BAB I

PENDAHULUAN
A. Latar Belakang
Jaringan Saraf Tiruan (JST) atau Artificial Neural Network merupakan
suatu pendekatan yang berbeda dari metode AI lainnya. JST merupakan suatu
model kecerdasan yang diilhami dari struktur otak manusia dan kemudian
diimplementasikan menggunakan program computer yang mampu
menyelesaikan sejumlah proses perhitungan selama proses pembelajaran
berlangsung. Skema sederhana dari otak manusia dapat dilihat dari gambar
berikut ini.

Gambar 1.1 Diagram sederhana dari sel otak

Dari gambar diatas dapat dilihat bahwa setiap sel saraf mempunyai satu
inti sel (nucleus). Inti sel akan bertugas melakukan proses informasi.
Informasi sel akan diterima oleh dendrite yang merupakan dari cell body.
Selain menerima informasi, dendrit juga menyertai axon sebagai keluaran dari
suatu pemrosesan informasi. Informasi hasil olahan ini akan menjadi masukan
bagi sel saraf lain dimana antar dendrite tersebut akan dipertemukan dengan
sinapsis. Informasi yang dikirimkan antar neuron berupa rangsangan yang
dilewatkan melalui dendrite. Informasi yang datang dan diterima oleh dendrite
akan dijumlahkan dan dikirimkan melalui axon ke dendri terakhir yang
bersentuhan dengan dendrite dari sel saraf lain. Informasi yang akan diterima
 oleh neuron lain jika memenuhi batasan tertentu yang lebih dikenal sebagai
threshold (nilai ambang).
Gambaran di atas merupakan gambaran sederhana dari jaringan saraf,
tetapi dari gambaran itu semua komponen dari sel saraf tersebut relevan bagi
saraf model komputasi. Secara khusus, dapat dikatakan bahwa setiap unit
komputasional dihitung dari beberapa fungsi input.
Pengembangan terhadap jaringan saraf ini terus dilakuakan dan
memunculkan harapan baru yang dicapainya suatu mesin yang dapat belajar
sehingga tidak memerlukan adanya pengulangan proses perhitungan yang
sama untuk persoalan yang mirip.

B. Tujuan
Penelitian ini juga memiliki tujuan sebagai berikut :
1. Membandingkan dan membuat Simulasi untuk pembuatan line
follower menggunakan ANN
2. Melihat proses kerja ANN secara programing
 BAB II

PEMBAHASAN

2.1 PENGERTIAN ARTHIFICIAL NEURAL NETWORK

Cabang ilmu kecerdasan buatan cukup luas, dan erat kaitannya dengan
disiplin ilmu yang lainnya. Hal ini bisa dilihat dari berbagai aplikasi yang
merupakan hasil kombinasi dari berbagai disiplin ilmu. Salah satunya adalah
Arthificial Neural Network (ANN), merupakan kombinasi antara ilmu arthificial
intelligent dengan biologi.

Menurut Wikipedia Jaringan Syaraf Tiruan (JST) atau dalam bahasa

Inggris Arthificial Neural Network (ANN) adalah jaringan dari sekelompok unit
pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST
merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan
masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui
jaringan tersebut .

Menurut Jurnal international (A Comprehensive Study of Artificial Neural

Networks) Arthificial Neural Network adalah An Artificial Neuron is basically
an engineering approach of biological neuron.

Menurut teori Haykin (1999,p2) : " jaringan syaraf tiruan (Artificial

Neural Network) adalah sejumlah besar prosesor yang terdistribusi secara pararel
dan terdiri dari unit pemrosesan sederhana, dimana masing masing unit
memiliki kecenderungan untuk menyimpan pengetahuan yang dialami dan dapat
digunakan kembali."

Neural Network merupakan kategori ilmu Soft Computing. Neural

Network sebenarnya mengadopsi dari kemampuan otak manusia yang mampu
memberikan stimulasi/rangsangan, melakukan proses, dan memberikan output.
Output diperoleh dari variasi stimulasi dan proses yang terjadi di dalam otak
manusia. Kemampuan manusia dalam memproses informasi merupakan hasil
kompleksitas proses di dalam otak. Misalnya, yang terjadi pada anak-anak,
mereka mampu belajar untuk melakukan pengenalan meskipun mereka tidak
mengetahui algoritma apa yang digunakan. Kekuatan komputasi yang luar biasa
dari otak manusia ini merupakan sebuah keunggulan di dalam kajian ilmu
pengetahuan.

2.2 KONSEP DASAR PEMODELAN ARTHIFICIAL NEURAL

NETWORK
1. Struktur Dasar Jaringan Biologi

Pembuatan struktur jaringan syaraf tiruan diilhami oleh struktur

jaringan biologi, khususnya jaringan otak manusia. Untuk lebih mengenal
asal-usul serta bagaimana suatu struktur jaringan syaraf tiruan dibuat dan
dapat dipakai sebagai suatu alat penghitung. Berikut ini akan diulas sedikit
istilah yang secara umum digunakan.

Neuron adalah suatu unit pemroses terkecil pada otak, bentuk

sederhana sebuah neuron yang oleh para ahli dianggap sebagai satuan unit
pemroses tersebut digambarkan sebagai berikut :
 Gambar 2.1 Neuron dan sel saraf

Struktur pada gambar tersebut adalah bentuk standar dasar satuan

unit jaringan otak manusia yang telah disederhanakan. Bentuk standar ini
mungkin dikemudian hari akan berubah bila ada ilmuan yang dapat
menciptakan bentuk standar yang lebih baik ataupun memperbaiki bentuk
standar yang digunakan saat ini. Jaringan otak manusia tidak kurang dari
1013 neuron yang msing-masing terhubung oleh sekitar 1015 buah dendrite.

