Seminar Nasional Rekayasa.
Sains dan Teknologi Vol 3 No 1 Tahun 2023 Penerapan Metode Fuzzy Q-Learning Pada Robot Berkaki Enam Pemadam Api Dalam Pencarian Jalur Tercepat Menuju Titik Api Richa Watiasih1.
Pangki Dwi Pradana2 Prodi Teknik Elektro Fakultas Teknik Universitas Bhayangkara Surabaya,1,2 richa@ubhara.
AbstrakAiRobot pemadam api merupakana alternatif pengganti petugas pemadam kebakaran dalam skala kecil.
Waktu yang cepat dalam pencarian titik api sangat diperlukan agar api cepat dapat dipadamkan.
Penelitian ini telah menghasilkan sebuah robot berkaki enam pemadam api menggunakan metode Fuzzy Q-Learning (FQL) yang bertujuan untuk memaksimalkan pencarian jalur tercepat menuju titik api sehingga dapat meminimalkan waktu tempuh robot dalam menyelesaikan misinya.
Dimana penggunaan sensor Ultrasonik sebagai pendeteksi jarak robot terhadap halangan, sedangkan sensor UVTron dan TPA81 digunakan untuk mendeteksi keberadaan dan merasakan adanya api.
Data dari ketiga sensor tersebut digunakan sebagai input pada FQL.
Fuzzy logic digunakan untuk mempercepat pengambilan keputusan pergerakan robot, sedangkan Q-learning memberikan suatu reward dan punishment pada setiap pergerakan.
Data dari Q-learning disimpan pada MicroSD supaya dapat cepat diproses untuk pertimbangan pada pergerakan selanjutnya.
Robot berkaki enam pemadam api ini telah diuji coba beberapa kali sampai mendapatkan reward Berdasarkan pengujian yang telah dilakukan sebanyak 10 kali diketahui waktu tercepat menemukan titik api ketika tanpa menggunakan metode FQL adalah 218 detik, sedangkan ketika menggunakan metode FQL diperoleh keberhasilan menemukan titik api dengan waktu tercepat 154 detik.
Jika dibandingkan dengan tanpa menggunakan metode diketahui bahwa penggunaan metode FQL dapat meminimalkan waktu tempuh menuju titik Kata kunciAirobot berkaki enam, pemadam api.
Ultrasonik.
UVtron.
TPA81.
Fuzzy Q-learning (FQL) AbstractAiFire extinguishing robots are an alternative replacement for firefighters on a small Fast time searching for fire points is necessary so the fire can be extinguished quickly.
This research has produced a six-legged fire extinguishing robot using the Fuzzy Q-Learning (FQL) method which aims to maximize the search for the fastest path to the fire point so that it can minimize the robot's travel time in completing its mission.
The Ultrasonic sensor detects the robot's distance from obstacles, while the UVTron and TPA81 sensors are used to detect the presence and sense of fire.
Data from the three sensors is used as input for FQL.
Fuzzy logic speeds up decision-making for robot movements, while Q-learning provides reward and punishment for every movement.
Data from Q-learning is stored on Micro SD to be processed for consideration for the next move quickly.
Based on tests that have been carried out 10 times, it is known that the fastest time to find hotspots without using the FQL method is 218 seconds, whereas if you use the FQL method, success in finding hotspots is achieved with the fastest 154 seconds.
Compared to not using this method, it is known that using the FQL method can minimize travel time to the fire Keywords Ai six-legged robot, fire extinguisher.
Ultrasonic.
UVtron.
TPA81, fuzzy Q-learning (FQL) yang terbakar ataupun gangguan sesak nafas dapat terjadi .
Oleh karena itu tugas pemadam kebakaran dapat digantikan dengan robot pemadam api.
Robot harus mampu menemukan PENDAHULUAN Kinerja petugas pemadam api dalam melakukan tugasnya dapat dibilang berbahaya.
Resiko kecelakaan dan terjebak dalam bangunan Richa Watiasih1.
