You are on page 1of 60

DAFTAR ISI

Dewan Redaksi Kata Pengantar dari Penulis Informasi Daftar Isi Daftar Gambar Daftar Tabel Daftar Algoritma 1 Gas dan Asap 1.1 Sekilas Mengenai Gas dan Asap . . . . . . . . . . . . . . . . . . . . . 1.1.1 1.1.2 1.2 1.2.1 1.2.2 1.2.3 1.3 1.3.1 1.3.2 1.3.3 1.4 Gas dan Asap dalam Keseharian . . . . . . . . . . . . . . . . . Jenis-jenis Gas dan Asap . . . . . . . . . . . . . . . . . . . . . Permasalahan Pada Daerah Perumahan . . . . . . . . . . . . . Permasalahan Pada Daerah Industri . . . . . . . . . . . . . . .

i ii v vii xi xvii xix 1 1 3 6 8 8 9

Permasalahan dengan Gas dan Asap . . . . . . . . . . . . . . . . . . .

Permasalahan di Hutan . . . . . . . . . . . . . . . . . . . . . . 10 Penanganan Konvensional . . . . . . . . . . . . . . . . . . . . 12 Kelemahan Metode Konvensional . . . . . . . . . . . . . . . . 14 Kemungkinan Pemanfaatan Teknologi . . . . . . . . . . . . . . 15

Teknik Penanggulangan Kebocoran . . . . . . . . . . . . . . . . . . . 11

Reeksi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 19

2 Teknik Autonomus pada Pencarian Sumber Asap 2.1 2.2

Faktor-Faktor Penting dalam Pencarian Sumber Asap . . . . . . . . . . 20 Pencarian Berbasis Satu Robot . . . . . . . . . . . . . . . . . . . . . . 26 2.2.1 2.2.2 2.2.3 2.2.4 2.2.5 Pendekatan dengan Anemotaksis . . . . . . . . . . . . . . . . . 27 Pendekatan dengan Kemotaksis . . . . . . . . . . . . . . . . . 29 Pendekatan dengan Odor-Gated Rheotaxis . . . . . . . . . . . 31 Pendekatan dengan Algoritma Zig-zag . . . . . . . . . . . . . . 33 Pendekatan dengan Surge Spiral . . . . . . . . . . . . . . . . . 35 vii

2.3 2.4 2.5

Pencarian Berbasis Banyak Robot . . . . . . . . . . . . . . . . . . . . 37 Pencarian Berbasis Swarm . . . . . . . . . . . . . . . . . . . . . . . . 40 Pertanyaan Reeksi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 45

3 Pencarian Sumber Asap Dalam Multidisiplin 3.1 3.1.1 3.1.2 3.1.3 3.2 3.2.1 3.2.2 3.2.3 3.3 3.3.1 3.3.2 3.4

Pemodelan Gas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 Pemodelan Matematis Gas Dasar . . . . . . . . . . . . . . . . 50 Pemodelan Matematis Gas Modikasi . . . . . . . . . . . . . . 55 Pemodelan Gas Untuk OSL . . . . . . . . . . . . . . . . . . . 60 Sensor Bau . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 Agen Pencari (Al-Fath) . . . . . . . . . . . . . . . . . . . . . . 72 Arsitektur dalam OSL . . . . . . . . . . . . . . . . . . . . . . 79 Kecerdasan Agen Pencari . . . . . . . . . . . . . . . . . . . . 85 Penerapan PSO Dalam Lokalisasi Sumber Asap . . . . . . . . . 91

Arsitektur Perangkat Keras dan Sensor . . . . . . . . . . . . . . . . . . 65

Kecerdasan Agen Pencari . . . . . . . . . . . . . . . . . . . . . . . . . 83

Reeksi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 99

4 Modikasi PSO Tingkat Lanjut untuk Pencarian Satu Sumber 4.1 4.2 4.3 4.4 4.5 4.6

Pencarian Lokal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 Pemposisian Ulang Partikel . . . . . . . . . . . . . . . . . . . . . . . . 104 Pembatasan Ingatan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 PSO Deteksi dan Respon . . . . . . . . . . . . . . . . . . . . . . . . . 108 PSO Bermuatan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 Utilisasi Angin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120 4.6.1 4.6.2 Utilisasi Angin dengan Area Terlarang . . . . . . . . . . . . . . 123 Utilisasi Angin dengan Parameter Pengontrol 0 . . . . . . . . 125 Perbedaan Modikasi PSO dengan Implementasinya . . . . . . 127 4.7.1.1 4.7.1.2 4.7.2 4.7.3 4.7.4 Implementasi PSO Bermuatan . . . . . . . . . . . . 128 Implementasi Utilisasi Angin . . . . . . . . . . . . . 129

4.7

Evaluasi Performa dari Algoritma Modikasi dan Kombinasinya . . . . 126 4.7.1

Hal Umum Mengenai Implementasi PSO dan Modikasinya . . 131 Skenario Evaluasi . . . . . . . . . . . . . . . . . . . . . . . . . 133 Analisa dan Hasil . . . . . . . . . . . . . . . . . . . . . . . . . 136 4.7.4.1 4.7.4.2 Hasil Analisa Eksperimen I & II . . . . . . . . . . . 136 Eksperimen yang melibatkan utilisasi angin . . . . . 143

4.8 viii

Reeksi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
Swarm Robot dalam Pencarian Sumber Asap

5 Modikasi PSO Tingkat Lanjut untuk Pencarian Banyak Sumber 5.1 Penutupan Sumber Asap . . . . . . . . . . . . . . . . . . . . . . . . 5.2 Fase Menyebar (Spread) . . . . . . . . . . . . . . . . . . . . . . . . 5.3 Paralel Niche PSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.4 Range Global Best . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.5 Partikel Utama dan Perpindahaan Keanggotaan . . . . . . . . . . . . 5.6 Algoritma Penyebaran Partikel Utama . . . . . . . . . . . . . . . . . 5.7 Posisi Partikel Utama Mengikuti Posisi Global Best . . . . . . . . . . 5.8 Pembatasan Area Gerak Partikel Bermuatan dari Partikel Utama . . . 5.9 Evaluasi Performa dari Kombinasi Algoritma Modikasi . . . . . . . 5.9.1 Perbedaan Modikasi Pencarian Satu Sumber dengan Banyak Sumber . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.9.2 Skenario Evaluasi . . . . . . . . . . . . . . . . . . . . . . . . 5.10 Reeksi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Daftar Referensi Prol Singkat Peneliti Ucapan Terima Kasih Daftar Index

. . . . . . . . .

153 160 164 170 174 176 181 185 186 189

. 189 . 190 . 207 209 213 220 223

Swarm Robot dalam Pencarian Sumber Asap

ix

Swarm Robot dalam Pencarian Sumber Asap

Halaman ini sampai bab berikutnya sengaja dikosongkan. Jika Anda tertarik dengan buku ini, silahkan hubungi kami di

http://kamiberkatarsis.com/lang/en/hubungi-kami/

BAB 1 GAS DAN ASAP


Manusia sebagai mahluk hidup tidak pernah bisa terlepas dari lingkungan di mana mereka berada. Lingkungan menyediakan berbagai hal yang dibutuhkan manusia untuk bisa bertahan hidup, seperti makanan, air, dan udara. Makanan merupakan salah satu kebutuhan pokok manusia karena makanan merupakan sumber tenaga. Hal inilah yang menyebabkan ada berbagai jenis makanan di berbagai belahan bumi, mulai dari yang digoreng, direbus, dibakar, sampai yang dimakan mentah-mentah. Seperti halnya makanan, air juga merupakan kebutuhan pokok yang penting bagi kehidupan. Fakta menunjukkan bahwa manusia dapat bertahan sampai 21 hari tanpa makanan, namun hanya mampu bertahan selama beberapa jam tanpa air [3]. Hal ini boleh jadi erat hubungannya dengan fakta bahwa kandungan air dalam tubuh sekitar 70% dari tinggi manusia tersebut [4]. Lingkungan juga menyediakan udara bagi manusia, khususnya pasokan oksigen (O2 ) yang berguna bagi pernapasan manusia. Tanpa adanya O2 , hidup manusia dapat berakhir dengan cepat. Fakta ini menunjukan bahwa udara merupakan unsur vital bagi keberlangsungan kehidupan manusia, namun perlu diingat bahwa ketiga unsur ini saling melengkapi satu sama lain. Makanan yang masuk ke dalam tubuh kemudian dibakar dengan memanfaatkan O2 yang dihirup. Hasil pembakaran kemudian didistribusikan ke seluruh tubuh agar setiap otot mendapatkan tenaga untuk bergerak [5]. Lingkungan sekitar kita tidak hanya menyediakan hal-hal yang dapat membantu manusia untuk bertahan hidup, namun juga hal-hal yang berbahaya bagi kesehatan dan kehidupan. Perilaku manusia yang mengejar kenyamanan dan kemudahan juga turut menambah variasi bahaya yang harus kita hadapi. Ada banyak contoh mengenai bahaya-bahaya ini, namun pembahasannya akan dibatasi pada bahaya yang datang dari udara. Udara mengandung banyak zat selain O2 , diantaranya adalah virus, kuman, bakteri, ataupun gas beracun. Manusia juga turut berkontribusi aktif dalam memproduksi gas-gas berbahaya, contohnya adalah karbondioksida (CO2 ) dan karbonmonoksida (CO) yang dapat menyebabkan sesak napas dan bahkan kematian [5]. Bab ini akan membahas lebih jauh mengenai sifat, bahaya, dan penanggulangan bahaya yang disebabkan oleh zat-zat di udara.

1.1 Sekilas Mengenai Gas dan Asap


Alam menyediakan banyak hal untuk membantu manusia memenuhi kebutuhan mereka akan makanan, minuman, dan udara. Walau tersedia dalam jumlah yang tidak sedikit, 1

BAB 1. GAS DAN ASAP

persaingan untuk mendapatkan makanan dan minuman tetap terjadi. Berbeda dengan keduanya, manusia dapat memperoleh udara tanpa persaingan. Udara selain tersedia dalam jumlah besar, juga memiliki beragam bentuk yang di kenal dengan nama gas dan asap. Udara, gas, dan asap merupakan hal yang sama dengan denisi yang berbeda, tergantung dari keadaan dimana hal tersebut muncul atau berada. Sebagai contoh, sebutan untuk sesuatu yang kita hirup sehari-hari sebagai udara, tanpa memikirkan zat-zat apa saja yang terkandung di dalamnya. Asap sering kali didenisikan sebagai kumpulan zat-zat dalam udara yang sejenis dan dapat dilihat oleh mata. Gambar 1.1 menunjukkan salah satu contoh asap, yaitu asap belerang dari oleh Gunung Bromo. Asap juga ada yang berbahaya dan ada pula yang tidak, seperti uap air yang mendidih. Namun karena asap bukanlah sesuatu yang kasat mata, maka kita dapat menghindari asap tanpa harus terlebih dahulu menghirupnya. Gas adalah bagian dari udara yang hanya mengandung satu jenis zat di dalamnya. Sama seperti udara, gas umumnya kasat mata dan berasal dari molekul-molekul yang bergerak bebas. Berdasarkan pengertian ini, dapat disimpulkan bahwa perbedaan asap dan gas secara sik ada pada kasat atau tidak kasat matanya zat di udara.

Gambar 1.1: Asap Belerang di Gunung Bromo

Baik asap maupun gas, molekul-molekul yang ada di dalamnya bergerak dengan sifat adveksi dan difusi. Selain itu, keduanya membutuhkan suatu sumber reaksi kimia agar dapat muncul di udara. Adveksi menurut Kamus Besar Bahasa Indonesia (KBBI) [6] adalah massa udara secara horizontal yang mengakibatkan perubahan unsur sik udara (seperti suhu). Pada konteks gas dan asap, adveksi berarti perpindahan molekul zat dalam udara karena terbawa oleh angin. Angin selalu bergerak dengan cepat dan berubah arah, hal ini menyebabkan zat dalam udara berpindah tempat dan menyebar dalam waktu yang cepat pula. Salah satu contoh adveksi dalam kehidupan sehari-hari diperlihatkan pada Gambar 1.2, yaitu kejadian dimana asap bergerak karena adanya angin yang bertiup. Kejadian ini merupakan contoh adveksi dalam dunia nyata. Sedangkan difusi menurut [6] adalah penyebaran atau pemencaran sesuatu dari satu pihak 2
Swarm Robot dalam Pencarian Sumber Asap

BAB 1. GAS DAN ASAP

ke pihak lainnya. Jika dilihat dari konteks gas dan asap, difusi adalah perpindahan molekul-molekul zat dalam udara ke daerah-daerah dengan konsentrasi zat yang lebih rendah sampai mencapai titik kesetimbangan. Sifat difusi dapat terlihat dari semakin berkurangnya kepekatan zat di udara seiring menjauhnya zat tersebut dari sumbernya. Pada Gambar 1.1, difusi terlihat pada perbedaan tingkat kepekatan asap yang berada dekat mulut kawah dan yang berada jauh dari mulut kawah. Asap yang berada jauh dari mulut kawah terlihat lebih tidak pekat dan menyebar.