Dari gambar di atas, bisa dilihat ada beberapa bagian dari otak
manusia, yaitu:

1. Dendrit (Dendrites) berfungsi untuk mengirimkan impuls yang

diterima ke badan sel syaraf.

2. Akson (Axon) berfungsi untuk mengirimkan impuls dari badan

sel ke jaringan lain

3. Sinapsis berfungsi sebagai unit fungsional di antara dua sel

syaraf.

Secara umum jaringan syaraf terbentuk dari jutaan (bahkan lebih)

struktur dasar neuron yang terinterkoneksi dan terintegrasi antara satu
dengan yang lain sehingga dapat melaksanakan aktifitas secara teratur dan
terus menerus sesuai dengan kebutuhan.
2. Pemodelan Arthificial Neural Network

Dari struktur neuron pada otak manusia, dan proses kerja yang
dijelaskan di atas, maka konsep dasar pembangunan neural network buatan
(Artificial Neural Network) terbentuk. Ide mendasar dari Artificial Neural
Network (ANN) adalah mengadopsi mekanisme berpikir sebuah sistem
atau aplikasi yang menyerupai otak manusia, baik untuk pemrosesan
berbagai sinyal elemen yang diterima, toleransi terhadap kesalahan/error,
dan juga parallel processing.

Gambar 2.2 Layout ANN

Karakteristik dari ANN dilihat dari pola hubungan antar neuron,

metode penentuan bobot dari tiap koneksi, dan fungsi aktivasinya. Gambar
di atas menjelaskan struktur ANN secara mendasar, yang dalam
kenyataannya tidak hanya sederhana seperti itu.

a) Input, berfungsi seperti dendrite

b) Output, berfungsi seperti akson

c) Fungsi aktivasi, berfungsi seperti sinapsis

Neural network dibangun dari banyak node/unit yang dihubungkan

oleh link secara langsung. Link dari unit yang satu ke unit yang lainnya
digunakan untuk melakukan propagasi aktivasi dari unit pertama ke unit
selanjutnya. Setiap link memiliki bobot numerik. Bobot ini menentukan
kekuatan serta penanda dari sebuah konektivitas.
 Proses pada ANN dimulai dari input yang diterima oleh neuron
beserta dengan nilai bobot dari tiap-tiap input yang ada. Setelah masuk ke
dalam neuron, nilai input yang ada akan dijumlahkan oleh suatu fungsi
perambatan (summing function), yang bisa dilihat seperti pada di gambar
dengan lambang sigma (). Hasil penjumlahan akan diproses oleh fungsi
aktivasi setiap neuron, disini akan dibandingkan hasil penjumlahan dengan
threshold (nilai ambang) tertentu. Jika nilai melebihi threshold, maka
aktivasi neuron akan dibatalkan, sebaliknya, jika masih dibawah nilai
threshold, neuron akan diaktifkan. Setelah aktif, neuron akan mengirimkan
nilai output melalui bobot-bobot outputnya ke semua neuron yang
berhubungan dengannya. Proses ini akan terus berulang pada input-input
selanjutnya.

ANN terdiri dari banyak neuron di dalamnya. Neuron-neuron ini

akan dikelompokkan ke dalam beberapa layer. Neuron yang terdapat pada
tiap layer dihubungkan dengan neuron pada layer lainnya. Hal ini tentunya
tidak berlaku pada layer input dan output, tapi hanya layer yang berada di
antaranya. Informasi yang diterima di layer input dilanjutkan ke layer-
layer dalam ANN secara satu persatu hingga mencapai layer terakhir/layer
output. Layer yang terletak di antara input dan output disebut sebagai
hidden layer. Namun, tidak semua ANN memiliki hidden layer, ada juga
yang hanya terdapat layer input dan output saja.

3. Mengaktifkan Jaringan Syaraf Tiruan

Mengaktifkan jaringan syaraf tiruan berarti mengaktifkan setiap

neuron yang dipakai pada jaringan tersebut. Banyak fungsi yang dapat
dipakai sebagai pengaktif, seperti fungsi-fungsi goniometri dan
hiperboliknya, fungsi unit step, impulse, sigmoid, dan lain sebagainya.
Tetapi yang lazim digunakan adalah fungsi sigmoid, karena dianggap lebih
mendekti kinerja sinyal pada otak.

Gambar 2.3 Fungsi-Fungsi pada ANN

a. Perceptron
Perceptron pada Jaringan Syaraf Tiruan (Neural Network)
termasuk kedalam salah satu bentuk Jaringan Syaraf (Neural Network)
yang sederhana. Perceptron biasanya digunakan untuk
mengklasifikasikan suatu tipe pola tertentu yang sering dikenal
dengan istilah pemisahan secara linear. Pada dasarnya perceptron pada
Jaringan Syaraf Tiruan (Neural Network) dengan satu lapisan
memiliki bobot yang bisa diatur dan suatu nilai ambang. Algoritma
yang digunakan oleh aturan perceptron ini akan mengatur parameter-
parameter bebasnya melalui proses pembelajaran. Fungsi aktivasi
dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah
positif dan daerah negatif.
2.3 KARAKTERISTIK ARTHIFICIAL NEURAL NETWORK

Karakteristik neural network ditunjukkan dalam 3 ciri yaitu : Arsitektur

jaringan algoritma jaringan (Alg. Pembelajaran dan Pengenalan) dan fungsi
aktivasi.

