Kontrol Fuzzy Logic Berbasis Sensor Ultrasonik Pada Navigasi Robot

Pemadam Api Beroda

A. Pendahuluan
Perkembangan ilmu pengetahuan memacu perkembangan teknologi yang
dapat membantu aktifitas manusia. Pada umumnya manusia tertarik dengan
sesuatu yang dapat meringankan beban dari pekerjaannya. Salah satu caranya
dengan adanya pemakaian robot. Robot memiliki beberapa kelebihan dalam
pekerjaan dibandingkan manusia, salah satunya adalah dalam aspek tenaga,
kualitas kerja yang statis, dan masih banyak lagi.
Sementara itu, perkembangan dunia robotik di Indonesia mulai berkembang
dengan pesat, dimana dapat dilihat dari banyaknya kontes-kontes robot yang
diadakan saat ini. Salah satu kontesnya adalah KRCI(Kontes Robot Cerdas
Indonesia), yang mana merupakan ajang kontes robot bertaraf nasional. Pada
lomba ini robot dihadapkan pada lintasan tertentu.
Robot Cerdas Pemadam Api divisi beroda adalah robot yang memiliki
kemampuan menjelajahi suatu arena untuk menemukan titik api kemudian
memadamkannya dan kembali ke titik awal dengan waktu secepat mungkin.
Agar dapat melakukan misi tersebut dalam waktu yang cepat, sistem navigasi
dalam perancangan robot memegang peranan penting, seperti sistem navigasi
right-wall following, left-wall following, dead recogning, dan lain-lain.
Pada sistem kerja robot juga dibutuhkan suatu input berupa sensor yang
berguna sebagai media perindraan robot. Sensor yang biasa digunakan pada
robot adalah sensor ultrasonik sebagai sensor untuk mengukur jarak. Sensor ini
dapat memberikan data sejauh apa robot ini dapat bergerak, sesuai dengan
adanya halangan di depannya. Selain itu dalam robot pemadam api juga
ditambahkan sensor untuk mendeteksi api dan sensor untuk mendeteksi suhu
api, yaitu sensor UVtron dan Thermal Array.
Penggunaan sensor ultaksonik tidak terbatas hanya untuk mendapatkan jarak,
tetapi sensor ini juga memungkinkan robot dapat mengetahui posisi robot
tersebut terhadap suatu lintasan (apakah robot sudah dalam posisi yang tepat
atau tidak). Posisi robot yang miring dapat disempurnakan dengan dilakukannya
kontrol kecepatan motor terhadap perbandingan pembacaan ultrasonik dengan
metode fuzzy logic.
Dengan adanya kesamaran posisi robot yang didapat dari sensor ultrasonik
(dekat, sedang, atau jauh,dll), maka metode fuzzy logic dinilai tepat. Diharapkan
dengan menggunakan metode ini bisa mendapatkan hasil yang terbaik dalam
memposisikan robot dalam lintasannya secara tepat dikarenakan banyak
kemungkinan yang terjadi pada posisi robot saat melalui lintasan. Dengan latar
belakang itu semua, maka kami membuat tugas besar kami dengan judul
“Desain dan Implementasi Robot Pemadam Api Beroda dengan Kontrol Fuzzy
Logic Berbasis Sensor Ultrasonik”.
1) Batasan Masalah
Kami membatasi masalah-masalah dalam tugas besar sebagai
berikut :
a. Menggunakan 2 sensor ultrasonik sebagai media pembacaan
jarak dan penentuan posisi robot (1 didepan, 1 di kanan
robot).
b. Robot berjalan dengan sistem navigasi right-wall following
c. Robot akan mencari titik api, memadamkannya, dan kembali
posisi awal start
d. Bahasa pemrograman yang digunakan adalah bahasa pemrograman C
e. Menggunakan metode fuzzy logic untuk menyempurnakan jalannya
robot serta adanya penambahan program untuk mendapatkan hasil
yang terbaik dalam navigasi

