PENERAPAN JARINGAN SYARAF TIRUAN

BACKPROPAGATION PADA SISTEM DETEKSI LINTASAN

ROBOT WALL FOLLOWER DENGAN SENSOR ULTRASONIK
Iswahyudi, ST
Jurusan Magister Teknik Elektro, Fakultas Teknik Universitas Jember
Jl. Kalimantan No. 37 Kampus Tegal Boto, Kotak Pos 159 Jember 68121
Telp. (0331) 484977 , Fax.(0331) 339029
Website : www.unej.ac.id
E-mail : yudiokyes@gmail.com

Abstrak

Salah satu cabang ilmu dari Kecerdasan Buatan adalah Jaringan Syaraf Tiruan (Artificial Neural
Network) yang merupakan suatu sistem model jaringan yang kemampuannya mengadopsi daya pikir
manusia. Model jaringan yang dibentuk adalah sekumpulan node atau neuron yang terhubung satu dengan
lainnya dengan suatu besaran tertentu yang disebut bobot. Perkembangan teknologi perangkat lunak ini
telah banyak memberikan sumbangan ilmu pengetahuan dalam bidang kesehatan, industri dan teknologi
robotika.
Pada penelitian ini akan dibangun suatu jaringan syaraf perambatan balik yang diaplikasikan pada
robot ultrasonik. Jaringan syaraf perambatan balik ini akan digunakan sebagai sistem cerdas dan aspek
pembelajaran pada robot ultrasonik untuk menentukan dan mengambil keputusan yang tepat berdasarkan
lintasan yang diberikan. Perangkat lunak ini dibuat dengan menggunakan MATLAB 2017a. Pemrograman
mikrokontroller menggunakan Arduino IDE. Mikrokontroller Arduino digunakan sebagai pengolah isyarat
yang diterima dari sensor sebagai input, dan menggunakan motor DC sebagai penggeraknya (effector).
Hasil penelitian ini adalah pada sistem wall follower ini, robot akan berpikir agar selalu berada
pada lintasannya dan dapat memberikan keputusan pada saat robot berada di sebuah persimpangan atau
perempatan lintasan. Jadi unsur pembelajaran sangat terlihat jelas pada sistem robot ini Tingkat
keberhasilan pengujian adalah 93,75%.

Kata Kunci : Jaringan Syaraf Backpropagasi, Penggerak (effector), Deteksi dinding (wall follower),
sensor ultrasonik, Mikrokontroller

1. Pendahuluan
Perkembangan teknologi informasi dewasa ini mengakibatkan komputer bukan lagi
digunakan untuk membantu pekerjaan manusia, tetapi bahkan digunakan untuk
mengganti pekerjaan manusia yang tidak memerlukan pemikiran dan bersifat rutinitas.
Dalam perkembangan selanjutnya para pakar mencoba untuk menggantikan sistem kerja
otak manusia, sehingga diharapkan suatu saat nanti akan tercipta suatu komputer yang
dapat menimbang dan mengambil keputusan sendiri, sebagaimana layaknya manusia.
Hasil kerja komputer ini harus dapat menunjukkan kinerja yang lebih cepat, teliti dan
akurat dibandingkan dengan manusia. Hal inilah yang mendorong lahirnya teknologi AI
(Artificial Intelligence).

1
 Salah satu cabang ilmu dari AI adalah jaringan syaraf tiruan atau Artificial Neural
Networks (ANN). Jaringan syaraf tiruan merupakan salah satu sistem pemrosesan
informasi atau isyarat yang didesain dengan menirukan cara kerja otak manusia dalam
menyelesaikan suatu masalah dengan melakukan proses pembelajaran melalui perubahan
bobot sinapsisnya. Jaringan syaraf tiruan mampu melakukan pengenalan aktifitas berbasis
data. Data akan dipelajari oleh jaringan syaraf tiruan, sehingga mempunyai kemampuan
untuk memberikan keputusan terhadap data yang belum pernah dipelajari. Teknologi
jaringan syaraf tiruan ini telah banyak diaplikasikan dalam bidang kesehatan, pendidikan,
institusi penelitian, dan dunia robotika tentunya. Jaringan syaraf tiruan digunakan sebagai
alat bantu untuk menjelaskan dan memecahkan permasalahan yang berkaitan dengan
unsur logika.