Gambar 1.2: Contoh Adveksi di Kawah Putih

Selain sifat adveksi dan difusi, gas dan asap memiliki sifat lain yang diwariskan dari sifat zat yang terkandung di dalamnya. Sifat zat inilah yang menentukan warna, bau, dan efek dari gas yang terbentuk, misalnya uap yang dihasilkan dari pemanasan air akan terlihat putih dan tipis, tidak berbau, dan lembab. Sementara asap yang dihasilkan dari belerang akan berwarna putih, berbau pekat, dan berbahaya pada tingkat tertentu. Selain itu, massa jenis zat akan menentukan seberapa tinggi asap yang terbentuk akan naik. Semakin kecil massa jenisnya, maka asap tersebut akan naik semakin tinggi. Pengetahuan mengenai sifat-sifat zat yang menjadi gas akan sangat membantu saat kita perlu untuk mengenali jenis gas atau melacak sumber gas. Misalkan saja ada sebuah ruangan yang tercium begitu harum, maka kita dapat menduga jenis aroma yang tercium dan bahkan merek dari pewangi ruangan yang digunakan.

1.1.1

Gas dan Asap dalam Keseharian

Baik disadari ataupun tidak dalam kehidupan sehari-hari, kita sering menggunakan asap dan gas sebagai indikator. Sebagai contoh, kepulan uap air digunakan sebagai indikator untuk menilai tingkat panas air dan asap dari knalpot kendaraan bermotor digunakan untuk menilai kondisi kendaraan tersebut. Hampir seluruh manusia mengerti ketika ada asap, maka pasti ada sumber api didekatnya. Pemikiran ini juga berarti bahwa asap dapat digunakan untuk menentukan posisi titik api secara kasar. Pada contoh yang lebih
Swarm Robot dalam Pencarian Sumber Asap

BAB 1. GAS DAN ASAP

ekstrem, asap juga berarti sedang terjadi kebakaran. Keempat contoh ini menunjukkan bahwa manusia menggunakan asap sebagai indikator akan adanya bahaya atau sesuatu yang panas. Pada beberapa kejadian, asap sangat bermanfaat untuk membantu manusia terhindar dari bahaya yang tidak diinginkan. Selain sebagai indikator, asap juga dapat digunakan sebagai media komunikasi jarak jauh. Asap yang didapatkan dari pembakaran api dapat dimanfaatkan sebagai penanda adanya marabahaya. Pada masa Cina masih dipimpin oleh Kaisar, mereka menggunakan cara ini untuk memberitahu pasukan utama apabila terjadi serangan dari bangsa lain. Signal asap digunakan karena asap yang dibuat dapat dilihat oleh orang yang berjarak sejauh 750 km hanya dalam waktu beberapa jam saja. Pada masa perperangan, komunikasi yang esien dan cepat akan sangat menentukan keberhasilan pasukan dalam mempertahankan diri dari para penyerang. Selain bangsa Cina, bangsa Yunani dan bangsa Indian di Amerika Utara juga menggunakan asap sebagai media komunikasi. Cerita lebih lengkap mengenai bangsa Indian dapat dibaca pada [7]. Gereja Vatikan di Roma sampai saat ini masih menggunakan cara komunikasi dengan asap untuk memberitahu apa bila seorang Paus baru sudah terpilih. Asap berwarna dijadikan tanda terpilihnya Paus. Ada dua warna asap yang digunakan pada saat pemilihan berlangsung, yaitu asap berwarna hitam dan putih [8]. Asap berwarna hitam berarti rapat kardinal masih belum dapat memutuskan Paus yang baru. Ketika asap berwarna putih terlihat, berarti Paus baru sudah terpilih. Fungsi asap sebagai indikator tidak terlepas dari sifat asap yang tidak kasat mata. Pada gas yang bersifat kasat mata, fungsi indikator didapatkan dari sifat bawaan zat dalam gas tersebut. Misalkan ada zat beracun yang berubah menjadi gas, maka gas tersebut juga akan bersifat racun. Namun, ciri racun dari zat baru dapat diamati ketika ada mahluk yang keracunan. Salah satu sifat lain yang dapat diamati adalah bau khas dari zat tersebut. Bau zat umumnya tetap terbawa ketika zat tersebut berubah bentuk menjadi gas, seperti bau kayu dari kayu yang terbakar api dan bau plastik yang terbakar. Keduanya memiliki ciri bau yang berbeda. Bahkan ketika sebuah sebuah benda lain terbakar, bau dari kayu atau plastik masih dapat dibedakan dengan mudah. Manusia dalam kesehariannya memanfaatkan bau untuk berbagai macam hal, termasuk dalam persoalan mencari nafkah. Bagi orang-orang yang bergerak dalam bidang makanan, aroma makanan merupakan komponen yang dapat meningkatkan ketertarikan calon pembeli untuk mencoba [9]. Manusia umumnya menggunakan tiga komponen untuk menentukan enak atau tidaknya suatu masakan, yaitu penampilan, bau, dan rasa. Jika salah satu komponen tersebut kurang diasah, maka nilai terhadap masakan tersebut juga tidak akan tinggi. Agar dapat menarik pelanggan lebih banyak, para penjual dapat memancing pembeli dengan memaksimalkan poin pertama dan kedua. Pertama-tama calon pembeli di pancing dengan gambar-gambar makanan yang menarik dan terlihat lezat. Kemudian bau masakan dari dapur atau makanan yang sudah dipesan oleh pem4
Swarm Robot dalam Pencarian Sumber Asap

BAB 1. GAS DAN ASAP

beli lainnya berperan sebagai pancingan kedua yang membuat calon pembeli merekareka rasa masakan tersebut. Pancingan akan semakin mudah jika makanan yang dijual merupakan makanan yang umum dan memiliki aroma khas, seperti ayam goreng, laksa, dan soto.

(a) Aneka Jenis Soto

(b) Aneka Jenis Buah

Gambar 1.3: Beraneka Ragam Soto dan Buah-buahan Beraroma

Tidak jauh berbeda dengan penjual makanan, pedagang buah-buahan juga menggunakan teknik yang sama untuk menarik calon pembeli. Buah-buahan yang dipajang mengeluarkan aroma yang berbeda-beda sesuai dengan jenisnya. Kemudian aroma yang tertangkap oleh indra penciuman akan membangkitkan stimulus untuk mencoba. Aroma buah juga digunakan sebagai indikator untuk menilai enak atau tidaknya buah tersebut. Kedua contoh pemanfaatan aroma pada makanan dan buah-buahan ini menunjukkan bahwa presepsi manusia tentang relasi aroma dan kenikmatan sangatlah kuat. Kuatnya presepsi ini jugalah yang menyebabkan mudah bagi kita untuk membayangkan aroma dan rasa soto yang diperlihatkan pada Gambar 1.3a atau buah-buahan pada Gambar 1.3b. Tubuh manusia juga mengeluarkan bau khas yang dapat digunakan sebagai indikator kesehatan badan dan daya tarik. Bau dari badan manusia umumnya dapat ditemukan pada keringat, kotoran, dan mulut. Jika dilihat dari sisi kesehatan, bau tidak sedap dapat diartikan sebagai tanda bahwa ada organ dalam tubuh yang berfungsi dengan kurang baik. Bau badan tak sedap memberikan rangsangan aroma pada indra penciuman. Bau yang tidak sedap juga menyulitkan dalam mencari pasangan, terutama bagi pria. Hidung wanita lebih sensitif dari pada hidung pria, yang berarti wanita dapat mencium bau-bau yang tidak terdeteksi oleh hidung pria. Bau yang tercium oleh seseorang juga dapat mempengaruhi perasaan orang tersebut [10]. Inilah sebabnya semakin banyak produk kosmetika dan terapi yang mencoba untuk memanipulasi bau yang ada disekitar kita. Bau yang khas tidak hanya dimiliki oleh manusia, namun juga oleh mahluk hidup lainnya, baik tumbuhan ataupun hewan. Sebagian besar hewan mengeluarkan aroma
Swarm Robot dalam Pencarian Sumber Asap

Halaman ini sampai bab berikutnya sengaja dikosongkan. Jika Anda tertarik dengan buku ini, silahkan hubungi kami di

http://kamiberkatarsis.com/lang/en/hubungi-kami/

BAB 2 TEKNIK AUTONOMUS PADA PENCARIAN SUMBER ASAP


Perkembangan teknologi yang semakin maju memberikan kontribusi yang sangat besar terhadap semakin terbukanya variasi berbagai macam bidang ilmu, seperti teknologi pengenalan bau dan pencarian sumber asap. Hadirnya kemampuan mendekteksi gas secara digital membawa teknologi pengenalan bau semakin jauh dan aplikatif. Pada bidang ilmu pengenalan bau, para peneliti mencoba membuat hidung elektronik (electronic nose) yang mampu membedakan berbagai macam bau maupun campuran bau. Pada bidang ilmu pencarian sumber asap, para peneliti mencoba memanfaatkan teknologi yang ada untuk membantu menentukan secara tepat lokasi kebocoran gas. Namun sebelum buku ini membahas lebih jauh pemanfaatan teknologi ini, mari kita sepakati dulu bahwa istilah gas dan asap yang digunakan dalam bab ini dan seterusnya merujuk pada zat yang berbaur dengan udara dan merupakan zat yang menjadi target pencarian. Kembali pada topik bahasan, kemajuan teknologi membuat manusia mampu membuat sebuah sistem pendeteksi bahaya dini akibat kebocoran gas yang tidak diharapkan. Sebagai contohnya adalah pemasangan sensor bau di tiap ruangan pada sebuah rumah. Semakin banyak sensor yang dipasang, berarti cepat gas yang tidak diharapkan tersebut dapat dideteksi. Tentu saja kecepatan pendeteksian ini akan bergantung pada lamanya waktu zat yang dibutuhkan zat yang bocor untuk sampai diarea pendeteksian sensor. Sistem pendeteksi dengan melakukan pemasangan sensor di tiap-tiap ruangan pada sebuah rumah memang dapat menyelamatkan banyak orang dari bahaya akibat gas beracun, namun tidak dapat membantu penghuninya menemukan asal sumber kebocoran secara tepat. Tentu saja sumber kebocoran tidak dapat didiamkan begitu saja karena dapat membahayakan area yang lebih besar. Hal ini akan semakin berbahaya ketika gas yang bocor merupakan jenis gas yang berbahaya. Usaha yang dilakukan agar bahaya semacam ini tidak membesar adalah dengan menugaskan tim khusus untuk mencari dan menutup kebocoran. Tim khusus ini biasanya terdiri atas manusia dan anjing yang telah dilatih untuk melakukan pelacakan dengan indra penciuman mereka. Gas yang mereka hirup tidak mungkin tidak membahayakan nyawa para pencari. Cara konvensional ini jelas tidak begitu manusiawi. Salah satu cara yang dapat digunakan agar pencarian sumber asap tidak menelan banyak korban adalah dengan membuat agen artisial. Agen artisial dapat berupa sebuah agen yang sudah diprogram dengan perilaku yang meniru kemampuan agen yang sebenarnya. Pada dunia komputer, cara seperti ini di kenal dengan nama sistem cerdas atau jika pada agen disebut dengan agen cerdas [14]. Agen-agen cerdas ini diberikan 19

BAB 2. TEKNIK AUTONOMUS PADA PENCARIAN SUMBER ASAP

kemampuan berpikir dan mengambil keputusan berdasarkan kondisi terakhir yang diketahui. Baik presepsi, cara berpikir, dan pengindraan dari agen yang sebenarnya harus dimodelkan dalam perilaku agen. Tentu ada banyak faktor yang harus diperhatikan, hal ini akan dijelaskan pada bab berikutnya. Agen-agen ini juga harus dapat menjelajah secara bebas dalam ruang pencarian. Agen semacam ini dikenal dengan nama autonomous mobile robot (robot mobil autonomus). Robot-robot yang bertindak sebagai agen artisial ini merupakan bagian dari rumpun kecerdasan buatan dalam ilmu komputer. Agen-agen ini umumnya telah dibekali pengetahuan dasar untuk dapat berinteraksi dan beradaptasi dengan lingkungan dimana agen tersebut berada. Penyesuaian algoritma untuk beradaptasi perlu dilakukan agar agen dapat berperilaku sebagaimana mestinya. Kecerdasan buatan (Articial Intelligence) adalah kecerdasan pada mesin atau sistem yang mengartikan dan mempersepsikan lingkungan, lalu mengambil tindakan yang mampu memaksimalkan kesempatan sukses yang ada [14]. Kecerdasan buatan sendiri memiliki berbagai jenis penjurusan, salah satu penjurusan yang berhubungan dengan dunia robotika adalah sistem multi-agen dan atonomous perceptive systems. Sistem multi-agen dipakai dalam dunia robotika dengan memanfaatkan robot dalam jumlah yang cukup banyak. Biasanya cara ini dipakai permasalahan yang melibatkan wilayah pencarian yang luas. Autonomous Perceptive Systems sendiri biasanya hanya menggunakan sejumlah kecil robot dan ditujukan untuk berinteraksi dengan manusia atau hal tertentu.

2.1 Faktor-Faktor Penting dalam Pencarian Sumber Asap


Kita telah melihat sekilas pada awal bab ini bahwa penanganan dari kebocoran sumber asap dapat ditangani tanpa harus melibatkan manusia dalam proses pencariannya. Penanganan dilakukan dengan bantuan agen-agen cerdas yang telah diprogram untuk menangani keadaan tertentu. Penyesuaian dari agen-agen tersebut dilakukan dengan memperhatikan faktor-faktor penting dari pencarian sumber asap. Salah satunya adalah seperti yang ditunjukkan pada Gambar 3.4.

