Electrical Engineering Learning of Andalas University: Aplikasi Machine Learning

APLIKASI JARINGAN SYARAF TIRUAN PADA SISTEM KONTROL

ROBOT LINE FOLLOWER DENGAN ALGORITMA BACKPROPAGATION

Referensi :

Yanti Nur & Nur Taufik. (2017). "Aplikasi Jaringan Syaraf Tiruan Pada Sistem Kontrol Robot Line Follower Dengan Algoritma Backpropagation". SNITT , Politeknik Negeri Balikpapan, ISBN: 978-602-51450-0-1, Vol.2, No.1, pp. 270-276

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. Abstrak

2. Pendahuluan

3. Metode Penelitian

4. Hasil dan Pembahasan

1. Abstrak [Back]

Robot tidak hanya dapat dikendalikan secara konvensional tetapi telah dikembangkan dengan kecerdasan buatan. Pada penelitian ini jaringan syaraf tiruan diaplikasikan pada robot line follower (LFR), dimana selama ini robot LFR dikendalikan dengan metode konvensional IF dan THEN, sehingga pembacaan pola garis yang berdampak pada gerakan roda robot tidak berjalan mengikuti jalur dengan baik. Sehingga penggunaan jaringan syaraf tiruan dengan algoritma backpropagation pada robot LFR bertujuan menghasilkan putaran motor yang sesuai dengan pembacaan sensor-sensor sehingga robot dapat berjalan mengikuti jalur dengan lebih baik atau gerakan nya lebih halus.

2. Pendahuluan [Back]

Robot merupakan wujud aplikasi perkembangan teknologi modern ini. Berbagai cara digunakan dalam menciptakan inovasi dalam dunia robotika seperti kecerdasan buatan. kecerdasan buatakan akan diharapkan mampu memperkecil error dibanding sistem kendali konvensional. Salah satu contoh contoh kecerdasan buatan adalah Jaringan Syaraf Tiruan (JST). Pada penelitian, JST digunakan pada kontrol robot LFR yang memiliki 4 sensor inframerah untuk diatur kecepatan putaran motor yang sesuai.

3. Metode Penelitian [Back]

Metode yang digunakan melatih data input dari sensor inframerah. Terdapat beberapa tahapan yakni:

1. melihat pembacaan sensor inframerah dan mengkonversi hasil pembacaan dalam bentuk digital dimana 1 = sensor mendeteksi garis dan 0 = sensor tidak mendeteksi garis dimana nilai ini akan sebagai input pada JST. 4 Sensornya terletak secara berurutan dari kiri

2. Atur PWM motor pada robot yang berguna sebagai target dalam proses pelatihan data pada JST. Untuk penelitian ini digunakan range PWM dari 0 sampai 350 rpm.

4. Hasil dan Pembahasan [Back]

Ketentuan arsitekturnya terdiri dari 1 input layer dengan 4 neutron yang merupakan sensor robot (S1, S2, S3, S4), kemudian 1 hidden layer terdiri dari 6 neutron, serta output layer yang terdiri dari 2 neutron (T1 dan T2) yang merupakan PWM motor kiri dan kanan robot. Learning rate = 0,1, maksimum epoch = 5000, dan target errornya 0,02.

Setelah data diperoleh, dilakukan konversi nilai target agar dapat digunakan saat proses pelatihan. Adapun cara mentransformasikan data target adalah sebagai berikut:

a. Data terbesar : 350

b. Data Terkecil : 0

Contoh pertransformasian data target :

Berikut hasil setelah ditransformasikan semua data target :

Berikut merupakan hasil perform dari masing-masing input dengan 2 output. performance.

Berdasarkan pelatihan data dengan menggunakan matlab didapatkan hasil nilai validationnya mendekati target.

