PENERAPAN SISTEM FUZZY LOGIC PADA LINE F
PERANCANGAN ROBOT LINE FOLLOWER DENGAN MENGGUNAKAN
METODE FUZZY LOGIC
Disusun untuk memenuhi salah satu tugas Mata Kuliah Sistem Instrumentasi Cerdas
Dosen pengampu : Agus Heri Setyabudi S.T., M.T.
oleh :
Muhammad Renaldy (1304887)
DEPARTEMEN PENDIDIKAN TEKNIK ELEKTRO
FAKULTAS PENDIDIKAN TEKNOLOGI DAN KEJURUAN
UNIVERSITAS PENDIDIKAN INDONESIA
2015
KATA PENGANTAR
Dengan memanjatkan puji dan syukur ke hadirat Allah SWT dengan berkat dan
rahmat - Nya sehingga makalah tentang "Perancangan Robot Line Follower Dengan
Menggunakan Metode Fuzzy Logic" dapat terselesaikan dengan baik.
Makalah ini disusun untuk memenuhi salah satu tugas yang diberikan dalam
mata pelajaran Sistem instrumentasi Cerdas.
Makalah ini berisi tentang perancangan sebuah robot line follower dengan
menggunakan fuzzy logic dan aplikasi matlab.
Dalam menyelesaikan makalah ini, penulis banyak bantuan dari berbagai pihak
yang telah memberikan keterangan, data -data, waktu, tenaga dan pemikiran demi
terselesaikannya makalah ini.
Akhirnya, tiada gading yang tak retak, meskipun dalam penyusunan makalah ini
penulis telah mencurahkan semua kemampuan, namun penulis sangat menyadari
bahwa hasil penyusunan makalah ini jauh dari sempurna dikarenakan keterbatasan
data dan referensi maupun kemampuan penulis. Oleh karena itu penulis sangat
mengharapkan saran serta kritik yang membangun dari berbagai pihak.
Penulis
BAB I
PENDAHULUAN
A. Latar Belakang
Pada era tahun 1960-an, Profesor Lotfi Zadeh dari University of California di
Barkeley mengemukakan bahwa tidak jelas merupakan suatu aspek ketidaktentuan
yang berbeda dengan keacakan. Profesor Zadeh mengusulkan suatu bentuk
matematika untuk melihat bagaimana ketidakjelasan dapat dinyatakan dalam bahasa
manusia yang pendekatan disebut “logika fuzzy”. Tujuan “logika fuzzy” adalah
membuat computer beroperasi seperti layaknya logika manusia dan menghilangkan
batas antara manusia dan kemampuan computer.
Logika adalah suatu studi tentang metode dan prinsip suatu alasan dalam
semua bentuk kemungkinan. Logika klasik mengenal dua keadaan, yaitu benar atau
salah. Dalam logika, kita mengenal kombinasi variable yang disebut variable logika.
Penentuan property himpunan penting karena berpengaruh pada komputasi
matematika dari himpunan. Komputer dan manusia mempunyai kekuatan dan
kelemahan yang saling mengisi. Komputer tidak memahami konsep ketidakjelasan
manusia tersebut. Oleh karena diperlukan suatu penerjemah dari konsep penalaran
manusia sehingga dapat mengoptimalkan proses kerja dari system computer tersebut.
Robot pula merupakan salah satu bentuk dari integrasi system computer dan
logika yang sangat menarik untuk ditelaah. Pada system robot masih banyak
menerapkan system logika klasik dalam proses pengendalian. Salah satu jenis robot
yaitu robot line follower. Dimana dengan penerapan logika klasik masih banyak
pemetaan yang belum terwakili oleh sistem logika klasik terutama masih logika
fungsi perubahan posisi terhadap fungsi kecepatan. Jika hal itu pun dibuat dalam
sebuah logika klasik maka akan membuat system semakin tidak efisien.
Dalam pengendalian robot line follower dapat digunakan logika fuzzy untuk
menentukan keputusan kecepatan motor kanan dan motor kiri ketika di semua
keadaan sensor garis.
Penerapan fuzzy logic controller pada line follower robot diharapkan dapat
memberikan perubahan pergerakan robot mobil yang halus dari kondisi berbelok ke
kondisi bergerak lurus maupun sebaliknya tanpa menimbulkan pergerakan yang kaku.
Dalam merancang logika fuzzy ini kita dapat menggunakan aplikasi matlab
untuk mensimulasikannya sebelum kita menggunakan logika pada simulasi ini untuk
di aplikasikan ke program robot sebenarnya.
B. Rumusan Masalah
1. Bagaimana merancang logika Fuzzy dalam aplikasi matlab untuk line follower
2. Bagaimana logika Fuzzy bekerja untuk mengoptimalkan pengendalian system
robot line follower
C. Tujuan
1. Mengetahui sistem fuzzy logic untuk robot line folllower.
2. Mensimulasikan fuzzy logic pada robot line follower dengan menggunakan
matlab.
D. Metode Penelitian
Metode yang digunakan dalam penyusunan makalah ini dengan beberapa tahap
yaitu :
1. Observasi, pengumpulan data-data melalui pembacaan buku-buku teori
pendukung tugas akhir, Internet, dan dari kakak tingkat serta dosen.
