perancangan pengendali formasi pada sistem...
TRANSCRIPT
LAPORAN TAHUNAN
PENELITIAN FUNDAMENTAL
PERANCANGAN PENGENDALI FORMASI PADA
SISTEM MULTI-ROBOT MENGUNAKAN PARTICLE
SWARM FUZZY CONTROLLER (PSFC)
Tahun ke 1 dari rencana 2 tahun
DIBIAYAI:
SURAT PERJANJIAN NO: 2013 0263/E5/2014
DIREKTORAT JENDRAL PENDIDIKAN TINGGI
KEMENTRIAN PENDIDIKAN DAN KEBUDAYAAN
Dr. Ir. Andi Adriansyah, M.Eng (0327027002)
Ir. Eko Ihsanto, M.Eng (0309106802)
Ir. Badaruddin, MT (0323086404)
UNIVERSITAS MERCU BUANA
NOVEMBER 2014
.l
Judul Kegiatan
Peneliti / Pelaksana
Nama Lengkap
NIDNJabatan Fungsional
Program Studi
Nomor HP
Surel (e-mail)
Anggota Peneliti (1)
Nama Lengkap
NIDNPerguruan Tinggi
Anggota Peneliti (2)
Nama Lengkap
NIDNPerguruan Tingei
Institusi Mitra (ika ada)
Nama Institusi MitraAlamat
Penanggung Jawab
Tahun Pelaksanaan
Biaya Tahun Berjalan
Biaya Keseluruhan
HALAMAN PENGESAHAN
Perancangan Pengendali Formasi pada Sistem Multi-Robot,o.nggurrikun Palticle Swarm Fuzzy Controller (PSFC)
Dr. Ir ANDI ADRIANSYAH M.Eng
0321021002
Teknik Elektro
081 1 1884220
andi(@mercubuana.ac.id
IT BADARUDDIN MT
0323086404
Universitas Mercu Buana
Ir EKO IHSANTO Ir, M.Eng
0309 1 06802
Universitas Mercu Buana
Tahun ke 1 dari rencana 2 tahun
Rp. 54.875.000,00
Rp. 119.150.000,00
Jakarta,l0-11 -2014,
L-tDr. lr ANDI ADRIANSYAH V.Eng)
NIPNII(
Mengetahui
(Ir. Dana Santoso, M.En
NrPA{rK 187630016
NIPA{IK 1926300
iii
RINGKASAN
Teknologi dan aplikasi robot terus berkembang secara cepat. Pada dekade ini,
para peneliti mulai mengubah arah penelitiannya, dari investigasi sistem robot
tunggal kepada koordinasi sistem multi-robot. Salah satu pendekatan yang banyak
digunakan untuk mengendalikan sistem multi-robot adalah dengan menerapkan
sistem pengendalian formasi dengan memanfaatkan mekanisme robot leader-
follower. Performa kinerja sistem multi-robot ini akan ditentukan oleh kehandalan
sistem pengendalian yang digunakan.
Salah satu sistem pengendalian yang dianggap mampu untuk menyelesaikan
problema sistem multi-robot adalah sistem pengendalian berbasis logika fuzzy
(Fuzzy Logic Controller). Sayangnya, teknik ini memiliki suatu kelemahan, yaitu
kesulitan untuk menentukan harga optimum dari beberapa parameter Logika.
Diperlukan sebuah algoritma pencari harga maksimum, seperti Particle Swarm
Optimization (PSO). Dalam penelitian ini, diusulkan untuk menemukan beberapa
parameter optimum pada Logika Fuzzy menggunakan algoritma PSO. Penggabungan
kedua metoda, disebut dengan Particle Swarm Fuzzy Controller (PSFC), ditargetkan
dapat menghasilkan sistem pengendali formasi yang andal dan robust dalam rangka
mendapatkan kinerja sistem multi-robot yang baik. Beberapa perancangan akan
dilakukan, seperti: perancangan model matematika sistem multi-robot, algoritma
sistem pengendali formasi berbasiskan logika fuzzy dan perancangan teknik optimasi
PSO yang terbaik dalam rangka mendapatkan parameter logika fuzzy optimum
sehingga terbentuk sistem pengendali yang andal dan robust.
Perangkat lunak MATLAB Versi 7.6 R2008a akan digunakan untuk
mensimulasikan model sistem multi-robot, Pengendali Logika Fuzzy dan PSFC.
Setelah proses pemodelan dan simulasi selesai, maka penelitian akan
mengimplementasikan algoritma keseluruhan sistem multi-robot ini ke dalam
sejumlah robot laboratorium bernama Lego NXT Mindstorms robot.
Kata Kunci: Multi-Robot, Pengendali Logika Fuzzy, Particle Swarm Optimization
iv
PRAKATA
Alhamdulillah, segala puji hanya bagi Allah SWT, pencipta, pemilik dan
pemelihara alam semesta, atas segala kehendak dan petunjuknya, sehingga laporan
kemajuan kegiatan penelitian ini dapat diselesaikan sesuai dengan jadwal yang telah
ditentukan. Sholawat dan salam semoga selalu tercurah bagi Nabi Muhammad SAW
yang telah membimbing ummat manusia ke jalan yang benar. Semoga kita selalu
mendapatkan bimbingan dan hidayah-Nya.
Laporan kemajuan kegitan penelitian berjudul Perancangan Pengendali
Formasi pada Sistem Multi-Robot Menggunakan Particle Swarm Fuzzy Controller
(PSFC) ini dimaksudkan sebagai upaya untuk merancang sistem pengendali beberapa
buah robot yang disusun dengan formasi tertentu dimana pengendalinya berbasiskan
pengendali logika fuzzy (Fuzzy Logic Ccntroller, FLC) yang ditala secara otomatis
menggunakan Particle Swarm Optimization (PSO). Penelitian ini ditujukan untuk
dapat menjawab bagaimana mendapatkan sistem pengendali yang sesuai, efektif dan
handal untuk sistem multi-robot yang dirancang.
Terima kasih kami ucapkan kepada Kaprodi Teknik Elektro atas upayanya
untuk mendorong para dosen untuk melaksanakan kegiatan ini. Juga terima kasih
ditujukan kepada Dekan Fakultas Teknik yang selalu mengingatkan untuk
bersemangat menunaikan kegiatan Tridharma Perguruan Tinggi. Dan, terima kasih
yang tak terhingga kepada Kepala Pusat Penelitian Universitas Mercu Buana yang
telah memberikan jadwal, ketentuan, pedoman pengajuan kegiatan pengabdian ini.
Semoga apa yang telah direncanakan dapat berjalan sesuai dengan harapan
dan mendapatkan bimbingan dari Allah SWT.