Banyak sistem navigasi pada robot antara lain dengan menggunakan sonar,
ultrasonik, citra dan penjejak garis. Namun pada sistem penjejak garis adalah merupakan
sistem yang paling sederhana namun menarik untuk diteliti lebih mendalam. Karena pada
sistem ini terlihat jelas bagaimana cara sebuah robot untuk berpikir menyelaraskan
gerakannya pada saat melewati garis/lintasan. Dan dalam hal ini ilmu mengenai jaringan
saraf tiruan, khususnya jaringan syaraf perceptron merupakan implementasi yang tepat
pada sistem robot tersebut. Pengunaan robot penjejak garis disini adalah sebenarnya
menguji apakah jaringan syaraf perceptron dapat di implementasikan pada sistem robot
tersebut.
Tujuan penelitian ini adalah membuat prototipe robot ultrasonik untuk mendeteksi
lintasan yang dilaluinya, sehingga robot akan berpikir agar selalu berada pada lintasannya
dan dapat memberikan keputusan pada saat robot berada di sebuah persimpangan atau
perempatan lintasan dan mengimplementasikan sejauhmana keefektifan jaringan syaraf
backpropagasi pada robot ultrasonik.

Jaringan Syaraf adalah merupakan salah satu representasi buatan dari otak manusia
yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia
tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini diimplementasikan
dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses
perhitungan selama proses pembelajaran (Kusumadewi, 2004).

2
 Ada beberapa tipe jaringan syaraf, namun demikian hampir semuanya memiliki
komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf juga
terdiri dari beberapa neuron, dan ada hubungan antara neuron-neuron tersebut. Neuron-
neuron tersebut akan mentransformasikan informasi atau isyarat yang diterima melalui
sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan syaraf,
hubungan ini dikenal dengan nama bobot. Gambar 1 menunjukkan struktur neuron pada
jaringan syaraf.
bobot bobot
input dari neuron- output ke neuron-neuron
neuron yang lain yang lain

Gambar 1 Struktur neuron jaringan syaraf

Jaringan syaraf backpropagation adalah jaringan syaraf yang fungsi aktivasinya

berupa sigmoid biner sehingga dapat digunakan untuk mendekati sistem pembelajaran
pada sebuah sistem robot ultrasonik. Sensor merupakan indera penglihatan pada sistem
robot ini, karena sensor mampu mengklasifikasikan gerakan sesuai dengan isyarat yang
diterima olehnya. Akhirnya terjadi suatu proses pembelajaran karena gerakan robot
bergantung pada posisi sensor lintasan tertentu.

Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner. Fungsi sigmoid
merupakan fungsi yang paling sering digunakan dalam membangun sebuah JST. Fungsi
ini digunakan untuk jaringan syaraf yang dilatih menggunakan metode backpropagation.
Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Namun fungsi ini juga bisa
digunakan oleh jaringan syaraf yang nilai outputnya 0 atau 1.
Fungsi sigmoid biner dirumuskan sebagai:

y  f x  
1
1  ex
dengan: f ' x   f x 1  f x 
Secara matematis, sebuah neuron k dapat digambarkan dengan persamaan-persamaan
sebagai berikut:

3
 p
uk   wkj x j
j 1

atau yk   uk  k 

Struktur jaringan syaraf tiruan ditunjukkan pada Gambar 2 di bawah ini:

w11
X1 fungsi aktivasi

u1 output
w12
X2

w1j
X1

bobot threshold

Gambar 2 Struktur jaringan syaraf tiruan

Dengan:
x1, x2, ……xj = sinyal input
wk1, wk2, …wkj = bobot sinaptik neuron k
uk = penjumlahan linear output lapisan tersembunyi
k = nilai ambang (threshold)
yk = sinyal output neuron ke k

