Ringkasan Paper Implementasi Waktu Nyata

Ringkasan Paper
Implementasi Waktu Nyata Berbasis Sistem Fuzzy Inference
untuk Pengelompokkan Pisang Menggunakan Perangkat DSP
TMS320C6713
Real-time Implementation of a Fuzzy Inference System for Banana
Grading using DSP TMS320C6713 Platform
NOVIANDI (G651140321), NOVI INDAH PRADASARI (G651140151), NURUL
HAQUEQY (G651140441), NORMANIAT GEA (G651140531)
Ringkasan
Logika Fuzzy telah banyak diterapkan dalam berbagai bidang teknologi. Salah satu
penerapannya adalah dalam bidang pertanian untuk proses pengelompokan sample (grading).
Untuk dapat melakukan proses pengidentifikasian, logika fuzzy diimplemetasikan
menggunakan MATLAB. Dalam penelitian ini buah pisang dipilih menjadi objek yang akan
diteliti untuk mengetahui ukuran dari pisang, agar dapat dikelompokkan bedasarkan kelasnya
masing-masing. Pengelompokan pisang bergantung pada panjang, lebar dan ukuran dari
pisang, untuk mendapatkan hasil keluaran tersebut perlu menerapkan aturan logika fuzzy
dengan menerapkan metode Fuzzy Inference System. Metode ini menilai sebuah pisang
berdasarkan fitur ekstraksi yang diperoleh dengan menggunakan teknik Pengolahan Citra dari
beberapa gambar untuk setiap sample. Dalam penerapannya MATLAB memiliki beberapa
kendala diantaranya kecepatan memproses. Untuk mengatasi kendala tersebut digunakan DSP
(TMS320C6713), dengan memanfaatkan tool dari CCS, dimana CCS memiliki kemampuan

grafik dan support secara real-time untuk mengatasi debug. Dalam pengujiannya data diambil
secara acak sebanyak 10 buah data, kemudian data tersebut diujikan ke dalam program
MATLAB yang telah dibuat untuk dicatat hasilnya, setelah itu pengujian dilakukan pada CCS
untuk mendapatkan hasil keluaran, dimana hasil yang dapat rata-rata masih berada pada
kisaran yang sama.
Kata Kunci: CCS, DSP (TMS320C6713), Fuzzy Inference System, Grading, Logika
Fuzzy, MATLAB.

PENDAHULUAN
Pada penelitian ini menggunakan konsep logika fuzzy. Logika Fuzzy sudah banyak
digunakan dalam berbagai macam penelitian, diantaranya untuk proses pengidentifikasian
warna dan pengelompokan sample (grading). Untuk dapat melakukan proses
pengidentifikasian, logika fuzzy diimplemetasikan menggunakan MATLAB. Namun dalam
penerapannya MATLAB memiliki beberapa kendala diantaranya kecepatan memproses.
Untuk mengatasi kendala tersebut, digunakan DSP (TMS320C6713) untuk membantu proses
logika fuzzy tersebut.
Dalam pengimplementasiannya menggunakan perangkat DSP logika fuzzy memiliki
dua langkah, yaitu:
1. Mengembangkan dan analisis logika fuzzy pada MATLAB yang digunakan untuk
mengidentifikasi fungsi sistem keanggotaan (masukan dan keluaran) dan aturan

fuzzy (fuzzy rule).
2. Melakukan transfer data dari MATLAB ke Code Composer Studio (CCS). CCS
adalah tool yang mendukung kerja dari perangkat DSP, dimana CCS memiliki
1

kemampuan grafik dan support secara real-time untuk mengatasi debug karena
menggunakan tool perangkat lunak yang mudah digunakan untuk membangun dan
menganalisa error pada program.
A.

Fuzzy Inference System (FIS)
Terdapat beberapa jenis FIS yang dikenal yaitu Mamdani, Sugeno dan Tsukamoto. Pada
penelitian ini menggunakan teknik Mamdani Fuzzy Inference System untuk membuat sistem
penilaian karena FIS Mamdani yang mudah dimengerti karena paling sesuai dengan
keputusan manusia. Untuk mendapatkan keluaran, metode mamdani memerlukan 4 tahapan
yaitu:
1. Pembentukan himpunan fuzzy
2. Mengaplikasikan metode implikasi
3. Komposisi aturan
4. Penegasan (defuzzy)

Dalam penelitian ini memiliki tiga input membership function dari FIS, berupa ciri-ciri dari
pisang yang akan diidentifikasi, yaitu:
1. Length (Panjang)

2. Width

(Lebar)

Gambar 1. Membership Function Length

Gambar 2. Membership Function Width

3. Area (Ukuran)

Gambar 3. Membership Function Area

Dengan 1 buah keluaran membership function dari FIS berupa Grade (Kelompok) dari
pisang berdasarkan ukuran.

2

Gambar 1. Membership Function Grade

Berikutnya setelah Membership Function terbentuk, dibuat rule (aturan) dari sistem
yang akan dbuat. Rule dibuat dengan menggunalkan MATLAB pada menu Rule editor (Fuzzy
rule). Rule ini dibuat berdasarkan pengetahuan dan pengalaman dari para pakar.

