Simulasi Arah Gerakan Robot Dengan Menggunakan Metoda Jaringan Saraf Tiruan.
Abstrak
Pada saat ini teknologi robot berkembang dengan sangat cepat. Robot-robot tersebut banyak digunakan dalam berbagai bidang seperti: bidang penelitian, industri, kedokteran, eksplorasi ruang angkasa dan lain-lain. Salah satu jenis robot yang banyak digunakan dalam bidang industri yaitu robot yang dapat mengikuti lintasan garis tertentu (line follower robot).
Metoda pengendalian yang digunakan adalah Jaringan Saraf Tiruan dengan metoda Backpropagation Network. Pelatihan ini termasuk pada pelatihan yang diawasi. Dalam jaringan ini terdapat satu lapisan masukan dan satu lapisan keluaran. Data latih yang digunakan adalah berupa bit sensor yang diperoleh dari pengujian lintasan dengan menggunakan sensor optocoupler. Lintasan yang digunakan berbentuk angka 8. Data keluaran yang dihasilkan adalah berupa tegangan untuk menggerakkan roda kiri. Sehingga arah gerakan robot dapat diatur.
Hasil percobaan yang dilakukan dapat dibuat algoritma Jaringan Saraf Tiruan berupa simulasi dengan hasil akhir berupa bobot dan bias sesuai dengan sistem yang diinginkan. Akan tetapi algoritma tersebut belum diimplementasikan ke dalam mikrokontroler.
Universitas Kristen Maranatha i
(2)
Abstract
In the past few years, the development of robotic technology is growing very rapidly. Those robots are used in many different fields such as: research, medical, industrial, space exploration, etc. One type of robot that is commonly used in industrial fields is a line follower robot.
The control method at use is the Artificial Neural Network with the Backpropagation Network. This training is supervised training. Within the network there is one layer of input and one layer of output. The training data took the form of sensor bits obtained from the track test by using the optocoupler sensor. The track is formed like the number 8. The output data is the voltage which manipulate the left wheel. So, the robot movement can be controlled.
This experiment produces Artificial Neural Network Algoritm which contains desired weight and bias. However, the algorithm has not been implemented in microcontroller yet.
Universitas Kristen Maranatha ii
(3)
DAFTAR ISI
LEMBAR PENGESAHAN SURAT PERNYATAAN
ABSTRAK i
ABSTRACT ii
KATA PENGANTAR iii
DAFTAR ISI v
DAFTAR TABEL vii
DAFTAR GAMBAR viii
BAB 1 PENDAHULUAN 1
I.1 Latar Belakang 1
I.2 Identifikasi Masalah 1
I.3 Tujuan 1
I.4 Pembatasan Masalah 2
I.5 Sistematika Pembahasan 2
BAB II LANDASAN TEORI 3
II.1 Robot 3
II.1.1 Klasifikasi Robot 3
II.1.1.1 Klasifikasi Robot berdasarkan Jenis Kendali 4 II.1.1.2 Klasifikasi Robot berdasarkan Kemampuan melakukan Tugas 4 II.1.1.3 Klasifikasi Robot berdasarkan Sistem Koordinat 5 II.1.1.4 Klasifikasi Robot berdasarkan Mobilitas 6
II.2 Infra Merah 6
II.3 Jaringan Saraf Tiruan 10
II.3.1 Hubungan Antara Lapisan dalam Neural Network 11 II.3.2 Proses Pembelajaran dan Pelatihan 13
II.3.3 Feedback 14
II.3.4 Fungsi Aktivasi dalam Jaringan Saraf Tiruan 14
Universitas Kristen Maranatha iii
(4)
II.3.5 Jaringan Saraf Tiruan dalam Metoda Backpropagation Network 15 II.3.5.1 Metoda Elman Network 16