 Konsep Dasar Backpropagation (Perambatan mundur)

Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya

digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang
terhubung dengan neuro-neuron yang ada pada lapisan tersembunyinya. Algoritma
backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam
arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward
propagation) harus dikerjakan terl;ebih dahulu. Pada saat perambatan maju, neuron-

4
neuron diaktifkan dengan menggunakan fungsi aktivasi yang dapat dideferensiasikan,
seperti sigmoid:

y  f x  
1
1  ex

dengan: f ' x   f x 1  f x 

atau tansig:

e x  e x
y  f x  
e x  e x

1  e2 x
atau y  f x  
1  e 2 x

dengan: f ' x   1  f x 1  f x 

atau purelin

y  f x   x

dengan: f ' x   1

Arsitektur JST diperlihatkan pada Gambar 3 dibawah ini.

X v11

v12
Z1
w1

v21
Y
X
v22

w
Z2
v31 b2

v32
X

5
 b11 b12
1

1
Gambar 3 Arsitektur jaringan backpropagation

Pada gambar diatas, jaringan terdiri dari 3 unit atau neuron pada lapisan input, yaitu
x1, x2, dan x3; 1 lapisan tersembunyi dengan 2 neuron, yaitu z1 dan z2; serta 1 unit pada
lapisan output, yaitu y. Bobot yang menghubungkan x 1, x2, dan x3 dengan neuron
pertama pada lapisan tersembunyi, adalah v11, v21, dan v31 (vij: bobot yang
menghubungkan neuron input ke-i ke neuron ke-j pada lapisan tersembunyi). Perlu
diingat bahwa, untuk pemakaian toolbox nnet pada Matlab, bobot vij memiliki pengertian
yang sebaliknya (vij: bobot yang menghubungkan neuron ke-j pada suatu lapisan ke
neuron ke-i pada lapisan sesudahnya). Misalnya: v12 adalah bobot yang menghubungkan
neuron ke-2 pada lapisan input, ke neuron ke-1 pada lapisan tersembunyi. Pada b11 dan
b12 adalah bobot bias yang menuju ke neuron pertama dan kedua pada lapisan
tersembunyi. Bobot yang menghubungkan z1 dan z2 dengan neuron pada lapisan output,
adalah w1 dan w2. Bobot bias b2 menghubungkan lapisan tersembunyi dengan lapisan
output. Fungsi aktivasi yang digunakan antara lapisan input dan lapisan tersembunyi, dan
antara lapisan tersembunyi dengan output adalah fungsi aktivasi logsig (tidak
diperlihatkan pada gambar).

Penglihatan menyediakan informasi pada agen mengenai dunia yang mereka huni.
Penglihatan dapat dinyatakan sebagai sebuah sensor. Sensor adalah suatu piranti yang
dapat mengubah pernyataan komputasional sebagai respon seorang agen untuk diubah
menjadi pernyataan yang lebih luas. Hal ini secara mudah dapat dijelaskan dengan contoh
1-bit sensor yang mampu mendeteksi posisi sekelar apakah sedang on atau off. Banyak
ragam jenis sensor yang dapat digunakan pada artificial agent. Dan sensor itu dapat
berlaku selayaknya bagian dari prilaku manusia seperti melihat, mendengar dan
menyentuh (Russelt dan Norvig, 1995).

