Simulasi Pengontrol Lengan Robot Dua Sendi Dengan Metode Kendali Anfis.
ABSTRAK
Perkembangan teknologi yang semakin pesat, membuat semakin sedikitnya suatu industri yang memakai operator dalam menjalankan suatu proses produksi. Pada saat ini, kontrol otomatis lebih banyak dipakai sebagai pengganti kontrol manual. Salah satu contohnya dengan menggunakan robot (khususnya lengan robot). Permasalahan yang sering timbul adalah cara membangun suatu pengontrol agar lengan robot dapat mencapai set point. Oleh karena itu, pada tugas akhir ini dibuat simulasi suatu pengontrol ANFIS dalam mengimplementasikan pengontrol lengan robot dua sendi.
Pengontrol ANFIS (Adaptive Neuro Fuzzy Inference System) dipilih karena dapat menggabungkan antara kemampuan manusia dengan kontrol komputer. ANFIS juga tidak membutuhkan perhitungan matematika yang rumit dalam mengimplementasikan suatu sistem kendali non linear.
Realisasi suatu pengontrol ANFIS dibutuhkan sejumlah pasangan data latih. Data latih yang digunakan diambil secara manual pada model lengan robot dua sendi berukuran panjang lengan pangkal = 30 cm dan lengan ujung = 20 cm. ANFIS akan melakukan penalaan pada pasangan data latih tersebut sehingga akan diperoleh pasangan input-output pada tiap posisi di antara daerah kerja yang dilatih. Dua algoritma pengontrol yang digunakan yaitu pengontrol terpisah dan pengontrol yang berhubungan dengan menggunakan Simulink dan Fuzzy Logic Toolbox Matlab.
Hasil pengamatan dan pengujian data latih sebanyak 20 trayektori menunjukkan bahwa dalam pencapaian set point dari simulasi pengontrol terpisah menunjukkan error sebesar 7.009647513 % untuk posisi x dan 1.608558943 % untuk posisi y. Pada simulasi pengontrol berhubungan, error sebesar 5.898190654 % untuk posisi x dan 4.019088568 % untuk posisi y. Rata-rata bentuk trayektori dari hasil pengontrol ANFIS maupun data percobaan secara keseluruhan yaitu melengkung menuju ke posisi y. Penggunaan pengontrol ANFIS yang terpisah dapat menghasilkan bentuk trayektori, respon θ1 dan θ2 terhadap waktu lebih baik dibandingkan jika digunakan pengontrol berhubungan.
(2)
ABSTRACT
The fast progress in technology, has made an industry recruits less workers to be the operators for production processing. Nowadays, automatic control machines are prefered used to manual one. For example by using robot, especially robot arm. The problem which often come is to establish a controller, in order the robot arm can reach the set point. It is therefore, in this final project the simulation of ANFIS controller of two joints robot arm is made.
An ANFIS controller (Adaptive Neuro Fuzzy Inference System) is selected because it can join ability of human being with computer control. ANFIS not requires complicated mathematics calculation in implementing a non linear control system.
The realization of ANFIS controller required a number of training data. Training data is use to be taken manually at two joints robot arm model, in which the length of the arm = 30 cm and tip of the arm = 20 cm. ANFIS will be tuning a number of training data, so that will be obtained an input-output couple in every position among the trained working area. Two controllers algorithm are used, they are the separated controller and the related controller using Simulink and Fuzzy Logic Toolbox Matlab.
The result of observation and testing training data as many as 20 trajectory indicate that in the attainment of set point from the separated controller simulation show error 7.009647513 % for the position of x and 1.608558943 % for the position of y. At the related controller simulation, error 5.898190654 % for the position of x and 4.019088568 % for the position of y. The average form of trajectory ANFIS controller and the testing data is tortous to go to position y. The usage of separated controller ANFIS can produce trajectory form, for time respon θ1 and θ2 is more better than using related controller.
(3)
DAFTAR ISI
LEMBAR PENGESAHAN SURAT PERNYATAAN
ABSTRAK……….. i
ABSTRACT... ii
KATA PENGANTAR……… iii
DAFTAR ISI……….. v
DAFTAR GAMBAR………. viii
DAFTAR TABEL……….. xiv
DAFTAR PERSAMAAN……….. xv
I. PENDAHULUAN I.1 Latar Belakang……… 1
I.2 Identifikasi Masalah……… 1
I.3 Tujuan………. 2
I.4 Pembatasan Masalah………... 2
I.5 Spesifikasi Alat……… 2
I.6 Sistematika Penulisan……….. 2
II. TEORI PENUNJANG II. 1 Sistem Kendali Non Linear………. 4
II. 2 Teori Dasar Kendali ANFIS……….. 5
II.2.1 Fuzzy Inference System (FIS)……….. 5
II. 2.1.1 Fuzzy Logic……… 7
II. 2.1.2 Membership Functions (Fungsi keanggotaan)……… 8
II. 2.1.3 Logical Operations (Operasi Logika)……….... 9
II. 2.1.4 Aturan-aturan If-Then………. 9
II. 2.1.5 Macam-macam FIS……….... 10
(4)
II. 2.2 Jaringan Adaptif……… 13
II.3 Algoritma Backpropagation untuk Jaringan Umpan Maju……… 14
II.4 ANFIS (Adaptive Neuro Fuzzy Inference System)………... 16
III. PERANCANGAN DAN SIMULASI III.1 Perancangan Pengontrol ANFIS……… 20
III.1.1 Mengumpulkan Pasangan Data Latih Input-Output………... 20
III.1.2 Penentuan Banyak dan Bentuk Fungsi Keanggotaan………. 21
III.1.3 Melakukan Pelatihan ANFIS……….. 22
III.2 Perancangan Model Pengontrol Lengan Robot Dua Sendi……… 25
IV. PENGUJIAN DAN PENGAMATAN DATA IV.1 Pengamatan dan Pengujian Perangkat Lunak ANFIS……….. 29
IV.1.1 Arsitektur ANFIS……….. 29
IV.1.2 Pengamatan Perubahan Nilai Output ……… 32
IV.1.3 Pengamatan Fungsi Keanggotaan Input-Output……… 37
IV.1.4 Pengamatan Hasil Penalaan Kurva Fungsi Keanggotaan Input……. 40
IV.1.5 Aturan Fuzzy If-Then dan Struktur Model ANFIS……… 50
IV.2 Pengamatan dan Pengujian Data Hasil Simulasi……… 53
IV.2.1 Perbandingan Posisi Akhir Lengan Robot (Antara Set Point dan Pengontrol ANFIS)………. 54
IV.2.2 Trayektori Perpindahan Lengan Robot, Respon θ1 Terhadap Waktu dan Respon θ2 Terhadap Waktu……… 59
IV.3 Perbandingan Bentuk Trayektori Lengan Robot dari Data Percobaan dan Pelatihan ANFIS……….. 75
V. KESIMPULAN DAN SARAN V.1 Kesimpulan………. 83
V.2 Saran……… 84
(5)
DAFTAR PUSTAKA………... 85
LAMPIRAN A : DATA PERCOBAAN UNTUK PELATIHAN ANFIS
LAMPIRAN B : HASIL SIMULASI PENGONTROL TERPISAH DAN PENGONTROL BERHUBUNGAN DARI DATA LATIH LAMPIRAN C : HASIL SIMULASI PENGONTROL TERPISAH DAN
PENGONTROL BERHUBUNGAN BUKAN DARI DATA LATIH
(6)
DAFTAR GAMBAR
Gambar II.1 Fuzzy Inference System………. 6
Gambar II.2 FIS dengan dua input dan dua aturan……… 7
Gambar II.3 Mamdani Fuzzy Inference System………. 10
Gambar II.4 Tsukamoto Fuzzy Inference System……….. 12
Gambar II.5 Jaringan adaptif dengan dua input dan dua output……… 13
