ d(x) = max(µ kiri0(x), µ maju(x), µ kiri0(x), µ maju(x))
Formulasi matematika hasil agregasi ialah sebagai berikut:
18
Lampiran 1 Lanjutan
x + 60
0, x ≤ -60
, -60 ≤ x ≤ -53.4
0.22, -53.4 ≤ x ≤ -11.7
30
µ d(x) =
x + 15
15
,
-11.7 ≤ x ≤ -7.5
0.50, -7.5 ≤ x ≤ 7.5
15 - x
{
15
, 7.5 ≤ x ≤ 15
}
0, x ≥ 15
3. Deffuzifikasi
Persamaan yang digunakan ialah Center of Gravity (COG)
∑nk μd (xk)xk
COG = n
∑k μd (xk)
∑90
k=-90 μd (xk)xk
= 90
∑k=-90 μd (xk)
=
=
=
µd(x- ).(x-90) + µd(x- ).(x-89) + µd(x- ).(x-88) + … + µd(x90).(x90)
µd(x- ) + µd(x- ) + µd(x- ) + … + µd(x )
0+0+0+…+0
0+0+0+…+0
-334.20
20.77
= -16.09
19
Lampiran 1 Lanjutan
Implikasi
1
1
1
1
0,5
0,5
0,5
0,5
0
0
0
4
8
0
0 4 8 12
0
6 10 14 18
-60
1
1
1
1
0,5
0,5
0,5
0,5
0
0
0
4
8
0
6
14
22
1
1
0,5
0,5
0,5
0
0
4
8
12 16
-60
1
1
1
0,5
0,5
0,5
0,5
0
8
12 16
0
6
14
22
15
-45
-30
-15
0
15
Agregasi
-60
1
4
0
0
6 10 14 18
1
0
-15
0,5
0
0 4 8 12
-30
0
6 10 14 18
1
-45
-45
-30
-15
0
15
0
6 10 14 18
-60
-45
-30
-15
0
15
-60
-45
-30
-15
0
15
1
Samping: 7cm | Serong: 13cm | Depan: 17cm
0,5
0
-16.09
20
Lampiran 2 Simulasi sistem navigasi
Implementasi Ruangan
home
id = 0
api
id = 6
robot
garis
id = 5
garis
id = 1
garis
id = 4
garis
id = 3
garis
id = 2
Konfigurasi Ruangan
(a)
(b)
(c)
(d)
Konfigurasi ruangan 1
Konfigurasi ruangan 2
Konfigurasi ruangan 3
Konfigurasi ruangan 4
21
Lampiran 2 Lanjutan
Konfigurasi ruangan 1 dan posisi api pada ruang 1 dan ruang 2
Konfigurasi ruangan 1 dan posisi api pada ruang 3 dan ruang 4
22
Lampiran 2 Lanjutan
Konfigurasi ruangan 2 dan posisi api pada ruang 1 dan ruang 2
Konfigurasi ruangan 2 dan posisi api pada ruang 3 dan ruang 4
23
Lampiran 2 Lanjutan
Konfigurasi ruangan 3 dan posisi api pada ruang 1 dan ruang 2
Konfigurasi ruangan 3 dan posisi api pada ruang 3 dan ruang 4
24
Lampiran 2 Lanjutan
Konfigurasi ruangan 4 dan posisi api pada ruang 1 dan ruang 2
Konfigurasi ruangan 4 dan posisi api pada ruang 3 dan ruang 4
25
RIWAYAT HIDUP
Penulis dilahirkan di Semarang, Jawa Tengah pada tanggal 13 Juli 1991 dari
ayah bernama Kuswantoro dan ibu bernama Christiana. Penulis merupakan anak
kedua dari 4 bersaudara. Pada tahun 2009, penulis menamatkan pendidikan di SMA
Negeri 2 Bogor. Penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) pada
tahun 2009 melalui jalur Undangan Seleksi Masuk IPB (USMI) di Departemen
Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama menjadi mahasiswa, penulis aktif sebagai asisten praktikum pada
mata kuliah Algoritma dan Pemrograman (2011), Organisasi Komputer (20112013), Sistem Operasi (2012), dan Penerapan Komputer (2013). Penulis juga aktif
di organisasi kemahasiswaan Himpunan Mahasiswa Ilmu Komputer pada tahun
2010-2012, serta berbagai kegiatan kepanitiaan seperti IT Today 2011 dan
Programming Competition, Pesta Sains IPB 2011. Penulis melaksanakan kegiatan
Praktik Kerja Lapangan di PT Pertamina (Persero) Refinery Unit VI Balongan
Indramayu pada bulan Juli-Agustus 2012.
MENGGUNAKAN WALL FOLLOWING
DAN LOGIKA FUZZY
ERWIN MUSA YULIO CHRISWANTORO
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Sistem Navigasi pada
Robot Pemadam Api Menggunakan Wall Following dan Logika Fuzzy 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, Juli 2013
Erwin M Y Chriswantoro
NIM G64090046
ABSTRAK
ERWIN M Y CHRISWANTORO. Sistem Navigasi pada Robot Pemadam Api
Menggunakan Wall Following dan Logika Fuzzy. Dibimbing oleh KARLISA
PRIANDANA dan MUSHTHOFA.
Robot memerlukan navigasi yang baik untuk menyelesaikan tugasnya. Salah
satu cara untuk memberikan kemampuan navigasi pada robot ialah kecerdasan
buatan. Kemampuan navigasi menggunakan kecerdasan buatan dapat dikaitkan
dengan kemampuan sensor menerima masukan dari lingkungan. Masukan dari
lingkungan bersifat tidak pasti sehingga pemodelan yang sederhana tidak cukup
mewakili. Logika fuzzy diharapkan dapat mengatasi ketidakpastian tersebut.
Penelitian ini bertujuan mengembangkan sistem navigasi pada robot pemadam api
menggunakan algoritme wall following dan logika fuzzy. Sistem disimulasikan pada
lingkungan KRPAI 2013 yang mengharapkan robot dapat menelusuri dinding,
memadamkan api, dan kembali ke home. Hasil penelitian menunjukan bahwa robot
berhasil menyelesaikan misi KRPAI 2013 dengan persentase kesuksesan mencapai
87.5%.
Kata kunci: logika fuzzy, pemadam api, robot, wall following
ABSTRACT
ERWIN M Y CHRISWANTORO. Navigation System on Fire-Fighter Robot Using
Wall Following and Fuzzy Logic. Supervised by KARLISA PRIANDANA and
MUSHTHOFA.