Jakarta, 8 November 2014
Ketua Peneliti
Andi Adriansyah, Dr., Ir., M.Eng
v
DAFTAR ISI
Halaman
HALAMAN SAMPUL i
HALAMAN PENGESAHAN ii
RINGKASAN iii
PRAKATA iv
DAFTAR ISI v
DAFTAR GAMBAR vi
DAFTAR TABEL vii
DAFTAR LAMPIRAN viii
BAB 1. PENDAHULUAN 1
BAB 2. TINJAUAN PUSTAKA 4
BAB 3. TUJUAN DAN MANFAAT PENELITIAN 9
BAB 4. METODE PENELITIAN 10
BAB 5. HASIL DAN PEMBAHASAN 14
BAB 6. KESIMPULAN DAN SARAN 32
DAFTAR PUSTAKA 33
LAMPIRAN
Lampiran 1 Laporan Rekapitulasi Penggunaan Dana Penelitian 36
Lampiran 2 Logbook 37
Lampiran 3 Luaran 40
vi
DAFTAR GAMBAR
Halaman
Gambar 1. Sistem pengendali logika fuzzy 5
Gambar 2. Elemen-elemen utama dari pengendali logika fuzzy. 5
Gambar 3. Model Robot 7
Gambar 4. Perbandingan SDIW dan LDIW 9
Gambar 6. Alur Penelitian 10
Gambar 7. Robot-Majemuk dalam Formasi V 11
Gambar 8. Robot Lego NXT Mindstorms 12
Gambar 9. Rencana Luaran Hasil Simulasi Pergerakan Multi-robot dan
Analisanya
1
Gambar 10. Robot hasil perancangan 14
Gambar 11. Pergerakan robot tunggal dengan kombinasi pergerakan 15
Gambar 12. Formasi Sistem Multi-robot 16
Gambar 13. Pergerakan Lurus pada Sistem Multi-robot 17
Gambar 14. Pergerakan Melingkar pada Sistem Multi-robot 18
Gambar 15. Pergerakan Kombinasi pada Sistem Multi-robot 20
Gambar 16. Daerah Karakteristik Dinamik pada Bidang (w,c) 22
Gambar 17. Bentuk Trayektori Partikel dan Regionnya 23
Gambar 18. Kecepatan Konvergen Trayektori Partikel dan Regionnya 24
Gambar 19. Perbandingan SDIW dan LDIW 25
Gambar 20. Hasil Pencarian Fungsi Sphere 27
Gambar 21. Hasil Pencarian Fungsi Rosenbrock 28
Gambar 22. Hasil Pencarian Fungsi Rastrigin 29
Gambar 23. Hasil Pencarian Fungsi Griewank 30
vii
DAFTAR TABEL
Halaman
Tabel 1. Data Pergerakan Multi-robot Gerakan Berbelok ke Kanan 19
Tabel 2. Data Pergerakan Multi-robot Gerakan Kombinasi 21
Tabel 3. Jangkauan Inisialisasi Asimetrik 26
Tabel 4 Harga Rata-rata Fungsi Penentu dari Fungsi Sphere 27
Tabel 5 Harga Rata-rata Fungsi Penentu dari Fungsi Rosenbrock 28
Tabel 6 Harga Rata-rata Fungsi Penentu dari Fungsi Rastrigin 29
Tabel 7 Harga Rata-rata Fungsi Penentu dari Fungsi Griewank 30
viii
DAFTAR LAMPIRAN
Halaman
Lampiran 1 Laporan Rekapitulasi Penggunaan Dana Penelitian 37
Lampiran 2 Logbook 38
Lampiran 3 Luaran 40
ix
IDENTITAS DAN URAIAN UMUM
1. Judul Penelitian : Perancangan Pengendali Formasi pada
Sistem Multi-robot menggunakan Particle Swarm
Fuzzy Controller (PSFC)
2. Ketua Peneliti
a) Nama Lengkap : Dr. Ir. Andi Adriansyah, M.Eng
b) Jabatan : Wakil Dekan Fakultas Teknik
c) Jurusan/Fakultas : Teknik Elektro/ Fakultas Teknik
d) Perguruan Tinggi : Universitas Mercu Buana
e) Alamat Surat : Jl. Meruya Selatan, Kembangan, Jakarta Barat, 11650
f) Telp/Faks : 021-58471335
g) Email : [email protected]
3. Anggota Peneliti
No. Nama dan Gelar
Akademik
Bidang Keahlian Instansi Alokasi
Waktu
Jam/Minggu
1. Ir. Eko Ihsanto, M.Eng
Mikroprosesor,
Embedded System
T. Elektro, UMB 15
2. Ir. Badaruddin, MT
Sistem Tenaga,
Power Supply
T. Elektro, UMB 15
4. Objek Penelitian
Penelitian difokuskan untuk merancang sebuah algoritma pengendalian
formasi untuk mempertahankan jarak (d) dan orientasi (δ) sebuah robot dengan
robot-robot lainnya pada suatu formasi tertentu. Algoritma pengendalian ini berupa
hasil sebuah sistem logika fuzzy dimana komponennya ditala secara otomatis
menggunakan Particle Swarm Optimization, yang menghubungkan jarak (d) dan
orientasi (δ) tersebut dengan kecepatan (v) dan arah (ω) pergerakan masing-masing
robot.
5. Masa Pelaksanaan
Mulai : Maret 2014
Akhir : November 2014
6. Anggaran yang diusulkan
Tahun I : Rp. 54.875.000
Tahun II : Rp. 64.275.000
7. Lokasi Penelitian
Penelitian akan diadakan di lingkungan Universitas Mercu Buana. Tahap
perancangan dan simulasi akan dipusatkan pada Lab. Simulasi dan Komputer serta
Lab. Elektronika Dasar. Sedangkan tahap implementasi dan pengujian akan
dilakukan di Lab. Mikroprosesor dan Lab. Mekatronika.
8. Temuan yang ditargetkan
Target dari penelitian ini adalah menghasilkan menghasilkan temuan:
x
a. Model pergerakan dan simulasi pergerakan multi-robot (r1, r2, ..., rn) dengan
kecepatan (v) dan arah (ω) masing-masing robot yang sama dan berbeda.
b. Algoritma pengendalian formasi multi-robot menggunakan logika fuzzy,
yang menghubungkan jarak (d) dan orientasi (δ) sebuah robot (r1) dengan
robot lainnya (r2, ..., rn) dengan kecepatan (v) dan arah (ω) masing-masing
robot dalam rangka mempertahankan formasi tertentu. Logika fuzzy yang
digunakan merupakan hasil penalaan secara otomatis berdasarkan Particle
Swarm Optimization
9. Jurnal Ilmiah
Hasil penelitian secara bertahap akan dipublikasikan dalam beberapa jurnal,
yaitu:
a. Jurnal Terakreditasi Nasional TELKOMNIKA
b. International Journal of Intelligent System Technologies and Applications
(IJISTA) dan
c. International Journal of Computer Science Engineering and
Technology (IJCSET)
10. Instansi lain yang telibat
Tidak ada
11. Keterangan lain yang dianggap perlu
Tidak ada
12. Kontribusi Mendasar
Penelitian ini merupakan penelitian dasar pada bidang robotika dan sistem
kendali, yang memfokuskan kontribusinya untuk menghasilkan sebuah model multi-
robot bergerak dan algoritma pengendalian formasi robot yang efektif. Bidang kajian
ini sangatlah relevan, karena hasil penelitian ini dapat diaplikasikan pada aspek
akademik, industri, perkantoran, keamanan dan hiburan yang mendidik.
1
BAB 1. PENDAHULUAN
1. 1. Latar Belakang
Teknologi dan aplikasi robot terus berkembang secara cepat. Di dalam
teknologi robot, tergabung beberapa tema-tema penelitian yang juga berkembang,
seperti teknologi sensor, teknologi motor, teknologi suplai daya, teknologi
telekomunikasi, teknologi pengendalian dan teknologi kecerdasan buatan (Nehmzow,
2001). Sedangkan pengaplikasian robot telah merambah berbagai bidang kehidupan,
dari mulai bidang akademik, industri, perkantoran, hiburan sehingga bidang
kedokteran (Keramas, 1999).
Robot bergerak (mobile robots) adalah salah satu jenis robot yang memiliki
kemampuan untuk bekerja yang lebih fleksibel dalam ruang tiga dimensi dan dapat
beraktifitas tanpa intervensi manusia (Mondada dan Floreano, 1996). Karena
aplikasinya yang luas dan perkembangan teknologi pendukungnya berkembang
sangat cepat, penyelidikan di bidang robot bergerak menjadi topik yang menarik bagi
para peneliti (Nehmzow, 2000).
Pada dekade ini, para peneliti mulai mengubah arah penelitiannya, dari
investigasi sistem robot tunggal kepada koordinasi sistem multi-robot. Secara umum,
sistem multi-robot diklaim dapat meningkatkan efisiensi, keandalan, dan fleksibilitas
system (Wawerla et al, 2002). Beberapa aplikasi sistem multi-robot terdapat dalam
pemanfaatan robot pada kerja-kerja surveilans, pencarian dan penyelamatan (SAR),
sistem pengamanan dan pengamatan, eksplorasi daerah tak dikenal atau berbahaya
(Parker, 2007).
Salah satu pendekatan yang banyak digunakan untuk mengendalikan sistem
multi-robot adalah dengan menerapkan sistem pengendalian formasi dengan
memanfaatkan mekanisme robot leader-follower (Chen dan Wang, 2005) (Shao, dkk,
2005). Performa kinerja sistem multi-robot ini akan ditentukan oleh kehandalan
sistem pengendalian yang digunakan.
Untuk mendapatkan performa kinerja sistem multi-robot yang handal, maka
para peneliti telah mencoba menerapkan beberapa jenis sistem pengendalian.
Beberapa sistem pengendalian teknik klasik telah dirancang, namun pada sistem
multi-robot keadaan sistem dan lingkungannya tidak begitu akurat dan selalu
berubah-ubah dengan cepat sehingga sulit dimodelkan secara presisi. Oleh karena
itu, diperlukan sistem pengendalian yang andal untuk mengatasi problem tersebut.
2
Salah satu sistem pengendalian yang dianggap mampu untuk menyelesaikan
problema sistem multi-robot adalah sistem pengendalian berbasis logika fuzzy
(Fuzzy Logic Controller) (Lee, 1990). Sayangnya, teknik ini memiliki suatu
kelemahan. Kelemahan utama dari metodologi ini adalah bagaimana teknik untuk
menentukan harga optimum dari beberapa parameter Logika Fuzzy yang harus ditala
terlebih dahulu (Vaneshani dan Jazayeri, 2011). Diperlukan sebuah algoritma pencari
harga maksimum, seperti Particle Swarm Optimization (PSO). PSO adalah teknik
optimasi dengan mensimulasikan perilaku social makhluk hidup kecil, seperti
sekawanan ikan atau burung, yang bergerak sesuai dengan tujuan tertentu (Kennedy
and Eberhart, 1995) dan (Eberhart and Shi, 2001).