Gambar II.6 (a) Pengambilan kesimpulan model fuzzy Sugeno tingkat pertama dengan dua input (b) Arsitektur ANFIS……… 19
Gambar II.7 (a) Arsitektur ANFIS model fuzzy Sugeno orde pertama dengan dua input yang memiliki sembilan aturan (b) Ruang input dua dimensi yang dibagi menjadi sembilan daerah Fuzzy……… 18
Gambar III.1 Model lengan robot dua sendi……… 19
Gambar III.2 Fuzzy Logic Toolbox……….. 21
Gambar III.3 Diagram alir simulasi pengontrol lengan robot dua sendi (dengan pengontrol terpisah)……… 24
Gambar III.4 Diagram blok simulink pengontrol lengan robot dua sendi (dengan pengontrol terpisah)……… 25
Gambar III.5 Diagram alir simulasi pengontrol lengan robot dua sendi (dengan pengontrol yang berhubungan)………... 26
Gambar III.6 Diagram blok simulink pengontrol lengan robot dua sendi (dengan pengontrol yang berhubungan)………... 27
Gambar IV.1 Diagram nilai input-output untuk (27.6,39)……… 33
Gambar IV.2 Diagram nilai input-output untuk (27.6,39)……… 33
Gambar IV.3 Diagram nilai input-output untuk (30.4,23.6)………. 34
Gambar IV.4 Diagram nilai input-output untuk (30.4,23.6,1.204277148)……… 34
Gambar IV.5 Fungsi keanggotaan input-output untuk simulasi pengontrol terpisah (fuzzy logic controller ‘ro’)……….. 37
(7)
Gambar IV.6 Fungsi keanggotaan input-output untuk simulasi pengontrol terpisah (fuzzy logic controller ‘ri’)……… 37 Gambar IV.7 Fungsi keanggotaan input-output untuk simulasi pengontrol yang berhubungan (fuzzy logic controller ‘lengan1’)……….... 38 Gambar IV.8 Fungsi keanggotaan input-output untuk simulasi pengontrol yang
berhubungan (fuzzy logic controller ‘lengan2’)……….... 38 Gambar IV.9 Fungsi keanggotaan input 1 sebelum dilakukan pelatihan ANFIS
(simulasi pengontrol terpisah untuk fuzzy logic controller ‘ro’)…….. 40 Gambar IV.10 Fungsi keanggotaan input 1 setelah dilakukan pelatihan ANFIS
(simulasipengontrol terpisah untuk fuzzy logic controller ‘ro’)……… 40 Gambar IV.11 Fungsi keanggotaan input 2 sebelum dilakukan pelatihan ANFIS (simulasipengontrol terpisah untuk fuzzy logic controller ‘ro’)……… 41 Gambar IV.12 Fungsi keanggotaan input 2 setelah dilakukan pelatihan ANFIS
(simulasi pengontrol terpisah untuk fuzzy logic controller ‘ro’)... 41 Gambar IV.13 Fungsi keanggotaan input 1 sebelum dilakukan pelatihan ANFIS
(simulasi pengontrol terpisah untuk fuzzy logic controller ‘ri’)……... 42 Gambar IV.14 Fungsi keanggotaan input 1 setelah dilakukan pelatihan ANFIS
(simulasi pengontrol terpisah untuk fuzzy logic controller ‘ri’)……... 42 Gambar IV.15 Fungsi keanggotaan input 2 sebelum dilakukan pelatihan ANFIS
(simulasi pengontrol terpisah untuk fuzzy logic controller ‘ri’)……... 43 Gambar IV.16 Fungsi keanggotaan input 2 setelah dilakukan pelatihan ANFIS
(simulasi pengontrol terpisah untuk fuzzy logic controller ‘ri’)……... 43 Gambar IV.17 Fungsi keanggotaan input 1 sebelum dilakukan pelatihan ANFIS
(simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan1’)……… 44 Gambar IV.18 Fungsi keanggotaan input 1 setelah dilakukan pelatihan ANFIS
(simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan1’)……… 44 Gambar IV.19 Fungsi keanggotaan input 2 sebelum dilakukan pelatihan ANFIS
(simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan1’)……… 45
(8)
Gambar IV.20 Fungsi keanggotaan input 2 setelah dilakukan pelatihan ANFIS (simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan1’)………. 45 Gambar IV.21 Fungsi keanggotaan input 1 sebelum dilakukan pelatihan ANFIS (simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan2’)………. 46 Gambar IV.22 Fungsi keanggotaan input 1 setelah dilakukan pelatihan ANFIS (simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan2’)………. 46 Gambar IV.23 Fungsi keanggotaan input 2 sebelum dilakukan pelatihan ANFIS (simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan2’)………. 47 Gambar IV.24 Fungsi keanggotaan input 2 setelah dilakukan pelatihan ANFIS (simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan2’)………. 47 Gambar IV.25 Fungsi keanggotaan input 3 sebelum dilakukan pelatihan ANFIS (simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan2’)………. 48 Gambar IV.26 Fungsi keanggotaan input 3 setelah dilakukan pelatihan ANFIS (simulasi pengontrol yang berhubungan untuk fuzzy logic controller ‘lengan2’)………. 48 Gambar IV.27 Struktur model ANFIS untuk fuzzy logic controller ‘ro’,’ri’ dan ‘lengan1’……….. 51 Gambar IV.28 Struktur model ANFIS untuk fuzzy logic controller ‘lengan2’…… 53 Gambar 1V.29.1 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (18.2,46.1) dan posisi akhir (27.6,39) dari simulasi
pengontrol terpisah……….. 59 Gambar IV.29.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu
untuk posisi awal (18.2,46.1) dan posisi akhir (27.6,39)………….. 59
(9)
Gambar 1V.30.1 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (18.2,46.1) dan posisi akhir (27.6,39) dari simulasi pengontrol yang berhubungan……….. 60 Gambar IV.30.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu
untuk posisi awal (18.2,46.1) dan posisi akhir (27.6,39)…………... 60 Gambar 1V.31.1 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (44.7,20.5) dan posisi akhir (47.7,8.3) dari simulasi
pengontrol terpisah………. 61 Gambar IV.31.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu
untuk posisi awal (44.7,20.5) dan posisi akhir (47.7,8.3)…………. 61 Gambar 1V.32.1 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (44.7,20.5) dan posisi akhir (47.7,8.3) dari simulasi
pengontrol yang berhubungan………. 62 Gambar IV.32.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu
untuk posisi awal (44.7,20.5) dan posisi akhir (47.7,8.3)…………. 62 Gambar 1V.33.1 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (45.2,12.2) dan posisi akhir (42.7,3.5) dari simulasi
pengontrol terpisah………. 63 Gambar IV.33.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu
untuk posisi awal (45.2,12.2) dan posisi akhir (42.7,3.5)…... 63 Gambar 1V.34.1 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (45.2,12.2) dan posisi akhir (42.7,3.5) dari simulasi
pengontrol yang berhubungan……… 64 Gambar IV.34.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu
untuk posisi awal (45.2,12.2) dan posisi akhir (42.7,3.5)…………. 64 Gambar 1V.35.1 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (38.1,32.2) dan posisi akhir (43.6,23.3) dari simulasi
pengontrol terpisah……… 65 Gambar IV.35.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu
untuk posisi awal (38.1,32.2) dan posisi akhir (43.6,23.3)……….. 65
(10)
Gambar 1V.36.1 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (38.1,32.2) dan posisi akhir (43.6,23.3) dari simulasi