2.
Perancangan, perancangan data pada aplikasi matlab
3. Pengujian yaitu menguji output pada aplikasi matlab.
4. Kesimpulan, yaitu menganalisa secara keseluruhan hasil kerja akemudian
mengambil kesimpulan dari data-data yang didapat.
BAB II
LANDASAN TEORI
A. Fuzzy Logic
Logika fuzzy atau fuzzy logic bermula dari kenyataan bahwa dunia nyata sangat
kompleks. Kompleksitas ini muncul dari ketidakpastian dalam bentuk informasi
imprecision (ketidakpastian). Mengapa komputer yang dibuat oleh manusia tidak
mampu menangani persoalan yang kompleks dan tidak presisi ini sedangkan
manusia bisa. Jawabanya adalah manusia mempunyai kemampuan untuk menalar
(Reasoning)
dengan
baik
yaitu
kemampuan
yang
komputer
tidak
mempunyainya.pada suatu sistem jika kompleksitasnya berkurang, maka persamaan
matematik dapat digunakan dan ketelitian yang dihasilkan menjadi sangat berguna
dalam pemodelan sistem tetapi jika kompleksitasnya bertambah dimana persamaan
matematik tidak dapat digunakan , logika fuzzy menjadi salah satu alternatif
penyelesaiannya. Logika fuzzy merupakan alternatif cara berpikir yang dapat
memodelkan kompleks sistem menggunakan pengetahuan dan pengalaman yang
dipunyai logika dimulai sebagai studi tentang bahasa dalam argument dan persuasif ,
dan hal itu kemungkinan digunakan untuk menilai kebenaran dari rantai reasoning,
dalam bentuk matematikanya sebagai contoh adalah sebagai berikut : Dalam dua
nilai logika proporsinya bisa benar atau salah , tetapi tidak keduanya. Kebenaran
ditandai dengan statement(pernyataan) nilai kebenaran. Dalam fuzzy logic proporsi
kemungkinan benar atau salah atau mempunyai setengah nilai kebenaran , seperti
kemungkinan benar.
Ide pemikiran pada sistem fuzzy yaitu nilai kebenaran (dalam fuzzy logic) atau
nilai fungsi keanggotaan (Membership function) dalam fuzzy set diindikasikan oleh
nilai pada range [0.0,1.0], dengan 0.0 mewakili kesalahan absolut dan 1.0 mewakili
kebenaran absolut. Dalam kasus ini berhubungan dengan multivalued logic(logika
bernilai banyak). Sebagai contoh , kalimat :”Arthur is old.”
Jika umur Arthur 80, kemungkinan akan memberikan statement nilai kebenaran
0.80. Statement dapat diartikan menjadi set terminologi sebagai berikut:”Arthur
adalah anggota dari set orang tua .” Suatu logika berdasar pada dua nilai kebenaran
true
and false kadang-kadang tidak
cukup manakala menguraikan dan
menggambarkan pemikiran manusia. Logika fuzzy menggunakan keseluruhan
interval 0(False) dan 1(True) untuk menguraikan pemikiran manusia . Sebagai
hasilnya logika fuzzy diterapkan dalam mengatur sebuah sistem karena sifatnya yang
lebih sesuai dengan cara berpikir manusia.
1. Sejarah Fuzzy Logic
Sistem fuzzy merupakan suatu alternatif untuk pemikiran tradisional dari set
keanggotaan dan logika yang berasal dari filosopi yunani dan aplikasi pada
intelegensia semu. Logika fuzzy pertama kali diperkenalkan oleh seseorang professor
computer science dari University of California di Berkeley yang bernama Lofti
A.Zadeh pada tahun 1965 dan berhasil diaplikasikan dalam bidang kontrol oleh
E.H.Mamdani. Sejak itu aplikasi dari logika fuzzy ini berkembang pesat terutama
dinegara Jepang dengan dihasilkannya ribuan paten mulai dari bermacam-macam
produk elektronik sampai aplikasi pada kereta api di kota Sendai. Logika fuzzy pada
dasarnya
merupakan
logika
bernilai
banyak(Multivalued Logic)yang
dapat
mendefinisikan nilai diantara keadaan yang biasa dikenal seperti ya atau tidak, hitam
atau putih, benar atau salah. logika fuzzy menirukan cara manusia mengambil
keputusan dengan kemampuannya bekerja dari data yang samar atau tidak rinci dan
menemukan penyesuaian yang tepat.
2. Teori Set Fuzzy (Fuzzy Set Theory)
Teori set fuzzy atau Fuzzy set theory adalah perpanjangan dari teori himpunan
crisp yang konvensional. Fuzzy set theory mengatur konsep dari partial truth
(nilainya antara 1(True)dan 0(False)). Dikenalkan oleh Prof.Lotfi A. Zadeh di
UC/Berkeley pada tahun 1965 untuk dimaksudkan sebagai memodelkan kesamaran
dan ambiguitas dalam sistem yang kompleks.