Dalam penelitian ini, diusulkan untuk menemukan optimum beberapa
parameter pada Logika Fuzzy menggunakan algoritma PSO. Algoritma ini
merupakan metoda pencarian beberapa parameter untuk menghasilkan sistem yang
optimum. Penggabungan kedua metoda, disebut dengan Particle Swarm Fuzzy
Controller (PSFC), diharapkan dapat menghasilkan sistem pengendali formasi yang
andal dan robust dalam rangka mendapatkan kinerja sistem multi-robot yang baik.
1.2. Perumusan Masalah
Pada umumnya, penelitian pada bidang robot bergerak, harus
mempertimbangkan karakteristiknya yang khas, yaitu: robot bergerak harus
menghadapi lingkungan yang kompleks, memahami hasil pemindaian yang tidak
presisi, namun harus menentukan tindakan dengan aktuator yang tidak tepat dalam
waktu respon yang cepat. Untuk sistem multi-robot, masalah tersebut di atas
ditambah lagi dengan mekanisme pengendalian formasi antar robot, sehingga robot-
robot tersebut dapat bekerja sesuai dengan tugas yang diberikan kepadanya.
Maka, untuk melakukan pengkajian mengenai sistem multi-robot harus
dimiliki serangkaian model robot yang bergerak dengan kecepatan (v) dan arah (ω),
dapat memperlihatkan posisinya (xr,yr,θr) pada sebuah koordinat kartesius dan
mengetahui jarak (d) serta orientasi (δ) antar robot. Selain itu, diperlukan pula sebuah
algoritma pengendalian yang mengatur formasi sistem multi-robot berdasarkan jarak
(d) dan orientasi (δ) antar robot berdasarkan formasi tertentu.
Oleh karena itu, penelitian ini berupaya untuk menyelesaikan beberapa
masalah pada sistem multi-robot. Pertama adalah bagaimana menghasilkan
serangkaian model sistem multi-robot yang dapat bergerak sesuai dengan tugas dan
3
fungsinya dengan memberikan informasi tentang posisi dan lingkungannya. Kedua
adalah bagaimana merancang sebuah algoritma pengendalian yang dapat
mengendalikan formasi sistem multi-robot dengan formasi tertentu. Algoritma ini
akan memberikan keputusan dengan cara menghubungkan informasi mengenai jarak
(d) dan orientasi (δ) antar robot dengan kecepatan (v) dan arah (ω) tiap-tiap robot
dengan logika fuzzy. Ketiga, bagiamana mendapatkan logika fuzzy yang optimal
menggunakan PSO agar mendapatkan parameter terbaiknya.
4
BAB 2. TINJAUAN PUSTAKA
2.1. Sistem Multi-robot
Sistem multi-robot adalah suatu sistem dari suatu entitas robot yang bekerja
bersama untuk menyelesaikan tugas tertentu. Beberapa bidang yang termasuk dalam
kajian sistem multi-robot, antara lain adalah: distributed intelligence, distributed
artificial intelligence, multi-agent system dan multi-robot system (Parker, 2007).
Dengan sistem multi-robot, sistem yang ada dapat dikerjakan secara bersama dengan
menggunakan robot yang murah dan sederhana (Wawerla et al, 2002).
Pada pendekatan leader follower, salah satu robot ditetapkan sebagai leader
sedangkan sisanya ditentukan sebagai robot follower. Robot-robot follower akan
memposisikan diri mereka dan mempertahankannya relatif terhadap robot leader
(Monterion dan Bicho, 2008) (Yun dkk, 2008). Dalam rangka mengendalikan
formasi dengan pendekatan leader follower, telah ditentukan terlebih dahulu
pergerakan robot leader dan posisi relatif antara robot leader dan follower. Oleh
karena itu, problem pengendalian formasi dapat dipandang sebagai pengembangam
dari problem pengendalian pelacakan lintasan biasa.
Untuk menyelesaikan problem tersebut, maka para peneliti telah mencoba
menerapkan beberapa jenis sistem pengendalian. Beberapa sistem pengendalian
konvensional yang digunakan antara lain adalah metoda sliding mode (Sanchez dan
Fierro, 2003), metode feedback linearization (Mariottini dkk, 2005), metoda
backbackstepping (Li, Xiao dan Cai, 2005) dan metoda Pengendali PD (Cruz dan
Carelli, 2006). Sistem pengendalian tersebut memerlukan model yang lengkap dan
presisi. Namun, pada sistem multi-robot keadaan sistem dan lingkungannya tidak
begitu akurat dan selalu berubah-ubah dengan cepat sehingga sulit dimodelkan
secara presisi. Oleh karena itu, diperlukan sistem pengendalian modern untuk
mengatasi problem tersebut.
Salah satu sistem pengendalian yang dianggap mampu untuk menyelesaikan
problema pengendali formasi pada sistem multi-robot adalah sistem pengendalian
berbasis logika fuzzy (Fuzzy Logic Controller) (Lee, 1990). Karakteristik utama
Logika Fuzzy adalah kekokohan mekanisme penalaran dan pengambilan keputusan
yang interpolatif sehingga sesuai untuk sistem yang tidak presisi dan informasi yang
tidak lengkap (Zadeh, 1965). (Zadeh, 1997).
5
2.2. Pengendali Logika Fuzzy (Fuzzy Logic Controller)
Pemakaian konsep teori logika fuzzy dilatar-belakangi oleh adanya suatu
transisi yang berangsur-angsur (gradual, fuzzy) antara suatu penggolongan dengan
penggolongan yang lain, atau dengan batasan yang samar (Zadeh, 1965) (Zadeh,
1997). Pengendali logika fuzzy dapat digabung dengan sistem untuk membentuk
suatu sistem pengaturan loop tertutup seperti pada Gambar 1 berikut (Lee, 1990):
Gambar 1. Sistem pengendali logika fuzzy
Bagian-bagian pada pengendali logika fuzzy adalah fuzzifikasi, basis
pengetahuan, logika pengambilan keputusan, dan defuzzifikasi. Gambar 2 ini
memperlihatkan elemen-elemen utama dari pengendali logika fuzzy, yaitu:
Fuzzifikasi Basis Data, Basis Kaidah, Logika Pengambilan Keputusan, dan
Defuzzifikasi. Fuzzifikasi dan Defuzzifikasi memerlukan sebuah proses pemetaan
yang disebut dengan Membership Function (Fungsi Keanggotaan).
Gambar 2. Elemen-elemen utama dari pengendali logika fuzzy.
6
2.3. Particle Swarm Optimization (PSO)
PSO adalah teknik optimasi dengan mensimulasikan perilaku social makhluk
hidup kecil, seperti sekawanan ikan atau burung, yang bergerak sesuai dengan tujuan
tertentu (Kennedy and Eberhart, 1995) dan (Eberhart and Shi, 2001). Prinsip kerja
PSO adalah sebagai berikut. Setiap solusi potensial, disebut dengan partikel. Setiap
partikel berupaya dari waktu ke waktu untuk memodifikasi posisinya menggunakan
kecepatan dan posisi sesaatnya. Posisi terbaik menggambarkan temuan parameter
terbaik dari sebuah permasalahan tertentu.
Terdapat beberapa penelitian yang telah dilakukan untuk menyelesaikannya
proses pencarian harga optimum. Esmin et al. (2003) berusaha untuk meningkatkan
kinerja dari model logika fuzzy melalui fungsi keanggotaan menggunakan PSO dan
dibandingkan dengan GA. Hasil simulasi menunjukkan bahwa kedua algoritma
memberikan hasil yang lebih baik dari kontrol fuzzy secara manual, tapi PSO lebih
mudah diterapkan daripada GA dan memiliki janji yang besar untuk proses optimasi.
Selain itu, Elwer et al. (2003) mengajukan pendekatan untuk kontrol
kecepatan Permanent Magnet Synchronous Motor (PMSM) menggunakan algoritma
PSO untuk mengoptimalkan parameter FLC. PMSM ini mendorong untuk kendaraan
listrik. PSO dengan berat inersia tetap telah digunakan untuk mengoptimalkan faktor
skala dari FLC. Hasil simulasi menunjukkan bahwa metode memberikan dorongan
yang kuat, dengan respon lebih cepat dan dinamika akurasi yang lebih tinggi.
Selanjutnya, Venayagamoorthy dan Dokter (2004) berusaha untuk
mengoptimalkan fungsi keanggotaan dan rule base dari FLC menggunakan algoritma
PSO untuk navigasi segerombolan sensor mobile. Perbaiki parameter PSO, yaitu
inersia berat konstan, kognitif dan akselerasi sosial telah dilaksanakan. Dilaporkan
bahwa kinerja sistem yang diperoleh berdasarkan strategi ini efisien, ekonomis dan
dapat diandalkan.