pengontrol yang berhubungan………... 66 Gambar IV.36.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu
untuk posisi awal (38.1,32.2) dan posisi akhir (43.6,23.3)………... 66 Gambar 1V.37.1 Trayektori perpindahan lengan robot dari data yang tidak dilatih
dengan posisi awal (17.5,43.4) dan posisi akhir (29.6,33.3) dari simulasi pengontrol terpisah……….. 67 Gambar IV.37.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu
untuk posisi awal (17.5,43.4) dan posisi akhir (29.6,33.3)………... 67 Gambar 1V.38.1 Trayektori perpindahan lengan robot dari data yang tidak dilatih
dengan posisi awal (17.5,43.4) dan posisi akhir (29.6,33.3) dari simulasi pengontrol yang berhubungan………. 68 Gambar IV.38.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu
untuk posisi awal (17.5,43.4) dan posisi akhir (29.6,33.3)………... 68 Gambar 1V.39.1 Trayektori perpindahan lengan robot dari data yang tidak dilatih
dengan posisi awal (41.6,16) dan posisi akhir (38.8,8.1) dari
simulasi pengontrol terpisah………... 69 Gambar 1V.39.2 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (41.6,16) dan posisi akhir (38.8,8.1) dari
simulasi pengontrol terpisah………... 69 Gambar 1V.40.1 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (41.6,16) dan posisi akhir (38.8,8.1) dari
simulasi pengontrol yang berhubungan……….. 70 Gambar IV.40.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu
untuk posisi awal (41.6,16) dan posisi akhir (38.8,8.1)………. 70 Gambar 1V.41.1 Trayektori perpindahan lengan robot dari data yang tidak dilatih
dengan posisi awal (28.1,23.8) dan posisi akhir (32.3,15.8) dari simulasi pengontrol terpisah………. 71 Gambar IV.41.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu
untuk posisi awal (28.1,23.8) dan posisi akhir (32.3,15.8)... 71
(11)
Gambar 1V.42.1 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (28.1,23.8) dan posisi akhir (32.3,15.8) dari simulasi pengontrol yang berhubungan……… 72 Gambar IV.42.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu
untuk posisi awal (28.1,23.8) dan posisi akhir (32.3,15.8)……….. 72 Gambar 1V.43.1 Trayektori perpindahan lengan robot dari data yang tidak dilatih
dengan posisi awal (21,39.3) dan posisi akhir (28.4,29.5) dari
simulasi pengontrol terpisah………. 73 Gambar IV.43.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu
untuk posisi awal (21,39.3) dan posisi akhir (28.4,29.5)…... 73 Gambar 1V.44.1 Trayektori perpindahan lengan robot dari data yang tidak dilatih
dengan posisi awal (21,39.3) dan posisi akhir (28.4,29.5) dari
simulasi pengontrol yang berhubungan………. 74 Gambar IV.44.2 Plot respon θ1 terhadap waktu dan respon θ2 terhadap waktu
untuk posisi awal (21,39.3) dan posisi akhir (28.4,29.5)…... 74 Gambar IV.45.1 Bentuk seluruh trayektori yang diambil untuk data percobaan……. 75 Gambar IV.45.2 Bentuk trayektori untuk posisi antara (25,0) sampai dengan (35,50) 76 Gambar IV.45.3 Bentuk trayektori untuk posisi antara (20,35) sampai dengan (50,35) 76
(12)
DAFTAR TABEL
Tabel IV.1 Perbandingan output percobaan dengan output hasil pelatihan ANFIS untuk simulasi pengontrol terpisah……… 35 Tabel IV.2 Perbandingan output percobaan dengan output hasil pelatihan ANFIS untuk simulasi pengontrol yang berhubungan……… 36 Tabel IV.3 Perbandingan posisi akhir lengan robot (antara set point dan pengontrol ANFIS) dari data latih dengan menggunakan simulasi pengontrol yang terpisah……… 54 Tabel IV.4 Perbandingan posisi akhir lengan robot (antara set point dan pengontrol ANFIS) dari data latih dengan menggunakan simulasi pengontrol yang berhubungan……… 55 Tabel IV.5 Perbandingan posisi akhir lengan robot (antara set point dan pengontrol ANFIS) dari data yang tidak dilatih dengan menggunakan simulasi
pengontrol yang terpisah………. 56 Tabel IV.6 Perbandingan posisi akhir lengan robot (antara set point dan pengontrol ANFIS) dari data yang tidak dilatih dengan menggunakan simulasi
pengontrol yang berhubungan………. 57
(13)
DAFTAR PERSAMAAN
Persamaan II.1………12
Persamaan II.2………12
Persamaan II.3………14
Persamaan II.4………15
Persamaan II.5………15
Persamaan II.6………15
Persamaan II.7………15
Persamaan II.8………15
Persamaan II.9………16
Persamaan II.10………..16
Persamaan II.11………..16
Persamaan II.12………..17
Persamaan II.13………..18
Persamaan II.14………..18
Persamaan II.15………..18
Persamaan II.16………..18
Persamaan II.17………..18
(14)
LAMPIRAN A
DATA PERCOBAAN UNTUK PELATIHAN ANFIS
(15)
Tabel A1 Data percobaan untuk pelatihan ANFIS dari 20 buah trayektori
Trayektori X (cm) Y (cm) tetta 1 (rad) tetta 2(rad)
1 0 50 1.57079628 0.078539814 1 49.95 1.57079628 0.104719752
2.1 49.9 1.57079628 0.165806274 3.1 49.8 1.562069634 0.200712858 4.1 49.6 1.553342988 0.21816615 5.15 49.5 1.535889696 0.226892796 6.1 49.4 1.509709758 0.21816615 7.1 49.3 1.48352982 0.183259566 8.1 49.1 1.457349882 0.183259566 9.2 48.9 1.431169944 0.183259566 10.2 48.7 1.413716652 0.200712858 11.2 48.45 1.413716652 0.253072734 12.2 48.1 1.39626336 0.253072734 13.2 47.9 1.378810068 0.253072734 14.15 47.6 1.35263013 0.253072734 15.15 47.25 1.35263013 0.253072734
2 18.2 46.1 1.317723546 0.340339194 18.7 45.7 1.300270254 0.34906584 19.2 45.2 1.274090316 0.357792486 20.6 44.8 1.256637024 0.375245778 21.5 44.3 1.239183732 0.383972424 22.4 43.8 1.230457086 0.39269907 23.2 43.2 1.22173044 0.427605654 24.1 42.65 1.213003794 0.453785592 24.8 42 1.204277148 0.47996553 25.65 41.3 1.195550502 0.514872114 26.3 40.6 1.195550502 0.56723199 26.95 39.85 1.195550502 0.619591866 27.6 39 1.195550502 0.619591866
3 28 31.4 1.282816962 1.195550502 28.45 30.4 1.274090316 1.22173044
28.8 29.5 1.26536367 1.256637024 29.2 28.5 1.247910378 1.291543608 29.4 27.6 1.247910378 1.326450192 29.75 26.6 1.239183732 1.35263013 30 25.6 1.213003794 1.387536714 30.2 24.6 1.204277148 1.413716652 30.4 23.6 1.204277148 1.413716652
4 44.7 20.5 0.549778698 0.375245778 45.1 19.6 0.532325406 0.375245778 45.5 18.6 0.506145468 0.375245778 45.9 17.6 0.488692176 0.375245778 46.3 16.6 0.471238884 0.39269907 46.6 15.6 0.453785592 0.410152362
(16)
Trayektori X (cm) Y (cm) tetta 1 (rad) tetta 2(rad) 47.05 13.5 0.427605654 0.445058946 47.25 12.5 0.418879008 0.462512238 47.4 11.4 0.401425716 0.497418822 47.5 10.4 0.39269907 0.514872114 47.6 9.3 0.375245778 0.532325406 47.7 8.3 0.375245778 0.532325406
5 24 30 1.404990006 1.422443298 24.8 29.3 1.387536714 1.422443298