Pangki Dwi Pradana2 titik api pada suatu ruangan kemudian Robot pemadam api didesain secara autonomous tanpa adanya campur tangan manusia ketika di jalankan, mulai dari posisi awal robot dan berakhir pada tujuan ruang api .
Karena kondisi lingkungan yang tidak diketahui maka harus ada perencanaan jalur menuju titik api.
Dimana robot bergerak memerlukan algoritma perencanaan jalur agar dapat menemukan jalur yang aman dalam menghindari tabrakan dan optimal dalam mencapai target .
Dalam beberapa kasus robot pemadam api berkaki masih belum bisa bermanuver dengan baik, seperti tidak menemukan titik api, robot tersangkut di ujung dinding, maupun tidak dapat kembali ke home setelah menyelesaikan misi, sehingga diperlukan sebuah sistem perencanaan jalur dan kontrol pergerakan robot.
Penelitian tentang robot berkaki pemadam api dengan menggunakan metode Proporsional Integral Derivative (PID) telah dihasilkan .
, sedangkan .
dari penelitian yang telah dilakukan dapat diketahui bahwa robot mampu menjejak dinding namun sulit untuk mempertahankan posisi terhadap referensi ini disebabkan karena kontroler Derivative mempengaruhi respon sistem sehingga dibutuhkan pengembangan metode kontrol cerdas.
Beberapa penelitian kecerdasan buatan yang diterapkan pada perencanaan jalur bagi robot berkaki telah dilakukan seperti penerapan fuzzy logic .
, neural network .
Ant Colony .
dan penggunaan metode hybrid seperti antara neural network dengan fuzzy logic .
Namun belum optimal karena tidak mempertimbangkan faktor pengenalan lingkungan yang dilalui robot.
Pada area kebakaran yang tidak terduga, robot harus mampu melakukan manuver secara kompleks dan sulit diprediksi .
, dimana robot diberikan sebuah metode pembelajaran untuk mengekplorasi lingkungan yang tidak diketahui sebelumnya .
Selain metode navigasi yang tepat, juga diperlukan mekanisme pembelajaran pada robot untuk mengatasi halAehal yang tak terduga baik berupa halangan statis maupun Reinforcement learning adalah metode pembelajaran untuk memetakan setiap keadaan terhadap aksi yang dipilih untuk memaksimalkan reward yang diterima secara langsung dari lingkungan .
Ada berbagai metode untuk penyelesaian masalah reinforcement learning, salah satunya adalah Q-Learning.
Kelebihan dari Q Learning adalah memiliki sifat off policy .
apat mengikuti policy apapu.
, algoritma ini sederhana dan konvergen terhadap optimal policy .
Penelitian ini mengusulkan sebuah sistem pencarian jalur tercepat bagi robot berkaki enam yang memiliki tugas untuk mencari sumber/titik api dan memadamkan api dengan menerapkan metode Fuzzy Q-Learning sebagai mekanisme pembelajaran robot terhadap lingkungan yang ditemui, sehingga robot dapat meminimalkan waktu pencarian sumber/titik api.
II.
METODE PENELITIAN
Perancangan Hardware Perancangan hardware robot berkaki enam pemadam api pada penelitian ini seperti yang ditunjukkan blok diagram pada gambar 1.
Blok diagram robot ini terdiri dari bagian Slave dan Master.
Pada bagian slave hanya mengontrol output pergerakan robot yang berupa motor servo dengan menggunakan mikrokontroler Arduino Due II.
Untuk bagian master merupakan sistem kendali pusat dari robot berkaki enam pemadam api yang langsung terhubung dengan sensor, antara lain sensor Ultrasonik berfungsi untuk mendeteksi dinding pada lingkungan robot, dimana Pengambilan data pada sensor ultrasonik dilakukan secara kontinyu.
Sensor thermal TPA81 berfungsi untuk mendeteksi radiasi panas pada benda .
Sensor line tracer berfungsi sebagai pendeteksi koridor dengan pintu di setiap Sensor UV-Tron berfungsi mendeteksi adanya cahaya ultraviolet yang dipancarkan api .
Sensor Magnetic Kompas berfungsi untuk memberikan referensi robot untuk mengetahui arah pada saat keluar ruangan.
