Referensi :
ROBOT LINE FOLLOWER DENGAN ALGORITMA BACKPROPAGATION
Abstrak
Robot tidak hanya dapat dikendalikan secara konvensional tetapi telah dikembangkan dengan kecerdasan buatan. Pada penelitian ini jaringan syaraf tiruan diaplikasikan pada robot line follower (LFR), dimana selama ini robot LFR dikendalikan dengan metode konvensional IF dan THEN, sehingga pembacaan pola garis yang berdampak pada gerakan roda robot tidak berjalan mengikuti jalur dengan baik. Sehingga penggunaan jaringan syaraf tiruan dengan algoritma backpropagation pada robot LFR bertujuan menghasilkan putaran motor yang sesuai dengan pembacaan sensor-sensor sehingga robot dapat berjalan mengikuti jalur dengan lebih baik atau gerakan nya lebih halus.
Pendahuluan
Robot merupakan wujud aplikasi perkembangan teknologi modern ini. Berbagai cara digunakan dalam menciptakan inovasi dalam dunia robotika seperti kecerdasan buatan. kecerdasan buatakan akan diharapkan mampu memperkecil error dibanding sistem kendali konvensional. Salah satu contoh contoh kecerdasan buatan adalah Jaringan Syaraf Tiruan (JST). Pada penelitian, JST digunakan pada kontrol robot LFR yang memiliki 4 sensor inframerah untuk diatur kecepatan putaran motor yang sesuai.
Metodologi
Penelitian
Metode yang digunakan melatih data input dari sensor inframerah. Terdapat beberapa tahapan yakni:
1.
melihat pembacaan sensor
inframerah dan mengkonversi hasil pembacaan dalam bentuk digital dimana 1 =
sensor mendeteksi garis dan 0 = sensor tidak mendeteksi garis dimana nilai ini
akan sebagai input pada JST. 4 Sensornya terletak secara berurutan dari kiri
2. Atur PWM motor pada robot yang berguna sebagai target dalam proses pelatihan data pada JST. Untuk penelitian ini digunakan range PWM dari 0 sampai 350 rpm.
Hasil dan Pembahasan
Setelah data diperoleh,
dilakukan konversi nilai target agar dapat digunakan saat proses
pelatihan. Adapun cara mentransformasikan data target adalah sebagai
berikut:
a.
Data terbesar :
350
b. Data Terkecil : 0
Contoh pertransformasian
data target :
Berikut hasil setelah
ditransformasikan semua data target :
Ketentuan arsitekturnya terdiri dari 1 input layer dengan 4 neutron yang merupakan sensor robot (S1, S2, S3, S4), kemudian 1 hidden layer terdiri dari 6 neutron, serta output layer yang terdiri dari 2 neutron (T1 dan T2) yang merupakan PWM motor kiri dan kanan robot. Learning rate = 0,1, maksimum epoch = 5000, dan target errornya 0,02.
Berikut merupakan hasil
perform dari masing-masing input dengan 2 output. Dimana terdapat 8
performance.
Tahapan
1. Mempersiapkan data yang akan diolah dalam bentuk jurnal
2. Membuka aplikasi matlab dan Microsoft excel
3. Menyalin data yang akan diolah pada tabel ke mic.excel
4. Pada command window matlab ketik >> workspace dan enter
5. Kemudian pada tampilan workspacenya tambahkan 2 buah file baru yaitu inputan dan target dengan klik kanan pada tampilan workspace dan pilih New
6. Selanjutnya masukkan data dari excel ke file pada workspace berupa inputan dan target, dengan klik 2 kali pada file tersebut
7. Selanjutnya pada comman window ketikkan >> nntool
8. Maka akan menampilkan Neural Network/Data manejer pada matlab
9. Pada neural network pilih menu import dan pilih variable yang akan digunakan yaitu inputan sebagai input data dan target sebagai target data, setelah itu klik import
10. Selanjutnya pada neural network pilih menu new dan beri nama serta atur pengaturan yang sesuai dan klik view sehingga menampilkan kemudian klik create dan ok
.png)
.png)
11. Pada Neural Network bagian network klik network yang sudah dibuat dan pilih menu train kemudian training info lanjut ke training parameters dan lakukan pengaturan yang sesuai
12. Setelah pengaturan selesai klik train network dan ubah plot interval menjadi 100 kemudian klik regression maka akan menampilkan bentuk grafik
13. Lakukan perulangan pada training parameter dan lakukan Langkah selanjutnya sesuai Langkah diatas.
- A. Sholahuddin, S. Hadi. 2013. Penerapan Jaringan Syaraf Tiruan Pada Pengenalan Pola Robot Line Follower. Prosiding Seminar Nasional Sains dan Teknologi Nuklir PTNBR-BATAN Bandung: 381-386.
- N. Yanti, F.Z. Rachman. 2016. Neural Network Application For The Analysis Of The Nutrition Andenvironment Effect To Mirobial Growth Rate On Fermented Soybean Patty (Tempe) Fermentation. JTT Vol.4 no.2: 100-106
- R.A. Firmansyah, T.Odinanto. 2017. Algoritma Pencarian Jalur Terpendek Menggunakan Jaringan Syaraf Tiruan Pada Aplikasi Robot Penyelamat Kebakaran. TELCOMATICS, Vol.2 no.2: 1-7.
- Kusumadewi, D. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB dan Excel Link. Graha Ilmu. Yogyakarta: 93-198
- T.Sutojo, E.Mulyanto, V.Suhartono. 2011. Kecerdasan Buatan. ANDI Yogyakarta: 362-374.
Tidak ada komentar:
Posting Komentar