25.5 28.5 1.35263013 1.422443298 26.3 27.7 1.335176838 1.422443298 27 27 1.3089969 1.422443298 27.65 26.2 1.274090316 1.422443298 28.4 25.4 1.247910378 1.431169944 29 24.6 1.230457086 1.431169944 29.7 23.8 1.204277148 1.43989659 30.3 22.95 1.17809721 1.43989659 30.9 22.1 1.151917272 1.43989659 31.4 21.2 1.125737334 1.43989659 32 20.4 1.099557396 1.43989659 32.5 19.5 1.073377458 1.43989659 33 18.6 1.073377458 1.43989659
6 34.5 34.2 0.968657706 0.514872114 35.2 33.4 0.95993106 0.541052052 35.7 32.6 0.951204414 0.56723199 36.2 31.6 0.942477768 0.602138574 36.6 30.7 0.942477768 0.65449845 36.9 29.8 0.942477768 0.706858326 37.2 28.8 0.942477768 0.750491556 37.4 27.8 0.933751122 0.794124786 37.6 26.9 0.933751122 0.846484662 37.8 25.9 0.933751122 0.881391246 37.9 24.9 0.933751122 0.933751122 37.95 23.8 0.933751122 0.986110998 37.9 22.8 0.933751122 0.986110998
7 18.3 41.3 1.500983112 0.942477768 18.9 40.45 1.500983112 1.00356429 19.5 39.6 1.500983112 1.038470874 20 38.6 1.500983112 1.099557396 20.5 37.7 1.500983112 1.151917272 20.9 36.7 1.500983112 1.195550502 21.3 35.7 1.492256466 1.247910378 21.55 34.7 1.492256466 1.300270254 21.8 33.7 1.492256466 1.35263013 22 32.1 1.492256466 1.404990006 22.1 31.6 1.492256466 1.43989659 22.2 30.5 1.492256466 1.509709758 22.2 29.5 1.492256466 1.562069634
(17)
Trayektori X (cm) Y (cm) tetta 1 (rad) tetta 2(rad) 22.2 28.4 1.492256466 1.562069634
8 40.5 20 0.78539814 0.898844538 41 19 0.767944848 0.898844538 41.4 18.1 0.733038264 0.91629783 41.75 17.1 0.724311618 0.91629783 42 16.1 0.706858326 0.933751122 42.2 15.1 0.69813168 0.95993106 42.35 14.05 0.680678388 0.977384352 42.45 13 0.663225096 0.994837644 42.5 11.9 0.663225096 0.994837644
9 42.3 8.7 0.61086522 1.108284042 42.2 7.65 0.593411928 1.125737334 42 6.6 0.575958636 1.160643918 41.7 5.6 0.575958636 1.195550502 41.3 4.6 0.56723199 1.239183732 40.9 3.6 0.56723199 1.239183732
10 45.2 12.2 0.541052052 0.759218202 45.15 11.15 0.532325406 0.811578078 45 10.1 0.52359876 0.82903137 44.9 9.1 0.52359876 0.8726646 44.7 8.1 0.514872114 0.91629783 44.5 7.1 0.506145468 0.951204414 44 6.2 0.506145468 1.00356429 43.7 5.3 0.506145468 1.055924166 43.2 4.4 0.506145468 1.108284042 42.7 3.5 0.506145468 1.108284042
11 27.3 41.45 1.09083075 0.30543261 28.1 40.75 1.09083075 0.34906584 28.8 40 1.082104104 0.375245778 29.5 39.25 1.082104104 0.4363323 30.1 38.5 1.082104104 0.47996553 30.7 37.7 1.082104104 0.532325406 31.2 36.8 1.082104104 0.584685282 31.8 35.8 1.082104104 0.637045158 32.3 34.9 1.073377458 0.689405034 32.8 33.9 1.073377458 0.733038264 33.1 32.9 1.073377458 0.733038264
12 38.1 32.2 0.750491556 0.183259566 38.75 31.4 0.733038264 0.200712858 39.4 30.55 0.715584972 0.21816615 40 29.7 0.706858326 0.235619442 40.5 28.8 0.689405034 0.253072734 41.1 27.9 0.671951742 0.26179938 41.6 27 0.663225096 0.287979318 42.15 26.1 0.645771804 0.287979318 42.65 25.2 0.628318512 0.30543261 43.15 24.8 0.61086522 0.322885902
(18)
Trayektori X (cm) Y (cm) tetta 1 (rad) tetta 2(rad) 43.6 23.3 0.61086522 0.322885902
13 39.8 14.5 0.78539814 1.17809721 39.4 13.5 0.78539814 1.230457086 39 12.5 0.78539814 1.300270254 38.5 11.6 0.78539814 1.35263013 37.9 10.65 0.78539814 1.387536714 37.3 9.8 0.78539814 1.448623236 36.7 9 0.78539814 1.509709758 36 8.2 0.78539814 1.562069634 35.3 7.4 0.78539814 1.562069634
14 36.6 17.4 0.933751122 1.317723546 36.2 16.4 0.933751122 1.370083422 35.75 15.5 0.933751122 1.43989659 35.2 14.6 0.942477768 1.48352982 34.7 13.7 0.942477768 1.535889696 34 12.8 0.942477768 1.535889696
15 10.4 47.1 1.562069634 0.584685282 11.3 46.5 1.562069634 0.637045158 12.15 45.9 1.562069634 0.689405034 13 45.2 1.562069634 0.74176491 13.8 44.5 1.562069634 0.74176491
16 15 42.8 1.57079628 0.91629783 15.7 42 1.57079628 0.968657706
16.3 41.1 1.57079628 1.029744228 16.9 40.2 1.57079628 1.082104104 17.4 39.3 1.57079628 1.13446398 17.8 38.3 1.57079628 1.195550502 18.2 37.4 1.57079628 1.247910378 18.5 36.3 1.57079628 1.247910378
17 31.5 32.8 1.143190626 0.91629783 31.8 31.8 1.143190626 0.968657706 32 30.7 1.143190626 1.021017582 32.2 29.15 1.143190626 1.073377458 32.3 28.6 1.143190626 1.125737334 32.4 27.5 1.143190626 1.125737334
18 38.7 22.2 0.8726646 0.933751122 39.2 21.3 0.846484662 0.933751122 39.7 20.3 0.820304724 0.951204414 40.2 19.35 0.820304724 0.951204414 40.6 18.3 0.820304724 0.951204414
19 17.4 44.9 1.413716652 0.584685282 18.3 44.2 1.404990006 0.619591866 19.1 43.5 1.404990006 0.671951742 19.9 42.8 1.404990006 0.715584972 20.1 42.05 1.39626336 0.759218202 21.2 41.25 1.39626336 0.811578078 21.9 40.3 1.39626336 0.811578078
(19)
Trayektori X (cm) Y (cm) tetta 1 (rad) tetta 2(rad)
20 23.5 36.9 1.39626336 1.073377458 24.1 36 1.387536714 1.108284042 24.6 35 1.378810068 1.143190626 25.1 34.1 1.370083422 1.17809721 25.5 33.1 1.361356776 1.213003794 25.8 32.1 1.361356776 1.26536367 26 31.1 1.361356776 1.26536367
(20)
LAMPIRAN B
HASIL SIMULASI PENGONTROL TERPISAH DAN
PENGONTROL BERHUBUNGAN DARI DATA LATIH
(21)
Lampiran B
Gambar B1 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (0,50) dan posisi akhir (15.15,47.25) dari simulasi pengontrol terpisah
Gambar B2 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (0,50) dan posisi akhir (15.15,47.25) dari simulasi pengontrol yang berhubungan
(22)
Lampiran B
Gambar B3 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (18.2,46.1) dan posisi akhir (27.6,39) dari simulasi pengontrol terpisah
Gambar B4 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (18.2,46.1) dan posisi akhir (27.6,39) dari simulasi pengontrol yang berhubungan
(23)
Lampiran B
Gambar B5 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (44.7,20.5) dan posisi akhir (47.7,8.3) dari simulasi pengontrol terpisah
Gambar B6 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (44.7,20.5) dan posisi akhir (47.7,8.3) dari simulasi pengontrol yang berhubungan
(24)
Lampiran B
Gambar B7 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (24,30) dan posisi akhir (33,18.6) dari simulasi pengontrol terpisah
Gambar B8 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (24,30) dan posisi akhir (33,18.6) dari simulasi pengontrol yang berhubungan
(25)
Lampiran B
Gambar B9 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (45.2,12.2) dan posisi akhir (42.7,3.5) dari simulasi pengontrol terpisah
Gambar B10 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (45.2,12.2) dan posisi akhir (42.7,3.5) dari simulasi pengontrol yang berhubungan
(26)
Lampiran B
Gambar B11 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (17.4,44.9) dan posisi akhir (21.9,40.3) dari simulasi pengontrol terpisah
Gambar B12 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (17.4,44.9) dan posisi akhir (21.9,40.3) dari simulasi pengontrol yang berhubungan