II.3.5.2 Pelatihan 16
II.4 Motor DC 17
BAB III PERANCANGAN 19
III.1 Diagram Blok 19
III.2 Perancangan Lintasan 20
III.3 Perancangan dan Realisasi Perangkat Keras 21
III.3.1 Rangkaian Catu Daya 21
III.3.2 Sensor Lintasan Garis 22
III.4 Percobaan Perangkat Keras 27
III.4.1 Sensor 27
III.4.2 Lintasan 28
III.4.3 Aktuator 30
III.5 Perancangan Perangkat Lunak 32
III.5.1 Arsitektur Jaringan Saraf Tiruan 32
III.6 Percobaan Perangkat Lunak 34
III.6.1 Pelatihan 34
BAB IV ANALISA 39
IV.1. Sistem dengan Jaringan Saraf Tiruan 40
BAB V KESIMPULAN DAN SARAN 43
DAFTAR PUSTAKA 44
LAMPIRAN A
Universitas Kristen Maranatha iv
(5)
DAFTAR TABEL
Tabel III.1 Tegangan Output Sensor 27
Tabel III.2 Pembacaan Sensor terhadap Aksi 29 Tabel III.3 Tegangan Motor Roda Kiri terhadap Aksi 30 Tabel III.4 Data Masukan dan Target yang ingin dicapai 35
Universitas Kristen Maranatha v
(6)
DAFTAR GAMBAR
Gambar II.1 Jenis Robot berdasarkan sistem kendali 5 Gambar II.2 Daerah Frekuensi Gelombanga Infra Merah 7 Gambar II.3 Daerah Panjang Gelombang Infra Merah 7
Gambar II.4 Prinsip Neural Network 11 Gambar II.5 Jaringan Lapis Tunggal 12 Gambar II.6 Jaringan Lapis Banyak 12
Gambar II.7 Fungsi Tangga Biner 14
Gambar II.8 Fungsi Linear 15
Gambar II.9 Fungsi Sigmoid Biner 15
Gambar II.10 Motor DC Convencional 18
Gambar III.1 Blok Diagram Robot 19
Gambar III.2 Lintasan 20
Gambar III.3 Rangkaian Catu Daya Sensor 21 Gambar III.4 Rangkaian Catu Daya untuk Motor DC 22 Gambar III.5 Realisasi Rangkaian Catu Daya 22 Gambar III.6 Rangkaian Sensor Optocoupler 23 Gambar III.7 Posisi Sensor GP2S28 pada Badan PCB 24 Gambar III.8 Realisasi Rangkaian Sensor 25 Gambar III.9 Realisasi Rangkaian Output Motor DC 25
Gambar III.10 Realisasi Robot 26
Gambar III.11 Pengujian Sensor dengan Cermin 28 Gambar III.12 Pengujian Pembacaan Sensor terhadap Aksi 29 Gambar III.13 Pengujian Tegangan Motor Roda Kiri terhadap Aksi 31 Gambar III.14 Arsitektur Jeringan Saraf Tiruan 32 Gambar III.15 Proses Pelatihan dengan Traingdx 38
Universitas Kristen Maranatha vi
(7)
Universitas Kristen Maranatha A-1
Proses Pelatihan
>> test2 pause
[aksi,targets] = test1; [M,N] = size(aksi); [L,N] = size(targets); pause
F = 10;
net = newff(minmax(aksi),[F L],{'logsig' 'logsig'},'traingdx'); net.LW{2,1} = net.LW{2,1}*0.01;
net.b{2} = net.b{2}*0.01; pause
net.performFcn = 'sse'; net.trainParam.goal = 0.001; net.trainParam.show = 5; net.trainParam.epochs = 1000; net.trainParam.mc = 0.95; P = aksi;
T = targets;
[net,tr] = train(net,P,T);
TRAINGDX, Epoch 0/1000, SSE 49.3015/0.001, Gradient 23.0529/1e-006
TRAINGDX, Epoch 5/1000, SSE 28.3421/0.001, Gradient 13.47/1e-006 TRAINGDX, Epoch 10/1000, SSE 18.208/0.001, Gradient 6.11052/1e-006 TRAINGDX, Epoch 15/1000, SSE 14.4759/0.001, Gradient 2.56141/1e-006
(8)
Universitas Kristen Maranatha A-2
