MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA

Transkripsi

1 MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan suatu informasi yang terinspirasi oleh sistim sel syaraf biologi. Jaringan Syaraf Tiruan, seperti manusia, belajar dari suatu contoh. Jaringan Syaraf Tiruan telah dikembangkan sebelum adanya suatu komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami masa vakum selama beberapa tahun. Di jaman yang serba canggih seperti sekarang ini teknologi Jaringan Syaraf Tiruan banyak diterapkan untuk mengontrol pergerakan robot. Dalam Penelitian ini kami membuat aplikasi Jaringan Syaraf Tiruan yang didasarkan pada proses belajar sendiri. Program akan melakukan proses pembelajaran tertentu bagaimana untuk bergerak maju, belok ke kiri, belok ke kanan atau kemungkinan lain berdasarkan pengalaman tabrakan yang terjadi. Diharapkan dari proses pembelajaran ini, program dapat menentukan cara bergerak dengan sendirinya jika mengalami atau menemui halangan-halangan. Jenis mobile robot yang digunakan adalah tricycle. Tricycle terdiri dari dua buah roda depan dan satu buah roda belakang. Dengan 2 input berupa sensor infra-red dan 2 output berupa motor. Dimana input dari sensor infrared tersebut akan diolah pada Jaringan Syaraf Tiruan sehingga menghasilkan error yang dapat digunakan untuk proses backpropagation. Kata kunci: Jaringan Syaraf Tiruan, Tricycle, sensor infra-red, Backpropagation 1. Pendahuluan Dalam perkembangan teknologi komputer saat ini para ahli terus meneliti dan menemukan metodemetode baru untuk memecahkan permasalahan yang selama ini belum terselesaikan baik desebabkan oleh algoritmanya yang belum ditemukan ataupun algoritmanya telah ditemukan akan tetapi prosesnya masih lambat. Salah satu metode yang sedang dikembangkan saat ini adalah bagaimana menggantikan sistem otak manusia ke dalam sistem komputer. Jaringan syaraf tiruan (artificial neural network), atau disingkat JST, adalah sistem komputasi dimana arsitektur dan operasinya diilhami dari pengetahuan tentang sel syaraf biologis didalam otak. Konsep Jaringan Syaraf Tiruan (JST) dapat digunakan untuk berbagai permasalahan yang berkaitan dengan belajar. Tentu saja hal ini tidak dapat digunakan secara luas karena dalam kenyataannya tidak bisa secara penuh ditirukan struktur dan mekanisme kerja dari otak tersebut. Untuk satu jenis permasalahan akan memerlukan arsitektur dan metode pembelajaran yang berbeda. Bahkan untuk satu permasalahan dapat diselesaikan dengan berbagai macam pilihan. Termasuk untuk aplikasi pada sistem kontrol dapat diselesaikan dengan berbagai cara, dan dalam penelitian ini akan disajikan sistem kontrol yang menggunakan Jaringan Syaraf Tiruan dengan arsitektur dan metode yang disederhanakan untuk keperluan implementasi berbasis mikrokontroler. 2. Tinjauan Pustaka 2.1 Arsitektur Jaringan Syaraf Tiruan Model jaringan syaraf tiruan ditentukan oleh arsitektur serta algoritma pelatihan. Arsitektur biasanya menjelaskan arah perjalanan sinyal atau data di dalam jaringan. Sedangkan algoritma menjelaskan bagaimana bobot koneksi harus diubah agar pasangan masukan-keluaran yang diinginkan dapat tercapai. Perubahan harga bobot koneksi dapat dilakukan dengan berbagai cara, tergantung pada jenis algoritma pelatihan yang digunakan. Dengan mengatur besarnya nilai bobot ini diharapkan kinerja jaringan dalam mempelajari berbagai macam pola yang dinyatakan oleh setiap pasangan masukan-keluaran akan meningkat. Gambar 2.1 Sel Syaraf Tiruan Pada gambar 2.1 menjelaskan simpul Y menerima masukan dari neuron x1, x2 dan x3 dengan bobot hubungan masing-masing adalah w1, w2 dan w3. Argumen fungsi aktivasi adalah net masukan (kombinasi linear masukan dan bobotnya). Ketiga sinyal simpul yang ada dijumlahkan : net = x1w1 + x2w2 + x3w3. 1