(a) Pabrik dengan Banyak Pipa

(b) Tanah Pasir

(c) Tanah Berbatu

Gambar 2.1: Kondisi Lingkungan Pencarian

20

Swarm Robot dalam Pencarian Sumber Asap

BAB 2. TEKNIK AUTONOMUS PADA PENCARIAN SUMBER ASAP

Bab ini akan membahas mengenai faktor-faktor penting dalam melakukan pencarian sumber asap, tidak hanya dari faktor luar tetapi juga faktor dalam yang melibatkan sang agen pencari. Apa yang harus ada pada agen pencari, faktor-faktor apa saja yang harus diperhatikan dalam melakukan penyesuaian agen sebelum diterjunkan ke medan pencarian. Pencarian sumber asap merupakan masalah yang kompleks karena memiliki banyak faktor yang harus diperhatikan agar pencarian dapat berlangsung dengan baik. Faktorfaktor ini melibatkan faktor lingkungan, sifat gas, dan kondisi agen. Seluruh faktor ini tidak boleh diabaikan, berikut dijelaskan secara ringkas efek dari masing-masing faktor: Sifat Gas Gas memiliki kecenderungan untuk berdifusi dengan udara disekelilingnya [15]. Sifat difusi ini akan membuat gas tersebut menyebar ke daerah-daerah yang belum terkontaminasi. Disisi lain, sifat difusi akan membuat konsentrasi gas di udara berkurang sehingga akan mempersulit agen untuk mendeteksi kehadiran gas. Sifat difusi ini juga dapat dimanfaatkan untuk menentukan sumber kebocoran. Sifat difusi memberikan kepastian bahwa udara yang berada disekitar sumber-sumber kebocoran akan memiliki konsentrasi zat yang lebih tinggi dibandingkan dengan udara yang jauh dari sumber. Namun jika kebocoran sudah terlalu lama dan udara tidak dapat berpindah, maka bisa saja konsentrasi udara tersebut menjadi sangat pekat. Hal ini umum terjadi dalam ruang tertutup tanpa adanya ventilasi udara. Jika ini terjadi, penutupan kebocoran akan semakin sulit untuk dilakukan. Lingkungan Kondisi lingkungan dimana kebocoran terjadi akan sangat berpengaruh besar terhadap keberhasilan pencarian. Kondisi lingkungan akan menentukan jenis agen seperti apa yang ditugaskan dalam pencarian. Seperti yang ditunjukkan pada Gambar 3.4, lingkungan pencarian dari sang agen dapat berbeda-beda. Sebagai contoh, agen yang dapat berjalan pada jalan yang tidak rata tentu berbeda dengan yang memang tidak didesain untuk itu. Jika dipaksakan, maka bisa saja agen tidak dapat berfungsi sama sekali. Selain itu, faktor angin pada ruang pencarian juga tidak boleh dilupakan. Angin memberikan tantangan yang sangat besar pada agen karena angin menciptakan kondisi asap yang lebih dinamis. Kondisi Agen Kondisi agen harus selalu disinergikan dengan lingkungan pencarian. Kondisi lapangan dan letak kemungkinan kebocoran harus selalu menjadi perhatian saat menentukan jenis agen pencari. Belum lagi pemilihan teknik pencarian yang digunakan. Teknik pencarian harus dapat bersifat dinamis dan adaptif terhadap
Swarm Robot dalam Pencarian Sumber Asap

21

BAB 2. TEKNIK AUTONOMUS PADA PENCARIAN SUMBER ASAP

sifat alami gas dan lingkungan dalam ruang pencarian. Selain itu, perilaku agen juga harus di optimasi agar dapat menyesuaikan diri dengan kondisi lingkungan. Contohnya, saat melakukan pencarian pada daerah yang sangat mengganggu frekuensi radio, sebaiknya tidak mengandalkan teknologi GPS (Global Positioning System) dalam menentukan lokasi agen. Menentukan karakteristik dari zat yang dicari juga harus diperhatikan. Udara sering sekali mengandung berbagai macam zat yang dapat saja disalahartikan oleh agen. Dengan menentukan karakteristik dari zat yang ingin dicari, secara tidak langsung kita memilih hidung elektronik yang akan dipasangkan pada agen pencari. Jelas berdasarkan penjelasan diatas, faktor-faktor tersebut tidak dapat diabaikan. Kombinasi dari seluruh faktor inilah yang menyebabkan proses pencarian sumber asap tidak dapat dikategorikan sebagai pekerjaan yang mudah. Terlebih lagi karena masih banyak contoh lain dari faktor-faktor tersebut yang tidak mungkin untuk diabaikan. Beberapa kasus yang umum terjadi akan ditemukan dalam bab ini bab-bab selanjutnya. Agar penjelasan pada bagian ini dan seterusnya menjadi lebih sederhana, maka istilah agen akan digunakan untuk menunjuk agen pencari sumber asap. Istilah zat akan digunakan untuk merujuk zat yang menjadi target pencarian. Pencarian sumber asap memiliki banyak tantangan, mulai dari faktor alam sampai desain agen. Selain tantangan-tantangan ini, sisi perilaku agen juga memiliki tantangan yang tidak jauh berbeda. Setiap agen pencari harus memiliki kemampuan untuk mengenali gas dan teknik mencari sumber gas tersebut. Keduanya hal ini bagaikan benang dan kain, yang jika tidak baik salah satunya, maka hasil yang dicapai juga tidak akan optimal. Terkait dengan poin pertama, teknologi yang ada saat ini memungkinkan manusia untuk melatih agen untuk mengenali karakteristik dari suatu zat. Atau dengan kata lain, melatih agen untuk melakukan klasikasi terhadap zat yang ada dalam udara.

Gambar 2.2: Hidung Elektronik

Klasikasi zat-zat tertentu yang terkandung dalam udara dilakukan berdasar pada 22
Swarm Robot dalam Pencarian Sumber Asap

BAB 2. TEKNIK AUTONOMUS PADA PENCARIAN SUMBER ASAP

karakteristik sensititas dari sensor asap sang agen tersebut terhadap zat yang dapat dideteksi. Seperti yang nanti dapat dilihat pada Bab 3, agen yang memiliki sensor asap memiliki sensitivitas yang berbeda-beda terhadap zat-zat tertentu. Sensor-sensor bau satu sama lain juga memungkinkan untuk memiliki sensitivitas yang berbeda, sehingga klasikasi pun disesuaikan dengan sensor bau yang digunakan. Sebagai contoh, sebuah sensor x yang tidak peka terhadap zat A, maka kita tidak mungkin untuk memanfaatkan sensor x dalam pencarian zat A. Gambar 2.2 adalah sensor asap TGS 2600 yang dipergunakan untuk mendeteksi alkohol, Hidrogen, dan Karbon Monoksida yang dihasilkan oleh rokok. Jika sensor asap jenis ini digunakan untuk melakukan pencarian gas sulfur atau belerang maka pencarian yang dihasilkan tidak akan optimal. Pada buku ini tidak akan dijelaskan lebih lanjut mengenai teknik klasikasi gas. Jika Anda tertarik, silahkan baca referensi yang telah dicantumkan terkait hal ini.

Gambar 2.3: Tahapan Pencarian Sumber Gas

Hal kedua yang perlu dimiliki oleh agen pencari adalah teknik pencarian sumber asap. Teknik ini akan menentukan perilaku dari agen yang ditugaskan dilapangan. Kemampuan perangkat keras yang tanpa didukung oleh teknik yang baik tidak akan berhasil dengan baik. Berdasarkan penelitian Hayes et al. pada [11, 16], paling tidak ada tiga tahap yang harus dilalui dalam pencarian sumber asap. Tahap-tahap ini adalah mencari kehadiran zat di udara, kemudian melakukan pelacakan menuju sumber asap,
Swarm Robot dalam Pencarian Sumber Asap

23

Halaman ini sampai bab berikutnya sengaja dikosongkan. Jika Anda tertarik dengan buku ini, silahkan hubungi kami di

http://kamiberkatarsis.com/lang/en/hubungi-kami/

BAB 3 PENCARIAN SUMBER ASAP DALAM MULTIDISIPLIN


Pencarian sumber asap dengan memanfaatkan agen-agen artisial bukanlah suatu penelitian yang hanya memanfaatkan satu bidang ilmu saja. Seperti pengembangan agen artisial untuk masalah lainnya, tidak hanya ilmu mengenai dunia kecerdasan buatan dan dunia elektronika yang terlibat. Banyak bidang-bidang ilmu lain yang terlibat dalam pengembangan suatu agen artisial spesik seperti dalam kasus ini adalah agen untuk melakukan pencarian sumber asap. Bidang-bidang seperti kecerdasan komputasional, biologi dan ilmu lingkungan ikut terlibat aktif dalam pengembangan agen pencari sumber asap ini.

Gambar 3.1: Disiplin Ilmu Dalam Pencarian Sumber Asap

Gambar 3.1 menunjukkan bidang-bidang ilmu yang terlibat langsung dalam pengembangan agen pencari sumber asap serta pengembangan dari lingkungan pencariannya. Setidaknya ada tiga bidang ilmu yang terlibat, yaitu kecerdasan buatan, robotika dan kecerdasan komputasional. Bidang-bidang ilmu yang tidak terlibat langsung, tetapi memberikan dasar dan inspirasi dari algoritma agen, bentuk agen serta pola lingkungan dimana pencarian dilakukan adalah entomologi, oceanologi dan serta ekologi. Pencarian sumber asap atau biasa disebut sebagai lokalisasi sumber asap tidak akan berjalan tanpa adanya agen yang melakukan pencarian. Untuk mengembangkan agen pencari ini maka diperlukan bidang elektronika, khususnya robotika untuk melakukan perancangan agen pencari yang sesuai dengan lingkungan pencariannya. Bidang robotika ini juga meliputi pemanfaatan micro-controller yang sesuai, pemilihan sensor yang tepat guna terutama sensor yang dipakai untuk mendeteksi gas yang ingin ditemukan. 45

BAB 3. PENCARIAN SUMBER ASAP DALAM MULTIDISIPLIN

Gambar 3.2: Robot Hammer Lego

Meski robot pencari telah disiapkan untuk menjadi agen pencari, tanpa adanya algoritma yang tepat maka pencarian mungkin saja tidak berhasil. Kecerdasan-kecerdasan dasar bagi robot tentunya sudah harus disiapkan tanpa harus mengetahui secara spesik tugas dari si robot tersebut. Kecerdasan tersebut meliputi kemampuan untuk menghindari benturan dengan robot lain maupun dengan lingkungan sekitar dan kemampuan untuk mengetahui posisi robot itu sendiri baik posisi relatif terhadap lingkungan maupun posisi mutlak. Sementara kecerdasan dasar merupakan hal wajib bagi setiap robot, kecerdasan robot lainnya harus disesuaikan dengan tujuan dari robot itu dibuat. Dalam hal lokalisasi sumber asap maka robot sebagai agen pencari diharapkan dapat menemukan sumber asap dengan algoritma pencarian yang efektif. Sejumlah algoritma untuk melakukan pencarian sumber asap telah dibahas pada Bab 2. Bidang kecerdasan buatan inilah yang akan menentukan algoritma yang paling tepat dalam melakukan pencarian sumber asap. Pengembangan lokalisasi sumber asap tidak selalu harus langsung diterapkan dalam implementasi perangkat keras dalam dunia nyata secara langsung. Pengembangan bisa dimulai melalui sejumlah simulasi sederhana sebelum akhirnya menerjunkan agen nyata ke untuk melakukan pencarian asap sesungguhnya. Untuk melakukan pengembangan ini, bidang ilmu komputasional diperlukan dalam melakukan pemodelanpemodelan matematika terhadap lingkungan dinamis dari lokalisasi sumber asap sehingga nantinya dapat ilustrasikan dalam suatu aplikasi perangkat lunak. Pemodelan-pemodelan ini bukanlah tanpa dasar, biasanya pemodelan ini diinspirasikan dari bidang keilmuan lainnya. Karena lingkungan yang dinamis dalam pencarian sumber asap adalah pergerakan anginnya maka bidang yang menjadi inspirasi biasanya adalah bidang oceanologi dan ekologi. Oceanologi dan ekologi dipakai dalam mempelajari pola dari pergerakan zat tertentu dalam uida bergerak, serta penyebaran zat itu bersama uida tersebut. Tentunya dalam oceanologi, uida disini adalah air, sementara dalam ekologi uida disini mungkin saja udara. Hasil dari penelitian ini adalah 46
Swarm Robot dalam Pencarian Sumber Asap

BAB 3. PENCARIAN SUMBER ASAP DALAM MULTIDISIPLIN

model matematis dari pergerakan zat tersebut dalam uida bergerak.