Pada penelitian ini, dirancang Particle Swarm Fuzzy Controller (PSFC), yaitu
sistem fuzzy yang ditambahkan dengan kemampuan pembelajaran menggunakan
PSO. PSO diimplementasikan di sistem fuzzy untuk melakukan pencarian parameter
sistem fuzzy yang handal untuk suatu problem tertentu. PSFC akan diterapkan secara
dua tahap (Andi dan Amin, 2006) . Pada tahap pertama, PSO melakukan pencarian
aturan sistem fuzzy (fuzzy rule base) berdasarkan nilai fungsi keanggotaan
(membership function) yang ditentukan terlebih dahulu. Pada tahap kedua, pencarian
7
dilakukan untuk mendapatkan nilai fungsi keanggotaan berdasarkan aturan sistem
fuzzy yang dihasilkan.
2.4. Studi Pendahuluan
Pada penelitian ini, telah dilakukan beberapa studi pendahuluan untuk
melakukan tahap pemodelan pergerakan robot tunggal dan proses posisi antar robot.
Pemodelan yang telah dilakukan ini berdasarkan penelitian peneliti terdahulu yang
telah dipublikasikan (Adriansyah dan Amin, 2007) dan (Adriansyah dan Amin,
2008). Selain itu, telah dirancang pula, PSO dengan SDIW yang dapat meningkatkan
optimalisasi parameter yang dihasilkan.
a. Pemodelan Robot Tunggal
Masing-masing robot akan dimodelkan dalam bentuk lingkaran silindris.
Robot dialokasikan pada sebuah ruang berkoordinat kartesius XOY dengan
menganggap bahwa posisi robot adalah pc = (xc, yc, θc), dimana (xc, yc), sebagaimana
terlihat pada Gambar 3(a). Prinsip pergerakan robot dimodelkan menggunakan
metoda differential drive model (Dudek and Jenkin, 2000) atau differentially steered
drive system (Lucas, 2000). Sistem ini berasaskan 2 (dua) buah motor yang
ditempatkan pada aksis bersama dan dikendalikan secara terpisah. Pergerakan ini
akan mengakibatkan robot akan memiliki kecepatan translasi, vc, dan kecepatan
rotasi, ωc, yang beragam. Berdasarkan kombinasi ini, maka robot dapat bergerak ke
posisi yang berbeda dengan orientasi yang berbeda pula sesuai dengan fungsi waktu.
Proses pergerakan robot tunggal diilustrasikan pada Gambar 3(b).
(a) (b)
Gambar 3. Model Robot: (a) Alokasi Robot dan (b) Sistem Pergerakan Robot
xc
yc
D
2r
θc
C
X
Y
O
8
b. Pemodelan Posisi Relatif Antar Robot
Posisi relative robot terhadap titik tujuan dapat dikalkulasi berdasarkan posisi
dan orientasi robot dengan robot lainnya ditentukan. Posisi relative robot dikenali
dengan variabel jarak (d) dan orientasi (δ), dimana:
22 ))(())(( gg ytyxtxd (1)
)()((
))((tan t
xtx
ytyarc
g
g
(2)
Variabel jarak (d) dan orientasi (δ) ini akan digunakan sebagai masukan agar robot
dapat memiliki kemampuan mengatur posisinya dengan formasi tertentu.
c. Perancangan PSO dengan SDIW
Telah dirancang peningkatan fungsi PSO dengan pemanfaatn sebuah fungsi
nonlinear yang memodulasi harga inertia weigth terhadap waktu untuk meningkatkan
performa PSO. Dibanding harus menaikkan harga inertia weigth secara linear, fungsi
ini menurunkan harga inertia weigth berdasarkan fungsi sigmoid, sebagaimana
tergambar pada Gambar 4. Berdasarkan pengujian, fungsi ini berhasil meningkatkan
optimalisasi parameter yang dihasilkan (Adriansyah dan Amin, 2006).
Gambar 4. Perbandingan SDIW dan LDIW
9
BAB 3. TUJUAN DAN MANFAAT PENELITIAN
Tujuan khusus penelitian ini adalah merancang sistem multi-robot yang dapat
menyelesaikan tugas-tugas sederhana di area tertentu. Tujuan khusus ini akan
ditunjang oleh beberapa tujuan pendukung, yaitu:
1. Merancang sebuah model matematika sistem multi-robot yang dapat melakukan
pergerakan dan memindai lingkungannya
2. Merancang sebuah algoritma sistem pengendali yang mampu melakukan
koordinasi pada sistem multi robot dengan formasi tertentu yang berbasiskan
logika fuzzy
3. Merancang teknik optimasi PSO yang terbaik dalam rangka mendapatkan
parameter logika fuzzy optimum sehingga terbentuk sistem pengendali yang andal
dan robust
Penelitian ini merupakan integrasi pengkajian dasar pada bidang robotika dan
sistem pengendali, yang memfokuskan kontribusinya dalam rangka menghasilkan
sebuah proses pemodelan multi-robot bergerak dan pengenalan lingkungannya serta
proses perancangan algoritma pengendalian formasi robot yang efektif. Bidang
kajian ini sangatlah relevan dalam bidang penelitian/pendidikan, industri dan
masyarakat luas. Karena pengembangan dari hasil penelitian ini dapat
diimplementasikan untuk menggerakkan beberapa buah robot dalam formasi tertentu.
Robot-robot dalam formasi tersebut dapat diaplikasikan pada aspek akademik pada
proses pengajaran perkuliahan di bidang teknik elektro dan teknik mesin, aktifitas
pemindahan material pada proses industri atau perkantoran, aktifitas keamanan pada
daerah berbahaya atau sulit dan hiburan yang mendidik masyarakat.
10
BAB 4. METODE PENELITIAN
Penelitian ini dilaksanakan berdasarkan permasalahan dan tujuan
sebagaimana telah dijelaskan di atas. Pelaksanaan penelitian ini mengandung
beberapa metode, seperti kajian pustaka, pemodelan dan simulasi komputer serta
implementasi pada robot laboratorim NXT Mindstorm. Alur penelitian diperlihatkan
pada Gambar 6.
Gambar 6. Alur Penelitian
Kajian Pustaka adalah langkah pertama dari penelitian ini untuk
mengumpulkan sebanyak mungkin informasi dan ide serta memperkaya untuk
wawasan mengenai sistem multi-robot, tahapan perancangan arsitektur pengendali
sebuah robot serta mekanisme komunikasi dan interaksinya. Teori-teori dasar dan
persamaan-persamaan matematika untuk mekanisme pergerakan robot akan
diperdalam untuk mendapatkan model matematika yang sesuai bagi tiap robot,
sistem multi-robot dan posisi antar robot. Selain itu, kajian pustaka ini dilakukan
untuk mempertajam sistem Pengendali Logika Fuzzy dan PSI serta posisinya pada
penelitian sistem multi-robot lainnya.
Perangkat lunak MATLAB Versi 7.6 R2008a akan digunakan untuk
mensimulasikan model sistem multi-robot ini. Proses pemodelan robot dikerjakan
terlebih dahulu. Beberapa persamaan matematika akan diujikan melalui simulasi ini.
Kajian Pustaka
Robot
Kajian Pustaka
Pengendali
Pemodelan Robot
Tunggal
Pemodelan Pengendali
Logika Fuzzy Pemodelan PSO dan
Perancangan PSFC
yang optimal
Pemodelan Multi-Robot dan
Parameter Posisi
antar Robot
Implementasi
Multi-Robot NXT Mindstorms dengan
PLF dan PSFC serta
komparasinya
Tahap I (Tahun Pertama) Tahap II (Tahun Kedua)
Implementasi
Robot Tunggal
NXT Mindstorms
Implementasi
Multi-Robot
NXT Mindstorms
11
Selain itu, variabel-variabel tertentu, seperti kecepatan (v dan ω), posisi dan jalur
perjalanan robot akan dikumpulkan pula. Setelah itu, pemodelan sistem pengendalian
formasi multi-robot. Pergerakan keseluruhan robot, termasuk mekanisme
pengendalian formasi multi-robot divisualisasikan berupa simulasi berdasarkan
model matematika yang telah dihasilkan sebelumnya.
Setelah didapatkan model pergerakan robot secara individual seperti yang
telah dijelaskan pada bab sebelumnya, penelitian dilanjutkan dengan
mengembangkan model untuk formasi multi-robot dan posisinya. Sistem
pemformasian yang digunakan adalah sistem leader – follower, dimana sebuah robot
akan menjadi leader dan beberapa robot lainnya akan berperan sebagai follower.
Robot follower akan menempati posisi tertentu relatif terhadap robot leader. Formasi
yang akan dikaji secara mendalam adalah formasi V, seperti yang tampak pada
Gambar 7(a). Kemudian, berdasarkan pergerakan robot, baik robot leader maupun
robot follower, akan terjadi perbedaan antara posisi robot follower yang seharusnya
dengan robot follower yang sebenarnya. Perbedaan yang terjadi meliputi perbedaan
jarak, dL, dan perbedaan sudut, dθ, sebagaimana diilustrasikan pada Gambar 7(b).
