PENERAPAN FUZZY LOGIC PADA BEHAVIOR BASED CONTROL (BBC) PADA ROBOT QUADPOD

I. PENDAHULUAN

  Kecerdasan buatan (Artificial Intelligent) pada robot memiliki banyak metode – metode di dalamnya agar robot yang dibuat dapat berpikir atau bertindak layaknya seperti manusia atau binatang. Semakin majunya teknologi, menggunakan metode

  berbasis prilaku) adalah salah satu metode yang dapat diterapkan kedalam robot sebagai kecerdasan buatan, Behavior Based Control (BBC) membuat robot berinteraksi terhadap lingkungan dan menyesuaikan perilaku terhadap lingkungan sekitar. Karena sistem navigasi robot ini secara otonom, maka robot harus memiliki beberapa kemampuan (behavior) untuk melaksanakan tugas yang diberikan secara adaptif terhadap lingkungan. Sistem behavior diuraikan menjadi beberapa modul

  Behavior Based Control (Kendali dasar

  Ketidaklinearan ini berupa gesekan pada komponen- komponen sistem, dead zone dan saturasi yang terdapat pada aktuator yang digunakan, mekanisme gerak sistem, proses pemasangan alat dan lain-lain. Dalam penerapannya pengendali Fuzzy Logic memanfaatkan pengalaman seorang pakar yang oleh perancang pengendali diekstrak ke dalam bentuk aturan-aturan jika-maka (if-then). Oleh karena itu, proses pengendalian akan mengikuti pendekatan secara linguistik. Pendekatan secara linguistik berupa interpretasi manusia (operator atau ahli) tentang tingkat keadaan suatu sistem, yang merupakan informasi penting dalam menggambarkan perilaku sistem dan jauh lebih mudah untuk diperoleh. Pengendali Fuzzy Logic tidak memiliki ketergantungan pada variabel- variabel proses kendali sehingga pengendali ini banyak digunakan pada sistem yang memiliki sifat tidak linear dan perilaku dinamik yang berubah terhadap waktu. Namun dasar-dasar pengetahuan tentang sistem yang akan dikendalikan akan sangat membantu dalam memperoleh prestasi pengendalian yang memadai.

  selalu muncul pada sistem kendali. Ketidakpastian utama yang ditemukan dalam sistem ini adalah ketidaklinearan elemen-elemen sistem kendali.

  Logic dapat mengatasi sifat ketidakpastian yang

  soft computing yaitu sistem komputasi yang lebih mendasarkan pada kemampuan melakukan pemetaan vektor (tidak linear), optimasi, identifikasi dan kemampuan lainnya. Berbagai penerapan telah menunjukkan bahwa pengendali berbasis Fuzzy

  Fuzzy Logic merupakan salah satu bentuk

  Robot saat ini menjadi ketertarikan sendiri untuk banyak orang.Perusahaan besar yang bergerak di bidang industri sudah mulai menggunakan robot untuk mempermudah pekerjaan.Semakin berkembangnya teknologi, metode – metode yang digunakan pada robot semakin berkembang.Terdapat begitu banyak penelitian yang dilakukan untuk mengembangkan metode – metode baru atau menemukan metode – metode baru dalam kecerdasan robot, sistem navigasi, dll. Robot memiliki banyak bentuk, salah satunya adalah robot berkaki. Robot berkaki adalah robot yang menggunakan kaki sebagai alat geraknya.

  

PENERAPAN FUZZY LOGIC PADA BEHAVIOR BASED CONTROL

(BBC) PADA ROBOT QUADPOD

Muhammad Bagus Bintang Timur 1) , Agusma Wajiansyah 2) , Damar Nurcahyono 3)

  Kata Kunci: Kendali Cerdas, Fuzzy Logic,Behavior Based Control, Robot, Quadpod.

  selanjutnya menggunakan metode Behavior Based Control. Input (masukkan) pada Behavior Based Control adalah hasil Output (keluaran) dari Fuzzy Logic berupa posisi robot. Output dari Behavior Based Control adalah gerakan robot. Pengujian Gerak robot menggunakan fasilitas pada aplikasi Mathlab yaitu Simulink.