2 Besarnya sinyal yang diterima oleh Y mengikuti fungsi aktivasi y = f(net). Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai fungsi aktivasi (keluaran model jaringan) juga dapat dipakai sebagai dasar untuk merubah bobot. Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan, antara lain : a. Jaringan dengan lapisan tunggal (single layer network) Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. Hubungan antar simpul pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur. Gambar 2.4 menunjukkan salah satu contoh arsitektur jaringan dengan lapisan kompetitif yang memiliki bobot -. Gambar 2.4 Jaringan dengan Lapisan Kompetitif 2.2 Algoritma Pembelajaran Backpropagation Gambar 2.2 Jaringan dengan Lapisan Tunggal Pada gambar 2.2 tersebut lapisan input memiliki 3 simpul, yaitu X1, X2, dan X3. Sedangkan lapisan output memiliki 2 simpul, yaitu Y1 dan Y2. Simpul-simpul pada kedua lapisan saling berhubungan. Seberapa besar hubungan antara 2 simpul ditentukan oleh bobot yang bersesuaian. Semua simpul input akan dihubungkan dengan setiap simpul output. b. Jaringan dengan lapisan banyak (multilayer network) Jaringan dengan lapisan banyak merupakan perluasan dari lapisan tunggal. Pada jaringan ini, selain simpul input dan output, ada simpul-simpul lain yang disebut simpul layar tersembunyi. Dimungkinkan pula ada beberapa layar tersembunyi. Gambar 2.3 Jaringan dengan Lapisan Banyak Gambar 2.3 adalah jaringan yang terdiri dari lapisan input dengan 3 simpul (X1, X2, X3), sebuah layar tersembunyi dengan 2 simpul (Z1, Z2), dan lapisan output terdri dari 1 simpul (Y). c. Jaringan dengan lapisan kompetitif (competitive network) Metode Jaringan Syaraf Tiruan yang akan digunakan pada penelitian ini menggunakan algoritma Backpropagation. Aturan belajar algoritma ini adalah menggunakan error atau ketidak sesuaian output dengan target untuk koreksi bobotnya. Bobot di koreksi sampai error dapat diterima (memenuhi toleransi yang kita berikan) atau sampai dengan jumlah epoch tertentu. Prosedur pengajaran atau pembentukan bobot-bobot yang digunakan adalah sebagaimana yang digunakan dalam pengajaran jaringan yang bersifat supervised learning (pengajaran yang menggunakan target). Sehingga aturan ini memerlukan pasangan output untuk tiap input yang akan diajarkan. Dengan keadaan bobot awal random, tiap input dilewatkan ke bobot tersebut dan di hasilkan output untuk saat itu. Output tersebut dibandingkan dengan target yang diinginkan. Besar perbedaan yang terjadi digunakan sebagai faktor pengubah pembobot yang menghubungkan input dengan output tersebut (Update wight). Sehingga dengan bobot yang baru akan mengarahkan output ke target yang seharusnya. Proses perubahan bobot berdasarkan error ini dilakukan terus sampai output yang di hasilkan sesuai dengan yang di targetkan, atau mempunyai error yang dapat diterima. Tujuannya, yaitu melatih sistem jaringan untuk mencapai suatu keseimbangan dalam merespon secara benar model input yang telah dilatihkan, dan kemampuan untuk memberikan respon yang masuk akal bagi input yang mirip tetapi tidak identik dengan input pada saat pembelajaran. Pada proses pengajaran, diperlukan semua pola data input yang akan diajarkan dan target yang telah di tentukan sebelumnya. Setiap pola yang diinputkan akan diolah dan diproses melalui bobot yang ada, dan hasilnya dibandingkan dengan data target yang diinginkan, kemudian dihitung errornya (ketidaksamaan hasil saat itu dengan hasil yang 2