1. Arsitektur Jaringan

Arsitektur jaringan menggambarkan bagaimana mengatur neuron-

neuron dalam lapisan dan bagaimana menghubungkan neuron-neuron
tersebut dengan bobot keterhubungannya (Weight (w)). Pada setiap neuron
yang berada dalam satu lapisan yang sama mempunyai fungsi aktivasi
yang sama, dan setiap neuron dalam satu lapisan harus dihubungkan
dengan setiap neuron pada lapisan berikutnya. Arsitektur jaringan syaraf
tiruan yang sering digunakan adalah :

b. Jaringan dengan lapisan tunggal

c. Jaringan dengan banyak lapisan

Jaringan dengan lapisan tunggal hanya memiliki 1 lapisan dengan

bobot-bobot keterhubungannya. Jaringan ini hanya menerima input pada
lapisan input dan kemudian seacara langsung mengolahnya menjadi output
pada lapisan output. Arsitektur jaringan dengan lapisan tunggal dapat
dilihat pada gambar berikut.
 Gambar 2.4 Single Layer Perceptron

Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang

terletak diantara lapisan input dan lapisan output yang disebut sebagai
lapisan tersembunyi (hidden layer). Jaringan dengan banyak lapisan ini
dapat menyelesaikan permasalahan yang lebih sulit daripada jaringan
dengan lapisan tunggal, tetapi tentu proses pembelajaran menjadi jauh
lebih rumit dan memakan waktu yang lama. Tetapi pada sebagian besar
kasus, pembelajaran dengan banyak lapisan ini lebih sukses dalam hasil
pengujian masalahnya. Arsitektur jaringan dengan banyak lapisan dapat
dilihat pada gambar berikut.
 Gambar 2.5 Multi Layer Perceptron

2. Algoritma Jaringan

a. Algoritma Jaringan Pembelajaran

Algoritma pembelajaran digunakan untuk menemukan nilai-
nilai bobot yang tepat dalam mengirimkan suatu informasi. Algoritma
yang digunakan Neural Network dalam pembelajaran tergantung pada
arsitektur jaringan yang digunakan. Secara umum, algoritma
pembelajaran terbagi menjadi dua bagian, yaitu supervised learning
(pembelajaran terawasi) dan unsupervised learning (pembelajaran tak
terawasi).
Supervised learning merupakan algoritma pembelajaran yang
memerlukan target output yang diharapkan untuk diketahui
sebelumnya dalam proses pembelajarannya. Setiap pola input beserta
target output yang ditentukan disebut sebagai pasangan pembelajaran.
Algoritma pembelajaran NN yang termasuk dalam kelompok ini antara
lain hebb, perceptron dan back Propagation.
Unsupervised learning tidak memerlukan target output dan
tidak dapat ditentukan hasil seperti apakah yang diharapkan selama
 proses pembelajaran. Tujuan pembelajaran ini adalah
mengelompokkan unit-unit yang hampir sama dalam suatu area
tertentu. Yang termasuk dalam Unsupervised learning antara lain :
1) Kohonen Self-Organizing Maps
2) Learning Vector Quantization
3) Counterpropagation

b. Algoritma pengenalan
Setelah menemukan nilai bobot keterhubungan antar neuron
yang bersesuaian dengan nilai output, maka nilai bobot tersebut
digunakan untuk menguji NN jika suatu input dimasukkan sehingga
suatu nilai ouput dihasilkan. Proses ini dinamakan proses pengenalan
(pengujian). Algoritma pengenalan yang digunakan tergantung pada
algoritma pembelajaran yang digunakan, biasanya merupakan bagian
dari algoritma pembelajarannya.

c. Separabilitas Linear
Salah satu cara yang biasa digunakan sebagai syarat henti
proses pembelajaran atau digunakan juga untuk proses pengenalan
adalah separabilitas linier.(garis pembatas). Dalam aplikasi pengenalan
pola, garis pembatas ini merupakan batas keputusan apakah suatu
anggota termasuk dalam kelompok (berespon positip) atau bukan
kelompok. (berespon negatip)..Dalam koordinat Cartesian (x,y) garis
pembatas ini digambarkan sebagai garis lurus yang mempunyai
persamaan :
y= mx + c
dengan :
m : gradien garis
c : konstanta atau titik potong dengan sumbu-y (0,c)

3. Fungsi Aktivasi
 Ada beberapa bentuk fungsi aktivasi yang umum digunakan dalam
Neural Network, antara lain:

a. Fungsi tangga biner

Jaringan dengan lapisan tunggal sering menggunakan fungsi

tangga biner untuk mengkonversikan input dari suatu variabel yang
bernilai kontinu ke suatu ouput biner (0 atau 1). Fungsi tangga biner
dirumuskan sebagai,

Sedangkan grafiknya dapat dilihat pada gambar dibawah ini;

Gambar 2.6 Fungsi tangga biner

b. Fungsi linear (identitas)

Fungsi linear memiliki nilai output yang sama denagn nilai
inputnya. Fungsi linear dirumuskan sebagai,
y=x
dan grafik fungsi linear dapat dilihat pada gambar berikut.
 Gambar 2.7 Fungsi tangga biner

c. Fungsi sigmoid biner

Fungsi ini mempunyai nilai pada range 0 sampai 1. Fungsi ini
dirumuskan sebagai,

Dan grafik fungsi ini dapat dilihat pada gambar berikut :

Gambar 2.8 Fungsi sigmoid biner

d. Fungsi sigmoid bipolar

Fungsi ini mempunyai nilai pada range antara 1 sampai 1. Fungsi
ini dirumuskan sebagai,