2) Proses Fuzzyfikasi

Setelah kita mendapatkan nilai jarak dari tiap sensor, langkah selanjutnya
adalah fuzzyfikasi yakni proses pengubahan nilai data jarak setiap sensor
menjadi bentuk himpunan fuzzy menurut fungsi keanggotaannya.Proses awal di
dalam proses fuzzyfikasi adalah membuat fungsi keanggotaan dari setiap
masukan terlebih dahulu, serta menentukan banyaknya variabel linguistic di
dalam fungsi keanggotaan yang akan kita buat nantinya. Dari fungsi
keanggotaan yang kita buat akan dapat diketahui nilai derajat keanggotaan
masing-masing variabel dalam himpunan fuzzy yang telah dibuat.Dalam tugas
besar kami, terdapat dua masukan dari sensor ultrasonik, yaitu sensor ultrasonik
depan dan sensor ultrasonik kanan. Masukan dari sensor ultrasonik depan
memiliki dua variabel linguistic, yaitu DEKAT dan JAUH dengan
menggunakan fungsi keanggotaan trapesium. Berikut tampilan fungsi
keanggotaan dari sensor ultrasonik depan di dalam sebuah gambar :

Dari fungsi keanggotaan di atas, dapat diketahui derajat keanggotaan masing-

masing variabel dala himpunan fuzzy DEKAT dan JAUH. Untuk menghitung
derajat keanggotaan dapat menggunakan persamaan sebagai berikut :
 Sedangkan untuk sensor ultrasonik kanan memiliki tiga variabel linguistic,
yaitu DEKAT, SEDANG, dan JAUH dengan fungsi keanggotaan gabungan dari
fungsi segitiga dan trapesium seperti yang tampak pada gambar :
3) Rules Evaluation
Pada rules evaluation, terjadi pengolahan data input fuzzyfikasi dengan hasil
keluaran yang dikehendaki dengan aturan-aturan tertentu. Dari aturan-aturan
yang dibentuk inilah yang nantinya akan menentukan respon dari sistem
terhadap berbagai kondisi set point dan gangguan yang terjadi pada sistem yang
akan dibuat. Dalam tugas besar kami set point yang kami ambil adalah 8 cm
dari dinding, dimana posisi tersebut berada pada posisi sedang pada sensor
kanan. Berikut adalah tabel rules evaluation :

Dari tabel di atas, maka kita memiliki 6 aturan sebagai berikut :

•IF sensor depan=DEKAT AND sensor kanan=DEKAT THEN motor
kiri=PELAN AND motor kanan=CEPAT
• IF sensor depan=DEKAT AND sensor kanan=CUKUP THEN motor
kiri=PELAN AND motor kanan=CEPAT
• IF sensor depan=DEKAT AND sensor kanan=JAUH THEN motor
kiri=CEPAT AND motor kanan=PELAN
• IF sensor depan=JAUH AND sensor kanan=DEKAT THEN motor
kiri=PELAN AND motor kanan=CEPAT
• IF sensor depan=JAUH AND sensor kanan=CUKUP THEN motor
kiri=SEDANG AND motor kanan=CEPAT
• IF sensor depan=JAUH AND sensor kanan=JAUH THEN motor
kiri=CEPAT AND motor kanan=SEDANG

Setelah mendapatkan aturan seperti tabel di atas, maka selanjutnya yang

dilakukan adalah mencari nilai derajat keanggotaan untuk nilai setiap aturan
yang didapat. Nilai keanggotaan untuk keluaran didapatkan dengan
menggunakan fungsi AND.Misalkan didapatkan aturan sebagai berikut :

•IF Sensor Depan = DEKAT(0.5) AND Sensor Kanan = DEKAT(0.5) THEN

Motor Kiri = PELAN AND Motor Kanan = CEPAT
• IF Sensor Depan = DEKAT(0.75) AND Sensor Kanan = CUKUP(0.5) THEN
Motor Kiri = PELAN AND Motor Kanan = CEPAT
• IF Sensor Depan = JAUH(0.75) AND Sensor Kanan = CUKUP(0.25) THEN
Motor Kiri = SEDANG AND Motor Kanan = SEDANG