Gambar 5. Rule Editor (Fuzzy Rule)

Selanjutnya gambar berikut menunjukkan ilustrasi rule dari berbagai masukan yang
sudah digabungkan serta hasil keluaran dikombinasikan ke dalam single fuzzy set. Proses
pengelompokan output ini digambarkan dalam empat kolom, sehingga diperoleh keluaran
berdasarkan defuzzification.

Gambar 2. Rule Viewer

3

B.

Code Composer Studio (CCS)
CCS adalah perangkat lunak bawaan dari TI (Texas Instrument) yang menjadi tool
pendukung dari mikroprosesor yang digunakan pada penelitian ini. C6713 menyediakan
lingkungan pengembangan terpadu (Integrated Development Environment - IDE) yang
berisikan C compiler, assembler dan linker. C compiler yang digunakan dengan extension .c,
menghasilkan assembly source dengan extension .asm. Proses assemble menghasilkan mesin
pembaca objek dengan extension .obj. Linker di kombinasikan dengan file objek assembled
dan objek library sebagai input yang menghasilkan file yang dapat dikerjakan dengan
extension .out. Tabel di bawah ini adalah ringkasan dari File Pendukung yang digunakan
dalam CCS.
Tabel 1. Ringkasan File Pendukung Dalam CCS

No
1

File
C6713dsknit.c

2
3

4
5
6
8
9

C6713dsknit.h
C6713dsk.cmd
Vectors_intr.asm
Vectors_poll.asm
Rts6700.lib
Dsk6713bsl.lib
Csl6713.lib

Deskripsi
Berisi fungsi untuk menginisialisasi DSK, codec, port serial,
dan untuk input dan output
File header dengan fungsi prototipe
perintah linker sederhana
versi modifikasi dari vektor untuk ditangani interrupt

file vektor untuk program menggunakan polling
run time library dukungan
perpustakaan dukungan dewan
Chip perpustakaan dukungan

METODE
Dalam penelitian ini menggunakan MATLAB sebagai penghubung program Fuzzy
Logic dengan perangkat DSP TMS320C6713.
Adapun cara kerja dari sistem ini adalah dengan menggunakan MATLAB, dimana
fungsi keanggotaan dari masing-masing masukan, keluaran variabel dan rule dari fuzzy
tersebut diimplemetasikan dan kemudian dilakukan tahap pengujian. Selanjutnya setelah
Fuzzy Inference System terbentuk kemudian di download menggunakan downloader untuk
dimasukan kedalam Prosesor DSP. Tabel di bawah menjelaskan variabel-variabel yang
digunakan, tipe dari membership function, jumlah dari membership function serta nama dan
rentang dari membership function.
Tabel 2. Penentuan Variabel dan Himpunan Fuzzy

No

Characteristic

1
2

Variabel
Number of
membership
function
Membership
function type
Name and range
of membership
function

3
4

Input 1
Length
5

Input
Input 2
Width
3

Output
Input 3
Area
2

Grade
5

trimf

trimf

trimf

Trimf

Very Short
(-2 0 2)
Short
(0 2 4)
Medium
(2 4 6)
Long
(4 6 8)
Very Long
(6 8 10)

Short
(-2 0 2)
Medium
(0 2 4)
Long
(2 4 6)

Small
(-2 0 2)
Large
(0 2 4)

E
(-2 0 2)
D
(0 2 4)
C
(2 4 6)
B
(4 6 8)
A
(6 8 10)

4

Pada tabel di atas, dapat dilihat, setiap variabel menggunakan membership function tipe
Trimf, karena membership function tipe ini memiliki kompleksitas yang relatif rendah dan
pengunaan aplikasinya relatif lebih mudah.
Gambar 7 dibawah merupakan alur kerja dari proses logika fuzzy yang
diimplementasikan pada perangkat DSP TMS320C6713. Sebelum data ditransfer dari
MATLAB ke perangkat DSP TMS320C6713 data tersebut di tempatkan dalam sebuah array
dan disimpan sebagai file header didalam direktori CCS. Data yang tersimpan tersebut
berupa data .mat file, .xls atau .txt. Data pada MATLAB tersebut diproses menggunakan
Fuzzy Inference System (FIS) yang kemudian dilakukan proses pelatihan hingga didapat hasil
keluaran yang mendekati nilai target dari inpuitan tersebut. Setelah didapat hasil yang sesuai
dengan target, program tersebut ditransfer ke CCS.