(27)
Lampiran B
Gambar B13 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (38.1,32.2) dan posisi akhir (43.6,23.3) dari simulasi pengontrol terpisah
Gambar B14 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (38.1,32.2) dan posisi akhir (43.6,23.3) dari simulasi pengontrol yang berhubungan
(28)
Lampiran B
Gambar B15 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (39.8,14.5) dan posisi akhir (35.3,7.4) dari simulasi pengontrol terpisah
Gambar B16 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (39.8,14.5) dan posisi akhir (35.3,7.4) dari simulasi pengontrol yang berhubungan
(29)
Lampiran B
Gambar B17 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (40.5,20) dan posisi akhir (42.5,11.9) dari simulasi pengontrol terpisah
Gambar B18 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (40.5,20) dan posisi akhir (42.5,11.9) dari simulasi pengontrol yang berhubungan
(30)
Lampiran B
Gambar B19 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (23.5,36.9) dan posisi akhir (26,31.1) dari simulasi pengontrol terpisah
Gambar B20 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (23.5,36.9) dan posisi akhir (26,31.1) dari simulasi pengontrol yang berhubungan
(31)
Lampiran B
Gambar B21 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (28,31.4) dan posisi akhir (30.4,23.6) dari simulasi pengontrol terpisah
Gambar B22 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (28,31.4) dan posisi akhir (30.4,23.6) dari simulasi pengontrol yang berhubungan
(32)
Lampiran B
Gambar B23 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (34.5,34.2) dan posisi akhir (37.9,22.8) dari simulasi pengontrol terpisah
Gambar B24 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (34.5,34.2) dan posisi akhir (37.9,22.8) dari simulasi pengontrol yang berhubungan
(33)
Lampiran B
Gambar B25 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (18.3,41.3) dan posisi akhir (22.2,28.4) dari simulasi pengontrol terpisah
Gambar B26 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (18.3,41.3) dan posisi akhir (22.2,28.4) dari simulasi pengontrol yang berhubungan
(34)
Lampiran B
Gambar B27 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (42.3,8.7) dan posisi akhir (40.9,3.6) dari simulasi pengontrol terpisah
Gambar B28 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (42.3,8.7) dan posisi akhir (40.9,3.6) dari simulasi pengontrol yang berhubungan
(35)
Lampiran B
Gambar B29 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (27.3,41.45) dan posisi akhir (33.1,32.9) dari simulasi pengontrol terpisah
Gambar B30 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (27.3,41.45) dan posisi akhir (33.1,32.9) dari simulasi pengontrol yang berhubungan
(36)
Lampiran B
Gambar B31 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (36.6,17.4) dan posisi akhir (34,12.8) dari simulasi pengontrol terpisah
Gambar B32 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (36.6,17.4) dan posisi akhir (34,12.8) dari simulasi pengontrol yang berhubungan
(37)
Lampiran B
Gambar B33 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (10.4,47.1) dan posisi akhir (13.8,44.5) dari simulasi pengontrol terpisah
Gambar B34 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (10.4,47.1) dan posisi akhir (13.8,44.5) dari simulasi pengontrol yang berhubungan
(38)
Lampiran B
Gambar B35 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (15,42.8) dan posisi akhir (18.5,36.3) dari simulasi pengontrol terpisah
Gambar B36 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (15,42.8) dan posisi akhir (18.5,36.3) dari simulasi pengontrol yang berhubungan
(39)
Lampiran B
Gambar B37 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (31.5,32.8) dan posisi akhir (32.4,27.5) dari simulasi pengontrol terpisah
Gambar B38 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (31.5,32.8) dan posisi akhir (32.4,27.5) dari simulasi pengontrol yang berhubungan
(40)
Lampiran B
Gambar B39 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (38.7,22.2) dan posisi akhir (40.6,18.3) dari simulasi pengontrol terpisah
Gambar B40 Trayektori perpindahan lengan robot dari data latih dengan posisi awal (38.7,22.2) dan posisi akhir (40.6,18.3) dari simulasi pengontrol yang berhubungan
(41)
LAMPIRAN C
HASIL SIMULASI PENGONTROL TERPISAH DAN
PENGONTROL BERHUBUNGAN BUKAN DARI DATA
(42)
Lampiran C
Gambar C1 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (17.5,43.4) dan posisi akhir (29.6,33.3) dari simulasi pengontrol terpisah
Gambar C2 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (17.5,43.4) dan posisi akhir (29.6,33.3) dari simulasi pengontrol yang
(43)
Lampiran C
Gambar C3 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (29.5,36) dan posisi akhir (36,24) dari simulasi pengontrol terpisah
Gambar C4 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (29.5,36) dan posisi akhir (36,24) dari simulasi pengontrol yang
(44)
Lampiran C
Gambar C5 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (40.3,26.3) dan posisi akhir (44,15) dari simulasi pengontrol terpisah
Gambar C6 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (40.3,26.3) dan posisi akhir (44,15) dari simulasi pengontrol yang
(45)
Lampiran C
Gambar C7 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (28.5,34) dan posisi akhir (31.5,26.5) dari simulasi pengontrol terpisah
Gambar C8 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (28.5,34) dan posisi akhir (31.5,26.5) dari simulasi pengontrol yang
(46)
Lampiran C
Gambar C9 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (41.6,16) dan posisi akhir (38.8,8.1) dari simulasi pengontrol terpisah
Gambar C10 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (41.6,16) dan posisi akhir (38.8,8.1) dari simulasi pengontrol yang
(47)
Lampiran C
Gambar C11 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (43,23.5) dan posisi akhir (43.6,16.3) dari simulasi pengontrol terpisah
Gambar C12 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (43,23.5) dan posisi akhir (43.6,16.3) dari simulasi pengontrol yang
(48)
Lampiran C
Gambar C13 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (28.1,23.8) dan posisi akhir (32.3,15.8) dari simulasi pengontrol terpisah
Gambar C14 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (28.1,23.8) dan posisi akhir (32.3,15.8) dari simulasi pengontrol yang
(49)
Lampiran C
Gambar C15 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (37,21.5) dan posisi akhir (38,13.5) dari simulasi pengontrol terpisah