Gambar 3.3: Contoh Pemodelan Zat Dalam Fluida Bergerak

Jelas terlihat bahwa tidak hanya satu atau dua disiplin ilmu saja yang terlibat dalam melakukan pencarian sumber asap tentunya membuat pencarian sumber asap menjadi lebih menarik. Bidang robotika mendukung dalam menyediakan agen yang dapat dipakai dalam melakukan pencarian. Bidang kecerdasan buatan menjamin pemilihan algoritma yang tepat dalam lokalisasi sumber asap. Bidang ilmu komputasional berperan dalam melakukan pemodelan lingkungan pencarian baik dalam simulasi maupun dalam implementasi dunia nyatanya. Sedangkan dibalik itu semua masih terdapat sejumlah bidang keilmuan yang mendukung keberhasilan dari pencarian sumber asap. Meski penelitian yang mencoba untuk melakukan lokalisasi sumber asap telah ada baik melalui simulasi maupun melalui implementasi perangkat keras secara langsung, tentunya kita dapat mencoba menerapkan penelitian mereka, hanya sedikit penelitian yang mencoba untuk menerapkan pemodelan lingkungan yang bersifat dinamis. Umumnya para peneliti hanya berfokus pada pemberian ide baru dari algoritma pencarian sumber asap tetapi dalam lingkungan yang relatif stabil. Umumnya pemodelan lingkungan dibuat dengan membuat suatu arah angin yang kuat dan tetap untuk menjamin distribusi gas secara pasti dalam lingkungan pencarian atau dengan mengurangi jarak antara agen pencari dengan sumber asap. Oleh sebab hal tersebut, bab ini mencoba untuk menawarkan sebuah metode baru dalam melakukan pencarian sumber asap dengan memanfaatkan sejumlah besar robot dengan metode swarm intelligence. Seperti yang telah dijelaskan pada Bab 2 bahwa swarm intelligence berbeda dengan metode robot banyak pada umumnya, khususnya cabang Particle Swarm Optimization dimana sejumlah robot dapat saling berkomunikasi satu sama lain. Komunikasi yang dilakukan berupa pertukaran informasi tertentu selama proses pencarian. Berbeda dengan metode yang telah dipakai oleh para peneliti sebelumnya, metode yang memanfaatkan komunikasi ini membantu proses pencarian terutama ketika lingkungan pencarian menjadi tidak stabil. Untuk menguji kemampuan dari algoritma Particle Swarm Optimization ini maka
Swarm Robot dalam Pencarian Sumber Asap

47

BAB 3. PENCARIAN SUMBER ASAP DALAM MULTIDISIPLIN

uji coba perlu dilakukan, akan tetapi seperti penjelasan yang telah diberikan uji coba secara langsung pada perangkat keras cukup beresiko karena tingkat ketidakpastian yang masih cukup tinggi. Oleh sebab itu simulasi dan pemodelan melalui aplikasi perangkat lunak menjadi pilihan. Dari hasil simulasi dapat diketahui seberapa baik algoritma Particle Swarm Optimization bekerja. Penelitian menunjukkan algoritma ini bekerja baik dalam simulasi baik dalam kondisi lingkungan yang stabil maupun kondisi lingkungan yang tidak stabil [27]. Hasil dari simulasi yang baik dan telah melalui proses pengujian berulang-ulang meyakinkan bahwa algoritma ini dapat digunakan dalam pencarian sumber asap. Tetapi hasil dari simulasi saja tidak akan cukup dalam menjamin bahwa algoritma ini memang baik dalam melakukan lokalisasi sumber asap. Oleh sebab itu diperlukan verikasi dengan mengimplementasikan algoritma ini dalam kondisi sebenarnya di dunia nyata. Tentunya algoritma ini tidak serta merta diterapkan langsung dalam keadaan sesungguhnya. Verikasi algoritma ini dilakukan dengan mengkondisikan dunia nyata sama dengan simulasi yang digunakan. Pengkondisian tersebut tidak hanya melihat dari sisi medan pencarian, pengkondisian juga melibatkan perekayasaan kondisi angin dinamis dengan pemodelan yang telah dipakai didalam simulasi [20].

(a) Pemodelan 2D Particle Swarm Optimization

(b) Simulasi Particle Swarm OptimizationDalam Dunia Nyata

Gambar 3.4: Simulasi dan Implementasi Particle Swarm Optimization

Melihat dua tujuan besar yaitu menciptakan simulasi yang dapat menggambarkan keadaan lingkungan yang dinamis dengan algoritma pencarian adalah PSO dan memverikasi algoritma dan metode yang digunakan dalam simulasi kedalam dunia nyata merupakan tantangan yang menarik. Untuk menjawab tantangan tersebut diperlukan sejumlah tahap/proses untuk memahami apa yang menjadi ciri dari pencarian sumber asap. Bab ini mengklasikasi tiga ciri khusus dalam pencarian sumber asap yaitu gas dan pemodelannya, arsitektur pencarian beserta agen pencarinya dan algoritma yang akan digunakan dalam melakukan pencarian. Tiga ciri khusus ini akan dijelaskan pada bagian selanjutnya. 48
Swarm Robot dalam Pencarian Sumber Asap

BAB 3. PENCARIAN SUMBER ASAP DALAM MULTIDISIPLIN

3.1 Pemodelan Gas


Setelah memahami tujuan besar pencarian sumber asap yang telah dikemukakan pada pengenalan dari Bab ini, kita memahami bahwa diperlukan pengertian mendalam pada tiga ciri khusus dalam lokalisasi sumber asap. Salah satu dari ciri khusus ini adalah pemodelan asap/gas yang serupa dengan asap/gas dalam keadaan sebenarnya. Pemodelan yang dimaksud disini adalah bentuk pemodelan matematika. Sejumlah orang mungkin berpikir bahwa ada hal yang lebih penting ketimbang pemodelan pergerakan asap dan penyebarannya dalam masalah pencarian sumber asap. Hal ini mungkin saja benar, tetapi hal ini menjadi tidak berlaku ketika kita membicarakan lingkungan yang dinamis. Dalam eksplorasi sumber asap, lingkungan dinamis adalah lingkungan yang memiliki pergerakan angin yang tidak selalu sama. Pergerakan angin yang dinamis berarti pergerakan angin yang berubah baik secara periodik maupun secara acak. Disamping hal tersebut setidaknya ada dua hal lainnya mengapa kita memerlukan pemodelan asap menyangkut masalah ujicoba pencarian sumber asap itu sendiri dan penerapannya. Pertama, pemodelan asap membantu ujicoba metode untuk lokalisasi sumber asap dengan lingkungan percobaan buatan. Dengan pemodelan ini maka metode untuk lokalisasi sumber asap dapat diuji dalam lingkungan percobaan yang peneliti ciptakan dan sesuaikan dengan asumsi-asumsi yang mereka buat tanpa harus langsung diterjunkan dalam keadaan sesungguhnya. Hal ini membantu memudahkan metode yang memiliki banyak asumsi untuk mendapatkan persentase kesuksesan pencarian tinggi. Asumsi-asumsi terhadap lingkungan pencarian memudahkan peniliti dalam mengembangkan metode-metode baru yang lebih baik dan lebih optimal. Jika metode yang diuji memiliki persentase kesuksesan yang tinggi maka sedikit demi sedikit asumsi-asumsi yang digunakan peneliti tersebut dapat dikurangi hingga akhirnya situasi ujicoba sama dengan situasi sesungguhnya. Dengan demikian, jelas bahwa pemodelan asap menjembatani asumsi-asumsi yang ada dengan keadaan sesungguhnya. Alasan lain yang penting dan membuka kesempatan baru adalah pemodelan asap memberikan jalan bagi dunia simulasi untuk mencoba pencarian asap dalam bentuk 2D maupun 3D. Dengan hadirnya simulasi maka memberikan pilihan baru untuk uji coba pencarian sumber asap dengan metode tertentu. Daripada langsung menerapkan metode tersebut pada perangkat keras dimana resiko kegagalan cukup tinggi, ada baiknya untuk melakukan uji coba metode pencarian dalam dunia simulasi. Dunia simulasi lebih menjadi pilihan bagi sejumlah peneliti, karena kegagalan metode dalam pencarian baik dari sisi model robot, model lingkungan dan sejenisnya dapat diperbaiki dan ditingkatkan dengan mudah, tanpa biaya yang besar dan waktu yang relatif singkat. Berbeda jika ujicoba dilakukan secara langsung pada robot dan lingkungan nyata. Kesalahan pemodelan baik dari sisi robot maupun pemodelan lingkungan berakibat perombakan ulang
Swarm Robot dalam Pencarian Sumber Asap

49

BAB 3. PENCARIAN SUMBER ASAP DALAM MULTIDISIPLIN

cukup besar sebelum dapat melakukan uji coba lagi. Hal ini berarti memerlukan waktu, biaya dan umumnya perombakan bukanlah hal yang mudah. Seperti yang telah dijelaskan pada Bab 1, sifat gas yang utama dalam melakukan pencarian sumber asap adalah sifat adveksi-difusi dari gas tersebut, serta distribusi gas terhadap pengaruh dari pergerakan angin. Beberapa pemodelan pada dunia nyata dengan memperhatikan hal ini telah dilakukan [28]. Pemahaman mengenai sifat alami gas yang penting dalam melakukan pemodelan gas itu sendiri akan dibahas lebih lanjut pada subbab 3.1.1.

3.1.1

Pemodelan Matematis Gas Dasar

Penjelasan-penjelasan pada Bab 1 memberikan gambaran bagaimana sifat alami dari gas yang ada disekitar kita. Sifat-sifat alami seperti gas bergerak dan berpindah dari satu tempat ke tempat lain karena terbawa oleh angin dan setiap kali gas tersebut melakukan perpindahan konsentrasi gas akan menurun. Hal ini berarti bahwa zat dan gas dapat menyebar kesekitarnya dengan konsentrasi yang berbeda-beda tergantung seberapa jauh gas tersebut dari pusat/sumbernya. Sifat adveksi-difusi membuat gas dapat berpindah dengan cepat dengan bantuan udara. Baik dalam kondisi angin bergerak terhadap arah yang sama maupun berbeda, proses adveksi-difusi gas dalam lingkungan tetap terjadi. Pertanyaan yang muncul adalah bagaimana memodelkan proses adveksi-difusi tersebut kedalam persamaan matematis. Persamaan adveksi baik dasar maupun modikasi telah dipelajari dalam pemodelan matematika numerik. Salah satu bentuk pemodelan sederhana dari sifat adveksi-difusi ini adalah persamaan adveksi murni dasar. Berikut adalah persamaan adveksi murni dasar: C C +u =0 t x dimana : C = Konsentrasi gas u = Kecepatan aliran t = Waktu x = Sumbu x Dalam persamaan ini, distribusi gas hanya bergerak karena pengaruh kecepatan aliran sebesar U, sedangkan bentuk distribusi konsentrasinya harus tetap. Ini menyatakan bahwa konsentrasi pada satu titik disuatu waktu sama dengan titik lainnya di waktu yang lain. Tentunya dalam persamaan ini aliran gas bergerak hanya terhadap sumbu x. Grak dari metode ini dapat dilihat pada Gambar 3.5. 50
Swarm Robot dalam Pencarian Sumber Asap

(3.1)

Halaman ini sampai bab berikutnya sengaja dikosongkan. Jika Anda tertarik dengan buku ini, silahkan hubungi kami di

http://kamiberkatarsis.com/lang/en/hubungi-kami/

BAB 4 MODIFIKASI PSO TINGKAT LANJUT UNTUK PENCARIAN SATU SUMBER

Gambar 4.1: Konsep Sinergis pada Robot Pencari Sumber Asap

Modikasi yang telah kami lakukan pada Bab 3 (halaman 45) membuat Particle Swarm Optimization (PSO) dapat digunakan dalam pencarian sumber asap. Keberhasilan ini tidak lain karena sinergisnya desain dan perangkat lunak robot yang digunakan dalam pencarian. Pada dunia robotika, desain robot akan menentukan pekerjaan apa saja yang bisa dikerjakan oleh robot tersebut. Kesalahan desain dapat membuat robot menjadi tidak mampu menjalankan perannya secara maksimal, sebagai contoh robot yang didesain untuk mencari sumber kebocoran pada lantai tentu akan kesulitan jika ditugaskan untuk mencari sumber kebocoran pada pipa-pipa yang terpasang di dinding. Contoh lainnya adalah robot yang didesain untuk menjelajah area bertanah rata tentu tidak akan dapat berkerja dengan baik pada area bertanah tidak rata.

Gambar 4.2: Robot Pencari dalam Bangunan Banyak Ruang

99

BAB 4. MODIFIKASI PSO TINGKAT LANJUT UNTUK PENCARIAN SATU SUMBER

Perangkat lunak pada robot akan menentukan kemampuan kognitif robot, contohnya robot pencari pada ruang terbuka dan robot pencari pada bangunan dengan banyak ruang tentu akan memiliki kemampuan kognitif yang berbeda. Anggaplah sebuah Robot X yang merupakan robot pencari pada ruang terbuka dan sebuah Robot Y yang merupakan robot pencari pada bangunan dengan banyak ruang. Secara kognitif, Robot X hanya memerlukan kemampuan untuk menjelajah serta mengetahui kondisi angin dan asap pada saat pencarian. Berbeda halnya dengan Robot Y yang membutuhkan kemampuan tambahan lainnya untuk melakukan pencarian pada bangunan dengan banyak ruang, yaitu kemampuan untuk membuat denah bangunan. Secara sederhana dapat dibayangkan bahwa kemampuan Robot X merupakan subset dari kemampuan Robot Y. Selama proses pencarian sumber asap, Robot Y mungkin hanya menggunakan kemampuan Robot X untuk mencari sumber asap dalam suatu ruangan. Jika pada ruangan tersebut tidak ditemukan sumber asap, maka Robot Y akan menggunakan mekanisme tertentu untuk mengeksplorasi ruangan lainnya. Buku ini tidak akan menjelaskan lebih jauh mengenai teknik pencarian sumber asap dalam bangunan dengan banyak ruang, tetapi kami justru mengajak Anda untuk berkhayal lebih jauh pada bagian Reeksi di halaman 149. Kembali pada pembahasan utama, peningkatan kemampuan kognitif pada robot dapat memperpendek waktu yang dibutuhkan untuk menemukan sumber asap. Selain itu, kode program yang efektif dan esien sangatlah diperlukan untuk memaksimalkan kemampuan komputasi yang terbatas pada robot. Konsep sinergi dalam permasalahan pencarian sumber asap tergambarkan pada Gambar 4.1.