3 diinginkan). Dimana error tersebut diumpan-balikkan (backpropagation) kebobot yang menghubungkan layer tersebut sebagai sinyal koreksi bobot, agar dengan bobot yang baru errornya berkurang sampai dengan harga yang diterima. Prinsip kerja algoritma backpropagation memiliki 3 fase : 1. Fase feedforward pada pola input pembelajaran. 2. Fase kalkulasi dan backpropagation error yang didapat. 3. Fase penyesuaian bobot. Arsitektur yang digunakan adalah jaringan perseptron lapis banyak (multi layer perseptron), hal ini merupakan generalisasi dari arsitektur jaringan perseptron lapis tunggal. Secara umum, algoritma jaringan ini memerlukan waktu pembelajaran yang memang lambat, namun setelah pembelajaran selesai, aplikasinya akan memberikan output yang sangat cepat dikarenakan faktor pembobot yang lebih baik. Algoritma pelatihan untuk jaringan syaraf tiruan BackPropagation adalah sebagai berikut : Langkah 0 : Inisialisasi bobot. (sebaiknya diatur pada nilai acak yang kecil) Langkah 1 : Jika kondisi penghentian tidak tercapai, lakukan langkah 2-9, Langkah 2 : Untuk setiap pasangan data pelatihan, lakukan langkah 3-8, Perambatan maju : Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya. Langkah 4 : Hitung semua keluaran di unit tersembunyi z j (j=1,2,, p) z_net j = v jo + z j = f (z_net j) = n x i v ji i e z _ net j (1) (2) Langkah 5 : Hitung semua keluaran jaringan di unit y k (k=1,2,, m) y_net k = w ko + p z j w kj j 1 (3) δ k merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar dibawahnya (langkah 7) Hitung suku perubahan bobot w kj ( yang akan dipakai nanti untuk merubah bobot w kj) dengan laju percepatan α Δw kj = α δ k z j (6) ( k = 1,2,, m ; j = 0,1,., p) Langkah 7 : Hitung faktor δ unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi z j (j=1,2,.., p) δ_net j = m k 1 k wkj Faktor kesalahan δ unit tersembunyi : (7) δ j = δ_net j f (z_net j) = δ_net j z j (1- z j) (8) Hitung suku perubahan bobot v ji (yang akan dipakai untuk merubah bobot v ji ) Δv ji = α δ j x i (9) (j = 1,2,.., p ; i = 0,1,.., n) Langkah 8 : Hitung semua perubahan bobot Perubahan bobot garis yang menuju ke unit keluaran : w kj (baru) = w kj (lama) + Δ w kj (10) (k = 1,2,., m ; j = 0,1,.p) Perubahan bobot garis yang menuju ke unit tersembunyi : v ji (baru) = v ji(lama) + Δ v ji (11) (j = 1,2,.., p ; i = 0,1,.. n) Langkah 9 : Menguji apakah konsisi berhenti sudah terpenuhi. Kondisi berhenti ini terpenuhi jika nilai kesalahan yang dihasilkan lebih kecil dari nilai kesalahan referensi. 3. Perancangan Sistem 3.1 Perancangan Model y k = f (y_net k) = 1 1 e y _ net (4) k Perambatan mundur : Langkah 6 : Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap unit keluaran y k(k=1,2,., m) δ k = (t k y k) f (y_net k) = (t k y k) y k(1 y k) (5) 3

4 Gambar 4.1 Blok Diagram Keseluruhan Sistem Gambar gambar 4.1 menjelaskan bahwa cara kerja keseluruhan sistem adalah pertama kali program tidak memiliki kemampuan mengemudi sama sekali. Jika program dalam keadaan tidak memiliki kemampuan sama sekali, maka JST akan mengeluarkan tegangan kontrol ke motor secara acak dan tidak terkendali. Untuk menghindari kerusakan mekanik kendaran akibat tabrakan secara langsung ke objek penghalang, maka program selalu mengukur apakah jarak kendaraan ke objek lebih kecil dari keakurasian jangkauan deteksi minimal sesor yaitu 0 4 centi meter, jika ia maka kendaraan sudah berhenti. Berdasarkan tabrakan yang dialami, sensor arah maju dan sasaran pembelajaran yang telah ditentukan maka program menghitung nilai error yang terjadi. Setiap terjadi tabrakan, dianggap ada suatu kesalahan. Besarnya nilai error digunakan untuk mempengaruhi JST agar melakukan proses pembelajaran. Selama proses pembelajaran, JST akan mengeluarkan tegangan-tegangan kontrol ke motor yang berubahubah dan sulit ditentukan keadaannya. Jika proses pembelajaran berhasil, JST akan mengeluarkan tegangan kontrol ke monitor yang menyebabkan motor bergerak untuk menghindar dari tabrakan sambil berusaha maju ke depan. 