Pada bagian master juga terhubung dengan output Water pump.
LCD dan SD Card.
Komunikasi data dari kedua mikrokontroller menggunakan komunikasi serial.
Gambar 1.
Hardware robot berkaki enam.
Blok diagram.
Fisik robot berkaki enam Penulis 1.
Penulis 2.
Penulis 3,AA Desain Mekanik Desain mekanik kaki-kaki robot berkaki enam ini ditunjukkan pada gambar 2.
Dimana aktuator pada robot berkaki menggunakan motor servo.
Robot Berkaki didesain 6 buah kaki dengan masing-masing sisi kanan dan sisi kiri berjumlah 3 kaki seperti ditunjukkan pada gambar 2.
Setiap kaki robot memiliki sistem mekanik yang sama dan tiga derajat kebebasan (DOF) .
Setiap kaki terdapat 3 bagian yaitu Coxa.
Femur, dan Tibia.
Untuk setiap bagian memiliki fungsi tersendiri, coxa berfungsi sebagai pergerakan maju atau mundur, femur berfungsi untuk mengangkat atau menurunkan kaki, dan tibia digunakan untuk melebarkan kaki.
Gambar 2.
menunjukkan sumbu pergerakan dari setiap kaki Dimana yca menyatakan learning rate, 0 < yca O 1 menentukan ukuran laju dimana nilai yang lama digantikan dengan nilai yang baru.
Untuk yu menyatakan Discount rate, 0<yuO1 menentukan nilai reward masa depan, semakin kecil nilai yu, maka agen akan semakin mementingkan reward dekat, bukan reward di masa depan.
Untuk ycIyc merupakan sinyal reinforcemet learning dimana ketika robot mendapatkan reward akan bernilai 1 dan Ketika mendapatkan punishment robot bernilai Oe1 .
Pembelajaran yang dilakukan oleh FQL tidak dilakukan setiap state.
Oleh karena itu diperlukan optimasi pada beberapa state yang mewakili.
Dengan demikian digunakan interpolasi fuzzy untuk memperkirakan state dan aksi.
Fuzzy bekerja sebagai universal aproksimator dan kandidat yang baik untuk menyimpan nilai Q.
Penambahan metode Fuzzy digunakan agar dapat bekerja pada state dan aksi yang kontinyu.
Untuk diagram alir dari FQL dapat dilihat pada gambar .
Gambar 2.
Desain mekanik.
struktur kakikaki.
Sumbu pergerakan setiap kaki Perancangan Software Untuk menghasilkan perencanaan jalur tercepat maka diperlukan algoritma supaya robot dapat menghindari segala halangan yang ditemui selama perjalanan yaitu dengan menerapkan algoritma obstacle avoiding berbasis FQL dan menerapkan algoritma target searching berbasis FQL supaya robot dengan cerdas dapat mendeteksi keberadaan sumber/titik api.
FQL adalah pengembangan dari metode Reinforcement learning, dimana Reinforcement learning merupakan salah satu metode Machine Learning.
FQL merupakan pembelajaran kompetisi dimana ada agen-agen dengan kemampuan belajar untuk beraksi secara optimal dengan mengevaluasi konsekuen dari aksiaksinya.
Q-learning yang bersifat konvergen dan off policy membuat Q-learning untuk aplikasi real Q-learning melakukan update terhadap action-value function seperti pada persamaan .
cIyc , yayc ) Ia ycE.
cIyc , yayc ) A .
cIyc 1 yuycoycaycuyca ycE.
cIyc 1 , yc.
Oe ycE.
cIyc , yayc ) .
Gambar 3.
Flowchart dari FQL Obstacle Avoiding-FQL Obstacle Avoiding dipandang sebagai sebuah behavior yang dibangkitkan oleh FQL.
Behavior ini memiliki tugas untuk menghindari setiap halangan yang ditemui pada saat menyusuri ruangan-ruangan yang dilalui dan dideteksi oleh sensor ultrasonik.