A robot needs a good navigation to complete its task. One way to provide
navigation capabilities on robots is artificial intelligence. Navigation capabilities
using artificial intelligence may be associated with the ability to accept input from
a range of sensors. However, inputs from the environment are uncertain so that a
simple modeling is not sufficiently representative. Fuzzy logic is expected to
overcome these uncertainties. This research aims to develop the navigation system
on a fire-fighter robot using wall following algorithms and fuzzy logic. The system
is simulated on KRPAI 2013 environment where the robot is expected to move by
following the wall, extinguishing the fire, and returning to home. It is shown that
the robot has successfully completed the mission on KRPAI 2013 with a success
rate of 87.5%.
Keywords: fire-fighter, fuzzy logic, robot, wall following
SISTEM NAVIGASI PADA ROBOT PEMADAM API
MENGGUNAKAN WALL FOLLOWING
DAN LOGIKA FUZZY
ERWIN MUSA YULIO CHRISWANTORO
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
2013
Penguji: Dr Heru Sukoco, SSi MT
Judul Skripsi : Sistem Navigasi pada Robot Pemadam Api Menggunakan Wall
Following dan Logika Fuzzy
Nama
: Erwin Musa Yulio Chriswantoro
NIM
: G64090046
Disetujui oleh
Karlisa Priandana, ST MEng
Pembimbing I
Mushthofa, SKom MSc
Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Shalawat dan
salam penulis sampaikan kepada Nabi Muhammad shallallahu ‘alaihi wasallam,
keluarganya, sahabatnya, serta umatnya hingga akhir zaman. Tema yang dipilih
dalam penelitian yang dilaksanakan sejak bulan Oktober 2012 ini ialah kecerdasan
buatan, dengan judul Sistem Navigasi pada Robot Pemadam Api Menggunakan
Wall Following dan Logika Fuzzy.
Terima kasih penulis sampaikan kepada ayah, ibu, serta seluruh keluarga atas
segala doa dan kasih sayangnya. Terima kasih juga penulis sampaikan kepada Ibu
Karlisa Priandana, ST MEng dan Bapak Mushthofa, SKom MSc selaku
pembimbing, serta Bapak Dr Heru Sukoco, SSi MT selaku penguji yang telah
banyak memberikan saran. Di samping itu, terima kasih penulis sampaikan kepada
Rahmatika Dewi yang telah meminjamkan laptop, Wulandari, Nur Muhammad
Sidik, Aditya Erlangga, Rini Windyastuti, Rizkia Hanna Amalia, Ariny, Aries
Fitriawan, dan Lizza Amini Gumilar yang telah sering menemani, membantu, dan
memberi dukungan. Ucapan terima kasih juga disampaikan kepada seluruh temanteman Ilmu Komputer IPB angkatan 46 yang saling memberikan semangat selama
pengerjaan karya ilmiah.
Semoga karya ilmiah ini bermanfaat dan memberikan keberkahan.
Bogor, Juli 2013
Erwin M Y Chriswantoro
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE
2
Perancangan Navigasi
2
Perancangan Logika Fuzzy
3
Implementasi
4
Pengujian
4
Evaluasi
4
HASIL DAN PEMBAHASAN
5
Perancangan Navigasi
5
Perancangan Logika Fuzzy
6
Implementasi
11
Pengujian
12
Evaluasi
13
SIMPULAN DAN SARAN
13
Simpulan
13
Saran
13
DAFTAR PUSTAKA
14
LAMPIRAN
15
DAFTAR TABEL
1 Aturan fuzzy untuk right dan left wall following
2 Hasil pengujian
9
13
DAFTAR GAMBAR
1 Alur penelitian
2 Konfigurasi ruangan: (a) konfigurasi 1, (b) konfigurasi 2, (c) konfigurasi
3, dan (d) konfigurasi 4
3 Lingkungan KRPAI 2013
4 Alur sistem navigasi
5 Fungsi keanggotaan masukan: (a) samping, (b) serong, dan (c) depan
6 Fungsi keanggotaan keluaran
7 Implementasi lingkungan KRPAI 2013
2
3
5
6
7
9
12
DAFTAR LAMPIRAN
1 Contoh perhitungan fuzzy
2 Simulasi sistem navigasi
15
20
PENDAHULUAN
Latar Belakang
Robot merupakan suatu alat yang mampu bergerak pada suatu lingkungan
dengan tingkat kemampuan tertentu (Carelli dan Freire 2003). Robot memiliki
kemampuan untuk melakukan tugas yang sederhana hingga tugas yang kompleks.
Tugas sederhana yang dapat dilakukan robot di antaranya bergerak mengikuti garis,
menyelesaikan labirin, dan menari. Sedangkan tugas kompleks yang dapat
dilakukan robot di antaranya merakit komponen kendaraan, membersihkan limbah
beracun, dan melakukan penyelamatan. Untuk melakukan tugas-tugas tersebut,
robot memerlukan sistem navigasi yang baik.
Kecerdasan buatan merupakan salah satu cara untuk memberikan
kemampuan navigasi pada robot. Kemampuan navigasi menggunakan kecerdasan
buatan dapat dikaitkan dengan kemampuan sensor untuk menerima masukan dari
lingkungan (Carelli dan Freire 2003). Masukan dari lingkungan bersifat tidak pasti
sehingga pemodelan yang sederhana tidak cukup mewakili. Menurut Peri (2002),
pemodelan menggunakan logika fuzzy dapat dijadikan alat untuk menangani
ketidakpastian dan representasi pengetahuan.
Dasar operasi dari robot ialah mampu bergerak menelusuri dinding yang tidak
diketahui konturnya (Braunstingl et al. 1995). Algoritme yang umum digunakan
untuk membuat robot mampu menelusuri dinding adalah wall following. Algoritme
ini dapat dikombinasikan dengan logika fuzzy dan digunakan sebagai navigasi.
Penelitian terdahulu yang terkait ialah perancangan dan implementasi logika
fuzzy pada mikrokontroler ATMega16 untuk robot penghindar halangan
(Fathurahman 2011). Penelitian tersebut berhasil mengimplementasikan logika
fuzzy pada mikrokontroler ATMega16. Sistem yang dirancang menggunakan
mikrokontroler ATMega16 sudah mampu menangani 3 masukan dan 2 keluaran
dengan baik dan waktu respon sistem cepat.
Kontes Robot Pemadam Api Indonesia (KRPAI) 2013 adalah salah satu
kontes robot pemadam api. Divisi yang dilombakan ialah divisi beroda dan berkaki.
Peraturan untuk divisi beroda dan berkaki KRPAI 2013 mengacu pada peraturan
yang dikeluarkan oleh Trinity College Fire Fighting Robot Contest 2013 (Dikti
2012). Misi yang harus diselesaikan pada lomba ini ialah menemukan dan
mematikan api lilin dalam waktu singkat.