(a) (b)
Gambar 7. Robot-Majemuk dalam Formasi V: (a) Model dan (b) Parameter yang
diukur
Kemudian, Pengendali Logika Fuzzy dirancang untuk dapat memberikan
sistem pengendalian dengan mengambil masukan berupa perbedaan posisi dL, dan
dθ, dan menghasilkan keluaran berupa kecepatan translasi, vc, dan kecepatan rotasi,
ωc untuk masing-masing robot follower. Untuk itu, akan dirancang fungsi
12
keanggotaan (membership function) untuk masing-masing masukan dan keluaran.
Setelah itu, akan dirancang pula aturan-aturan yang menghubungkan setiap fungsi
keanggotaan dari masing-masing robot follower.
Lalu, PSFC akan dirancang secara dua tahap. Pada tahap pertama, PSO
melakukan pencarian aturan sistem fuzzy (fuzzy rule base) berdasarkan nilai fungsi
keanggotaan (membership function) yang ditentukan terlebih dahulu. Pada tahap
kedua, pencarian dilakukan untuk mendapatkan nilai fungsi keanggotaan berdasarkan
aturan sistem fuzzy yang dihasilkan. Parameter fuzzy yang telah ditemukan nilai
optimalnya akan diuji keandalannya secara berurutan.
Pada dua bagian di atas, beberapa parameter, seperti: waktu (s), jarak (d), dan
penyimpangan (ed) jarak akan dikaji mendalam. Bagian ini akan diakhiri dengan
penerapan PSFC pada model sistem multi-robot yang telah diujikan sebelumnya,
termasuk juga paramater-parameter sebelumnya.
Setelah proses pemodelan dan simulasi selesai, maka penelitian akan
memasuki tahap pengimplementasi algoritma keseluruhan sistem multi-robot ini.
Keseluruhan sistem pengendalian sistem multi-robot akan diimplementasikan ke
dalam sejumlah robot laboratorium bernama Lego NXT Mindstorms robot,
sebagaimana terlihat pada Gambar 8.
Gambar 8. Robot Lego NXT Mindstorms
Robot ini biasa digunakan sebagai robot penelitian untuk membuktikan
performansi yang telah dirancang sebelumnya. Robot dilengkapi oleh beberapa jenis
sensor dan alat komunakasi wireless jenis Bluetooth yang dapat digunakan pada
masa percobaan. Dengan menggunakan robot ini, akan dibandingkan antara hasil
proses pemodelan dan simulasi dengan hasil implementasi program tersebut dalam
robot sebenarnya.
13
Beberapa tahapan implementasi dilakukan, mulai dari implementasi robot
tunggal, implementasi sistem multi-robot tanpa pengendali, implementasi sistem
multi-robot dengan pengendali logika fuzzy (PLF) dan terakhir implementasi sistem
multi-robot dengan pengendali PSFC. Beberapa parameter, seperti: waktu (s), jarak
(d), dan penyimpangan (ed) jarak akan dikaji mendalam dan dibandingkan terhadap
keseluruhan metoda yang diujikan, sebagaimana diperlihatkan pada Gambar 9.
0 1 2 3 4 50
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
(m)
(m)
0 2 4 6 8 10 12 14 16 18 20-0.1
-0.05
0
0.05
0.1
delta s
udut
(deg)
0 2 4 6 8 10 12 14 16 18 200
0.02
0.04
0.06
0.08
0.1
delta jara
k (
m)
waktu (detik)
Gambar 9. Rencana Luaran Hasil Simulasi Pergerakan Multi-robot dan Analisanya
Seluruh penelitian akan dilaksanakan di Universitas Mercu Buana, dengan
memanfaatkan beberapa laboratorium yang ada, seperti: Lab Komputer dan Simulasi,
Lab Mikroprosesor dan Lab Mekatronika.
14
BAB 5. HASIL DAN PEMBAHASAN
Berdasarkan pembahasan sebelumnya, maka telah dirancang model
matematika berupa sebuah model robot. Model robot yang dirancang berbentuk
silindris dengan diameter 20 cm. Pada robot terdapat sebuah garis sebagai penunjuk
arah gerakan robot. Gambar 10 memperlihatkan model robot hasil perancangan
untuk menjadi sebuah sistem multi-robot.
0.5 1 1.50.5
0.6
0.7
0.8
0.9
1
1.1
1.2
1.3
1.4
1.5
Gambar 10. Robot hasil perancangan
Kemudian, robot diuji kemampuannya untuk bermanuver dalam ruangan.
Beberapa pergerakan telah dicoba. Gambar 11 memperlihatkan kemampuan robot
bermanuver dalam beberapa jenis pergerakan, yaitu pergerakan maju, berbelok ke
kanan, berbelok ke kiri dan maju kembali.
15
0 0.5 1 1.5 2 2.5 30
0.5
1
1.5
2
2.5
3
Gambar 11. Pergerakan robot tunggal dengan kombinasi pergerakan
Berdasarkan pergerakan robot tunggal yang ditampilkan pada Gambar 5.2, dapat
dikatakan bahwa pergerakan robot tunggal tersebut sudah baik, karena mampu
bergerak dengan pergerakan maju, belok kanan dan belok kiri dengan sempurna.
Kemudian, untuk menguji kemampuan komunikasi dalam sistem multi-robot,
ketiga robot disusun dalam formasi segitiga. Dalam formasi segitiga itu, sebuah robot
dijadikan sebagai robot leader dan dua robot lainnya sebagai robot follower. Robot
leader bergerak dengan pergerakan yang telah diprogram terlebih dahulu, sementara
robot follower tidak diberikan program pergerakan. Robot follower bergerak sesuai
dengan pergerakan yang diperintahkan oleh robot follower. Posisi robot leader dan
robot follower diperlihatkan pada Gambar 12.
16
0.5 1 1.50.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
0.6
Gambar 12. Formasi Sistem Multi-robot
Terdapat tiga pengujian sistem komunikasi pada multi-robot ini, yaitu:
pergerakan lurus, pergerakan melingkar dan pergerakan kombinasi. Untuk
mempermudah analisa, pergerakan dan data pergerakan ditampilkan dalam bentuk
gambar dan tabel. Dalam gambar, robot leader diperlihatkan dengan warna biru,
sedangkan robot follower ditampilkan dengan warna merah.
Hasil pergerakan multirobot dalam gerakan lurus diperlihatkan pada Gambar 13.
17
0 0.5 1 1.5 2 2.5 30
0.5
1
1.5
2
2.5
3
Gambar 13. Pergerakan Lurus pada Sistem Multi-robot
Pada Gambar 13 tampak bahwa multi-robot dapat bergerak dengan baik dengan
formasi segitiga yang dapat dipertahankan. Hal ini dapat dikatakan bahwa
komunikasi antara robot leader dengan dua buah robot follower telah berlangsung
dengan efektif, dimana robot-robot bergerak dengan kecepatan yang sama sesuai
dengan perintah yang dikirimkan oleh robot leader.
Hasil pergerakan dan data pergerakan multirobot dalam gerakan berbelok ke
kanan diperlihatkan pada Gambar 14. dan Tabel 1.
18
0 0.5 1 1.5 2 2.5 30
0.5
1
1.5
2
2.5
3
Gambar 14. Pergerakan Melingkar pada Sistem Multi-robot
Pada Gambar 14 tampak bahwa robot bergerak dengan kecepatan dan arah yang
sama, namun mengakibatkan terjadi perubahan formasi segitiga. Tabel 1
memperlihatkan bahwa terjadi perubahan posisi robot dari posisi formasi segitiga
yang seharusnya. Hal ini terjadi karena robot leader melakukan gerakan berbelok ke
kanan yang ternyata diikuti langsung oleh robot follower sehingga terjadi perubahan
formasi yang berakumulasi.
19
Tabel 1. Data Pergerakan Multi-robot Gerakan Berbelok ke Kanan
Kecepatan Jarak Deviasi Formasi
Robot Leader Robot
Follower1
Robot
Follower2
Kanan
(m/s)
Kiri
(m/s)
dx
(m)
dy
(m)
dx
(m)
dy
(m)
0.12 0.08 0.00 0.00 0.00 0.00
0.12 0.08 0.01 -0.01 0.01 0.01
0.12 0.08 0.02 -0.02 0.02 0.02
0.12 0.08 0.03 -0.03 0.03 0.03
0.12 0.08 0.04 -0.04 0.04 0.04
0.12 0.08 0.05 -0.05 0.05 0.05
0.12 0.08 0.05 -0.06 0.06 0.05
0.12 0.08 0.06 -0.08 0.08 0.06
0.12 0.08 0.07 -0.09 0.09 0.07
0.12 0.08 0.08 -0.10 0.10 0.08
0.12 0.08 0.08 -0.11 0.11 0.08
0.12 0.08 0.09 -0.12 0.12 0.09
0.12 0.08 0.10 -0.14 0.14 0.10
0.12 0.08 0.10 -0.15 0.15 0.10
0.12 0.08 0.11 -0.16 0.16 0.11
0.12 0.08 0.11 -0.18 0.18 0.11
0.12 0.08 0.12 -0.19 0.19 0.12
0.12 0.08 0.12 -0.20 0.20 0.12
0.12 0.08 0.12 -0.22 0.22 0.12
0.12 0.08 0.13 -0.23 0.23 0.13
0.12 0.08 0.13 -0.24 0.24 0.13
0.12 0.08 0.13 -0.26 0.26 0.13
0.12 0.08 0.13 -0.27 0.27 0.13
0.12 0.08 0.13 -0.29 0.29 0.13
0.12 0.08 0.14 -0.30 0.30 0.14
0.12 0.08 0.14 -0.31 0.31 0.14
20
Pengujian terakhir adalah pergerakan multi-robot yang bergerak secara
kombinasional, dengan pergerakan maju, berbelok ke kanan, berbelok ke kiri dan
maju kembali. Besar sudut gerakan berbelok dirancang simetris antara belok kanan
dengan belok kiri. Hasil pengujian dan data pergerakan diperlihatkan pada Gambar
15 dan Tabel 2.
