7

BAB II

DASAR TEORI

2.1 Robot Pengertian robot secara umum adalah sistem autonomous yang terdapat di dunia

nyata, dapat mengenali lingkungan, dan dapat bertindak berdasarkan hal tersebut

untuk mencapai suatu tujuan. Definisi tersebut merupakan definisi umum saat

pembahasan robot dilakukan. Untuk itu kita perlu membahas tiap bagian dari definisi

tersebut.

Robot adalah sistem yang autonomous. Sebuah robot yang autonomous dapat

bertindak sesuai dengan basis dari keputusannya sendiri, dan tidak dikendalikan oleh

manusia. Mesin-mesin yang pada prakteknya masih dikendalikan manusia meskipun

bentuk fisiknya menyerupai robot tidak dapat dikatakan sebagai robot, mesin

tersebut disebut teleoperated [4]. Kata tersebut terdiri dari 2 (dua) pengertian yaitu

“tele” yang berarti jauh, dan “operated” berarti pengoprasian, jadi arti dari

teleoperate adalah mengoprasikan sistem dari jarak jauh. Seperti yang telah

disebutkan sebelumnya sebuah robot harus memiliki sifat autonomous. Robot dapat

mengambil masukan dan aturan yang berasal dari manusia, tapi tidak secara penuh

dikendalikan oleh manusia.

Sebuah robot adalah sistem yang berbentuk benda dan terdapat di dunia nyata. Kata

terdapat di dunia nyata merujuk pada keadaan dimana robot benar-benar terdapat

pada dunia yang sama seperti manusia, binatang, dan tanaman. Terdapat didunia

nyata berarti mengalami permasalahan yang sama dengan yang dihadapi semua

makhluk hidup lainnya, sebagi contoh mengalami gaya berat, dan hokum-hukum

fisika lainnya. Simulasi robot yang berada di dalam komputer tidak dapat disebut

robot karena mereka tidak pernah menghadapi kenyatataan permasalah yang

komplek dan tidak dapat disederhanakan.

8

Sebuah robot harus dapat mengenali lingkungannya. Pengenalan terhadap

lingkungan yang dihadapi merupakan komponen penting bagi robot. Sama seperti

makhluk hidup lainnya untuk dapat mengenali lingkungan, harus dilengkapi sistem

indra yang berfungsi untuk menerima data keadaan disekelilingnya. Sistem indra

pada robot disebut sensor. Contoh dari sensor yang digunakan pada mobile robot

adalah sensor jarak, suhu, cahaya, dan lainnya.

Sebuah robot harus dapat merespon atau bertindak pada masukan dari sensor. Sebuah

mesin yang tidak dapat merespon (contoh: bergerak) tidak dapat digolongkan sebagai

robot [4].

Sebuah robot harus mampu mencapai suatu tujuan tertentu. Sebuah sistem atau

mesin yang ada pada dunia nyata dan mampu mengenali lingkungannya, tapi dalam

bertindak atau berlaku secara acak tidak dapat disebut sebagai robot. Sebuah rhobot

harus dapat menggunakan informasi dari lingkungan sekitarnya dan memiliki

kemampuan untuk bertindak dengan melakukan sesuatu yang berguna bagi dirinya

sendiri maupun bagi makhluk hidup lain.

Sebuah autonomous mobile robot harus memiliki sistem tenaga, otak, roda, dan

peralatan manipulasi lainnya seperti cakar atau tangan, sehingga tidak bergantung

pada suatu sistem atau mekanisme tertentu untuk melakukan suatu pekerjaan.

Berdasarkan hal-hal diatas sebuah autonomous mobile robot harus memiliki

kemampuan untuk bergerak, merasa, dan berfikir [5].

2.1.1 Komponen dari Robot

Berdasarkan definisi dari robot yaitu sebagai sistem yang autonomus, berada di dunia

nyata, dapat mengenali lingkungan, dan merespon atau bertindak terhadap hal

tersebut untuk mencapai suatu tujuan maka sebuah robot harus memiliki komponen

seperti fisik, sensor untuk mengenali lingkungan, aktuator untuk melakukan aksi, dan

pengendali sehingga dapat bergerak tampa bantuan manusia.

9

• Embodiment

Tubuh merupakan komponen paling utama yang diperlukan sehingga suatu sistem

atau mesin dapat disebut sebagai robot. Embodiment berarti memiliki tubuh fisik.

• Pengindraan

Sensor adalah alat yang digunakan oleh robot untuk mendapatkan informasi tentang

lingkungan disekitarnya. Sebuah robot harus dirancang untuk memiliki sensor yang

tepat sehingga informasi yang didapatkan dapat digunakan untuk menyelesaikan

tugasnya.

• Aksi

Untuk dapat melakukan aksinya robot harus dilengkapi dengan efektor dan actuator.

Pada makhluk hidup efektor dan aktuator berbentuk kaki, tangan, sayap, dan lainya.

Efektor menggunakan mekanisme dasar, seperti otot dan motor, yang disebut

actuator. Pada robot efektor dan aktuator digunakan untuk bergerak yang disebut

locomotion dan menggenggam objek yang disebut manipulation.

• Otak

Bila ditinjau dari sisi biologis otak, robot berbeda dengan binatang dan manusia.

Pada robot proses berfikir pada otak tidak membutuhkan tenaga yang cukup besar,

justru tenaga terbesar digunakan untuk menggerakan aktuator. Namun hal ini tidak

berlaku saat otak pada robot melakukan perhitungan robot dan manusia

mengkonsunsumsi tenga yang sama.

• Otonomi

Pengendali pada robot dapat berupa hardware maupun software, yang berfungsi agar

robot dapat bergerak secara autonomous dengan menggunakan masukan dari sensor

dan informasi lainnya untuk memutuskan tindakan yang akan dikerjakan oleh robot.