Penelitian ini mengambil topik pembuatan sistem navigasi pada robot
pemadam api menggunakan algoritme wall following dan logika fuzzy. Sistem
navigasi yang dibuat disimulasikan pada lingkungan KRPAI 2013.
Perumusan Masalah
Sistem navigasi sangat penting bagi robot yang bergerak menggunakan
kecerdasan buatan. Untuk menyelesaikan misi pada KRPAI 2013 diperlukan
beberapa kemampuan navigasi yang baik, yaitu navigasi untuk menelusuri dinding,
navigasi untuk menemukan titik api, dan navigasi untuk kembali ke home.
2
Tujuan Penelitian
Penelitian ini bertujuan mengembangkan sistem navigasi pada robot
pemadam api menggunakan algoritme wall following dan logika fuzzy.
Manfaat Penelitian
Penelitian ini diharapkan dapat mengembangkan sistem navigasi yang baik
pada robot pemadam api dan mendukung pengembangan robotika di lingkungan
Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.
Ruang Lingkup Penelitian
Sistem navigasi yang dikembangkan pada penelitian ini dibatasi hanya untuk
robot pemadam api. Algoritme yang digunakan ialah wall following yang
dikombinasikan dengan logika fuzzy. Lingkungan yang digunakan ialah lingkungan
KRPAI 2013. Pengujian sistem menggunakan simulasi. Masukan yang diterima
dari sensor sudah berupa jarak antara robot dan objek. Keluaran yang dihasilkan
berupa sudut belok yang harus dilakukan robot.
METODE
Metode yang digunakan terdiri atas tahap perancangan navigasi, perancangan
logika fuzzy, implementasi, pengujian, dan evaluasi. Alur tahapan penelitian dapat
dilihat pada Gambar 1.
Perancangan Navigasi
Navigasi yang dirancang pada penelitian ini dibagi menjadi 3 bagian, yaitu
navigasi untuk menelusuri dinding, navigasi untuk menemukan titik api, dan
navigasi untuk kembali ke home. Dasar operasi yang digunakan untuk memberikan
kemampuan navigasi ialah wall following. Wall following untuk menelusuri dinding
dikombinasikan dengan logika fuzzy untuk mengatasi ketidakpastian lingkungan.
Dinding yang ditelusur ialah dinding pada lingkungan KRPAI 2013. Lingkungan
Perancangan Navigasi
Perancangan Logika Fuzzy
Implementasi
Pengujian
Evaluasi
Gambar 1 Alur penelitian
3
KRPAI 2013 memiliki 4 konfigurasi ruangan yang berbeda. Konfigurasi tersebut
diatur dengan mengubah posisi pintu pada ruangan 1 dan ruangan 4. Setiap pintu
memiliki penanda berupa garis. Posisi home berada di lorong bagian atas dengan
penanda garis berbentuk lingkaran yang di dalamnya terdapat huruf H. Secara detail
konfigurasi ruangan pada lingkungan KRPAI 2013 dapat dilihat pada Gambar 2.
Perancangan Logika Fuzzy
Logika fuzzy digunakan untuk merepresentasikan informasi jarak yang
bersifat linguistik seperti dekat, sedang, dan jauh. Perancangan proses pada logika
fuzzy secara umum dapat dibagi menjadi tiga tahap, yaitu fuzzifikasi, evaluasi
aturan, dan defuzzifikasi (Obe dan Dumitrache 2010).
Fuzzifikasi mengubah nilai masukan ke dalam nilai fuzzy menggunakan
fungsi keanggotaan. Fungsi keanggotaan yang digunakan pada penelitian ini ialah
fungsi segitiga dan trapesium. Kedua fungsi tersebut digunakan karena perumusan
matematika yang sederhana. Fungsi segitiga terdiri atas 3 parameter, yaitu a, b, dan
c, sedangkan trapesium terdiri atas 4 parameter, yaitu a, b, c, dan d. Formula
matematika untuk fungsi segitiga ialah sebagai berikut:
0,
x-a
,
a
b
segitiga(x;a,b,c) = c - x
,
c-b
{ 0,
x≤a
a≤x≤b
b≤x≤c
c≤x
}
sedangkan formula matematika untuk fungsi trapesium ialah sebagai berikut:
Gambar 2 Konfigurasi ruangan: (a) konfigurasi
1, (b) konfigurasi 2, (c) konfigurasi 3,
dan (d) konfigurasi 4
(1)
4
0,
x-a
,
b-a
,
trapesium(x;a,b,c,d) =
d-x
,
d-c
{
0,
x≤a
a≤x≤b
b≤x≤c
c≤x≤d
d≤x
}
(2)
dengan x adalah nilai anggota dan a, b, c, dan d adalah batas antar fungsi.
Evaluasi aturan merupakan tahapan untuk mengolah nilai fuzzy berdasarkan
aturan yang dibuat. Aturan direpresentasikan dalam bentuk if-then. Setiap kondisi
di dalam aturan dihubungkan dengan operator AND karena semua kondisi harus
terpenuhi.
Defuzzifikasi menerjemahkan nilai fuzzy ke dalam nilai keluaran yang diskret.
Sebelum defuzzifikasi, dilakukan tahap pengumpulan hasil dari evaluasi aturan
menggunakan operator OR. Tahapan pengumpulan ini dinamakan agregasi. Metode
yang digunakan pada tahap defuzzifikasi untuk menerjemahkan adalah center of
gravity (COG). Formula dari COG seperti berikut (Peri 2002):
COG =
∑nk μA (zk)zk
∑nk μA (zk)
(3)
dengan μA(zk) adalah keluaran hasil implikasi fungsi keanggotaan dan zk adalah nilai
keluaran anggota.
Implementasi
Sistem navigasi yang telah dirancang diimplementasikan menggunakan
perangkat lunak MobotSim. MobotSim adalah perangkat lunak simulasi 2 dimensi
untuk mobile robot. MobotSim memiliki BASIC editor untuk melakukan
pemrograman dengan bahasa pemrograman BASIC.
Pengujian
Pengujian dilakukan dengan menjalankan simulasi pada perangkat lunak
MobotSim. Simulasi tersebut dilakukan pada lingkungan KRPAI 2013. Simulasi
terdiri atas 1 posisi home, 4 konfigurasi ruangan, dan 4 posisi api, sehingga
membutuhkan 16 simulasi. Robot dikatakan berhasil menyelesaikan misi jika dapat
memadamkan api dan kembali ke home.
Evaluasi
Pada tahap ini, sistem dievaluasi mengenai keberhasilan dan kekurangan yang
telah dicapai. Dengan demikian, dapat diketahui kelayakan dari sistem navigasi ini
pada lingkungan KRPAI 2013.