0 0.5 1 1.5 2 2.5 30
0.5
1
1.5
2
2.5
3
Gambar 15. Pergerakan Kombinasi pada Sistem Multi-robot
Berdasarkan Gambar 15 dapat dikatakan bahwa secara umum komunikasi
antar robot bekerja dengan efektif. Robot follower bergerak dengan kecepatan yang
sama dengan robot leader sesuai dengan perintah yang dikirimkan. Namun terjadi
perubahan formasi segitiga yang unik. Pada saat gerakan lurus, formasi segitiga
dapat dipertahankan dengan baik dan tidak terjadi deviasi posisi, seperti
diperlihatkan pada Tabel 2 baris pertama hingga baris ke enam. Tapi, setelah terjadi
gerakan belok kanan yang diikuti dengan gerakan berbelok ke kiri terjadi perubahan
formasi. Karena pergerakan berbelok simetris maka, formasi dapat terbentuk kembali
pada saat multi-robot bergerak lurus kembali.
21
Tabel 2. Data Pergerakan Multi-robot Gerakan Kombinasi
Kecapatan Jarak Deviasi Formasi
Robot Leader Robot
Follower1
Robot
Follower2
Kanan
(m/s)
Kiri
(m/s)
dx
(m)
dy
(m)
dx
(m)
dy
(m)
0.1 0.1 0.00 0.00 0.00 0.00
0.1 0.1 0.00 0.00 0.00 0.00
0.1 0.1 0.00 0.00 0.00 0.00
0.1 0.1 0.00 0.00 0.00 0.00
0.1 0.1 0.00 0.00 0.00 0.00
0.12 0.08 0.00 0.00 0.00 0.00
0.12 0.08 0.10 0.15 0.15 0.10
0.12 0.08 0.14 0.33 0.33 0.14
0.12 0.08 0.10 0.51 0.51 0.10
0.1 0.1 0.10 0.51 0.51 0.10
0.1 0.1 0.10 0.51 0.51 0.10
0.1 0.1 0.10 0.51 0.51 0.10
0.1 0.1 0.10 0.51 0.51 0.10
0.08 0.12 0.10 0.51 0.51 0.10
0.08 0.12 0.14 0.33 0.33 0.14
0.08 0.12 0.10 0.15 0.15 0.10
0.08 0.12 0.00 0.00 0.00 0.00
0.1 0.1 0.00 0.00 0.00 0.00
0.1 0.1 0.00 0.00 0.00 0.00
0.1 0.1 0.00 0.00 0.00 0.00
0.1 0.1 0.00 0.00 0.00 0.00
0.1 0.1 0.00 0.00 0.00 0.00
0.1 0.1 0.00 0.00 0.00 0.00
0.1 0.1 0.00 0.00 0.00 0.00
0.1 0.1 0.00 0.00 0.00 0.00
0.1 0.1 0.00 0.00 0.00 0.00
22
Tahap berikutnya adalah perancangan sistem pencarian nilai optimum
menggunakan metoda Particle Swarm Optimization. Dalam rangka upaya untuk
mendapatkan keseimbangan yang baik antara eksplorasi dan eksploitasi pada proses
pencarian, konsep inertia weight, w. Pengujian pada tahap ini difokuskan pada
identifikasi harga w yang optimum.
Dari hasil penurunan matematika, diketahui terdapat beberapa daerah yang
menentukan keseimbangan yang baik antara eksplorasi dan eksploitasi pada proses
pencarian sebagaiamana terlihat pada Gambar 16.
Gambar 16. Daerah Karakteristik Dinamik pada Bidang (w,c)
Dari Gambar 16 di atas, terdapat beberapa daerah (region) yang menarik.
Pada Region 1 partikel bergerak osilasi harmonik pada titik keseimbangan sebelum
konvergen. Sedangkan pada Region 2, gerakan partikel merupakan kombinasi dari
osilasi dan zigzag di sekitar titik keseimbangan sebelum konvergen. Sementara itu,
pada Region 3 partikel akan segera konvergen ke titik keseimbangan tanpa osilasi
harmonik dan zigzag. Terakhir, pada Region 5 partikel akan berzigzag secara
asimetrik di sekitar titik keseimbangan sebelum konvergen tanpa osilasi harmonik.
Di luar region-region ini, partikel akan divergen ke arah yang tak tertentu. Trayektori
partikel keseluruhan region ditampilkan pada Gambar 17.
w
4
3
2
1
-1
Region 1
Region 2
Region 3
Region 4
Region 5
c
1
23
Gambar 17. Bentuk Trayektori Partikel dan Regionnya
Tetapi, disamping menentukan bentuk trayektori partikel, pasangan parameter
diatas juga berpengaruh terhadap kecepatan konvergensi. Sebagai aturan umum,
harga w dan c yang semakin dekat dengan pusat dari segitiga kestabilan
mempercepat konvergensi. Sedangkan semakin dekan dengan batas-batas terluar
segitiga, mememerlukan banyak tahap untuk konvergen sebagaimana digambarkan
pada Gambar 18.
24
Gambar 18. Kecepatan Konvergen Trayektori Partikel dan Regionnya
Berdasarkan analisa konvergensi ini, harga inertia weigth yang besar akan
memperlambat konvergen untuk dapat mencapai pencarian secara global.
Sebaliknya, harga inertia weigth yang kecil mempercepat konvergen untuk
mengarahkan pencarian secara local. Oleh karena itu, dengan menurunkan harga
inertia weigth, w, dari harga yang relatif besar menjadi rendah pada saat proses PSO
berlangsung, membuat proses PSO cenderung untuk meningkatkan kemampuan
pencarian global pada saat awalnya dan memiliki kemampuan pencarian local pada
saat akhir prosesnya.
Namun, bagaimana menurunkan harga inertia weigth untuk mencapai
keseimbangan yang baik pada kemampuan pencarian global dan lokal adalah bukan
sesuatu yang mudah. Fungsi sigmoid yang menurunkan harga inertia weight
(Sigmoid Decreasing Inertia Weigth (SDIW)) diaplikasikan pada penelitian ini untuk
mendapatkan kompromi dari proses eksploitasi dan ekplorasi. Dibanding harus
menaikkan harga inertia weigth secara linear, fungsi ini menurunkan harga inertia
weigth berdasarkan fungsi sigmoid, sebagaimana tergambar pada Gambar 19.
25
Gambar 19. Perbandingan SDIW dan LDIW
Pada SDIW ini, diatur sedemikian rupa sehingga inertia weight berharga
besar pada saat awal proses PSO untuk memastikan pencarian global. Setelah itu,
harga inertia weigth diset rendah untuk mendapatkan pencarian lokasi pada bagian
akhir proses PSO. Terdapat perubahan yang mendadak pada harga inertia weigth dari
besar menjadi kecil. Metoda ini memberikan keseimbangan yang memadai antara
pencarian global dan local, untuk mendapatkan performa terbaik pada PSO.
Dalam rangka membuktikan pengaruh SDIW ini, beberapa eksperimen
dijalankan. Pertama adalah fungsi Sphere, yaitu:
n
i
ixxf1
2
0 )(
dimana x = [x1, x2, …, xn] adalah vektor berharga real dengan dimensi n. Kedua
adalah fungsi Rosenbrock, yaitu
n
i
iii xxxxf1
222
11 ))1()(100()(
Sedangkan yang ketiga adalah fungsi Rastrigin, dengan persamaan sebagai berikut:
n
i
ii xxxf1
2
2 )10)2cos(10()(
26
Terakhir, adalah fungsi Griewank, dengan persamaan di bawah ini:
n
i
n
i
i
ii
xxxf
1 1
2
3 1)cos(400
1)(
Sebagai harga awal dari populasi, pada eksperimen ini, digunakan inisialisasi
populasi asimetrik. Tabel 3 di bawah ini menjelaskan jangkauan harga awal dari
keempat fungsi di atas.