Pada satu robot dapat dimungkinkan memiliki banyak pengendali, hal ini dilakukan

karena diperlukan untuk melakukan beberapa aksi secara serentak.

10

Otonomi adalah kemampuan untuk membuat keputusan sendiri dan bertindak

didasarkan pada keputusan tersebut. Pada robot, otonomi berarti keputusan yang

diambil dan dikerjakan oleh robot sendiri, bukan oleh operator manusia.

Dibawah ini adalah salah satu contoh dari komponen-komponen yang harus dimiliki

sebuah robot untuk dapat berinteraksi dengan lingkungan sekitarnya

Gambar 2.1 Robot Component

Suatu sistem yang dapat mengambil keputusan dengan tepat berdasarkan informasi

yang didapatkan dari lingkungan yang dihadapinya disebut cerdas. Pada prakteknya

terdapat 2 jenis robot yang dikelompokan berdasarkan tingkat kecerdasaannya, yaitu

robot bodoh dan cerdas. Kecerdasan tidak diukur dari kapasitasnya dalam

menghitung tapi dari kemapuan untuk memutuskan, mencari tahu untuk mengerjakan

sesuatu dengan memperhitungkan semua variable dan menentukan tindakan yang

tepat. Sebuah robot yang cerdas dapat mengambil keputusan dengan tepat meskipun

lingkungan yang dihadapinya sama sekali baru [5].

11

2.1.2 Struktur Autonomous Mobile Robot

Secara umum, struktur dari sebuah autonomus mobile robot dapat dilihat pada

gambar 2.1.

Gambar 2.2 Struktur Autonomous Mobile Robot

Kemampuan mengenali lingkungan yang dilakukan oleh sensor-sensor akan

memberikan suatu informasi yang akan digunakan oleh pengambilan keputusan yang

dapat berupa pengendali atau prosessor. Setelah pengolahan informasi, keputusan

akan dihasilkan yang kemudian dilaksanakan oleh actuator. Pergerakan actuator

memberikan perubahan pada autonomous mobile robot terhadap lingkungannya.

Proses ini terus berulang seiring dengan perubahan lingkungan yang dihadapi robot,

sehingga dapat dikatakan bahwa robot beradaptasi terhadap lingkungan.

2.2 Pengolahan Citra Digital Pengolahan citra digital merupakan proses yang bertujuan untuk memanipulasi dan

menganalisis citra dengan bantuan komputer. Pengolahan citra digital memungkinan

penggunaan algoritma yang kompleks untuk memproses citra, oleh karena itu akan

menghasilkan performa yang tinggi pada kasus sederhana.

Citra digital dapat didefinisikan sebagai fungsi dari 2 variable f(x,y) dimana x dan y

adalah koordinat spasial dan nilai f(x,y) adalah intensitas citra pada koordinat

tersebut, hal tersebut diilustrasikan pada gambar di bawah ini.

12

Gambar 2.3 Citra Digital

Teknologi dasar untuk menciptakan dan menampilkan warna pada citra digital

berdasarkan pada penelitian bawa sebuah warna merupakan kombinasi dari tiga

warna dasar, yaitu merah (red) , hijau (green), dan biru (blue) yang biasa disebuat

warna RGB. Komposisi warna RGB tersebut dapat dilihat pada gambar dibawah ini.

Gambar 2.4 Komposisi Warna RGB

13

Sebuah citra diubah kedalam bentuk digital agar dapat disimpan dalam memori

komputer atau media penyimpan lain. Proses pengubahan citra ke bentuk digital

dapat dilakukan dengan bebebrapa perangkat seperti kamera digital, scanner, dan

handcam. Ketika sebuah citra sudah diubah kedalam bentuk digital, bermacam-

macam proses pengolahan dapat dilakukan pada citra tersebut.

Pengolahan citra digital dapat dilakukan dengan cara-cara berikut:

• Peningkatan kualitas citra

• Analisis citra

• Rekonstruksi citra

• Restorasi citra

• Representasi dan permodelan citra

• Kompresi citra

Pada pengolahan citra digital terdapat 3 tipe pemrosesan yaitu [6]:

• Pemrosesan level rendah (Low Level Process)

Pada tipe pemrosesan ini operasi yang dilakukan digolongkan pada operasi

primitif, seperti pemrosesan citra untuk mengurangi noise, perbaikan kontras,

dan penajaman citra. Ciri dari pemrosesan level rendah adalah masukan dan

keluarannya sama yaitu citra.

• Pemrosesan level menengah (Mid Level Process)

Pada tipe pemrosesan ini terdapat tugas yang harus dilakukan seperti

segmentasi citra (membagi citra kedalam daerah-daerah atau objek-objek

tertentu), mendeskripsikan objek-objek untuk kemudian mengubahnya

menjadi bentuk yang sesuai untuk pemrosesan pada komputer, dan klasifikasi

(mengenali objek tertentu). Ciri dari pemrosesan ini adalah masukan yang

digunakan berupa citra, dan keluaran yang dihasilkan berupa atribut-atribut

yang diekstrak dari citra, sebagai contoh garis atau kontur.

• Pemrosesan level tinggi (High Level Process)

Pada pemrosesan tipe ini pemrosesan dilakukan untuk menjadikan objek-

objek yang telah teridentifikasi menjadi lebih berguna, berkaitan dengan

14

aplikasi, dan melakukan fungsi-fungsi kognitif yang diasosiasikan dengan

vision.

2.2.1 Robot Vision

Penglihatan merupakan bagian penting bagi tiap makluk hidup. Hal ini di dasarkan

dari fakta bahwa informasi terbanyak didapatkan dari penglihatan. Namun hal ini

juga memberikan suatu masalah baru yaitu bagaimana mengolah informasi yang

banyak tersebut. Manusia memiliki sistem-sistem saraf penglihatan yang bekerja

sama dengan otak untuk dapat mengolah informasi-informasi tersebut, sedangkan

pada robot penglihatan didapatkan dari sensor-sensor. Informasi-informasi yang

didapatkan dari sensor-sensor tersebut kemudian diolah dengan suatu algoritma

tertentu, yang disebut pemrosesan citra digital (image processing) [7].

