2.

DASAR TEORI

2.1. Manipulator Paralel

Manipulator paralel adalah manipulator yang terdiri dari sejumlah
aktuator dan disusun secara paralel. Manipulator paralel banyak dikembangkan
untuk berbagai macam aplikasi seperti untuk aplikasi machine tool, sebagai
simulator mobil maupun pesawat, dan aplikasi biomechanic seperti tangan
prostetik. Salah satu sistem manipulator paralel yang paling populer saat ini adalah
Stewart Platform.

Gambar 2.1. Stewart Platform, salah satu contoh manipulator paralel

Sumber: Wikipedia Ensiklopedia Bebas, 2014

5
Universitas Kristen Petra
 Gambar 2.2. Aplikasi manipulator paralel berupa tangan prostetik
Sumber: Sekine, Sugimori dan Yu (2011)

Aktuator pada manipulator paralel dapat bekerja baik secara simultan

maupun sekuensial. Dalam hal ini yang dimaksud simultan adalah input setiap
aktuator tidak dipengaruhi oleh aktuator lainnya dan setiap aktuator memiliki
kesempatan yang sama untuk bergerak, sedangkan yang dimaksud sekuensial
adalah input dari aktuator tergantung dari output yang dihasilkan aktuator lainnya.
Apabila manipulator paralel bergerak menuju suatu koordinat tertentu, aktuator-
aktuatornya bekerja secara simultan, sedangkan pada saat manipulator bergerak
mengikuti suatu trajectory, maka aktuatornya akan bekerja secara simultan dan
sekuensial.

2.2. Kecerdasan Buatan Neural Network

2.2.1. Pendahuluan Neural Network
Secara umum, Neural network (NN) memiliki cara kerja yang terinspirasi
oleh sistem saraf biologis manusia, dimana NN terdiri atas jaringan-jaringan yang
saling terhubung dengan elemen pengolah data dalam jumlah yang besar (disebut
juga artificial neuron) yang mirip dengan sistem kerja otak manusia. Keuntungan
penggunaan NN adalah sebagai berikut:
 NN dapat mengenali pola secara efisien

6
Universitas Kristen Petra
 NN dapat melakukan komputasi paralel, yang dapat mempercepat proses
komputasi.
Dua jenis Neural Network yang berada pada tingkatan selanjutnya
diantaranya adalah Recurrent Neural Network (RNN), dan RNN tanpa feedback
yang disebut juga Multi-Layer Perceptron (MLP). RNN memiliki fitur memori
jangka pendek yang memungkinkan NN untuk menghasilkan pemetaan yang
berbasis waktu.

2.2.2. Arsitektur Recurrent Neural Network

Dua model Neural Network yang akan dibahas disini didasarkan pada
arsitektur Recurrent Neural Network (RNN) dengan fungsi aktivasi hyperbolic-
tangent. Keduanya juga merupakan model dinamis yang memiliki fitur memori
jangka pendek yang memungkinkan NN untuk dapat menghasilkan pemetaan yang
berbasis waktu. Keduanya didasarkan pada arsitektur yang sama dan hanya
memiliki perbedaan pada ada atau tidaknya context layer.
Untuk input tertentu, X(n) = [X1(n), X2(n)] = [ (n), M(n)] pada data ke n
(dimana n= 1, …, 819), kedua model akan menentukan state dari aktuator ui(n)
(dimana i= 1, …, m) sebagai berikut:
𝑢𝑖 (𝑡) = round[𝐺(𝑏2𝑖 + ∑𝐿𝑙=1 𝑤𝑖𝑙𝐻𝑂 𝐺(𝛼𝑙 (𝑡)))] (2.1)

Dengan fungsi aktivasi (G(y))

𝐺(𝑦) = 𝑦⁄√1 + 𝑦 2 (2.2)

