PERANCANGAN DAN IMPLEMENTASI WAHANA GERAK MANDIRI YANG ADAPTIF MENGGUNAKAN JARINGAN SYARAF TIRUAN HIERARCHICAL EXTENDED KOHONEN MAP (HEKM)

Transkripsi

1 PERANCANGAN DAN IMPLEMENTASI WAHANA GERAK MANDIRI YANG ADAPTIF MENGGUNAKAN JARINGAN SYARAF TIRUAN HIERARCHICAL EXTENDED KOHONEN MAP (HEKM) Inda Hatato Tambunan, Pogam Studi Teknik Elekto, Sekolah Teknik Elekto dan Infomatika, Institut Teknologi Bandung Abstaksi Model based system dan senso based system biasa digunakan sebagai algoitma pegeakan wahana geak mandii. Model based system menghauskan peancang mengetahui setiap kondisi yang ada dalam lingkungan sehingga bisa membuat algoitma yang bena, akan tetapi hal ini akan boos dalam penggunaan memoi. Sedangkan senso based system tidak menghauskan kita mengetahui semua kondisi lingkungan, akan tetapi memelukan waktu lama untuk bagi wahana untuk mempelajai lingkungannya. Sehingga dikembangkanlah suatu sistem navigasi dengan menggunakan metode pedekatan tehadap dua metode ini. Metode ini yakni Jaingan Syaaf Tiuan Hieachical Extended Kohonen Map yang meupakan pengembangan dai JST Extended Kohonen Map yakni dengan menambahkan suatu gid pada setiap neuon yang ada pada gid EKM (supe-net). Pinsip HEKM menggunakan pinsip SOFM. Implementasi jaingan ini akan membuat jaingan dihitung secaa sekuensial sehingga dipekiakan dapat menguangi cost pehitungan memoi dan waktu komputasi. HEKM menggunakan poses pembelajaan supevised leaning dan unsupevised leaning. Poses unsupevised leaning menggunakan metode senso based system dan model based system sedangkan poses supevised leaning menggunakan model based system. Dengan penggunaan jaingan HEKM dihaapkan wahana dapat belaja sehingga wahana akan beaksi sesuai dengan kondisi lingkungan. Keywods Jaingan Syaaf Tiuan, Wahana Geak Mandii, Hieachical Extended Kohonen Map I. PENDAHULUAN 1.1 Lata Belakang Masalah Wahana geak mandii yang keap dikembangkan saat ini cendeung meniu apa yang oganisme lakukan tehadap lingkungan sekitanya. Baik itu tentang peilaku, sikap, bahkan hingga caa bepiki coba dikembangkan. Sehingga dihaapkan wahana pada akhinya dapat beadaptasi tehadap lingkungannya sebagaimana halnya oganisme yang hidup beadaptasi tehadap lingkungannya Bedasakan pemikian tesebut, telah dikembangkan suatu Wahana Geak Mandii yang Adaptif Menggunakan Jaingan Syaaf Tiuan Extended Kohonen Map [Tsani,2002]. Penelitian tesebut telah mampu mengimplementasikan 7x7 jaingan syaaf tiuan dengan 49 cluste dalam wahana geak mandii yang adaptif tehadap lingkungan bedasakan pembelajaan jaingan syaaf tiuan Extended Kohonen Map bebasis mikokontole. Penelitian tesebut, dalam tugas akhi ini, dilanjutkan dimana wahana tesebut dikembangkan dengan menggunakan suatu jaingan syaaf tiuan yang dapat menganalisis lebih baik setiap kondisi lingkungan wahana geak mandii tesebut. Demi kelanjutan penelitian ini dibuatlah penelitian bau : Pengembangan dan Implementasi Wahana Geak Mandii yang Adaptif Menggunakan Jaingan Syaaf Tiuan Hieachical Extended Kohonen Map. 1.2 Identifikasi Masalah Peancangan algoitma pengendalian wahana meupakan tahap yang sangat memelukan banyak petimbangan dan hal ini membuat algoitma tekadang sulit untuk diimplementasikan. Pemasalahan yang muncul dapat diakibatkan kuangnya vaiabel-vaiabel ataupun paamete-paamete yang digunakan pada peancangan, sehingga algoitma yang digunakan tidak sepenuhnya menjawab apa yang dihaapkan dapat dilakukan wahana untuk beaksi sesuai dengan lingkungannya. Hal ini menjadi kendala dalam peencanaan jalu dengan menggunakan model based system. Misalkan, wahana diletakkan dalam suatu lingkungan yang di dalamnya tedapat komponen-komponen diatu sedemikian upa. Komponen-komponen tesebut meupakan halangan yang menghalangi jalu pejalanan wahana menuju tujuan. Apabila menggunakan suatu algoitma peencanaan jalu biasanya menghabiskan sumbe daya kompute dan memoi yang besa. Untuk mengatasi pemasalahan yang ada tesebut dilakukanlah suatu penelitian dengan menggunakan