Maka keluaran akan mendapatkan nilai keanggotaan sebagai berikut :

o IF Sensor Depan = DEKAT(0.5) AND Sensor Kanan = DEKAT(0.5) THEN
Motor Kiri = PELAN(0.5) AND Motor Kanan = CEPAT(0.5)
o IF Sensor Depan = DEKAT(0.75) AND Sensor Kanan = CUKUP(0.5) THEN
Motor Kiri = PELAN(0.5) AND Motor Kanan = CEPAT(0.5)
o IF Sensor Depan = JAUH(0.75) AND Sensor Kanan = CUKUP(0.25) THEN
Motor Kiri = SEDANG(0.25) AND Motor Kanan = SEDANG(0.25)

Setelah nilai linguistic keluaran telah mendapatkan nilai derajat keanggotaan,

maka pada nilai linguistic keluaran yang sejenis dicari nilai derajat keanggotaan
yang maksimum untuk digunakan dalam pengolahan data selanjutnya, yakni
defuzzifikasi.
Misalnya dari data di atas didapatkan nilai-nilai maksimum setiap linguistic
keluaran sebagai berikut :

 Motor Kiri
PELAN(0.5), PELAN(0.5) → maka nilai derajat keanggotaan PELAN = 0.5
SEDANG(0.25) → maka nilai derajat keanggotaan SEDANG = 0.25

 Motor Kanan
SEDANG(0.25) → maka nilai derajat keanggotaan SEDANG = 0.25
CEPAT(0.5), CEPAT(0.5) → → maka nilai derajat keanggotaan CEPAT

Lalu, setelah mendapatkan derajat keanggotaan pada nilai keluarannya, nilai

keluaran juga memiliki fungsi keanggotaan model singletone, yang merupakan
model interferensi sederhana. Dalam tugas besar ini kami menggunakan Model
Sugeno

4) Defuzzyfikasi
Proses ini merupakan penggabungan dari beberapa fuzzy set yang telah
didapatkan. Misal kita dapat menggunakan data di atas :

>>Motor Kiri
PELAN(0.5), PELAN(0.5) → maka nilai derajat keanggotaan PELAN = 0.5
SEDANG(0.25) → maka nilai derajat keanggotaan SEDANG = 0.25

Fungsi Keanggotaan Motor Kiri

>>Motor Kanan
SEDANG(0.25) → maka nilai derajat keanggotaan SEDANG = 0.25
CEPAT(0.5), CEPAT(0.5) → maka nilai derajat keanggotaan CEPAT = 0.5

Fungsi Keanggotaan Motor Kanan

Proses selanjutnya adalah mengolah data tersebut menggunakan metode

Weight Average untuk proses defuzzifikasinya. Metode ini mengambil rata-rata
dengan menggunakan nilai derajat keanggotaan dari proses komposisi fuzzy set
menggunakan Model Sugeno sebelumnya.Dari data sebelumnya, didapatkan
data sebagai berikut:

Motor Kiri = PELAN(0.5), SEDANG(0.25)

Motor Kanan = SEDANG(0.25), CEPAT(0.5)
Data diatas dapat diolah sebagai berikut :

>>Motor Kiri
PWMKIRI= ((0.5)70+(0.25)150)/(0.5+0.25)=96.6

Jadi, berdasarkan persamaan di atas nilai kecepatan Motor Kiri yang didapat
adalah 96.6 PWM

>>Motor Kanan
PWMKANAN= ((0.25)150+(0.5)230)/(0.25+0.5)=203.3

Jadi, berdasarkan persamaan di atas nilai kecepatan Motor Kanan yang didapat
adalah 203.3 PWM. Inilah hasil tugas besar fuzzy logic yang saya buat