Terapan Conjugate Gradient Backpropagation (CGBP) pada Robot Penghindar Halangan Menggunakan Webots
| Main Author: | DJ, ARIE SANDJAYA K |
|---|---|
| Format: | Undergraduate thesis PeerReviewed application/pdf |
| Terbitan: |
Fak. Teknik UBAYA
, 2011
|
| Subjects: | |
| Online Access: |
http://repository.ubaya.ac.id/11776/1/TE_335_Abstrak.pdf http://digilib.ubaya.ac.id/pustaka.php/225288 http://repository.ubaya.ac.id/11776/ |
Daftar Isi:
- Neural Network (NN) merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Ada beberapa variant dari backpropagation dalam NN, salah satunya adalah Conjugate Gradient Backpropagation (CGBP). Dalam hal ini CGBP diaplikasikan pada sebuah robot penghindar halangan. Robot ini diprogram sesuai dengan algoritma CGBP dengan bantuan simulator Webots dalam bahasa C. De ngan algoritma CGBP ini robot penghindar halangan dapat dikendalikan dengan simulator Webots sehingga mendapatkan parameter yang tepat. Untuk mendapatkan parameter yang tepat harus mencoba dari beberapa pola dengan mengkombinasikan jumlah iterasi, jumlah hidden layer dan node hidden layer yang sesuai dengan robot penghindar halangan. Desain robot penghindar halangan simulator Webots memiliki bagian yang lengkap seperti pada robot sesungguhnya, yaitu: body robot , 2 buah motor sebagai pengerak motor kanan dan kiri, 3 buah sensor jarak dan pen sebagai tool pendukung yang berfungsi sebagai pemberi jejak pada lintasan, serta kontroler sebagai pengontrol gerak robot. Selain itu dalam simulator ini juga didesain lapangan tanpa obstacle dan dengan obstacle untuk menguji pergerakan robot. Hasil yang dicapai adalah robot yang didesain dalam simulator Webots dapat bergerak sesuai program logika CGBP dengan mendapatkan error yang sangat kecil dan sesuai parameter kombinasi yang diberikan. Dengan jumlah iterasi 500, jumlah node 4, dan jumlah hidden 10, logika CGBP mendapatkan error sekitar 0.15 yang mampu membuat robot menghindari 2 buah obstacle sampai finish dengan tingkat keberhasilan 50%. Persentase ini merupakan persentase terbaik dari semua parameter.