  

Logic. Hasil proses akan berupa Posisi robot, kemudian setelah mendapatkan posisi robot dilakukan proses

  dan Behavior Based Control menggunakan Software (perangkat lunak) Mathlab. Data sensor sebagai referensi lingkungan dibangun secara Random (acak). Setelah data dibangun, data kemudian diproses menggunakan Fuzzy

  

Based Control (kendali berbasis Perilaku) untuk menentukan gerakan pada robot Quadpod. Pengujian Fuzzy Logic

  api. Ketika robot mencari api yang terdapat didalam ruangan, robot melakukan proses berjalan dan berusaha mengetahui lingkungan sekitar agar dapat mengetahui posisi robot berada. Penelitian ini bertujuan untuk membangun Kendali Cerdas berbasis Fuzzy Logic (Logika Samar) untuk menentukan posisi robot dan Behavior

  

Abstrak - Pada robot pemadam api tidak hanya sekedar memadamkan api melainkan mencari ruang yang terdapat

  1,2,3) Jurusan Teknologi Informasi Politeknik Negeri Samarinda Email

  • – metode yang ada saja belum cukup atau kurang dalam membangun sebuah robot cerdas karena menyesuaikan teknologi yang terus berkembang. Terdapat begitu banyak penelitian yang telah dikembangkan atau ditemukan untuk mengatasi masalah pada penerapan kecerdasan robot terhadap lingkungan sekitar. Kecerdasan robot sendiri melibatkan beberapa metode salah satunya adalah kendali cerdas berbasis Fuzzy Logic (Logika Samar).

  JUST TI, Volume 9 Nomor 2, Juli 2017: 83-89

  yang masing-masing bertanggung jawab untuk melakukan satu perilaku. Tiap behavior mengandung jalur lengkap mulai dari sensing sampai aksi. Untuk melakukan tugas yang diberikan secara adaptif terhadap lingkungan, robot akan menggunakan sensor sebagai masukan untuk memberikan data pada robot. Data tersebut yang akan diolah sesuai dengan algoritma BBC yang dirancang. Dari data yang sudah diolah tersebut robot akan menerima informasi yang berarti kemampuan untuk melaksanakan tugas atau informasi tersebut.

  Pada penelitian ini akan di terapkan Fuzzy

  Logic pada Behavior Based Control untuk

  kecerdasan Robot Quadpod. Fuzzy Logic PertamaPada Behavior Based Control akan menentukan posisi robot dan Fuzzy Logic Kedua akan menentukan Gerakan Robot.

  Berbeda dengan pendekatan di atas, behavior based robot mendesain sistem kontrol robot dengan menggunakan task achieving behaviors (perilaku menggunakan tugas) yang diberikan secara adaptif terhadap lingkungan. sebagaimana ditunjukkan pada di bawah ini, tiap tugas disebut dengan behavior.

  Gambar 2. Teknik Penguaraian Tradisional untuk Sistem Kontrol Mobile Robot ke dalam unit-unit Fungsional [3]

II. DASAR TEORI

2.1 BEHAVIOR BASED CONTROL

  Logika Fuzzy untuk menyelesaikan problem pengendali behavior dan koordinasinya. Arsitektur sistem ini terdiri dari dua bagian besar, yaitu bagian modul behavior dengan Fuzzy Logic dan bagian

  behavior yang disebut dengan Context Dependent Blending (CDB). Arsitektur ini ditampilkan pada

  behavior-based robot) adalah penggunaan teknik

  Gambar 1. Arsitektur Pengendali Robot Berbasis Prilaku dengan Fuzzy Logic [1]