Ide dari fuzzy set sendiri adalah simpel dan alami. Sebagai contoh, kita mau
mendefinisikan sebuah set (Himpunan) dari gray level yang propertinya dark. Dalam
teori set yang klasik, kita harus mendeterminasikan sebuah threshold , katakanlah
gray levelnya bernilai 100. Semua gray level yang nilainya antara 0 dan 100 adalah
elemen dari set ini, yang lain nya tidak termasuk dalam set ini (Gambar 2.1 bagian
kiri) Tetapi kegelapannya hanya masalah pada derajat. Jadi sebuah fuzzy set bisa
memodelkan properti ini dengan lebih baik.Untuk mendefinisikan himpunan ini
,kita juga membutuhkan dua threshold, katakanlah gray level 50 dan 150.Semua
gray level yang dibawah 50 adalah full member dari himpunannya, gray level yang
di atas 150 bukan merupakan member dari himpunannya. Gray level diantara 50 dan
150, mempunyai sebagian membership dalam himpunan (Gambar 2.1 bagian kanan).
3. Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang
menunjukkan pemetaan titik – titik input data ke dalam derajat keanggotaannya yang
memiliki interval antara 0 sampai 1. Pada dasarnya ada dua cara mendefinisikan
keanggotaan dari Fuzzy Set, yaitu secara numeris dan fungsional. Definisi numeris
menyatakan fungsi derajat keanggotaan sebagai vektor jumlah yang tergantung pada
tingkat diskretisasi. Misalnya, jumlah elemen diskret dalam semesta pembicaraan.
Definisi fungsional menyatakan derajat keanggotaan sebagai batasan ekspresi
analitis yang dapat dihitung. Standar atau ukuran tertentu pada fungsi keanggotaan
secara umum berdasar atas semesta X bilangan real.
4. Tahap Pemodelan dalam logika Fuzzy:
Gambar 2.1. Tahap permodelan fuzzy logic
Apabila
diterapkan dalam pengendalian proses dapat diterapkan seperti blok di
bawah ini:
Gambar 2. 2. Fuzzy logicpada proses pengendalian
Keterangan
:
1. Fuzzifikasi adalah proses untuk mengubah variabel non fuzzy (variabel
numerik) menjadi variabel fuzzy (variabel linguistik).
2. Inferencing (Ruled Based) , pada umumnya aturan-aturan fuzzy dinyatakan
dalam bentuk “IF……THEN” yang merupakan inti dari relasi fuzzy.
3. Defuzifikasi adalah proses pengubahan data-data fuzzy tersebut menjadi datadata numerik yang dapat dikirimkan ke peralatan pengendalian.
B.Prinsip Kerja Robot Line Follower
Robot line follower adalah salah satu robot yang pada prinsip kerjanya
memaanfaatkan perbedaan warna antara background dan garis (jalur). Dari hasil
perbedaan warna pada keseluruhan sensornya tersebut dirubah menjadi suatu nilainilai yang merepresentasikan posisi robot.
Robot
menggunakan
sensor
Infrared
(IR)
untuk
mendeteksi
garis
pembimbing. Masing-masing sensor terdiri dari pasangan infrared emitting diode
(IRED) sebagai pemancar (Tx) dan phototransistor sebagai sensor (Rx). Jumlah
sensor IR yang dipasang pada robot line follower ini terdiri dari 8 buah yang dipasang
sejajar dan menghadap ke lantai. Keluaran dari sensor masih berupa sinyal analog
yang bergantung dari jumlah pancaran sinar inframerah yang dipantulkan dan
diterima oleh sensor phototransistor. Sensor dipasang pin ADC dan selanjutnya oleh
mikrokontroler ditentukan nilai
untuk menghasilkan keluaran berupa logika “0”
ketika pembacaan ADC pada garis hitam, dan menghasilkan keluaran “1” ketika
pembacaan ADC pada latar putih.Konfigurasi pemasangan sensor adalah sebagai
berikut :
Gambar 2.3. Konfigurasi posisi sensor
Mulai dari kiri ke kanan, sensor diberi nama 0, 1, 2, 3, 4, 5, 6, 7. pemakaian
sensor IR pada robot line follower ini diasumsikan bahwa, jika ensor berada pada
garis, dalam hal ini adalah garis hitam, maka keluaran dari sensor berlogika “0” dan
jika sensor tidak berada pada garis, dalam hal ini latar warna putih, maka keluaran
sensor berlogika “1”. Pemasangan sensor yang tampak seperti gambar 3.1 dan
gambar 3.2 maka kemungkinan posisi sensor adalah :
Gambar 2.4 Kemungkinan posisi sensor pada lintasan
Mikrokontroler sebagai sistem navigasi dari robot akan memutar kedua motor
DC secara differensial, dengan teknik PWM (Pulse Widht Modulation) untuk
menggerakan robot mengikuti garis hitam. Keputusan mikrokontroler untuk
menggerakan motor DC berdasarkan kemungkinan posisi sensor.