Tahap awal dari pengolahan citra digital adalah image collection. Pada tahap ini

kamera menangkap gambar sebagai aliran informasi yang dibaca dari sensor cahaya

pada waktu tertentu dan menyimpannya tiap kali proses scanning pembacaan sensor-

sensor tersebut selesai dilakukan dan disatukan kemudian sebagai 1 file.

Dalam proses pengolahan citra digital dikenal istilah dasar yaitu pixel dan resolusi.

Pixel adalah titik kecil dari warna yang terlihat pada layar, dan merupakan bentuk

terkecil dari gambar. Resolusi adalah kumpulan dari pixel per ukuran gambar. Ketika

gambar disimpan, tiap pixel akan mengandung informasi berupa warna dan

lokasinya pada gambar tersebut. Selain itu dikenal juga istilah dpi (dots per square

inch) yang menunjuk pada banyaknya pixel dalam 1 inch2 pada gambar.

Resolusi berbanding lurus dengan banyak pixel dan kualitas dari gambar dan besar

proses yang dibutuhkan untuk mengolahnya. Jadi gambar dengan resolusi tinggi

berarti memili banyak pixel dan memiliki kualitas gambar yang tinggi pula, tapi hal

ini mengakibatkan dibutuhkannya proses penglolahan yang lebih rumit. Berdasarkan

hal tersebut, pengolahan citra digital pada robot digunakan citra dengan resolusi

rendah.

15

Gambar dalam pemrosesan citra digital akan disimpan dalam bentuk matriks 2D (2

dimensi) yang merepresentasikan lokasi dari seluruh pixel. Tiap pixel pada citra

memiliki komponen data X dan Y, dan ditiap titik tersebut disimpan nilai warna

pixel. Jika gambar tersebut adalah hitam putih (binary image) maka tiap pixel akan

memiliki nilai 1 atau 0 saja, bila gambar tersebut adalah grayscale maka nilai tiap

pixel memiliki nilai jangkauan warna gradasi dari putih sampai hitam, sedangkan

bila gambar tersebut adalah gambar berwarna maka tiap pixel akan menyimpan 1 set

komposisi nilai yang terdiri dari merah (red), hijau (green), dan biru (blue).

Contoh representasi matrix untuk citra biner dari segitiga adalah:

Gambar 2.5 Matrix Citra Biner Segitiga

Citra diatas memiliki resolusi 7 x 5, dengan menyimpan 1 bit pada tiap lokasi pixel.

Sehingga memori yang digunakan untuk menyimpan citra ini adalah 7 x 5 x 1 = 35

bit.

Contoh representasi matrix untuk citra keabuan 8 bit dari segitiga adalah:

Gambar 2.6 Matrix Citra Keabuan Segitiga

Citra diatas memiliki resolusi 7 x 6, dengan menyimpan 8 bit pada tiap lokasi pixel.

Sehingga memoru yang digunakan untuk menyimpan citra ini adalah 7 x 6 x 8 = 336

bit.

16

Pada robot pemrosesan citra digital dilakukan pada tingkat resolusi rendah. Untuk

mengubah resolusi suatu citra adalah dengan menghilangkan data dari citra, namun

data yang dibuang tidak bisa sembarangan karena dapat menghilangkan data citra

yang penting. Salah satu cara yang sering digunakan adalah dengan merata-ratakan

data nilai suatu pixel terhadap pixel disekitarnya, lalu menggantikan kelompok pixel

tersebut dengan nilai rata-rata tersebut.

Ada beberapa metoda pemrosesan citra digital yang biasa digunakan oleh robot

untuk menyelesaikan tugas-tugasnya, yaitu:

2.2.1.1 Metoda Threshold

Pada metode ini pertama-tama akan ditentukan terlebih dahulu nilai dari tiap kanal

warna yang akan menjadi titik batas (threshold point). Tiap pixel yang memiliki nilai

diatas titik tersbut akan diubah menjadi bernilai 0 dan yang memiliki nilai diatasnya

akan berniai 1. Pemilihan titik batas tersebut dapat dilakukan dengan melakukan

pemilihan secara langsung atau dengan mengkombinasikannya dengan metoda

heuristik, yang akan meningkatkan tingkat kekontrasan dari sebuah citra digital.

Dengan metoda tersebut citra akan dianalisis, kemudai pixel yang terang akan dibuat

menjadi lebih terang lagi, dan pixel yang lebih gelap akan menjadi lebih gelap lagi.

Pemilihan titik batas pada metoda threshold sangat penting karena menentukan

kualitas citra yang dihasilkan.

Metoda ini akan berfungsi sangat baik pada citra dengan warna latar belakang yang

memiliki tingkat kontras yang cukup tinggi jika dibandingkan dengan warna pada

benda atau objek yang akan dikenali. Contoh dari penggunaan metoda threshold

pada pemrosesan citra digital pada robot adalah untuk menentukan bola berwarna

merah pada lapangan pertandingan robot soccer.

17

Gambar 2.7 Pengolahan Citra Digital Menggunakan Metoda Threshold

2.2.1.2 Metoda Deteksi Tepi

Metoda deteksi tepi adalah teknik pemrosesan citra digital dengan melakukan filter

pada citra sehingga hanya bagian tepi objek saja yang akan ditampilkan pada layar.