  Pendekatan yang biasa digunakan untuk membangun system control robot adalah dengan menguraikan setiap masalah ke dalam rangkaian unit fungsional sebagaimana ditunjukkan oleh gambar di bawah ini.

  berbasis perilaku dengan Logika Fuzzy (Fuzzy

  behavior yang aktif pada waktu yang sama. Robot

  Gambar 3. Dekomposisi sistem kontrol dengan Task Achieving Behavior [3]

  2.2 Fuzzy Logic Fuzzy Logic pertama kali diperkenalkan

  oleh Prof.Lotfy A. Zadeh dari Universitas California di Barkeley (1965). Berbeda dengan Boolean Logic yang hanya membagi suatu keadaan menjadi dua kondisi yaitu 0 dan 1, Fuzzy Logic memberikan kemungkinan suatu keadaan dalam interval antara 0 dan 1. Berikut adalah ilustrasi perbedaantersebut :

  Gambar 4. Perbedaan Antara Boolean Logic Dan Fuzzy Logic [4]

  Dalam Boolean Logic, temperatur 69,9 C dikategorikan sebagai Hangat, dan 70,1 C dikategorikan sebagai Panas. Perbedaan yang kecil ini akan menimbulkan reaksi yang berarti terhadap sistem. Sementara dengan Fuzzy Logic temperatur 69,9 C dan 70,1 C masuk dalam kategori yang sama sebagai Hangat sekaligus Panas dan dianggap dalam temperatur yang sama, sehingga tidak akan menimbulkan reaksi yang berarti bagi sistem.

  Metode robot Behavior Based Control adalah suatu pendekatan yang diinspirasikan dari sistem biologis, dimana suatu sistem didistribusikan dalam beberapa modul kecil yang disusun secara parallel. Setiap modul,disebut perilaku (behavior) dan memiliki target tertentu yang harus dicapai.Secara keseluruhan, robot terdiri dari beberapa behavior yang mengambil input dari sensor sensoryang ada dan mengirimkan output ke proses pengendalian ke aktuator robot. Karena terdiri dari beberapa behavior, maka diperlukan koordinasi untuk menghasilkan perintah akhir yang akan dikirimkan ke aktuator, jika terdapat beberapa

  Gambar 1 di bawah ini.

  

Bintang, dkk., Penerapan Fuzzy Logic Pada Behavior Based Control (BBC) Pada Robot Quadpod

  Z dinyatakan sebagai Linguistic Value dan v dinyatakan sebagai Linguistic Variable.

  c  

    2 2 2.

  , , x c x c e

     m  

  Gaussian Membership Function

  Rule Evaluation : Tahapan penggunaan Rule untuk menentukan aksi Control apa yang harus

  dilakukan dalam merespon input. Berikut adalah format rule yang biasa digunakan dalam Fuzzy : If

  Antecedent 1 AND Antecedent2 AND …Then Consequent1 AND Consequent 2 AND. Untuk

  menentukan jumlah Rule Base yang digunakan, dapat digunakan persamaan sebagai berikut : n Rule =

  Z ..................................................(1)

  Defuzzification : Tahapan terakhir setelah rule evaluation adalah defuzzification. Dalam defuzzification, seluruh Fuzzy output yang signifikan

           

  akan dikombinasikan ke dalam variable keluaran yang spesifik. Salah satu teknik yang sering digunakan adalah metode Centre of Gravity (COG). Metode Centroid adalah metode yang mengambil titik tengah / pusat Fuzzy. Persamaan yang digunakan untuk Defuzzification dengan menggunakan metode Centroid adalah

      1 1 . n i i i c n i i x x x x

    m  m

   

  .................................................... ..(2) dimana : c

  x

  : nilai centroid i

  x

  : nilai x pada output fuzzy hasil agregasi

  3

  Trapezoidal Membership Function m(x) x

            m  

  Guna lebih mengenal suatu sistem Fuzzy, maka harus dipahami istilah-istilah yang sering digunakan dalam Fuzzy logic. Berikut ini adalah gambar membership function lengkap dengan parameter-parameternya.