Gambar 4.3: Robot Kehilangan Asap karena Perubahan Angin

Percobaan pada Bab 3 (halaman 45) juga memperlihatkan bahwa masih terdapat ruang untuk meningkatkan kemampuan kognitif robot dengan memodikasi algoritma PSO. Walau algoritma PSO menggunakan banyak agen, namun hal ini tidak menjamin bahwa setiap pencarian akan berakhir dengan sukses. Pada percobaan yang sudah dilakukan, ada beberapa percobaan dimana agen-agen tidak berhasil menemukan sumber asap. Kegagalan tersebut sebagian besar disebabkan karena robot tidak dapat beradaptasi dengan perubahan lingkungan pencarian, seperti yang terlihat pada Gam100
Swarm Robot dalam Pencarian Sumber Asap

BAB 4. MODIFIKASI PSO TINGKAT LANJUT UNTUK PENCARIAN SATU SUMBER

bar 4.3. Waktu t pada Gambar 4.3 memperlihatkan kondisi lapangan saat robot sedang mengikuti aliran asap. Pada saat (t + 1), angin tiba-tiba berubah arah dan menyebabkan aliran asap yang sedang diikuti juga berubah. Hilangnya asap ini menyebabkan robot bingung, kehilangan arah, dan pada akhirnya tidak berhasil menemukan sumber asap. Pada dasarnya algoritma PSO memang tidak dikembangkan untuk menangani perubahan lingkungan [39], namun bukan berarti tidak mungkin. Pada bab ini, kami akan mengajak Anda untuk melihat modikasi untuk membuat PSO yang adaptif dalam lingkungan dinamis.

Gambar 4.4: Kegunaan Sifat Konvergen dan Divergen

Sifat konvergen menyebabkan PSO sulit untuk beradaptasi pada lingkungan dinamis. Sifat ini berarti partikel-partikel dalam PSO akan cenderung bergerak menuju satu titik tertentu, seperti yang terlihat pada Gambar 4.4. Sifat konvergen sangat berguna saat para agen sedang mengikuti asap. Semakin banyak agen pada saat mengikuti asap, berarti ketika ada satu agen kehilangan arah, masih ada banyak agen lain yang akan meneruskan pelacakan tersebut. Hal ini dapat diartikan bahwa semakin banyak agen yang mengikuti asap, maka akan semakin cepat pula sumber asap tersebut ditemukan. Sayangnya, sifat natural PSO ini selalu berlaku dalam setiap situasi, termasuk pada saat robot-robot sedang mencari asap. Asap yang dicari oleh robot selalu dapat muncul dimana saja dalam area pencarian. Selama para agen belum memiliki dugaan mengenai lokasi dengan kemungkinan terbaik munculnya asap, maka agen-agen pencari harus menyebar ke seluruh penjuru area pencarian. Posisi robot pada ruang pencarian paling tidak harus menyerupai posisi pada Gambar 4.4 dimana posisi robot-robotnya menyebar. Perhatikan bahwa setiap robot memiliki lingkaran keabuan disekitarnya. Setiap asap yang berada dalam lingkaran
Swarm Robot dalam Pencarian Sumber Asap

101

BAB 4. MODIFIKASI PSO TINGKAT LANJUT UNTUK PENCARIAN SATU SUMBER

tersebut pasti akan dapat terdeteksi oleh robot. Pada gambar tersebut terlihat bahwa posisi robot yang menyebar memungkinkan pengawasan asap pada area yang luas. Sifat partikel-partikel yang menyebar dan berjauhan ini di kenal dengan nama divergen. Modikasi PSO yang dijelaskan pada bab ini akan mengikuti konsep pada Gambar 4.4, yaitu meningkatkan konvergensi pada saat partikel mengikuti asap dan meningkatkan divergensi pada saat partikel mencari asap. Namun, karena konvergensi merupakan sifat alamiah PSO, maka modikasi akan difokuskan pada peningkatan sifat divergensi PSO. Pengembangan algoritma ini dispesikasikan untuk area pencarian dengan satu sumber asap, bertanah rata, dan tanpa halangan. Pada area seperti ini, kompleksitas masalah datang dari pergerakan angin dan luas area pencarian. Arah angin yang selalu berubah-ubah mempersulit robot dalam menemukan sumber asap. Sementara area pencarian menambahkan kompleksitas pencarian seiring dengan membesarnya luas area tersebut. Semakin luas area pencarian membuat robot harus mengawasi area yang semakin luas juga. Agar Anda dapat mengerti dengan mudah penjelasan dalam bab ini, mari lihat kembali konsep PSO pada Persamaan 4.1 dan persamaan perindahaan partikel pada Persamaan 4.2.
kognitif sosial

Vin+1

n n (Vin + c1 .rand().(pn xi ) + c2 .rand().(pn xi )) i g

(4.1) (4.2)

n n+1 xi = xi +Vin+1

dimana : i = partikel ke i, dimana i = {1, 2, 3, 4, . . .} n = iterasi PSO ke n, dimana n = {1, 2, 3, 4, . . .} = faktor konstriksi c1 = tingkat akselerasi untuk faktor kognitif, nilainya antara 0 sampai 1 c2 = tingkat akselerasi untuk faktor sosial, nilainya antara 0 sampai 1 Vin = kecepatan partikel ke i pada iterasi ke n
n xi = posisi partikel ke i pada iterasi ke n

pn = local best dari partikel ke i pada iterasi ke n i pn = global best pada iterasi ke n g rand() = fungsi acak, nilainya antara 0 sampai 1 Selain itu, ada tiga buah asumsi yang digunakan dalam seluruh modikasi. 1. Posisi awal robot diasumsikan selalu berada pada salah satu sisi ruangan dan setiap robot memiliki jarak yang cukup satu sama lainnya. Asumsi ini juga dapat diartikan bahwa pencarian selalu dimulai dengan posisi robot yang divergen. 102
Swarm Robot dalam Pencarian Sumber Asap

BAB 4. MODIFIKASI PSO TINGKAT LANJUT UNTUK PENCARIAN SATU SUMBER

2. Diasumsikan selalu ada angin yang berhembus dalam area pencarian. 3. Konsentrasi zat yang keluar dari sumber diasumsikan konstan. 4. Asap dapat bergerak keluar dari area pencarian.

4.1 Pencarian Lokal


Zhang et al. pada [48] mengusulkan teknik pencarian lokal untuk mengatasi perubahan lingkungan. Gambar 4.5 memperlihatkan ilustrasi posisi partikel yang terjebak pada lokal optima. Pada gambar jelas terlihat bahwa apabila partikel terus melakukan pencarian dengan algoritma PSO, maka partikel-partikel tersebut tidak dapat keluar dari lokal optima. Inilah sebabnya Zang et al. menyarankan pencarian lokal. Pada teknik ini, robot-robot ditugaskan untuk melakukan pencarian pada daerah optimum terakhir yang tercatat sebelum terjadinya perubahan lingkungan. Teknik ini mengasumsikan asap atau sumber asap hanya berjarak tidak jauh dari posisi lokal terbaik yang dimiliki robot. Selain itu, teknik ini juga mengasumsikan bahwa perubahan lingkungan terjadi setelah PSO melewati tahap konvergen. Anda dapat menggunakan berbagai teknik optimasi pada pencarian lokal.

Gambar 4.5: Partikel Terjebak pada Lokal Optima

Ada dua jenis lokal optima yang dapat muncul selama proses pencarian sumber asap. Jenis pertama adalah optima lokal yang disebabkan menumpuknya konsentrasi asap pada satu daerah tertentu. Optima lokal jenis ini sangatlah mengganggu kinerja PSO secara keseluruhan karena daerah pekat tersebut akan selalu mempengaruhi nilai local best partikel. Walau demikian, umumnya untuk kasus seperti ini posisi sumber asap dan dan konsentrasi asap lainnya masih berada tidak jauh dari titik lokal optima
Swarm Robot dalam Pencarian Sumber Asap

103

BAB 4. MODIFIKASI PSO TINGKAT LANJUT UNTUK PENCARIAN SATU SUMBER

tersebut. Kondisi tersebut merupakan kondisi yang ideal untuk menggunakan algoritma pencarian lokal. Jenis optima lokal kedua terjadi karena kombinasi perubahan kondisi lingkungan dan nilai global best yang tersimpan oleh robot. Pada kasus ini partikel secara terus menerus menggunakan nilai global best yang sudah tidak valid pada kondisi lingkungan yang sudah berubah. Kondisi ini akan sulit diatasi dengan teknik pencarian lokal karena umumnya seluruh konsentrasi asap berpindah ke area lain.

4.2 Pemposisian Ulang Partikel

Gambar 4.6: Diagram Alur Pemposisian Ulang Partikel

Salah satu cara sederhana yang dapat digunakan untuk meningkatkan sifat divergen PSO adalah dengan memindahkan posisi partikel secara acak dan sekaligus membuat nilai global best, local best, dan kecepatan partikel menjadi nol [27]. Tentu saja pengubahan nilai ketiga elemen tersebut menjadi nol sama saja seperti mengulang algoritma 104
Swarm Robot dalam Pencarian Sumber Asap

Halaman ini sampai bab berikutnya sengaja dikosongkan. Jika Anda tertarik dengan buku ini, silahkan hubungi kami di

http://kamiberkatarsis.com/lang/en/hubungi-kami/

BAB 5 MODIFIKASI PSO TINGKAT LANJUT UNTUK PENCARIAN BANYAK SUMBER

Gambar 5.1: Pencarian Banyak Sumber Asap

Teknik pencarian dengan Particle Swarm Optimization (PSO) memberikan kontribusi yang luar biasa terhadap penyelesaian masalah kebocoran gas. Terlebih lagi dengan adanya modikasi-modikasi untuk meningkatkan kecepatan dan akurasi PSO, variasi dan detail modikasi dapat dilihat dalam Bab 4 pada halaman 99. Percobaan-percobaan yang telah dilakukan baik pada level simulasi maupun implementasi nyata pada robot Al-Fath memperlihatkan bahwa PSO memang dapat diandalkan sebagai algoritma pencari sumber asap. Al-Fath akan selalu dapat melakukan pencarian dengan optimal selama asumsi-asumsi yang digunakannya terpenuhi, salah satunya adalah hanya terdapat satu sumber kebocoran dalam area pencarian. Sayangnya, tidak sedikit kasus dimana robot harus jumlah sumber kebocorannya tidak diketahui secara pasti dan memiliki potensi bahwa jumlahnya lebih dari satu. Jika Al-Fath digunakan dalam kondisi seperti ini, maka kemungkinan besar Al-Fath tidak dapat bekerja secara optimum. Agar PSO dan Al-Fath benar-benar dapat diterapkan untuk mengatasi permasalahan dalam dunia nyata, tentu saja hal ini tidak boleh dibiarkan begitu saja. Perlu adanya modikasi tambahan terhadap algoritma PSO agar dapat bekerja secara optimal baik dalam lingkungan banyak sumber maupun satu sumber kebocoran. Bab ini akan membahas mengenai modikasi untuk membuat PSO mampu bekerja secara optimal dalam pencarian pada 153

BAB 5. MODIFIKASI PSO TINGKAT LANJUT UNTUK PENCARIAN BANYAK SUMBER

lingkungan dengan banyak sumber asap. Sesuai dengan namanya, pada pencarian pada area dengan banyak sumber asap, agen-agen akan berhadapan dengan asap yang keluar dari berbagai sumber. Hal ini terilustrasikan dengan baik pada Gambar 5.1. Tantangan terbesar pada pencarian dengan banyak sumber asap adalah pengaruh dari banyaknya sumber asap yang berada dalam area pencarian. Asap yang keluar dari sumbernya secara natural akan berdifusi hingga mencapai titik kesetimbangan. Namun pada kasus banyak sumber, ada kemungkinan asap dari berbagai sumber bergabung dan menaikan konsentrasi zat pada area tertentu, seperti yang diperlihatkan pada Gambar 5.2. Pada gambar tersebut, area yang dilingkari dengan warna merah merupakan area dimana asap dari sumber 1 dan sumber 2 berkumpul. Konsentrasi zat yang tinggi pada area tersebut dapat membuat agen mmenduga bahwa dia sudah menemukan sumber asap. Selain itu, kinerja PSO secara keseluruhan juga dapat menurun karena posisi nilai global best akan berada disekitar area tersebut. Anda tentu masih ingat bahwa algoritma PSO melakukan pencarian dengan mengasumsikan bahwa konsentrasi zat diudara akan semakin pekat ketika agen semakin dekat dengan sumber asap. Kepekatan zat dalam udara direpresentasikan dengan nilai global best dan local best. Namun bergabungnya asap tersebut membuat asumsi yang digunakan PSO tidak sesuai dengan kondisi lapangan.