5
HASIL DAN PEMBAHASAN
Perancangan Navigasi
Navigasi yang diperlukan untuk menyelesaikan misi pada lingkungan KRPAI
2013 adalah navigasi untuk menelusuri dinding, navigasi untuk menemukan titik
api, dan navigasi untuk kembali ke home. Contoh lingkungan KRPAI 2013 dapat
dilihat pada Gambar 3.
Navigasi untuk menelusuri dinding dikombinasikan dengan logika fuzzy.
Navigasi ini dapat membuat robot bergerak menelusuri dinding tanpa menabrak.
Navigasi ini aktif saat pertama kali robot dihidupkan. Robot bergerak dari home
dengan menelusuri dinding untuk menemukan titik api. Selama menelusuri dinding,
robot mencatat banyaknya ruangan yang sudah dikunjungi dengan mendeteksi garis
pada setiap pintu ruangan. Hal ini dilakukan untuk mengatasi masalah mengunjungi
ruangan yang berada di tengah. Ruangan di tengah dikunjungi ketika robot sudah
mengunjungi 3 ruangan. Ruangan tersebut dikunjungi dengan mengganti tipe dari
right wall following menjadi left wall following. Untuk mengganti tipe wall
following tersebut diperlukan ketepatan. Posisi ruangan yang di tengah dikelilingi
oleh banyak lorong panjang sehingga kondisi tersebut dapat dijadikan syarat untuk
mengganti tipe wall following.
Titik api pada lingkungan KRPAI 2013 terdapat di salah satu ruangan. Ketika
robot bergerak menelusuri dinding dan robot menemukan titik api, robot berhenti
untuk menyesuaikan posisi. Saat posisi sudah tepat, robot memadamkan api.
Setelah memadamkan api, robot harus kembali ke home.
Robot memiliki beberapa cara untuk kembali ke home. Cara pertama ialah
setelah robot mengunjungi semua ruangan namun tidak menemukan titik api. Pada
kondisi ini robot hanya perlu menelusuri dinding hingga mendeteksi garis home.
Cara kedua ialah setelah memadamkan api, robot berbalik arah dan mengganti tipe
wall following. Robot menelusuri jalur yang telah dilewati sebelumnya hingga
mendeteksi garis home. Sebagai alternatif dari mendeteksi garis, robot juga selalu
mencatat posisinya terhadap home menggunakan sistem kompas. Ketika posisi
robot (0,0) terhadap home, robot dinyatakan berada di home.
Gambar 3 Lingkungan KRPAI 2013
6
Semua navigasi yang dirancang memiliki keterkaitan sehingga pembagian
navigasi menjadi 3 bagian hanya untuk mempermudah pemahaman dan
implementasi sistem. Alur keseluruhan dari navigasi dapat dilihat pada Gambar 4.
Perancangan Logika Fuzzy
Proses fuzzifikasi mengubah nilai masukan menjadi nilai fuzzy. Nilai
masukan didapat dari pembacaan sensor jarak pada robot dalam satuan sentimeter.
Nilai masukan tersebut diproses oleh fungsi keanggotaan. Fungsi masukan terdiri
atas 3 variabel, yaitu sensor samping, serong, dan depan. Untuk variabel sensor
samping dan serong yang aktif ditentukan oleh tipe wall following. Apabila
menggunakan right wall following, maka sensor samping dan serong yang
dimaksud ialah sensor samping kanan dan serong kanan. Begitu juga sebaliknya,
hal tersebut berlaku pada left wall following.
Variabel sensor samping dan serong memiliki 3 fungsi keanggotaan, yaitu
dekat, sedang, dan jauh. Variabel sensor depan memiliki 2 fungsi keanggotaan,
yaitu dekat dan jauh. Sensor depan hanya memiliki 2 fungsi keanggotaan karena
arah depan tidak dijadikan acuan robot untuk menjaga jarak dengan dinding,
sedangkan arah samping dijadikan acuan oleh robot untuk tetap mempertahankan
jarak dengan dinding. Fungsi keanggotaan untuk masing-masing variabel dapat
dilihat pada Gambar 5. Perbedaan fungsi keanggotaan antara sensor samping dan
serong hanya terletak pada rentang nilai masing-masing anggota. Sensor serong
memiliki rentang nilai anggota yang lebih besar dibandingkan sensor samping
karena jarak yang dibaca sensor serong lebih besar. Berdasarkan Persamaan 1 dan
2, formula matematika untuk sensor samping ialah sebagai berikut:
Mulai
Wall following
Tidak
Masuk ruangan
Banyaknya
ruangan = 3
Tidak
Ya
Tidak
Ya
Mendeteksi api
Ya
Sudah
melewati home
Tidak
Padamkan api
Ya
Kembali ke home
Lorong
Selesai
Ya
Ubah tipe wall following
Gambar 4 Alur sistem navigasi
Tidak
7
(a)
(b)
(c)
Gambar 5 Fungsi keanggotaan masukan: (a) samping, (b) serong, dan (c) depan
1, x ≤ 4
10 - x
μsam_dekat(x) = {
, 4 ≤ x ≤ 10}
6
0, x ≥ 10
0, x ≤ 4
x-4
, 4 ≤ x ≤ 10
6
μsam_sedang(x) =
16 - x
, 10 ≤ x ≤ 16
6
{
}
0, x ≥ 16
0, x ≤ 10
x - 10
μsam_jauh(x) = {
, 10 ≤ x ≤ 16}
6
1, x ≥ 16
dengan x adalah nilai anggota, µ sam_dekat(x) adalah derajat keanggotaan dekat,
µ sam_sedang(x) adalah derajat keanggotaan sedang, dan µ sam_jauh(x) adalah derajat
keanggotaan jauh pada sensor samping. Formula matematika untuk sensor serong
ialah sebagai berikut:
8
0, x ≤ 6
x-6
, 6 ≤ x ≤ 15
9
μser_sedang(x) =
24 - x
, 15 ≤ x ≤ 24
9
{
}
0, x ≥ 24
1, x ≤ 6
15 - x
μser_dekat(x) = {
, 6 ≤ x ≤ 15}
9
0, x ≥ 15
0, x ≤ 15
x - 15
μser_jauh(x) = {
, 15 ≤ x ≤ 24}
9
1, x ≥ 24
dengan x adalah nilai anggota, µ ser_dekat(x) adalah derajat keanggotaan dekat,
µ ser_sedang(x) adalah derajat keanggotaan sedang, dan µ ser_jauh(x) adalah derajat
keanggotaan jauh pada sensor serong. Formula matematika untuk sensor depan
ialah sebagai berikut:
1, x ≤ 6
14 - x
μdep_dekat(x) = {
, 6 ≤ x ≤ 14}
8
0, x ≥ 14
0, x ≤ 6
x-6
μdep_jauh(x) = {
, 6 ≤ x ≤ 14}
8
1, x ≥ 14
dengan x adalah nilai anggota, µ dep_dekat(x) adalah derajat keanggotaan dekat dan
µ dep_jauh(x) adalah derajat keanggotaan jauh pada sensor depan.