algoitma jaingan syaaf tiuan sebagai pengembangan penelitian sebelumnya. Algoitma yang digunakan akan memiliki suatu desain bau yang menjadi peangkat bau untuk mengatasi bebeapa masalah yang ada. Algoitma yang digunakan adalah algoitma jaingan syaaf tiuan Hieachical Extended Kohonen Map yang diimplementasikan ke dalam suatu mikokontole ATMega 128 dai ATMEL sebagai pengendali, senso sebagai pendeteksi lingkungan, dan dua buah moto sebagai aktuato seta catu daya sebagai sumbe tenaga. II. METODOLOGI PENELITIAN Penelitian ini dilakukan dengan metodologi sebagai beikut: 1. Peancangan asitektu jaingan syaaf tiuan yang akan digunakan dan juga peancangan

2 peangkat keas wahana untuk mengimplementasikan jaingan tesebut. 2. Simulasi jaingan syaaf tiuan yang telah diancang pada kompute. 3. Realisasi peangkat keas dan peangkat lunak dai wahana yang dibangun. 4. Melakukan simulasi dan pengujian untuk setiap bagian sistem dai wahana yang telah diealisasikan. 5. Pengujian fungsional hasil integasi sistem secaa keseluuhan. 6. Melakukan analisis dan membuat kesimpulan dai hasil pengujian III. ARSITEKTUR JARINGAN SYARAF TIRUAN 3.1 Extended Kohonen Map Jaingan syaaf tiuan yang digunakan pada wahana yang dibangun meupakan pengembangan dai SOFM (Kohonen neual netwoks). Pengembangan ini memungkinkan poses pembelajaan pada jaingan menggunakan metode baik unsupevised maupun supevised leaning. Selanjutnya, jaingan ini disebut dengan Extended Kohonen Map (EKM). Dai sudut pandang asitektunya, EKM meupakan SOFM yang dipeluas dengan menambahkan untuk setiap neuon pada laye kompetisi G sebuah efeensi vekto (bobot) output z. Nilai z ini digunakan untuk menyimpan nilai output dai neuon (Gamba.3) Poses pengubahan bobot tejadi pada neuon s dan tetangganya pada G sesuai dengan pesamaan beikut: New Old Old ws = ws + α().( t x ws ) Pada saat poses pelatihan wahana, baik input x maupun output y dibeikan oleh teache dan akan dipelajai oleh neuon pemenang dan juga neuon tetangganya pada G. Implementasi pada wahana yang dibangun, input vekto diambil dai hasil pembacaan senso infa meah dan juga pehitungan sudut aah elatif goal tehadap wahana. Sedangkan outputnya meupakan nilai yang digunakan untuk menentukan aksi wahana. 3.2 Hieachical Extended Kohonen Map (HEKM) HEKM meupakan pengembangan dai EKM dengan menambah suatu gid ke dalam gid G. Penambahan suatu gid pada jaingan beupa flat 2 dimensi meupakan caa aga sepeti halnya pada supe-net akan tejadi pehitungan yang sama dengan sub-netnya. Sehingga untuk setiap goal diection yang bebeda tidak pelu tejadi pengulangan dan dihaapkan dengan poses sekuensial akan mengakibatkan adaptasi dai SOFM dapat mendistibusikan data. Jadi dengan penambahan suatu sub-net gid H pada setiap neuon pada gid G, maka akan ada 2 pebedaan yang tejadi antaa lain yakni jaingan akan memiliki 2 buah leaning ate dan 2 buah neighbohood paametes. Kaena untuk setiap gid akan memilki 1 buah leaning ate dan 1 buah neighbohood paametes. Poses pembelajaan pada HEKM akan mengikuti poses keseluuhan dai poses pembelajaan yang dilakukan pada EKM. Gamba 1. Asitektu EKM Poses pembelajaan pada EKM ini dilakukan sebagai beikut: ketika input vekto x dimasukkan ke jaingan, pada competition laye G tejadi kompetisi anta neuon yang melibatkan pehitungan jaak antaa input vekto x dengan efeensi vekto (bobot) input w : Gamba 2. Asitektu HEKM d( x, w ) = x w 2 IV. ARSITEKTUR PERANGKAT KERAS Neuon s yang efeensi vekto inputnya w s paling dekat dengan vekto input x (yaitu dengan jaak d yang paling kecil) meupakan pemenangnya: s = ag min d( x, w ) Refeensi vekto output z s yang besesuaian dengan neuon s ini diambil sebagai output dai jaingan untuk menanggapi input vekto x ini. Asitektu peangkat keas wahana yang tedii dai empat subsistem yakni subsistem senso, subsistem pengendali, subsistem aktuato dan subsistem catu daya teintegasi menjadi suatu kesatuan sistem yang alian infomasi dan poses yang tejadi digambakan sepeti pada gamba 3.