Gambar 5.2: Penggabungan Asap dari Berbagai Sumber pada Area Tertentu

Selain sifat difusi, sifat adveksi asap pada pencarian banyak sumber juga memberikan pengaruh yang besar terhadap kinerja algoritma PSO. Anda tentu masih ingat bahwa sebagaian besar modikasi pada pencarian satu sumber dilakukan untuk mengatasi pengaruh sifat ini. Pada pencarian banyak sumber, masalahnya tidak hanya sekedar asap yang bisa secara tiba-tiba berubah arah dan tidak dapat dirasakan lagi oleh agen, tapi juga dapat membuat agen-agen menjadi tersesat. Hal ini disebabkan karena setiap asap yang keluar dari sumbernya selalu bergerak mengikuti arah angin pada area tersebut. Ada kalanya angin membuat asap dari beberapa sumber bergerak menuju lokasi yang sama sehingga mengakibatkan robot yang berkumpul pada daerah terse154
Swarm Robot dalam Pencarian Sumber Asap

BAB 5. MODIFIKASI PSO TINGKAT LANJUT UNTUK PENCARIAN BANYAK SUMBER

but bergerak menuju sumber yang berlainan, seperti yang terlihat Gambar 5.2. Pada gambar tersebut terlihat bahwa agen 1 dan agen dua bergerak menuju sumber asap yang berlainan. Secara teoritis, agen-agen yang bergerak menuju sumber yang berbeda merupakan hal yang bagus karena dapat mempersingkat waktu yang dibutuhkan untuk menemukan seluruh sumber asap. Namun pada kenyataannya hal tersebut justru akan membuat kinerja PSO menjadi lebih lambat karena kedua agen tersebut berasal dari kelompok pencarian yang sama dan juga menggunakan nilai global best yang sama. Terpencarnya kedua agen akan membuat nilai global best berpindah-pindah dengan tren mendekati sumber pertama, mendekati sumber kedua, atau kembali lagi dalam area yang dilingkari dengan warna merah pada Gambar 5.2. Posisi dan nilai global best akan selalu mempengaruhi perilaku agen. Artinya, global best yang tidak konsisten akan membuat seluruh tim pencari juga tidak konsisten. Bayangkan lima sampai sepuluh agen pencari, bukan dua agen saja.

Gambar 5.3: Perbandingan Satu Kelompok dan Dua Kelompok

Cara termudah untuk mengatasi masalah akibat adveksi dan difusi dari banyak sumber asap adalah dengan menggunakan lebih banyak agen pencari. Semakin banyak agen, tentu akan semakin luas area yang dijelajahi sehingga membuat sumber asap dapat ditemukan lebih cepat. Namun, akan lebih efektif lagi jika melakukan pencarian dengan menggunakan banyak kelompok pencari. Sebagai contoh, alih-alih mengguSwarm Robot dalam Pencarian Sumber Asap

155

BAB 5. MODIFIKASI PSO TINGKAT LANJUT UNTUK PENCARIAN BANYAK SUMBER

nakan sepuluh robot untuk mencari lima sumber asap, akan lebih menguntungkan jika menggunakan dua tim pencari yang masing-masing beranggotakan lima robot. Cara ini akan memunculkan dua global best, alih-alih satu, seperti yang terlihat pada Gambar 5.3. Tentu saja adanya tambahan global best ini akan membuat agen pencari dapat melakukan pencarian terhadap beberapa sumber asap dalam satu waktu, tanpa terlalu sering menimbulkan inkonsistensi global best. Selain itu, sifat konvergen PSO dapat terutilisasi dengan baik karena dengan cara ini dapat membuat tim pencari hanya fokus pada satu sumber. Anda tentu masih ingat bahwa konvergen merupakan sifat alami yang dimiliki oleh PSO dan merupakan sifat yang penting dalam pencarian sumber asap. Pada bidang Komputasi Evolusioner (Evolutionary Computation), algoritma yang menangani masalah dengan banyak solusi disebut dengan algoritma niching. Proses yang dilakukan untuk menemukan banyak solusi disebut dengan istilah niche atau speciation. Konsep algoritma niching berasal dari proses alami dalam kehidupan, yaitu kondisi ketika sejumlah individu bersaing untuk mendapatkan sumber makanan yang jumlahnya terbatas di alam bebas. Persaingan ini pada akhirnya mengeluarkan sifatsifat alami dari makhluk hidup tersebut. Pada akhirnya individu-individu yang ada berkumpul dan membentuk suatu kelompok untuk bekerjasama dalam memenuhi kebutuhan mereka. Horn [50] mendenisikan niching sebagai berikut: form of cooperation around nite, limited resources, resulting in the lack of competition between such areas, and causing the formation of species for each niche Menurut denisi tersebut, niche adalah bagian dari ruang pencarian. Sementara spesies (species) adalah bagian dari kumpulan partikel yang bersaing dalam lingkungan tersebut. Pada presepsi Optimisasi Komputasi (Computational Optimization), sebuah niche menggambarkan satu solusi dari suatu masalah, sementara species adalah kelompok dari individu-individu yang bersifat konvergen ke satu niche. Selain kompleksitas yang disebabkan oleh sifat difusi dan adveksi, permasalahan lain yang muncul pada pencarian banyak sumber adalah sulitnya partikel untuk menemukan sumber asap lain setelah menemukan salah satu sumber asap yang ada. Hal ini tergambarkan dengan baik pada Gambar 5.4. Pada gambar tersebut terlihat ada tiga buah sumber asap yang ingin ditemukan dengan memanfaatkan enam buah agen pencari. Agen-agen pencari ini terdiri dari tiga buah partikel netral dan tiga buah partikel bermuatan. Gambar 5.4a memperlihatkan bahwa partikel-partikel sudah berhasil menemukan sumber asap yang paling kiri pada t ke delapan . Gambar tersebut juga memperlihatkan bahwa partikel-partikel berkumpul disekitar sumber tersebut. Namun ada satu partikel bermuatan yang berada pada area asap sumber yang tengah. Sayangnya, partikel tersebut tidak dapat membantu partikel-partikel lainnya menuju sumber asap yang berada ditengah, bahkan sampai t ke lima belas. Pada Gambar 5.4b terlihat bahwa 156
Swarm Robot dalam Pencarian Sumber Asap

BAB 5. MODIFIKASI PSO TINGKAT LANJUT UNTUK PENCARIAN BANYAK SUMBER

beberapa partikel yang berada paling kanan agak sedikit bergeser sedikit ke arah kanan. Kondisi seperti ini akan tetap sama selama nilai global best cenderung tetap berada disekitar posisi sumber yang pertama. Pada akhirnya kondisi ini akan membuat PSO berhenti karena sudah mencapai konvergensi dan tidak berhasil menemukan sumber asap yang lainnya.

(a) Partikel Menemukan Sumber Asap

(b) Terjebak Pada Sumber yang Sama

Gambar 5.4: Partikel Kesulitan untuk Menemukan Sumber Asap Lainnya

Pada bab ini Anda akan kami ajak untuk melihat modikasi-modikasi untuk mengatasi masalah akibat sifat adveksi dan difusi banyak sumber asap serta teknik untuk membuat agen mampu menemukan seluruh sumber asap yang ada dalam ruang pencarian. Selain permasalahan tersebut, agen tetap harus menghadapi permasalahan dan kompleksitas yang muncul dalam pencarian satu sumber, seperti perubahan arah angin dan bertambah luasnya area pencarian. Lebih lengkap mengenai permasalahan dalam pencarian satu sumber dapat Anda baca dalam Bab 4 pada halaman 99. Seluruh pengembangan algoritma modikasi pada bab ini akan menggunakan asumsi-asumsi berikut: 1. Posisi awal robot diasumsikan selalu berada pada salah satu sisi ruangan dan setiap robot memiliki jarak yang cukup satu sama lainnya. Asumsi ini juga dapat diartikan bahwa pencarian selalu dimulai dengan posisi robot yang divergen. 2. Selalu ada angin yang berhembus dalam area pencarian. 3. Konsentrasi zat yang keluar dari sumber diasumsikan konstan. 4. Asap dapat bergerak keluar dari area pencarian. 5. Pencarian selalu dilakukan dengan menggunakan partikel netral dan bermuatan. 6. Agen-agen pencari selalu menggunakan teknik deteksi dan respon serta utilisasi angin dalam setiap pencarian.
Swarm Robot dalam Pencarian Sumber Asap

157

BAB 5. MODIFIKASI PSO TINGKAT LANJUT UNTUK PENCARIAN BANYAK SUMBER


individu sosial gaya tolak n n Vin+1 = (Vin + c1 .rand().(pn xi ) + c2 .rand().(pn xi )) + i g persamaan standar PSO n+1 n xi = xi +Vin+1

an i

(5.1)

(5.2) (5.3)

an = i

max(i) l=1,i=l

an il

n n Q2 .(xi xl ) n n 2 jika |xi xl | < rinti r .|xn xn | inti i l n n n i = l : ail = Q2 .(xi xl ) n n n jika rinti |xi xl | rluar |x xn |3 i l 0 n n jika rluar < |xi xl | dimana : i = partikel ke i, dimana i = {1, 2, 3, 4, . . .} l = partikel ke l, dimana l = {1, 2, 3, 4, . . .} n = iterasi PSO ke n, dimana n = {1, 2, 3, 4, . . .} = faktor konstriksi

(5.4)

c1 = tingkat akselerasi untuk faktor kognitif, nilainya antara 0 sampai 1 c2 = tingkat akselerasi untuk faktor sosial, nilainya antara 0 sampai 1 Vin = kecepatan partikel ke i pada iterasi ke n
n xi = posisi partikel ke i pada iterasi ke n n xl = posisi partikel ke l pada iterasi ke n

pn = local best dari partikel ke i pada iterasi ke n i pn = global best pada iterasi ke n g rand() = fungsi acak, nilainya antara 0 sampai 1 an = total besar gaya tolak terhadap partikel ke i pada iterasi ke n i an = besar gaya tolak menolak antara partikel ke i dan l pada iterasi ke n il Q = besar gaya Coloumb partikel rinti = radius inti pengaruh gaya tolak menolak partikel bermuatan rluar = radius luar pengaruh gaya tolak menolak partikel bermuatan Agar Anda dapat dengan mudah mengerti penjelasan dalam bab ini, silahkan bacabaca kembali konsep PSO dalam bab 3 pada halaman 45. Ada baiknya juga Anda membaca mengenai PSO bermuatan yang terdapat dalam subbab 4.5 pada halaman 114. 158
Swarm Robot dalam Pencarian Sumber Asap

Halaman ini sampai bab berikutnya sengaja dikosongkan. Jika Anda tertarik dengan buku ini, silahkan hubungi kami di

http://kamiberkatarsis.com/lang/en/hubungi-kami/

DAFTAR REFERENSI
[1] W. Jatmiko, K. Sekiyama, and T. Fukuda. A pso-based mobile robot for odor source localization in dynamic advection-diffusion with obstacles environment: Theory simulation and measurement. IEEE Computational Intelligence Magazine, 2007. [2] Wulung Pambuko. Modikasi particle swarm optimization untuk pencarian banyak sumber asap dengan open dynamic engine. Masters thesis, Universitas Indonesia, 2009. [3] Charles W. Bryant. How long can you go without food and water?, Januari 2011. [4] Paul R. Schloerb, Bent J. Friis-Hansen, Istidore S. Edelman, A. K. Solomon, and Francis D. Moore. The measurment of total body water in the human subject by deutrium oxide dilution. The Journal of Clinical Investigation, 1950. [5] Ed McCabe. Flood Your Body with Oxygen. Energy Publisher, 2003. [6] Tim Penyusun Kamus Pusat Pembinaan dan Pengembangan Bahasa. Kamus Besar Bahasa Indonesia Edisi Kedua. Perum Penerbitan dan Percetakan Balai Pustaka, 1995. [7] Fred R. Myers. Pintupi Country, Pintupi Self - Sentiment, Place, and Politics among Western Desert Aborigines. University of California Press. [8] T.J. Reese. Inside the Vatican: The politics and organization of the Catholic Church. Harvard University Press, 2001. [9] LB Sorensen, P Moller, A Flint, M Martens, and A Raben. Effect of sensory perception of foods on appetite and food intake: a review of studies on humans. International Journal of Obesity, 2003. [10] F. Bryant Furlow. The smell of love - why do some people smell better to you? a look at how human body odor inuences sexual attraction. In Psychology Today Magazine. [11] A. T. Hayes, A. Martinoli, and R. M. Goodman. Distributed odor source localization. IEEE Sensors, 2002. 209

DAFTAR REFERENSI

[12] Claus Wedekind, Thomas Seebeck, Florence Bettens, and Alexander J. Paepke. The intensity of human body odors and the mhc: Should we expect a link? Evolutionary Psychology, 2006. [13] David R. Lide. Handbook Chemistry and Physics. CRC, 1997. [14] David Poole, Alan Mackworth, and Randy Goebel. Computational Intelligence: A Logical Approach. New York: Oxford University Press, 1998. [15] J.O. Hinze. Turbulance. McGraw-Hill, 1995. [16] A. T. Hayes, A. Martinoli, and R. M. Goodman. Swarm robotic odor localization: Off-line optimization and validation with real robots. Jurnal Robotica, 2003. [17] Card RT and Minks AK. Insect Pheromone Research: New Directions. Chapman and Hall: London, 1997. [18] Wei Li, Jay A. Farrell, and Ring T. Card. Tracking of uid-advected odor plumes: Strategies inspired by insect orientation to pheromone. Journal of Adaptive Behavior, 2001. [19] F. Grasso, J. Basil, and J. Atema. Toward convergence: Robot and lobster perspective of tracking odor to their source in the turbulent marine environment. [20] Ferdian Jovan. Pengembangan modul perilaku pada sistem lokalisasi sumber asap dengan menggunakan algoritma particle swarm optimization dan algoritma zigzag. Masters thesis, Universitas Indonesia, 2010. [21] Jim H. Belanger and Mark A. Willis. Biologically-inspired search algorithms for locating unseen odor sources. In Proceedings of the 1998 IEEE ISIS/CIRA/ISAS Joint Conference on the Science and Technology of Intelligent Systems. [22] T. Lochmatter, X. Raemy, and A. Martinoli. Odor source localization with mobile robots. Technical report, Ecole Polytechnique Federale Lausanne, 2007. [23] N. J. Vickers and T. C. Baker. Reiterative responses to single strands of odor promote sustained upwind ight and odor source location by moths. Proc. Nat. Academy Sci, 1994. [24] D. R. Webster, S. Rahman, and L. P. Dasi. On the usefulness of bilateral comparison to tracking turbulent chemical odor plumes. Limnology and Oceanography, 2001. [25] Vitorino Ramos, Carlos Fernandes, and Agostinho C. Rosa. Social cognitive maps, swarm collective perception and distributed search on dynamic landscapes. Journal of New Media in Neural and Cognitive Science, 2005. 210
Swarm Robot dalam Pencarian Sumber Asap