Berikut diberikan contoh kasus. Misalkan nilai jarak yang dibaca oleh sensor
samping sebesar 7 cm, sensor serong sebesar 13 cm, dan sensor depan sebesar 17
cm. Proses fuzzifikasi pada sensor samping, nilai jarak dimasukan ke dalam fungsi
keanggotaan pada tiap-tiap himpunan, antara lain:
10 - 7
Himpunan dekat, µ sam_dekat(7) =
= 0.50
6
Himpunan sedang, µ sam_sedang(7) =
Himpunan jauh, µ sam_jauh(7) = 0
7-4
6
= 0.50
Aturan fuzzy yang digunakan pada robot pemadam api sebanyak 36 aturan.
Aturan-aturan tersebut dibagi menjadi 2 bagian, yaitu 18 aturan right wall following
dan 18 aturan left wall following. Aturan-aturan tersebut dapat dilihat pada Tabel 1.
Sesuai dengan contoh kasus yang diberikan sebelumnya, terdapat 4 aturan
yang sesuai dengan nilai masukan, yaitu aturan ke-2, aturan ke-4, aturan ke-8, dan
aturan ke-10. Pada tahap evaluasi aturan, diketahui anggota dari keluaran
berdasarkan aturan yang dibuat. Pada contoh kasus ini, tipe wall following yang
digunakan ialah right wall following sehingga hasil aturan ke-2 ialah kiri0, hasil
aturan ke-4 ialah maju, hasil aturan ke-8 ialah kiri0, dan hasil aturan ke-10 ialah
maju. Berikut contoh perhitungan pada aturan ke-2:
µ a2(x) = min(µ sam_dekat(7), µ ser_dekat(13), µ dep_jauh(17))
µ a2(x) = min(0.50, 0.22, 1.00)
µ a2(x) = 0.22
dengan µ a2(x) adalah derajat keanggotaan hasil aturan ke-2.
9
Tabel 1 Aturan fuzzy untuk right dan left wall following
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Masukan sensor
Samping
Serong
Dekat
Dekat
Dekat
Dekat
Dekat
Sedang
Dekat
Sedang
Dekat
Jauh
Dekat
Jauh
Sedang
Dekat
Sedang
Dekat
Sedang
Sedang
Sedang
Sedang
Sedang
Jauh
Sedang
Jauh
Jauh
Dekat
Jauh
Dekat
Jauh
Sedang
Jauh
Sedang
Jauh
Jauh
Jauh
Jauh
Keluaran wall following
Right
Left
Kiri1
Kanan1
Kiri0
Kanan0
Kiri0
Kanan0
Maju
Maju
Kiri0
Kanan0
Kiri0
Kanan0
Kiri1
Kanan1
Kiri0
Kanan0
Kiri0
Kanan0
Maju
Maju
Kiri1
Kanan1
Maju
Maju
Kiri1
Kanan1
Kiri0
Kanan0
Maju
Maju
Maju
Maju
Kanan1
Kiri1
Kanan0
Kiri0
Depan
Dekat
Jauh
Dekat
Jauh
Dekat
Jauh
Dekat
Jauh
Dekat
Jauh
Dekat
Jauh
Dekat
Jauh
Dekat
Jauh
Dekat
Jauh
Nilai fuzzy hasil evaluasi aturan merupakan nilai fuzzy untuk keluaran. Untuk
mendapatkan nilai keluaran yang bersifat diskret diperlukan fungsi keanggotaan
keluaran. Fungsi keluaran terdiri atas 1 variabel dan 5 fungsi keanggotaan, yaitu
kiri1, kiri0, maju, kanan0, kanan1. Fungsi keanggotaan keluaran dapat dilihat pada
Gambar 6. Variabel sudut pada fungsi keluaran memiliki rentang nilai dari -90
hingga 90. Rentang tersebut direpresentasikan dalam satuan derajat. Tanda minus
(-) menyatakan arah kiri. Sebagai contoh, nilai -60 menyatakan robot harus belok
kiri sebesar 60 derajat. Formula matematika untuk keluaran sudut ialah sebagai
berikut:
Kiri1
Kiri0
Maju
Kanan0
Kanan1
Derajat
keanggotaan
1
0
-90
-75
-60
-45
-30
-15
0
15
30
45
Sudut (derajat)
Gambar 6 Fungsi keanggotaan keluaran
60
75
90
10
0, x ≤ -90
x + 90
, -90 ≤ x ≤ -60
30
μkiri1(x) =
-x - 30
, -60 ≤ x ≤ -30
30
{
}
0, x ≥ -30
0, x ≤ -15
x + 15
, -15 ≤ x ≤ 0
15
μmaju(x) =
15 - x
, 0 ≤ x ≤ 15
15
{
}
0, x ≥ 15
0, x ≤ -60
x + 60
, -60 ≤ x ≤ -30
30
μkiri0(x) =
-x
, -30 ≤ x ≤ 0
30
{
}
0, x ≥ 0
0, x ≤ 0
x
, 0 ≤ x ≤ 30
30
μkanan0(x) = 60 - x
, 30 ≤ x ≤ 60
30
{
}
0, x ≥ 60
0, x ≤ 30
x - 30
, 30 ≤ x ≤ 60
30
μkanan1(x) =
90 - x
, 60 ≤ x ≤ 90
30
{
}
0, x ≥ 90
dengan x adalah nilai anggota, µ kiri1(x) adalah derajat keanggotaan kiri1, µ kiri0(x)
adalah derajat keanggotaan kiri0, µ maju(x) adalah derajat keanggotaan maju,
µ kanan0(x) adalah derajat keanggotaan kanan0, dan µ kanan1(x) adalah derajat
keanggotaan kanan1 pada variabel sudut.