Sedangkan grafik fungsinya dapat dilihat pada gambar berikut ,

 Gambar 2.7 Fungsi sigmoid bipolar

2.4 KELEBIHAN DAN KEKURANGAN ARTHIFICIAL NEURAL

NETWORK
1. Kelebihan Arthificial Neural Network
Mampu mengakuisisi pengetahuan walau tidak ada kepastian
Mampu melakukan generalisasi dan ekstraksi dari suatu pola
data tertentu
JST dapat menciptakan suatu pola pengetahuan melalui
pengaturan diri atau kemampuan belajar (self organizing)
Memiliki fault tolerance, gangguan dapat dianggap sebagai
noise saja
Kemampuan perhitungan secara paralel sehingga proses lebih
singkat
ANN mampu :
- Klasifikasi: memilih suatu input data ke dalam kategori
tertentu yang sudah ditetapkan
- Asosiasi: menggambarkan suatu obyek secara keseluruhan
hanya dengan bagian dari obyek lain
- Self organizing: kemampuan mengolah data-data input tanpa
harus mempunyai target
- Optimasi: menemukan suatu jawaban terbaik sehingga
mampu meminimalisasi fungsi biaya
 2. Kekurangan Arthificial Neural Network
Black Box
Kurang mampu untuk melakukan operasi operasi numerik
dengan presisi tinggi
Kurang mampu melakukan operasi algoritma aritmatik, operasi
logika dan simbolis
Lamanya proses training yang mungkin terjadi dalam waktu
yang sangat lama untuk jumlah data yang besar

2.5 KEGUNAAN ARTHIFICIAL NEURAL NETWORK

Pengenalan pola (pattern recognition)

Huruf, tanda tangan, suara, gambar yang sudah sedikit

berubah (mengandung noise)

Identifikasi pola saham

Pendeteksian uang palsu, kanker

Signal Processing

Menekan noise pada saluran telepon

Peramalan

Peramalan saham

Autopilot dan simulasi

Kendali otomatis otomotif

2.6 LINE FOLLOWER

Kata robot yang, berasal dari bahasa Czech, robota, yang berarti
pekerja, mulai menjadi populer ketika seorang penulis berbangsa Czech
(Ceko), Karl Capek, membuat pertunjukan dari lakon komedi yang ditulisnya
pada tahun 1921 yang berjudul RUR(Rossums Universal Robot). Robot
dapat diartikan sebagai sebuah mesin yang dapat bekerja secara terus menerus
baik secara otomatis maupun terkendali. . Pada dasarnya dilihat dari struktur
dan fungsi fisiknya (pendekatan visual) robot terdiri dari dua bagian, yaitu
non-mobile robot dan mobile robot. Kombinasi keduanya menghasilkan
kelompok konvensional (mobile dan non-mobile)contohnya mobile
manipulator, walking robot,dll dan non-konvensional (humanoid, animaloid,
extraordinary).
Robot Line Follower merupakan sebuah mobile robot yang memiliki
kegunaan dalam mengikuti sebuah pola garis yang di tentukan. Mobile robot
jenis ini biasanya dignakan untuk sebagai mainan anak-anak serta metode
pengenalan robot kepada pelajar. Berikut adalah diagram blok dari line
follower.

Gambar 2.8 Diagram Blok Line Follower

Peralatan Yang Digunakan.

1) Sensor Garis

Apa itu sensor garis? Yang dimaksud sensor garis disini

adalah suatu perangkat/alat yang digunakan untuk mendeteksi
adanya sebuah garis atau tidak. Garis yang dimaksud adalah garis
berwarna hitam diatas permukaan berwarna putih. Alat ini
menggunakan teknik pantulan cahaya inframerah yang ditangkap
oleh LDR ataupun Photodiode dari sebuah LED merah.

Gambar 2.9 Photodioda dan Cara Kerjanya

Light Dependent Resistor atau disingkat dengan LDR

adalah jenis Resistor yang nilai hambatan atau nilai resistansinya
tergantung pada intensitas cahaya yang diterimanya. Nilai
Hambatan LDR akan menurun pada saat cahaya terang dan nilai
Hambatannya akan menjadi tinggi jika dalam kondisi gelap.
Dengan kata lain, fungsi LDR (Light Dependent Resistor) adalah
untuk menghantarkan arus listrik jika menerima sejumlah intensitas
cahaya (Kondisi Terang) dan menghambat arus listrik dalam
kondisi gelap.

Naik turunnya nilai Hambatan akan sebanding dengan

jumlah cahaya yang diterimanya. Pada umumnya, Nilai Hambatan
LDR akan mencapai 200 Kilo Ohm (k) pada kondisi gelap dan
menurun menjadi 500 Ohm () pada Kondisi Cahaya Terang.

LDR (Light Dependent Resistor) yang merupakan

Komponen Elektronika peka cahaya ini sering digunakan atau
diaplikasikan dalam Rangkaian Elektronika sebagai sensor pada
Lampu Penerang Jalan, Lampu Kamar Tidur, Rangkaian Anti
Maling, Shutter Kamera, Alarm dan lain sebagainya.

Gambar 2.10 LDR

Alat Ukur yang digunakan untuk mengukur nilai hambatan

LDR adalah Multimeter dengan fungsi pengukuran Ohm (). Agar
Pengukuran LDR akurat, kita perlu membuat 2 kondisi
pencahayaan yaitu pengukuran pada saat kondisi gelap dan kondisi
terang. Dengan demikian kita dapat mengetahui apakah Komponen
LDR tersebut masih dapat berfungsi dengan baik atau tidak.
Alatyangmiripdengandiodapekaadalahtransistorfoto
(phototransistor). Transistorfoto ini pada dasarnya adalah jenis
transistor bipolar yang menggunakan kontak (junction) base
collector untuk menerima cahaya.

Gambar 2.11 PhotoTransistor

Komponeninimempunyaisensitivitasyanglebihbaikjika
dibandingkandengandiodapekacahaya.Halinidisebabkankarena
electron yang ditimbulkan oleh foton cahaya padajunction ini
diinjeksikandibagianBasedandiperkuatdibagiankolektornya.
Namundemikian,wakturesponsdaritransistorfotosecaraumum
akanlebihlambatdaripadadiodapekacahaya.
Jikaphotodiodatidakterkenacahaya,makatidakadaarus
yangmengalirkerangkaianpembanding,jikaphotodiodaterkena
cahayamakaphotodiodeakanbersifatsebagaitegangan,sehingga
Vccdanphotodiodatersusunseri,akibatnyaterdapatarusyang
mengalirkerangkaianpembanding.