3 V. PENGUJIAN WAHANA 5.1 Pengujian di Pesonal Compute (PC) Gamba 3. Asitektu peangkat keas wahana Use input hanya akan digunakan pada saat leaning phase, akan tetapi pada saat ecall phase use input tidak digunakan. Caa keja sistem secaa keseluuhan adalah sebagai beikut: 1. Pada awal pogam, sistem melakukan inisialisasi jaingan dan paamete-paamete lain yang dipelukan. 2. Sistem akan dibagi menjadi dua fase utama, yaitu leaning phase dan ecall phase. Saat leaning phase, use input sebagai teache jaingan akan aktif. Mikokontole akan membaca nilai senso sebagai input bagi gid G dan aah goal sebagai input ke gid H 3. Selanjutnya, mikokontole akan membaca nilai yang dibeikan oleh use input sebagai output jaingan (net_outh) dan juga sebagai acuan untuk menentukan aksi wahana yang dijalankan melalui fasilitas inteupt time Pada mikokontole, jaingan melakukan kompetisi untuk menentukan neuon yang menang. Neuon ini (beseta tetangganya) akan mempelajai input dan output yang ada untuk meningkatkan kemampuan jaingan. 5. Poses ini akan diulang sampai use menghentikan leaning phase tesebut. Pada kondisi ini sistem akan masuk ke ecall phase. 6. Saat ecall phase, mikokontole akan mematikan use input. Mikokontole membaca data dai senso sebagai input data ke jaingan. 7. Pada mikokontole, jaingan melakukan kompetisi untuk menentukan neuon yang menang. Indeks dai neuon yang menang ini digunakan untuk mengakses bobot z_h. Nilai ini kemudian dicai epesentasi binenya untuk menentukan aksi wahana. Pengujian di PC dilakukan dengan memasukkan input file hekm1.txt (gamba 4) yang beisi kumpulan vekto input yang tedii dai 8 buah komponen. 5 komponen petama meupakan efeensi input G dai senso dan 3 komponen teakhi meupakan pesepsi output G. Setelah itu jaingan akan belaja sehingga dipeoleh hasil bobot dan juga hasil clusteing bau setelah jaingan melakukan poses pembelajaan (gamba 5). Gamba 4. Inisialisasi bobot awal jaingan G Gamba 5. Hasil leaning G Hasil output G akan dikonvesi menjadi bilangan intege sebagai penunjuk membuka file filehx.txt sebanyak 8 file yang beisikan goal diection dai H seta output gid H. Maka akan ada poses pembelajaan juga di H(gamba 6) Pengubahan dai leaning phase ke ecall phase atau sebaliknya dapat dilakukan sewaktu-waktu yang diatu menggunakan switch. Leaning phase digunakan untuk poses pelatihan wahana, sedangkan ecall phase dgunakan untuk pengujiannya.

4 Begitu juga dengan pengujian input netwok Output G adalah dan dengan goal diection (sebelah baat daya wahana), aksi wahana adalah 0 1 atau wahana akan bebelok ke kii. 5.2 Pengujian pada Mikokontole Pengujian pada mikokontole ini masih menemukan masalah yakni saat wahana dijalankan (stat), wahana tidak beaksi tehadap lingkungan. Hipotesis sementa memunculkan bahwa poses pehitungan yang telalu lama sehingga wahana mengalami stack dan poses belaja tidak dapat dilakukan. Pengujian akan teus dilakukan aga penyebab hasil yang demikian dapat dianalisis. VI. KESIMPULAN DAN SARAN 6.1 Kesimpulan Gamba 6. Hasil awal (atas) dan hasil leaning (bawah)gid H Pengujian akan dilanjutkan melakukan test netwok dengan memasukkan nilai input senso dan goal diection secaa besamaan sebagai input test. Hasil yang dipeoleh ditunjukkan dalam gamba 7. Gamba 7. Test netwok Bila dimasukkan input = ==> senso ke- 2 dan senso ke-4 ada halangan dan goal diection ada di aah depan. Hasil netwok adalah 0 1 ==> moto kanan begeak maka wahana belok kii. Sehausnya untuk output G dihasilkan 0 1 1, akan tetapi hasil output G Sedangkan pegeakan moto sudah mengambil langkah yang bena. Setelah seluuh poses yang telah dilakukan, baik hasil peancangan, simulasi, da pengujian peangkat keas yang teintegasi dengan pengkat lunak sebagai pengendali, dapat disimpulkan