Metoda ini sangat berguna untuk mengenali bentuk-bentuk benda yang spesifik, line

follower, atau untuk mengenali sudut-sudut dari objek gambar. Secara umum tepi

dari objek dalam citra dinyatakan sebagai titik dengan nilai warna yang berbeda

cukup besar dengan titik disebelahnya. Terdapat 2 mask yang paling umum

digunakan dalam operasi pengloahan citra digital khususnya pada metoda deteksi

objek, yaitu:

1. Operator Gradien

Operator ini cocok untuk mendeteksi tepi objek yang tajam dimana pixel

dari level keabuan berubah sangat cepat. Operator ini memiliki

kelemahan pada deteksi tepi objek dengan perubahan perlahan dari level

keabuan gelap ke terang, karena menghasilkan tepi yang melebar.

2. Operator Laplacian

Operator ini cocok untuk mendetksi tepi objek yang perubahaan level

keabuaan dari citra perlahan. Operator ini menggunakan metoda zero

crossing, untuk menentukan garis batas antara hitam dan putih, yang

terdapat pada turunan kedua dari citra yang bersangkutan. Namun metoda

ini memiliki kelemahan karena sangat peka terhadap noise, salah satu

cara untuk mengatasi masalah tersebut adalah dengan menggabungkan

metoda ini dengan metoda threshold.

18

Gambar 2.8 Image Processing Menggunakan Metoda Edge Detection

2.2.1.3 Metoda Deteksi Bentuk Dan Pengenalan Pola

Metoda deteksi objek membutuhkan pemrosesan yang lebih kompleks. Hal ini

ditunjukan dengan dibutuhkannya representasi matematika untuk suatu bentuk

tertentu yang akan dideteksi. Representasi matematika dari bentuk akan ditaruh pada

database untuk kemudian akan dipanggil bila proses deteksi dilakukan.

Metoda ini cukup baik untuk digunakan pada benda dengan bentuk dasar seperti

segitiga, lingkaran, dan kotak. Berbeda bila bentuk yang dideteksi lebih komplek

karena kita perlu menambahkan analisis kemungkinan. Sebagai contoh algoritma

deteksi bentuk digunakan untuk mengenali 10 macam buah, dimana sebagian besar

buah memiliki bentuk dasar bulat. Bila metoda ini langsung digunakan maka

keluaran yang dihasilkan adalah semua buah yang memiliki bentuk hampir sama

akan dideteksi sebagai buah yang sama. Karena itu, perlu ditambahkananya

algoritma untuk menganalisis kemungkinan bentuk dari tiap macam buah.

2.2.1.4 Metoda Deteksi Titik Tengah Massa dan Blob

Blob detection adalah algoritma yang digunakan untuk menentukan apakah suatu

grup dari pixel saling terhung satu sama lain. Metoda ini sangat berguna utnuk

mengidentifikasi objek yang terpisah-pisah pada suatu citra, atau menghitung jumlah

dari suatu objek pada suatu citra.

19

Pada metoda blob detection citra harus di proses dengan metoda threshold terlebih

dahulu, berdasarkan warna yang akan dideteksi. Setelah itu citra dengan warna diatas

nilai threshold dapat dikategorikan sesuai dengan aturan yang telah ditentukan

terlebih dahulu, misal untuk pixel yang memiliki nilai lebih kecil daripada nilai

threshold akan dikelompokan sebagai komponen dari objek yang didetksi, sedangkan

yang diatas dikelompokan sebagai informasi yang tidak penting. Sedangkan untuk

mendapatkan titik berat massa adalah dengan merata-ratakan lokasi dari tiap pixel

dari dengan warna tertentu.

2.2.1.5 Metoda Klasifikasi Pixel

Metoda klasifikasi pixel digunakan untuk melakukan klasifikasi pada tiap pixel

berdasarkan informasi yang dimilikinya sebagai suatu objek tertentu. Pixel dengan

informasi yang berbeda dikenali sebagai objek yang berbeda, sedangkan pixel

dengan informasi yang sama dikenali sebagai objek yang sama. Contoh dari metoda

ini adalah untuk mengenali objek-objek yang memiliki kriteria warna yang spesifik.

Metoda ini berguna untuk road following atau obstacle avoidance.

Gambar 2. 9 Citra Hasil Metoda Klasifikasi Pixel

20

2.2.1.6 Metoda Korelasi Citra

Metoda ini adalah metoda pengenalan objek sederhana dengan melakukan

pencocokan pola. Metoda ini bekerja dengan menyimpan database dari berbagai ciri

citra, dan menghitung kemiripan dari keseluruhan citra.

Di bawah ini adalah contoh pengguna metoda korelasi citra untuk mengenali citra

seekor tupai.

Gambar 2.10 Citra Pengenalan Objek Dengan Metoda Korelasi Citra

2.3 Sensor Kamera CMUcam3 CMUcam3 adalah programmable embedded computer vision sensor yang berbasis

ARM7TDMI. Prosessor utamanya adalah Philips LPC2106 yang dihubungkan pada

sensor kamera CMOS omnivision. Pemrogram dengan bahasa C dapat

dikembangkan dalam CMUcam3 dengan menggunakan port dari GNU toolchain

bersama dengan beberapa library yang open souce dan beberapa contoh program.

Kode yang dieksekusi dapat di tanamkan pada modul kamera CMUcam3 lewat port

serial.

21

Gambar 2.11 CMUcam3

Fitur-fitur CMUcam3yang dimiliki oleh CMUcam3 diataranya adalah:

• Resolusi CIF (352x288) RGB sensor cahaya

• Open Source Development Environment untuk Windows dan Linux

• Slot MMC Flash dengan driver yang mendukung FAT16

• 4 port Servo kontroler

• Memasukkan gambar kedalam memory dengan kecepatan 26 frame per detik

• Software untuk kompresi file JPEG

• Library dasar untuk manipulasi gambar

Block Diagram dari CMUcam3 adalah:

Gambar 2.12 Blok Diagram CMUcam3

22

Penampang perangkat keras dari CMUcam3 dapat dilihat sebagai berikut.