Gambar 3. Flowchart dari Logika Fuzzy pada perangkat DSP TMS320C6713

HASIL DAN PEMBAHASAN
Proses Logika Fuzzy ditulis secara terpisah sebagai file header. File header ini merupakan
sebuah file yang digunakan untuk mendefinisikan beberapa file seperti macro, fungsi, variabel
dan konstan. Pada penelitian ini file header memiliki beberapa fungsi atau perintah yang akan
digunakan dalam pemrogramannya. Gambar 8 di bawah menunjukkan bagian dari program
logika fuzzy untuk menyelesaikan permasalahan dari proses modifikasi agar dapat dilakukan
secara efisien.
5

Gambar 4. Bagian dari program logika fuzzy

Dari program d atas, dapat dilihat terdapat beberapa fungsi yang digunakan,
diantaranya:
1. Values.h dan Grading.h sebagai perintah untuk sejumlah data input (length, width
dan area) dan penilaian algoritma untuk masing-masing pisang.
2. Fuzzification.h sebagai perintah yang berisikan sistem masukan dan fungsi
keanggotaan keluaran.
3. Rules.h, rules2.h dan rules3.h sebagai perintah yang berisikan aturan dari fuzzy
yang dibuat.
Gambar 9 di bawah menunjukkan daftar file yang dibutuhkan untuk menjalankan
debugging dan trobleshooting pada program Logika Fuzzy pada DSP TMS320C6713.

Gambar 5. Daftar dari file pendukung

Gambar 10 menjelaskan contoh output (kelas pisang) yang diperoleh dari CCS. Dan
juga menampilkan input, fuzzifikasi dan defuzzifikasi. Walaupun tujuan utama dari penelitian
ini adalah untuk mendapatkan kelas pisang, nilai-nilai ini juga dapat digunakan untuk
membenarkan bahwa FIS dapat diimplementasikan pada platform DSP.
6

Gambar 6. Contoh keluaran dari hasil pengelompokan pisang

Selanjutnya dilakukan pengujian dan perbandingan hasil, antara keluaran yang didapat
dengan menggunakan MATLAB dan keluaran yang didapat dengan menggunakan CCS.
Untuk melakukan pengujian data diambil secara acak sebanyak 10 buah data, kemudian data
tersebut di ujikan ke dalam program MATLAB yang telah dibuat untuk dicatat hasilnya,
setelah itu pengujian dilakukan pada CCS untuk mendapatkan hasil keluaran. Tabel 3 dibawah
menunjukkan hasil keluaran dari masingmasing percobaan, dimana hasil yang dapat rata-rata
masih berada pada kisaran yang sama.
Tabel 3. Hasil keluaran dari MATLAB dan CCS

Setelah di dapat hasil keluaran dari MATLAB dan CCS, dilakukan proses penghitungan
terhadap nilai error yang didapat, hasil perhitungan tersebut dapat dilihat pada tabel 4 di
bawah

7

Tabel 3. Persentase error antara hasil dengan MATLAB dan CCS

Hasil di atas menunjukkan hasil yang diperoleh menggunakan CCS masih dalam kisaran yang
sama dengan hasil yang diperoleh menggunakan MATLAB, selanjutnya adalah mentransfer
program CCS tersebut ke parangkat DSP TMS320C6713.

SIMPULAN
Penelitian ini menjelaskan tentang penerapan dari Fuzzy Inference System pada
prosesor DSP TMS320V6173. FIS ini dianalisis, dirancang dan diujikan terlebih dahulu pada
MATLAB sebelum diimplemetasikan pada perangkat DSP TMS320C6713. Untuk
mendukung kerja dari DSP TMS329V6173 digunakan tool pendukung, yaitu dengan
melakukan transfer data dari MATLAB ke Code Composer Sudio (CCS). Proses transfer data
tersebut dilakukan dengan menggunakan salah satu format file MATLAB (.mat), excel (.xls)
atau text (.txt). Hasil yang diperoleh pada penelitian ini dianalisis dan dibuktikan
keakuratannya dengan melakukan perbandingan menyeluruh antara hasil MATLAB dan CCS.
Kesimpulannya adalah paper ini membuktikan bahwa Logika Fuzzy dapat diimplementasikan
pada platform DSP TMS320C6713 untuk menentukan kelas pada pisang.

DAFTAR PUSTAKA
[1] G. Rennick, Y. Attikiouzel, and A. Zaknich, “Machine grading and blemish detection in
apples,” vol. 2, pp. 567 –570 vol.2, 1999.
[2] J. Faria, T. Martins, M. Ferreira, and C. Santos, “A computer vision system for color
grading wood boards using fuzzy logic,” pp. 1082 – 1087, june 2008.
[3] N. Mustafa, S. Ahmed, Z. Ali, W. Yit, A. Abidin, and Z. Sharrif, “Agricultural produce
sorting and grading using support vector machines and fuzzy logic,” pp. 391 –396, 18-19
2009.
[4] R. Chassaing, Digital Signal Processing and Applications With The C6713 and C6416.
Wiley Interscience, A John Wiley & Sons, INC., Publications, 2005.
[5] N. B. A. Mustafa, “Application of artificial intelligence tools for determining the quality
of agriculture produce,” Master’s thesis, Universiti Tenaga Nasional, 2010.
[6] B. Vazquez, I. Garcia, and G. Sanchez, “Description of adaptive fuzzy filtering using the
dsp tms320c6713,” pp. 1086 –1090, 2-5 2009.
8

9