2) Komparator

Komparator tegangan adalah sebuat rangkaian yang dapat

membandingkan besar tegangan masukan. Komparator tegangan
biasanya menggunakan Op-Amp sebagai piranti utama dalam
rangkaian. Ada dua jenis komparator tegangan, yaitu komparator
tegangan sederhana, dan komparator tegangan dengan histerisis.

1. Rangkaian Komparator tegangan sederhana

Gambar 2.12 Rangkaian Komparator Sederhana

Vref di hubungkan ke +V supply, kemudian R1 dan

R2 digunakan sebagai pembagi tegangan, sehingg nilai
tegangan yang di referensikan pada masukan + op-amp
adalah sebesar :
 V = [R1/(R1+R2) ] *
Vsupply...................................(2.1)

Op-amp tersebut akan membandingkan nilai

tegangan pada kedua masukannya, apabila masukan (-)
lebih besar dari masukan (+) maka, keluaran op-amp akan
menjadi sama dengan Vsupply, apabila tegangan masukan
(-) lebih kecil dari masukan (+) maka keluaran op-amp
akan menjadi sama dengan + Vsupply. Jadi dalam hal ini
jika Vinput lebih besar dari V maka keluarannya akan
menjadi Vsupply, jika sebaliknya, Vinput lebih besar dari
V maka keluarannya akan menjadi + Vsupply.

Untuk op-amp yang sesuai untuk di pakai pada

rangkaian op-amp untuk komparator biasanya
menggunakan op-amp dengan tipe LM339 yang banyak di
pasaran.

2. Rangkaian Komparator tegangan dengan histerisis

Tujuan dari rangkaian histerisis adalah untuk

meminimalkan efeknois pada tegangan masukan.
Misalnya tegangan referensinya di set 3,3 V, sedangkan
itu juga memiliki nois sebesar 0,1 V, maka jika
tegangan inputnya tepat 3,3V, maka keluarannya akan
berfluktuasi sesuai dari nois nya.

Dengan menggunakan komparator dengan

histerisis, maka keluarannya tidak akan berlogika
-Vsupply sebelum Vinput melewati batas atas, dan
sebaliknya, keluarannya tidak akan mengeluarkan
 tegangan +Vsupply sebelum Vinput melewati batas
bawah.

3) Motor Driver
L293D DC Motor Driver

Dewasa ini sistem penggerak robot memang sudah

menggunakan kabel otot (muscle wire) namun sebagian
besar masih banyak yang tetap menggunakan motor sebagai
penggerak utama mengingat torsi dari kabel otot masih
terlalu rendah. Motor DC adalah merupakan motor yang
memiliki kecepatan putar tinggi. Dengan tambahan
gearbox, maka motor ini dapat digunakan untuk
menggerakkan bagian-bagian robot yang membutuhkan
torsi besar seperti pada bagian untuk menjalankan robot
tersebut.

4)Gearbox
Pengertian gearbox

Dalam beberapa unit mesin memeiliki sistem

pemindah tenaga yaitu gearbox yang berfungsi untuk
menyalurkan tenaga atau daya mesin ke salah satu bagian
mesin lainnnya sehingga unit tersebut bergerak
menghasilkan sebuah pergerakan baik putaran maupun
pergeseran.
Gearbox merupakan suatu alat khusus yang
diperlukan untuk menyesuaikan daya atau torsi (moment
atau daya) dari motor yang berputar, dan gearbox juga
adalah alat pengubah daya dari motor yang berputar
menjadi tenaga yang lebih besar
 Fungsi Gearbox

Gearbox atau transmisi adalah salah satu komponen

utama motor yang diseebut sebagai sistem pemindah
tenaga, transmisi berfungsi untuk memindahkan dan
mengubah tenaga dari motor yang beputar, yang digunakan
untuk memutar spindel mesin maupun melakukan feeding.
Transmisi juga berfungsi untuk mengatur kecepatan gerak
dan torsi serta berbalik putaran sehingga dapat bergerak
maju dan mundur.
Transmisi manual atau lebih dikenal dengan sebutan
gearbox, mempunyai beberapa fungsi antara lain :
1. Merubah momen puntir yang akan diteruskan ke
spindel mesin
2. Menyediakan rasio gigi yang sesuai dengan
beban mesin
3. Menghasilkan putaran mesin tanpa selip

Prinsip Kerja Gearbox

Putaran dari motor diteruskan ke input shaft

(poros input) melalui hubungan antara clutch/kopling
ke main shaft (poros utama), torsi/momen yang ada di
mainshaft diteruskan ke spindel mesin, karena adanya
perbedaan rasio dan bentuk dari gigi-gigi tersebut
sehingga rpm atau putaran spindel yang dikeluarkan
berbeda, tergantung dari rpm yang di inginkan. Berikut
penjelasan beberapa part yang terdapat dalam gearbox.

5) Arduino

Arduino adalah pengendali mikro single-board yang

bersifat open-source, diturunkan dari Wiring platform, dirancang
untuk memudahkan penggunaan elektronik dalam berbagai bidang.
Hardwarenya memiliki prosesor Atmel AVR dan softwarenya
memiliki bahasa pemrograman sendiri.

Arduino juga merupakan platform hardware terbuka yang

ditujukan kepada siapa saja yang ingin membuat purwarupa
peralatan elektronik interaktif berdasarkan hardware dan software
yang fleksibel dan mudah digunakan. Mikrokontroler diprogram
menggunakan bahasa pemrograman arduino yang memiliki
kemiripan syntax dengan bahasa pemrograman C. Karena sifatnya
yang terbuka maka siapa saja dapat mengunduh skema hardware
arduino dan membangunnya.