7
Universitas Kristen Petra
 Gambar 2.3. RNN-Elmann
Sumber: Pasila (2013)

𝛼𝑙 (𝑛) = ∑2𝑗=1 𝑤𝑙𝑗𝐼𝐻 𝑋𝑗 (𝑛) + 𝑤 𝐶𝐿 𝛼𝑙 (𝑛 − 1) + 𝑏1𝑙 (2.3)

Dengan 𝛼𝑙 (0) = 0.
Pada persamaan diatas, 𝛼𝑙 (𝑛) adalah total input dari L-hidden neuron dan
IH
b1l , b2i , wilHO , wlj , dan 𝑤 𝐶𝐿 (for i = 1, …, m; j = 1, 2; l = 1, …, L) merupakan
parameter model yang harus ditentukan. Dari persamaan (ui(n)) dapat ditentukan
apakah model neural network yang digunakan merupakan model MLP atau ERNN.
ERNN didapatkan dengan memasukan nilai 𝑤 𝐶𝐿 = 1/L. Jumlah parameter network
(L) ditentukan melalui prosedur pembelajaran neural network untuk mendapatkan
nilai L yang menghasilkan hasil yang optimal. Pada neural network yang dibahas,
pembelajaran dilakukan dengan menggunakan Back-Propagation Algorithm yang
dipercepat (BPA) [Palit 2005, Pasila 2006].

8
Universitas Kristen Petra
2.3. Penelitian-penelitian Sebelumnya
2.3.1. Parallel Array Manipulator dengan Aktuator yang dikontrol secara
Biner
Salah satu penelitian yang mengedepankan pengontrolan manipulator
paralel adalah penelitian Yang (2001). Penelitian ini menekankan metode
pengontrolan manipulator paralel yang menggunakan perangkat keras berupa
parallel array manipulator dengan 25 aktuator yang dikontrol secara biner dengan
menggunakan kontrol Neural Network.

Gambar 2.4. Parallel array manipulator pada disertasi Po-hua Yang

Sumber: Yang (2001)

Parallel array manipulator memiliki jumlah aktuator yang sangat besar,

dalam penelitian ini digunakan 25 aktuator yang dikontrol secara diskrit yang terdiri
atas state aktif, dimana aktuator memberikan gaya, dan state istirahat, dimana
aktuator tidak memberikan gaya. Dilihat dari sudut pandang kinematika,
mekanisme ini dikatakan over-actuated, sedangkan apabila dilihat dari sudut
pandang statika, maka mekanisme ini dikatakan sebagai statically indeterminate.
Gambar 2.4 menunjukan skema parallel array manipulator. Meskipun secara
konstruksi sistem ini dikatakan berlebihan, hal ini diperlukan mengingat aktuator
yang dikendalikan secara diskrit tidak dapat menghasilkan area kerja (workspace)

9
Universitas Kristen Petra
yang kontinyu. Selain itu, jumlah aktuator yang banyak ini diperlukan agar sistem
dapat melakukan gerakan yang halus.
Dilihat dari sistem kontrolnya, mekanisme pada penelitian ini
menggunakan sistem kontrol Neural Network dengan jenis Hopfield Network dan
Boltzmann Machine. Hopfield Network tidak melakukan pembelajaran sendiri,
mapun dilatih. Hopfield Network pada penelitian ini didasarkan pada
meminimalkan fungsi matematis. Boltzmann Machine yang digunakan memiliki
struktur mirip dengan Hopfield Network, hanya saja pada jaringan Boltzmann
Machine terdapat elemen probabilitas (Yang P H, 2001).

Gambar 2.5. Struktur dari Hopfield Network dengan High Gain

Sumber: Yang (2001)

2.3.2. Analisa Inverse Static sebuah Massive Parallel Manipulator dengan

Kecerdasan Buatan
Penelitian lainnya yang berkaitan dengan pengontrolan manipulator
paralel secara diskrit dilakukan oleh Pasila et,al (2013). Penelitian ini menitik-
beratkan pada pengaruh dari jumlah aktuator pada suatu sistem manipulator paralel
dan jenis kecerdasan buatan yang digunakan terhadap keandalan sistem tersebut.