TRAINGDX, Epoch 20/1000, SSE 13.2925/0.001, Gradient 1.20456/1e-006 TRAINGDX, Epoch 25/1000, SSE 12.9615/0.001, Gradient 0.774426/1e-006 TRAINGDX, Epoch 30/1000, SSE 12.8931/0.001, Gradient 0.657767/1e-006 TRAINGDX, Epoch 35/1000, SSE 12.8938/0.001, Gradient 0.625009/1e-006 TRAINGDX, Epoch 40/1000, SSE 12.9025/0.001, Gradient 0.617594/1e-006 TRAINGDX, Epoch 45/1000, SSE 12.9007/0.001, Gradient 0.622493/1e-006 TRAINGDX, Epoch 50/1000, SSE 12.8801/0.001, Gradient 0.637757/1e-006 TRAINGDX, Epoch 55/1000, SSE 12.8327/0.001, Gradient 0.664954/1e-006 TRAINGDX, Epoch 60/1000, SSE 12.7481/0.001, Gradient 0.706671/1e-006 TRAINGDX, Epoch 65/1000, SSE 12.6095/0.001, Gradient 0.765172/1e-006 TRAINGDX, Epoch 70/1000, SSE 12.389/0.001, Gradient 0.836894/1e-006 TRAINGDX, Epoch 75/1000, SSE 12.0483/0.001, Gradient 0.890942/1e-006 TRAINGDX, Epoch 80/1000, SSE 11.5801/0.001, Gradient 0.83373/1e-006 TRAINGDX, Epoch 85/1000, SSE 11.1218/0.001, Gradient 0.820721/1e-006 TRAINGDX, Epoch 90/1000, SSE 10.6572/0.001, Gradient 1.04236/1e-006 TRAINGDX, Epoch 95/1000, SSE 9.91593/0.001, Gradient 0.813603/1e-006 TRAINGDX, Epoch 100/1000, SSE 9.07761/0.001, Gradient 0.804768/1e-006 TRAINGDX, Epoch 105/1000, SSE 8.09712/0.001, Gradient 0.785375/1e-006 TRAINGDX, Epoch 110/1000, SSE 7.02459/0.001, Gradient 0.728858/1e-006 TRAINGDX, Epoch 115/1000, SSE 5.87719/0.001, Gradient 0.69633/1e-006 TRAINGDX, Epoch 120/1000, SSE 4.65044/0.001, Gradient 0.617426/1e-006 TRAINGDX, Epoch 125/1000, SSE 3.4374/0.001, Gradient 0.586802/1e-006 TRAINGDX, Epoch 130/1000, SSE 2.31282/0.001, Gradient 0.41652/1e-006 TRAINGDX, Epoch 135/1000, SSE 1.37599/0.001, Gradient 0.349581/1e-006 TRAINGDX, Epoch 140/1000, SSE 0.690705/0.001, Gradient 0.212081/1e-006 TRAINGDX, Epoch 145/1000, SSE 0.31718/0.001, Gradient 0.107192/1e-006 TRAINGDX, Epoch 150/1000, SSE 0.149538/0.001, Gradient 0.0569182/1e-006 TRAINGDX, Epoch 155/1000, SSE 0.0785338/0.001, Gradient 0.0285297/1e-006
(9)
Universitas Kristen Maranatha A-3
TRAINGDX, Epoch 160/1000, SSE 0.0471235/0.001, Gradient 0.018805/1e-006 TRAINGDX, Epoch 165/1000, SSE 0.0303942/0.001, Gradient 0.0107277/1e-006 TRAINGDX, Epoch 170/1000, SSE 0.0211179/0.001, Gradient 0.00733606/1e-006 TRAINGDX, Epoch 175/1000, SSE 0.015497/0.001, Gradient 0.0054781/1e-006 TRAINGDX, Epoch 180/1000, SSE 0.0117264/0.001, Gradient 0.0037979/1e-006 TRAINGDX, Epoch 185/1000, SSE 0.00916457/0.001, Gradient 0.00277883/1e-006 TRAINGDX, Epoch 190/1000, SSE 0.00735982/0.001, Gradient 0.00218459/1e-006 TRAINGDX, Epoch 195/1000, SSE 0.0060042/0.001, Gradient 0.00175252/1e-006 TRAINGDX, Epoch 200/1000, SSE 0.00493609/0.001, Gradient 0.00141637/1e-006 TRAINGDX, Epoch 205/1000, SSE 0.00407301/0.001, Gradient 0.00110449/1e-006 TRAINGDX, Epoch 210/1000, SSE 0.00338327/0.001, Gradient 0.000883335/1e-006
TRAINGDX, Epoch 215/1000, SSE 0.00282267/0.001, Gradient 0.000748942/1e-006
TRAINGDX, Epoch 220/1000, SSE 0.00234902/0.001, Gradient 0.000591715/1e-006
TRAINGDX, Epoch 225/1000, SSE 0.00195432/0.001, Gradient 0.000490676/1e-006
TRAINGDX, Epoch 230/1000, SSE 0.0016205/0.001, Gradient 0.000398203/1e-006 TRAINGDX, Epoch 235/1000, SSE 0.00133772/0.001, Gradient 0.000329806/1e-006
TRAINGDX, Epoch 240/1000, SSE 0.0010963/0.001, Gradient 0.000266791/1e-006 TRAINGDX, Epoch 243/1000, SSE 0.000969499/0.001, Gradient 0.000234834/1e-006
TRAINGDX, Performance goal met.