Tabel 3. Jangkauan Inisialisasi Asimetrik
Fungsi Jangkauan Inisialisasi
Asimetrik
f0 (50 , 100)n
f1 (15 , 30)n
f2 (2.56 , 5.12)n
f3 (300 , 600)n
Untuk setiap fungsi, 3 (tiga) dimensi yang berbeda diujikan, yaitu: 10, 20 dan
30 dimensi. Jumlah generasi maksimum pencarian juga dibuat bervariasi, yaitu:
1000, 1500 dan 1500, untuk masing-masing dimensi 10, 20 dan 30. Selain itu,
diujikan pula proses PSO dengan jumlah populasi yang berbeda, yaitu: 20, 40 dan
80. Fungsi sigmoid yang digunakan memiliki harga wstart 0.9 dan wend 0.4, dengan c1
= 2 dan c2 = 2. Untuk mendapatkan partisi yang baik, diujikan harga n yang berbeda,
yaitu: 0.25, 0.5 dan 0.75.
Beberapa hasil eksperimen ditampilkan pada bagian ini. Sebagai
perbandingan digunakan metoda menurunkan inertia weight secara linear (Linearly
Decreasing Inertia Weigth, LDIW). Objektif pencarian adalah mendapatkan proses
pencarian yang cepat konvergen dan dengan tingkat akurasi yang tinggi.
Gambar 20 menunjukkan hasil pencarian fungsi Sphere dengan dua ukuran
populasi yang berbeda. Tabel 2 menampilkan rata-rata harga fungsi penentu terbaik
setelah 30 kali proses. Berdasarkan gambar dan tabel tersebut, dapat dikatakan
bahwa untuk fungsi Sphere PSO dengan SDIW dapat mencapai harga yang optimum
dengan cepat dan dengan akurasi yang tinggi.
27
Gambar 20. Hasil Pencarian Fungsi Sphere
Tabel 4 Harga Rata-rata Fungsi Penentu dari Fungsi Sphere
Dim LDIW SDIW
n = 0.25 n = 0.5 n = 0.75
Pop = 20
10 2.6897e-09 5.8519e-35 7.2656e-22 1.3174e-10
20 2.9122e-07 3.5893e-21 9.0725e-08 3.1900e-04
30 5.5721e-05 2.6329e-15 3.7966e-08 3.0000e-03
Pop = 40
10 4.3735e-18 1.6285e-42 6.8196e-27 1.0791e-11
20 6.2059e-10 1.6278e-28 4.9444e-17 1.3624e-06
30 1.0369e-06 4.6623e-21 1.3846e-12 2.9829e-04
Pop = 80
10 8.7638e-19 7.3267e-49 1.3887e-31 1.1554e-12
20 5.7939e-12 6.9927e-32 1.8691e-19 1.4061e-09
30 2.1866e-08 5.6160e-25 2.3648e-15 2.6464e-06
Gambar 21 menunjukkan bahwa hasil pencarian untuk fungsi Rosenbrock.
Sementara Gambar 22 dan Gambar 23, masing-masing, menunjukkan hasil pencarain
untuk fungsi Rastrigin dan Griewank, dengan populasi berbeda-beda.
Tabel 5 hingga Tabel 7 menampilkan harga rata-rata fungsi penentu setelah
30 kali proses pencarian, untuk masing-masing fungsi diatas.
28
Gambar 21. Hasil Pencarian Fungsi Rosenbrock
Tabel 5 Harga Rata-rata Fungsi Penentu dari Fungsi Rosenbrock
Dim LDIW SDIW
n =
0.25
n =
0.5
n =
0.75
Pop = 20
10 5.0990 3.8001 4.4028 6.2818
20 5.3858 3.9866 4.0420 5.3584
30 6.2131 3.9866 4.0801 5.8690
Pop = 40
10 4.8889 3.3509 4.0093 5.4973
20 4.3776 4.1118 3.9998 8.6896
30 5.5788 4.4133 4.2580 10.5898
Pop = 80
10 4.5707 3.3854 3.9582 5.1686
20 14.3539 10.4202 6.5787 14.5359
30 18.3061 8.8637 4.0649 4.1416
29
Gambar 22. Hasil Pencarian Fungsi Rastrigin
Tabel 6 Harga Rata-rata Fungsi Penentu dari Fungsi Rastrigin
Dim LDIW SDIW
n =
0.25
n = 0.5 n =
0.75
Pop = 20
10 5.9698 3.9798 4.9748 7.9597
20 22.8917 16.9143 19.8992 23.9236
30 45.7682 20.8941 40.7933 49.4858
Pop = 40
10 3.9798 2.9489 2.9849 4.9760
20 15.9194 11.8387 14.9244 17.2506
30 40.7939 31.8387 38.8033 46.7630
Pop = 80
10 2.9849 1.9899 3.9798 4.0131
20 13.9294 11.9395 12.9345 15.9195
30 27.4395 22.8840 27.8588 28.9393
30
Gambar 23. Hasil Pencarian Fungsi Griewank
Tabel 7 Harga Rata-rata Fungsi Penentu dari Fungsi Griewank
Dim LDIW SDIW
n =
0.25
n =
0.5
n =
0.75
Pop = 20
10 0.0984 0.0836 0.0763 0.0960
20 0.0713 0.0662 0.0636 0.0320
30 0.0742 0.6364 0.0271 0.0999
Pop = 40
10 0.0640 0.0787 0.0684 0.0935
20 0.0835 0.0711 0.0614 0.1250
30 0.0737 0.0246 0.0197 0.0866
Pop = 80
10 0.0813 0.0713 0.0615 0.0866
20 0.0492 0.0246 0.0123 0.0710
30 0.0172 0.0148 0.0123 0.0197
Dengan memperhatikan masing-masing kurva diatas, dapat dikatakan bahwa
metoda PSO yang ditawarkan bersifat konvergen dengan cepat pada saat awal
pencarian. Kemudian, ia akan mengurangi konvergensinya, sehingga mendapatkan
hasil yang optimal. Secara keseluruhan, hasil-hasil tersebut menunjukkan bahwa
penggunaan SDIW pada PSO akan meningkatkan performa dari PSO dengan cukup
baik dibandingkan dengan LDIW. Dari gambar-gambar di atas juga dapat dilihat,
bahwa metoda ini dapat digunakan untuk populasi yang berbeda-beda.
31
Secara keseluruhan, trayektor partikel proses PSO telah dianalisa. Beberapa
parameter penting, seperti inertia weight dan koefisien koginitif dan sosial, telah
dipelajari. Alasan pemilihan fungsi sigmoid untuk meningkatkan performa PSO telah
dibahas pula. Performa PSO dengan SDIW diinvestigasi dan dibandingkan dengan
LDIW melalui beberapa pengujian berdasarkan 4 (empat) fungsi penguji. Pengujian
menunjukkan bahwa metoda yang ditawarkan mampu meningkatkan performa PSO,
baik dari sisi konvergensi maupun akurasinya. Selain itu, metoda ini dapat dijalankan
dengan jumlah populasi yang berbeda.
32
BAB 6. KESIMPULAN DAN SARAN
Secara umum, kegiatan penelitian telah berhasil mendisain sebuah model
pergerakan, baik pergerakan robot tunggal maupun pergeraka pada sistem multi-
robot. Masing-masing robot telah dirancang berbentuk silindris dengan sistem
perhitungan dan iterasi dinamik tertentu. Pergerakan robot tunggal telah diuji dengan
hasil yang baik. Sistem multi-robot telah pula diujikan. Secara keseluruhan
komunikasi perintah pergerakan dari robot leader ke masing-masing robot follower
bekerja dengan baik.
Selain itu telah dirancang pula sistem optimasi menggunakan PSO. Beberapa
percobaan untuk mendapatkan PSO yang terbaik telah dilakukan. Fungsi SDIW
untuk mendapatkan harga inertia weight terbaik telah didapatkan. Beberapa fungsi
telah diuji coba pencapaian nilai optimasinya dengan metoda SDIW pada PSO.
33
DAFTAR PUSTAKA
Adriansyah, A. dan Amin, S.H.M (2007), Fuzzy Behavior Coordination with
Flexible Fuzzy Context Rule using Particle Swarm Optimizaiton,
International Conference on Control, Instrumentation and Mechatronics
(CIM ‘07), Malaysia, 28-29 May 2007.
Adriansyah, A. dan Amin, S.H.M (2008), Learning of Fuzzy Behaviours using
Particle Swarm Optimization in Behaviour-based Mobile Robot.
International Journal of Intelligent System Technologies and Applications
(IJISTA), Vol. 5 – Issue 1/2 - 2008, Inderscience Publishers, ISSN: 1740-
8865, pp. 49-67.
Balch, T., dan R.C.Arkin (1998), Behavior-based formation control for multi-robot
teams, IEEE Transaction on Robotics and Automation, 14 (6), pp. 926-939,
1998
Chen, Y.Q dan Wang, Z (2005), Formation control: a review and a new
consideration, Proc. IEEE Internacional Conference on Intelligent Robots and
Systems, pp. 3181-3186, Agustus 2005.
Cruz, C.D.L dan Carelli, R. (2006), Dynamic modeling and centralized formation
control of mobile robots, Proc. IEEE Conference on Industrial Electroanics, pp.