10
Universitas Kristen Petra
 Dalam penelitian ini, ada 6 kecerdasan buatan yang digunakan sebagai
solusi inverse static analysis (ISA), yaitu: 1. Look-Up Table (LUT); 2. Neuro Fuzzy
Takagi-Sugeno (NFTS); 3. NFTS dengan Look-Up Table (NFLUT); 4. Neural
Network Multi-Layer Perceptron (MLP); 5. Elmann Recurrent Neural Network
(ERNN); 6. High-Gain Hopfield Network (HN). Sistem-sistem kecerdasan buatan
tersebut dibandingkan untuk mengetahui sistem yang dapat menyelesaikan
permasalahan ISA dengan cepat dan efisien dengan memperhatikan waktu
komputasi real-time dan generalization error yang dihasilkan. Secara singkat,
alasan utama penelitian ini menggunakan sistem kecerdasan buatan diatas sebagai
solusi ISA adalah:
 Sistem dapat mengaproksimasi m-output yang diinginkan, dalam hal ini m=8,
dengan akurat.
 Sistem dapat menghitung m-output secara real-time.
 Sistem-sistem tersebut bersifat adaptif dan memiliki kemampuan untuk
memperbaharui parameter mereka melalui algoritma pembelajaran.

Gambar 2.6. Mekanisme dengan 8 aktuator.

Sumber: Pasila (2013)

Manipulator paralel yang digunakan dalam penelitian ini merupakan 5

jenis manipulator paralel yang memiliki aktuator tri-state berjumlah n, dengan n =
8. Manipulator ini dirancang hanya memiliki 1 derajat kebebasan, yaitu untuk
melakukan gerakan melingkar terhadap 1 sumbu dengan mekanisme 3RP. R dan P

11
Universitas Kristen Petra
di sini berarti Revolute dan Prismatic. Masing-masing aktuator dihubungkan
dengan base platform yang tidak bergerak, dan menggerakan sebuah engkol yang
berfungsi sebagai end-effector. Selain itu, 4 jenis sistem kontrol kecerdasan buatan
yang kemudian akan dibandingkan performa dan keandalannya. Kecerdasan buatan
yang digunakan berupa sistem kecerdasan buatan Look-up table, Neuro-fuzzy,
Neural-network, dan Hopfield network.
Dalam menguji performansi dari masing-masing kombinasi mekanisme
dan sistem kecerdasan buatan, digunakan 2 jenis data, yaitu data hasil simulasi
menggunakan metode Inverse Static Analysis, dan data yang dihasilkan oleh model
sistem kontrol kecerdasan buatan. Dalam aplikasi kontrol kecerdasan buatan,
terdapat 2 fase penting, yaitu fase pelatihan (training) dan validasi (testing). Pada
saat fase pelatihan, data berupa gaya dan momen yang didapat dari hasil simulasi,
selanjutnya disebut data training, digunakan sebagai pembelajaran bagi sistem
kontrol. Sistem kemudian diuji dengan menggunakan data input berupa gaya dan
posisi pada data training tersebut. Data yang dihasilkan oleh fase training yang
berupa state masing-masing aktuator kemudian digunakan untuk menghitung data
posisi yang dihasilkan oleh model sistem kontrol. Data posisi ini kemudian
dibandingkan dengan data posisi yang didapat dari simulasi yang sebelumnya sudah
dilakukan. Dari perbandingan ini, dilakukan pencarian untuk mendapatkan
parameter model yang menghasilkan error yang paling kecil. Pada fase validasi,
dimasukan input berupa data kombinasi Momen dan Posisi yang belum digunakan
sebelumnya. Parameter yang dihasilkan oleh fase training kemudian digunakan
untuk menghitung data output testing yang didapatkan dari input testing. Data
output testing yang berupa data state dari aktuator ini kemudian digunakan lagi
untuk menghitung data berupa posisi (R) dan gaya (F) model. Kemudian, R dan F
model dibandingkan dengan data R dan F yang digunakan sebagai input testing.
Dari perbandingan data-data ini, akan menghasilkan generalization error yang
digunakan untuk menunjukan performansi dari fase validasi tersebut.
Jumlah data yang memungkinkan bagi sistem tersebut tergantung dari
jumlah aktuator yang digunakan. Dalam hal ini, manipulator paralel dengan 8
aktuator memiliki jumlah data sebesar 38 data. Dari jumlah data tersebut, sebagian
data digunakan dalam fase training. Dalam fase training, sistem dengan 8 aktuator