Gambar C16 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (37,21.5) dan posisi akhir (38,13.5) dari simulasi pengontrol yang berhubungan
(50)
Lampiran C
Gambar C17 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (21,39.3) dan posisi akhir (28.4,29.5) dari simulasi pengontrol terpisah
Gambar C18 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (21,39.3) dan posisi akhir (28.4,29.5) dari simulasi pengontrol yang berhubungan
(51)
Lampiran C
Gambar C19 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (40.4,26.3) dan posisi akhir (44,15) dari simulasi pengontrol terpisah
Gambar C20 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (40.4,26.3) dan posisi akhir (44,15) dari simulasi pengontrol yang berhubungan
(52)
Lampiran C
Gambar C21 Trayektori Perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (23.3,41.5) dan posisi akhir (31.5,30) dari simulasi pengontrol terpisah
Gambar C22 Trayektori Perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (23.3,41.5) dan posisi akhir (31.5,30) dari simulasi pengontrol yang berhubungan
(53)
Lampiran C
Gambar C23 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (13.2,47.4) dan posisi akhir (28.6,34.5) dari simulasi pengontrol terpisah
Gambar C24 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (13.2,47.4) dan posisi akhir (28.6,34.5) dari simulasi pengontrol yang berhubungan
(54)
Lampiran C
Gambar C25 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (40,24) dan posisi akhir (46,11.5) dari simulasi pengontrol terpisah
Gambar C26 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (40,24) dan posisi akhir (46,11.5) dari simulasi pengontrol yang berhubungan
(55)
Lampiran C
Gambar C27 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (38.3,26.4) dan posisi akhir (43.6,14.6) dari simulasi pengontrol terpisah
Gambar C28 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (38.3,26.4) dan posisi akhir (43.6,14.6) dari simulasi pengontrol yang berhubungan
(56)
Lampiran C
Gambar C29 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (24.2,37.7) dan posisi akhir (31.2,30.8) dari simulasi pengontrol terpisah
Gambar C30 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (24.2,37.7) dan posisi akhir (31.2,30.8) dari simulasi pengontrol yang berhubungan
(57)
Lampiran C
Gambar C31 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (23.3,40) dan posisi akhir (30.8,31.4) dari simulasi pengontrol terpisah
Gambar C32 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (23.3,40) dan posisi akhir (30.8,31.4) dari simulasi pengontrol yang berhubungan
(58)
Lampiran C
Gambar C33 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (40.7,23.6) dan posisi akhir (45,15) dari simulasi pengontrol terpisah
Gambar C34 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (40.7,23.6) dan posisi akhir (45,15) dari simulasi pengontrol yang berhubungan
(59)
Lampiran C
Gambar C35 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (42,19.8) dan posisi akhir (46.4,12.8) dari simulasi pengontrol terpisah
Gambar C36 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (42,19.8) dan posisi akhir (46.4,12.8) dari simulasi pengontrol yang
(60)
Lampiran C
Gambar C37 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (23.4,38.6) dan posisi akhir (33.3,25.7) dari simulasi pengontrol terpisah
Gambar C38 Trayektori perpindahan lengan robot dari data yang tidak dilatih dengan posisi awal (23.4,38.6) dan posisi akhir (33.3,25.7) dari simulasi pengontrol yang
(61)
Lampiran C
Gambar C39 Trayektori Perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (26.5,42.1) dan posisi akhir (33.1,32.9) dari simulasi pengontrol terpisah
Gambar C40 Trayektori Perpindahan lengan robot dari data yang tidak dilatih dengan
posisi awal (26.5,42.1) dan posisi akhir (33.1,32.9) dari simulasi pengontrol yang berhubungan
(62)
Bab I Pendahuluan
BAB I
PENDAHULUAN
Pada bab ini dibahas mengenai latar belakang, identifikasi masalah, tujuan, pembatasan masalah, spesifikasi alat dan sistematika penulisan.
I. 1 Latar Belakang
Dengan perkembangan teknologi yang semakin pesat, tidak dapat dipungkiri bahwa kontrol otomatis dalam suatu industri sangat dibutuhkan sebagai pendukung agar proses produksi dapat berjalan dengan lebih baik. Robot termasuk salah satu teknologi yang sering digunakan dalam sebuah proses industri. Mesin-mesin manual yang harus dikontrol oleh operator setiap saat dapat digantikan robot sehingga proses produksi dapat berjalan lebih efisien dan efektif.
Bagian dari robot yang paling sering digunakan adalah lengan robot. Dalam perealisasian suatu lengan robot tentu tidak mudah karena membutuhkan model matematika yang tepat dan kontrol komputer yang memuaskan. Untuk itu dalam tugas akhir ini akan dipakai suatu metoda kendali ANFIS untuk mengimplementasikan suatu simulasi pengonrol lengan robot dua sendi.
Metoda kendali kendali ANFIS (Adaptive Neuro Fuzzy Inference System) adalah suatu metoda yang penggunaannya sederhana dalam mengimplementasikan suatu sistem kendali non linear. ANFIS tidak memerlukan perhitungan matematika yang rumit dalam pengimplementasiannya. Selain itu, ANFIS dapat menggabungkan kemampuan manusia dengan kontrol komputer dalam merealisasikan suatu pengontrol sistem.
I. 2 Identifikasi Masalah
Bagaimana cara mengimplementasikan pengontrol lengan robot dua sendi dengan menggunakan metoda kendali ANFIS ?
(63)
Bab I Pendahuluan
I. 3 Tujuan
Tujuan dari tugas akhir ini adalah untuk membuat simulasi untuk mengimplementasikan pengontrol lengan robot dua sendi dengan menggunakan metoda kendali ANFIS.
I. 4 Pembatasan Masalah
Pembatasan masalah dalam pengerjaan tugas akhir ini adalah:
• Trayektori lengan robot yang dibuat dibatasi kuadran pertama dan trayektori dibuat tidak saling bertabrakan dengan trayektori lain.
• Variabel inputnya adalah koordinat x dan y yang dibatasi untuk kuadran pertama antara (0≤x≤50 cm) dan (0≤y≤50 cm).
• Variabel outputnya adalah θ1 dan θ2 dibatasi 0 rad (0 derajat) sampai dengan п/2 rad (90 derajat).
I. 5 Spesifikasi Alat
Simulasi pengontrol lengan robot dua sendi dibuat dengan bantuan peralatan sebagai berikut:
• Perangkat keras (hardware) yang digunakan berupa komputer dengan prosesor Intel Pentium IV 3 GHz.
• Perangkat lunak (software) yang digunakan adalah MATLAB versi 6.1.0,
Simulink versi 4.1 dan Fuzzy Logic Toolbox versi 2.2.1.
• Model lengan robot yang digunakan berukuran lengan pangkal (l1 = 30 cm) dan lengan ujung (l2 = 20 cm) dengan perbandingan skala 3:2.