BAB III
PERANCANGAN
A. Implementasi Fuzzy Logic Controller
Perangkat lunak sistem robot line follower berupa program yang didalamnya
meliputi proses pembacaan sensor, proses fuzzy logic controller untuk navigasi dan
proses pengendalian gerakkan robot line follower.
Diagram alir program secara keseluruhan dapat dilihat pada gambar berikut :
START
Baca Sensor
Fuzzy Logic
Output berupa PWM
motor
FINISH
Gambar 3.1. Diagram alir program
Proses Implementasi fuzzy logic controller meliputi proses fuzzifikasi (kuantisasi
Crisp Input sensor dan derajat keanggotaan), evaluasi rule (aturan) dan defuzzifikasi.
Proses fuzzy logic controller dalam bentuk program menggunakan bahasa C dengan
kompiler CodeVision AVR.
Dalam sistem logika fuzzy, sebagai crisp input (masukan) adalah posisi dari 8
sensor IR yang dipasang didepan robot menghadap ke lantai yang akan mendeteksi
lintasan. Crisp output (keluaran) dari sistem logika fuzzy adalah kecepatan putaran
motor DC dengan teknik PWM dan arah kemudi robot.
Adapun lintasan yang akan digunakan memiliki banyak variasai belokan
sehingga, akan ada beberapa variasi belokan agar robot dapat menelusuri garis
dengan baik. Adapun lintasan yang akan digunakan.
Gambar 3.2 Lintasan Line Follower
Crisp input posisi sensor hanya dirancang dalam tiga arah sudut pandang dari
robot mobil. tiga arah tersebut adalah kiri, tengah, dan kanan. Dengan begitu terdapat
delapan label derajat keanggotaan (MF) yaitu : sangat_kiri, agak tajam kiri, kiri,
tengah, kanan , agak tajam kanan dan sangat_kanan. Derajat keanggotaannya dapat
dilihat pada gambar berikut :
Gambar 3.3. Derajat keanggotaan (MF) input posisi sensor
Derajat keanggotaan crisp output (keluaran) untuk kecepatan putaran motor
memiliki lima label yaitu : sangat_lambat, lambat, sedang, cepat dan sangat_cepat.
Derajat keanggotaan kedua crisp output ini dapat dilihat pada gambar berikut :
Gambar 3.3. Derajat keanggotaan (MF) crisp output untuk kecepatan PWM motor
kanan
Gambar 3.4. Derajat keanggotaan (MF) crisp output untuk kecepatan PWM motor
kiri
Sedangkan untuk arah kemudi robot dapat ditentukan dari perbedaan kecepatan
putaran motor berdasarkan derajat keanggotaan masing-masing PWM motor. Arah
navigasi ini didefinisikan sebagai berikut :
Tabel 3.1. Arah Navigasi robot
Aksi robot (navigasi)
PWM kanan
PWM kiri
Belok kiri tajam
Sangat cepat
Sangat lambat
Belok kiri agak tajam
Sangat cepat
Lambat
Belok kiri
Cepat
Lambat
Maju
Sedang
Sedang
Belok kanan tajam
Sangat lambat
Sangat cepat
Belok kanan agak tajam
Lambat
Sangat cepat
Belok kanan
Lambat
Cepat
Rule (aturan) yang digunakan adalah sistem fuzzy berbasis aturan, aturan ini
diekstak dari pemikiran manusia. Untuk robot line follower yang dirancang
menggunakan rule sebagai berikut :
1. Jika posisi sensor sangat_kiri maka arah navigasi belok kanan Tajam
2. Jika sensor agak tajam kiri maka arah navigasi robot belok kanan agak
tajam
3. Jika Posisi sensor kiri maka arah navigasi belok kanan.
4. Jika Posisi sensor tengah maka navigasi maju.
5. Jika Posisi sensor kanan maka navigasi belok kiri.
6. Jika sensor agak tajam kanan maka arah navigasi robot belok kiri agak
tajam
7. Jika Posisi sensor sangat_kanan Maka belok kiri tajam.
Adapun proses pemasukan rule pada aplikasi matlab adalah :
Gambar 3.5 . Proses pemasukan rule pada matlab
Realisasi dalam bahas C untuk proses fuzzy diatas, sangat sederhana mengingat
bahwa input sensor berupa data digital dalam bentuk biner. Begitu juga keluarannya
untuk menggerakan motor berupa data digital. Teknik pemrogramannya pun
menggunakan teknik scanning. Jadi fuzzy logic tidak sepenuhnya diterapkan
mengingat kuantisasi input dan output, jadi hanya ada beberapa kemungkinan yang
akan terjadi.
BAB IV
ANALISIS
A. Pembacaan nilai ADC
Pada robot ini sensor yang digunakan masuk kedalam pin ADC sehingga kita
harus mendifinisikan garis hitam atau[un layar putih dengan mengkalibrasi sensor
garis.