Pause echo off
(10)
Universitas Kristen Maranatha A-4
End of test2
Hasil Pelatihan Jaringan Saraf Tiruan
• Bobot layer 1
>> net.IW{1,1}
ans =
Columns 1 through 7
0 0 6.4035 1.4660 -4.7208 -6.1527 3.9970 0 0 -3.9142 3.2914 2.0921 3.3149 -8.9082 0 0 2.8371 7.0393 7.3848 0.9662 0.6887 0 0 -0.2607 2.4218 -4.9913 7.2128 -2.8267 0 0 5.6506 -6.0253 -3.7227 -0.2550 5.8216 0 0 4.8947 -0.5769 -6.4161 -3.3250 0.0463 0 0 -0.8193 5.9040 -4.7436 5.4000 5.0719 0 0 -7.2329 5.9260 1.1852 -0.9691 1.4745 0 0 4.9015 -1.8246 -2.3622 -3.2476 -4.5746 0 0 0.9458 6.1452 -4.9350 1.8847 -6.2378 Column 8
-4.3847 2.2960 -5.8867 -0.1923 -4.4415 4.2615 -2.2956
(11)
Universitas Kristen Maranatha A-5
6.6849 4.6826 0.2425
• Bias layer 1
>> net.b{1,1}
ans =
-3.8617 4.9278 -6.8012 -0.0195 2.4488 0.7147 -5.2216 -3.3012 5.0279 -4.0100
(12)
Universitas Kristen Maranatha A-6
• Bobot layer 2
>> net.LW{2,1}
ans =
Columns 1 through 7
8.0355 -6.9890 -4.5422 -1.5243 -0.8486 -1.3536 4.3247 -3.7032 -0.5684 -6.9793 -2.1827 -8.1252 3.6000 6.2521 0.2890 -0.3123 -5.3317 1.9492 -6.0975 1.3225 -3.8103 -7.6831 -5.5635 -3.7636 -4.6827 2.9413 3.4641 -3.6035 5.5388 -5.8826 -4.6124 -4.1436 1.4149 0.3124 -5.8229 6.5123 3.0900 0.8386 -0.3059 1.1120 0.0910 -2.4480 4.4301 -7.3963 6.4709 -1.5892 -3.3199 1.1407 4.1726 -4.5099 6.8138 -3.9385 -0.2123 1.2282 2.1564 -6.4878 -5.5363 -5.0968 -6.1861 4.2381 0.8632 1.5234 3.8802 -1.1988 3.3460 -6.8538 -2.4578 -1.4051 -7.1173 -5.0261 -0.9243 -0.6570 2.8532 0.6659 -7.1521 -2.7168 3.2861 -1.7133 0.3756 5.2925 -6.1829 -5.2538 2.0426 -4.1972 -3.2464 1.8688 1.8189 1.3043 -6.0085 -5.0247 -1.5271 -3.2193 -3.1657 2.4428 -0.2876 5.6497 -5.2349 1.5839
(13)
Universitas Kristen Maranatha A-7
Columns 8 through 10
8.6728 -3.6361 0.5018 3.2142 0.8505 -2.5148 0.1774 -0.7316 7.3683 5.3897 -0.3651 -1.7141 -4.9167 -0.0417 -0.9436 -7.6271 -4.5367 7.7368 -5.0314 -0.2551 -1.4301 -8.2026 -0.5219 -2.0562 -4.4897 0.0861 -1.3818 3.1721 -2.0769 -1.4255
4.2796 -5.8103 -0.8371 0.2827 0.6834 -0.1046 -7.0972 3.0011 3.0724 -4.5545 -6.1132 -1.2236
(14)
Universitas Kristen Maranatha A-8
• Bias layer 2
>> net.b{2,1}
ans =
-7.7888 -6.0915 -2.8532 -4.7110 -0.8201 -7.5039 -6.4889 -3.3018 -3.9495 1.8106 -4.3756 -2.8797 -2.2306 -0.8141
(15)
Universitas Kristen Maranatha A-9
Pengujian Algoritma
>> Y = sim (net,P)
Y =
Columns 1 through 7
0.9943 0.0031 0.0001 0.0034 0.0036 0.0000 0.0029 0.0032 0.9945 0.0031 0.0021 0.0000 0.0000 0.0000 0.0000 0.0029 0.9954 0.0002 0.0003 0.0030 0.0000 0.0012 0.0020 0.0000 0.9940 0.0044 0.0000 0.0000 0.0019 0.0000 0.0000 0.0039 0.9935 0.0000 0.0038 0.0000 0.0000 0.0029 0.0000 0.0032 0.9945 0.0028 0.0024 0.0000 0.0000 0.0000 0.0049 0.0020 0.9939 0.0000 0.0000 0.0011 0.0003 0.0045 0.0007 0.0000 0.0005 0.0021 0.0000 0.0018 0.0014 0.0000 0.0003 0.0000 0.0007 0.0021 0.0038 0.0001 0.0000 0.0000 0.0000 0.0019 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0016 0.0020 0.0036 0.0007 0.0002 0.0003 0.0000 0.0000 0.0016 0.0000 0.0000 0.0029 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0000 0.0026