3880-3885, November 2006
Dudek, G. and Jenkin, M. (2000). Computational Principles of Mobile Robotics. 1st
ed. Cambridge, MA: Cambridge University Press.
Egerstedt, M dan Hu, K (2001)., Formation contrained multi-agent control, Proc.
IEEE International Conference on Robotics adn Automatiion, pp. 3961-3966,
Korea, May 2001.
Gerkey, B.P. dan Mataric, M.J. (2003), A Formal Analysis and Taxonomy of Task
Allocation in Multi-robot Systems, International Journal of Robotics
Research, USA, 2003.
Keramas, J. G. (1999), Robot technology fundamentals, Delmar Publishers: New
Cork, 1999
Lee, C. (1990). Fuzzy Logic in Control Systems: Fuzzy Logic Controller (Parts I and
II). IEEE Transaction on Systems, Man, and Cybernetics. 10(2): 404-434.
34
Li, X., Xiao, J., dan Cai, Z. (2005), Backstepping based multiple mobile robots
formation control, Proc. IEEE International Conference on Intelligent Robots
and Systems, pp. 887-892, Agust, 2005
Lucas, G.W. (2000) A Tutorial and Elementary Trajectory Model for the Differential
Steering System of Robot Wheel Actuators. The Rossum Project. Unpublished.
Mariottini, G.L, dkk (2005). Visionbased Localization of Leader-Follower
Formations. In Proc. 44th IEEE Conference on Decision and Control, pages
635–640, 2005.
Miglino, O., Lund. H. And Nolfi, S. (1995). Evolving mobile robots in simulated and
real environments. Technical Report NSAL-95007, Roma. 1995.
Nehmzow, U. (2000). Mobile Robotics: A Practical Introduction. London: Springer-
Verlag.
Nehmzow, U. (2001). Mobile Robotics: Research, Applications and Challenges,
Proceeding of Future Trends in Robotics, Institution of Mechanical Engineer,
London, UK. 2001.
Parker, L. E., (2007). Distributed Intelligence: Overview of the Field and its
Application in Multi-Robot Systems, 2007 AAAI Fall Symposium, pp. 1-6,
The AAAI Press, California, 2007
Sanchez, J., dan Fierro, R. (2003), Sliding Mode Control for Robot Formations, Proc.
IEEE International Symposium on Intelligent Control, pp. 483-443, 2003.
Shao, J., dkk. (2005), Leader-following Formation Control of Multiple Mobile
Robots, Proc. IEEE/RSJ International Symposium on Intelligent Control, pp.
808-813, 2005.
Tunstel, E.W (1995). Coordination of Distributed Fuzzy Behaviors in Mobile Robot.
IEEE International Conference on Systems, Man, & Cybernetics. Canada,
October 1995. 4009-4014.
Wawerla, J. et al (2002), Collective Construction with Multipler Robots, Proceeding
of the International Conference on Intelligence Robots and Systems,
Switzerland, 2002
Yun, B., dkk (2008)., A leadaer-follower formation flight control scheme for UAV
helicopters, Proc. IEEE International Conference on Automatics and Logistics,
pp. 39-44, China, 2008.
Zadeh, L.A. (1965) Fuzzy Sets. Information and Control. 8(1): 338-353.
35
Zadeh, L.A. (1997). The Roles of Fuzzy Logic and Soft Computing in the
Conception, Design and Deployment of Intelligence Systems. Software Agents
and Soft Computing. 1997: 183-190
36
LAMPIRAN 1. REKAPITULASI PENGGUNAAN DANA
PUSAT PENELITIAN
UNIVERSITAS MERCU BUANA
LAPORAN REKAPITULASI PENGGUNAAN DANA PENELITIAN
JUDUL PENELITIAN : Perancangan Pengendali Formasi Pada Sistem Multi-
Robot Mengunakan Particle Swarm Fuzzy Controller
(PSFC)
JENIS PENELITIAN : Hibah Fundamental
TAHUN : 2014
No. Uraian
Pemasukan (Rp) Pengeluaran (Rp)
1. Nilai Kontrak
54.875.000
2. Biaya Upah/HR
18.000.000
3. Belanja Bahan
17.100.000
4. Belanja Perjalanan
8.854.262
5. Belanja Barang Operasional Lainnya
10.945.300
Total Pengeluaran
54.899.562
Saldo
(24.562)
37
LAMPIRAN 2. LOGBOOK
No. Tanggal Kegiatan
1 3 Maret 2014 Diskusi Tim Peneliti mengenai aktifitas penelitian.
Pembahasan difokuskan pada Tahap Persiapan dan
Studi Pustaka
2 10 Maret 2014 Diskusi Tim Peneliti mengenai aktifitas penelitian.
Pembahasan difokuskan pada Tahap Persiapan
Lanjutan dan Studi Pustaka
3 17 Maret 2014 Diskusi Tim Peneliti mengenai aktifitas penelitian.
Pembahasan difokuskan pada Tahap Persiapan
Peralatan dan Tahap Simulasi
4 1 April 2014 Melakukan pemrograman robot tunggal dengan
MATLAB, mengendalikan gerakan robot: gerakan
lurus, gerakan miring dan gerakan kombinasi
5 14 April 2014 Melakukan pemrograman robot tunggal dan majemuk
dengan MATLAB, mengendalikan gerakan robot
majemuk: gerakan lurus, gerakan miring dan gerakan
kombinasi
6 28 April 2014 Melakukan pemrograman MATLAB peningkatan
performance PSO, dengan mengubah dan menguji
parameter inertia weight
Ketua Peneliti
Andi Adriansyah, Dr., Ir., M.Eng
38
No. Tanggal Kegiatan
7 12 Mei 2014 Melakukan percobaan MATLAB untuk menguji
komparasi parameter PSO yang terbaik, dibandingkan
dengan metoda lain
8 26 Mei 2014 Melakukan percobaan MATLAB untuk menguji
komparasi parameter PSO yang terbaik dan
diimplementasikan pada fungsi Sphere
9 2 Juni 2104 Melakukan percobaan MATLAB untuk menguji
komparasi parameter PSO yang terbaik dan
diimplementasikan pada fungsi Rosenbrock
10 9 Juni 2104 Melakukan percobaan MATLAB untuk menguji
komparasi parameter PSO yang terbaik dan
diimplementasikan pada fungsi Rastrigin
11 16 Juni 2104 Melakukan percobaan MATLAB untuk menguji
komparasi parameter PSO yang terbaik dan
diimplementasikan pada fungsi Griewank
12 23 Juni 2104 Diskusi Tim Peneliti untuk pembuatan paper publikasi
ke EECCIS 2014 di Universitas Brawijaya dan ICON-
CSE di Universitas Sriwiajaya
13 30 Juni 2104 Diskusi Tim Peneliti untuk finalisasi Laporan
Kemajuan Penelitian (70%) dan penjilidan Laporan
Kemajuan Penelitian
Ketua Peneliti
Andi Adriansyah, Dr., Ir., M.Eng
39
No. Tanggal Kegiatan
14 11 Juli 2014 Melakukan percobaan MATLAB untuk menguji
penggunaan Fuzzy Logic Controller
15 25 Juli 2014 Melakukan percobaan MATLAB untuk menguji
penggunaan Fuzzy Logic Controller dengan PSO
(Percobaan Awal)
16 15 Agustus 2014 Melakukan percobaan MATLAB untuk menguji
penggunaan Fuzzy Logic Controller dengan PSO
(Percobaan Kedua)
17 29 Agustus 2014 Perjalanan Seminar Internasional EECCiSS 2014 di
Universitas Brawijaya, Malang
18 12 September 2014 Melakukan percobaan MATLAB untuk menguji
penggunaan Fuzzy Logic Controller dengan PSO
(Percobaan Ketiga)
19 3 Oktober 2014 Perjalanan Seminar Internasional ICON-CSE 2014 di
Universitas Sriwijaya, Palembang
20 30 Oktober 2104 Diskusi Tim Peneliti untuk pembuatan paper publikasi
ke TEKNOIN 2014 di UII, YOgyakarta
20 8 November 2104 Diskusi Tim Peneliti untuk finalisasi Laporan
Kemajuan Penelitian (100%) dan penjilidan Laporan
Kemajuan Penelitian
Ketua Peneliti
Andi Adriansyah, Dr., Ir., M.Eng
40
LAMPIRAN 3. LUARAN
1. Seminar Internasional
Andi Adriansyah dan Ahmad Wahyu Dhani, Design of Small Smart Home System
based on Arduino, The 7th
Electrical Power, Electronics, Communication,
Controls and Informatics International Seminar, Malang, Universitas
Brawijaya, 27 Agustus 2014
Andi Adriansyah, Design Context Dependent Blending (CDB) in Behaviour Base
Robot using Particle Swarm Fuzzy Controller, Internastional Conference on
Computer Science Engineering, Universitas Sriwijaya, Palembang, 1-2 October
2014