  (seperti 90 derajat)

  4. Scope/Domain adalah Lebar fungsi keanggotaan.

  5. Degree of Membership Function adalah derajat

  keanggotaan dimana nilai crisp kompatibel dengan fungsi keanggotaan (dari 0 sampai 1).

  6. Universe of Discourse adalah semesta

  pembicaraan adalah rentang input yang mungkin masuk ke dalam sistem.

    , , , , , 1 x a x d x a a x b b a x a b c d b x c d x c x d d c

  2. Membership Function adalah definisi Fuzzy

  1.Crips Input adalah Input yang tegas dan tertentu

  set dengan memetakan Crisp input dari domainnya ke derajat keanggotaannya.

  Gambar 5. Membership Function [4]

  Tabel 1. Tabel Persamaan Membership Function m(x) x b c a

    , , , , x a x c x a x a b c a x b b a c x b x c c b  

       m     

        

  

  Triangular Membership Function

  m(x) x b c a d

  3. Label adalah Nama dari suatu fungsi keanggotaan.

2.2.1 Desain Sistem Fuzzy

  Gambar 6 Tahapan Dalam Fuzzy Logic [4] Fuzzification: Memproses crisp input

  menjadi Fuzzy input yang berupa membership

  function, misalnya crisp suhu 27 C akan

  ditransformasikan sebagai “hangat” dalam Fuzzy, kecepatan 100 Km/jam ditransformasikan sebagai “cepat”, dsb. Didalam Fuzzification terdapat proses Subset dengan persamaan sebagai berikut.

  Metode Mamdani sering juga dikenal dengan nama metode min – max. Metode ini diperkenalkan oleh Ibrahim Mamdani pada tahun 1975 [djunaidi]. Untuk membentuk sistem Fuzzy, ada tiga tahapan yang harus dilakukan yaitu fuzzification, rule evaluation dan defuzzification. Gambar berikut ini menunjukkan tiga tahap tersebut lengkap dengan parameter-parameter yang diperlukan dalam setiap tahapannya. JUST TI, Volume 9 Nomor 2, Juli 2017: 83-89 x m : derajat keanggotaan dari x pada i

   

  output fuzzy hasil agregasi

III. HASIL DAN PEMBAHASAN

3.1 Blok Diagram Sistem Robot

  Sistem Penentuan Posisi Robot

  Gambar 9. Input Dari F Gambar 7. Diagram Sistem Penentuan Posisi Robot

  Robot ini memiliki 3 Input yang diperoleh dari 3 sensor yaitu Sensor Front (F), sensor Left (L) dan sensor Right (R). Input dari 3 sensor ini kemudian diproses menggunakan Fuzzy Logic yang akan menghasilkan Output berupa posisi robot. Kendali cerdas pada robot ini menggunakan kendali cerdas Fuzzy Logic menggunakan metode Mamdani. Kendali cerdas ini disimulasikan melalui aplikasi Mathlab.Proses pertama adalah pengambilan data menggunakan sensor. Setelah pengambilan data selesai, ketiga data tersebut kemudian disimpan kedalam variabel F, R dan L.

  Gambar 10. Output Dari FRL

  Untuk menentukan kemiringan / gradien disetiap

  subset dapat menggunakan rumus garis miring atau

  F, R dan L memiliki rentang nilai dari 5 gradien yaitu : sampai 30, memiliki 3 Membership Function yaitu

  =

  Low, Med, dan High. Output memiliki rentang nilai 1− 2

  ................................................................. (3) dari 0 sampai 4 yang terdiri dari 5Membership

  1− 2 Function yaitu Belok Kanan, Serong Kanan, Maju,

  Dengan rentang nilai Input pada fuzzy Serong Kiri dan Belok Kiri dan memiliki 27 Rule. (sumbu x) dari 5 – 30 (Low & High) dan titik tengah