Adapun data pembacaan sensor adalah sebagai berikut :
Warna
Hitam
Putih
Nilai ADC
785
123
Karena pembacaan nilai ADC yang selalu tidak tetap maka kita membuat program
toleransi sehingga mikro kontroller dapat mendefinisikan jenis garis dengan syntac
program.
int sensor1;
bit status_sensor1;
void baca_sensor(){
sensor1 = read_adc(0);
if (sensor
METODE FUZZY LOGIC
Disusun untuk memenuhi salah satu tugas Mata Kuliah Sistem Instrumentasi Cerdas
Dosen pengampu : Agus Heri Setyabudi S.T., M.T.
oleh :
Muhammad Renaldy (1304887)
DEPARTEMEN PENDIDIKAN TEKNIK ELEKTRO
FAKULTAS PENDIDIKAN TEKNOLOGI DAN KEJURUAN
UNIVERSITAS PENDIDIKAN INDONESIA
2015
KATA PENGANTAR
Dengan memanjatkan puji dan syukur ke hadirat Allah SWT dengan berkat dan
rahmat - Nya sehingga makalah tentang "Perancangan Robot Line Follower Dengan
Menggunakan Metode Fuzzy Logic" dapat terselesaikan dengan baik.
Makalah ini disusun untuk memenuhi salah satu tugas yang diberikan dalam
mata pelajaran Sistem instrumentasi Cerdas.
Makalah ini berisi tentang perancangan sebuah robot line follower dengan
menggunakan fuzzy logic dan aplikasi matlab.
Dalam menyelesaikan makalah ini, penulis banyak bantuan dari berbagai pihak
yang telah memberikan keterangan, data -data, waktu, tenaga dan pemikiran demi
terselesaikannya makalah ini.
Akhirnya, tiada gading yang tak retak, meskipun dalam penyusunan makalah ini
penulis telah mencurahkan semua kemampuan, namun penulis sangat menyadari
bahwa hasil penyusunan makalah ini jauh dari sempurna dikarenakan keterbatasan
data dan referensi maupun kemampuan penulis. Oleh karena itu penulis sangat
mengharapkan saran serta kritik yang membangun dari berbagai pihak.
Penulis
BAB I
PENDAHULUAN
A. Latar Belakang
Pada era tahun 1960-an, Profesor Lotfi Zadeh dari University of California di
Barkeley mengemukakan bahwa tidak jelas merupakan suatu aspek ketidaktentuan
yang berbeda dengan keacakan. Profesor Zadeh mengusulkan suatu bentuk
matematika untuk melihat bagaimana ketidakjelasan dapat dinyatakan dalam bahasa
manusia yang pendekatan disebut “logika fuzzy”. Tujuan “logika fuzzy” adalah
membuat computer beroperasi seperti layaknya logika manusia dan menghilangkan
batas antara manusia dan kemampuan computer.
Logika adalah suatu studi tentang metode dan prinsip suatu alasan dalam
semua bentuk kemungkinan. Logika klasik mengenal dua keadaan, yaitu benar atau
salah. Dalam logika, kita mengenal kombinasi variable yang disebut variable logika.
Penentuan property himpunan penting karena berpengaruh pada komputasi
matematika dari himpunan. Komputer dan manusia mempunyai kekuatan dan
kelemahan yang saling mengisi. Komputer tidak memahami konsep ketidakjelasan
manusia tersebut. Oleh karena diperlukan suatu penerjemah dari konsep penalaran
manusia sehingga dapat mengoptimalkan proses kerja dari system computer tersebut.
Robot pula merupakan salah satu bentuk dari integrasi system computer dan
logika yang sangat menarik untuk ditelaah. Pada system robot masih banyak
menerapkan system logika klasik dalam proses pengendalian. Salah satu jenis robot
yaitu robot line follower. Dimana dengan penerapan logika klasik masih banyak
pemetaan yang belum terwakili oleh sistem logika klasik terutama masih logika
fungsi perubahan posisi terhadap fungsi kecepatan. Jika hal itu pun dibuat dalam
sebuah logika klasik maka akan membuat system semakin tidak efisien.
Dalam pengendalian robot line follower dapat digunakan logika fuzzy untuk
menentukan keputusan kecepatan motor kanan dan motor kiri ketika di semua
keadaan sensor garis.
Penerapan fuzzy logic controller pada line follower robot diharapkan dapat
memberikan perubahan pergerakan robot mobil yang halus dari kondisi berbelok ke
kondisi bergerak lurus maupun sebaliknya tanpa menimbulkan pergerakan yang kaku.
Dalam merancang logika fuzzy ini kita dapat menggunakan aplikasi matlab
untuk mensimulasikannya sebelum kita menggunakan logika pada simulasi ini untuk
di aplikasikan ke program robot sebenarnya.
B. Rumusan Masalah
1. Bagaimana merancang logika Fuzzy dalam aplikasi matlab untuk line follower
2. Bagaimana logika Fuzzy bekerja untuk mengoptimalkan pengendalian system
robot line follower
C. Tujuan
1. Mengetahui sistem fuzzy logic untuk robot line folllower.
2. Mensimulasikan fuzzy logic pada robot line follower dengan menggunakan
matlab.
D. Metode Penelitian
Metode yang digunakan dalam penyusunan makalah ini dengan beberapa tahap
yaitu :
1. Observasi, pengumpulan data-data melalui pembacaan buku-buku teori
pendukung tugas akhir, Internet, dan dari kakak tingkat serta dosen.