3.2 Perancangan Program program menghitung nilai error yang terjadi. Setiap terjadi tabrakan, dianggap ada suatu kesalahan. Besarnya nilai error digunakan untuk mempengaruhi JST agar melakukan proses pembelajaran. Selama proses pembelajaran, JST akan mengeluarkan tegangan-tegangan kontrol ke motor yang berubah-ubah dan sulit ditentukan keadaannya. Jika proses pembelajaran berhasil, JST akan mengeluarkan tegangan kontrol ke monitor yang menyebabkan motor bergerak untuk menghindar dari tabrakan sambil berusaha maju ke depan. 4. Pengujian dan Evaluasi 4.1 Pengujian Sistem Menggunakan 3 Neuron Hidden Parameter yang digunakan : Input : 2 sensor infra-red Hidden layer : 3 neuron Output : 2 motor Learning rate : 0.8 Jumlah Iterasi : 50, 100, 150, 200, dan 500 Pengujian dilakukan dengan cara mengganti rentang jumlah iterasi, yaitu 50, 100, 150, 200, dan 500 dengan tujuan untuk mengetahui sejauh mana jaringan syaraf tiruan berpengaruh terhadap gerakan kendaraan. Dengan iterasi 50, hasilnya sebagai berikut : Dengan itersi 100, hasilnya sebagai berikut : Gambar 4.2 Flowchart Keseluruhan Sistem Gambar 4.2 menjelaskan bahwa pertamatama dilakukan inisialisasi terhadap input, bobot, dan target untuk masing-masing pola. Pada saat pertama kali program di jalankan JST tidak memiliki kemampuan mengemudi sama sekali, maka JST akan mengeluarkan tegangan kontrol ke motor secara acak dan tidak terkendali. Untuk mencegah hal yang tidak diinginkan, dalam keadaan belum memiliki kemampuan mengemudi, dilengkapi dengan pembatas kecepatan motor. Berdasarkan tabrakan yang dialami, sensor arah maju dan sasaran pembelajaran yang telah ditentukan (dalam hal ini program diperintahkan untuk menghindari dari tabrakan dan bergerak maju), maka Dengan iterasi 150, hasilnya sebagai berikut : 4

5 Dengan iterasi 200, hasilnya sebagai berikut : Parameter yang digunakan : Input : 2 sensor infra-red Hidden layer : 4 neuron Output : 2 motor Learning rate : 0.8 Iterasi : 50, 100, 150, 200, dan 500 Dengan iterasi 50, hasilnya sebagai berikut : Dengan iterasi 500, hasilnya sebagai berikut : Dengan itersi 100, hasilnya sebagai berikut : Evaluasi : Dari 5 kali pengujian yang dilakukan, kemudian dilakukan pengamatan setiap tahapan pengujian, maka diperoleh hasil perkiraan manuver kendaraan, yaitu seperti tabel dibawah ini : Tabel 5.1 Manuver gerakan kendaraan dengan 3 neuron hidden Jumlah Iterasi Manuver Kendaraan 50 10% % % % % Tabel 5.1 diatas dapat diketahui bahwa pengujian dilakukan sebanyak 5 kali, yaitu pengujian pertama dilakukan dengan iterasi sebanyak 50, hasil pengamatan menunjukkan kendaraan berjalan dan jika ada penghalang langsung menabraknya, sehingga perkiraan kemampuan mengemudi kendaraan berkisar 10 %. Pengujian ke 2 jumlah iterasi 100, kemampuan mengemudi kendaraan tetap sama dengan pengujian sebelumnya. Pengujian ke 3 dengan jumlah iterasi 150 juga belum menunjukkan perubahan kemampuan yang berarti, perkiraan kemampuan mengemudi kendaraan berkisar 20 %. Pengujian ke 4 dengan jumlah iterasi 200 menunjukkan peningkatan kemampuan mengemudi kendaran yang semakin bertambah. Kenderaan mampu mengenali penghalang yang ada didepan sensor, dan menentukan arah gerakan sesuai pengalaman sebelumnya. Perkiraan kemampuan mengemudi kendaraan mencapai 80 % pada iterasi ke 223. Dengan iterasi 150, hasilnya sebagai berikut : Dengan iterasi 200, hasilnya sebagai berikut : Dengan itearsi 500, hasilnya sebagai berikut : 4.2 Pengujian Sistem Menggunakan 4 Neuron Hidden 5