12
Universitas Kristen Petra
menggunakan 12% dari jumlah data. Dalam penelitian ini, simulasi dengan metode
Inverse Static dilakukan dengan bantuan program Matlab 2009.
Dari penelitian ini didapatkan bahwa masing-masing sistem kecerdasan
buatan memiliki keunggulan pada aspek yang berbeda-beda, seperti sistem Neuro-
Fuzzy Takagi Sugeno yang unggul dalam waktu komputasi, tetapi memiliki
kelemahan dalam tingkat akurasi. Selain itu, didapatkan juga bahwa pada sistem
ini, semakin banyak aktuator yang digunakan dalam suatu sistem, semakin kecil
juga generalization error yang didapatkan dari parameter yang dihasilkan sistem
kontrol (Pasila F, 2013).

2.3.3. 6-DOF Binary Parallel Manipulator dengan Sistem Kontrol

Menggunakan Neuro-Fuzzy
Penelitian selanjutnya yang berkaitan dekat dengan pengontrolan
manipulator paralel secara diskrit dilakukan oleh Pasila et,al (2013). Penelitian ini
menitikberatkan pada pengontrolan manipulator paralel 6 DOF dengan
menggunakan kecerdasan buatan Neuro-fuzzy.

Gambar 2.7. Manipulator paralel 6 DOF yang digunakan pada penelitian yang
dilakukan oleh Felix Pasila.
Sumber: Pasila, Alimin (2013)

Manipulator paralel yang digunakan memiliki 10 aktuator prismatik

dengan mekanisme 10-SPS-3D. SPS berarti Spherical-Prismatic-Spherical.

13
Universitas Kristen Petra
Aktuator yang digunakan merupakan double action pneumatic actuator sehingga
membutuhkan directional control valve sesuai dengan jumlah aktuatornya.
Sistem kontrol yang digunakan merupakan sistem kecerdasan buatan
Takagi Sugeno Multi-Input Multi-Output Neuro-fuzzy (NFTS) dan Neuro Fuzzy
Look Up Table (NFLUT) yang merupakan versi Neuro Fuzzy Takagi Sugeno yang
menggunakan Look Up Table. Input yang digunakan merupakan koordinat yang
diinginkan serta momen total dari sistem, sedangkan output yang dihasilkan berupa
state masing-masing aktuator. Pada fase Fuzzyfication, digunakan fungsi
persamaan Gaussian.

Gambar 2.8. Arsitektur dari sistem kecerdasan buatan Neuro Fuzzy Takagi Sugeno
MIMO.
Sumber: Pasila, Alimin (2013)

Hasil yang didapatkan dari penelitian ini adalah manipulator paralel yang
digunakan mengalami twist atau terpelintir akibat susunan dari aktuator yang
terpisah satu sama lainnya. Sedangkan dari segi implementasi sistem kontrolnya,
didapatkan bahwa kedua jenis sistem kontrol Neuro fuzzy yang diuji dapat
digunakan untuk mengendalikan manipulator paralel dan didapatkan bahwa
NFLUT dapat menghasilkan generalisasi yang lebih baik meskipun membutuhkan
waktu komputasi yang lebih lama (Pasila F, 2013).

14
Universitas Kristen Petra