FQL adalah sistem fuzzy inference yang bagian konsekuennya memiliki lebih dari satu Oleh karena itu memiliki struktur seperti sistem fuzzy inference pada umumnya dengan beberapa pengecualian.
Obstacle AvoidingAeFQL menggunakan input berupa data jarak dari 5 sensor ultrasonik.
Pada proses fuzifikasi terdiri dari 2 input.
Input jarak pertama Richa Watiasih1.
Pangki Dwi Pradana2 berupa data jarak dari sensor ultrasonik US1.
US4, dan US5 dengan masing-masing menggunakan 3 membership function yaitu:
dekat, sedang, dan jauh.
Membership function dari input jarak pertama ditunjukkan pada gambar Gambar 4.
Membership function input jarak Sedangkan untuk membership function untuk input jarak kedua berupa data jarak dari sensor ultrasonik US2 dan US3 dengan masing-masing menggunakan 2 membership function yaitu: dekat dan jauh.
Membership function dari input jarak kedua ditunjukkan pada gambar 5.
Pemilihan aksi dari 5 aksi yang ada di tiap rule menggunakan e-greedy selection.
Sebuah aksi dipilih jika nilai fungsi q yang bersesuaian bernilai maksimal dengan probabilitas Au-greddy adalah 1- Au.
Sebuah aksi dipilih secara acak jika probabilitas e-greedy adalah Au.
Nilai Au adalah nilai acak real kurang dari 1.
Fungsi reinforcement untuk Obstacle Avoiding-FQL diperoleh dari definisi tugas yaitu bergerak bebas tanpa menabrak halangan.
Sinyal reinforcement r menghukum robot dengan nilai Ae 1 setiap kali robot menabrak halangan atau salah satu nilai sensornya lebih besar atau sama dengan Jika jarak robot ke halangan lebih dari nilai threshold tertentu, dk = 300, nilai penaltinya Sedangan jika nilai salah satu sensor kurang dari nilai dk maka robot akan mendapatkan penghargaan/reward 1.
Fungsi reinforcement yang mengajari robot untuk menjauh dari halangan adalah menggunakan persamaan .
EOe1 r = E0 jika tabrakan atau d s C 1000 d k C d s A 1000 ds A dk dengan ds adalah jarak terpendek dari pembacaan 5 sensor ultrasonik.
Gambar 5.
Membership function input jarak Berbeda dengan sistem logika fuzzy biasa, output dari FQL adalah nilai estimasi dari fungsi q yang besarnya tidak pasti.
Akan tetapi masingmasing nilai estimasi bersesuaian dengan aksi kendali yang akan diberikan ke robot.
Dengan demikian, membership function dari ouput diwakili dengan Membership function aksi obstacle avoiding-FQL bukan Membership function fungsi q.
Membership function aksi obstacle avoiding-FQL yang digunakan adalah singleton seperti ditunjukkan oleh Gambar 6.
Untuk Rule Base dari obstacle avoidance FQL menghasilkan 108 rule seperti yang ditunjukkan pada tabel 1.
Tabel 1.
Rule Base Obastacle Avoidance-FQL Us1 Us4 Us5 Dek Input Jarak 2 Us2 Dek Jauh Us3 Dek Jauh Dekat Dekat Dekat Ber Dekat Dekat Sedan Dekat Dekat Jauh B_K B_K B_K B_K B_K B_K B_K B_K B_K B_K B_K B_K B_K B_K B_K B_K B_K B_K B_K B_K B_K Input Jarak 1 Sedan Sedan Sedan Sedan Dekat Jauh Dekat Dekat Jauh Sedan Dekat Dekat Dekat Gambar 6.
Membership function untuk output aksi obstacle avoiding-FQL Dek Dekat Jauh Jauh Jauh B_K B_K B_K B_K B_K B_K B_K B_K Penulis 1.
Penulis 2.