2.
Perancangan, perancangan data pada aplikasi matlab
3. Pengujian yaitu menguji output pada aplikasi matlab.
4. Kesimpulan, yaitu menganalisa secara keseluruhan hasil kerja akemudian
mengambil kesimpulan dari data-data yang didapat.
BAB II
LANDASAN TEORI
A. Fuzzy Logic
Logika fuzzy atau fuzzy logic bermula dari kenyataan bahwa dunia nyata sangat
kompleks. Kompleksitas ini muncul dari ketidakpastian dalam bentuk informasi
imprecision (ketidakpastian). Mengapa komputer yang dibuat oleh manusia tidak
mampu menangani persoalan yang kompleks dan tidak presisi ini sedangkan
manusia bisa. Jawabanya adalah manusia mempunyai kemampuan untuk menalar
(Reasoning)
dengan
baik
yaitu
kemampuan
yang
komputer
tidak
mempunyainya.pada suatu sistem jika kompleksitasnya berkurang, maka persamaan
matematik dapat digunakan dan ketelitian yang dihasilkan menjadi sangat berguna
dalam pemodelan sistem tetapi jika kompleksitasnya bertambah dimana persamaan
matematik tidak dapat digunakan , logika fuzzy menjadi salah satu alternatif
penyelesaiannya. Logika fuzzy merupakan alternatif cara berpikir yang dapat
memodelkan kompleks sistem menggunakan pengetahuan dan pengalaman yang
dipunyai logika dimulai sebagai studi tentang bahasa dalam argument dan persuasif ,
dan hal itu kemungkinan digunakan untuk menilai kebenaran dari rantai reasoning,
dalam bentuk matematikanya sebagai contoh adalah sebagai berikut : Dalam dua
nilai logika proporsinya bisa benar atau salah , tetapi tidak keduanya. Kebenaran
ditandai dengan statement(pernyataan) nilai kebenaran. Dalam fuzzy logic proporsi
kemungkinan benar atau salah atau mempunyai setengah nilai kebenaran , seperti
kemungkinan benar.
Ide pemikiran pada sistem fuzzy yaitu nilai kebenaran (dalam fuzzy logic) atau
nilai fungsi keanggotaan (Membership function) dalam fuzzy set diindikasikan oleh
nilai pada range [0.0,1.0], dengan 0.0 mewakili kesalahan absolut dan 1.0 mewakili
kebenaran absolut. Dalam kasus ini berhubungan dengan multivalued logic(logika
bernilai banyak). Sebagai contoh , kalimat :”Arthur is old.”
Jika umur Arthur 80, kemungkinan akan memberikan statement nilai kebenaran
0.80. Statement dapat diartikan menjadi set terminologi sebagai berikut:”Arthur
adalah anggota dari set orang tua .” Suatu logika berdasar pada dua nilai kebenaran
true
and false kadang-kadang tidak
cukup manakala menguraikan dan
menggambarkan pemikiran manusia. Logika fuzzy menggunakan keseluruhan
interval 0(False) dan 1(True) untuk menguraikan pemikiran manusia . Sebagai
hasilnya logika fuzzy diterapkan dalam mengatur sebuah sistem karena sifatnya yang
lebih sesuai dengan cara berpikir manusia.
1. Sejarah Fuzzy Logic
Sistem fuzzy merupakan suatu alternatif untuk pemikiran tradisional dari set
keanggotaan dan logika yang berasal dari filosopi yunani dan aplikasi pada
intelegensia semu. Logika fuzzy pertama kali diperkenalkan oleh seseorang professor
computer science dari University of California di Berkeley yang bernama Lofti
A.Zadeh pada tahun 1965 dan berhasil diaplikasikan dalam bidang kontrol oleh
E.H.Mamdani. Sejak itu aplikasi dari logika fuzzy ini berkembang pesat terutama
dinegara Jepang dengan dihasilkannya ribuan paten mulai dari bermacam-macam
produk elektronik sampai aplikasi pada kereta api di kota Sendai. Logika fuzzy pada
dasarnya
merupakan
logika
bernilai
banyak(Multivalued Logic)yang
dapat
mendefinisikan nilai diantara keadaan yang biasa dikenal seperti ya atau tidak, hitam
atau putih, benar atau salah. logika fuzzy menirukan cara manusia mengambil
keputusan dengan kemampuannya bekerja dari data yang samar atau tidak rinci dan
menemukan penyesuaian yang tepat.
2. Teori Set Fuzzy (Fuzzy Set Theory)
Teori set fuzzy atau Fuzzy set theory adalah perpanjangan dari teori himpunan
crisp yang konvensional. Fuzzy set theory mengatur konsep dari partial truth
(nilainya antara 1(True)dan 0(False)). Dikenalkan oleh Prof.Lotfi A. Zadeh di
UC/Berkeley pada tahun 1965 untuk dimaksudkan sebagai memodelkan kesamaran
dan ambiguitas dalam sistem yang kompleks.