Gambar 2.13 Perangkat Keras CMUcam3

CMUcam3 dirancang bagi pengguna yang sudah terbiasa dengan dasar pengolahan

citra digital dan terbiasa melakukan pemrograman pada mikrokontroller. Bagi

pengguna yang menginginkan dasar pengolahan citra yang mudah diakses lewat

interface komunikasi serial sederhana dan tidak menginginkan untuk

mengimplementasikan algoritma sendiri, dapat meng-install suatu program

CMUcam2. Beberapa contoh aplikasi CMUcam3 seperti robotik, pengawasan,

sensor jaringan, pengenalan dan pelacakan objek.

2.4 Mikrokontroller ATmega32

Mikrokontroler AVR merupakan mikrokontroler 8 bit berbasis arsitektur RISC

(Reduce Instruction Set Computers) produksi Atmel dimana sebagain besar instruksi

dieksekusi dalam satu siklus clock. Secara umum, AVR dapat dikelompokkan

menjadi 4 kelas, yaitu keluarga ATtiny, keluarga AT90Sxx, keluarga ATmega, dan

AT86RFxx. Pada dasarnya yang membedakan masing-masing kelas adalah memori,

peripheral, dan fungsinya. Dari sisi arsitektur dan instruksi yang digunakan, mereka

dapat dikatakan hampir sama.

23

Arsitektur ATmega32 dapat dilihat pada gambar dibawah ini.

Gambar 2.14 Arsitektur ATmega32

Dari blok diagram fungsional ATmega32 di atas, dapat dilihat bahwa ATmega32

memiliki bagian sebagai berikut:

• Saluran I/O sebanyak 32 buah, yaitu Port A, Port B, Port C, dan Port D

seperti terlihat pada Gambar 2.9.

• ADC 10 bit sebanyak 8 saluran dimana saluran ADC menggunakan Port A

• Tiga buah Timer/Counter dengan kemampuan perbandingan

• CPU yang terdiri dari 32 buah register (GPR)

• Watchdog Timer dengan osilator internal

• SRAM sebesar 2KByte

• Memori Flash sebesar 32Kbyte dengan kemampuan Read While Write

• Unit interupsi internal dan eksternal

• Port antarmuka SPI

• EEPROM sebesar 1024 Byte

• Antarmuka komparator analog

• Modul USART untuk komunikasi serial

24

Fitur – fitur yang dimiliki oleh mikrokontroller ATmega32 adalah:

• Sistem mikroprosesor 8 bit berbasis RISC dengan kecepatan maksimal 16

MHz

• Kapabilitas memori flash 32 Kbyte, SRAM sebesar 2 Kbyte, dan EEPROM

sebesar 1024 Byte.

• ADC internal dengan resolusi 10 bit sebanyak 8 saluran

• Modul komunikasi serial dengan kecepatan maksimal 2.5Mbps

• Enam pilihan mode sleep menghemat penggunaan daya listrik

Deskripsi pin – pin yang terdapat pada ATmega32 adalah:

Gambar 2.15 Pin-Pin ATmega32

konfigurasi pin ATmega32 dapat dilihat pada gambar di atas. Dari gambar tersebut

dapat dijelaskan secara fungsional penggunaan pin-pin ATmega32 sebagai berikut:

• VCC

Merupakan pin yang berfungsi sebagai pin masukan catu daya digital (digital

supply voltage)

• GND

Merupakan pin Ground

• PORTA (PA0….P07)

Merupakan pin I/O dua arah dan pun masukan ADC. Port A juga menyediakan

resistor pull-up internal

25

• PORTB (PB0….PB7)

Merupakan pin I/O dua arah dengan resistor pull-up internal dan juga pin dengan

fungsi khusus, yaitu pin untuk Timer/Counter, komparator analog, dan SPI

(Serial Peripheral Interface).

• PORTC (PC0….PC7)

Merupakan pin I/O dua arah dengan resistor pull-up internal dan juga pin dengan

fungsi khusus, yaitu pin untuk TWI (Two-wire Serial Interface), komparator

analog, dan Timer Oscilator

• PORTD (PD0….PD7)

Merupakan pin I/O dua arah dengan resistor pull-up internal dan juga pin dengan

fungsi khusus, yaitu pin untuk interupsi eksternal, komparator analog, dan

komunikasi serial.

• RESET

Merupakan pin yang digunakan untuk me-reset mikrokontroler. Pin ini

merupakan pin dengan konfigurasi active low. Level tegangan rendah (low) yang

diberikan pada pin ini lebih lama dari lebar pulsa akan me-reset mikrokontroler

• XTAL1

Merupakan pin masukan untuk inverting oscillator amplifier dengan input untuk

clock internal.

• XTAL2

Merupakan pin keluaran dari inverting oscillator amplifier

• AVCC

Merupakan pin yang digunakan sebagai supply tegangan bagi PORTA dan juga

ADC.

• AREF

Merupakan pin masukan tegangan referensi ADC.

2.5 Motor Servo Motor pada umumnya berputar secara kontinu hanya pada 1 (satu) arah tertentu. Tapi

pada robot biasanya dibutuhkan motor yang dapat bergerak pada suatu posisi tertentu

saja seperti pada lengan robot.

26

Motor yang dapat menggerakan shaft-nya pada suatu posisi tertentu disebut motor

servo. Kebanyakan servo digunakan pada mainan anak-anak, seperti menyesuaikan

pengendalian pada mobil remote-controlled (RC car), dan posisi sayap pada pesawat

remote-control.