(16)
Universitas Kristen Maranatha A-10
Columns 8 through 14
0.0000 0.0000 0.0004 0.0004 0.0000 0.0000 0.0000 0.0000 0.0018 0.0011 0.0031 0.0011 0.0000 0.0000 0.0007 0.0001 0.0021 0.0000 0.0016 0.0013 0.0000 0.0010 0.0009 0.0038 0.0000 0.0016 0.0000 0.0000 0.0029 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000 0.0011 0.0000 0.0000 0.0000 0.0000 0.0036 0.0013 0.0000 0.0005 0.0000 0.0001 0.0000 0.0004 0.0038 0.9940 0.0021 0.0040 0.0000 0.0008 0.0021 0.0002 0.0033 0.9956 0.0000 0.0000 0.0000 0.0001 0.0026 0.0013 0.0000 0.9938 0.0040 0.0004 0.0000 0.0000 0.0000 0.0000 0.0038 0.9947 0.0014 0.0021 0.0034 0.0005 0.0000 0.0012 0.0018 0.9950 0.0024 0.0000 0.0003 0.0000 0.0001 0.0028 0.0013 0.9945 0.0033 0.0000 0.0028 0.0003 0.0044 0.0000 0.0015 0.9944
(17)
Universitas Kristen Maranatha A-11
(18)
BAB I
PENDAHULUAN
I.1 Latar Belakang
Saat ini teknologi robot berkembang dengan cepat. Robot dapat dipakai untuk membantu meringankan pekerjaan manusia, terutama yang membutuhkan ketelitian, daya tahan yang lama, serta kemampuan mengganti manusia melakukan pekerjaan yang memiliki resiko yang besar dan menjelajahi daerah yang tidak dapat dijelajahi manusia. Penggunaan dari robot ini banyak dipakai dalam berbagai bidang seperti bidang kedokteran, bidang industri, eksplorasi ruang angkasa dan lain sebagainya dalam bentuk penelitian ataupun proses produksi.
Saat ini salah satu metoda yang dapat digunakan untuk pengendalian robot adalah jaringan saraf tiruan. Jaringan syaraf tiruan juga banyak digunakan pada berbagai bidang lainnya seperti analisa gambar, biomedis, kimia, transportasi, pengenalan suara dan lain-lain. Metode ini digunakan karena metode ini bisa membuat pendekatan model sistem yang non linier dengan suatu pelatihan.
I.2 Identifikasi Masalah
Identifikasi masalah di dalam Tugas Akhir ini adalah bagaimana membuat simulasi arah gerakan robot dengan menggunakan metoda jaringan saraf tiruan.
I.3 Tujuan
Tujuan di dalam Tugas Akhir ini adalah membuat simulasi arah gerakan robot dengan menggunakan metoda jaringan saraf tiruan.
(19)
2
I.4 Pembatasan Masalah
Adapun pembatasan masalah di dalam Tugas Akhir ini yaitu:
1. Untuk melatih Jaringan saraf tiruan, perangkat lunak yang digunakan adalah Matlab versi 7.0.4.
2. Robot ini merupakan jenis rover yang bergerak maju mengikuti bentuk dari lintasan tertutup.
3. Arah pergerakan robot untuk ke kiri dan kanan diatur dengan mengendalikan putaran roda kiri, sedangkan roda kanan dipertahankan tetap diam.