Penulis 3,AA Dekat Jauh Jauh B_K Dekat Dekat Dekat Sedan Dekat Jauh B_K B_K B_K B_K B_K B_K B_K B_K B_K B_K B_K Sedan Sedan Sedan Sedan Sedan Sedan Sedan Sedan Sedan Sedan Sedan Sedan Sedan Jauh Jauh Dekat B_K B_K Jauh Sedan Jauh Jauh Jauh Dekat Dekat Dekat Sedan Jauh Dekat Jauh B_K B_K B_K B_K Jauh B_K B_K B_K B_K B_K Jauh Jauh Jauh Jauh Dekat Sedan Sedan Sedan Sedan Jauh Jauh Dekat B_K B_K Dekat Sedan Jauh Jauh Jauh Ket: BKa=Belok Kanan.
BKi=Belok Kiri.
Ma=Maju.
Mu=Mundur Jauh Jauh yuN .
ycU yco1 yuN .
ycU yco2 U yuN .
yuN .
U Gambar 7.
Membership function untuk input data sensor TPA81 Sensor UVtron digunakan sebagai pendeteksi cahaya dari api pada sebuah ruangan.
Ketika ada api uvtron akan bernilai 1 dan jika tidak ada maka Untuk Membership function dari sensor UVtron yaitu Ada Api dan Tidak Ada Api.
Dapat dilihat pada gambar 8 Membership function input data sensor UVtron.
Gambar 8.
Membership function untuk input data sensor Uvtron Setelah proses fuzzy inference yang menghasilkan rule base, maka proses Defuzzifikasi dilakukan untuk mengubah kembali variabel fuzzy menjadi variabel nyata, atau dengan kata lain aksi kontrol fuzzy yang masih berupa himpunan, dirubah menjadi nilai nyata yang berupa nilai tunggal.
Pada penelitian ini menggunakan fuzzy model sugeno maka menggunakan Weighted Average (WA) yaitu menggunakan persamaan .
ycOya = mendeteksi cahaya api dan sensor TPA81 untuk mendeteksi cahaya dari api.
Target SearchingAeFQL menggunakan 2 input fuzzy yaitu berupa data sensor TPA81 dan data Sensor UVtron.
Sensor TPA81 memiliki 3 Membership function yaitu dekat, sedang, dan Karena sensor ini mendeteksi panas maka di representasikan melalui jarak dengan mendeteksi suhu, ketika suhu rendah maka di jarak robot dari api jauh sedangkan jika suhu tinggi maka jarak robot dan api dekat.
Pada gambar 7 merupakan Membership function input data sensor TPA81.
Output dari Fuzzy Q-Learning untuk target searching ini adalah nilai estimasi dari fungsi q yang besarnya tidak pasti.
Akan tetapi masingmasing nilai estimasi bersesuaian dengan aksi kontrol yang diberikan ke robot.
Dengan demikian, membership function dari ouput diwakili dengan membership function aksi target searching-FQL.
Bentuk kurva membership function aksi target searching-FQL yang digunakan adalah singleton seperti ditunjukkan oleh Gambar 9.
Target Searching-FQL Target SearchingAeFQL adalah behavior yang dibangkitkan oleh Fuzzy Q-Learning untuk mencari dan menuju target.
Tujuannya adalah untuk mendeteksi sumber cahaya dan temperatur dari api.
Dimana sensor UVTron untuk Gambar 9.
Membership function untuk output aksi target searching-FQL Richa Watiasih1.
Pangki Dwi Pradana2 Pemilihan aksi dari 2 aksi yang ada di tiap rule menggukana e-greedy selection.
Sebuah aksi dipilih jika nilai fungsi q yang bersesuaian bernilai maksimal dengan probrabilitas Au-greddy adalah 1-Au, dimana sebuah aksi dipilih secara acak jika probrabilitas Au-greedy adalah Au .
Nilai Au adalah nilai acak real kurang dari 1.
Fungsi Target SearchingAeFQL diperoleh dari definisi tugas yaitu bergerak berkeliling dan maju menuju Robot mendapatkan reward ketika robot berjalan menghadap dan dekat terhadap sumber/titik api dan robot akan mendapatkan hukuman jika robot berada jauh dari sumber/titik Fungsi reinforcement di jabarkan oleh persamaan .