6 Evaluasi : Dari 5 kali pengujian yang dilakukan, kemudian dilakukan pengamatan setiap tahapan pengujian, maka diperoleh hasil perkiraan manuver kendaraan, yaitu seperti tabel dibawah ini : Tabel 5.2 Manuver gerakan kendaraan dengan 4 neuron hidden Jumlah Iterasi Manuver Kendaraan % % % % % Tabel 5.2 menunjukkan perkiraan hasil pengujian yang telah dilakukan. Pengujian dilakukan sebanyak 5 kali. Pada pengujian pertama jumlah iterasi 50, kemampuan mengemudi kendaraan 25 %. Artinya pertama kali kendaraan berjalan maju, jika menemui penghalang maka akan berputar untuk menghindarinya. Pengujian ke 2 dan ke 3 dilakukan dengan jumlah iterasi 100 dan 150, kemampuan mengemudi menunjukkan peningkatan yang besar. Pengujian ke 4 dan 5 dengan jumlah iterasi 200 dan 500 merupakan pengujian yang menghasilkan kemampuan mengemudi terbaik kendaraan Dari hasil pengujian menggunakan 3 neuron hidden dan 4 neuron hidden diatas dapat diketahui bahwa jaringan syaraf tiruan sangat berpengaruh terhadap manuver kendaraan apabila diberikan iterasi yang berbeda-beda. Hal ini dilakukan dengan cara mengubah iterasi-iterasi pada program yang telah dibuat. Semakin banyak iterasi yang dilakukan, semakin sempurna gerakan yang dihasilkan meskipun semakin banyak iterasi maka semakin lama pula jaringan syaraf tiruan melakukan pembelajaran. 5. Penutup 5.1 Kesimpulan Dari hasil penelitian yang telah dilakukan maka dapat diambil kesimpulan sebagai berikut : a. Algoritma jaringan syaraf tiruan sangat berpengaruh terhadap penentuan gerakan dari kendaraan beroda tiga. Menggunakan algoritma jaringan syaraf tiruan dengan memberikan iterasi yang besar maka pengendalian otomatisasi gerakan kendaraan akan semakin sempurna dan dapat mendeteksi halangan dengan cepat. b. Penerapan metode backpropagation dalam pengendalian otomatisasi kendali kendaraan ini dilakukan dengan 3 fase, yaitu forward pass, error dan backpropagation, sertapenyesuaian nilai bobot agar mencapai konvergen. c. Hasil penelitian ini tidak mampu mengenali penghalang yang letaknya : diantara 2 sensor, diatas sensor, dan dibawah sensor. Tidak optimalnya jumlah sensor yang digunakan (hanya 2 sensor infra-red) juga menjadi kendala dalam penelitian. 5.2 Saran Berdasarkan penelitian yang dilakukan maka saran yang dapat disampaikan adalah sebagai berikut : a. Penelitian ini dapat dilanjutkan dengan menggunakan konfigurasi perangkat mekanik yang lebih lengkap, seperti penambahan jumlah sensor yang digunakan, yaitu sensor depan sensor belakang, sensor kiri, sensor kanan, sensor tabrakan, dan lain-lain. Dapat juga menggunakan sensor dengan kualitas yang lebih baik seperti sensor ultrasonik yang memili jangkauan lebih luas dan lebih jauh. b. Diharapkan kepada peneliti JST dimasa yang akan datang agar dapat menghasilan algoritma dan metode yang lebih sederhana tapi dapat digunakan untuk menyelesaikan kasus-kasus yang komplek. Seperti masalah waktu yang diperlukan untuk melakukan pembelajaran, agar dapat dilakukan lebih pendek walaupun menggunakan jumlah iterasi yang besar. c. Diharapkan dimasa yang akan datang lahir terbit jurnal-jurnal, modul-modul, majalah, buku, atau karya ilmiah lainnya yang menyajikan penerapan JST dibidang kontrol pergerakan kendaraan atau robot bergerak lainnya, karena hingga saat ini dirasakan masih sangat kurang. 6. Daftar Pustaka [1] Arief Hermawan (2006). Jaringan Saraf Tiruan, Teori dan Aplikasi. Edisi 1.Yogyakarta. C.V. Andi Offset. [2] Erna Dwi Astuti (2009), Pengantar Jaringan Saraf Tiruan. Edisi 1. Jakarta. Star Publishing. [3] [16 Juni 2010]. [4] Sri Kusumadewi (2003). Artificial Intelligence (Teknik dan Aplikasinya). Edisi 1. Yogyakarta. Graha Ilmu. [5] Widodo Budiharto(2006). Membuat Robot Cerdas. Edisi 3. Jakarta. PT Elex Media Komputindo. 6