DAFTAR REFERENSI

[26] A. Dhariwal, G. S. Sukhatme, and A. A. G. Requich. Bacterium-inspired robots for environmental monitoring. In IEEE International Conference of Robotics and Automation. [27] Aditya Nugraha. Modikasi particle swarm optimization untuk pencarian banyak sumber asap dengan visualisasi. Masters thesis, Universitas Indonesia, 2008. [28] A. Lilienthal and T. Duckett. Creating gas concentration gridmap with a mobile robot. IEEE International Conference on Intelligent Robots and Systems, 2003. [29] Walcek C. J. Minor ux adjustment near mixing ratio extremes for simplied yet highly accurate monotonic calculation of tracer advection. Journal Geophysical Research, 2000. [30] Ricardo Gutierrez-Osuna, Jason Hamor, Simon Saugier, Ninh Dang, and Greg Albee. Odor tracking robot. Technical report, Texas A and M University, 2003. [31] H. Ishida, Y. Kagawa, T. Nakamoto, and T. Moriizumi. Odour-source localization in the clean room by an autonomous mobile sensing system. Sensors and Actuators B, 1996. [32] Vassilios N. Christopoulos and Stergios I. Roumeliotis. Multi robot trajectory generation for single source explosion parameter estimation. Technical report, Dept. of Computer Science & Engineering University of Minnesota, 2004. [33] Jay A. Farrell, John Murlis, Xuezhu Long, Wei Li, and Ring T. C. Filamentbased atmospheric dispersion model to achieve short time-scale structure of odor plumes. Environment Fluid Mechanics, 2002. [34] W. Jatmiko, A. Nugraha, W. Pambuko, B. Kusumoputro, and A. Febrian. Localizing multiple odor sources in dynamic environment using niche pso with ow of wind based on open dynamics engine library. Second International Conference on IT Application and Managemente, 2009. [35] Wisnu Jatmiko. Exploration and Optimization Method for Odor-Sensing by Multiple Robots. PhD thesis, Nagoya University, 2007. [36] J.M.B. Calvo, S. Bermudez I Badia, H.T. Simo, and P.F.M.J. Verschure. The real-world localization and classication of multiple odours using a biologically based neurorobotics approach. International Joint Conference on Neural Networks (IJCNN), 2010. [37] W. Jatmiko, T. Fukuda, F. Arai, and B. Kusumoputro. Articial odor discrimination system using multiple quartz resonator sensors and various neural networks
Swarm Robot dalam Pencarian Sumber Asap

211

DAFTAR REFERENSI

for recognizing fragrance mixtures. In Proceedings of the 2004 International Symposium on Micro-Nanomechatronics and Human Science, 2004 and The Fourth Symposium Micro-Nanomechatronics for Information-Based Society, 2004. [38] Dhiemas R.Y.S. Pengenalan dan pencarian posisi absolut robot dengan menggunakan banyak kamera studi kasus: Pencarian sumber kebocoran gas. Masters thesis, Universitas Indonesia, 2010. [39] Andries P. Engelbrecht. Fundamentals of Computational Swarm Intelligence. Wiley, 2005. [40] T. M. Blackwell and P. J. Bentley. Dynamic search with charged swarms. In Proceedings of the Genetic and Evolutionary Computation Conference. [41] W. Jatmiko, W. Pambuko, P. Mursanto, A. Muis, B. Kusumoputro, K. Sekiyama, and T. Fukuda. Localizing multiple odor sources in dynamic environment using ranged subgroup pso with ow of wind based on open dynamic engine library. In International Symposium on Micro-NanoMechatronics and Human Science. [42] W. Jatmiko, Rochmatullah, B. Kusumoputro, H. R. Sanabila, K. Sekiyama, and T. Fukuda. Visualization and statistical analysis of fuzzy-neuro learning vector quantization based on particle swarm optimization for recognizing mixture odors. In International Symposium on Micro-NanoMechatronics and Human Science. [43] W. Jatmiko, Rochmatullah, B. Kusumoputro, K. Sekiyama, and T. Fukuda. Fuzzy learning vector quantization based on particle swarm optimization for articial odor dicrimination system. WSEAS TRANSACTIONS on SYSTEMS, 2009. [44] W. Jatmiko, A. Nugraha, R. Effendi, W. Pambuko, R. Mardian, K. Sekiyama, and T. Fukuda. Localizing multiple odor sources in a dynamic environment based on modied niche particle swarm optimization with ow of wind. WSEAS TRANSACTIONS on SYSTEMS, 2009. [45] X. Hu and R. Eberhart. Tracking dynamic systems with pso: Wheres the cheese? In Proceedings of the Workshop on Particle Swarm Optimization. [46] A. Carlisle and G. Dozier. Adapting particle swarm optimization to dynamic environment. In Proceeding of the International Conference on Articial Intelligence. [47] T. M. Blackwell. Swarms in dynamic environment. In Proceedings of the Genetic and Evolutionary Computation. 212
Swarm Robot dalam Pencarian Sumber Asap

DAFTAR REFERENSI

[48] X. Zhang, L. Yu, Y. Zheng, Y. Shen, G. Zou, L. Chen, L. Chen, L. Xi, T. Yuan, J. Zhang, and B. Yang. Two-stage adaptive pmd compensation in a 10 gbit/s optical communication system using particle swarm optimization algorithm. Optics Communications, 2001. [49] T. M. Blackwell and P. J. Bentley. Dont push me! collision-avoiding swarms. In Proceedings of the IEEE Congress on Evolutionary Computation. [50] J. Horn. The Nature of Niching: Genetic Algorithms and the Evolution of Optimal, Cooperative Populations. PhD thesis, University of Illinois, Illinois, 1997. [51] R. Brits. Niching Strategies for Particle Swarm Optimization. PhD thesis, Department of Computer Science, University of Pretoria, 2002. [52] R. Brits, A. P. Engelbrecht, and F. Van Den Bergh. Niche particle swarm optimization. Technical report, Department of Computer Science, Unversity of Pretoria, 2002. [53] R. Brits, A. P. Engelbrecht, and F. Van Den Bergh. A niching particle swarm optimizer. In Fourth Asia-Pacic Conference on Simulated Evolution and Learning. [54] Achmad Rohman. Analisis pengimplementasian robot al fath menggunakan algoritma modikasi partikel swarm optimization dalam pencarian multi sumber asap. Masters thesis, Universitas Indonesia, 2010.

Swarm Robot dalam Pencarian Sumber Asap

213

DAFTAR REFERENSI

214

Swarm Robot dalam Pencarian Sumber Asap

PROFIL SINGKAT PENELITI W ISNU JATMIKO


(http://www.cs.ui.ac.id/staf/wisnuj) Surabaya, Desember 1973

Staf Akademis Fakultas Ilmu Komputer Universitas Indonesia

Ketertarikan:
Swarm Algorithm, Odor Source Localization, Trafc Signal Control, Smart Cardio Device, Electronic Nose

Keterlibatan pada Penelitian:


Dari tahun 2000 di Jepang: Pengembangan teknik-teknik pencarian sumber asap baik satu robot maupun banyak robot dengan menggunakan satu robot ataupun banyak robot

Pengalaman dan Kesan:


Setiap penelitian selalu membutuhkan kombinasi dari kesabaran dan ketekunan. Ketika saya bekerja bersama seluruh tim peneliti saya di Indonesia, kebutuhan akan dua hal tersebut semakin besar

Quotes: Tidak ada tanggal merah di kalender saya 247 merupakan angka terbaik setiap minggunya

215

DAFTAR REFERENSI

RUSDI E FENDI
Bengkulu, Januari 1981 Staf Dosen Prodi Teknik Informatika Fakultas Teknik, Universitas Bengkulu

Ketertarikan:
Kecerdasan buatan, Robotika, Swarm Robot dan Optimasi

Keterlibatan pada Penelitian:


Tahun 2008, dalam penelitian Modikasi Algoritma Particle Swarm Optimization untuk Pencarian Multi Sumber Gas : Simulasi dan Analisis

Pengalaman dan Kesan:


Pekerjaan yang menarik dengan orang-orang yang menarik dan enak diajak diskusi, menambah pengalaman, semua teman - teman di lab sangat membantu sekali dalam menyelesaikan tugas

Quotes: ...

W ULUNG PAMBUKO
Desember 1980 Staf Akademis Fakultas Ilmu Komputer Universitas Indonesia

Ketertarikan:
Robotika, Swarm Robot, Rekayasa Perangkat Lunak, Pemrograman Web dan Basis Data

Keterlibatan pada Penelitian:


2008 2009: oengubahan dari simulasi 2D ke 3D, optimasi algoritma dengan penambahan Main Robot beserta perubahan pada GUI yang berkaitan

Pengalaman dan Kesan:


Pengalaman: Pengetahuan algoritma PSO dan OSL, Pemrograman ODE, Pemrograman GUI dengan C++ Kesan: Kerja dengan Bapak Wisnu Jatmiko benar-benar memaksimalkan esiensi waktu, sering menginap bersama meningkatkan rasa kekeluargaan di antara anggota lab

Quotes: Dari 99 percobaan saya, ke-100 lah yang berhasil Albert Einstein 216
Swarm Robot dalam Pencarian Sumber Asap

DAFTAR REFERENSI

A NDREAS F EBRIAN
Jakarta, Februari 1985 Asisten Riset di Fakultas Ilmu Komputer Universitas Indonesia

Ketertarikan:
Kecerdasan Buatan, Aplikasi Mobile, Aplikasi Web, Human Computer Interaction, Pengembangan Sistem, Pengembangan Alat Bantu, Psikologi, Mengajar

Keterlibatan pada Penelitian:


Tahun 2010 - sekarang: Pengembangan perangkat lunak 3D dengan model robot Al-Fath dan modikasi PSO

Pengalaman dan Kesan:


Perpaduan orang-orang dengan visi yang sama namun memiliki berbeda karakter akan membentu tim riset yang menyenangkan

Quotes: Tidak ada fakta, yang ada intepretasi - Nietzsche

A DITYA N UGRAHA
Programmer

Ketertarikan:
Robotika, Particle Swarm Algorithm, 3D Modelling

Keterlibatan pada Penelitian:


Tahun 2008 dengan kontribusi membuat aplikasi simulasi 2D dan 3D untuk pencarian beberapa sumber gas dengan banyak robot

Pengalaman dan Kesan:


Rasanya bangga ikut menjadi bagian dari angkatan pertama Lab Robotika Fasilkom UI

Quotes: Life is a card. You need base skills, struggling and also luck for winning
Swarm Robot dalam Pencarian Sumber Asap

217

DAFTAR REFERENSI

R ANU W IJOYO
Maret 1987 System Developer

Ketertarikan:
Bagaimana robot-robot tersebut membagi area pencarian dan berkomunikasi/bertukar data

Keterlibatan pada Penelitian:


Januari 2009 Agustus 2009 menganalisa hasil simulasi beberapa metode pencarian sumber gas

Pengalaman dan Kesan:


Beruntung ikut terlibat dalam penelitian tersebut karena selain mengobati keingintahuan saya mengenai robot, pengalaman waktu itu yang mengharuskan kerja sama dan bersedia meluangkan waktu hingga malam atau pagi membuat saya tidak kaget saat bekerja meskipun pekerjaan saya tidak berhubungan lagi dengan Robotik. Terima kasih kepada Pak Wisnu jatmiko Dr,Eng dan rekan-rekan

Quotes: Jangan bekerja untuk uang tapi bekerjalah untuk kebahagian anda dan orang-orang terdekat karena kebahagian tidak ternilai dengan uang

ACHMAD ROHMAN
Jakarta, Desember 198* Staf IT dan Mahasiswa Fakultas Ilmu Komputer Universitas Indonesia

Ketertarikan:
Adventures, Reading, Teaching, Machine Learning, Math, and so pasti lawan jenis

Keterlibatan pada Penelitian:


Tahun 2010 - Analisis Kinerja Robot Al Fath

Pengalaman dan Kesan:


Pengalaman yang menyenangkan dan berkesan, benar-benar shock terapi, bekerja cepat, tangkas dan underpressure. Sungguh pengalaman yang tak terlupakan

Quotes: Mengalir seperti air 218


Swarm Robot dalam Pencarian Sumber Asap

DAFTAR REFERENSI

F ERDIAN J OVAN
Januari 88 Asiten Riset di Fakultas Ilmu Komputer Universitas Indonesia

Ketertarikan:
Robotika, Multi Agen, Autonomous Agen

Keterlibatan pada Penelitian:


Sejak 2010 sekarang dengan kontribusi Implementasi OSL untuk satu agen dan banyak agen dalam dunia nyata

Pengalaman dan Kesan:


Pengalaman dan ilmu yang didapat dari hal ini sangatlah banyak dan luas, dan bisa diterapkan untuk hal yang lain. Tim OSL ini adalah tim yang solid, gokil, dan penuh keceriaan. Tidak akan stress jika bekerja dengan mereka

Quotes: Bekerjalah dengan sepenuh hati untuk hasil yang optimal!