  Dalam kendali cerdas Fuzzy Logic ini memiliki 3 (Med) dengan nilai 17.5 dan ketinggian (sumbu y)

  Input yaitu F, R dan L. Masing – masing dibangun

  yaitu 1, dengan titik tengah memiliki nilai 17.5 dan dengan Fuzzy Set yang memiliki 3 Linguistic Value rentang lebar Subset Med adalah 20 di setiap sisi kiri yaitu Low, Med dan High. Maka jumlah Rule Base dan kanan memiliki lebar 10 maka jika dimasukkan yang harus dibangun dengan menggunakan kedalam rumus gradien seperti berikut : 0 − 1 persamaan 1 adalah:

  3

  = n = (3) = 27

  Rules

  10 − 1 = −0,1 Maka kemiringan yang akan dibangun pada

  Maka Rule Base yang harus dibangun

  Fuzzy Subset adalah -0,1 yang ditunjukkan pada adalah 27 Rule.

  gambar berikut :

  Gambar 8. Proses F &R & L

  

Bintang, dkk., Penerapan Fuzzy Logic Pada Behavior Based Control (BBC) Pada Robot Quadpod

Tabel 2. Rule F & R & L No F R L Act

  1 Low Low Med Luas Kiri

  2 Low Low High Luas Kiri

  3 Low Med High Luas Kiri

  4 Med Low Med Miring Kanan

  5 Med Low High Miring Kanan

  6 High Low Med Miring Kanan

  7 High Low High Miring Kanan

  8 Med Low Low Luas Depan

  9 Med Med Med Luas Depan

  10 Med Med High Luas Depan

  11 Med High Med Luas Depan

  Gambar 12. Diagram Sistem Penentuan Gerak Robot

  12 Med High High Luas Depan

  13 High Low Low Luas Depan

  3.2 Pengujian Fuzzy Logic

  14 High Med Med Luas Depan Pengujian Fuzzy Logic dilakukan secara

  15 High Med High Luas Depan simulasi melalui Mathlab. Nilai input sebagai

  16 High High Med Luas Depan parameter pengganti F, R dan L ditentukan sesuai

  17 High High High Luas Depan prediksi kemungkinan yang akan terjadi yang

  18 Med Med Low Miring Kiri nantinya akan menghasilkan keputasan Posisi robot.

  19 Med High Low Miring Kiri

  3.2.1 Posisi Luas Depan

  20 High Med Low Miring Kiri Pada Tabel 2,Untuk mendapatkan gerakan

  21 High High Low Miring Kiri maju maka data prediksi yang akan digunakan

  22 Low Low Low Luas Kanan adalah F = 29, R = 24 dan L = 25. Rule yang

  23 Low Med Low Luas Kanan digunakan adalah Rule ke 17. Data ini telah di uji

  24 Low High Low Luas Kanan coba melalui Mathlab dan hasil akhirnya adalah 2,

  25 Low Med Med Luas Kanan pada gambar 10 menunjukkan bahwa posisi 2

  26 Low High Med Luas Kanan mengarah pada posisi luas depan sesuai dengan Rule

  27 Low High High Luas Kanan yang sudah ditentukan. Jika dilakukan perhitungan secara matematis maka persamaan yang digunakan

  Setelah proses FRL selesai, Output yang adalah persamaan Triangular Membership Function didapat berupa posisi robot, kemudian diolah pada tabel 1. Data yang dimiliki adalah F = 29, R = kembali menggunakan Behavior Based Control 24 dan L = 25. Rule yang digunakan adalah Rule ke dengan input berupa posisi robot, kemudian Output 17 yaitu : yang dihasilkan berupa gerakan robot. Tahap pertama yaitu membangun Fuzzy