Arduino menggunakan keluarga mikrokontroler ATMega

yang dirilis oleh Atmel sebagai basis, namun ada
individu/perusahaan yang membuat clone arduino dengan
menggunakan mikrokontroler lain dan tetap kompatibel dengan
arduino pada level hardware. Untuk fleksibilitas, program
dimasukkan melalui bootloader meskipun ada opsi untuk
membypass bootloader dan menggunakan downloader untuk
memprogram mikrokontroler secara langsung melalui port ISP.

Gambar 2.6 Arduino

2.7 BAHASA PEMROGRAMAN VISUAL BASIC
Microsoft Visual Basic (sering disingkat sebagai VB saja) merupakan
sebuah bahasa pemrograman yang menawarkan Integrated Development
Environment (IDE) visual untuk membuat program perangkat lunak berbasis
sistem operasi Microsoft Windows dengan menggunakan model
pemrograman (COM).
Visual Basic merupakan turunan bahasa pemrograman BASIC dan
menawarkan pengembangan perangkat lunak komputer berbasis grafik
dengan cepat.

Beberapa bahasa skrip seperti Visual Basic for Applications (VBA) dan
Visual Basic Scripting Edition (VBScript), mirip seperti halnya Visual Basic,
tetapi cara kerjanya yang berbeda