Swarm Robot dalam Pencarian Sumber Asap

219

DAFTAR REFERENSI

220

Swarm Robot dalam Pencarian Sumber Asap

UCAPAN TERIMA KASIH


Tim penulis secara khusus ingin mengucapkan terima kasih kepada namanama/lembaga dibawah ini atas bantuannya dalam pembuatan dan penerbitan buku Swarm Robot dalam Pencarian Sumber Asap: Dr. Eng, Wisnu Jatmiko selaku peneliti utama dari pencarian sumber asap yang dimulai sejak awal tahun 2000 di Nagoya University dan dilanjutkan pada tahun 2007 di Universitas Indonesia. Prof. T. Fukuda dan Prof. K. Sekiyama dari Nagoya University atas dukungan dan keterlibatannya dalam penelitian pencarian sumber asap. Fakultas Ilmu Komputer Universitas Indonesia atas dukungannya dalam bentuk tempat dan fasilitas serta izin melakukan penelitian pencarian sumber asap. Kementerian Riset dan Teknologi Republik Indonesia atas dana hibah dari program penelitian Insentif tahun 2008 dan 2009. Indonesia Toray Science Foundation atas dana hibah dari program Science And Technology Research Grant tahun 2007. Kementerian Pendidikan Nasional Republik Indonesia atas dana hibah dari program penelitian Strategis Nasional tahun 2009. Aditya Nugraha yang telah mengizinkan penggunan hasil karyanya mengenai implementasi PSO dalam perangkat simulasi 2D dan pengembangan PSO sebagai bahan dalam buku ini. Wulung Pambuku dan Andreas Febrian yang telah mengizinkan penggunaan hasil karyanya mengenai implementasi PSO dalam perangkat lunak simulasi 3D dan pengembangan tingkat lanjut PSO sebagai bahan dalam buku ini. Jeremiah Perkasa yang telah banyak membantu dalam implementasi perangkat lunak PSO baik versi 2D atau 3D. Ferdian Jovan, Dhiemas R.Y.S., dan M. Alvis Salim yang telah mengizinkan penggunaan hasil karyanya mengenai implementasi PSO pada robot Al-Fath, pengembangan GPS-Adhoc, dan protokol komunikasi dengan wireless USART sebagai bahan dalam buku ini. 221

DAFTAR REFERENSI

Rusdi dan Ahmad Rochman yang telah mengizinkan penggunaan hasil karyanya mengenai analisa kinerja PSO sebagai bahan dalam buku ini. Tim Robotika UI yang telah bekerja keras dalam mengembangkan robot Al-Fath. Seluruh rekan-rekan dalam laboratorium Computer Networks, Architecture & High Performance Computing. Your Afliate (YA) yang mengizinkan penggunaan beberapa fotonya untuk ditampilkan dalam buku ini. Rani Kusumawardhani (Fasilkom UI 2003) yang telah mengizinkan penggunaan foto Gunung Bromo (Gambar 1.1). Visto Tjahjadi (Farmasi UI 2006) yang telah mengizinkan penggunaan foto penggunaan masker di lab (Gambar 1.7). Christian Regensius dan Ferdian Jovan yang sudah bersedia sebagai model foto dalam buku ini.

222

Swarm Robot dalam Pencarian Sumber Asap

DAFTAR INDEX
A adaptif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160 adhock . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 adsorpsi . . . . . . . . . . . . . . . . . . . . . . . . . 71, 72 adveksi . . . . . . . . . . . . . . . . . . . . . . 2, 51, 154 agen . . . . . . . . . . . . . . . . . 21, 24, 45, 73, 100 artisial. . . . . . . . . . . . . . . . . . . . . . . . .19 aktuator . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 B bau . . . . . . . . . . . . . . . . . . . . . . 4, 7, 9, 10, 12 Beda Nyata Terkecil . . . . . . . . . . . . . . . . 204 blobs ltering . . . . . . . . . . . . . . . . . . . . . . . . . 81 bluetooth . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 board . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 bocor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

al-fath . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 C ambien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 cerdas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 amplitudo . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 color anemotaksis . . . . . . . . . . . . . 27, 29, 31, 121 ltering . . . . . . . . . . . . . . . . . . . . . . . . . 81 angin . . . . . . . . . . . . . . . . . . . 21, 32, 49, 120 coulomb . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 utilisasi . . . . . . . . . . . . . . . . . . . . . . . . . 32 D anjing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 deadsorpsi . . . . . . . . . . . . . . . . . . . . . . . . . . 72 ANOVA . . . . . . . . . . . . . . . . . . . . . . . . . . . 205 deasorpsi . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 api . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9, 10 deklarasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 area deteksi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 aman . . . . . . . . . . . . . . . . . . . . . . . . . . 189 difusi . . . . . . . . . . . . . . . . . 2, 21, 31, 51, 154 kekuasaan . . . . . . . . . . . . . . . . . . . . . 179 digiduca . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 ketertarikan . . . . . . . . . . . . . . . . . . . . 180 dispersi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 terlarang . . . . . . . . . . . . . . . . . . . . . . . 124 divergen . . . . . . . . . . . . . . . . . . . . . . 102, 119 aroma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 divergensi . . . . . . . . . . . . . . . . . see divergen arsitektur perangkat keras . . . . . . . . . . . . . . 65, 66 E encoder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 articial intelligence . . . . . . . . . . . . . . . . . . . . . 20 equilibrium . . . . . . . . . . . . . . . . . . . . . . . . . 88 asap . . . . . . . . . . . . . . . . . . 2, 7, 49, 160, 161 evakuasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 evolusioner . . . . . . . . . . . . . . . . . . . . . . . . . 85 eulerian . . . . . . . . . . . . . . . . . . . . . . . . . 55 farrel . . . . . . . . . . . . . . . . . . . . . . . . 58, 59 F gaussian . . . . . . . . . . . . . . . . . . . . . . . . 56 faktor pemodelan . . . . . . . . . . . . . . . 55, 60, 62 akselerasi . . . . . . . . . . . . . . . . . . . . . . . 86 simulasi . . . . . . . . . . . . . . . . . . . . . . . . 60 kecepatan . . . . . . . . . . . . . . . . . . . . . . . 86 autonomous . . . . . . . . . . . . . . . . . . . . . . . . . 20 konstriksi . . . . . . . . . . . . . . . . . . . . . . . 86 223

DAFTAR INDEX

fase kritis . . . . . . . . . . . . . . . . . . . . . . . . . . 111

kapasitor bypass . . . . . . . . . . . . . . . . . . . . . . . . . . 78 menyebar . . . . . . . . . . . . . . . . . 164, 166 karbondioksida . . . . . . . . . . . . . . . . . . . . . . . 1 PSO . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 karbonmonoksida . . . . . . . . . . . . . . . . . . 1, 7

feromon . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 kebakaran . . . . . . . . . . . . . . . . . . . . . . . 9 11 lter kebocoran . . . . . . . . . . . . . . . . . . . . see bocor blob . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 kemotaksis . . . . . . . . . . . . . . . . . . . . . 29 31 tness kognitif . . . . . . . . . . . . . . . . . . . . . . . 100, 106 function . . . . . . . . see fungsi kebugaran kompas . . . . . . . . . . . . . . see sensor kompas uida . . . . . . . . . . . . . . . . . . . . . . . . 30, 32, 46 kompleksitas . . . . . . . . . . . . . . . . . . . . . . . 102 frekuensi . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 komponen fungsi kebugaran . . . . . . . . . . . . . . . . . . . . . . . 88 G gas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2, 7, 21 beracun . . . . . . . . . . . . . . . . . . . see racun berbau . . . . . . . . . . . . . . . . . . . . . see bau distribusi . . . . . . . . . . . . . . . . . . . . . . . . 37 kognitif . . . . . . . . . . . . . . . . . . . . . . . . . 86 sosial . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 konvensional . . . . . . . . . . . . . . . . . . . . 11, 14 konvergen . . . . 87, 101, 102, 106, 107, 160 konvergensi . . . . . . . . . . . . . . see konvergen kristal . . . . . . . . . . . . . . . . see osilator kristal kritis . . . . . . . . . . . . . . . . . . . . . see fase kritis

konsentrasi . . . . . . . . . . . . . . . . . . . . . . 53 L model . . . . . . . . . . . . . . . . . . . . . see asap lapangan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 gaya lingkungan dinamis . . . . . . . . . . . . . . . . . 101 tolak . . . . . . . . . . . . . 117, 118, 128, 179 local best . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 genetik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 lokal global optima. . . . . . . . . . . . . . . . . . . . . . . . .111 best . . . . . . . . . . . . . . 107, 154, 171, 182 LPG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 optima. . . . . . . . . . . . . . . . . . . . . . . . .117 M global best . . . . . . . . . . . . . . . . . . . . . . . . . . 80 masker . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 gps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 master . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 H matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 header . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 media hidrogensulda . . . . . . . . . . . . . . . . . . . . . . . 7 komunikasi. . . . . . . . . . . . . . . . . . . . . . .4 hidung elektronik . . . . . . . . . 19, 23, 67, 68 menyebar . . . . . . . . . . . . . . . . . . . . . . . . . . 164 I indikator . . . . . . . . . . . . . . . . . . . . . . . . . . 3, 4 industri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 K kamera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 224 metana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 mikro . . . . . . . . . . . . . see pengontrol mikro mobile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 modul kamera . . . . . . . . . . . . . . . . . . . . . . . . . 80 komunikasi . . . . . . . . . . . . . . . . . . . . . 82
Swarm Robot dalam Pencarian Sumber Asap

DAFTAR INDEX

perilaku. . . . . . . . . . . . . . . . . . . . . . . . .79 Q modularisasi . . . . . . . . . . . . . . . . . . . . . . . . 79 quartz crystal . . . . . . . . . . . . . . . . . . . . 68, 71 muatan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 N netral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 niche . . . . . . . . . . . . . . . . . . . . . . . . . 156, 171 nirkabel . . . . . . . . . . . . . . . . . . . . . . . . . 15, 77 O OGR . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31, 32 oksida logam . . . . . . . . . . . . . . . . . . . . . . . . 68 oksigen . . . . . . . . . . . . . . . . . . . . . . . . 1, 7, 69 optimisasi . . . . . . . . . . . . . . . . . . . . . . . . . . 85 orientasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 osilator R racun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7, 9 aman . . . . . . . . . . . . . . . . . . . . . . . . . . 187 inti . . . . . . . . . . . . . . . . . . . . . . . 117, 178 ketertarikan . . . . . . . . . . . . . . . . . . . . 180 luar . . . . . . . . . . . . . . . . . . . . . . . 117, 178 range . . . . . . . . . . . . . . . . . . . . . . . . . . 174 tutup . . . . . . . . . . . . . . . . . . . . . . . . . . 160 reset . . . . . . . . . . . . . . . . . . . see tombol reset respon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 robot . . . . . . . . . . . . . . . . . . . . . . . . 16, 72, 73 desain . . . . . . . . . . . . . . . . . . . . . . . . . . 99

navigasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 radius

kristal . . . . . . . . . . . . . . . . . . . . . . . . . . 78 S P paralel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170 partikel . . . . . . . . . . . . . . . . . . . . . . . . 85, 115 bermuatan . . . . . . . . . 89, 114, 117, 118 netral . . . . . . . . . . . . . . . . . . . . . 114, 117 utama . . . . . . . . . . . . 176, 177, 181, 185 pelacakan . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 pemetaan . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 pencarian . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 pengontrol mikro . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 utama . . . . . . . . . . . . . . . . . . . . . . . . . . 78 pengontrol mikro . . . . . . . . . . . . . . . . . . . . 78 penutupan . . . . . . . . . . . . . . . . . . . . . 160, 163 penyebaran . . . . . . . . . . . . . . . . . . . . . . . . 183 perilaku . . . . . . . . . . . . . see modul perilaku port . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 power senjata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 sensor . . . . . . . . . . . . . . . . . . . . . . . . . . . 15, 19 angin . . . . . . . . . . . . . . . . . . . . . . . . . . 106 bau . . . . . . . see hidung elektronik, 160 inframerah . . . . . . . . . . . . . . . . . . . . . . 84 kompas. . . . . . . . . . . . . . . . . . . . . .76, 96 kwarsa . . . . . . . . . . . . . . . . . . . . . . . . . . 72 ultrasonik . . . . . . . . . . . . . . . . . . . . . . . 76 sinergi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 sinergis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 sirkulasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 slave . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 speciation . . . . . . . . . . . . . . . . . . . . . . . . . 156 steril . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10, 13 stokastik . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 surge . . . . . . . . . . . . . . . . . . . . . . . . 35, 36, 40 swarm . . . . . . . . . . . . . . . . . . . . . . . . . . 40, 85 T

supply . . . . . . . . . . . . . . . . . . . . . . . . . . 78 thread . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 primitif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 titik tengah . . . . . . . . . . . . . . . . . . . . . . . . 168 prioritas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 tombol


Swarm Robot dalam Pencarian Sumber Asap

225

DAFTAR INDEX

reset . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 transisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 U udara . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 utama . . . . . . . . . . . . . see pengontrol utama utilisasi angin . . . . . . . . . . . . . . . . . . . . . 120, 129 V vektor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 W webservice . . . . . . . . . . . . . . . . . . . . . . . . . . 80 wireless . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 Z zig-zag . . . . . . . . . . . . . . . . . . . . . . . . . . 33, 34

226

Swarm Robot dalam Pencarian Sumber Asap

DAFTAR INDEX

Swarm Robot dalam Pencarian Sumber Asap

227