  Subset dengan data F menggunakan Rule High

  Sistem Penentuan Gerak Robot sesuai dengan Tabel 2. Nilai a, b dan c adalah a = 20, b = 30 dan c = 30. Maka persamaan yang digunakan adalah:

  − µ( , , , ) = ≤ ≤

  −

  jika semua data F dimasukkan maka akan

  Gambar 11. Diagram Sistem Penentuan Gerak Robot

  menjadi :

  29−20

  Setelah mendapatkan input berupa posisi

  µ(29,20,30,30) = ≤ ≤ 30−20

  robot kemudian diproses menggunakan Behavior maka hasilnya adalah :

  Based Control yang akan menghasilkan Output

  = 0.9 berupa gerak robot.

  Kemudian membangun Fuzzy Subset dengan data R menggunakan Rule High sesuai dengan Tabel 2. Jika data R dimasukkan maka akan menjadi :

  24−20 µ(24,20,30,30) = ≤ ≤

  30−20

  maka hasilnya adalah : = 0.4

  Kemudian membangun Fuzzy Subset dengan data L menggunakan Rule High sesuai dengan Tabel 2. Jika data L dimasukkan maka akan menjadi :

  25−20 µ(25,20,30,30) = ≤ ≤

  30−20 JUST TI, Volume 9 Nomor 2, Juli 2017: 83-89

  maka hasilnya adalah : = 0.5

  0,56+1,04 0,8

  3.3.1 Gerakan Maju

  Pengujian BBC dilakukan secara simulasi melalui Mathlab. Nilai input / Stimulus sebagai ditentukan melalui Outputi Fuzzy Logic berupa posisi robot.

  Robot berada di Lorong Maju

  Serong Kiri 2.5 – 3.5 Serong Kanan 1.5 – 2.5

  Keadaan tidak lurus / miring/ serong

  0.5 - 1.5 Robot dalam

  Belok Kiri 3.5 - 4 Belok Kanan

  0 – 0.5 Robot dalam Posisi Belokan

  Tabel 3. Pengujian BBC Posisi BBC Output

  3.3 Pengujian BBC Input pada pengujian BBC diambil dari Output Fuzzy Logic berupa posisi robot.

  Gambar 18. Pembuktian Posisi Luas Depan Pada Mathlab

  = 2 Jadi hasil Defuzzification adalah 2, maka hasil Defuzzification dinyatakan benar sesuai dengan uji coba Mathlab pada simulasi proses Luas Depan.

  =

  Setelah Fuzzy Subset , , selesai dibangun, kemudian hasil dari Fuzzy Subset dibangun kedalam Grafik 2D. Berikut grafik 2D dari setiap Fuzzy Subset:

  (1∗0)+ (1,4∗0,4)+ (2,6∗0,4)+ (3∗0) 0+0,4+0,4+0

  Hasil Defuzzification dari gambar 5.18 menggunakan persamaan 2 dapat diperoleh : x c =

  1 3 1,4 2,6 Gambar 17. Hasil Agregasi

  Centroid. 0,4

  menggunakan lebih dari 1 Rule, tetapi dalam percobaan ini hanya menggunakan 1 Rule jadi nilai yang digunakan adalah 0,4 hasil dari Inferensi. setelah tahap Agregasi selesai, maka selanjutnya adalah tahap Defuzzifikasi menggunakan metode

  Max atau tertinggi. Agregasi dilakukan jika

  Tahap ini menggunakan Agregasi dengan Operator

  20 24 1 0,4 30 0,9 20 29 1 20 25 1 0,5 0,4 Gambar 16. Hasil Inferensi dari F,R dan L dalam satu Rule Tahap Selanjutnya adalah Agregasi Output.

  Setelah melakukan Fuzzy Subset, selanjutnya adalah melakukan Inferensi (Penalaran). Inferensi menggunakan Operator Implikasi Min atau nilai terkecil dari seluruh Input dalam satu Rule. Berikut adalah hasil dari Inferensi F,R dan L dalam satu Rule.