Oe1 ycycnycoyca yccyc < 300 yc = .
ycycnycoyca 300 O yccyc < 800 1 ycycnycoyca yccyc Ou 800 menjadi masukan untuk behaviour tertentu.
Keluarannya menjadi setting point untuk low level .
Dimana yccyc adalah nilai tertinggi dari pembacaan sensor UVTron dan sensor TPA81.
Setelah proses fuzifikasi, selanjutnya menentukan Rule base.
Rule base adalah sebuah proses pemetaan input terhadap output dengan menggunakan logika fuzzy.
Proses ini melibatkan membership function operator logika fuzzy, dan aturan IF-THEN.
Untuk rule base dari searching target menghasilkan 6 rule yang dapat dilihat pada tabel 2.
Tabel 2.
Rule Base untuk Target Searching-FQL Uvtron Dekat Sedang Jauh Tidak Ada Api Berkeliling Berkeliling Berkeliling Ada Api Berhenti Maju Maju Setelah proses rule base dihasilkan, maka selanjutnya proses Defuzzifikasi dilakukan untuk mengubah kembali variabel fuzzy menjadi variabel nyata dengan menggunakan persamaan .
Sistem Kontrol Sistem kontrol yang dirancang pada penelitian ini terdiri dari dua level kontroller utama yaitu High Level Controller dan Low Level Controller.
Low level Controller berfungsi sebagai pengendalian pergerakan robot.
Data sensor yang didapat dari pembacaan lingkungan dikirim ke High Level Controller.
Kemudian data tersebut Gambar 10.
Blok kontroler FQL High Level Controller terdiri dari empat behaviour, dari empat behaviour terdapat dua behaviour yang dibuat saat desain yaitu stop dan wandering, dan dua behaviour yang dibentuk melalui proses belajar on line FQL.
Obstacle Avoiding-FQL dan Target Searching-FQL.
Low Level Controller digunakan untuk mengirimkan sinyal kontrol dari luaran kontroler level atas ke aktuator slave servo.
Blok kontroler metode FQL ditunjukkan pada gambar 10.
HASIL DAN PEMBAHASAN
Hasil Pengujian Tanpa Metode Pengujian tanpa metode dilakukan dengan program Wall Following dimana robot menelusuri dinding dari start sampai menemukan titik api.
Pada awal start robot akan menelusuri ruangan untuk menemukan jalan keluar dari ruang Kemudian robot bergerak menelusuri ruangan dengan scan kiri sampai menemukan ruang selanjutnya yaitu ruang 3.
Setelah sampai pada ruang 3 robot membaca apakah ada titik api atau tidak dan dilanjutkan pada ruang selanjutnya sampai menemukan sumber/titik api.
Gambar 11 menunjukkan jalur tempuh robot tanpa menggunakan metode.
Penulis 1.
Penulis 2.
Penulis 3,AA disimpan saat awal robot di jalankan sampai menemukan titik api.
Gambar 11.
Jalur tempuh robot tanpa metode Pengujian tanpa metode dilakukan sebanyak 10 kali dengan ruang start dan api yang sama.
Waktu tempuh robot tanpa metode ditunjukkan pada Tabel 3.
Waktu tempuh robot menemukan sumber/titik api tanpa metode Percobaan Waktu tempuh untuk sampai target .
Tingkat Keberhasilan Hasil Pengujian FQL Pengujian ini dilakukan untuk mengetahui kehandalan metode FQL untuk pencarian jalur tercepat menemukan titik api sehingga waktu tempuh akan menjadi lebih singkat.
Pengujian dilakukan beberapa kali sampai mendapat hasil yang maksimal.
Pada pengujian robot harus menuju target berupa api dengan jalur yang Robot start pada ruang 2 dan titik api pada ruang 4.
Pada awal percobaan robot gagal menemukan titik api.
Setelah beberapa percobaan robot dapat menemukan sumber/titik api, dengan semakin sering melakukan percobaan waktu tempuh juga semakin singkat.
Untuk jalur tempuh robot dengan metode FQL dapat dilihat pada Saat pengujian data aksi, punishment dan reward disimpan pada SD card.