Perhitungan untuk mendapatkan nilai x ketika µ a2(x) = 0.22 berdasarkan
contoh kasus yang diberikan sebelumnya ialah sebagai berikut:
µ a2(x) = µ kiri0(x) = 0.22
-x
x + 60
= 0.22, sehingga x1 = -53.40; atau = 0.22, sehingga x2 = -6.60
30
30
Nilai keluaran hasil evaluasi semua aturan dikumpulkan. Pengumpulan nilai
ini menjadikan variabel keluaran samar sehingga diperlukan tahapan untuk
mengubah nilai samar menjadi nilai tegas. tahapan ini disebut defuzzifikasi. Jika
contoh kasus sebelumnya dihitung lebih lanjut, setelah hasil evaluasi aturan didapat
formula matematika sebagai berikut:
0, x ≤ -60
x + 60
, -60 ≤ x ≤ -53.4
0.22, -53.4 ≤ x ≤ -11.7
30
µ d(x) =
x + 15
15
, -11.7 ≤ x ≤ -7.5
0.50, -7.5 ≤ x ≤ 7.5
15 - x
{
15
, 7.5 ≤ x ≤ 15
0, x ≥ 15
}
11
dengan x adalah nilai anggota dan µ d(x) adalah nilai derajat keanggotaan hasil
agregasi.
Formula di atas didefuzzifikasi menggunakan COG. Berdasarkan Persamaan
3, proses perhitungan defuzzifikasi ialah sebagai berikut:
∑nk μd (xk)xk
COG = n
∑k μd (xk)
∑90
k=-90 μd (xk)xk
= 90
∑k=-90 μd (xk)
=
=
=
µd(x- ).(x-90) + µd(x- ).(x-89) + µd(x- ).(x-88) + … + µd(x90).(x90)
µd(x- ) + µd(x- ) + µd(x- ) + … + µd(x )
0+0+0+…+0
0+0+0+…+0
-334.20
20.77
= -16.09
Nilai hasil defuzzifikasi menggunakan COG merupakan nilai keluaran dari
keseluruhan proses fuzzy. Nilai keluaran ini merupakan sudut belok yang harus
dilakukan robot dalam satuan derajat. Berdasarkan contoh perhitungan, robot harus
belok ke kiri sebesar 16.09 derajat. Contoh perhitungan fuzzy secara lengkap dapat
dilihat pada Lampiran 1.
Implementasi
Rancangan navigasi diprogram menggunakan perangkat lunak MobotSim.
Perangkat lunak tersebut memiliki BASIC editor sehingga memudahkan
pemrograman bahasa BASIC. Perangkat lunak tersebut memang didesain khusus
untuk simulasi 2 dimensi.
MobotSim menyediakan pengaturan robot sehingga simulasi dapat mendekati
kondisi sebenarnya. Pada bagian general, robot yang digunakan pada penelitian ini
memiliki indeks 0. Indeks tersebut berguna untuk mengidentifikasi robot yang
dimaksud dalam kode program. Posisi awal robot terletak pada koordinat x = 2.9
dan y = 2.2 dengan theta = 270˚. Untuk grid resolution, draw sensor ranging, dan
draw trajectory, diatur sesuai kebutuhan simulasi. Pada bagian geometry, platform
diameter = 0.25 meter, distance between wheels = 0.2 meter, wheels diameter = 0.1
meter, wheels width = 0.01 meter, number of ranging sensors = 5, angle between
sensors = 45˚, dan sensors ring radius = 0.1 meter. Pada bagian ranging sensors,
radiation cone = 40˚, range dari 0 sampai 3 meter, dan percentage of misreadings
= 0%. Pengaturan range dapat disesuaikan dengan kemampuan sensor jarak pada
kondisi sebenarnya namun pada perangkat lunak ini, nilai jarak yang melebihi
12
range sensor akan dianggap minus (-). Hal tersebut dapat menyebabkan logic error
karena pada umumnya nilai jarak yang melebihi range sensor akan dianggap sangat
besar.
Desain ruangan dibuat sesuai dengan lingkungan KRPAI 2013. Ada 4
ruangan yang digunakan dengan 4 kemungkinan konfigurasi ruangan. Posisi pintu
yang dapat dikonfigurasi hanya pada ruangan 1 dan 4. Setiap pintu diberi penanda
berupa lingkaran bewarna kuning dengan tanda silang di tengahnya. Penanda ini
sudah disediakan oleh MobotSim. Posisi home dan posisi api juga diberikan
penanda yang sama. Penanda yang sama digunakan karena MobotSim tidak
mendukung bentuk dan warna penanda yang lain. Oleh karena itu, setiap penanda
memiliki identitas yang unik. Home diberikan identitas 0, penanda pintu pada
ruangan 3 diberikan identitas 1, penanda pintu pada ruangan 2 diberikan identitas
2, 2 penanda pintu pada ruangan 1 diberikan identitas 3 dan 4, penanda pintu pada
ruangan 4 diberikan identitas 5, dan api diberikan identitas 6. Implementasi
lingkungan KRPAI 2013 pada MobotSim dapat dilihat pada Gambar 7.
MobotSim hanya menyediakan sensor jarak sehingga pembacaan posisi home,
garis pada pintu ruangan, dan api menggunakan koordinat. Posisi ketiga objek
tersebut dibaca dengan menghitung jarak objek dan robot. Posisi home dan garis
pada pintu ruangan yang dibaca menggunakan koordinat, masih dapat
disimulasikan dengan baik meskipun seharusnya dibaca menggunakan sensor garis.
Posisi api yang dibaca menggunakan koordinat kurang dapat disimulasikan dengan
baik karena sifat sensor api yang lebih kompleks dibandingkan sensor garis.
Pengujian
Pengujian dilakukan dengan menjalankan simulasi pada perangkat lunak
MobotSim. Simulasi tersebut dilakukan pada lingkungan KRPAI 2013. Simulasi
dilakukan sebanyak 16 simulasi yang terdiri atas 1 posisi home, 4 konfigurasi
api
id = 6
home
id = 0
robot
garis
id = 5
garis
id = 1
garis
id = 4
garis
id = 3
garis
id = 2
Gambar 7 Implementasi lingkungan KRPAI 2013
13
Tabel 2 Hasil pengujian
Konfigurasi
ruangan
1
2
3
4
Posisi api berhasil ditemukan?
Ruang 1 Ruang 2 Ruang 3 Ruang 4
ruangan, dan 4 posisi api. Posisi home berada di lorong bagian atas di dekat ruang
3 dan ruang 4. Posisi api di dalam ruangan diletakan secara acak sehingga diambil
rata-rata dari keseluruhan percobaan. Hasil pengujian sistem navigasi robot dapat
dilihat pada Tabel 2. Dari tabel tersebut diketahui bahwa robot tidak berhasil
memadamkan api di ruang 1 pada konfigurasi ruangan 3 dan 4. Potongan gambar
dari 16 simulasi dapat dilihat pada Lampiran 2.