Kebanyakan orang menganggap motor DC berbeda dengan motor servo. Hal itu

tidak sepenuhnya benar sebab faktanya motor servo disusun dari motor DC dengan

beberapa tambahan komponen lainnya, seperti:

• Reduction gear untuk mengurai kecepatan motor dan memperbesar torque

• Sensor posisi untuk motor shaft, untuk mengetahui seberapa besar putaran yang

dilakukan oleh motor untuk sampai pada posisi tertentu

• Sirkuit elektronik yang mengendalikan motor, untuk mengendalikan putaran

motor dan arah putaran motor

Inti dari pergerakan servo adalah menggerakan shaft pada motor untuk mencapai

suatu posisi tertentu. Pada umumnya, posisi maksimum yang dapat dicapai oleh

motor servo adalah 180 derajat dari titik referensi atau setengah putaran lingkaran.

Jumlah putaran diantara sudut 0 derajat sampai dengan 180 derajat ditentukan oleh

sinyal elektrik. Sinyal dibentuk dari deretan pulsa; ketika pulsa diterima shaft dari

motor akan berotasi, dan bila tidak ada pulsa yang diberikan shaft berhenti bergerak.

Pola pulsa yang dibentuk untuk mengendalikan motor servo disebut waveform.

Besarnya rotasi pergerakan dari shaft pada motor servo ketika diberikan pulsa

ditentukan oleh lebar pulsa. Makin tinggi periode pulsa yang diberikan, makin besar

rotasi yang dihasilkan. Prinsip kerja ini yang disebut PWM (pulse width modulation)

karena lebar dari pulsa mengatur sinyal. Ketepatan lebar pulsa cukup penting dan

sebaiknya dihidarkan untuk menggunakan pulsa yang tidak stabil. Bila lebar pulsa

yang diberikan meleset dalam hitungan milisekon atau bahkan mikrosekon akan

menyebabkan servo berotasi dengan baik, yang ditandai dengan servo akan berputar

27

ke sudut maksimumnya (180 derajat) dan bergetar, sebaliknya periode pulsa tidak

mempengaruhi pergerakan motor servo.

Gambar 2.16 Contoh Kendali Motor Servo

Pada contoh gambar pengendalian motor servo diatas digunakan frekuensi pulsa

50Hz yang berarti periode 1 (satu) gelombang pulsa adalah 20ms. Berdasarkan

gambar diatas lebar pulsa yang diberikan pada servo menentukan arah dan sudut

putar dari servo. Sebagi contoh, dengan memberi lebar pulsa tepat 1.5ms servo akan

berputar dan mengarah pada posisi tengahnya sedangkan bila lebar pulsa yang

diberikan lebih dari 1.7ms (pada contoh diatas diberikan lebar pulsa 2ms) maka

servo akan bergerak kearah kiri (-90 derajat) dan untuk lebar pulsa kurang dari 0.7ms

servo akan berputar kearah sebaliknya (kanan).

Servo yang digunakan pada tugas akhir ini adalah Hitec HS-322HD dengan

spesifikasi sebagai berikut:

• Tipe Motor : 3 pole

• Tipe bearing : nilon

• Kecepatan : 0.19 / 0.15 sec @ 60 derajat

• Torka : 3.0 / 3.7 kg.cm

• Ukuran : 40.00 x 20.00 x 36.50 mm

• Berat : 43.00 gram

28

Gambar 2.17 Servo Hitec HS-322HD

Gambar 2.18 Konektor Motor Servo Hitect HS-322HD

Konektor motor servo Hitect HS-322HD terdiri dari 3 buah kabel berwarna dengan

spesifikasi:

• Hitam – ground

• Merah – supply

• Kuning – sinyal

29

2.6 Jaringan Saraf Tiruan Ketertarikan pada jaringan saraf tiruan dimulai setelah McCulloch dan Pitts pada

tahun 1943 memperkenalkan neuron sederhana. Neuron pada jaringan saraf tiruan

direpresentasikan sebagai model biologi dari neuron dan sebagi konsep komponen

untuk sirkuit yang dapat melakukan komputasi [8]. Menurut Fauset (1994) jaringan

saraf tiruan merupakan suatu sistem pemrosesan informasi yang memiliki

karakteristik-karakteristik pemrosesan informasi yang memiliki karakteristik-

karakteristik menyerupai jaringan saraf biologi. Madsker dan Liebowitz (1994)

memetakan hubungan antara konsep biologi dan jaringan saraf tiruan yang

digamabarkan pada tabel 1.1 di bawah ini. Tabel 2.1 Tabel Hubungan Antara Biologi dan Jaringan Saraf Tiruan

Biologi Jaringan Saraf Tiruan

Soma Node (simpul)

Dendrite Input

Axon Output

Sinaps Weight (bobot)

Kecepatan Proses Tinggi Kecepatan Proses Tinggi

Terdiri dari banyak neuron Beberapa neuron

Jaringan saraf tiruan adalah model komputasi dengan beberapa sifat seperti seperti

mampu beradaptasi atau belajar, pengelompokan, organisasi data, dan operasi yang

dilakukannya didasari pada parallel processing.

Jaringan saraf tiruan dapat melakukan komputasi terhadap semua fungsi yang dapat

dihitung (computable function). Jaringan saraf tiruan dapat melakukan apa yang

dapat dilakukan oleh komputer digital normal.

Pada prakteknya, jaringan saraf tiruan sangat berguna bagi klasifiksai dan

permasalahan-permasalahan yang dapat menolerir ketidaktepatan, yang memiliki

banyak data pelatihan, namun memiliki aturan-aturan yang tidak dapat diaplikasikan

secara mudah.

30

Pembangun sistem artificial intelligent yang didasari pada pendekatan jaringan saraf

tiruan secara umum meliputi langkah-langkah berikut ini [LiMin Fu, 1994] :

1. memilih model jaringan saraf tiruan yang sesuai didasarkan pada sifat dasar

permasalahannya.