Dalam notasi matematika sederhana input yang mampu menstimulus sensor

dinotasikan sebagai S, dan W adalah suatu keadaan (dimana agen dapat dinotasikan
sebagai W juga). Jika fungsi f dapat menjelaskan bagaimana suatu keadaan mampu

6
menghasilkan stimulus pada sensor, maka dapat dinotasikan dengan (Kusumadewi, 2004)
adalah:

S = f (W)
 Robot Pendeteksi Dinding

Robot pendeteksi dinding adalah termasuk dalam klasifikasi mobile robot, Sensor
yang terpasang pada robot pendeteksi dinding dijadikan unit input, untuk kemudian
isyarat input tersebut diolah di dalam mikrokontroller. Dan hasil dari olahan input pada
mikrokontroller mampu mengontrol motor DC sebagai effector. Sistem sensor yang
dipakai menggunakan prinsip sensor jarak. Dan prinsip tersebut dapat menggunakan
piranti ultrasonik sebagai sensornya, dimana ultrasonik hanya membedakan tanggap balik
terhadap pemancar ultrasonik dan penangkap sensor. Dengan pendekatan dalam kode
biner maka jika terdeteksi halangan atau benda dengan jarak tertentu dapat bernilai 1 dan
bila tidak terdeteksi halangan atau benda dapat bernilai 0

Manfaat yang diperoleh dari penelitian ini adalah dapat mengimplementasikan

Jaringan Syaraf Backpropagasi pada robot ultrasonik untuk mendeteksi lintasan dan
untuk memperoleh lintasan terbaik yang dilewatinya, dan dapat mengidentifikasi segala
kekurangan dan kelebihan atas jaringan syaraf yang digunakan, mampu menerapkan
jaringan syaraf perceptron pada sistem-sistem yang lain, serta memberikan sumbangan
dalam pengembangan ilmu pengetahuan dan teknologi khususnya di bidang robotika,
yaitu berupa kajian analisis jaringan saraf tiruan pada robot.

2. Metode Penelitian
Alat dan bahan yang digunakan adalah perangkat keras yang meliputi komputer
Pentium IV Core i3 3,4 Ghz, Harddisk 320 Gb, RAM 4 GB, mikrokontroller Arduino
Uno, 1 (satu) Unit robot ultrasonik. Sedangkan perangkat lunak yang digunakan adalah
sistem operasi Microsoft® Windows 7 64bit, Matlab 2017a dan Editor Arduino IDE.
Penelitian ini dilakukan dengan menggunakan metode eksperimental dengan cara
melatih data input yang diberikan dari sensor ultrasonik sebagai pengukur jarak dan

7
pendeteksi keberadaan dinding pada robot. Penggunaan algoritma jaringan dilakukan
dengan beberapa tahapan. Tahap pertama dengan melihat pembacaan sensor-sensor robot
berupa sensor ultrasonik sebanyak 3 buah yang diletakkan pada posisi depan dan samping
kanan serta kiri robot. Hasil pembacaan dikonversikan dalam bentuk digital dengan
ketentuan jika sensor mendeteksi keberadaan dinding dengan jarak yang telah ditentukan
maka akan bernilai 1,sedangkan jika sensor tidak mendeteksi adanya dinding dengan
jarak tertentu maka sensor bernilai 0. Untuk selanjutnya keempat sensor tersebut
dijadikan sebagai input pada jaringan syaraf tiruan
Logika dan isyarat yang didapat dari sensor untuk kemudian di uji menggunakan
jaringan syaraf backpropagation. Untuk kemudian dibandingkan apakah ada relasi
diantara sistem dalam menentukan lintasan dan jaringan syaraf backpropagation tersebut.
Diagram prosedur penelitian yang dilakukan ditunjukkan pada Gambar 4..

Robot Ultrasonik
Analisa jaringan syaraf
Backpropagasi

Logika dan Isyarat

(Informasi)

Analisa
dan Perbandingan

Kesimpulan

Gambar 4 Diagram Prosedur Penelitian

8
3. Hasil dan Pembahasan
Diagram sistem elektronis pada robot pendeteksi lintasan dan posisi sensor dapat
dilihat pada Gambar 5 dan Gambar 6 dibawah ini:

U1
M1

U2 Mikrokontroller

M2
U3

Dengan, U = Sensor M = Motor DC

Gambar 5 Diagram sistem elektronis robot pendeteksi lintasan

Roda depan/ Ultrasonik

bebas Depan

Ultrasonik
Ultrasonik
kiri
kanan

arduino

15
Driver
cm
Motor
Roda kiri Roda kanan

Power
Regulator Baterai

15
cm

Gambar 6 Posisi sensor pada robot

9
Gambar-gambar lintasan ditunjukkan pada Gambar 7 di bawah ini.

2m

9 START
44 43 42
8 7 FINISH

Ruang 1 Ruang 4
41 0.7 m
48
1 45
10
6 39
5 38 40
47
2
4 37
46
3 36 35
0.4 m
1.8 m 11 12 25 26
27
13

19 29 28
18 17
14 34
24
Ruang 2 16 30 Ruang 3 0.7 m
20

23 31 32 33
21 22 15

0.8 m 0.4 m 0.4 m

Gambar 7 Sketsa lintasan

Dari Gambar 2 dan Gambar 5 terlihat ada hubungan yang jelas dimana sensor
ultrasonik adalah lapisan input bagi jaringan syaraf backpropagasi, neuron berupa kode
program yang berada dalam mikrokontroller dan fungsi aktivasi yang berupa undak
sigmoid biner sebagai sarana penggerak motor DC Posisi sensor akan selalu berubah
tergantung posisi robot, oleh karenanya setiap perubahan dari posisi sensor harus diikuti
oleh perubahan posisi robot disesuaikan dengan lintasan yang dilewatinya. Robot ini akan
selalu berjalan pada lintasan dan berusaha mempertahankan posisinya agar tidak keluar
dari lintasan yang diberikan berdasarkan penangkap sensor ultrasonik yang diberikan,
dikarenakan gerakan motor DC berkesesuian dengan isyarat input dari sensor yang telah
diolah oleh mikrokontroler. Sehingga dapat dikatakan bahwa pada robot ini telah terjadi
proses pembelajaran dan proses tersebut dapat di dekati menggunakan jaringan syaraf
backpropagasi sebagai salah satu contohnya.

10
 Tabel 1 Data input Sensor Ultrasonik dan output yaitu pergerakan motor DC
pada Robot Prioritas Kanan

U1 U2 U3 M1 M2 Robot
No (Sensor Motor
( Sensor Kiri) (Sensor Depan) Motor Kiri
Kanan) kanan
1 >=15 cm >=15 cm >=15 cm Diam Maju Belok kanan
2 >=15 cm >=15 cm <15 cm Maju Maju Maju
3 >=15 cm <15 cm >=15 cm Maju Diam Belok kiri
4 <15 cm >=15 cm >=15 cm Maju Diam Belok kiri
5 >=15 cm <15 cm <15 cm Maju Diam Belok kiri
6 <15 cm >=15 cm <15 cm Maju Maju Maju
7 <15 cm <15 cm >=15 cm Maju Diam Belok kiri
8 <15 cm <15 cm <15 cm Diam Diam Stop

Tabel 2 Data input dan Target untuk pelatihan JST untuk Robot Prioritas Kanan

U1 U2 U3 M1 M2
No (Sensor (Motor (Motor Robot
( Sensor Kiri) (Sensor Depan)
Kanan) kanan) Kiri)
1 0 0 0 0 1 1
2 0 0 1 1 1 2
3 0 1 0 1 0 3
4 1 0 0 1 0 3
5 0 1 1 1 0 3
6 1 0 1 1 1 2
7 1 1 0 1 0 3
8 1 1 1 0 0 4