Evaluasi
Sistem navigasi robot berhasil memadamkan api di ruang 2, ruang 3, dan
ruang 4 pada semua konfigurasi ruangan dan kembali ke home. Robot berhasil
memadamkan api di ruang 1 untuk konfigurasi ruangan 1 dan 2, sedangkan
konfigurasi ruangan 3 dan 4, robot tidak berhasil memadamkan api. Ruang 1 pada
konfigurasi ruangan 3 dan 4 memiliki pintu masuk bersebelahan dengan dinding
luar sehingga algoritme right wall following membuat robot hanya menelusuri
dinding tersebut tanpa mendeteksi api yang berada di siku dinding dalam. Posisi api
pada simulasi yang dibaca menggunakan koordinat juga menyebabkan api tidak
terdeteksi. Api dapat terdeteksi hanya jika posisi api berada di jalur pergerakan
robot. Dengan demikian, persentase keberhasilan robot dalam menyelesaikan misi
KRPAI 2013 ialah sebesar 14/16 atau 87.5%.
SIMPULAN DAN SARAN
Simpulan
Penelitian ini telah berhasil mengembangkan sistem navigasi robot pemadam
api menggunakan algoritme wall following dan logika fuzzy. Sistem tersebut
berhasil menyelesaikan misi pada KRPAI 2013 dengan posisi home berada di
lorong, 4 konfigurasi ruangan, dan 4 posisi api di dalam ruangan yang berbeda.
Hasil pengujian menunjukan bahwa persentase keberhasilan robot dalam
menelusuri ruangan, memadamkan api, dan kembali ke home ialah 87.5%.
Saran
Sebagai bahan acuan untuk pengembangan selanjutnya, sistem navigasi dapat
diimplementasikan ke robot. Pengubahan aturan fuzzy dapat terjadi karena
perbedaan antara simulasi dan lingkungan yang sebenarnya. Diharapkan apabila
14
sistem navigasi diterapkan ke robot, sensor api yang dimiliki robot dapat
mendeteksi keberadaan api pada kondisi tanpa halangan, sehingga persentase
keberhasilan akan meningkat.
DAFTAR PUSTAKA
Braunstingl R, Sanz P, Ezkerra JM. 1995. Fuzzy logic wall following of a mobile
robot based on the concept of general perception. Di dalam: Seventh
International Conference on Advanced Robotics; 1995 Sep; Sant Feliu De
Guixols, Spanyol. Barcelona (ES): UPC. 367-376.
Carelli R, Freire EO. 2003. Corridor navigation and wall-following stable control
for sonar-based mobile robots. Robotics and Autonomous Systems. 45:235247. doi:10.1016/j.robot.2003.09.005.
[Dikti] Direktorat Pendidikan Tinggi. 2012. Panduan Kontes Robot Pemadam Api
Indonesia (KRPAI) Beroda dan Berkaki 2013. Jakarta: Direktorat Pendidikan
Tinggi.
Fathurahman F. 2011. Rancangan dan implementasi logika fuzzy pada
mikrokontroler ATMega16 untuk robot penghindar halangan [skripsi]. Bogor
(ID): Institut Pertanian Bogor.
Obe O, Dumitrache I. 2010. Fuzzy control of autonomous mobile robot. UPB Sci
Bull. 72:173-186.
Peri VM. 2002. Fuzzy logic controller for an autonomous mobile robot [tesis].
Hyderabad (IN): Jawaharlal Nehru Technological Univ.
15
Lampiran 1 Contoh perhitungan fuzzy
1. Fuzzifikasi
Sensor samping = 7 cm
Sensor serong = 13 cm
Sensor depan = 17 cm
Jika sensor samping membaca jarak sebesar 7 cm, nilai derajat keanggotaan
pada tiap-tiap himpunan adalah:
10 - 7
Himpunan dekat, µ sam_dekat(7) =
= 0.50
6
Himpunan sedang, µ sam_sedang(7) =
Himpunan jauh, µ sam_jauh(7) = 0
7-4
6
= 0.50
Jika sensor serong membaca jarak sebesar 13 cm, nilai derajat keanggotaan
pada tiap-tiap himpunan adalah:
15 - 13
= 0.22
Himpunan dekat, µ ser_dekat(13) =
Himpunan sedang, µ ser_sedang(13) =
Himpunan jauh, µ ser_jauh(13) = 0
9
13 - 6
9
= 0.78
Jika sensor depan membaca jarak sebesar 17 cm, nilai derajat keanggotaan
pada tiap-tiap himpunan adalah:
Himpunan dekat, µ dep_dekat(17) = 0
Himpunan jauh, µ dep_jauh(17) = 1
2. Evaluasi Aturan
Aturan ke-2
If (Samping is Dekat) and (Serong is Dekat) and (Depan is Jauh) then (Sudut is
Kiri0)
Operator yang digunakan pada proses ini ialah AND, sehingga:
µ a2(x) = min(µ sam_dekat(7), µ ser_dekat(13), µ dep_jauh(17))
µ a2(x) = min(0.50, 0.22, 1.00)
µ a2(x) = 0.22
Aturan ke-4
If (Samping is Dekat) and (Serong is Sedang) and (Depan is Jauh) then (Sudut is
Maju)
Operator yang digunakan pada proses ini adalah AND, sehingga:
µ a4(x) = min(µ sam_dekat(7), µ ser_sedang(13), µ dep_jauh(17))
µ a4(x) = min(0.50, 0.78, 1.00)
µ a4(x) = 0.50
Aturan ke-8
If (Samping is Sedang) and (Serong is Dekat) and (Depan is Jauh) then (Sudut is
Kiri0)
16
Lampiran 1 Lanjutan
Operator yang digunakan pada proses ini adalah AND, sehingga:
µ a8(x) = min(µ sam_sedang(7), µ ser_dekat(13), µ dep_jauh(17))
µ a8(x) = min(0.50, 0.22, 1.00)
µ a8(x) = 0.22
Aturan ke-10
If (Samping is Sedang) and (Serong is Sedang) and (Depan is Jauh) then (Sudut is
Maju)
Operator yang digunakan pada proses ini adalah AND, sehingga:
µ a10(x) = min(µ sam_sedang(7), µ ser_sedang(13), µ dep_jauh(17))
µ a10(x) = min(0.50, 0.78, 1.00)
µ a10(x) = 0.50
Operasi Implikasi dari masukan ke keluaran
Aturan ke-2
Pada saat µ a2(x) = µ kiri0(x) = 0.22, nilai x dapat dinyatakan sebagai berikut:
x + 60
30
= 0.22 sehingga x1 = -53.40
atau
-x
= 0.22 sehingga x2 = -6.60
30
Sehingga formula matematika kiri0 yang baru ialah sebagai berikut:
x + 60
0, x ≤ -60
,
µ kiri0(x) = 0.22,
-x
,
30
{
30
-60 ≤ x ≤ -53.4
-53.4 ≤ x ≤ -6.6
-6.6 ≤ x ≤ 0
}
0, x ≥ 0
Aturan ke-4
Pada saat µ a4(x) = µ maju(x) = 0.50, nilai x dapat dinyatakan sebagai berikut:
x + 15
15
= 0.50 sehingga x1 = -7.50
atau
15 - x
15
= 0.50 sehingga x2 = 7.50
Sehingga formula matematika maju yang baru ialah sebagai berikut:
17
Lampiran 1 Lanjutan
x + 15
15
0, x ≤ -15
, -15 ≤ x ≤ -7.5
µ maju(x) = 0.50, -7.5 ≤ x ≤ 7.5
15 - x
{
15
, 7.5 ≤ x ≤ 15
}
0, x ≥ 15
Aturan ke-8
Pada saat µ a8(x) = µ kiri0(x) = 0.22, nilai x dapat dinyatakan sebagai berikut:
x + 60
30
= 0.22 sehingga x1 = -53.40
atau
-x
= 0.22 sehingga x2 = -6.60
30
Sehingga formula matematika kiri0 yang baru ialah sebagai berikut:
x + 60
0, x ≤ -60
,
µ kiri0(x) = 0.22,
-x
,
30
{
30
-60 ≤ x ≤ -53.4
-53.4 ≤ x ≤ -6.6
-6.6 ≤ x ≤ 0
}
0, x ≥ 0
Aturan ke-10
Pada saat µ a10(x) = µ maju(x) = 0.50, nilai x dapat dinyatakan sebagai berikut:
x + 15
15
= 0.50 sehingga x1 = -7.50
atau
15 - x
15
= 0.50 sehingga x2 = 7.50
Sehingga formula matematika maju yang baru ialah sebagai berikut:
x + 15
15
0, x ≤ -15
, -15 ≤ x ≤ -7.5
µ maju(x) = 0.50, -7.5 ≤ x ≤ 7.5
15 - x
{
15
, 7.5 ≤ x ≤ 15
}
0, x ≥ 15
Operator yang digunakan dalam proses agregasi ialah OR, sehingga:
µ d(x) = max(µ kiri0(x), µ maju(x), µ kiri0(x), µ maju(x))
Formulasi matematika hasil agregasi ialah sebagai berikut:
18
Lampiran 1 Lanjutan
x + 60
0, x ≤ -60
, -60 ≤ x ≤ -53.4
0.22, -53.4 ≤ x ≤ -11.7
30
µ d(x) =
x + 15
15
,
-11.7 ≤ x ≤ -7.5
0.50, -7.5 ≤ x ≤ 7.5
15 - x
{
15
, 7.5 ≤ x ≤ 15
}
0, x ≥ 15
3. Deffuzifikasi
Persamaan yang digunakan ialah Center of Gravity (COG)
∑nk μd (xk)xk
COG = n
∑k μd (xk)
∑90
k=-90 μd (xk)xk
= 90
∑k=-90 μd (xk)
=
=
=
µd(x- ).(x-90) + µd(x- ).(x-89) + µd(x- ).(x-88) + … + µd(x90).(x90)
µd(x- ) + µd(x- ) + µd(x- ) + … + µd(x )
0+0+0+…+0
0+0+0+…+0
-334.20
20.77
= -16.09
19
Lampiran 1 Lanjutan
Implikasi
1
1
1
1
0,5
0,5
0,5
0,5
0
0
0
4
8
0
0 4 8 12
0
6 10 14 18
-60
1
1
1
1
0,5
0,5
0,5
0,5
0
0
0
4
8
0
6
14
22
1
1
0,5
0,5
0,5
0
0
4
8
12 16
-60
1
1
1
0,5
0,5
0,5
0,5
0
8
12 16
0
6
14
22
15
-45
-30
-15
0
15
Agregasi
-60
1
4
0
0
6 10 14 18
1
0
-15
0,5
0
0 4 8 12
-30
0
6 10 14 18
1
-45
-45
-30
-15
0
15
0
6 10 14 18
-60
-45
-30
-15
0
15
-60
-45
-30
-15
0
15
1
Samping: 7cm | Serong: 13cm | Depan: 17cm
0,5
0
-16.09
20
Lampiran 2 Simulasi sistem navigasi
Implementasi Ruangan
home
id = 0
api
id = 6
robot
garis
id = 5
garis
id = 1
garis
id = 4
garis
id = 3
garis
id = 2
Konfigurasi Ruangan
(a)
(b)
(c)
(d)
Konfigurasi ruangan 1
Konfigurasi ruangan 2
Konfigurasi ruangan 3
Konfigurasi ruangan 4
21
Lampiran 2 Lanjutan
Konfigurasi ruangan 1 dan posisi api pada ruang 1 dan ruang 2
Konfigurasi ruangan 1 dan posisi api pada ruang 3 dan ruang 4
22
Lampiran 2 Lanjutan
Konfigurasi ruangan 2 dan posisi api pada ruang 1 dan ruang 2
Konfigurasi ruangan 2 dan posisi api pada ruang 3 dan ruang 4
23
Lampiran 2 Lanjutan
Konfigurasi ruangan 3 dan posisi api pada ruang 1 dan ruang 2
Konfigurasi ruangan 3 dan posisi api pada ruang 3 dan ruang 4
24
Lampiran 2 Lanjutan
Konfigurasi ruangan 4 dan posisi api pada ruang 1 dan ruang 2
Konfigurasi ruangan 4 dan posisi api pada ruang 3 dan ruang 4
25
RIWAYAT HIDUP
Penulis dilahirkan di Semarang, Jawa Tengah pada tanggal 13 Juli 1991 dari
ayah bernama Kuswantoro dan ibu bernama Christiana. Penulis merupakan anak
kedua dari 4 bersaudara. Pada tahun 2009, penulis menamatkan pendidikan di SMA
Negeri 2 Bogor. Penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) pada
tahun 2009 melalui jalur Undangan Seleksi Masuk IPB (USMI) di Departemen
Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama menjadi mahasiswa, penulis aktif sebagai asisten praktikum pada
mata kuliah Algoritma dan Pemrograman (2011), Organisasi Komputer (20112013), Sistem Operasi (2012), dan Penerapan Komputer (2013). Penulis juga aktif
di organisasi kemahasiswaan Himpunan Mahasiswa Ilmu Komputer pada tahun
2010-2012, serta berbagai kegiatan kepanitiaan seperti IT Today 2011 dan
Programming Competition, Pesta Sains IPB 2011. Penulis melaksanakan kegiatan
Praktik Kerja Lapangan di PT Pertamina (Persero) Refinery Unit VI Balongan
Indramayu pada bulan Juli-Agustus 2012.