Ide dari fuzzy set sendiri adalah simpel dan alami. Sebagai contoh, kita mau
mendefinisikan sebuah set (Himpunan) dari gray level yang propertinya dark. Dalam
teori set yang klasik, kita harus mendeterminasikan sebuah threshold , katakanlah
gray levelnya bernilai 100. Semua gray level yang nilainya antara 0 dan 100 adalah
elemen dari set ini, yang lain nya tidak termasuk dalam set ini (Gambar 2.1 bagian
kiri) Tetapi kegelapannya hanya masalah pada derajat. Jadi sebuah fuzzy set bisa
memodelkan properti ini dengan lebih baik.Untuk mendefinisikan himpunan ini
,kita juga membutuhkan dua threshold, katakanlah gray level 50 dan 150.Semua
gray level yang dibawah 50 adalah full member dari himpunannya, gray level yang
di atas 150 bukan merupakan member dari himpunannya. Gray level diantara 50 dan
150, mempunyai sebagian membership dalam himpunan (Gambar 2.1 bagian kanan).
3. Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang
menunjukkan pemetaan titik – titik input data ke dalam derajat keanggotaannya yang
memiliki interval antara 0 sampai 1. Pada dasarnya ada dua cara mendefinisikan
keanggotaan dari Fuzzy Set, yaitu secara numeris dan fungsional. Definisi numeris
menyatakan fungsi derajat keanggotaan sebagai vektor jumlah yang tergantung pada
tingkat diskretisasi. Misalnya, jumlah elemen diskret dalam semesta pembicaraan.
Definisi fungsional menyatakan derajat keanggotaan sebagai batasan ekspresi
analitis yang dapat dihitung. Standar atau ukuran tertentu pada fungsi keanggotaan
secara umum berdasar atas semesta X bilangan real.
4. Tahap Pemodelan dalam logika Fuzzy:
Gambar 2.1. Tahap permodelan fuzzy logic
Apabila
diterapkan dalam pengendalian proses dapat diterapkan seperti blok di
bawah ini:
Gambar 2. 2. Fuzzy logicpada proses pengendalian
Keterangan
:
1. Fuzzifikasi adalah proses untuk mengubah variabel non fuzzy (variabel
numerik) menjadi variabel fuzzy (variabel linguistik).
2. Inferencing (Ruled Based) , pada umumnya aturan-aturan fuzzy dinyatakan
dalam bentuk “IF……THEN” yang merupakan inti dari relasi fuzzy.
3. Defuzifikasi adalah proses pengubahan data-data fuzzy tersebut menjadi datadata numerik yang dapat dikirimkan ke peralatan pengendalian.
B.Prinsip Kerja Robot Line Follower
Robot line follower adalah salah satu robot yang pada prinsip kerjanya
memaanfaatkan perbedaan warna antara background dan garis (jalur). Dari hasil
perbedaan warna pada keseluruhan sensornya tersebut dirubah menjadi suatu nilainilai yang merepresentasikan posisi robot.
Robot
menggunakan
sensor
Infrared
(IR)
untuk
mendeteksi
garis
pembimbing. Masing-masing sensor terdiri dari pasangan infrared emitting diode
(IRED) sebagai pemancar (Tx) dan phototransistor sebagai sensor (Rx). Jumlah
sensor IR yang dipasang pada robot line follower ini terdiri dari 8 buah yang dipasang
sejajar dan menghadap ke lantai. Keluaran dari sensor masih berupa sinyal analog
yang bergantung dari jumlah pancaran sinar inframerah yang dipantulkan dan
diterima oleh sensor phototransistor. Sensor dipasang pin ADC dan selanjutnya oleh
mikrokontroler ditentukan nilai
untuk menghasilkan keluaran berupa logika “0”
ketika pembacaan ADC pada garis hitam, dan menghasilkan keluaran “1” ketika
pembacaan ADC pada latar putih.Konfigurasi pemasangan sensor adalah sebagai
berikut :
Gambar 2.3. Konfigurasi posisi sensor
Mulai dari kiri ke kanan, sensor diberi nama 0, 1, 2, 3, 4, 5, 6, 7. pemakaian
sensor IR pada robot line follower ini diasumsikan bahwa, jika ensor berada pada
garis, dalam hal ini adalah garis hitam, maka keluaran dari sensor berlogika “0” dan
jika sensor tidak berada pada garis, dalam hal ini latar warna putih, maka keluaran
sensor berlogika “1”. Pemasangan sensor yang tampak seperti gambar 3.1 dan
gambar 3.2 maka kemungkinan posisi sensor adalah :
Gambar 2.4 Kemungkinan posisi sensor pada lintasan
Mikrokontroler sebagai sistem navigasi dari robot akan memutar kedua motor
DC secara differensial, dengan teknik PWM (Pulse Widht Modulation) untuk
menggerakan robot mengikuti garis hitam. Keputusan mikrokontroler untuk
menggerakan motor DC berdasarkan kemungkinan posisi sensor.
BAB III
PERANCANGAN
A. Implementasi Fuzzy Logic Controller
Perangkat lunak sistem robot line follower berupa program yang didalamnya
meliputi proses pembacaan sensor, proses fuzzy logic controller untuk navigasi dan
proses pengendalian gerakkan robot line follower.
