DASAR TEORI
5
Universitas Kristen Petra
Gambar 2.2. Aplikasi manipulator paralel berupa tangan prostetik
Sumber: Sekine, Sugimori dan Yu (2011)
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.
7
Universitas Kristen Petra
Gambar 2.3. RNN-Elmann
Sumber: Pasila (2013)
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.
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).
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.
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).
Gambar 2.7. Manipulator paralel 6 DOF yang digunakan pada penelitian yang
dilakukan oleh Felix Pasila.
Sumber: Pasila, Alimin (2013)
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