I. 6 Sistematika Penulisan
Sistematika penulisan dalam tugas akhir ini dibagi secara garis besar dalam lima bab, yang meliputi:
• BAB I PENDAHULUAN
Berisi latar belakang, identifikasi masalah, tujuan, pembatasan masalah, spesifikasi alat dan sistematika penulisan.
(64)
Bab I Pendahuluan
• BAB II TEORI PENUNJANG
Pada bab ini akan dibahas mengenai sistem kendali non linear, teori dasar penunjang metoda kendali ANFIS dan akan dijelaskan juga mengenai metoda kendali ANFIS.
• BAB III PERANCANGAN DAN SIMULASI
Pada bab ini akan dibahas mengenai perancangan dan simulasi pengontrol lengan robot dua sendi (pengontrol terpisah dan pengontrol yang berhubungan) dengan menggunakan metoda kendali ANFIS.
• BAB IV PENGUJIAN DAN PENGAMATAN DATA
Pada bab ini akan dibahas mengenai hasil pengujian perangkat lunak ANFIS, pengamatan dan pengujian data hasil kedua simulasi yang telah dilakukan serta perbandingan bentuk trayektori lengan robot dari data percobaan dengan hasil pengontrol ANFIS.
• BAB V KESIMPULAN
Bab ini merupakan bab penutup yang membahas mengenai kesimpulan dan saran-saran untuk perbaikan dan pengembangan lebih lanjut.
(65)
Bab V Kesimpulan dan Saran
BAB V
KESIMPULAN DAN SARAN
V. 1 Kesimpulan
Berdasarkan hasil data pengamatan dan pengujian yang telah dilakukan, dapat diambil beberapa kesimpulan bahwa:
1. Setelah dilakukan pelatihan dengan menggunakan ANFIS, menunjukkan adanya perbedaan output sudut yang dihasilkan sebagai berikut:
• Error untuk output θ1 dari data percobaan yang telah dilatih untuk simulasi pengontrol terpisah maupun pengontrol berhubungan adalah 0.664054957 %.
• Error untuk output θ2 untuk simulasi pengontrol terpisah adalah 2.727892773 %. Sedangkan untuk simulasi pengontrol berhubungan 1.188927714 %.
Perbedaan output hasil pengontrol ANFIS dapat disebabkan karena terjadi penalaan pada output hasil percobaan yang secara keseluruhan dibulatkan dengan maksimal tiga angka di belakang koma.
2. Perhitungan error rata-rata secara keseluruhan dari data latih untuk simulasi pengontrol terpisah adalah 7.009647513 % (untuk posisi x) dan 1.608558943 % (untuk posisi y) dan simulasi pengontrol berhubungan adalah 5.898190654 % (untuk posisi x) dan 4.019088568 % (untuk posisi y).
Perhitungan error rata-rata secara keseluruhan dari data tidak dilatih untuk simulasi pengontrol terpisah adalah 5.89610297 % (untuk posisi x) dan 5.407857323 % (untuk posisi y) dan simulasi pengontrol berhubungan adalah 5.792682487 % (untuk posisi x) dan 9.424621598 % (untuk posisi y).
3. Hasil perbandingan bentuk trayektori lengan robot dari data percobaan dengan pengontrol ANFIS untuk simulasi pengontrol terpisah dan pengontrol berhubungan dapat ditarik kesimpulan:
a. Secara keseluruhan, rata-rata bentuk trayektori antara data percobaan dengan pengontrol ANFIS melengkung. Pada hasil pengontrol ANFIS,
(66)
Bab V Kesimpulan dan Saran
bentuknya lebih bermacam-macam seperti melengkung dengan bergelombang, lengkungan hampir mendekati garis lurus, lengkungan lebih tajam dll.
b. Dari perbandingan arah, 19 dari 20 buah trayektori data percobaan mempunyai arah yang sama dengan hasil pengontrol ANFIS.
c. Untuk pencapaian posisi akhir secara keseluruhan, pengontrol ANFIS harus melewati titik yang lebih banyak dibandingkan dengan data percobaan.
4. Dalam pencapaian set point secara keseluruhan (Lampiran B dan C). Dilihat dari trayektori yang terbentuk, respon θ1 dan θ2 terhadap waktu, lebih baik bila menggunakan simulasi pengontrol terpisah daripada menggunakan simulasi pengontrol yang berhubungan.
V. 2 Saran
1. Simulasi pengontrol lengan robot dua sendi yang telah dibuat dapat ditambahkan dengan suatu animasi lengan robot.
2. Hasil pengontrol ANFIS dalam membangun lengan robot dua sendi untuk mencapai set point dapat diimplementasikan secara nyata (bukan dalam bentuk simulasi).
(67)
DAFTAR PUSTAKA
1. Jang, J.S.R., Gulley, N., Fuzzy Logic Toolbox for Use with MATLAB, The MathWorks Inc., Natick, 1995.
2. Jang, J.S.R., Sun, C.T., Mizutani, E., Neuro – Fuzzy and Soft Computing Hall, Prentice Hall, Inc., New Jersey, 1997.
3. Junus, Stella., Simulasi Trayektori Parkir Kendaraan Menggunakan Metoda Kendali ANFIS, Tugas Akhir , Jurusan Teknik Elektro, Universitas Kristen Maranatha, Bandung, 2005.
4. Kusumadewi, Sri., Purnomo Hari., Aplikasi Logika Fuzzy Untuk Pendukung Keputusan, Penerbit Graha Ilmu, Yogyakarta, 2004.
5. Li, X.W., A Course in Fuzzy Systems and Control, Prentice Hall, Inc., New Jersey, 1997.
6. Muliady, Prototipe Gripper untuk Menggenggam Benda dengan Berbagai Tingkat Kekerasan, Tesis S 2, Institut Teknologi Bandung, 2000.
7. Ogata, Katsuhiko., Teknik Kontrol Automatik Edisi Kedua, PT Penerbit Erlangga, Jakarta, 1997.
8. www.mathworks.com
(1)
Bab I Pendahuluan
BAB I
PENDAHULUAN
Pada bab ini dibahas mengenai latar belakang, identifikasi masalah, tujuan, pembatasan masalah, spesifikasi alat dan sistematika penulisan.
I. 1 Latar Belakang
Dengan perkembangan teknologi yang semakin pesat, tidak dapat dipungkiri bahwa kontrol otomatis dalam suatu industri sangat dibutuhkan sebagai pendukung agar proses produksi dapat berjalan dengan lebih baik. Robot termasuk salah satu teknologi yang sering digunakan dalam sebuah proses industri. Mesin-mesin manual yang harus dikontrol oleh operator setiap saat dapat digantikan robot sehingga proses produksi dapat berjalan lebih efisien dan efektif.
Bagian dari robot yang paling sering digunakan adalah lengan robot. Dalam perealisasian suatu lengan robot tentu tidak mudah karena membutuhkan model matematika yang tepat dan kontrol komputer yang memuaskan. Untuk itu dalam tugas akhir ini akan dipakai suatu metoda kendali ANFIS untuk mengimplementasikan suatu simulasi pengonrol lengan robot dua sendi.
Metoda kendali kendali ANFIS (Adaptive Neuro Fuzzy Inference System) adalah suatu metoda yang penggunaannya sederhana dalam mengimplementasikan suatu sistem kendali non linear. ANFIS tidak memerlukan perhitungan matematika yang rumit dalam pengimplementasiannya. Selain itu, ANFIS dapat menggabungkan kemampuan manusia dengan kontrol komputer dalam merealisasikan suatu pengontrol sistem.