Para programmer dapat membangun aplikasi dengan menggunakan

komponen-komponen yang disediakan oleh Microsoft Visual Basic Program-
program yang ditulis dengan Visual Basic juga dapat menggunakan Windows
API, tapi membutuhkan deklarasi fungsi luar tambahan.
Dalam pemrograman untuk bisnis, Visual Basic memiliki pangsa pasar
yang sangat luas. Sebuah survey yang dilakukan pada tahun 2005
menunjukkan bahwa 62% pengembang perangkat lunak dilaporkan
menggunakan berbagai bentuk Visual Basic, yang diikuti oleh C++,
JavaScript, C#, dan Java\
Berikut adalah perkembangan visual basic dari waktu ke waktu:
20 Mei 1991: Microsoft merilis Visual Basic versi 1.0 untuk
Windows di Windows World 1991, Atlanta, Amerika Serikat.
Programmer dapat membuat antar muka pengguna dengan mudah.
Pembuatan aplikasi bisa lebih cepat dibandingkan sebelumnya.
Kode ditulis oleh programmer untuk memberikan aksi terhadap
Event dari pengguna (bagaimana pengguna merespon kepada object
yang terdapat di antar muka.
21 September 1992: Microsoft mengumumkan Microsoft Visual
Basic for MS-DOS dalam edisi Standard dan Professional. Seperti
Visual Basic untuk Windows, versi ini mengkombinasikan
 kemudahan pendisainan secara grafis dengan kekuatan dan
keunggulan dalam banyak hal di pemrograman
2 November 1992: Microsoft mengumumkan kemampuan dari
Visual Basic versi 2.0 untuk Windows pada edisi Professional dan
Standard. Versi ini menyertakan lebih dari 300 fitur baru dan
peningkatan untuk pengembangan aplikasi yang lebih cepat,
pengaksesan ke fitur-fitur tingkat lanjut di Windows, dan
produktivitas pengembang yang lebih besar lagi. Di antaranya: MDI
Forms, ODBC, dan variabel
14 Mei 1993: Microsoft mengumumkan Visual Basic versi 3.0
untuk edisi Standard dan Professional. Versi 3.0 menyediakan
kemudahan akses ke berbagai sumber data yang banyak dengan
mengintegrasikan mesin database Microsoft Access Database for
Windows 1.1 dan kemampuan di bidang aplikasi melalui Object
Linking and Embedding (OLE) 2.0. Juga ditambahkan tools baru
berupa controls baru, penggunaan yang lebih mudah, dan sebuah
peningkatan standarisasi control bagi
29 Juni 1993: Microsoft mengumumkan bahwa Microsoft Visual
Basic for Applications (VBA) akan diintegrasikan ke dalam
Microsoft Excel 5.0 dan Microsoft Project 4.0. Visual Basic akan
melayani bahasa Macro yang umum di versi yang akan datang dari
aplikasi-aplikasi untuk Windows dan Macintosh. Fitur Macro yang
umum untuk aplikasi dan OLE 2.0, keduanya merupakan elemen
penting di visi dan strategi Microsoft untuk aplikasi yang dapat
diprogram yang akan memberikan kemampuan bagi pengguna
untuk mengintegrasikan aplikasi-aplikasi, tugas-tugas otomatis, dan
pembuatan solusi yang bersifat kostumais. VBA memiliki mesin
pengembangan tangguh dan fleksibel yang sama yang membuat
Visual Basic menjadi terkenal, teknologi pemrograman yang
memperoleh
14 November 1994: Visual Basic versi 4.0 untuk Windows
didemonstrasikan di Fall/COMDEX 94 di Las Vegas. Demonstrasi
 ini berfokus pada perannya sebagai aplikasi berbasis Windows 32-
bit pertama yang menggunakan kontrol kostumais OLE (OCXs)
komponent perangkat lunak yang dapat digunakan kembali yang
ditetapkan dengan spesifikasi OLE. Pada versi ini diperkenalkan:
Class, OXCs, dan programmer dapat membuat add-ins sendiri
dengan
12 September 1995: Visual Basic versi 4.0 untuk MS-DOS,
Microsoft Windows NT, dan Windows 95 diumumkan. Untuk
meningkatkan edisi Standard dan Professional, maka Edisi
Enterprise yang baru diperkenalkan untuk memenuhi kebutuhan
perusahaan dan team pengembang. Semua versi menyertakan
dukungan teknologi OLE yang lebih dikembangkan, perbaikan
akses data, sebuah lingkungan pengembangan yang bersifat visual,
dan migrasi ke Windows 95 dan Windows NT untuk aplikasi-
aplikasi yang sudah
7 Desember 1995: Microsoft mengumumkan Microsoft Visual
Basic Scripting Edition (VBScript), sebuah bahasa skrip Internet
berbasiskan pada Visual Basic. VBScript merupakan sebuah skrip
dengan performansi yang tinggi yang didisain untuk membuat isi
yang bersifat aktif pada suatu situs. VBScript membolehkan
pengembang untuk mengaitkan dan mengotomatiskan berbagai
jenis object di halaman situs, termasuk object OLE. VBScript
menjadi sebuah spesifikasi yang diusulkan berlisensi gratis yang
tersedia bagi komunitas
3 Februari 1997: Microsoft membuka sistem pemrograman Visual
Basic versi 5.0, Edisi Professional tool versi terakhir yang paling
terkenal di dunia untuk membangun aplikasi yang tangguh (Rapid
Application Development RAD) tool. Fitur-fitur Visual Basic versi
5.0 terdiri dari sejumlah performansi yang signifikan dan
peningkatan produktivitas yang akan membuat para pengembang
lebih efisien dan fleksibel serta cepat dalam memberikan solusi bagi
pengguna akhir. Fitur-fitur tingkat lanjut seperti kompilasi
 berjenis native code, akses database berkecepatan tinggi, dan
sebuah lingkungan pengembangan yang ditingkatkan membuat
Visual Basic versi 5.0 menjadi versi yang paling hebat. Sebagai
tambahan, kemampuan teknologi pembuatan komponen Microsoft
ActiveX di Visual Basic versi 5.0 akan membolehkan lebih dari 3
juta pengembang menggunakan Visual Basic dalam membuat
aplikasi yang berbasis pada komponen yang bertujuan untuk
digunakan di Internet, intranets, dan lingkungan tradisional client/
10 Maret 1997: Versi terakhir yang dirilis dari Visual Basic 5.0,
Edisi Pembuatan Kontrol tersedia. Edisi Pembuatan Kontrol adalah
cara mudah untuk membuat ActiveX Controls bagi Internet,
intranets, dan aplikasi client/
15 Juni 1998: Microsoft mengumumkan Visual Basic versi 6.0, dan
dimasukkan ke dalam Microsoft Visual Studio versi 6.0. Fitur-
fitur Visual Basic versi 6.0 menyediakan pengaksesan data secara
terintegrasi dan bersifat grafis ke sumber data (data source) ODBC
atau OLE DB manapun, dan perangkat tambahan database yang
didisain untuk database Oracle dan Microsoft SQL Server. Fitur
unggulan di versi ini adalah: ActiveX Data Objects (ADO) untuk
memanipulasi dan membuat database. Fitur Pengembangan Situs
membawa kemudahan dalam penggunaan, model pemrograman
berbasis komponen dari Visual Basic untuk membuat HTML dan
Dynamic HTML (DHTML) berbasis aplikasi. Fitur-fitur baru ini
dikombinasikan dengan optimisasi performansi, pengembangan
aplikasi yang disederhanakan dan debugging, dan dukungan untuk
Microsoft teknologi server membuat Visual Basic versi 6.0
sebuah pilihan yang ideal untuk membangun aplikasi berskala
2 September 1998: Visual Studio 6.0, solusi tool pengembangan
lengkap berskala perusahaan tersedia. Visual Studio 6.0
menyertakan Visual Basic versi 6.0, Microsoft Visual C++,
Microsoft Visual FoxPro, Microsoft Visual InterDev Web, dan
Microsoft Visual J++. Bersamaan dengan diluncurkannya
 Developer Days 98, lebih dari 115 perusahaan papan atas
mengumumkan dukungan terhadap Visual Studio 6.
28 April 1999: Lingkungan pengembangan VBA versi 6.0 dan
Software Development Kit (SDK) VBA (SDK) versi 6.0 tersedia
bagi vendor perangkat lunak pihak ketiga melalui program lisensi
VBA. VBA 6.0 merupakan sebuah teknologi pengembangan yang
tangguh untuk aplikasi yang dikemas secara kostumais dan
merupakan sebuah komponen utama di Microsoft Office
15 Februari 2000: Steve Ballmer, presiden yang baru saja ditunjuk
dan CEO dari Microsoft Corporation, berbicara kepada lebih dari
2.000 pengembang dalam pidatonya pada Visual Basic Insiders
Technical Summit (VBITS), menyatakan visi Microsoft terhadap
situs yang dapat diprogram dan memaksa kembali komitmen
perusahaan yang dalam terhadap para pengembang Visual
11 Juli 2000: Microsoft menyampaikan Tool Platform .NET untuk
XML Web Services. Dalam pidatonya yang ditujukan pada acara
Microsoft Professional Developers Conference (PDC) 2000 yang
kedelapan, Paul Maritz, wakil presiden kelompok dari Platforms
Group di Microsoft, memperlihatkan Microsoft .NET Framework
dan Microsoft Visual Studio .NET. Ini merupakan versi terakhir dari
perangkat pengembangan yang digunakan di seluruh dunia, Visual
Studio .NET menyediakan dukungan untuk pengembangan drag-
and-drop terhadap XML Web Services. Secara bersama, kedua
produk tersebut menyediakan produktivitas yang tinggi kepada para
pengembang, suatu lingkungan yang terdiri dari banyak bahasa
untuk pembangunan, pengantaran, dan pengintegrasian XML Web
Services pada platform Microsoft .
13 November 2000: Microsoft mengumumkan kemampuan Visual
Studio .NET versi Beta 1. Dalam pidato acara COMDEX/Fall 2000,
Bill Gates mengumumkan kemampuan versi beta pertama Visual
Studio.NET dan .NET Framework, dua teknologi kunci untuk
memungkinkan para pengembang membangun XML Web services
 pada platform .NET. XML Web services merupakan aplikasi dan
komponen yang dibuat tersedia melewati situs dengan
menggunakan XML dan Simple Object Access Protocol (SOAP),
dan kunci yang dapat diprogram untuk membangun generasi masa
depan Internet. Microsoft membuat Visual Studio .NET Beta 1
dan .NET Framework tersedia bagi jutaan pelanggan dan rekanan
13 Februari 2002: Microsoft mengumumkan kemampuan dari
Visual Studio .NET versi akhir.
 BAB III
METODOLOGI PENELITIAN