2. Membangun jaringan saraf tiruan yang sesuai karakteristik domain

aplikasinya

3. Melatih jaringan saraf tiruan dengan prosedur pembelajaran dari model yang

dipilih

4. Menggunakan jaringan yang telah dilatih sebagai pembuatan inferensi atau

pemecahan masalah.

Sifat-sifat dari jaringan saraf tiruan yang diadaptasi dari jaringan saraf biologis

adalah:

1. Pemrosesan informasi bersifat local

2. Memori terbagi atas long term memory yang merupakan bobot

keterhubungan dan short term memory yang dihubungkan neuron ke

sinyal yang dijalarkan

3. Tegangan pembobotan dapat berubah menurut pengalaman

4. Neurotrasmitter dari sinap dapat bersifat penyalaan (exitatory) atau

pemadaman (inhibitory)

Jaringan saraf tiruan memiliki 3 karakteristik yang utama yang meniru jaringan

biologis, yaitu:

1. Arsitektur jaringan

Meupakan pola keterhubungan antara neuron. Keterhubungan neuron-

neuron inilah yang membentuk suatu jaringan

2. Algoritma jaringan

Merupakan metoda untuk menentukan nilai bobot hubungan. Ada 2 (dua)

jenis metoda, yaitu metoda pelatihan atau pembelajaran, dan metoda

pengenalan atau aplikasi

31

3. Fungsi aktivasi

Merupakan fungsi untuk menentukan nilai keluaran berdasarkan nilai

total masukan pada neuron. Fungsi aktivasi suatu algoritma jaringan dapat

berbeda dengan fungsi aktivasi algoritma jaringan lain.

Jaringan saraf tiruan umumnya digunakan untuk menyelesaikan permasalahan

dimana formulasi lengkapnya tidak diketahui, seperti tidak ada model sebab

akibatnya atau representasi matematikanya. Jaringan saraf tiruan menggunakan data

untuk menurunkan suatu pola yang relevan dalam grup yang berbeda.

2.6.1 Arsitektur Jaringan Saraf Tiruan

Secara umum, arsitektur jaringan tiruan terdiri dari beberpa lapisan yaitu:

1. Lapisan masukan (input layer)

Lapisan masukan merupakan lapisan yang terdiri dari beberpa neuron

yang akan menerima sinya dari luar dan kemudan meneruskannya ke

neuron-neuron lain dalam jaringan. Cara kerja lapisan ini didasari dari

cara kerja sel-sel saraf sensori pada jaringan saraf biologi.

2. Lapisan tersembunyi (hidden layer)

Lapisan tersembunyi merupakan tiruan dari sel-sel saraf konektor pada

jaringan saraf biologis. Lapisan tersembunyi berfungsi meningkatkan

kemampuan jarinagn dalam memecahkan masalah. Konsekuensi dari

adanya lapisan ini adalah pelatihan menjadi semakin sulit dan lama.

3. Lapisan keluaran (output layer)

Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasil

pemrosesan jaringan. Lapisan ini juga terdiri dari sejumlah neuron.

Lapisan keluaran merupakan tiruan sel-sel saraf motor pada jaringan saraf

biologis.

32

Gambar 2.19 Arsitektur Jaringan Saraf Tiruan[Fundamental of Neural Network]

2.6.1.1 Pengaturan Pembobotan (Training)

Pengaturan pembobotan (training) merupakan karakteristik yang penting pada

jaringan saraf tiruan, hal ini disebabkan oleh terdapat bermacam-macam cara

pembobotan untuk tipe jaringan saraf tiruan yang berbeda. Terdapat 2 (dua) metoda

pelatihan yang paling umum digunakan yaitu:

1. Supervised training

Metoda ini paling umum digunakan pada saat pengaturan pembobotan

dilakukan. Pada metoda ini sistem akan mendapatkan keluaran yang

dikehendaki dari suatu pola masukan, dan sistem belajar didasarkan pada

selisih output sesungguhnya dengan nilai keluaran yang dikehendaki

2. Unsupervised training

Pada metoda ini pelatihan dilakukan tampa memberikan nilai keluaran

yang diharapkan, namun dengan metoda ini diharapkan sistem dapat

memetakan ruang vektor input ke ruang vektor keluaran dalam sebuah

map.

Pada tugas akhir ini metoda pelatihan yang digunakan adalah metodak supervise

training

33

2.6.1.2 Neuron

Neuron pada jaringan saraf tiruan dirancang untuk menirukan karakteristik neuron

biologi orde pertama. Secara prinsip, neuron akan menerima satu atau beberapa

sinyal masukan, menghitung berdasarkan activation level, kemudian memberi sinyal

keluaran, yang dapat berupa hasil akhir maupun masukan bagi neuron lainya.

Gambar dibawah ini merupakan diagram dari neuron sederhana.

Gambar 2.20 Diagram Neuron

Berdasarkan gambar diatas terlihat serangkaian input dengan nama x1, x2, x3, …, xn

yang diberikan pada suatu neuron. Input ini secara bersama-sama dikenal sebagai

suatu vektor X yang bersesuaian dengan sinyal yang masuk kedalam sinapsis neuron

biologis. Setiap sinyal akan dikalikan dengna suatu bobot w1, w2, w3, …, wn sebelum

masuk ke blok penjumlahan Sj. Setiap faktor pembobotan bersesuaian dengan

strength penghubung sinapsis biologis tunggal tunggal. Faktor pembobotan ini

secara bersama-sama teracu sebagai vector W. Blok penjumlahan akan

menjumlahkan semua input terboboti secara aljabar dan menghasilkan sebuah

keluaran yang dinotasikan dengan variable v. Pada unit keluaran, variabel X akan

dimasukan kedalam suatu fungsi f tertentu yang disebut fungsi aktivasi untuk

menghasilkan keluaran akhir. Fungsi aktivasi yang digunakan dapat berupa fungsi

linier atau fungsi-fungsi lain yang lebih komplek. Secara matematis, sebuah neuron

dapat digambarkan dengan persamaan sebagai berikut:

34

(2.1)

(2.2)

2.6.1.3 Fungsi Identitas

Sebuah sinyal aktivasi diperlukan oleh suatu neuron untuk menyalakan atau

memadamkan penjalaran sinyal dari neuron tersebut. Sinyal aktivasi dalam jaringan

saraf tiruan detentukan oleh suatu fungsi aktivasi.