I.5 Sistematika Pembahasan
Sistematika pembahasan tugas akhir ini disusun menjadi lima bab, yaitu sebagai berikut:
Bab I Pendahuluan
Berisi tentang latar belakang masalah, maksud dan tujuan, identifikasi masalah, pembatasan masalah, metodologi penelitian, dan sistematika penulisan.
Bab II Landasan teori
Berisi tentang teori dasar dari robot, infra merah, jaringan saraf tiruan dan motor dc
Bab III Simulasi Perangkat Lunak
Berisi tentang perancangan perangkat lunak yang meliputi pelatihan data Bab IV Hasil dan Analisa
Berisi tentang percobaan, dan analisa terhadap perangkat lunak yang sudah dibuat.
Bab V Kesimpulan dan Saran
Bab terakhir ini memaparkan kesimpulan yang diperoleh dari hasil penelitian serta saran-saran yang dapat dipergunakan untuk perbaikan dalam penelitian selanjutnya.
(20)
BAB V
KESIMPULAN DAN SARAN
V.1 Kesimpulan
Kesimpulan yang dapat diambil dari Tugas Akhir ini adalah :
Simulasi Jaringan Saraf Tiruan pada Matlab berhasil direalisasikan untuk menggerakkan roda kiri pada lintasan berbentuk angka 8 dengan hasil kesalahan 0.000997737.
V.2 Saran
Saran yang dapat dilakukan untuk memperbaiki Tugas Akhir ini adalah : Untuk penelitian lebih lanjut dapat mengimplementasikan algoritma Jaringan Saraf Tiruan ke mikrokontroler agar sistem bekerja secara utuh.
Universitas Kristen Maranatha 43
(21)
DAFTAR PUSTAKA
1. Demuth, Howard and Mark Beale, “Neural Network Toolbox User’s Guide”, The Math Works, 1994.
2. Everett, H.R., “Sensors For Mobile Robots”, A K Peters, Ltd. Natick, Massachusetts, 1995.
3. Gonzales, R.C., “Robotics”, McGraw-Hill International Edition, 1987. 4. Kusumadewi, Sri, “Membangun Jaringan Saraf Tiruan Menggunakan
Matlab & Excel Link”, Penerbit Graha Ilmu, Yogjakarta, 2004.
5. Low, Kin Huat, “Robotics: Principles and Systems Modeling” Second Edition, Prentice Hall, Inc., 2004.
6. Lunt, Karl, “Build Your Own Robot”, A K Peters. Natick, Massachusetts, 2000.
7. Pitowarno, Endra, “Robotika: Disain, Kontrol dan Kecerdasan Buatan”, Penerbit Andi, Yogyakarta, 2006.
Universitas Kristen Maranatha 44
(1)
Universitas Kristen Maranatha A-10
Columns 8 through 14
0.0000 0.0000 0.0004 0.0004 0.0000 0.0000 0.0000 0.0000 0.0018 0.0011 0.0031 0.0011 0.0000 0.0000 0.0007 0.0001 0.0021 0.0000 0.0016 0.0013 0.0000 0.0010 0.0009 0.0038 0.0000 0.0016 0.0000 0.0000 0.0029 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000 0.0011 0.0000 0.0000 0.0000 0.0000 0.0036 0.0013 0.0000 0.0005 0.0000 0.0001 0.0000 0.0004 0.0038 0.9940 0.0021 0.0040 0.0000 0.0008 0.0021 0.0002 0.0033 0.9956 0.0000 0.0000 0.0000 0.0001 0.0026 0.0013 0.0000 0.9938 0.0040 0.0004 0.0000 0.0000 0.0000 0.0000 0.0038 0.9947 0.0014 0.0021 0.0034 0.0005 0.0000 0.0012 0.0018 0.9950 0.0024 0.0000 0.0003 0.0000 0.0001 0.0028 0.0013 0.9945 0.0033 0.0000 0.0028 0.0003 0.0044 0.0000 0.0015 0.9944
(2)
Universitas Kristen Maranatha A-11
(3)
BAB I
PENDAHULUAN
I.1 Latar Belakang
Saat ini teknologi robot berkembang dengan cepat. Robot dapat dipakai untuk membantu meringankan pekerjaan manusia, terutama yang membutuhkan ketelitian, daya tahan yang lama, serta kemampuan mengganti manusia melakukan pekerjaan yang memiliki resiko yang besar dan menjelajahi daerah yang tidak dapat dijelajahi manusia. Penggunaan dari robot ini banyak dipakai dalam berbagai bidang seperti bidang kedokteran, bidang industri, eksplorasi ruang angkasa dan lain sebagainya dalam bentuk penelitian ataupun proses produksi.