bebeapa hal sebagai beikut: Wahana geak mandii belum mampu bekeja optimal untuk melakukan tugas yang telah dibeikan bedasakan pembelajaan yang telah dilakukan oleh wahana. Hipotesis sementaa menunjukkan bahwa kapasitas dan kecepatan mikokontole menjadi hal utama tejadinya kondisi stack pada wahana. Hal ini memungkinkan kaena jumlah cluste yang cukup banyak yang haus dibentuk untuk pengembangan wahana ini. Pengembangan jaingan Extended Kohonen Map (EKM) menjadi Hieachical Extended Kohonen Map (HEKM) behasil dilakukan dengan penambahan gid pada neuon supenet (gid G). - Dibentuk satu supe-net (gid G) dengan komposisi 4x4 neuon dengan maksimal cluste yang tebentuk pada supe-net sebanyak 16 cluste. - Dibentuk 8 sub-net (gid H) dengan komposisi 1x10 neuon untuk setiap subnet, sehingga jumlah maksimal cluste yang tebentuk pada sub-net adalah 8x1x10 = 80 cluste. - Dengan penambahan gid maka pada HEKM ini tedapat 9 competitive laye (1 competitive laye gid G dan 8 competitive laye gid H) - Jaingan syaaf tiuan HEKM memiliki 2 leaning ate dan 2 buah neighbohood paamete Poses pehitungan dan peencanaan pada HEKM bekeja secaa sekuensial sehingga dapat menguangi banyaknya cost yang dilakukan untuk pehitungan dengan caa besamaan sepeti halnya dengan EKM.

5 Model leaning yang digunakan pada HEKM adalah supevised leaning dan unsupevised leaning. Model unsupevised leaning dilakukan pada saat poses clusteing dalam jaingan dan supevised leaning dilakukan pada saat action tiggeing dengan input keluaan wahana dibeikan oleh teache. 6.2 Tindak lanjut Bedasakan masalah utama yang dihadapi oleh penulis dalam melaksanakan penelitian ini, maka penulis sendii mengusulkan suatu tindak lanjut bagi belangsungnya kesinambungan penelitian ini. Tindak lanjut tesebut antaa lain: - Penggunaan mikokontole dengan kapasitas memoi dan kecepatan yang tinggi. Hal ini akan sangat membantu poses integasi pengkat lunak dan wahana kaena dengan kapasitas memoi yang tinggi, dapat dibentuk lebih banyak neuon yang akan bekompetisi tehadap input yang ada. Sehingga mempebanyak jumlah neuon yang dapat mempelajai lingkungan dengan baik. - Penggunaan 2 buah mikokontole dengan pembagian sebagai beikut: o Poses pehitungan untuk gid G dilakukan pada mikokontole yang bebeda dengan gid H o Menggunakan mikokontole dengan kapasitas dan kecepatan yang lebih tinggi pada poses di gid H. Hal ini dimaksudkan aga pehitungan di gid H juga lebih cepat kaena banyaknya neuon yang haus dibentuk untuk setiap gid G yang ada. Penggunaan 2 buah mikokontole juga memungkinkan peancang untk membentuk neuon yang lebih banyak sehingga poses kompetisi pada pembelajaan lebih baik lagi. 4. Guthikonda, Shyah M. Kohonen Self- Oganizing Maps. Wittenbeg Univesity. Decembe Hendo, Tsani. Peancangan dan Implementasi Wahana Geak Mandii yang Adaptif Menggunakan Jaingan Syaaf Tiuan Extended Kohonen Map (EKM). Bandung Kamagaluh, Baisa R. Pengembangan senso untuk Pengenalan Lingkungan pada Mobile Robot beseta Peangkat Lunaknya. Bandung McComb, Godon. Robot Builde s Bonanza- Second Edition. McGaw-Hill Zuell, Kik. C Pogamming fo Embedded System. R&D Books Lawence, Kanada ml Peencanaan ulang peangkat lunak dengan menggunakan sistem multitheading pogamming. Konsep multitheading pogamming memungkinkan jaingan dapat bekeja secaa besamaan dalam eal time. Sehingga poses pembelajaan dapat dilakukan lebih cepat. - Peancangan ulang wahana dengan memasukkan fakto slip pada peancangan peangkat lunaknya. DAFTAR PUSTAKA 1. Nehmzow, Ulich. Mobile Robotics: A Pactical Intoduction. Spinge-Veland London Limited Russell, Stuat. Atificial Intelligence: A Moden Appoac. Pentice-Hall C. Vesino, L.M.Gambadella, Leaning Fine Motion in Robotics: Design and Expeiments, Switzeland.