32
dominan di sini adalah atribut “Jarak bola?” sehingga atribut “Memantau bola apakah
bola ke daerah pinalti?” bisa dihilangkan. Sehingga Decision Tree untuk mode blok ini menjadi sebagai berikut.
Gambar 4.4. Decision Tree mode siaga setelah dianalisis.
4.3. Pengujian Mode Siap
Pada mode ini robot menerima komunikasi dari robot penyerang yang menandakan bahwa bola berada jauh di depan lapangan. Setelah menerima pesan dari
robot penyerang, robot kiper akan kembali ke posisi awal dengan menginisialisasi mode siap ini.
Pengujian akan dilakukan dengan melakukan simulasi pertandingan selama beberapa kali 5 menit sampai data yang dibutuhkan terpenuhi. Komunikasi akan dikirim
dari robot penyerang secara manual agar menginisialisasi mode siap serta mengujinya apakah mode ini berhasil diselesaikan dengan baik. Tabel hasil pengujian dapat dilihat
pada Tabel 4.3. Tabel 4.3 Pengujian mode siap
Robot Menerima
Komunikasi Simpangan
cm Jumlah
Keberhasilan Menyesuaikan
Kompas Jumlah
Keberhasilan kembali Ke
Tengah Gawang
Waktu yang
dibutuhkan Untuk
Kembali s
ya 20-78
30 30
119,856
33
Data hasil pengujian di atas merupakan data yang dapat menunjukan tingkat keberhasilan dari mode siap dan keberhasilannya yaitu 100. Kemudian kejanggalan
pengukuran waktu yang diberi tanda bintang pada Lampiran A Tabel A.3 dalam mode siap ini terjadi karena waktu yang dibutuhkan untuk kembali membutuhkan waktu
yang sangat lama, dikarenakan adanya toleransi kompas.
Gambar 4.5. Toleransi kompas yang dialami robot
Pada contoh yang dapat dilihat pada Gambar 4.5. Toleransi ini menyebabkan robot yang seharusnya sudah benar berada segaris dengan titik pinalti menjadi seolah-
olah titik tersebut masih berada di kiri atau kanannya pada Gambar 4.5 titik terlihat masih berada di kiri robot. Hal ini disebabkan karena langkah robot yang sedikit tidak
akurat membentuk kurva.
1. Analisis awal decision tree mode siap
Dalam menganalisis decision tree mode siap ini perlu pertimbangan-pertimbangan lain agar dapat menyederhanakan decision tree yang ada, selanjutnya akan dibahas oleh
penulis dengan detail menggunakan gambar serta penjelasan secara lengkap.
Berdasarkan decision tree mode siap yang sudah dijabarkan pada bab III serta ditampilkan pada Gambar 4.6. Pada decision tree mode siap di atas terdapat bagian
yang ditandai dengan garis merah. Bagian tersebut adalah bagian yang diperbaiki dalam perancangan algoritma dari awal sampai yang terkini. Bagian tersebut diperbaiki karena
pada keadaan sebenarnya setelah dilakukan trial and error, di mana trial and error ini mengenai perilaku robot yang tidak bisa mendeteksi bola jika jaraknya terlalu jauh, dan
akhirnya diputuskan oleh penulis untuk memanfaatkan komunikasi antar robot, terutama komunikasi yang dikirimkan oleh robot penyerang. Sehingga jika komunikasi
dari robot penyerang sudah diterima robot tidak perlu lagi memperkirakan jarak dari bola karena hal tersebut sudah menandakan bahwa bola sudah berada jauh di depan,
34
sehingga robot kiper tidak perlu lagi mencari bola, karena jika pencarian dilakukan pun robot kiper tidak dapat menemukannya karena posisi bola yang terlalu jauh.
Kemudian pada bagian yang ditandai dengan garis hijau di mana mencari titik pinalti juga sebenarnya itu merupakan bagian dari mode siap, tidak perlu menjabarkan
sampai sedetail itu mengenai keberadaan dari titik, karena hal itu sudah dijabarkan pada bagian diagram blok di awal. Bagian tersebut merupakan bagian penginisialisasian dari
mode siap. Sehingga decision tree dari mode siap menjadi lebih sederhana dari sebelumnya dan dapat dilihat pada Gambar 4.7.
Gambar 4.6. Decision tree algoritma mode siap.
35
Gambar 4.7. Decision tree algoritma mode siap setelah analisis awal.
2. Analisis algoritma mode siap menggunakan decision tree yang disederhanakan
Dari struktur decision tree algoritma mode siap yang sudah disederhanakan inilah akan dihitung mengenai information gain yang akan didapat dari masing-masing atribut.
Gambar 4.8. Analisis decision tree algoritma mode siap
yang sudah disederhanakan.
36
Dari hasil pengujian yang telah dilakukan, dapat dilihat pada Gambar 4.8 di mana pada atribut “Mendapat perintah dari robot striker?” memiliki jumlah sampel positif
sebanyak 30 didapat dari banyaknya komunikasi yang diterima dari robot penyerang dan memang kenyataannya pada 30 kali percobaan semuanya menggunakan komunikasi
dari robot penyerang, sehingga menyebabkan jumlah sampel negatifnya berjumlah 0. Kemudian pada atribut “Hadap sesuai kompas?” memiliki jumlah sampel positif
sebanyak 30 didapat dari keberhasilan robot dalam menyesuaikan kompas, kemudian jumlah sampel negatif sebanyak 0 didapat dari robot yang tidak pernah gagal dalam
menyesuaikan kompas.
3. Perhitungan serta analisis nilai information gain
Jika diperhatikan data yang didapat pada hasil pengujian menunjukan hasil seperti pada Gambar 4.8 di atas di mana jika salah satu node tidak memiliki nilai peluang atau
peluangnya bernilai 0 maka nilai entropy maupun information gain dari suatu atribut akan ber
nilai 0 pula. Sehingga Atribut “Mendapat perintah dari robot striker?” maupun Atribut “Hadap sesuai kompas?” tidak memiliki bobot prioritas sama sekali.
Untuk Atribut “Hadap sesuai kompas?” bisa dihilangkan karena memang atribut ini tidak memiliki peranan yang penting karena robot kiper selalu berhasil dalam
menyesuaikan diri terhadap kompas, selain itu juga pengambilan keputusan untuk menyesuaikan kompas merupakan bagian dari mode siap. Namun untuk Atribut
“Mendapat perintah dari robot striker?” tidak bisa dihilangkan karena dalam pertandingan Atribut “Mendapat perintah dari robot striker?” atau menerima instruksi
dari robot penyerang pada mode ini berperan penting untuk menjadi pemicu berjalannya mode siap, selain itu jika tidak menerima instruksi pun itu menandakan bahwa bola
berada dekat dengan robot kiper, dan seharusnya robot masuk ke mode blok atau mode siaga. Dan seharusnya decision tree dari mode siap ini dapat menjadi suatu decision tree
yang dapat menyederhanakan sekaligus ketiga mode yang ada. Sehingga tree dari mode siap dapat dilihat pada Gambar 4.9.
37
Gambar 4.9. Decision tree algoritma mode siap setelah dianalisis
secara menyeluruh.
4.4. Analisis Decision Tree