Saat ini salah satu metoda yang dapat digunakan untuk pengendalian robot adalah jaringan saraf tiruan. Jaringan syaraf tiruan juga banyak digunakan pada berbagai bidang lainnya seperti analisa gambar, biomedis, kimia, transportasi, pengenalan suara dan lain-lain. Metode ini digunakan karena metode ini bisa membuat pendekatan model sistem yang non linier dengan suatu pelatihan.
I.2 Identifikasi Masalah
Identifikasi masalah di dalam Tugas Akhir ini adalah bagaimana membuat simulasi arah gerakan robot dengan menggunakan metoda jaringan saraf tiruan.
I.3 Tujuan
Tujuan di dalam Tugas Akhir ini adalah membuat simulasi arah gerakan robot dengan menggunakan metoda jaringan saraf tiruan.
(4)
2
I.4 Pembatasan Masalah
Adapun pembatasan masalah di dalam Tugas Akhir ini yaitu:
1. Untuk melatih Jaringan saraf tiruan, perangkat lunak yang digunakan adalah Matlab versi 7.0.4.
2. Robot ini merupakan jenis rover yang bergerak maju mengikuti bentuk dari lintasan tertutup.
3. Arah pergerakan robot untuk ke kiri dan kanan diatur dengan mengendalikan putaran roda kiri, sedangkan roda kanan dipertahankan tetap diam.
I.5 Sistematika Pembahasan
Sistematika pembahasan tugas akhir ini disusun menjadi lima bab, yaitu sebagai berikut:
Bab I Pendahuluan
Berisi tentang latar belakang masalah, maksud dan tujuan, identifikasi masalah, pembatasan masalah, metodologi penelitian, dan sistematika penulisan.
Bab II Landasan teori
Berisi tentang teori dasar dari robot, infra merah, jaringan saraf tiruan dan motor dc
Bab III Simulasi Perangkat Lunak
Berisi tentang perancangan perangkat lunak yang meliputi pelatihan data Bab IV Hasil dan Analisa
Berisi tentang percobaan, dan analisa terhadap perangkat lunak yang sudah dibuat.
Bab V Kesimpulan dan Saran
Bab terakhir ini memaparkan kesimpulan yang diperoleh dari hasil penelitian serta saran-saran yang dapat dipergunakan untuk perbaikan dalam penelitian selanjutnya.
(5)
BAB V
KESIMPULAN DAN SARAN
V.1 Kesimpulan
Kesimpulan yang dapat diambil dari Tugas Akhir ini adalah :
Simulasi Jaringan Saraf Tiruan pada Matlab berhasil direalisasikan untuk menggerakkan roda kiri pada lintasan berbentuk angka 8 dengan hasil kesalahan 0.000997737.
V.2 Saran
Saran yang dapat dilakukan untuk memperbaiki Tugas Akhir ini adalah : Untuk penelitian lebih lanjut dapat mengimplementasikan algoritma Jaringan Saraf Tiruan ke mikrokontroler agar sistem bekerja secara utuh.
Universitas Kristen Maranatha 43
(6)
DAFTAR PUSTAKA
1. Demuth, Howard and Mark Beale, “Neural Network Toolbox User’s Guide”, The Math Works, 1994.
2. Everett, H.R., “Sensors For Mobile Robots”, A K Peters, Ltd. Natick, Massachusetts, 1995.
3. Gonzales, R.C., “Robotics”, McGraw-Hill International Edition, 1987. 4. Kusumadewi, Sri, “Membangun Jaringan Saraf Tiruan Menggunakan
Matlab & Excel Link”, Penerbit Graha Ilmu, Yogjakarta, 2004.
5. Low, Kin Huat, “Robotics: Principles and Systems Modeling” Second Edition, Prentice Hall, Inc., 2004.
6. Lunt, Karl, “Build Your Own Robot”, A K Peters. Natick, Massachusetts, 2000.
7. Pitowarno, Endra, “Robotika: Disain, Kontrol dan Kecerdasan Buatan”, Penerbit Andi, Yogyakarta, 2006.
Universitas Kristen Maranatha 44