Data tersebut Gambar 12.
Jalur tempuh robot dengan metode FQL Tabel 4.
Waktu tempuh robot menemukan sumber/titik api menggunakan metode FQL Percobaan Waktu tempuh untuk sampai target .
Tingkat Keberhasilan Tidak berhasil Tidak berhasil Pergerakan robot didapat dari sistem fuzzy yang diberikan untuk mempercepat keputusan dari aksi robot.
Dari aksi tersebut maka menjadi pertimbangan nilai reward atau punishment yang akan diberikan.
Ketika jalan yang dilalui itu merupakan jalur menuju titik api maka robot akan di berikan reward.
Begitu sebaliknya apabila jalan yang dilalui robot itu salah maka mendapatkan punishment.
Percobaan metode FQL sebagai pencarian jalur tercepat dilakukan sebanyak 10 kali.
Berdasarkan pengujian tersebut didapatkan hasil yang ditunjukkan pada tabel 4.
Analisa Jalur yang didapat untuk pengujian tanpa metode dapat dilihat pada gambar 11 dan jalur pengujian dengan metode FQL dapat dilihat pada Untuk ruangan pengujian, start berada pada ruang 2 dan titik api pada ruang 4.
Pada pengujian tanpa metode robot start kemudian menyusuri dinding dengan menggunakan scan Richa Watiasih1.
Pangki Dwi Pradana2 Percobaan Ke- kiri menuju ruang 3 terlebih dahulu.
Ketika tidak ada api maka akan melanjutkan perjalanan ke Untuk jalur dengan menggunakan FQL robot bergerak dari ruang 2 langsung menuju ke ruang 4 tanpa berbelok pada ruang 3.
Dari data tersebut dapat disimpulkan bahwa robot dengan menggunakan FQL dapat menemukan jalur tercepat tanpa berbelok pada ruang yang tidak terdapat titik api.
Waktu .
Dengan Metode FQL Tanpa Metode Gambar 13.
Perbandingan waktu tempuh pengujian tanpa metode dengan menggunakan metode (FQL) Untuk waktu tempuh robot tanpa menggunakan metode FQL dapat dilihat pada tabel 3 dan waktu tempuh dengan menggunakan metode FQL dapat dilihat pada tabel 4.
Dari dua tabel tersebut didapat grafik perbandingan pada gambar 13.
Dari grafik perbandingan waktu tempuh dapat diketahui bahwa waktu tempuh robot tanpa metode FQL berkisar antara 210Ae230 detik dengan ketidakpastian waktu pada setiap Terkadang robot dapat melakukan dengan waktu yang baik terkadang juga dengan waktu yang lama.
Berbeda dengan waktu tempuh robot dengan menggunakan metode FQL semakin sering robot ini berlatih maka semakin lebih cepat waktu yang dibutuhkan dalam menemukan sumber/titik api.
Untuk waktu tercepat yang dicapai robot dalam menemukan sumber/titik api yaitu 154 detik.
Pengujian dengan menggunakan metode FQL lebih cepat 56 detik dari pengujian tanpa metode.
IV.
KESIMPULAN
Perencanaan jalur tercepat pada robot berkaki enam pemadam api menggunakan metode Fuzzy Q-Learning (FQL) ini didapat dari input data Data yang didapat kemudian diproses pada metode fuzzy sehingga output yang didapat kemudian dikirim ke slave sebagai perintah Semakin sering melakukan uji coba pada robot, maka semakin terlatih dan lebih cepat dalam menemukan sumber/titik api.
Dari percobaan sebanyak 10 kali, tingkat keberhasilan dari metode Fuzzy Q-Learning (FQL) ini sebesar Dengan rincian 8 kali keberhasilan dalam menemukan sumber/titik api dan 2 kali gagal dalam menemukan sumber/titik api.
Jika dibandingkan data waktu tempuh robot antara tanpa menggunakan metode FQL dengan menggunakan metode FQL diketahui bahwa penggunaa metode FQL dapat meminimalkan waktu tempuh menuju titik api.
DAFTAR PUSTAKA