I. 2 Identifikasi Masalah
Bagaimana cara mengimplementasikan pengontrol lengan robot dua sendi dengan menggunakan metoda kendali ANFIS ?
(2)
Bab I Pendahuluan
I. 3 Tujuan
Tujuan dari tugas akhir ini adalah untuk membuat simulasi untuk mengimplementasikan pengontrol lengan robot dua sendi dengan menggunakan metoda kendali ANFIS.
I. 4 Pembatasan Masalah
Pembatasan masalah dalam pengerjaan tugas akhir ini adalah:
• Trayektori lengan robot yang dibuat dibatasi kuadran pertama dan trayektori dibuat tidak saling bertabrakan dengan trayektori lain.
• Variabel inputnya adalah koordinat x dan y yang dibatasi untuk kuadran pertama antara (0≤x≤50 cm) dan (0≤y≤50 cm).
• Variabel outputnya adalah θ1 dan θ2 dibatasi 0 rad (0 derajat) sampai dengan п/2 rad (90 derajat).
I. 5 Spesifikasi Alat
Simulasi pengontrol lengan robot dua sendi dibuat dengan bantuan peralatan sebagai berikut:
• Perangkat keras (hardware) yang digunakan berupa komputer dengan prosesor Intel Pentium IV 3 GHz.
• Perangkat lunak (software) yang digunakan adalah MATLAB versi 6.1.0, Simulink versi 4.1 dan Fuzzy Logic Toolbox versi 2.2.1.
• Model lengan robot yang digunakan berukuran lengan pangkal (l1 = 30 cm) dan lengan ujung (l2 = 20 cm) dengan perbandingan skala 3:2.
I. 6 Sistematika Penulisan
Sistematika penulisan dalam tugas akhir ini dibagi secara garis besar dalam lima bab, yang meliputi:
• BAB I PENDAHULUAN
Berisi latar belakang, identifikasi masalah, tujuan, pembatasan masalah, spesifikasi alat dan sistematika penulisan.
(3)
Bab I Pendahuluan
• BAB II TEORI PENUNJANG
Pada bab ini akan dibahas mengenai sistem kendali non linear, teori dasar penunjang metoda kendali ANFIS dan akan dijelaskan juga mengenai metoda kendali ANFIS.
• BAB III PERANCANGAN DAN SIMULASI
Pada bab ini akan dibahas mengenai perancangan dan simulasi pengontrol lengan robot dua sendi (pengontrol terpisah dan pengontrol yang berhubungan) dengan menggunakan metoda kendali ANFIS.
• BAB IV PENGUJIAN DAN PENGAMATAN DATA
Pada bab ini akan dibahas mengenai hasil pengujian perangkat lunak ANFIS, pengamatan dan pengujian data hasil kedua simulasi yang telah dilakukan serta perbandingan bentuk trayektori lengan robot dari data percobaan dengan hasil pengontrol ANFIS.
• BAB V KESIMPULAN
Bab ini merupakan bab penutup yang membahas mengenai kesimpulan dan saran-saran untuk perbaikan dan pengembangan lebih lanjut.
(4)
Bab V Kesimpulan dan Saran
BAB V
KESIMPULAN DAN SARAN
V. 1 KesimpulanBerdasarkan hasil data pengamatan dan pengujian yang telah dilakukan, dapat diambil beberapa kesimpulan bahwa:
1. Setelah dilakukan pelatihan dengan menggunakan ANFIS, menunjukkan adanya perbedaan output sudut yang dihasilkan sebagai berikut:
• Error untuk output θ1 dari data percobaan yang telah dilatih untuk simulasi pengontrol terpisah maupun pengontrol berhubungan adalah 0.664054957 %.
• Error untuk output θ2 untuk simulasi pengontrol terpisah adalah 2.727892773 %. Sedangkan untuk simulasi pengontrol berhubungan 1.188927714 %.
Perbedaan output hasil pengontrol ANFIS dapat disebabkan karena terjadi penalaan pada output hasil percobaan yang secara keseluruhan dibulatkan dengan maksimal tiga angka di belakang koma.
2. Perhitungan error rata-rata secara keseluruhan dari data latih untuk simulasi pengontrol terpisah adalah 7.009647513 % (untuk posisi x) dan 1.608558943 % (untuk posisi y) dan simulasi pengontrol berhubungan adalah 5.898190654 % (untuk posisi x) dan 4.019088568 % (untuk posisi y).
Perhitungan error rata-rata secara keseluruhan dari data tidak dilatih untuk simulasi pengontrol terpisah adalah 5.89610297 % (untuk posisi x) dan 5.407857323 % (untuk posisi y) dan simulasi pengontrol berhubungan adalah 5.792682487 % (untuk posisi x) dan 9.424621598 % (untuk posisi y).
3. Hasil perbandingan bentuk trayektori lengan robot dari data percobaan dengan pengontrol ANFIS untuk simulasi pengontrol terpisah dan pengontrol berhubungan dapat ditarik kesimpulan:
a. Secara keseluruhan, rata-rata bentuk trayektori antara data percobaan dengan pengontrol ANFIS melengkung. Pada hasil pengontrol ANFIS,
(5)
Bab V Kesimpulan dan Saran
bentuknya lebih bermacam-macam seperti melengkung dengan bergelombang, lengkungan hampir mendekati garis lurus, lengkungan lebih tajam dll.
b. Dari perbandingan arah, 19 dari 20 buah trayektori data percobaan mempunyai arah yang sama dengan hasil pengontrol ANFIS.
c. Untuk pencapaian posisi akhir secara keseluruhan, pengontrol ANFIS harus melewati titik yang lebih banyak dibandingkan dengan data percobaan.
4. Dalam pencapaian set point secara keseluruhan (Lampiran B dan C). Dilihat dari trayektori yang terbentuk, respon θ1 dan θ2 terhadap waktu, lebih baik bila menggunakan simulasi pengontrol terpisah daripada menggunakan simulasi pengontrol yang berhubungan.
V. 2 Saran
1. Simulasi pengontrol lengan robot dua sendi yang telah dibuat dapat ditambahkan dengan suatu animasi lengan robot.
2. Hasil pengontrol ANFIS dalam membangun lengan robot dua sendi untuk mencapai set point dapat diimplementasikan secara nyata (bukan dalam bentuk simulasi).
(6)
DAFTAR PUSTAKA
1. Jang, J.S.R., Gulley, N., Fuzzy Logic Toolbox for Use with MATLAB, The MathWorks Inc., Natick, 1995.
2. Jang, J.S.R., Sun, C.T., Mizutani, E., Neuro – Fuzzy and Soft Computing Hall, Prentice Hall, Inc., New Jersey, 1997.
3. Junus, Stella., Simulasi Trayektori Parkir Kendaraan Menggunakan Metoda Kendali ANFIS, Tugas Akhir , Jurusan Teknik Elektro, Universitas Kristen Maranatha, Bandung, 2005.
4. Kusumadewi, Sri., Purnomo Hari., Aplikasi Logika Fuzzy Untuk Pendukung Keputusan, Penerbit Graha Ilmu, Yogyakarta, 2004.
5. Li, X.W., A Course in Fuzzy Systems and Control, Prentice Hall, Inc., New Jersey, 1997.
6. Muliady, Prototipe Gripper untuk Menggenggam Benda dengan Berbagai Tingkat Kekerasan, Tesis S 2, Institut Teknologi Bandung, 2000.
7. Ogata, Katsuhiko., Teknik Kontrol Automatik Edisi Kedua, PT Penerbit Erlangga, Jakarta, 1997.
8. www.mathworks.com