Ada beberapa jenis fungsi aktivasi yang digunakan dalam jaringan saraf tiruan

(Fausset, 1994) antara lain:

1. Fungsi Identitas

Fungsi ini biasanya digunakan pada jaringan saraf tiruan single layer.

Fungsi ini akan menghasilkan nilai yang sama dengan nilai masukannya,

grafik dari fungsi ini berupa garis lurus atau linier. Fungsi ini dapat

dituliskan sebagai berikut:

f (x) = x ⇒∀x

(2.3)

Gambar 2.21 Grafik Fungsi Identitas

35

2. Fungsi Threshold

Fungsi ini merupakan fungsi indentitas dengan pembulatan yang

bergantung pada parameter pembulatan θ. Untuk θ = 1, fungsi ini hanya

akan menghasilkan nilai 1 dan 0. Dengan demikian, grafik yang

digambarkan akant terlihat seperti tangga pada interval antara 0 dan 1.

Fungsi ini dapat dituliskan sebagi berikut:

(2.4)

Gambar 2.22 Grafik Fungsi Threshold

3. Fungsi Sigmoid-Biner

Fungsi ini bergantung pada steepness parameter (σ). Agar fungsi ini

menghasilkan nilai yang dibatasi oleh bilangan biner (0 hingga 1) maka

σ=1 dan akan menghasilkan grafik kontinu tidak linier. Fungsi ini dapat

dituliskan sebagai berikut:

(2.5)

36

Gambar 2.23 Grafik Fungsi Sigmodi-Biner

4. Fungsi Sigmoid-Bipolar

Sama halnya dengan fungsi sigmoid-biner, fungsi ini juga bergantung

pada steepness parameter. Fungsi sigmoid-bipolar yang diperluas hingga

mencapai nilai negatif melalui sumbu x. Dengan demikian, untuk σ=1,

fungsi ini akan menghasilkan nilai keluaran antara -1 sampai +1, fungsi

ini dapat dituliskan sebagai berikut:

(2.6)

Gambar 2.24 Grafik Fungsi Sigmoid-Bipolar

37

2.6.2 Metoda Back-Propagation

Metoda back-propagation dikembangakan oleh Rumelhart, Hinton, dan Williams

pada tahun 1986. Dengan munculnya metoda ini minat pengembangan dan penelitian

mengenai jaringan saraf tiruan mulai bangkit.

Metoda back-propagation merupakan metoda pembelajaran lanjut yang

dikembangkan dari aturan perceptron dengan meniru algoritma jaringan.

Metoda ini dibagi dalam 2 tahap, yaitu tahap feedforward yang diadaptasi dari

perceptron dan tahap back-propagation error. Perbedaan antara metoda back-

propagation dengan perceptron adalah pada arsitektur jaringan, dimana pada

perceptron memiliki jaringan lapis tunggal sedangkan sedangkan back-propagation

memiliki jaringan lapis banyak (multi-layer feed-forward network).

Pada tugas akhir ini metoda back-propagation neural network digunakan untuk

mengenali bentuk suatu objek benda yang disesuaikan dengan spesifikasi peraturan

KRCI 2009.

2.6.2.1 Multi-Layer Feed-Forward Network

Multi-layer perceptron adalah sebuah jaringan saraf tiruan dengan 1 (satu) atau lebih

hidden layer (lapisan perceptron yang berada diantara lapisan masukan dan

keluaran).

Error dari sebuah jaringan lapis banyak (multi-layer neural network) didefinisikan

sebagi berikut:

(2.7)

dengan p adalah suatu pola masukan, d merupakan keluaran yang dikehendaki dan o

adalah keluaran yang sesungguhnya. k menyatakan neuron output ke 1, 2, hingga K.

(2.8)

38

dimana η adalah learning rate dari jaringan saraf tiruan. ωkj menyatakan nilai bobot

yntyk output neuron ke k dari hidden neuron ke j.

Untuk setiap neuron, hasil penjumlahan didapatkan dengan persamaan berikut:

(2.9)

Kemudian output dari neuron ditentukan oleh hasil penjumlahan yang melalui fungsi

aktivasi

(2.10)

Error signal term delta didefinisikan sebagai berikut

(2.11)

Menggunakan aturan rantai, dapat dituliskan

(2.12)

Persamaan perubahan bobot dapat dituliskan kembali menjadi

(2.13)

E merupakan fungsi dari output network, dapat dituliskan sebagai

(2.14)

persamaan dapat dituliskan kembali menjadi

(2.15)

Persamaan 2.7 bila diturunkan menjadi

(2.16)

39

dan persamaan perubahan bobot dapat ditulis kembali

(2.17)

(2.18)

Untuk fungsi aktivasi sigmoid, persamaan delta yang didapatkan adalah

(2.19)

(2.20)

Berikut penurunan rumus untuk hidden layer, untuk hidden neuron ke j dari input

neuron ke i

(2.21)

(2.22)

Perubahan bobot untuk hidden layer didefinisikan sebagi

(2.23)

Error signal term delta sama dengan

(2.24)

dimana

(2.25)

Perhitungan turunan persamaan diatas menjadi

(2.26)

40

persamaan 2.20 dapat ditulis kembali

(2.27)

(2.28)

Perhitungan perubahan bobot pada hidden layer

(2.29)

Untuk fungsi aktivasi sigmoid

(2.30)