3.1 Design Pseudocode

Dalam penelitian kali ini, tim peneliti mencoba melakukan penelitian
menggunakan line follower sebagai dasar untuk mengetahui bagaimana
sebuah simulasi ANN apakah dapat berjalan dengan baik pada line follower
atau tidak. Berikut adalah tampilan interface dari program yang di rancang
menggunakan bahasa pemrograman visual basic.

Gambar 3.1 Interface Program ANN Line Follower Simulation

Interface di atas dibangun menggunakan 10 buah label, 5 buah textbox,

1 buah chart, 7 buah DGV, 1 buah listbox, 8 buah shape, dan 4 buah button.
Shape digunakan sebagai simulasi dari LED atau Photodiode yang ada pada
line follower.

Koding dibawah berfungsi sebagai inisialisasi awal untuk program ini

yang menggunakan integer, double, single , dan string sebagai tipe data yang
akan membantu proses kerja program.
 Selanjutnya berikut ini adalah coding yang digunakan untuk
menampilkan serta mengaktifkan display yang digunakan. Pada program ini
display menggunakan ovashape yang berfungsi sebagai simulasi dari sensor
pada line follower.

Peneliti hanya menampilkan 3 buah contoh display karena coding yang

digunakan untuk mengaktifkan display adalah sama. Coding diatas
menandakan bagaimana ketika ovashape di klik akan mengganti warnanya
dari putih atau default menjadi wana yang dinginkan serta ketika ovashape di
klik akan memngirim data ke DGV.input sebagai input yang akan di proses.

Selanjutnya coding dibawah akan berfungsi sebagai function untuk

fungsi binary sigmoid.

Selanjutnya coding dibawah ini hanya akan menampilkan beberapa

fungsi (function) yang akan digunakan.

Koding diatas mendeklarasikan F dan DF akan berfungsi sebagai

function yang akan mengaktifkan salah satu dari function yang sesuai dnegan
kondisi input yang di terima.
 Coding di atas berfungsi untuk menjadikan function sebagai sebuah
data yang sudah diselesaikan perhitungannya. Contohnya pada function
dBipolarSigmoid akan di proses menggunakan perhitungan sebagai berikut:

1
( ( 1+ BipolarSigmoid ( x ) ) .(1BipolarSIgmoid ( x ) ))
2

Dari perhitungan diatas maka program akan secara otomatis

menjalankan function tanpa perlu kita lakukan perhitungan secara manual.
 Coding selanjutnya akan menjelaskan bagaimana input, hidden dan
output layer dapat di proses serta hasil dari perhitungan dapat di munculkan
di DGV_Target.

Ketika form di buat maka nilai input adalah 8 , hidden adalah 8, dan
output adalah 3. Sedangkan nilai biasnya adalah jumlah dari layer hidden dan
layer output. Selanjutnya adalah memindahkannya ke DGV_Input dimana
pada kolom adalah input layer sedangkan perbarisnya akan menambahkan
pattern pertama. Cara yang sama akan di gunakan pada waktu me-refresh data
grid target, input-hidden weights, output dan biasnya.

Coding selanjutnya adalah bagaimana menambahkan nilai atau value-

nya pada DGV. Berikut adalah coding-nya.
 Selanjutnya adalah bagaimana program dapat menginisialisi bobot
dari input ke hidden layer serta dari hidden ke output layer. Berikut adalah
coding yang digunakan.

Coding diatas menjelaskan bagaimana proses peng-inisialisasi-an

bobot sampai pada proses pemasukan input pada DGV serta proses training di
mulai..
 Coding diatas merupakan proses perceptron pada forward
propagation dari proses perhitungan output dari input ke hidden dan hidden
ke output layer. Selanjutnya hasil tersebut akan di cetak.

Coding selanjutnya adalah proses perceptron pada backward

propagation. Dengan mengitung nilai output error dengan coding sebagai
berikut.

Selanjutnya adalah bagaimana menhitung nilai bobot serta bias dari

hidden dan output layer. Berikut adalah coding yang digunakan.

Proses selanjutnya adalah menghitung error yang terdapat pada

hidden layer. Berikut adalah coding yang digunakan.

Sebelum mengitung total error di perlukan perhitungan error serta

bias corrector pada input ke hidden layer. Berikut adalah coding yang
digunakan.
 Setelah proses ini masuklah ke proses terakhir dimana semua hasil
error dihitung dan proses training selesai.

Selanjutnya adalah fungsi dari button yang digunakan. Berikut adalah

fungsi dari button-button yang digunakan

Button1 berfungsi untuk meng-inisialisasi bobot yang digunakan

pada semua layer.
 Button 2 berfungsi untuk mengaktifkan private sub training yang
sudah di jelaskan sebelumnya.

Button 4 berfungsi untuk mengubah input dari display line follower

menjadi output yang menggunakan ANN.

Sedangkan Button 3 berfungsi untuk mengirimkan data pattern line

follower tadi ke hidden layer.
 BAB IV

ANALISA DATA