Tahapan

1. Mempersiapkan data yang akan diolah dalam bentuk jurnal

2. Membuka aplikasi matlab dan Microsoft excel

3. Menyalin data yang akan diolah pada tabel ke mic.excel

4. Pada command window matlab ketik >> workspace dan enter

5. Kemudian pada tampilan workspacenya tambahkan 2 buah file baru yaitu inputan dan target dengan klik kanan pada tampilan workspace dan pilih New

6. Selanjutnya masukkan data dari excel ke file pada workspace berupa inputan dan target, dengan klik 2 kali pada file tersebut

7. Selanjutnya pada comman window ketikkan >> nntool

8. Maka akan menampilkan Neural Network/Data manejer pada matlab

9. Pada neural network pilih menu import dan pilih variable yang akan digunakan yaitu inputan sebagai input data dan target sebagai target data, setelah itu klik import

10. Selanjutnya pada neural network pilih menu new dan beri nama serta atur pengaturan yang sesuai dan klik view sehingga menampilkan kemudian klik create dan ok

11. Pada Neural Network bagian network klik network yang sudah dibuat dan pilih menu train kemudian training info lanjut ke training parameters dan lakukan pengaturan yang sesuai

12. Setelah pengaturan selesai klik train network dan ubah plot interval menjadi 100 kemudian klik regression maka akan menampilkan bentuk grafik

13. Lakukan perulangan pada training parameter dan lakukan Langkah selanjutnya sesuai Langkah diatas.

5. Kesimpulan [Back]

Berdasarkan percobaan yang telah dilakukan dimana setelah melakukan tahap perambatan maju didapatkan nilai kuadrat error (MSE) yang lebih besar dari 0,02. Sehingga diperlukan tahap perambatan mundur. Setelah tahap perambatan mundur dilakukan lagi tahap perubahan bobot dan bias. Bobot dan bias baru ini kemudian digunakan untuk pelatihan data kedua. Pada percobaan yang dilakukan diperoleh nilai validation R = 0.45971.

Pelatihan terus dilakukan untuk seluruh data sampai memenuhi nilai MSE yang ≤0,02 atau epoch maksimal 5000. Secara keseluruhan dengan menggunakan Jaringan Syaraf Tiruan dapat menghasilkan nilai data terlatih yang sudah mendekati target.

6. Saran [Back]

Sebagai pengembangan selanjutnya analisis sistem kontrol pada robot LFR dengan jaringan syaraf tiruan dapat menggunakan algoritma selain backpropagation atau dengan metode hyrid agar dapat dihasil performance robot yang lebih baik. Hal ini disebabkan karena performamce nilai validation R = 0.45971 Dan perlu ditingkatkan.

7. Realisassi Saran [Back]

Pada realisasi saran, kami menggunakan algoritma Cascade Forward Backpropagation yang mana nilai validation sebelumnya menggunakan algoritma Feed-Forward memiliki nilai validation R = 0.45971 dan masih perlu ditingkatkan agar kendali robot LFR lebih smooth ketika dijalankan. Sehingga digunakana algoritma lain yakni Cascade Forward Backpropagation, dimana nilai validasinya mendekati nilai target yakni sebesar R = 0.79132. Dengan nilai segitu pergerakan robot LFR sudah jauh lebih baik dibandingkan metode Feed Forward Backpropagation. Hal ini dapat terlihat perbandingan grafik regresi untuk nilai validation dari kedua metode pada gambar di bawah ini :

Hasil Regresion : Metode Cascade Forward Backpropagation (Validation R=0.79132)

Hasil Regresion : Metode Feed Forward Backpropagation (Validation R=0.45971)

8. Daftar Pustaka [Back]

A. Sholahuddin, S. Hadi. 2013. Penerapan Jaringan Syaraf Tiruan Pada Pengenalan Pola Robot Line Follower. Prosiding Seminar Nasional Sains dan Teknologi Nuklir PTNBR-BATAN Bandung: 381-386.
N. Yanti, F.Z. Rachman. 2016. Neural Network Application For The Analysis Of The Nutrition Andenvironment Effect To Mirobial Growth Rate On Fermented Soybean Patty (Tempe) Fermentation. JTT Vol.4 no.2: 100-106
R.A. Firmansyah, T.Odinanto. 2017. Algoritma Pencarian Jalur Terpendek Menggunakan Jaringan Syaraf Tiruan Pada Aplikasi Robot Penyelamat Kebakaran. TELCOMATICS, Vol.2 no.2: 1-7.
Kusumadewi, D. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB dan Excel Link. Graha Ilmu. Yogyakarta: 93-198
T.Sutojo, E.Mulyanto, V.Suhartono. 2011. Kecerdasan Buatan. ANDI Yogyakarta: 362-374.

9. Video [Back]