  20 30 25 1 0,5 20 25 1 0,5 Gambar 15. Grafik Fuzzy Subset L

  20 30 24 1 0,4 20 24 1 0,4 Gambar 14. Grafik Fuzzy Subset R =

  20 30 29 = 1 0,9 20 30 29 1 0,9 Gambar 13. Grafik Fuzzy Subset F =

  Nilai Output Fuzzy Logic pada pembuktian luas depan pada gambar 18 adalah 2, dalam pengujian BBC pada simulink menghasilkan gerakan Maju.

  

Bintang, dkk., Penerapan Fuzzy Logic Pada Behavior Based Control (BBC) Pada Robot Quadpod

  Untuk meningkatkan kemampuan deteksi robot maka perlu adanya ditambahkan sensor lagi agar dapat menentukan kondisi posisi robot lebih akurat

  REFERENSI [1] Adriansyah, A. (2008). Pengendali robot

  bergerak berbasis perilaku menggunakan

  Particle Swarm Fuzzy Controller : ISSN 1979 –

  2328

  [2] Djunaidi, M. (2005). Penentuan jumlah

  produksi dengan aplikasi metode Fuzzy –

  Mamdani : Vol. 4, No. 2 [3] Kuswadi, S. (2009). Robotika: Ilham dari sistem

  biologi – simulasi dan realisasinya. Bali

  [4] Rully, M. Iqbal. (2012). Implementasi Sistem Navigasi Behavior-Based Robotic dan Kontroler Fuzzy pada Manuver Robot Cerdas Pemadam Api :

  Vol. 1, No. 1, 1 & 3

  Gambar 19. Pembuktian keputusan gerak maju pada simulink IV.

KESIMPULAN DAN SARAN

  4.1 Kesimpulan

  Data F, R dan L dibangkitkan secara

  Random. Pengujian dilakukan diseluruh Basic

  gerakan robot menggunakan simulasi Mathlab. Pada posisi luas depan, data Random yang digunakan adalah F = 29, R = 24 dan L = 25. Hasil dari Mathlab kemudian dibuktikan menggunakan proses secara matematis dan hasil yang didapat pada Mathlab dan proses matematis adalah 2, dimana nilai 2 termasuk kedalam posisi luas depan. Pada posisi luas Kiri, data Random yang digunakan adalah F = 7, R = 5 dan L = 22. Data ini telah di uji coba melalui Mathlab dan hasil akhirnya adalah 0.369, dimana nilai 0.369 adalah posisi luas Kiri. Pada posisi luas kanan, data

  Random yang digunakan adalah F = 5, R = 28 dan L

  = 22. Data ini telah di uji coba melalui Mathlab dan hasil akhirnya adalah 3.63, dimana nilai 3.63 adalah posisi luas Kanan. Pada posisi miring kiri, data

  Random yang digunakan adalah F = 14, R = 8 dan L

  = 23. Data ini telah di uji coba melalui Mathlab dan hasil akhirnya adalah 1.24, dimana nilai 1.24 adalah posisi miring Kiri. Pada posisi miring kanan, data

  Random yang digunakan adalah F = 11, R = 26 dan

  L = 7. Data ini telah di uji coba melalui Mathlab dan hasil akhirnya adalah 3.12, dimana nilai 3.12 adalah posisi miring Kanan. Pada pengujian BBC menggunakan data Luas Depan dengan nilai 2 yang menyatakan gerakan Maju.

  4.2 Saran

  Setelah menyelesaikan penelitian dalam Tugas Akhir ini maka terdapat beberapa hal yang dapat dijadikan sebagai saran untuk tindak lanjut hasil penelitian dimaksud, antara lain : 1.

  Hasil penelitian ini dapat dilanjutkan dalam bentuk penerapan langsung ke robot atau mengembangkan lagi dari sisi Fuzzy Logic atau mengembangkan Behavior Based

  Control