Diagram alir program secara keseluruhan dapat dilihat pada gambar berikut :
START
Baca Sensor
Fuzzy Logic
Output berupa PWM
motor
FINISH
Gambar 3.1. Diagram alir program
Proses Implementasi fuzzy logic controller meliputi proses fuzzifikasi (kuantisasi
Crisp Input sensor dan derajat keanggotaan), evaluasi rule (aturan) dan defuzzifikasi.
Proses fuzzy logic controller dalam bentuk program menggunakan bahasa C dengan
kompiler CodeVision AVR.
Dalam sistem logika fuzzy, sebagai crisp input (masukan) adalah posisi dari 8
sensor IR yang dipasang didepan robot menghadap ke lantai yang akan mendeteksi
lintasan. Crisp output (keluaran) dari sistem logika fuzzy adalah kecepatan putaran
motor DC dengan teknik PWM dan arah kemudi robot.
Adapun lintasan yang akan digunakan memiliki banyak variasai belokan
sehingga, akan ada beberapa variasi belokan agar robot dapat menelusuri garis
dengan baik. Adapun lintasan yang akan digunakan.
Gambar 3.2 Lintasan Line Follower
Crisp input posisi sensor hanya dirancang dalam tiga arah sudut pandang dari
robot mobil. tiga arah tersebut adalah kiri, tengah, dan kanan. Dengan begitu terdapat
delapan label derajat keanggotaan (MF) yaitu : sangat_kiri, agak tajam kiri, kiri,
tengah, kanan , agak tajam kanan dan sangat_kanan. Derajat keanggotaannya dapat
dilihat pada gambar berikut :
Gambar 3.3. Derajat keanggotaan (MF) input posisi sensor
Derajat keanggotaan crisp output (keluaran) untuk kecepatan putaran motor
memiliki lima label yaitu : sangat_lambat, lambat, sedang, cepat dan sangat_cepat.
Derajat keanggotaan kedua crisp output ini dapat dilihat pada gambar berikut :
Gambar 3.3. Derajat keanggotaan (MF) crisp output untuk kecepatan PWM motor
kanan
Gambar 3.4. Derajat keanggotaan (MF) crisp output untuk kecepatan PWM motor
kiri
Sedangkan untuk arah kemudi robot dapat ditentukan dari perbedaan kecepatan
putaran motor berdasarkan derajat keanggotaan masing-masing PWM motor. Arah
navigasi ini didefinisikan sebagai berikut :
Tabel 3.1. Arah Navigasi robot
Aksi robot (navigasi)
PWM kanan
PWM kiri
Belok kiri tajam
Sangat cepat
Sangat lambat
Belok kiri agak tajam
Sangat cepat
Lambat
Belok kiri
Cepat
Lambat
Maju
Sedang
Sedang
Belok kanan tajam
Sangat lambat
Sangat cepat
Belok kanan agak tajam
Lambat
Sangat cepat
Belok kanan
Lambat
Cepat
Rule (aturan) yang digunakan adalah sistem fuzzy berbasis aturan, aturan ini
diekstak dari pemikiran manusia. Untuk robot line follower yang dirancang
menggunakan rule sebagai berikut :
1. Jika posisi sensor sangat_kiri maka arah navigasi belok kanan Tajam
2. Jika sensor agak tajam kiri maka arah navigasi robot belok kanan agak
tajam
3. Jika Posisi sensor kiri maka arah navigasi belok kanan.
4. Jika Posisi sensor tengah maka navigasi maju.
5. Jika Posisi sensor kanan maka navigasi belok kiri.
6. Jika sensor agak tajam kanan maka arah navigasi robot belok kiri agak
tajam
7. Jika Posisi sensor sangat_kanan Maka belok kiri tajam.
Adapun proses pemasukan rule pada aplikasi matlab adalah :
Gambar 3.5 . Proses pemasukan rule pada matlab
Realisasi dalam bahas C untuk proses fuzzy diatas, sangat sederhana mengingat
bahwa input sensor berupa data digital dalam bentuk biner. Begitu juga keluarannya
untuk menggerakan motor berupa data digital. Teknik pemrogramannya pun
menggunakan teknik scanning. Jadi fuzzy logic tidak sepenuhnya diterapkan
mengingat kuantisasi input dan output, jadi hanya ada beberapa kemungkinan yang
akan terjadi.
BAB IV
ANALISIS
A. Pembacaan nilai ADC
Pada robot ini sensor yang digunakan masuk kedalam pin ADC sehingga kita
harus mendifinisikan garis hitam atau[un layar putih dengan mengkalibrasi sensor
garis.
Adapun data pembacaan sensor adalah sebagai berikut :
Warna
Hitam
Putih
Nilai ADC
785
123
Karena pembacaan nilai ADC yang selalu tidak tetap maka kita membuat program
toleransi sehingga mikro kontroller dapat mendefinisikan jenis garis dengan syntac
program.
int sensor1;
bit status_sensor1;
void baca_sensor(){
sensor1 = read_adc(0);
if (sensor