11
Gambar 8 Alur Diagram Neural network

Gambar 9 Hasil Plot Regression

12
 Tabel 3 Data Yang Diuji Pada JST untuk Robot Prioritas Kanan
sesuai dengan gambar 7 Sketsa Lintasan
U1 U2 U3 Gerakan Hasil Tingkat
Point Robot Uji Kebenaran
( Sensor Kiri) (Sensor Depan) (Sensor Kanan)
1 1 0 1 2 2.2199 TRUE
2 0 0 0 1 1.0612 TRUE
3 1 0 1 2 2.2199 TRUE
4 1 1 0 3 1.0538 FALSE
5 0 0 1 2 1.9999 TRUE
6 0 1 1 3 3.2617 TRUE
7 0 1 1 3 3.2617 TRUE
8 0 0 1 2 1.9999 TRUE
9 0 1 1 3 3.2617 TRUE
10 0 0 1 2 1.9999 TRUE
11 0 1 1 3 3.2617 TRUE
12 0 0 1 2 1.999 TRUE
13 0 0 0 1 1.0612 TRUE
14 0 1 1 3 3.2617 TRUE
15 1 1 0 3 1.0538 FALSE
16 0 0 1 2 1.9999 TRUE
17 0 1 1 3 3.2617 TRUE
18 0 0 1 2 1.9999 TRUE
19 0 1 1 3 3.2617 TRUE
20 0 0 1 2 1.9999 TRUE
21 0 1 1 3 3.2617 TRUE
22 0 0 1 2 1.9999 TRUE
23 0 1 1 3 3.2617 TRUE
24 0 0 1 2 1.9999 TRUE
25 0 0 0 1 1.0612 TRUE
26 0 0 1 2 1.9999 TRUE
27 1 1 0 3 1.0538 FALSE
28 0 0 1 2 1.9999 TRUE
29 0 1 1 3 3.2617 TRUE
30 0 0 1 2 1.9999 TRUE
31 0 1 1 3 3.2617 TRUE
32 0 0 1 2 1.9999 TRUE
33 0 1 1 3 3.2617 TRUE
34 0 0 1 2 1.9999 TRUE
35 0 1 1 3 3.2617 TRUE
36 1 0 1 2 2.2199 TRUE
37 1 0 0 3 3.1285 TRUE
38 1 0 0 3 3.1285 TRUE
39 0 0 1 2 1.9999 TRUE
40 0 1 1 3 3.2617 TRUE
41 0 0 1 2 1.9999 TRUE
42 0 1 1 3 3.2617 TRUE

13
 43 0 0 1 2 1.9999 TRUE
44 0 1 1 3 3.2617 TRUE
45 0 0 1 2 1.9999 TRUE
46 0 1 0 3 2.9836 TRUE
47 0 0 0 1 1.0612 TRUE
48 0 0 1 2 1.9999 TRUE

4. Kesimpulan

Penerapan metode Jaringan Syaraf Tiruan Perceptron pada sistem penjejak dinding
(wall follower) ini didapatkan hasil sebagai berikut yaitu berdasarkan pengujian yang
telah dilakukan menggunakan metode jaringan syaraf tiruan backpropagation
menunjukkan hasil yang baik dengan tingkat keberhasilan sebesar 93.75 %. Unsur
pembelajaran sangat terlihat jelas pada kasus ini. Adanya hubungan antara jaringan syaraf
backpropagasi, definisi perseption dan sistem robot pendeteksi lintasan ini. Dimana
keduanya mempunyai input atau neuron yang berpengaruh pada outputnya secara
langsung dan adanya proses pembelajaran, unit input yang identik dengan sebuah sensor
dalam kasus ini, dapat didekati dengan sistem biner dan boolean, sehingga
menggambarkan suatu bentuk logika yang jelas.

5. Daftar Pustaka

Herlambang, Yusuf D, 2005, “Studi Pola Pembelajaran Mobile System Menggunakan

Artificial Neural Network Method dan MATLAB v. 6.5, Sekolah Pasca Sarjana
Prodi T. Elektro UGM.

Kusumadewi, Sri, 2004, “Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB

& EXCEL LINK”, Graha Ilmu, Yogyakarta
Levandosky, Steven. 2001. MATLAB Tutorial. Departement of Mathematics, Stanford
University,
Paralax, 2000, “BASIC Stamp Programming Manual Version 2.0c”, Paralaxx, Inc,
USA
Russelt, Stuart, J and Norvig, P, 1995, “Artificial Intelligence a Model Approach”,
Prentice-Hall International, Inc, USA

14